Diktat Kuliah

STATISTIKA MATEMATIKA
Adi Setiawan
Universitas Kristen Satya Wacana
Salatiga
2006
i
Contents
1 Pendahuluan 1
1.1 Sifat Kecukupan . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Sifat Kelengkapan . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Sifat Ketakbiasan . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4 Keluarga Eksponensial . . . . . . . . . . . . . . . . . . . . . . . . . 13
2 Estimasi Titik 19
2.1 Metode yang digunakan bila tersedia statistik cukup yang lengkap 21
2.2 Metode yang digunakan bila tidak tersedia statistik cukup lengkap 22
2.3 Kriteria Pemilihan Estimator : Prinsip MLE . . . . . . . . . . . . 28
2.4 Estimator Momen . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.5 Kriteria Pemilihan Estimator : Pendekatan Teori Keputusan . . . 33
2.6 Sifat-sifat Optimal secara Asimptotik dari Estimator . . . . . . . . 40
3 Pengujian Hipotesis 46
3.1 Konsep Umum dari Pengujian Hipotesis Neyman-Pearson . . . . . 46
3.2 Pengujian Hipotesis Sederhana Melawan Alternatif Sederhana . . . 49
3.3 Uji UMP untuk Pengujian Hipotesis Komposit . . . . . . . . . . . 58
3.4 Uji UMPU untuk Pengujian Hipotesis Komposit . . . . . . . . . . 70
3.5 Pengujian Parameter dari Distribusi Normal . . . . . . . . . . . . . 73
3.5.1 Uji Tentang Variansi . . . . . . . . . . . . . . . . . . . . . . 73
3.5.2 Uji Tentang mean . . . . . . . . . . . . . . . . . . . . . . . 75
3.6 Perbandingan Parameter Dua Distribusi Normal . . . . . . . . . . 77
3.6.1 Perbandingan Variansi Dua Densitas Normal . . . . . . . . 77
3.6.2 Perbandingan Mean Dua Densitas Normal . . . . . . . . . . 79
3.7 Uji Likelihood Ratio . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4 Daerah Kepercayaan 91
4.1 Interval Kepercayaan . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.2 Interval Kepercayaan Bila Muncul Parameter Nuisans . . . . . . . 98
4.3 Interval Kepercayaan dan Interval Kepercayaan Pendekatan . . . . 101
4.4 Hubungan antara Uji Hipotesis dan Interval Kepercayaan . . . . . 102
ii
Chapter 1
Pendahuluan
Dalam bab ini terlebih dahulu akan dibahas tentang ruang parameter (pa-
rameter space), statistik cukup (sucient statistics), sifat kelengkapan (com-
pleteness), sifat ketakbiasan (unbiasedness) dan keluarga eksponensial (ex-
ponential family).
1.1 Sifat Kecukupan
Misalkan X suatu variable random dengan fungsi kepadatan probabilitas
f(x, ) diketahui tetapi tergantung pada suatu vektor konstan berdimensi
r yaitu = (
1
,
2
, . . . ,
r
)
t
yang dinamakan parameter. Ruang parame-
ter adalah himpunan semua nilai yang mungkin dari . Dalam hal ini
R
r
dengan r 1. Misalkan X
1
, X
2
, . . . , X
n
sampel random ukuran n
dari f(x; ) yaitu n variabel random yang saling bebas dan masing-masing
mempunyai fungsi kepadatan probabilitas f(x; ). Masalah mendasar dalam
statistika adalah membuat inferensi tentang parameter seperti melakukan
estimasi , menguji hipotesis tentang dan lain lain. Dalam melakukan hal
di atas , konsep tentang kecukupan memainkan peranan penting dalam mem-
bimbing kita untuk meringkas data tetapi tanpa kehilangan informasi yang
dibawa dalam data tentang parameter . Di samping sifat kecukupan juga
akan dibahas tentang konsep kelengkapan (completeness), sifat ketakbiasan
(unbiasedness) dan sifat ketakbiasan variansi minimum (minimum variance
unbiasedness).
Misalkan T
j
: R
n
R untuk j = 1, 2, . . . , m dan T
j
tidak tergantung
pada atau sebarang kuantitas yang tidak diketahui. Vektor
T = (T
1
, . . . , T
m
)
1
dinamakan statistik dimensi m, dengan T
1
= T
1
(X
1
, X
2
, . . . , X
n
),
T
2
= T
2
(X
1
, X
2
, . . . , X
n
),
dan T
m
= T
m
(X
1
, X
2
, . . . , X
n
). Sebelum didenisikan sifat kecukupan, ter-
lebih dahulu diberikan contoh-contoh berikut ini.
Contoh 1.1
Misalkan variabel random X berdistribusi seragam pada (, ). Bila diambil

1
= ,
2
= maka diperoleh = (
1
,
2
)
t
sehingga ruang parameternya
adalah = {(
1
,
2
)
t
|
1
,
2
R
2
,
1

2
} dan fungsi kepadatan probabilitas
dari variabel random X adalah
f(x; ) =
1

1
(1.1.1)
untuk
1
< x <
2
. Jika diketahui dan = maka ruang parameternya
adalah = (, ) dan fungsi kepadatan probabilitas daria variable random
X adalah
f(x; ) =
1

(1.1.2)
untuk
1
< x <
2
atau
f(x; ) =
1

I
A
(x) (1.1.3)
dengan A = (, ) dan I
A
(x) = 1 untuk x A and I
A
(x) = 0 untuk x A
merupakan fungsi indikator.
Jika diketahui dan = maka ruang parameternya = (, ) dan
fungsi kepadatan probabilitas dari variable random X adalah
f(x; ) =
1

(1.1.4)
untuk < x < atau
f(x; ) =
1

I
A
(x) (1.1.5)
dengan A = (, ).
Contoh 1.2
Misalkan variabel random X berdistribusi N(,
2
).
Bila dipilih
1
= ,
2
=
2
maka = (
1
,
2
)
t
sehingga
= {
1
,
2
)
t
R
2
|
1
R,
2
> 0}
2
dan fungsi kepadatan probabilitas dari variabel random X adalah
f(x; ) =
1

2
2
exp
_

(x
1
)
2
2
2
_
(1.1.6)
Jika diketahui dan dipilih = maka = R dan fungsi kepadatan proba-
bilitas dari variabel random X adalah
f(x; ) =
1

2
2
exp
_

(x )
2
2
2
_
(1.1.7)
sedangkan jika diketahui dan dipilih
2
= maka = { R| > 0} dan
fungsi kepadatan probabilitas dari variabel random X adalah
f(x; ) =
1

2
exp
_

(x )
2
2
_
. (1.1.8)
Contoh 1.3
Misalkan X
1
, . . . , X
n
variabel random saling bebas dan berdistribusi identik
(independent and identically distribution) yaitu Binom(1, ). Hal itu berarti
fungsi probabilitas dari X
i
adalah
f(x
i
; ) =
x
i
(1 )
1x
i
I
A
(x
i
) (1.1.9)
untuk i = 1, 2, . . . , n, A = {0, 1} dan = (0, 1). Misalkan T =

n
i=1
X
i
.
Karena X
i
berdistribusi Binom(1, ) maka T berdistribusi Binom(n, ) se-
hingga fungsi probabilitas dari T adalah
f
T
(t; ) =
_
n
t
_

t
(1 )
1t
I
B
(t) (1.1.10)
dengan B = {0, 1, . . . , n}.
Misalkan dianggap bahwa percobaan Binomial telah dilakukan dan nilai
pengamatan dari X
i
adalah x
i
untuk i = 1, 2, . . . , n. Masalah yang dihadapi
adalah bagaimana membuat inferensi tentang berdasarkan pada x
i
untuk
i = 1, 2, . . . , n. Apabila kita memberi tanda 1 untuk sukses maka akan
muncul pertanyaan tentang : dapatkah dilakukan inferensi tentang bila
diketahui banyaknya sukses yang terjadi. Bila banyaknya sukses yang terjadi
adalah t atau T = t untuk t = 0, 1, 2, . . . , n maka akan ditentukan berapa
probabilitas setiap satu kemungkinan dari
_
n
t
_
cara yang berbeda untuk
3
terjadinya t sukses.
P(X
1
= x
1
, . . . , X
n
= x
n
|T = t) =
P(X
1
= x
1
, . . . , X
n
= x
n
)
P(T = t)
=
_
P(X
1
=x
1
,...,Xn=xn)
P(T=t)
jika x
1
+x
2
+. . . +x
n
= t
0 jika yang lain.
Hal ini berarti
P(X
1
= x
1
, . . . , X
n
= x
n
|T = t) =

x
1
(1 )
1x
1
. . .
xn
(1 )
1xn
_
n
t
_

t
(1 )
1t
=

P
n
i=1
x
i
(1 )
n
P
n
i=1
x
i
_
n
t
_

t
(1 )
1t
=
1
_
n
t
_
jika x
1
+ x
2
+ . . . + x
n
= t dan bernilai 0 untuk yang lain, sehingga untuk
semua x
1
, x
2
, . . . , x
n
dengan x
i
= 0 atau 1 untuk i = 1, 2, . . . , n dan untuk

n
i=1
x
i
= t berlaku sifat
P(X
1
= x
1
, . . . , X
n
= x
n
|T = t) =
1
_
n
t
_
tidak bergantung pada . Oleh karena itu total banyaknya sukses t menye-
diakan semua informasi tentang .
Contoh 1.3 memotivasi denisi statistik cukup berikut ini.
Denisi 1.1
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dan berdistribusi iden-
tik dengan fungsi kepadatan probabilitas f(x, ) dan
= (
1
,
2
, . . . ,
r
)
t
R
r
.
Misalkan T = (T
1
, T
2
, . . . , T
m
)
t
dengan
T
j
= T
j
(X
1
, X
2
, . . . , X
n
)
4
untuk j = 1, 2, . . . , m statistik. Statistik T dinamakan statistik cukup
dimensi-m untuk keluarga F = {f(x; )| } atau untuk parameter
jika distribusi bersyarat (X
1
, X
2
, . . . , X
n
)
t
diberikan T = t tidak bergantung
pada untuk semua nilai t.
Dengan menggunakan teorema berikut ini, identikasi statistik cukup
dengan mudah dapat dilakukan.
Teorema 1.1 (Teorema Faktorisasi Fisher-Neyman)
Misalkan variabel random saling bebas dan berdistribusi identik dengan
fungsi kepadatan probabilitas f(x; ) dan = (
1
,
2
, . . . ,
r
)
t
R
r
.
Statistik dimensi-m
T = (T
1
(X
1
, X
2
, . . . , X
n
), T
2
(X
1
, X
2
, . . . , X
n
), . . . , T
m
(X
1
, X
2
, . . . , X
n
))
t
merupakan statistik cukup untuk jika dan hanya jika fungsi kepadatan
probabilitas bersama dari dapat difaktorkan sebagai
f(x
1
, x
2
, . . . , x
n
) = g[x
1
, x
2
, . . . , x
n
; ]h(x
1
, x
2
, . . . , x
n
)
dengan g tergantung pada hanya melalui T dan h tidak tergantung pada .
Akibat 1.1
Misalkan : R
m
R
m
fungsi terukur dan tidak tergantung pada serta
fungsi korespondensi satu-satu sehingga
1
ada. Jika statistik cukup untuk
maka (T) juga merupakan statistik cukup untuk dan juga merupakan
statistik cukup untuk () dengan : R
r
R
r
merupakan fungsi terukur
dan korespondensi satu-satu.
Contoh 1.4
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dan berdistribusi iden-
tik dari U(
1
,
2
). Fungsi kepadatan probabilitas dari X
i
adalah
f(x
i
; ) =
1

1
untuk
1
< x <
2
. Bila x = (x
1
, x
2
, . . . , x
n
)
t
dan = (
1
,
2
)
t
maka fungsi
5
kepadatan probabilitas bersamanya adalah
f(x
1
, x
2
, . . . , x
n
; ) =
n

i=1
1

1
I
(
1
,
2
)
(x
i
),
f(x
1
, x
2
, . . . , x
n
; ) =
1
(
2

1
)
n

1
< X
(1)
< X
(n)
<
2
,
f(x
1
, x
2
, . . . , x
n
; ) =
1
(
2

1
)
n
I
[
1
,)
(X
(1)
)I
(,
2
)
(X
(n)
),
f(x
1
, x
2
, . . . , x
n
; ) =
1
(
2

1
)
n
g
1
(X
(1)
, )g
2
(X
(n)
, ),
dengan g
1
(X
(1)
, ) = I
[
1
,)
(X
(1)
) dan g
2
(X
(n)
, ) = I
[
1
,)
(X
(1)
)I
(,
2
)
(X
(n)
).
Akibatnya dengan menggunakan Teorema Faktorisasi Fisher-Neyman diper-
oleh (X
(1)
, X
(n)
) merupakan statistik cukup untuk . Khususnya jika
1
=
diketahui dan
2
= maka X
(1)
merupakan statistik cukup untuk . Dengan
cara yang sama jika
2
= diketahui dan maka X
(n)
merupakan statistik
cukup untuk .
Contoh 1.5
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dan berdistribusi iden-
tik dari N(,
2
). Bila x = (x
1
, x
2
, . . . , x
n
)
t
, =
1
,
2
=
2
dan = (
1
,
2
)
t
maka fungsi kepadatan probabilitas dari X
i
adalah
f(x
i
; ) =
1

2
2
exp
_

(x
i

1
)
2
2
2
_
sehingga fungsi kepadatan probabilitas bersamanya adalah
f(x
i
; ) =
1
(

2
2
)
n
exp
_

1
2
2
n

i=1
(x
i

1
)
2
_
.
Tetapi, karena
n

i=1
(x
i

1
)
2
=
n

i=1
_
(x
i
x) + ( x
1
)]
2
=
n

i=1
(x
i
x)
2
+n( x
1
)
2
maka fungsi kepadatan probabilitasnya menjadi
f(x
i
; ) =
1
(

2
2
)
n
exp
_

1
2
2
n

i=1
(x
i
x)
2

n
2
2
( x
1
)
2
_
6
sehingga (

X,

n
i=1
(X
i

X)
2
)
t
merupakan statistik cukup untuk . Pada sisi
lain fungsi kepadatan probabilitasnya dapat dinyatakan sebagai
f(x
i
; ) =
1
(

2
2
)
n
exp
_

n
2
1
2
2
_
exp
_

2
n

i=1
x
i

1
2
2
n

i=1
x
2
i
_
.
Hal itu berarti, jika
2
=
2
diketahui dan
1
= maka

n
i=1
X
i
merupakan
statistik cukup untuk . Di samping itu, jika
1
= diketahui dan
2
=
maka

n
i=1
X
2
i
merupakan statistik cukup untuk . Demikian juga, dengan
menggunakan Akibat Teorema Faktorisasi Fisher-Neyman (

X, S
2
)
t
meru-
pakan statistik cukup untuk . Jika
1
= diketahui maka
1
n

n
i=1
(x
i
)
2
merupakan statistik cukup untuk
2
= .
Pada contoh-contoh di atas, dimensi dari statistik cukup sama dengan
dimensi parameternya. Jika X
1
, X
2
, . . . , X
n
variabel random saling bebas
dan berdistribusi identik dari distribusi Cauchy dengan parameter = (,
2
)
dan fungsi kepadatan probabilitas
f(x; ,
2
) =
1

2
+ (x )
2
untuk < x < maka tidak ada statistik cukup yang dimensinya lebih
kecil dari statistik cukup (X
1
, X
2
, . . . , X
n
)
t
.
Jika m adalah bilangan bulat terkecil sehingga T = (T
1
, T
2
, . . . , T
m
)
t
dengan T
j
= T
j
(X
1
, X
2
, . . . , X
n
) untuk j = 1, 2, . . . , m merupakan statis-
tik cukup untuk =
1
, . . . ,
r
)
t
maka T dinamakan statistik cukup minimal
untuk .
1.2 Sifat Kelengkapan
Misalkan X vektor random berdimensi k dengan fungsi kepadatan probabil-
itas f(x; ) dan R
r
. Misalkan g : R
k
R fungsi terukur sehingga
g(X) merupakan variabel random. Dianggap bahwa E

[g(X)] ada untuk se-

mua dan F = {f(x; )| }.
Denisi 1.2
Keluarga F dikatakan lengkap (complete) jika untuk setiap g,
E

[g(X)] = 0
untuk semua menyebabkan bahwa g(X) = 0 kecuali mungkin pada N
sehingga P

[X N] = 0 untuk semua .
7
Contoh 1.6
Misalkan F = {f(x; )|f(x; ) =
_
n
x
_

x
(1)
nx
I
A
(x), (0, 1)} dengan
A = {0, 1, 2, . . . , n}. Karena
E[g(X)] =
n

i=1
g(x)
x
(1 )
nx
= (1 )
n
n

x=0
g(x)
_
n
x
_

x
dengan =

1
maka E[g(X)] = 0 untuk semua (0, 1) akan ekuivalen
dengan
n

x=0
g(x)
_
n
x
_

x
= 0
untuk setiap (0, ). Akibatnya untuk lebih dari n nilai-nilai dari
berlaku untuk x = 0, 1, 2, . . . , n yang ekuivalen dengan
g(x)
_
n
x
_
= 0
untuk x = 0, 1, 2, . . . , n. Hal itu berarti bahwa keluarga distribusi binomial
F merupakan keluarga yang lengkap.
Contoh 1.7
Misalkan
F = {f(x; )|f(x; ) =
e

x!
I
A
(x), (0, )}
dengan A = {0, 1, 2, 3, . . .}. Karena
E[g(X)] =

x=0
g(x)
e

x!
= e

x=0
g(x)
x!

x
= 0
dengan (0, ) maka g(x) = 0 untuk . hal ini ekuivalen dengan g(x) = 0
untuk x = 0, 1, 2, . . . , n. Akibatnya keluarga distribusi Poisson F merupakan
keluarga yang lengkap.
Contoh 1.8
Misalkan
F = {f(x; )|f(x; ) =
1

I
[,]
(x), (0, )}.
8
Karena E[g(X)] = 0 untuk semua = (, ) maka
_

a
g(x)dx = 0 untuk
semua > sehingga g(x) = 0 kecuali mungkin untuk himpunan N se-
hingga P[X N] untuk semua dengan X adalah variabel random
yang mempunyai fungsi kepadatan probabilitas f(x; . Hal yang sama juga
benar jika f(x; ) adalah U(, ).
Contoh 1.9
Misalkan X
1
, . . . , X
n
variabel random saling bebas dan berdistribusi N(,
2
).
Jika diketahui dan = maka keluarga distribusi normal
F = {f(x; )|f(x; ) =
1

2
2
exp
_

(x )
2
2
2
_
, R}
merupakan keluarga yang lengkap. Sedangkan jika diketahui dan
2
=
maka keluarga distribusi normal
F = {f(x; )|f(x; ) =
1

2
exp
_

(x )
2
2
_
, (0, )}
tidak lengkap. Karena g(x) = x maka
E[g(X)] = E[X ] = 0
untuk semua (0, ) sedangkan g(x) = 0 berlaku hanya untuk x = .
Akhirnya, jika dan
2
tidak diketahui maka dapat ditunjukkan bahwa
keluarga distribusi normal
F = {f(x; ,
2
)|f(x; ,
2
) =
1

2
2
exp
_

(x )
2
2
2
_
, R, (0, )}
lengkap atau statistik cukup juga merupakan statistik cukup untuk (,
2
)
yang lengkap.
Teorema 1.2
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dan berdistribusi iden-
tik dengan fungsi kepadatan probabilitas f(x; ) dengan R
r
dan
T = (T
1
, T
2
, . . . , T
m
)
t
dengan T
j
= T
j
(X
1
, X
2
, . . . , X
n
) untuk j = 1, 2, . . . , m adalah statistik cukup
untuk . Misalkan V = (V
1
, V
2
, . . . , V
m
)
t
dengan V
j
= V
j
(X
1
, X
2
, . . . , X
n
)
9
untuk j = 1, 2, . . . , m sebarang statistik lain yang tidak tergantung pada T.
Misalkan g(x; ) fungsi kepadatan probabilitas dari T dan dianggap bahwa
himpunan S sehingga g(x; ) positif adalah sama untuk semua . Dis-
tribusi dari V tidak tergantung pada .
Teorema 1.3 (Teorema Basu)
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dan berdistribusi iden-
tik dengan fungsi kepadatan probabilitas f(x; ) dengan R
r
dan
T = (T
1
, T
2
, . . . , T
m
)
t
dengan T
j
= T
j
(X
1
, X
2
, . . . , X
n
) untuk j = 1, 2, . . . , m
adalah statistik cukup untuk . Misalkan g(x; ) fungsi kepadatan probabili-
tas dari T dan G = {g(x; )| } lengkap. Misalkan V = (V
1
, V
2
, . . . , V
m
)
t
dengan V
j
= V
j
(X
1
, X
2
, . . . , X
n
) untuk j = 1, 2, . . . , m adalah statistik lain.
Jika distribusi dari tidak tergantung pada maka V dan T saling bebas.
Contoh 1.10
Misalkan X
1
, . . . , X
n
variabel random saling bebas dan berdistribusi N(,
2
)
dengan
2
diketahui. Statistik

X merupakan statistik cukup untuk dan
S
2
=
P
n
i=1
(X
i

X)
2
n
suatu statistik. Perhatikan bahwa
n

i=1
(X
i

X)
2
=
n

i=1
[(X
i
) + (

X))
2
n

i=1
(X
i

X)
2
=
n

i=1
[(X
i
)
2
+ (

X)
2
+ 2(

X)(X
i
)]
n

i=1
(X
i

X)
2
=
n

i=1
(X
i
)
2
+n(

X)
2
+ 2(

X)
n

i=1
(X
i
)
n

i=1
(X
i

X)
2
=
n

i=1
(X
i
)
2
+n(

X)
2
+ 2(

X)n(

X )
n

i=1
(X
i

X)
2
=
n

i=1
(X
i
)
2
+n(

X)
2
2n(

X)n(

X)
n

i=1
(X
i

X)
2
=
n

i=1
(X
i
)
2
n(

X)
2
n

i=1
(X
i

X)
2
=
n

i=1
(X
i
)
2
n(

X )
2
.
10
Karena X
i
N(0,
2
) untuk j = 1, 2, . . . , n dan

X N(,

2
n
) sehingga
berakibat maka distribusi dari S
2
tidak bergantung pada . Dengan meng-
gunakan Teorema Basu diperoleh bahwa

X dan S
2
saling bebas.
1.3 Sifat Ketakbiasan
Denisi 1.3
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dan berdistribusi iden-
tik dengan fungsi kepadatan probabilitas f(x; ) dengan R dan
T = (T
1
, . . . , T
m
)
t
dengan T
j
= T
j
(X
1
, X
2
, . . . , X
n
) untuk j = 1, 2, . . . , m
adalah statistik cukup untuk . Statistik U adalah statistik tak bias untuk
jika E

[U] = untuk setiap .

Teorema 1.4 (Teorema Rao-Blackwell)
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dan berdistribusi iden-
tik dengan fungsi kepadatan probabilitas f(x; ) dengan R dan
T = (T
1
, . . . , T
m
)
t
dengan T
j
= T
j
(X
1
, X
2
, . . . , X
n
) untuk j = 1, 2, . . . , m adalah statistik cukup
untuk . Misalkan U(X
1
, X
2
, . . . , X
n
) statistik tak bias untuk yang bukan
fungsi dari T saja. Jika (t) = E

[U|T = t] maka
1. variabel random (T) merupakan fungsi statistik cukup T.
2. (T) merupakan statistik tak bias untuk .
3. Var

((T)) < Var

(U) dengan asalkan E

[U
2
] < .
Teorema berikut ini menyatakan sifat ketunggalan dari statistik cukup.
Teorema 1.5 (Teorema Ketunggalan Lehman-Schee)
Misalkan X
1
, X
2
, . . . , X
n
variabel random dengan fungsi kepadatan proba-
bilitas f(x; ) dengan R dan F = {f(x; )| }. Misalkan
T = (T
1
, . . . , T
m
)
t
dengan T
j
= T
j
(X
1
, X
2
, . . . , X
n
) untuk j = 1, 2, . . . , m
adalah statistik cukup untuk dan g(x; ) adalah fungsi kepadatan proba-
bilitasnya. Misalkan G = {g(x; )| } lengkap. Jika U = U(T) statistik
11
cukup tak bias untuk dan E

[U
2
] < untuk semua maka U adalah
statistik tak bias untuk dengan variansi terkecil dalam kelas yang mengan-
dung semua statistik tak bias untuk .
Denisi 1.4
Statistik tak bias untuk yang mempunyai variansi minimum dalam ke-
las semua statistik tak bias dari dinamakan UMVU (uniformly minimum
variance unbiased).
Terminologi uniformly diperoleh dari fakta bahwa variansi minimum
untuk semua .
Contoh 1.11
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dan berdistribusi iden-
tik dengan distribusi Binom(1, ) dengan (0, 1). Statistik T =

n
i=1
X
i
merupakan statistik cukup untuk dan juga lengkap. Karena

X =
T
n
meru-
pakan statistik tak bias untuk maka statistik

X merupakan statistik tak
bias dengan variansi minimum untuk .
Contoh 1.12
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dan berdistribusi iden-
tik dengan distribusi N(,
2
). Jika diketahui dan = maka
T =
n

i=1
X
i
statistik cukup untuk demikian juga T merupakan statistik yang lengkap.
Akibatnya

X = T/n merupakan statistik tak bias untuk dengan variansi
minimum untuk karena

X merupakan statistik tak bias untuk . Jika
= 0 dan
2
= maka T =

n
i=1
X
2
i
statistik cukup untuk . Karena T
juga merupakan statistik yang lengkap dan S
2
= T/n merupakan statistik
tak bias untuk dan S
2
merupakan statistik tak bias dengan variansi mini-
mum untuk .
Contoh 1.13
Misalkan X
1
, X
2
, X
3
variabel random saling bebas dan berdistribusi identik
dengan fungsi kepadatan probabilitas
f(x; ) = exp
_
x
_
12
untuk x > 0. Misalkan = 1/ sehingga fungsi kepadatan probabilitas dari
X menjadi
f(x; ) =
1

exp
_

x
_
.
Diperoleh E[X
i
] = dan Var(X
i
) =
2
untuk i = 1, 2, 3. Hal itu berarti
bahwa X
1
merupakan statistik tak bias untuk dengan variansi
2
. Demikian
juga T = X
1
+X
2
+X
3
merupakan statistik cukup untuk dan juga meru-
pakan statistik yang lengkap. Karena X
1
bukan merupakan fungsi dari T
maka X
1
bukan statistik tak bias dengan variansi minimum untuk . Oleh
karen itu dipilih statistik yang merupakan fungsi dari T dan juga merupakan
statistik tak bias untuk yaitu T/3 dengan sifat E[T/3] = . Dalam hal ini
Var(T/3) =
2
/3 lebih kecil dari
2
dengan (0, ).
1.4 Keluarga Eksponensial
Keluarga fungsi kepadatan probabilitas yang tergantung pada paremeter
dan berbentuk
f(x; ) = C() exp[Q()T(x)]h(x)
dengan x R, ( R) dan C() > 0 serta h(x) > 0 untuk x S
dinamakan keluarga eksponensial. Jika variabel random saling bebas dan
berdistribusi identik dengan f(x; ) dengan R maka fungsi kepa-
datan probabilitas dari X sebagai
f(x; ) = C() exp[Q()T(x)]h(x).
Contoh 1.14
Misalkan f(x; ) =
_
n
x
_

x
(1 )
nx
I
A
(x) dengan A = {0, 1, 2, . . . , n}.
Fungsi probabilitas tersebut dapat dinyatakan sebagai
f(x; ) = (1 )
n
exp[log(

1
)]
_
n
x
_
I
A
(x)
sehingga distribusi Binomial merupakan anggota keluarga eksponensial den-
gan c() = (1 )
n
, Q() = log(

1
), T(x) = x, h(x) =
_
n
x
_
I
A
(x).
13
Contoh 1.15
Misalkan variabel random X berdistribusi N(,
2
). Jika diketahui dan
= maka fungsi kepadatan probabilitas dari X adalah
f(x; ) =
1

2
exp
_

_
exp
_

2
x
_
exp
_

1
2
2
x
2
_
dengan R sehingga distribusi tersebut merupakan anggota keluarga ek-
sponesial dengan
c() =
1

2
exp
_

2
x
_
, Q() =

2
, T(x) = x, h(x) = exp
_

x
2
2
2
_
.
Jika diketahui dan
2
= maka fungsi kepadatan probabilitas dari X
adalah
f(x; ) =
1

2
exp
_

1
2
(x )
2
_
dengan (0, ) sehingga distribusi tersebut merupakan anggota keluarga
eksponensial dengan
c() =
1
2
, Q() =
1
2
, T(x) = (x )
2
, h(x) = 1.
Jika ruang parameter dari keluarga fungsi kepadatan eksponensial 1 pa-
rameter mengandung interval non degenerate maka keluarga tersebut lengkap.
Teorema 1.6
Misalkan X variabel random dengan fungsi kepadatan probabilitas f(x; )
dengan R seperti tersebut di atas. Keluarga
G = {g(x; )| }
dengan adalah fungsi kepadatan probabilitas dari T(X) maka G lengkap
asalkan mengandung interval non degenerate.
Teorema 1.7
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dan berdistribusi iden-
tik dengan fungsi kepadatan probabilitas merupakan anggota keluarga ekspo-
nensial 1 parameter.
1. Statistik T

n
i=1
T(X
i
) merupakan statistik cukup untuk .
14
2. Fungsi kepadatan probabilitas dari T

selalu berbentuk
g(t; ) = [c()]
n
exp
_
Q()t
_
h

(t)
dengan h(t) tidak bergantung terhadap asalkan T

variabel random
diskrit.
3. Jika variabel random kontinu maka fungsi kepadatan probabilitasnya
dapat dinyatakan sebagai
g(t; ) = [c()]
n
exp
_
Q()t
_
h

(t).
Teorema berikut ini menyatakan sifat kelengkapan dari suatu keluarga
distribusi.
Teorema 1.8
Keluarga G = {g(x; )| } lengkap asalkan mengandung interval non
degenerate.
Dalam hal ini G = {g(x; )| } dengan g(x; ) adalah keluarga fungsi
kepadatan probabilitas dari statistik cukup T

.
Teorema 1.9
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dan berdistribusi iden-
tik dengan fungsi kepadatan probabilitas merupakan anggota keluarga ek-
sponensial dan T

seperti didenisikan pada Teorema 1.7.1. Jika V sebarang

statistik yang lain, V saling bebas jika dan hanya jika distribusi dari V dan
T

tidak tergantung pada .

Contoh 1.16
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dengan fungsi kepa-
datan N(,
2
) yang merupakan anggota keluarga eksponensial dalam = .
Statistik

X =
1
n
n

i=1
X
i
merupakan statistik cukup untuk sedangkan
S
2
=

n
i=1
(X
i

X)
2
n
15
merupakan statistik lain yang tidak tergantung pada maka dengan meng-
gunakan Teorema 1.9 diperoleh bahwa x dan S
2
saling bebas.
Generalisasi dari Keluarga Eksponensial
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dan X = (X
1
, . . . , X
n
)
t
.
Fungsi kepadatan probabilitas bersama dari merupakan anggota keluarga ek-
sponensial r parameter jika mempunyai bentuk
f(x; ) = c() exp
_
n

i=1
Q
i
()T
i
(x)
_
h(x)
dengan x = (x
1
, x
2
, . . . , x
n
)
t
untuk j = 1, 2, . . . , k dan k 1,
= (
1
,
2
, . . . ,
r
)
t
R
r
,
C() > 0, dan h(x) > 0 untuk x S himpunan nilai positif dari
f(x; ) yang saling bebas terhadap .
Contoh 1.17
Misalkan variabel random X berdistribusi N(
1
,
2
). Fungsi kepadatan prob-
abilitas dari X dapat dinyatakan sebagai
f(x;
1
,
2
) =
1

2
2
exp
_

2
1
2
2
x
_
exp
_

2
x
1
2
2
x
2
_
.
Hal ini berarti keluarga distribusi normal merupakan anggota keluarga dis-
tribusi eksponensial dengan
c() =
1

2
2
exp
_

2
1
2
2
_
, Q
1
() =

1

2
, Q
2
() =
1
2
2
,
dan
T
1
(x) = x, T
2
(x) = x, h(x) = 1.
Dalam hal ini = (
1
,
2
).
16
Brief History of Fisher
R. A. Fisher (1890-1962). Statistician and geneticist. MacTutor Refer-
ences. SC, LP.
Fisher was the most inuential statistician of the C20. Like Pearson,
Fisher, studied mathematics at Cambridge University. He rst made an
impact when he derived the exact distribution of the correlation coecient
(see Fishers z-transformation). Although the correlation coecient was a
cornerstone of Pearsonian biometry, Fisher worked to synthesise biometry
and Mendelian genetics; for Fishers many disagreements with Pearson, see
Pearson in A Guide to R. A. Fisher. In 1919 Fisher joined Rothamsted
Experimental Station and made it the world centre for statistical research.
His subsequent more prestigious appointments in genetics at UCL and Cam-
bridge proved less satisfying. The estimation theory Fisher developed from
1920 emphasised maximum likelihood and was founded on likelihood and
information. He rejected Bayesian methods as based on the unacceptable
principle of indierence. I n the 1930s Fisher developed a conditional infer-
ence approach to estimation based on the concept of ancillarity. His most
widely read work Statistical Methods for Research Workers (1925 + later
editions) was largely concerned with tests of signicance: see Students t
distribution, chi square, z and z-distribution and p-value. The book also
publicised the analysis of variance and redened regression. The Design of
Experiments (1935 + later editions) put that subject at the heart of statis-
tics (see randomization, replication blocking). The ducial argument, which
Fisher produced in 1930, generated much controversy and did not survive the
death of its creator. Fisher created many terms in everyday use, e.g. statistic
and sampling distribution and so there are many references to his work on
the Words pages. See Symbols in Statistics for his contributions to notation.
Fisher inuenced statisticians mainly through his writingsee the experience
of Bose and Youden. Among those who worked with him at Rothamsted were
Irwin Wishart, Yates (colleagues) and Hotelling (voluntary worker) MGP. In
London and Cambridge Fisher was not in a Statistics department and Rao
was his only PhD student in Statistics. For more information see A Guide to
R. A. Fisher. See Hald (1998, ch. 28 Fishers Theory of Estimation 1912-1935
and his Immediate Precursors).
17
Brief History of Kolmogorov
Andrei Nikolaevich Kolmogorov (1903-87) Mathematician. MacTutor
References. MGP. LP.
Kolmogorov was one of the most important of C20 mathematicians and
although he wrote a lot of probability it was only a small part of his total
output. Like Khinchin, he was a student of Luzin at Moscow State Univer-
sity. In 1924 Kolmogorov started working with Khinchin and they produced
results on the law of the iterated logarithm and the strong law of large num-
bers. Kolmogorovs most famous contribution to probability was the Grund-
begrie der Wahrscheinlichkeitsrechnung (1933), (English translation) which
presented an axiomatic foundation. This made possible a rigorous treatment
of stochastic processes. His 1931 paper Analytical methods in probability
theory laid the foundations for the theory of markov processes; this paper
contains the Chapman-Kolmogorov equations. In 1941 Kolmogorov devel-
oped a theory of prediction for random processes, parallel to that developed
by Wiener. In the 60s Kolmogorov returned to von Misess theory of proba-
bility and developed it in the direction of a theory of algorithmic complex-
ity; this work was continued by the Swedish mathematician P. Martin-Lf.
In statistics he contributed the Kolmogorov-Smirnov test. From 1938 Kol-
mogorov was associated with the Steklov Mathematical Institute. He had
many students, among them Gnedenko and Dynkin. See also Symbols in
Probability Life & Work. See von Plato (ch. 7) Kolmogorovs measure the-
oretic probabilities. See also Vovk & Shafer Kolmogorovs Contributions to
the Foundations of Probability and The Origins and Legacy of Kolmogorovs
Grundbegriethe published version of the latter (Statistical Science (2006)
Number 1, 70-98) is dierent again.
18
Chapter 2
Estimasi Titik
Misalkan X variabel random dengan fungsi kepadatan probabilitas f(x; )
dengan R
r
. Jika diketahui maka semua probabilitas yang di-
inginkan dapat dihitung. Akan tetapi biasanya tidak diketahui sehingga
memunculkan masalah bagaimana mengestimasi parameter atau suatu
fungsi dari yaitu g() dengan g fungsi real dan terukur.
Denisi 2.1
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dan berdistribusi iden-
tik dengan fungsi kepadatan probabilitas f(x; ). Sebarang statistik
U = U(X
1
, X
2
, . . . , X
n
)
yang digunakan untuk menaksir kuantitas yang tidak diketahui dinamakan
estimator dari g(). Nilai dari U(x
1
, x
2
, . . . , x
n
) untuk nilai-nilai pengamatan
x
1
, x
2
, . . . , x
n
dinamakan estimasi dari g().
Denisi 2.2
Misalkan g fungsi real dan terukur. Estimator U = U(X
1
, X
2
, . . . , X
n
) dina-
makan estimator tak bias (unbiased estimator ) dari g() jika
E[U = U(X
1
, X
2
, . . . , X
n
)] = g()
untuk semua . Fungsi g dikatakan tertaksir (estimable) jika g() mem-
punyai estimator tak bias.
Denisi tentang ketakbiasan mengelompokkan statistik-statistik ke dalam
suatu kelas estimator tak bias. Jika U = U(X
1
, X
2
, . . . , X
n
) estimator tak
bias untuk g() maka harga harapan dari U sama dengan g(). Meskipun
19
kriteria ketakbiasan sudah mengkhususkan diri pada kelas estimator yang
memenuhi sifat tertentu tetapi kelas ini masih terlalu besar. Untuk itu perlu
dipilih dari dua estimator tak bias yaitu yang mempunyai variansi yang lebih
kecil.
Dasar pemikiran yang digunakan adalah bahwa variansi atau simpangan
baku memberikan ukuran konsentrasi di sekitar mean. Jika
U = U(X
1
, . . . , X
n
)
estimator tak bias untuk g() maka dengan menggunakan pertidaksamaan
Chebisev diperoleh
P

[|U g()| ] 1
Var(U)

.
Oleh karena itu, Var(U) yang kecil akan memperbesar batas bawah proba-
bilitas konsentrasi U di sekitar g().
Denisi 2.3
Misalkan g tertaksir. Suatu estimator
U = U(X
1
, X
2
, . . . , X
n
)
dikatakan estimator UMV U untuk g() jika U tak bias dan mempunyai
variansi minimum diantara kelas semua estimator tak bias dari g() dengan
. Jika U = U(X
1
, X
2
, . . . , X
n
) adalah sebarang estimator tak bias dari
g() maka
Var

(U
1
) Var

(U)
untuk semua .
Dalam banyak kasus, estimator UMVU ada. Untuk memperolehnya ter-
dapat 2 metode yaitu metode pertama yang digunakan bila tersedia statistik
cukup yang lengkap dan metode kedua yang digunakan bila tidak tersedia
statistik cukup yang lengkap. Pada metode kedua, terlebih dahulu diten-
tukan batas bawah semua estimator dan kemudian memilih suatu estimator
yang mempunyai variansi sama dengan batas bawah tersebut.
20
2.1 Metode yang digunakan bila tersedia statis-
tik cukup yang lengkap
Misalkan
T = (T
1
, T
2
, . . . , T
r
)
t
dengan T
j
= T
j
(X
1
, X
2
, . . . , X
n
) untuk j = 1, 2, . . . , r adalah statistik cukup
untuk dan U = U(X
1
, X
2
, . . . , X
n
) estimator tak bias dari g() dengan g
fungsi real. Misalkan (T) = E[U|T]. Estimator merupakan estimator tak
bias dari g() dan Var() Var(U) untuk semua dengan kesamaan
dipenuhi bila U merupakan fungsi dari T.
Jika tersedia statistik cukup maka Teorema Rao-Blackwell mengatakan
bahwa pencarian estimator UMVU untuk g() cukup dibatasi pada kelas esti-
mator tak bias yang hanya tergantung pada T. Jika T lengkap maka dengan
menggunakan Teorema Lehman-Schee, estimator tak bias (T) adalah esti-
mator unik yang mempunyai variansi minimum seragam dalam kelas semua
estimator tak bias. Metode ini tidak hanya menjamin keberadaan estimator
tetapi juga menghasilkannya.
Teorema 2.1
Misalkan g fungsi terukur dan real. Misalkan terdapat estimator tak bias
U = U(X
1
, X
2
, . . . , X
n
) dari g() dengan variansi berhingga. Jika
T = (T
1
, T
2
, . . . , T
r
)
t
dengan T
j
= T
j
(X
1
, X
2
, . . . , X
n
) untuk j = 1, 2, . . . , r adalah statistik cukup
untuk , lengkap dan (T) = E[U|T] maka estimator UMVU untuk g()
dan tunggal.
Contoh 2.1
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dan berdistribusi Bi-
nom(1, ) dan akan ditentukan estimator UMVU dari variansi X. Karena X
berdistribusi maka variansi dari X adalah Var(X) = g() = (1 ). Jika
U =

n
i=1
(X
i

X)
2
n 1
maka E

[U] = g(). Hal itu berarti U merupakan estimator tak bias untuk
g(). Lebih jauh,

i=1
(X
i

X)
2
=
n

i=1
X
2
i
n

X.
21
Karena X
i
= 0 atau 1 maka X
2
i
= X
i
sehingga
n

i=1
X
2
i
n

X =
n

i=1
X
i
n
_
1
n
n

i=1
X
i
_
2
.
Jika T =

n
i=1
X
i
maka diperoleh
n

i=1
X
2
i
n

X =
n

i=1
X
i
n
_
1
n
n

i=1
X
i
_
2
= T
T
2
n
,
sehingga U =
1
n1
_
T
T
2
n
_
. Karena T merupakan statistik lengkap dan juga
merupakan statistik cukup untuk maka dengan mengingat Teorema 2.1, U
merupakan estimator UMVU untuk g() = (1 ).
Contoh 2.2
Misalkan X
1
, . . . , X
n
variabel random saling bebas dan berdistribusi N(,
2
)
dengan dan
2
tidak diketahui. Akan ditentukan estimator UMVU untuk
dan
2
. Misalkan = (,
2
)
t
, g
1
() = dan g
1
() =
2
. Jika

X =

n
i=1
X
i
dan

n
i=1
X
2
i
merupakan statistik yang lengkap. Jika U
1
=

X dan
S
2
=
1
n
n

i=1
(X
i

X)
2
maka (

X, S
2
) merupakan statistik yang lengkap. Jika U
1
=

X dan U
2
= nS
2
maka E[U
1
] = dan E[nS
2
/
2
] = n 1 sehingga E[nS
2
/(n 1)]
2
. Hal itu
berarti U
1
estimator tak bias untuk dan U
2
merupakan estimator tak bias
untuk
2
. Karena U
1
dan U
2
hanya tergantung pada statistik cukup yang
lengkap maka (

X, S
2
)
t
merupakan estimator UMVU untuk (,
2
).
2.2 Metode yang digunakan bila tidak terse-
dia statistik cukup lengkap
Misalkan R, g fungsi real dan terdeferensialkan untuk semua .
Untuk menggunakan metode ini diperlukan syarat-syarat berikut ini :
1. f(x; ) positif pada himpunan S yang tidak bergantung pada .
2. interval terbuka dalam R.
3. f(x; )/ ada untuk semua dan semua x S.
22
4.
_
S
. . .
_
S
f(x
1
; ) . . . f(x
n
; )dx
1
. . . dx
n
atau

S
. . .

S
f(x
1
; ) . . . f(x
n
; )
dapat dideferensialkan di bawah tanda integral atau tanda sigma.
5. I() = E[f(x; )/]
2
positif untuk semua .
6.
_
S
. . .
_
S
u(x
1
, . . . , x
n
)f(x
1
; ) . . . f(x
n
; )dx
1
. . . dx
n
atau

S
. . .

S
u(x
1
, . . . , x
n
)f(x
1
; ) . . . f(x
n
; )
dapat dideferensialkan di bawah tanda integral atau tanda sigma den-
gan sebarang statistik tak bias untuk .
Teorema berikut ini memberikan sifat tentang batas bawah dari variansi
suatu statistik.
Teorema 2.2 (Cramer-Rao Inequality)
Misalkan X
1
, . . . , X
n
variabel random saling-bebas dan berdistribusi iden-
tik dengan fungsi kepadatan serta dianggap syarat-syarat tersebut dipenuhi.
Untuk sebarang estimator tak bias U = U(X
1
, . . . , X
n
) dari g() berlaku
Var(U)
[g

()]
2
nI()
dengan dan g

() = dg()/d.
Denisi 2.4
I() = E[f(x; )/]
2
dinamakan informasi Fisher sedangkan nI() adalah
informasi yang terkandung dalam sampel X
1
, . . . , X
n
.
Contoh 2.3
Misalkan X
1
, . . . , X
n
variabel random saling bebas dan berdistribusi Binom(1, )
dengan (0, 1). Fungsi probabilitas dari variabel random X yang berdis-
tribusi Binom(1, ) adalah
f(x; ) =
x
(1 )
1x
23
atau lnf(x; ) = xln + (1 x) ln sehingga
ln f(x; )

=
1

1 x
1
.
Akibatnya
_
lnf(x; )

_
2
=
1

2
x
2
+
1
(1 )
2
(1 x)
2

2
(1 )
x(1 x).
Karena E[X
2
] = dan E[(1 X)
2
] = 1 serta E[X(1 X)] = 0 maka
informasi Fisher I() adalah
E
_
ln f(x; )

_
2
=
1

2
E[X
2
] +
1
(1 )
2
E[(1 X)
2
]
2
(1 )
E[X(1 X)]
=
1

2
+
1
(1 )
2
(1 )
=
1

+
1
1
=
1
(1 )
.
Hal itu berarti batas bawah Cramer-Rao untuk g() adalah
CRLB =
[g

()]
2
nI()
=
1
n
1
(1)
=
(1 )
n
.
Karena

X merupakan estimator tak bias dan variasinya adalah
V (

X) =
(1 )
n
yaitu sama dengan batas bawah Cramer Rao maka

X merupakan estimator
UMVU untuk .
Contoh 2.4
Misalkan X
1
, . . . , X
n
variabel random saling bebas dan berdistribusi Poisson()
24
dengan > 0. Fungsi probabilitas dari variabel random X yang berdistribusi
adalah
f(x; ) =
e

x
x!
atau lnf(x; ) = +xln ln(x!) sehingga
ln f(x; )

= 1 +
x

dan
_
ln f(x; )

_
2
= 1 +
1

2
x
2

x.
Karena E[X] = dan E[X
2
] = (1 +) maka
E
__
ln f(x; )

_
2
_
= E[1] +
1

2
E[X
2
]
2

E[X]
= 1 +
1

2
(1 +)
2

= 1 +
1

(1 +) 2
= 1 +
1

+ 1
=
1

.
Hal itu berarti batas bawah Cramer-Rao untuk sama dengan
CRLB =
[g

()]
2
nI()
=
1
n
1

=

n
.
Karena

X merupakan estimator tak bias untuk dan variansinya adalah
Var(

X) =

n
yaitu sama dengan batas bawah CRLB maka

X merupakan
estimator UMVU untuk .
Contoh 2.5
Misalkan X
1
, . . . , X
n
variabel random saling bebas dan berdistribusi N(,
2
)
dengan R dan
2
> 0.
Kasus 1
Misalkan bahwa
2
diketahui dan = . Fungsi kepadatan probabilitas
X yang berdistribusi N(,
2
) adalah
f(x; ) =
1

2
2
exp
_

(x )
2
2
2
_
25
atau
ln f(x; ) = ln
_
1

2
2
_

(x )
2
2
2
.
Akibatnya
ln f(x; )

=
1

(x )

atau
_
ln f(x; )

_
2
=
1

2
(x )
2

2
.
Karena X berdistribusi N(,
2
) maka
(X)

berdistribusi N(0, 1) sehingga

berdistribusi chi-kuadrat dengan derajat bebas 1. Akibatnya E[
(X)
2

2
] = 1.
Hal itu berarti
E
_
ln f(x; )

_
2
=
1

2
E
_
(X )
2

2
_
=
1

2
sehingga batas bawah Cramer-Rao untuk g() adalah
CRLB =
g

()
nI()
=
1
n
1

2
=

2
n
.
Karena

X merupakan estimator tak bias untuk g() = dan variansinya
adalah Var(

X) =

2
n
yaitu sama dengan batas bawah Cramer-Rao maka

X
merupakan estimator UMVU untuk .
Kasus 2
Misalkan bahwa diketahui dan
2
= . Fungsi kepadatan probabilitas
X yang berdistribusi N(, ) adalah
f(x; ) =
1

2
exp
_

(x )
2
2
_
sehingga lnf(x; ) =
1
2
ln(2)
1
2
ln
(x)
2
2
. Akibatnya
ln f(x; )

=
1
2
+
(x )
2
2
2
dan
_
ln f(x; )

_
2
=
1
4
2
+
1
2
2
(x )
2

+
1
4
2
_
x

_
4
.
26
Karena variabel random X berdistribusi N(,
2
) maka
X

berdistribusi
N(0, 1) sehingga berdistribusi chi-kuadrat dengan derajat bebas 1. Akibat-
nya E
_
(X)
2

= 1 dan Var
_
(X)
2

= 2 sehingga
E
__
x

_
4
_
= E
__
(X )
2

_
2
_
= Var
_
(X )
2

_
+
_
E
_
(X )
2

__
2
= 2 + 1 = 3.
Oleh karena itu
E
__
ln f(x; )

_
2
_
=
1
4
2
E[1] +
1
2
2
E
_
(x )
2

_
+
1
4
2
E
__
x

_
4
_
sehingga
E
__
ln f(x; )

_
2
_
=
1
4
2

1
2
2
+
3
4
2
=
1
2
2
.
Karena batas bawah Cramer-Rao untuk g() adalah
CRLB =
[g

()]
2
nI()
=
1
n
1
2
2
=
2
2
n
.
Karena variabel random X
i
berdistribusi N(, ) untuk i = 1, 2, . . . , n maka
X
i

berdistribusi N(0, 1) sehingga berdistribusi chi-kuadrat dengan derajat

bebas 1. Dengan mengingat
X
i

saling bebas untuk i = 1, 2, . . . , n maka

n
i=1
(X
i
)
2

berdistribusi chi-kuadrat dengan derajat bebas n. Akibatnya

E
_
n

i=1
(X
i
)
2

_
= n, Var
_
n

i=1
(X
i
)
2

_
= 2n
sehingga

n
i=1
(X
i
)
2

estimator tak bias untuk dan variansinya

2
2
n
sama
dengan CRLB. Hal itu berarti merupakan estimator UMVU untuk .
Kasus 3
Bila dan
2
tidak diketahui maka =
1
dan
2
=
2
sehingga estimator
UMVU untuk
1
adalah

X dan estimator UMVU untuk
2
adalah

2
=
1
n 1
n

i=1
(X
i

X)
2
.
27
Karena

n
i=1
_
X
i

2
_
berdistribusi chi-kuadrat dengan derajat bebas n 1
maka variansi dari

2
adalah 2
2
/(n 1). Hal itu berarti estimator UMVU
untuk
2
mempunyai variansi lebih besar dari batas bawah Cramer-Rao.
Estimator UMVU untuk g() dinamakan estimator esien untuk g().
Jika u estimator UMVU untuk dan U

sebarang estimator tak bias untuk

g() maka kuantitas mengukur esiensi relatif U

terhadap u. Jelas bahwa

esiensi relatif mempunyai nilai dalam interval (0, 1].
2.3 Kriteria Pemilihan Estimator : Prinsip
MLE
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dan berdistribusi iden-
tik dengan fungsi kepadatan probabilitas f(x; ), R
r
dan anggap
bahwa fungsi kepadatan probabilitas bersamanya dinyatakan dengan
f(x
1
; )f(x
2
; ) . . . f(x
n
; ).
Bila fungsi kepadatan probabilitas bersama ini, variabel x dipandang sebagai
konstanta dan merupakan fungsi dari maka dinamakan fungsi likelihood
(likelihood function) dan dinotasikan dengan
L(|x
1
, x
2
, . . . , x
n
).
Denisi 2.5
Estimasi = (x
1
, x
2
, . . . , x
n
) dinamakan MLE (maximum likelihood esti-
mator) dari jika
L(|x
1
, x
2
, . . . , x
n
) = max{L(|x
1
, x
2
, . . . , x
n
)}
dan = (x
1
, x
2
, . . . , x
n
) dinamakan MLE untuk .
Karena fungsi y = lnx, x > 0 merupakan fungsi naik tajam maka un-
tuk memaksimumkan L(|x
1
, x
2
, . . . , x
n
) terhadap cukup dengan memak-
simumkan
lnL(|x
1
, x
2
, . . . , x
n
).
Contoh 2.6
Misalkan X
1
, . . . , X
n
variabel random saling-bebas dan berdistribusi Poisson().
Fungsi probabilitas dari X
i
adalah
f(x
i
; ) =
e

x
i
x
i
!
28
sehingga fungsi likelihoodnya adalah
L(|x
1
, x
2
, . . . , x
n
) = exp[n]
P
x
i
1

n
i=1
x
i
!
.
Logaritma naturalis dari fungsi likelihoodnya adalah
l() = ln L(|x
1
, x
2
, . . . , x
n
) = ln
_
n

i=1
x
i
!
_
n +
_
n

i=1
x
i
_
ln .
Oleh karena itu
l

= n + n

X
1

= 0 dan diperoleh

=

X. Sedangkan

2
l

= n x
1

2
< 0 untuk semua > 0 sehingga berlaku juga untuk =

.
Contoh 2.7
Misalkan X
1
, . . . , X
n
variabel random saling bebas dan berdistribusi N(,
2
)
dengan parameter = (,
2
)
t
. Fungsi likelihoodnya adalah
L(|x
1
, x
2
, . . . , x
n
) =
_
1

2
2
_
exp
_

1
2
2
n

i=1
(x
i
)
2
_
sehingga
L(|x
1
, x
2
, . . . , x
n
) = nln(2) nln(

2
)
1
2
2
n

i=1
(x
i
)
2
.
Akibatnya
ln L

=
2
2
2
n

i=1
(X
i
) =
n

2
(

X )
dan
ln L

2
=
n
2
2
+
1
2
4
n

i=1
(X
i
)
2
= 0
sehingga diperoleh =

X dan
2
=
1
n

n
i=1
(X
i


X)
2
. Jika
2
diketahui
dan = maka = x adalah MLE untuk sedangkan jika diketahui dan

2
= maka =
1
n

n
i=1
(X
i

X)
2
adalah MLE untuk
2
.
Contoh 2.8
Misalkan X
1
, . . . , X
n
variabel random saling bebas dan berdistribusi U(, ).
Fungsi kepadatan probabilitas dari U(, ) adalah
f(x; ) =
1

29
untuk < x < dengan = (, )
t
. Fungsi likelihoodnya adalah
L(|x
1
, x
2
, . . . , x
n
) =
n

i=1
f(x
i
; )
=
n

i=1
1

untuk < x
i
<
=
1
( )
n
I
[,)
(X
(1)
)I
(,]
(X
(1)
).
Fungsi likelihoodnya akan mencapai maksimum jika minimum yaitu
jika = X
(1)
dan

= X
(n)
. Jadi MLE untuk dan masing-masing adalah
= X
(1)
dan

= X
(n)
. Khususnya, jika = c dan = + c dengan c
positif dan c diketahui maka fungsi likelihoodnya adalah
L(|x
1
, x
2
, . . . , x
n
) =
1
(2c)
n
I
[c,)
(X
(1)
)I
(,+c]
(X
(1)
).
Fungsi likelihood dimaksimumkan dan nilai maksimumnya adalah
1
(2c)
n
untuk
sebarang sehingga c X
(1)
dan +c X
(n)
yaitu ekuivalen dengan
X
(n)
c X
(1)
+c.
Hal itu berarti bahwa sebarang statistik yang terletak antara X
(n)
c dan
X
(1)
+c merupakan MLE untuk . Sebagai contoh
1
2
[X
(1)
+X
(n)
] merupakan
MLE untuk . Jika diketahui dan = maka

= X
(1)
merupakan MLE
untuk sedangkan jika diketahui dan = maka

= X
(n)
merupakan
MLE untuk .
Teorema 2.3
Misalkan X
1
, . . . , X
n
variabel random saling bebas dengan fungsi kepadatan
probabilitas f(x; ) dan T = (T
1
, . . . , T
r
)
t
dengan T
j
= T
j
(X
1
, . . . , X
n
) un-
tuk j = 1, 2, . . . , r merupakan statistik cukup untuk = (
1
, . . . ,
r
)
t
. Jika

= (

1
, . . . ,

r
) adalah MLE yang tunggal untuk dan

merupakan fungsi
dari T.
Teorema 2.4
Misalkan X
1
, . . . , X
n
variabel random saling bebas dengan fungsi kepadatan
probabilitas f(x; ) dan R
r
. Jika didenisikan pada ke

R
m
yang merupakan fungsi korespondensi satu-satu dan

adalah MLE untuk
30
maka () merupakan MLE untuk (). Hal itu berarti MLE invariant di
bawah transformasi satu-satu.
Contoh 2.9
Misalkan X
1
, . . . , X
n
variabel random saling bebas dan berdistribusi N(,
2
)
dengan parameter = (,
2
)
t
. Berdasarkan Contoh 2.7, merupakan MLE
untuk
2
. Misalkan didenisikan :

dengan () =

dan
=

= {R R| 0} yang merupakan fungsi korespondensi satu-satu.

Dengan menggunakan Teorema 2. 4, diperoleh bahwa

_
1
n
n

i=1
(X
i

X)
2
merupakan MLE untuk .
2.4 Estimator Momen
Misalkan X
1
, . . . , X
n
variabel random saling bebas dan berdistribusi identik
dengan f(x; ) dan untuk bilangan positif r dianggap bahwa E[X
r
] = m
r
berhingga. Dengan menggunakan metode ini m
r
akan diestimasi dengan
momen sampel yaitu
P
n
i=1
x
r
i
n
. Bila sistem persamaan
1
n
n

i=1
x
k
i
= m
k
(
1
,
2
, . . . ,
r
)
dengan k = 1, 2, . . . , r dapat diselesaikan maka akan menghasilkan estimator
untuk
j
dengan j = 1, 2, . . . , r.
Contoh 2.10
Misalkan X
1
, . . . , X
n
variabel random saling bebas dan berdistribusi N(,
2
)
dengan dan
2
tidak diketahui. Dengan menggunakan metode momen
diperoleh sistem persamaan

n
i=1
X
i
n
= E[X] = ,

n
i=1
X
2
i
n
= E[X
2
] = Var(X) + (E[X])
2
=
2
+
2
,
sehingga menghasilkan estimator momen =

X dan
2
=
1
n

n
i=1
(X
i

X)
2
.
31
Contoh 2.11
Misalkan X
1
, . . . , X
n
variabel random saling bebas dan berdistribusi U(, )
dengan dan tidak diketahui. Dengan metode momen diperoleh sistem
persamaan

n
i=1
X
i
n
=

X = E[X] =
+
2
,

n
i=1
X
2
i
n
=

X
2
= E[X
2
] = Var(X) + (E[X])
2
=
( )
2
12
+
( +)
2
4
,
sehingga diperoleh
+ = 2

X

X
2

X
_
2
=
( )
2
12
=
_

12
_
2
atau
+ = 2

X
+ = S

12.
Akibatnya estimator momen untuk dan berturut-turut adalah
=

X

12
2
S,

=

X +

12
2
S.
Terlihat bahwa estimator momen dari dan bukan merupakan fungsi dari
statistik cukup dari dan . Hal ini merupakan salah satu kekurangan
dari metode momen. Kekurangan lain dari metode ini adalah bahwa metode
ini tidak dapat digunakan bila momennya tidak ada seperti pada distribusi
Cauchy.
32
2.5 Kriteria Pemilihan Estimator : Pendekatan
Teori Keputusan
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dan berdistribusi iden-
tik dengan fungsi kepadatan probabilitas f(x; ), R dan diinginkan
untuk mengestimasi .
Denisi 2.6
Fungsi keputusan adalah fungsi terukur yang didenisikan dari R
n
ke R.
Nilai (x
1
, x
2
, . . . , x
n
) dari pada dinamakan keputusan (decision).
Denisi 2.7
Untuk mengestimasi berdasarkan X
1
, X
2
, . . . , x
n
dan menggunakan kepu-
tusan . Fungsi kerugian (loss function) adalah fungsi non negatif dari dan
(x
1
, x
2
, . . . , x
n
) yang menyatakan kerugian yang diakibatkan bila mengesti-
masi dengan (x
1
, x
2
, . . . , x
n
).
Fungsi kerugian yang biasa digunakan adalah
L[; (x
1
, x
2
, . . . , x
n
)] = | (x
1
, x
2
, . . . , x
n
)|
atau secara umum
L[; (x
1
, x
2
, . . . , x
n
)] = | (x
1
, x
2
, . . . , x
n
)|
k
untuk k > 0 atau L[; (x
1
, x
2
, . . . , x
n
)] fungsi konveks dari . Bentuk fungsi
kerugian yang biasa digunakan adalah
L[; (x
1
, x
2
, . . . , x
n
)] = ( (x
1
, x
2
, . . . , x
n
))
2
.
Denisi 2.8
Fungsi resiko (risk function) yang bersesuaian dengan L[; ] dan dinotasikan
dengan R[; ] didenisikan sebagai
R[; ] = E[L(; (x
1
, x
2
, . . . , x
n
))].
Hal itu berarti bahwa resiko dari fungsi keputusan yang diberikan adalah
rata-rata atau harapan jika fungsi keputusan tersebut digunakan.
Dua keputusan dan

dikatakan ekuivalen bila

R[; ] = E[L(; (x
1
, x
2
, . . . , x
n
))] = E[L(;

(x
1
, x
2
, . . . , x
n
))] = R[;

].
33
Dalam konteks estimasi titik, keputusan (x
1
, x
2
, . . . , x
n
) dinamakan estimasi
dari dan kebaikannya ditentukan berdasarkan resiko R[, ].
Denisi 2.9
Estimator dari dikatakan admisible jika tidak ada estimator lain

dari
sehingga untuk semua R[;

] R[; ] untuk semua .

Denisi 2.10
Kelas dari estimator D dikatakan essentially complete jika untuk sebarang
estimator

dari tidak dalam D sehingga R[; ] R[;

] untuk semua
.
Hal itu berarti bahwa pencarian estimator dengan sifat-sifat optimal
membatasi perhatian kita pada kelas yang essentially complete dari estimator-
estimator admisible. Apabila hal ini dikerjakan, maka muncul pertanyaan
: yang manakah dari kelas ini yang dapat dipilih sebagai suatu estimator
dari . Untuk itu dipilih estimator sehingga untuk sebarang estimator
lain

dalam kelas dari semua . Sayangnya estimator yang demikian

tidak ada kecuali untuk kasus-kasus yang sederhana. Akan tetapi, jika kita
membatasi hanya pada kelas estimator tak bias dengan variansi berhingga
dan mengambil fungsi kerugian kuadrat maka R[; ] menjadi variansi dari

(x
1
, x
2
, . . . , x
n
). Kriteria pemilihan di atas bersesuaian dengan pencarian
estimator UMVU.
Estimator yang meminimumkan hal-hal buruk yang terjadi pada kita
yaitu meminimumkan resiko maksimum atas . Jika estimator yang mem-
punyai sifat tersebut ada maka dinamakan estimator minimaks (minimax
estimator). Untuk mencari estimator minimaks ini masih dibatasi pada ke-
las estimator yang essentially complete.
Denisi 2.11
Dalam kelas Dyaitu semua estimator yang mempunyai sifat R[; ] berhingga
untuk semua , estimator dikatakan minimaks (minimax) jika untuk
sebarang estimator

yang lain berlaku sifat

sup{R[; ]; } sup{R[;

]; }.
Misalkan R dan adalah variabel random dengan fungsi kepadatan
34
probabilitas yaitu fungsi kepadatan probabilitas prior
R() = E[R(; )] =
_

R[; ]()d atau

R[; ]().
Hal itu berarti bahwa R() adalah resiko rata-rata dari seluruh ruang pa-
rameter bila digunakan estimator .
Misalkan D
2
adalah kelas semua estimator sehingga R() berhingga un-
tuk suatu prior pada yang diketahui.
Denisi 2.12
Dalam kelas D
2
, estimator dikatakan estimator Bayes (dalam teori kepu-
tusan dan berkaitan dengan fungsi kepadatan probabilitas prior pada )
jika R() R(

) untuk semua estimator

yang lain.
Penentuan Estimator Bayes
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dengan fungsi kepa-
datan probabilitas f(x, ), R. Dalam hal ini digunakan fungsi keru-
gian kuadrat. Misalkan variabel random dengan fungsi kepadatan prior .
Akan ditentukan sehingga menjadi estimator Bayes dari dalam arti teori
keputusan.
Teorema 2.5
Estimasi Bayes dari yang bersesuaian dengan fungsi kepadatan probabilitas
pada sehingga
_

f(x
1
; )f(x
2
; )()f(x
n
; ) . . . d
dan _

f(x
1
; )f(x
2
; )()f(x
n
; ) . . . d
berhingga untuk setiap (x
1
x
2
, . . . , x
n
)
t
diberikan oleh
(x
1
x
2
, . . . , x
n
) =
_

f(x
1
; )f(x
2
; )()f(x
n
; ) . . . d
_

f(x
1
; )f(x
2
; )()f(x
n
; ) . . . d
asalkan kontinu.
Jika nilai pengamatan dari X
i
adalah x
i
untuk i = 1, 2, . . . , n maka
akan ditentukan fungsi kepadatan probabilitas bersyarat dari bila diberikan
35
X
1
= x
1
, X
2
= x
2
, . . . , X
n
= x
n
merupakan fungsi kepadatan posterior dari
. Fungsi kepadatan posterior dari adalah
h(|x) =
f(x
1
; )f(x
2
; ) . . . f(x
n
; )
h(x)
=
f(x; )()
h(x)
=
f(x
1
; )f(x
2
; ) . . . f(x
n
; )()
h(x)
dengan
h(x) =
_

f(x; )()d =
_

f(x
1
; )f(x
2
; ) . . . f(x
n
; )()d
untuk kontinu.
Estimator Bayes untuk yaitu (x
1
x
2
, . . . , x
n
) adalah harapan dari
berkaitan dengan fungsi kepadatan probabilitas posteriornya. estimator Bayes
yang lain dari adalah median dari h(|x) atau modus dari h(|x) jika ada.
Contoh 2.12
Misalkan variabel random saling bebas dari distribusi Binom(1, ) dengan
= (0, 1). Fungsi kepadatan probabilitas priornya dipilih berdistribusi
Beta(, ) dengan parameter dan yaitu
() =
( +)
()()

1
(1 )
1
untuk (0, 1). Akibatnya
I
1
=
_

f(x
1
; )f(x
2
; ) . . . f(x
n
; )d
=
( +)
()()
_
1
0

P
x
i
(1 )
n
P
x
i

1
(1 )
1
d
=
( +)
()()
_
1
0

P
x
i
+1
(1 )
+n
P
x
i
1
d
=
( +)
()()
( +

n
i=1
x
i
)( +n

n
i=1
x
i
)
( + +n)
36
dan
I
1
=
_

f(x
1
; )f(x
2
; ) . . . f(x
n
; )d
=
( +)
()()
_
1
0

P
x
i
(1 )
n
P
x
i

1
(1 )
1
d
=
( +)
()()
_
1
0

P
x
i
++11
(1 )
+n
P
x
i
1
d
=
( +)
()()
( +

n
i=1
x
i
+ 1)( +n

n
i=1
x
i
)
( + +n + 1)
.
Diperoleh estimator Bayes adalah
(x
1
x
2
, . . . , x
n
) =
_

f(x
1
; )f(x
2
; )()f(x
n
; ) . . . d
_

f(x
1
; )f(x
2
; )()f(x
n
; ) . . . d
=
( + +n)( +

n
i=1
x
i
+ 1)
( + +n)( +

n
i=1
x
i
)
=
( + +n)
_
+

n
i=1
x
i
_
( +

n
i=1
x
i
)
( + +n)( + +n)( +

n
i=1
x
i
)
=
+

n
i=1
x
i
+ +n
.
Bila = = 1 maka distribusi priornya merupakan distribusi seragam pada
(0,1) sehingga diperoleh estimator Bayes
(x
1
x
2
, . . . , x
n
) =
1 +

n
i=1
x
i
2 +n
.
Penentuan estimator Minimaks
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dengan fungsi kepa-
datan probabilitas f(x; ), R dan fungsi kepadatan probabili-
tas prior pada . Fungsi kepadatan probabilitas posterior dari diberikan
X = (X
1
, X
2
, . . . , X
n
)
t
= (x
1
, x
2
, . . . , x
n
)
t
dinyatakan dengan
h(|x) =
f(x
1
; )f(x
2
; ) . . . f(x
n
; )
h(x)
.
Telah diperoleh bahwa estimator Bayes dari dalam arti teori keputusan
diberikan dengan
(x
1
, x
2
, . . . , x
n
) =
_

h(|x)d
37
asalkan kontinu.
Teorema 2.6
Misalkan terdapat fungsi kepadatan probabilitas pada sehingga untuk
estimasi Bayes yang didenisikan dengan
(x
1
x
2
, . . . , x
n
) =
_

f(x
1
; )f(x
2
; )()f(x
n
; ) . . . d
_

f(x
1
; )f(x
2
; )()f(x
n
; ) . . . d
dan resiko R[; ] tidak tergantung pada . Estimator (x
1
x
2
, . . . , x
n
) meru-
pakan estimator minimaks.
Contoh 2.12
Misalkan X
1
, . . . , X
n
variabel random saling bebas dari distribusi Binom(1, )
dengan = (0, 1). Fungsi kepadatan probabilitas priornya dipilih berdis-
tribusi Beta(, ). Jika X =

n
i=1
X
i
maka X berdistribusi Binom(n, )
sehingga E[X] = n dan Var(X) = n(1 ) serta
E[X
2
] = Var(X) + (E[X])
2
= n(1 ) + (n)
2
= n(1 +n).
Bila
(x
1
x
2
, . . . , x
n
) =
+

n
i=1
X
i
+ +n
=
+X
+ +n
digunakan untuk mengestimasi maka akan mempunyai resiko
R[, ] = E

X +
n + +

= E

(n + +) (X +)
n + +

2
=
(n + +)
2

2
2(n + +)E[X +] +E[X + ]
2
(n + +)
2
=
(n
2
+ 2n + 2n + ( +)
2
)
2
2(n + +)(n +) +E[X
2
] + 2E[X] +
2
(n + +)
2
=
( +)
2

2
n
2
2
2
2 +n n
2
+n
2

2
+
2
(n + +)
2
=
( +)
2

2
n
2
2
2
2 +n +
2
(n + +)
2
=
[( +)
2
n]
2
[2
2
+ 2 n] +
2
(n + +)
2
.
Bila = =
1
2

n dan misalkan

hasil estimasi dari maka (+)

2
n = 0
38
dan 2
2
+ 2 n = 0 sehingga
R(,

) =

2
(n + +)
2
=
(1/4)n
(n +

n)
2
=
1
4(1 +

n)
2
.
Karena R(,

) tidak tergantung pada maka

(x
1
x
2
, . . . , x
n
) =
1
2

n +

n
i=1
x
i

n +n
=
2

n

X + 1
2(

n + 1)
merupakan estimator minimaks.
Contoh 2.13
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dari distribusi N(,
2
)
dengan
2
diketahui dan = . Estimator x merupakan estimator UMVU
untuk tetapi juga merupakan estimator minimaks dan estimator yang ad-
misible.
Contoh 2.14
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dari distribusi N(0,
2
)
dengan
2
tidak diketahui. Misalkan
2
= . Estimator UMVU untuk
adalah
U =
1
n
n

i=1
X
2
i
dan variansinya adalah
2
2
n
yaitu R(; U) =
2
2
n
.
Misalkan estimatornya adalah = U. Resiko yang terjadi jika digu-
nakan untuk mengestimasi adalah
R(; ) = E[U ]
2
= E[(U ) + ( 1)]
2
=
2
E[U ]
2
+ 2( 1)E(u ) +E[( 1)
2

2
].
Karena U estimator tak bias untuk maka E[U] = sehingga E(U ) = 0
dan akibatnya E[U ]
2
= E[U E(U)]
2
= Var(U) =
2
2
n
. Hal itu berarti
R(, ) = 2
2

n
+ 0 + ( 1)
2

2
=

2
n
(2
2
+n
2
2n +n)
=

2
n
[(n + 2)
2
2n +n].
39
Nilai =
n
n+2
akan meminimumkan resiko dan resikonya sama dengan
2
2
n+2
yang lebih kecil dari
2
2
n
untuk semua . Akibatnya U tidak admisible yaitu
resikonya bukan yang terkecil.
2.6 Sifat-sifat Optimal secara Asimptotik dari
Estimator
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dan berdistribusi iden-
tik dengan fungsi kepadatan probabilitas f(x; ), R.
Denisi 2.12
Barisan estimator dari , {V
n
} = {V
n
(X
1
, X
2
, . . . , X
m
)} dikatakan konsis-
ten dalam probabilitas (konsisten lemah) jika
V
n

untuk n dan untuk semua . Demikian juga barisan estimator
dari , dikatakan konsiten hampir pasti (konsisten kuat) jika
V
n

untuk n dan untuk semua .
Teorema 2.7
Jika E[V
n
] dan Var(V
n
) untuk n maka V
n
.
Denisi 2.13
Barisan estimator dari , yang sudah dinormalkan dikatakan normal secara
asimptotik ke N(0,
2
()) jika

n(V
n
)
d
X
untuk n dan untuk semua dengan X berdistribusi normal
N(0,
2
()) (di bawah P

).
Sifat
Jika

n(V
n
) N(0,
2
() untuk n maka V
n
untuk n .
40
Denisi 2.14
Barisan estimator , dikatakan BAN (best asimptotically normal ) jika
1. estimator tersebut normal secara asimptotik.
2. variansi
2
() dari distribusi normal limitnya terkecil untuk semua
dalam kelas semua barisan estimator yang memenuhi (1).
Barisan estimator BAN juga dinamakan esien secara asimptotik.
Teorema 2.8
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dengan fungsi kepa-
datan probabilitas f(x; ) dengan R. Jika syarat-syarat 1 sampai 6
pada pasal 2.2 dipenuhi, maka persamaan likelihood

ln L(|x
1
, x
2
, . . . , x
n
) = 0
mempunyai akar

n
=

(X
1
, X
2
, . . . , X
n
) untuk setiap n, sehingga barisan
{

n
} dari estimator adalah BAN dan variansi dari distribusi normal limitnya
sama dengan invers informasi Fishernya yaitu
I() = E

_
ln f(x; )

_
2
dengan X mempunyai distribusi di atas.
Contoh 2.15
Misalkan X
1
, . . . , X
n
variabel random saling bebas berdistribusi Binom(1, ).
MLE dari adalah

X =
1
n

n
i=1
X
i
dan dinotasikan dengan

X
n
. Dengan
menggunakan Hukum Bilangan Besar Kuat (Strong Law of Large Number -
SLLN) dan Hukum Bilangan Besar Lemah (Weak Law of Large Number -
WLLN ) diperoleh

n(

X
n
) N(0, I
1
())
dengan I() =
1
(1)
. Akibatnya dengan menggunakan Teorema Limit Pusat
(Central Limit Theorema) diperoleh bahwa

n(

X
n
)
_
(1 )
41
berdistribusi N(0, 1) secara asimptotik.
Contoh 2.16
Misalkan X
1
, . . . , X
n
variabel random saling bebas berdistribusi Poisson().
MLE dari adalah

X =
1
n

n
i=1
X
i
dan dinotasikan dengan

X
n
. Den-
gan menggunakan Hukum Bilangan Besar Kuat dan Hukum Bilangan Besar
Lemah,

X mempunyai sifat konsisten kuat dan konsisten lemah serta den-
gan Teorema Limit Pusat,

n(

X
n
) berdistribusi normal secara asimptotik
dengan variansi sama dengan I
1
() = .
Contoh 2.17
Misalkan X
1
, . . . , X
n
variabel random saling bebas dengan distribusi N(,
2
)
dengan tidak diketahui sedangkan
2
diketahui. MLE untuk adalah

X
n
. Jika
2
tidak diketahui dan diketahui maka MLE untuk
2
adalah
1
n

n
i=1
(X
i
)
2
. Variansi dari

n(

X
n
) yang berdistribusi normal adalah
I
1
() =
2
. Limit variansi dari

n
_
1
n
n

i=1
(X
i
)
2

2
_
yang berdistribusi normal adalah I
1
(
2
) = 2
2
.
Denisi 2.15
Misalkan X
1
, . . . , X
n
variabel random saling bebas dengan fungsi kepadatan
probabilitas f(x; ) dengan R. Dua barisan estimator
{U
n
} = {U(X
1
, . . . , X
n
}
dan {U
n
} = {U(X
1
, . . . , X
n
} dikatakan ekuivalen secara asimptotik jika un-
tuk setiap berlaku sifat

n(U
n
V
n
) 0.
Contoh 2.18
Misalkan X
1
, . . . , X
n
variabel random saling bebas berdistribusi Binom(1, ).
Estimator UMVU untuk adalah
U
n
=

X
n
=

X =
1
n
n

=1
X
i
.
42
Estimator ini juga merupakan MLE. Akan tetapi estimator Bayes untuk
dengan fungsi kepadatan probabilitas prior Beta(, ) adalah
+

n
i=1
X
i
n + +
dan estimator minimaksnya adalah
W
n
=

n
2
+

n
i=1
X
i
n +

n
.
Dengan menggunakan Teorema Limit Pusat

n(U
n
) Z
dengan Z N(0, (1 )). Dapat juga ditunjukkan bahwa

n(U
n
V
n
) 0.
43
Brief History of Rao
C. R. Rao (b. 1920) Statistician. ASA MGP.
Rao is the most distinguished member of the Indian statistical school
founded by P. C. Mahalanobis and centred on the Indian Statistical Insti-
tute and the journal Sankhya. Raos rst statistics teacher at the University
of Calcutta was R. C. Bose. In 1941 Rao went to the ISI on a one-year
training programme, beginning an association that would last for over 30
years. (Other ISI notables were S. N. Roy in the generation before Rao and
D. Basu one of Raos students.) Mahalanobis was a friend of Fisher and much
of the early research at ISI was closely related to Fishers work. Rao was sent
to Cambridge to work as PhD student with Fisher, although his main task
seems to have been to look after Fishers laboratory animals! In a remarkable
paper written before he went to Cambridge, Information and the accuracy
attainable in the estimation of statistical parameters, Bull. Calcutta Math.
Soc. (1945) 37, 81-91 Rao published the results now known as the Cramr-Rao
inequality and the Rao-Blackwell theorem. A very inuential contribution
from his Cambridge period was the score test (or Lagrange multiplier test),
which he proposed in 1948. Rao was inuenced by Fisher but he was perhaps
as inuenced as much by others, including Neyman. Rao has been a pro-
lic contributor to many branches of statistics as well as to the branches of
mathematics associated with statistics. He has written 14 books and around
350 papers. Rao has been a very international statistician. He worked with
the Soviet mathematicians A. M. Kagan and Yu. V. Linnik (LP) and since
1979 he has worked in the United States, rst at the University of Pittsburgh
and then at Pennsylvania State University. He was elected to the UK Royal
Society in 1967 and he received the US National Medal of Science in 2002.
See ET Interview: C. R. Rao and ISI interview. For a general account of
Statistics in India, see B. L. S. Prakasha Raos About Statistics as a Discipline
in India.
44
Brief History of Neyman
Jerzy Neyman (1894-1981) Statistician. MacTutor References. NAS ASA
MGP. SC, LP.
Neyman was educated in the tradition of Russian probability theory
and had a strong interest in pure mathematics. His probability teacher at
Kharkov University was S. N. Bernstein. Like many, Neyman went into
statistics to get a job, nding one at the National Institute for Agriculture
in Warsaw. He appeared on the British statistical scene in 1925 when he
went on a fellowship to Pearsons laboratory. He began to collaborate with
Pearsons son Egon Pearson and they developed an approach to hypothesis
testing, which became the standard classical approach. Their rst work was
on the likelihood ratio test (1928) but from 1933 they presented a general
theory of testing, featuring such characteristic concepts as size, power, Type
I error, critical region and, of course, the Neyman-Pearson lemma. More
of a solo project was estimation, in particular, the theory of condence in-
tervals. In Poland Neyman worked on agricultural experiments and he also
contributed to sample survey theory (see stratied sampling and Neyman al-
location). At rst Neyman had good relations with Fisher but their relations
began to deteriorate in 1935; see Neyman in A Guide to R. A. Fisher. From
the late 1930s Neyman emphasised his commitment to the classical approach
to statistical inference. Neyman had moved from Poland to Egon Pearsons
department at UCL in 1934 but in 1938 he moved to the University of Cal-
ifornia, Berkeley. There he built a very strong group which included such
notable gures as David Blackwell, J. L. Hodges, Erich Lehmann, Lucien Le
Cam (memorial) and Henry Sche.
45
Chapter 3
Pengujian Hipotesis
Dalam seluruh bab ini X
1
, X
2
, . . . , X
n
adalah variabel random saling bebas
dan berdistribusi identik yang didenisikan pada ruang probabilitas (S, F, P),
R
r
dan mempunyai fungsi kepadatan probabilitas f(x; ).
3.1 Konsep Umum dari Pengujian Hipotesis
Neyman-Pearson
Berikut ini diberikan denisi tentang hipotesis yang mendasari bab ini.
Denisi 3.1
Suatu pernyataan berkenaan dengan parameter seperti di-
namakan hipotesis (statistik) tentang dan biasanya dinotasikan dengan H
atau H
0
. Demikian juga pernyataan bahwa
c
dengan
c
= adalah
hipotesis (statistik) tentang yang dinamakan alternatif dari H atau ditulis
dengan A atau H
a
. Hal itu berarti H(H
0
) :
c
.
Seringkali hipotesis berasal dari klaim bahwa produk baru, teknik baru
dan sebagainya lebih esien dari yang telah ada. dalam konteks ini H
atau H
0
adalah suatu pernyataan yang meniadakan klaim ini dan dinamakan
hipotesis nul (null hypothesis).
Jika mengandung hanya satu titik yaitu = {
0
} maka H dinamakan
hipotesis sederhana (simple hypothesis) dan jika mengandung lebih dari satu
titik maka dinamakan hipotesis komposit (composite hypothesis). Hal yang
sama juga berlaku untuk alternatif. Bila hipotesis dibuat maka akan muncul
masalah bagaimana menguji hipotesis berdasarkan pada nilai-nilai penga-
matan.
46
Denisi 3.2
Uji random atau statistik (fungsi uji atau test function) untuk pengujian
hipotesis H melawan alternatif A adalah fungsi terukur yang didenisikan
pada R
n
ke [0, 1] dan mempunyai interpretasi berikut ini. Jika (x
1
, x
2
, . . . , x
n
)
t
adalah nilai pengamatan dari (X
1
, X
2
, . . . , X
n
)
t
dan
(x
1
, x
2
, . . . , x
n
) = y
maka hal ini dapat digambarkan sebagai suatu koin, yang mempunyai prob-
abilitas untuk mendapatkan muka sebesar y, dilempar satu kali dan bila
memperoleh muka maka H akan ditolak dan bila memperoleh belakang
maka H akan diterima. Dalam kasus khusus, y dapat bernilai 0 atau 1 un-
tuk semua (x
1
, x
2
, . . . , x
n
)
t
sehingga uji dinamakan uji yang tidak random
(non randomized test). Hal itu berarti uji non random berbentuk
(x
1
, x
2
, . . . , x
n
) =
_
1 jika (x
1
, x
2
, . . . , x
n
)
t
B
0 jika (x
1
, x
2
, . . . , x
n
)
t
B
c
Dalam hal ini, himpunan Borel B R
n
dinamakan daerah kritik (daerah
penolakan - rejection region) dan B
c
dinamakan daerah penerimaan (accep-
tance region). Dalam pengujian hipotesis, kita dapat menghilangkan salah
satu dari 2 jenis kesalahan berikut yaitu kesalahan yang terjadi karena H
ditolak padahal H benar yaitu parameter yang tidak diketahui terletak
dalam atau kesalahan yang terjadi karena menerima H padahal H salah.
Denisi 3.3
Misalkan () = P

[MenolakH] sehingga
1 () = P

[MenerimaH]
dengan . Hal itu berarti bahwa () dengan adalah probabilitas
untuk menolak H di bawah anggapan H benar.
Untuk , () adalah probabilitas kesalahan tipe I. Besaran
1 ()
dengan
c
adalah probabilitas menerima H yang dihitung di bawah
anggapan H salah. Jadi untuk
c
, 1 () menyatakan probabilitas
kesalahan tipe II.
Jelas bahwa, merupakan batas atas terkecil dari probabilitas kesalahan
tipe I. Diinginkan untuk membuat sekecil mungkin (lebih disukai 0) dan
47
pada saat yang sama membuat kuasanya sebesar mungkin (lebih disukai
1). Tentu saja, memaksimumkan kuasa ekuivalen dengan memaksimumkan
probabilitas kesalahan tipe II. sayangnya, dengan ukuran sampel yang tetap,
hal ini tidak dapat dilakukan. hal yang dapat dilakukan adalah memilih
ukuran tertentu untuk tingkat keberartian yang diperlukan (biasanya diambil
0,005; 0,001; 0,05 atau 0,1) dan mencari uji yang memaksimumkan kuasa.
Dengan anggapan bahwa kerugian potensial berkenaan dengan keputusan
yang salah, pembuat keputusan merupaka seorang yang konservatif yang
menyokong hipotesis nol sebagai kebenaran dan jika tidak demikian maka
haruslah ada fakta-fakta dari data bahwa hal tersebut salah. Dalam hal ini,
dia percaya bahwa akibat kesalahan penolakan hipotesis nol akan jauh lebih
buruk dari pada kesalahan yang diakibatkan oleh menerimanya.
Sebagai contoh, perusahaan obat menganggap bahwa pasar obat pro-
duk baru untuk menyembuhkan penyakit dibandingkan obat yang telah ada
mempunyai tingkat penyembuhan sebesar 60%. Berdasarkan pada percobaan
terbatas, divisi penelitian mengklaim bahwa obat baru lebih efektif. Jika
obat tersebut gagal lebih efektif atau mempunyai efek samping yang mem-
bahayakan, maka akan kehilangan pelanggan yang disebabkan oleh kekunoan
produk akan lebih kecil pengaruhnya dibandingkan dengan kegagalan yang
diakibatkan oleh ketidak-efektifan obat yang baru. Untuk itu, jika keputusan
dibuat berdasarkan pada sejumlah percobaan klinis maka hipotesis nol se-
harusnya adalah bahwa tingkat penyembuhan tidak lebih dari 60% melawan
alternatif bahwa tingkat penyembuhannya lebih dari 60%.
Perlu dicatat bahwa dalam uji non random dengan daerah kritik B diper-
oleh
() = P

[(x
1
, x
2
, . . . , x
n
)
t
B]
= 1.P

[(x
1
, x
2
, . . . , x
n
)
t
B] + 0.P

[(x
1
, x
2
, . . . , x
n
)
t
B
c
]
= E

[(x
1
, x
2
, . . . , x
n
)].
Hal yang sama juga dapat dikerjakan untuk uji non random. Jadi

() = () = E

[(x
1
, x
2
, . . . , x
n
)], .
Denisi 3.4
Uji tingkat yang memaksimumkan kuasa uji diantara semua uji tingkat
dikatakan uji paling kuasa seragam (uniformly most powerful - UMP).
Jadi adalah uji UMP tingkat jika
48
1. sup[

()| ] = .
2.

()

(),
c
untuk sebarang uji yang memenuhi (1).
Jika
c
hanya terdiri dari satu titik maka UMP hanya dinamakan uji paling
kuasa (most powerful - MP).
3.2 Pengujian Hipotesis Sederhana Melawan
Alternatif Sederhana
Dalam kasus ini, ruang parameter hanya terdiri dari 2 titik yang dapat dit-
uliskan sebagai
0
dan
1
yaitu
= {
0
,
1
}.
Misalkan f

0
dan f

1
fungsi kepadatan probabilitas yang diketahui. Misalkan
dituliskan f
0
= f(x;
0
), dan X
1
, X
2
, . . . , X
n
variabel random saling bebas
dengan fungsi kepadatan probabilitas f(x; ), .
Akan dilakukan pengujian hipotesis H : = {
0
} melawan alternatif
A : = {
1
} pada level . Dengan kata lain akan diuji hipotesis bahwa
populasi berdistribusi f
0
melawan f
1
.
Teorema 3.1
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dengan fungsi kepa-
datan probabilitas f(x; ), = {
0
,
1
}. Akan diuji hipotesis H :
0
melawan alternatif A : =
1
pada level (0 < < 1). Misalkan
R(z;
0
,
1
) =
f(x
1
;
1
)f(x
2
;
1
) . . . f(x
2
;
1
)
f(x
1
;
0
)f(x
2
;
0
) . . . f(x
2
;
0
)
dan uji yang didenisikan sehingga
(x
1
, x
2
, . . . , x
n
) =
_
_
_
1 jika R(z;
0
,
1
) > c
jika R(z;
0
,
1
) = c
0 jika R(z;
0
,
1
) < c
(3.2.1)
dengan konstan (0 1) dan c ditentukan sehingga
E

0
[(x
1
, x
2
, . . . , x
n
]. (3.2.2)
Untuk menguji hipotesis H melawan A pada tingkat digunakan uji seperti
(3.2.1) dan (3.2.2) merupakan uji UMP.
49
Akibat 3.1
Jika didenisikan seperti (3.2.1) dan (3.2.2) maka

() . Dalam
contoh-contoh berikut, = {
0
,
1
} dan akan diuji hipotesis sederhana
melawan alternatif sederhana dengan tingkat keberartian .
Contoh 3.1
Misalkan X
1
, X
2
, . . . , X
n
sampel random dari populasi yang berdistribusi
Binom(1, ). Berdasarkan sampel tersebut akan diuji hipotesis H : =
0
melawan alternatif A : =
1
pada level dengan anggapan
0
<
1
. Diper-
oleh
R(z;
0
,
1
) =
f(x
1
;
1
)f(x
2
;
1
) . . . f(x
2
;
1
)
f(x
1
;
0
)f(x
2
;
0
) . . . f(x
2
;
0
)
=

x
1
1
(1
1
)
1x
1

x
2
1
(1
1
)
1x
2
. . .
xn
1
(1
1
)
1xn

x
1
0
(1
0
)
1x
1

x
2
0
(1
0
)
1x
2
. . .
xn
0
(1
0
)
1xn
=
_

0
_
P
n
i=1
x
i
_
1
1
1
0
_
n
P
n
i=1
x
i
sehingga
ln R(z;
0
,
1
) =
n

i=1
X
i
ln
_

0
_
+
_
n
n

i=1
X
i
_
ln
_
1
1
1
0
_
.
50
Karena
0
<
1
maka R(z;
0
,
1
) > c ekuivalen dengan
ln R(z;
0
,
1
) > ln c
n

i=1
X
i
ln
_

0
_
+
_
n
n

i=1
X
i
_
ln
_
1
1
1
0
_
> ln c

i=1
X
i
_
ln
_

0
_
ln
_
1
1
1
0
__
> ln c nln
_
1
1
1
0
_
n

i=1
X
i
_
ln
_

1
(1
0
)

0
(1
1
)
__
> ln c nln
_
1
1
1
0
_
n

i=1
X
i
>
ln c nln
_
1
1
1
0
_
_
ln
_

1
(1
0
)

0
(1
1
)
__
n

i=1
X
i
> c
0
dengan
c
0
=
lnc nln
_
1
1
1
0
_
ln
_

1
(1
0
)

0
(1
1
)
_ .
Hal itu berarti uji MP dinyatakan sebagai
(z) =
_
_
_
1 jika

n
i=1
X
i
> c
0
jika

n
i=1
X
i
= c
0
0 jika

n
i=1
X
i
< c
0
dengan c
0
dan ditentukan sehingga
E

0
[(z)] = P

0
_
n

i=1
X
i
> c
0
_
+P

0
_
n

i=1
X
i
= c
0
_
=
dan

n
i=1
X
i
Binom(n,
i
) untuk i = 0, 1.
Sebagai gambaran, misalkan akan diuji hipotesis H : = 0, 5 melawan
A : = 0, 75 dengan = 0, 05 dan n = 25. Dalam hal ini, c
0
dan
ditentukan sehingga
P

0
(
n

i=1
X
i
> c
0
) +P

0
(
n

i=1
X
i
= c
0
) = 0, 05
1 P

0
(
n

i=1
X
i
c
0
) +P

0
(
n

i=1
X
i
= c
0
) = 0, 05
51
1 0, 05 = P

0
(
n

i=1
X
i
c
0
) +P

0
(
n

i=1
X
i
= c
0
)
0, 95 = P

0
(
n

i=1
X
i
c
0
) +P

0
(
n

i=1
X
i
= c
0
).
Karena 0 dan P

0
(

n
i=1
X
i
= c
0
) 0 maka P

0
(

n
i=1
X
i
= c
0
) 0
sehingga haruslah
P

0
(
n

i=1
X
i
c
0
) 0, 95.
Untuk itu dipilih c
0
sehingga P

0
(

n
i=1
X
i
c
0
) 0, 95 tetapi paling dekat
dengan 0, 95. Berdasarkan Tabel kumulatif distribusi Binom(25, 0, 5) diper-
oleh bahwa c
0
= 17 sehingga P

0
(

n
i=1
X
i
c
0
) dan berlaku
P

0
(
n

i=1
X
i
= c
0
) = P

0
(
n

i=1
X
i
17) P

0
(
n

i=1
X
i
16)
= 0, 9784 0, 9461 = 0, 0323.
Akibatnya
0, 95 = P

0
(
n

i=1
X
i
17) P

0
(
n

i=1
X
i
= 17)
= 0, 9784 0, 0323
diperoleh = 0, 8792. Oleh karena itu uji UMP menjadi
(z) =
_
_
_
1 jika

n
i=1
X
i
> 17
0, 8792 jika

n
i=1
X
i
= 17
0 jika

n
i=1
X
i
< 17.
Kuasa dari uji tersebut adalah
P
=0,75
(
n

i=1
X
i
17) +P
=0,75
(
n

i=1
X
i
17)
dengan

n
i=1
X
i
Binom(25, 0, 75).
Contoh 3.2
Misalkan X
1
, . . . , X
n
sampel random dari populasi yang berdistribusi Poisson().
52
Berdasarkan sampel tersebut akan diuji hipotesis H : =
0
melawan alter-
natif A : =
1
pada level dengan anggapan
0
<
1
. Diperoleh
R(z;
0
,
1
) =
f(x
1
;
1
)f(x
2
;
1
) . . . f(x
2
;
1
)
f(x
1
;
0
)f(x
2
;
0
) . . . f(x
2
;
0
)
=

x
1
1
e

1
x
1
!

x
2
1
e

1
x
2
!
. . .

xn
1
e

1
xn!

x
1
0
e

0
x
1
!

x
2
0
e

0
x
2
!
. . .

xn
0
e

0
xn!
=
_

1
_
P
n
i=1
x
i
exp n(
1

0
)
sehingga
ln R(z;
1
,
0
) =
n

i=1
ln
_

1
_
n(
1

0
).
Karena R(z;
1
,
0
) > c maka ln R(z;
1
,
0
) > ln c sehingga
n

i=1
x
i
ln
_

1
_
n(
1

0
) > ln c
n

i=1
x
i
ln
_

1
_
n(
1

0
) > ln c +n(
1

0
)
n

i=1
x
i
ln
_

1
_
> ln[c exp(n(
1

0
))].
Karena
0
<
1
maka 1 <

1

0
sehingga ln

1

0
> 0. Akibatnya
n

i=1
x
i
>
ln[c exp(n(
1

0
))]
ln
_

1
_
atau

n
i=1
x
i
> c
0
dengan c
0
=
ln[c exp(n(
1

0
))]
ln
_

1
_
. Uji UMP didenisikan seba-
gai
(z) =
_
_
_
1 jika

n
i=1
X
i
> c
0
jika

n
i=1
X
i
= c
0
0 jika

n
i=1
X
i
< c
0
.
dengan c
0
dan ditentukan sehingga
E

0
((z)) = P

0
(
n

i=1
x
i
> c
0
) +P

0
_
n

i=1
x
i
= c
0
_
=
53
dan

n
i=1
X
i
Poisson(n
i
) untuk i = 0, 1.
Sebagai gambaran, misalkan akan diuji hipotesis H : = 0, 3 melawan
A : = 0, 4 dengan = 0, 05 dan n = 20. Diperoleh
E

0
((z)) = P

0
(
n

i=1
x
i
> c
0
) +P

0
(
n

i=1
x
i
= c
0
) = 0, 05
sehingga
1 P

0
(
n

i=1
x
i
c
0
) +P

0
(
n

i=1
x
i
= c
0
) = 0, 05
1 0, 05 = P

0
(
n

i=1
x
i
c
0
) P

0
(
n

i=1
x
i
= c
0
)
0, 95 = P

0
(
n

i=1
x
i
c
0
) P

0
(
n

i=1
x
i
= c
0
).
Karena 0 dan P

0
(

n
i=1
x
i
= c
0
) 0 maka P

0
(

n
i=1
x
i
= c
0
) 0.
Untuk itu dipilih c
0
sehingga
P

0
(
n

i=1
x
i
= c
0
) 0, 95
tetapi paling dekat dengan 0, 95. Berdasarkan Tabel Kumulatif distribusi
Poisson dengan mean 20(0, 3) = 6 diperoleh c
0
= 10 sehingga
P(
n

i=1
x
i
10)
dan
P(
n

i=1
x
i
= 10) = P(
n

i=1
x
i
10) P(
n

i=1
x
i
9)
= 0, 9574 0, 9161 = 0, 0413.
Oleh karena itu ditentukan sehingga 0, 95740, 0413 atau = 0, 1791. Uji
UMP menjadi
(z) =
_
_
_
1 jika

n
i=1
X
i
> 10
0, 1791 jika

n
i=1
X
i
= 10
0 jika

n
i=1
X
i
< 10.
54
Kuasa ujinya adalah
P
=0,4
(
n

i=1
x
i
> 10) + 0, 1791P
=0,4
(
n

i=1
x
i
= 10) = 0, 2013.
Contoh 3.3
Misalkan X
1
, . . . , X
n
sampel random dari populasi yang berdistribusi N(, 1).
Berdasarkan sampel tersebut akan diuji hipotesis H : =
0
melawan alter-
natif A : =
1
pada level dengan anggapan
0
<
1
. Diperoleh
R(z;
0
,
1
) =
f(x
1
;
1
)f(x
2
;
1
) . . . f(x
2
;
1
)
f(x
1
;
0
)f(x
2
;
0
) . . . f(x
2
;
0
)
=
1

2
exp
_
(x
2

1
)
2
2
_
1

2
exp
_
(x
2

1
)
2
2
_
. . .
1

2
exp
_
(xn
1
)
2
2
_
1

2
exp
_
(x
2

0
)
2
2
_
1

2
exp
_
(x
2

0
)
2
2
_
. . .
1

2
exp
_
(xn
0
)
2
2
_
=
exp
_

1
2

n
i=1
(x
i

1
)
2
_
exp
_

1
2

n
i=1
(x
i

0
)
2
_
= exp
_
1
2
n

i=1
[(x
i

0
)
2
(x
i

1
)
2
]
_
sehingga lnR(z;
1
,
0
) =
1
2

n
i=1
[(x
i

0
)
2
(x
i

1
)
2
] atau
ln(R(z;
1
,
0
) =
1
2
n

i=1
[x
2
i
2
0
x
i
+
2
0
(x
2
i
2
1
x
i
+
2
1
)]
=
1
2
n

i=1
[2(
0

1
)x
i
+
2
0

2
1
]
= (
1

0
)
n

i=1
x
i
+
1
2
n(
2
0

2
1
).
Hal itu berarti R(z;
1
,
0
) > c akan ekuivalen dengan ln R(z;
1
,
0
) > ln c
55
yaitu
(
1

0
)
n

i=1
x
i
+
1
2
n(
2
0

2
1
) > ln c
(
1

0
)
n

i=1
x
i
> ln c +
1
2
n(
2
0

2
1
)
(
1

0
)
n

i=1
x
i
> ln c +
1
2
n(
1

0
)(
1
+
0
)
n

i=1
x
i
>
ln c

0
+
1
2
n(
1

0
)(
1
+
0
)
x >
1
n
_
ln c

0
+
n(
1
+
0
)
2
_
.
Berarti

X > c
0
dengan c
0
=
1
n
_
ln c

0
+
n(
1
+
0
)
2
_
. Uji UMP adalah
(z) =
_
1 jika

X > c
0
0 yang lain
dengan c
0
ditentukan sehingga
E

0
[(z)] = P

0
(

X > c
0
) =
dan

X N(
i
,
1
n
) untuk i = 0, 1.
Sebagai gambaran, akan diuji hipotesis = 1 melawan A : = 1 dengan
= 0, 001 dan n = 9. Diperoleh
P
=1
(

X > c
0
) = P
=1
[3(

X (1)) > 3(c
0
(1))]
= P
=1
[3(

X (1)) > 3(c
0
(1))]
= P
=1
[3(

X + 1) > 3(c
0
+ 1)]
= P
=1
[N(0, 1) > 3(c
0
+ 1)]
sehingga c
0
= 0, 03. Oleh karena itu uji UMP adalah
(z) =
_
1 jika

X > 0, 03
0 yang lain
Kuasa ujinya adalah
P
=1
(

X > 0, 03) = P
=1
(3(

X 1) > 3(0, 03 1))
= P
=1
(N(0, 1) > 2, 91) = 0, 9932.
56
Contoh 3.4
Misalkan X
1
, . . . , X
n
sampel random dari populasi yang berdistribusi N(0, ).
Berdasarkan sampel tersebut akan diuji hipotesis H : =
0
melawan alter-
natif A : =
1
pada level dengan anggapan
0
<
1
. Diperoleh
R(z;
0
,
1
) =
f(x
1
;
1
)f(x
2
;
1
) . . . f(x
2
;
1
)
f(x
1
;
0
)f(x
2
;
0
) . . . f(x
2
;
0
)
=
1

2
1
exp[
x
2
1
2
1
]
1

2
1
exp[
x
2
2
2
1
] . . .
1

2
1
exp[
x
2
n
2
1
]
1

2
0
exp[
x
2
1
2
0
]
1

2
0
exp[
x
2
2
2
0
] . . .
1

2
0
exp[
x
2
n
2
0
]
=
_

1
_
n/2
exp
_

1
2
1

n
i=1
x
2
i
_
exp
_

1
2
0

n
i=1
x
2
i
_
=
_

1
_
n/2
exp
_

_
1
2
1

1
2
0
_
n

i=1
x
2
i
_
=
_

1
_
n/2
exp
__

1
2
1

0
_
n

i=1
x
2
i
_
.
Akibatnya
ln R(z;
1
,
0
) =

1

0
2
0

1
n

i=1
x
2
i
+
1
2
ln
_

1
_
sehingga R(z;
1
,
0
) > c dan mengakibatkan ln R(z;
1
,
0
) > ln c yaitu

0
2
0

1
n

i=1
x
2
i
+
1
2
ln
_

1
_
> ln c

0
2
0

1
n

i=1
x
2
i
> ln c
1
2
ln
_

1
_

0
2
0

1
n

i=1
x
2
i
> ln c +
1
2
ln
_

0
_

0
2
0

1
n

i=1
x
2
i
> ln
_
c
_

0
_
n

i=1
x
2
i
>
2
0

0
ln
_
c
_

0
_
.
57
Berarti

n
i=1
x
2
i
> c
0
dengan c
0
=
2
0

0
ln
_
c
_

0
_
. Uji UMP menjadi
(z) =
_
1 jika

n
i=1
x
2
i
> c
0
0 yang lain
dengan c
0
ditentukan sehingga
E

0
[(z)] = P

0
_
n

i=1
x
2
i
> c
0
_
=
dan
1

n
i=1
X
2
i

2
n
untuk i = 0, 1.
Sebagai gambaran, akan diuji hipotesis H : = 4 melawan A : = 16
dengan = 0, 01 dan n = 20. Akan ditentukan c
0
sehingga
P

0
_
n

i=1
x
2
i
> c
0
_
= 0, 01
yaitu
P

0
_
n

i=1
x
2
i
> c
0
_
= P

0
_
1
4
n

i=1
x
2
i
>
1
4
c
0
_
= 0, 01.
Berdasarkan Tabel distribusi chi-kuadrat dengan derajat bebas 20 diperoleh
c
0
/4 = 37, 566 atau c
0
= 150, 264. Akibatnya, uji UMP menjadi
(z) =
_
1 jika

n
i=1
x
2
i
> 150, 264
0 yang lain
dan kuasa ujinya adalah
P
=16
_
n

i=1
x
2
i
> 150, 264
_
= P
=16
_
1
16
n

i=1
x
2
i
>
150, 264
16
_
= 0, 977.
3.3 Uji UMP untuk Pengujian Hipotesis Kom-
posit
Sebagian besar masalah praktis, paling sedikit salah satu merupakan hipote-
sis komposit. Misalkan variabel random saling bebas dengan fungsi kepa-
datan probabilitas f(x; ), R,
g(z; ) = f(x
1
; )f(x
2
; ) . . . f(x
n
; )
58
dengan z = (x
1
, x
2
, . . . , x
n
)
t
dan Z = (X
1
, X
2
, . . . , X
n
)
t
.
Denisi 3.5
Keluarga {g(x; )| } dikatakan mempunyai sifat MLR (monoton like-
lihood ratio) dalam V jika himpunan z sehingga g(z; ) > 0 tidak tergantung
pada dan terdapat fungsi terukur V yang didenisikan dari R
n
ke R, se-
hingga bila ,

dengan <

maka berlaku sifat :

1. g(x; ) dan g(x;

) berbeda.
2. g(x;

)/g(x;

) fungsi naik dari V (z).

Keluarga terpenting dari fungsi kepadatan probabilitas yang mempunyai sifat
MLR adalah keluarga eksponensial 1 parameter.
Proposisi 3.1
Misalkan keluarga eksponensial
f(x; ) = C() exp[Q()T(x)]h(x)
dengan C() > 0 untuk semua R dan himpunan positif dari h
tidak tergantung pada . Jika Q fungsi naik maka keluarga {g(x; )| }
mempunyai sifat MLR dalam V dengan V (z) =

n
i=1
T(X
i
) dan g(x; )
dinyatakan dengan
g(z; ) = f(x
1
; )f(x
2
; ) . . . f(x
n
; ).
Jika Q fungsi turun maka keluarga {g(x; )| } mempunyai sifat MLR
dalam V

= V .
Teorema 3.2
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dengan fungsi kepa-
datan probabilitas f(x; ), mempunyai sifat MLR dalam V dengan
g(x; ) didenisikan sebagai
g(z; ) = f(x
1
; )f(x
2
; ) . . . f(x
n
; ).
Misalkan
0
dan = { |
0
}. Untuk pengujian hipotesis
komposit H : melawan alternatif pada tingkat keberartian maka
59
terdapat uji yang merupakan uji UMP dalam kelas semua uji yang mempun-
yai tingkat keberartian lebih kecil atau sama dengan . Dalam kasus LR
(likelihood ratio) dalam V (z), uji yang digunakan adalah
(z) =
_
_
_
1 jika V (z) > c
jika V (z) = c
0 jika V (z) < c
dengan c dan ditentukan sehingga
E

0
[(z)] = P

0
(V (z) > c) +P

0
(V (z) = c) = .
Jika LR turun dalam V (z) maka ujinya digunakan
(z) =
_
_
_
1 jika V (z) < c
jika V (z) = c
0 jika V (z) > c
dengan c dan ditentukan sehingga
E

0
[(z)] = P

0
(V (z) < c) +P

0
(V (z) = c) = .
Akibat 3.2
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dengan fungsi kepa-
datan probabilitas dapat dinyatakan sebagai
f(x; ) = C() exp[Q()T(x)]h(x)
dengan Q fungsi naik/turun tajam. Untuk pengujian hipotesis
H : = { |
0
}
melawan alternatif A :
c
. Dengan tingkat keberartian maka uji UMP
dalam kelas semua uji tingkat lebih kecil atau sama dengan . Jika Q naik
maka digunakan uji
(z) =
_
_
_
1 jika V (z) > c
jika V (z) = c
0 jika V (z) < c
dengan c dan ditentukan sehingga
E

0
[(z)] = P

0
(V (z) > c) +P

0
(V (z) = c) = .
60
Sebaliknya, jika Q turun maka digunakan uji
(z) =
_
_
_
1 jika V (z) < c
jika V (z) = c
0 jika V (z) > c
dengan c dan ditentukan sehingga
E

0
[(z)] = P

0
(V (z) < c) +P

0
(V (z) = c) = .
Demikian juga, untuk menguji hipotesis H : = { |
0
}
melawan alternatif A :
c
pada tingkat keberartian , terdapat uji yang
bersifat UMP di dalam kelas semua uji dari tingkat . Jika Q turun maka
digunakan uji
(z) =
_
_
_
1 jika V (z) > c
jika V (z) = c
0 jika V (z) < c
dengan c dan ditentukan sehingga
E

0
[(z)] = P

0
(V (z) > c) +P

0
(V (z) = c) = .
Sebaliknya, jika Q naik digunakan uji
(z) =
_
_
_
1 jika V (z) < c
jika V (z) = c
0 jika V (z) > c
dengan c dan ditentukan sehingga
E

0
[(z)] = P

0
(V (z) < c) +P

0
(V (z) = c) = .
Masalah penting lain adalah menguji
H : = { |
1
atau
2
}
melawan A :
c
dengan
1
,
2
dan
1
<
2
. Pendeknya, dapat
menyatakan dosis obat dan
1
,
2
adalah batas yang diperbolehkan. Jika

1
dosis yang diberikan tidak membahayakan namun tidak bermanfaat
sedangkan jika
2
dosis yang membahayakan. Jadi hipotesis tersebut
menyatakan bahwa obat dapat membahayakan atau tidak bermanfaat dan
diinginkan untuk menguji hipotesis tersebut. Jika distribusi anggapan den-
gan ukuran yang sesuai dianggap berbentuk eksponensial maka uji UMP ada.
61
Teorema 3.3
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dengan fungsi kepa-
datan probabilitas f(x; ) dapat dinyatakan sebagai
f(x; ) = C() exp[Q()T(x)]h(x)
dengan Q fungsi monoton tajam dan R. Misalkan
= { |
1
atau
2
}
dengan
1
,
2
dan
1
<
2
. Uji hipotesis H : melawan alternatif
A :
c
adalah uji UMP . Jika Q fungsi naik maka dinyatakan dengan
(z) =
_
_
_
1 jika c
1
< V (z) < c
2

i
jika V (z) = c
i
(i = 1, 2)danc
1
< c
2
0 yang lain
dengan c
1
, c
2
dan
1
,
2
ditentukan sehingga
E

1
[(z)] = P

1
(c
1
< V (z) < c
2
) +
1
P

1
(V (z) = c
1
) +
2
P

1
(V (z) = c
2
) =
dan
E

2
[(z)] = P

2
(c
1
< V (z) < c
2
) +
1
P

2
(V (z) = c
1
) +
2
P

2
(V (z) = c
2
) =
dengan V (z) =

n
i=1
T(X
i
).
Sebaliknya, jika Q fungsi naik maka dinyatakan dengan
(z) =
_
_
_
1 jika V (z) < c
1
atauV (z) > c
2

i
jika V (z) = c
i
(i = 1, 2)danc
1
< c
2
0 yang lain
dengan c
1
, c
2
dan
1
,
2
ditentukan sehingga
E
1
[(z)] = P
1
(V (z) < c
1
atauV (z) > c
2
) +
1
P
1
(V (z) = c
1
) +
2
P
1
(V (z) = c
2
) =
dan
E
2
[(z)] = P
2
(V (z) < c
1
atauV (z) > c
2
) +
1
P
2
(V (z) = c
1
) +
2
P
2
(V (z) = c
2
) =
dengan V (z) =

n
i=1
T(X
i
). Dapat ditunjukkan bahwa fungsi () = E[(z)]
dengan merupakan fungsi naik untuk
0
dan turun untuk
0
dengan
1
<
0
<
2
62
Contoh 3.5
Misalkan X
1
, . . . , X
n
sampel random saling bebas dari distribusi Binom(1, )
dengan = (0, 1). Fungsi probabilitas dari X yang berdistribusi
Binom(n, ) adalah
f(x; ) =
n
(1 )
nx
I
A
(x)
dengan A = {0, 1, 2, . . . , n}. Fungsi probabilitas tersebut dapat dinyatakan
sebagai
f(x; ) = (1 )
nx
exp
_
ln
_

1
__
I
A
(x)
sehingga distribusi Binomial merupakan anggota keluarga eksponensial den-
gan
c() = (1 )
n
, Q() = ln
_

1
_
, T(x) = x, h(x) = I
A
(x).
Karena Q() = ln
_

1
_
merupakan fungsi naik dan V (z) =

n
i=1
X
i
maka
uji UMP untuk hipotesis H :
0
melawan A : >
0
adalah
(z) =
_
_
_
1 jika

n
i=1
X
i
> c
jika

n
i=1
X
i
= c
0 jika

n
i=1
X
i
< c
dengan c dan ditentukan sehingga
E

0
[(z)] = P

0
(
n

i=1
X
i
> c) +P

0
(
n

i=1
X
i
= c) =
dan

n
i=1
X
i
Binom(n, ).
Sebagai gambaran, akan diuji hipotesis H : 0.5 melawan A : > 0.5
dengan = 0, 01 dan n = 25. Dalam hal ini c dan ditentukan sehingga
P
=0,5
_
n

i=1
X
i
> c
_
+P
=0,5
_
n

i=1
X
i
= c
_
= 0, 05.
Berdasarkan Tabel distribusi Binomial diperoleh c = 18 dan = 27/143.
Kuasa uji pada = 0, 75 adalah

(0, 75) = P
=0,75
_
n

i=1
X
i
> c
_
+P
=0,75
_
n

i=1
X
i
= c
_
= 0, 5923.
63
Untuk pengujian hipotesis H :
1
atau
2
melawan alternatif A :

1
< <
2
digunakan uji UMP yang dinyatakan dengan
(z) =
_
_
_
1 jika c
1
<

n
i=1
X
i
< c
2

i
jika

n
i=1
X
i
= c
i
(i = 1, 2) dan c
1
< c
2
0 yang lain
dengan c
1
, c
2
dan
1
,
2
ditentukan sehingga
E
1
[(z)] = P
1
(c
1
< V (z) < c
2
) +
1
P
1
(V (z) = c
1
) +
2
P
1
(V (z) = c
2
) =
dan
E
2
[(z)] = P
2
(c
1
< V (z) < c
2
) +
1
P
2
(V (z) = c
1
) +
2
P
2
(V (z) = c
2
) =
dengan V (z) =

n
i=1
T(X
i
).
Sebagai gambaran, akan diuji hipotesis H : 0, 25 atau 0, 75
melawan A : 0, 25 < < 0, 75 dengan = 0, 05 dan n = 25. Untuk c
1
= 10
dan c
2
= 15 diperoleh
416
1
+ 2
2
= 205, 2
1
+ 416
2
= 205
atau
1
=
2
= 42435/86426 = 0, 4901. Uji UMP menjadi
(z) =
_
_
_
1 jika 10 <

n
i=1
X
i
< 15

i
jika

n
i=1
X
i
= 10 atau

n
i=1
X
i
= 15
0 yang lain
Kuasa dari uji pada = 0, 5 adalah

(0, 5) = P
=0,5
_
10 <
n

i=1
x
i
< 15
_
+ 0, 4901P
=0,5
_
n

i=1
x
i
= 10
_
+ 0, 4901P
=0,5
_
n

i=1
x
i
= 15
_
= 0, 6711.
Contoh 3.6
Misalkan X
1
, . . . , X
n
sampel random saling bebas dari distribusi Poisson()
dengan = (0, ). Fungsi probabilitas dari X yang berdistribusi
Poisson() adalah
f(x; ) =

x
e

x!
64
untuk x = 0, 1, 2, . . . . Fungsi probabilititas tersebut dapat dinyatakan seba-
gai
f(x; ) =
e
x ln
e

x!
= e

e
x ln
1
x!
sehingga Q() = ln dan V (z) =

n
i=1
X
i
. Karena Q() merupakan fungsi
naik maka uji UMP untuk hipotesis H
0
melawan A : >
0
adalah
(z) =
_
_
_
1 jika

n
i=1
X
i
> c
jika

n
i=1
X
i
= c
0 jika

n
i=1
X
i
< c
dengan c dan ditentukan sehingga
E

0
[(z)] = P

0
(
n

i=1
X
i
> c) +P

0
(
n

i=1
X
i
= c) =
dan

n
i=1
X
i
Poisson(n).
Sebagai gambaran, akan diuji hipotesis H : 0, 5 melawan A : > 0, 5
dengan n = 10 dan = 0, 05. Berdasarkan Tabel distribusi Poisson dengan
mean n
0
= 10(0, 5) = 5 diperoleh c = 9 dan = 182/363 = 0, 5014. Kuasa
dari uji pada saat = 1 adalah
(1) = P
=1
_
n

i=1
X
i
> 9
_
+ 0, 5014P
=1
_
n

i=1
X
i
> 9
_
= 1 P
=1
_
n

i=1
X
i
9
_
+ 0, 5014
_
P
=1
_
n

i=1
X
i
9
_
P
=1
_
n

i=1
X
i
8
__
= 0, 6048.
Contoh 3.7
Misalkan X
1
, . . . , X
n
sampel random saling bebas dari distribusi N(,
2
)
dengan = R. Fungsi probabilitas dari X yang berdistribusi N(,
2
)
adalah
f(x; ) =
1

2
2
exp
_
(x )
2
2
2
_
65
untuk x R. Fungsi probabilitas tersebut dapat dinyatakan sebagai
f(x; ) =
1

2
2
exp
_
x
2
2x +
2
)
2
2
2
_
atau
f(x; ) = exp
_

2
2
2
_
exp
_

2
x
_
1

2
2
exp
_

x
2
2
2
_
sehingga Q() = /
2
dan V (z) =

n
i=1
X
i
. Karena Q() = /
2
fungsi naik
maka untuk menguji hipotesis H :
0
melawan A : >
0
adalah
(z) =
_
1 jika

X > c
0 jika

X < c
dengan c ditentukan sehingga
E

0
[(z)] = P

0
(

X > c) =
dan

X N(,
2
/n). Kuasa ujinya adalah

() = P(

X > c) = 1 P

(

X c)
= 1 P
_

X
/

n

c
/

n
_
= 1
_

n(c )

_
.
Sebagai gambaran, berdasarkan sampel X
1
, X
2
, . . . , X
25
dari distribusi
N(, 4) akan diuji hipotesis H : 20 melawan A : > 20 adalah
(z) =
_
1 jika

X > c
0 jika

X < c
dengan c ditentukan sehingga
E

0
[(z)] = P(

X > c) = 1 P
=20
(

X c)
= 1 P
_

X 20
/

n

c 20
/

n
_
= 1
_
c 20
2/5
_
= 0, 05
dan

X N(20, 4/25) di bawah anggapan H benar. Kuasa uji untuk = 21
adalah

(21) = 1
_
20, 66 21
2/5
_
= 1 (0, 85) = 1 0, 1977 = 0, 8023.
66
Untuk menguji hipotesis H :
1
atau
2
melawan A :
1
< <
2
digunakan uji UMP yang dinyatakan dengan
(z) =
_
1 jika c
1
<

X < c
2
0 yang lain
dengan c
1
dan c
2
ditentukan sehingga
E

1
[(z)] = P

1
(c
1
<

X < c
2
) =
dan
E

2
[(z)] = P

2
(c
1
<

X < c
2
) = .
Kuasa ujinya adalah

() =
_

n(c
2
)

n(c
1
)

_
.
Sebagai gambaran, berdasarkan pada sampel X
1
, X
2
, . . . , X
25
N(, 4)
akan diuji hipotesis H : 1 atau 1 melawan A : 1 < < 1 dengan
= 0, 05. Uji UMP adalah
(z) =
_
1 jika c
1
<

X < c
2
0 yang lain
dengan c
1
dan c
2
ditentukan sehingga
E

1
[(z)] = P

1
(c
1
<

X < c
2
) = 0, 05
dan
E

2
[(z)] = P

2
(c
1
<

X < c
2
) = 0, 05.
Berdasarkan Tabel distribusi normal baku diperoleh c
1
= 0, 344 dan c
2
=
0, 344. Kuasa uji pada = 0 adalah

(0) =
_

25(0, 344 0)

4
_

25(0, 344 0)

4
_
= 0, 61.
Contoh 3.8
Misalkan X
1
, . . . , X
n
sampel random saling bebas dari distribusi N(, ) den-
gan = (0, ). Fungsi kepadatan probabilitas dari X yang berdistribusi
N(, ) adalah
f(x; ) =
1

2
exp
_

(x )
2
2
_
67
untuk x R. Fungsi probabilitas tersebut dapat dinyatakan sebagai
f(x; ) =
1

2
exp
_

1
2
(x )
2
_
sehingga Q() = 1/(2) dan V (z) =

n
i=1
(x
i
)
2
. karena Q() = 1/(2)
fungsi naik maka untuk menguji hipotesis H :
0
melawan A : >
0
adalah
(z) =
_
1 jika

n
i=1
(X
i
)
2
> c
0 yang lain
dengan c ditentukan sehingga
E

0
[(z)] = P

0
_
n

i=1
(X
i
)
2
_
=
dan
1

n
i=1
(X
i
)
2

2
n
. Kuasa uji dari uji ini adalah

() = P
_
n

i=1
(X
i
)
2
> c
_
= 1 P
_
n

i=1
(X
i
)
2
c
_
= 1 P
_
1

i=1
(X
i
)
2
<
c

_
= 1 P
_

2
n
<
c

_
.
Sebagai gambaran, berdasarkan sampel X
1
, X
2
, . . . , X
25
dari distribusi
N(, ) dengan diketahui, dan akan diuji hipotesis H : 4 melawan
A : > 4 adalah
(z) =
_
1 jika

n
i=1
(X
i
)
2
> c
0 jika

n
i=1
(X
i
)
2
c
dengan c ditentukan sehingga
E
=4
[(z)] = P
_
n

i=1
(X
i
)
2
> c
_
= P
_

n
i=1
(X
i
)
2
4
>
c
4
_
= 0, 05
dan
(1/4)
n

i=1
(X
i
)
2

2
25
di bawah anggapan H benar. Berdasarkan Tabel distribusi chi-kuadrat den-
gan derajat bebas 25 diperoleh bahwa c/4 = 37, 652 atau c = 150, 608. Kuasa
ujinya untuk = 12 adalah
() = 1 P
_

2
25
<
150, 608
12
_
= 1 P(
2
25
< 30, 1216) = 1 0, 02 = 0, 98.
68
Pada sisi lain, untuk menguji hipotesis H :
1
atau
2
melawan
A :
1
< <
2
digunakan uji UMP yang dinyatakan dengan
(z) =
_
1 jika c
1
<

n
i=1
(X
i
)
2
< c
2
0 yang lain
dengan c
1
dan c
2
ditentukan sehingga
E

1
[(z)] = P

1
_
c
1
<
n

i=1
(X
i
)
2
< c
2
_
=
dan
E

2
[(z)] = P

2
_
c
1
<
n

i=1
(X
i
)
2
< c
2
_
= .
Kuasa ujinya adalah

() = P
_

2
n
<
c
2

_
P
_

2
n
<
c
1

_
.
Sebagai gambaran, berdasarkan sampel X
1
, X
2
, . . . , X
25
N(, ) akan
diuji hipotesis H : 1 atau 3 melawan A : 1 < < 3 dengan = 0, 01.
Uji UMP adalah
(z) =
_
1 jika c
1
<

n
i=1
(X
i
)
2
< c
2
0 yang lain
dengan c
1
dan c
2
ditentukan sehingga
P
_

2
25
<
c
2
1
_
P
_

2
25
<
c
1
1
_
= 0, 01
dan
P
_

2
25
<
c
2
3
_
P
_

2
25
<
c
1
3
_
= 0, 01.
Dengan metode coba-coba (trial and error) dapat ditentukan c
1
dan c
2
dari
tabel distribusi chi-kuadrat dengan derajat bebas 25.
69
3.4 Uji UMPU untuk Pengujian Hipotesis Kom-
posit
Dalam Teorema 3.3, untuk pengujian H : = { atau
2
}
melawan A :
c
uji UMP ada. Tidak mengherankan bahwa dengan
merubah H dan A mengakibatkan uji UMP tidak ada.
Di bawah anggapan Teorema 3.2, untuk menguji hipotesis H : =
0
melawan A : >
0
dan H : =
0
melawan A : =
0
uji UMP tidak
ada. Karena uji yang diberikan pada (3.2.1) dan (3.2.2) merupakan uji UMP
untuk >
0
tetapi lebih buruk dari uji trivial (z) = untuk <
0
.
Dengan cara yang sama uji yang diberikan oleh (3.2.1) dan (3.2.2) dengan
tanda ketidak-samaan dibalik merupakan uji UMP untuk <
0
tetapi lebih
buruk dari uji trivial (z) = untuk >
0
. Jadi, tidak ada uji tunggal
yang merupakan uji UMP untuk semua =
0
. Untuk itu perlu diatasi pada
kelas uji yang lebih kecil.
Denisi 3.6
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dan berdistribusi iden-
tik dengan fungsi kepadatan probabilitas f(x; ), dan R
r
.
Untuk pengujian H : melawan alternatif A :
c
pada tingkat ,
suatu uji yang didasarkan pada X
1
, X 2, . . . , X
n
dikatakan tak bias jika
E[(X
1
, X
2
, . . . , X
n
)]
untuk semua dan
E[(X
1
, X
2
, . . . , X
n
)]
untuk semua
c
. Suatu uji tak bias bila probabilitas kesalahan tipe I
paling banyak dan kuasa dari uji paling sedikit .
Denisi 3.7
Suatu uji dikatakan uji UMPU (uniformly most powerfull unbiased) jika uji
tersebut UMP dalam kelas semua uji yang tidak bias.
Catatan : Uji UMP selalu UMPU. Uji UMP tak bias karena UMP paling
sedikit mempunyai kuasa yang sama dengan . Uji UMP merupakan uji
UMPU karena uji UMP merupakan UMP dalam kelas yang meliputi kelas
uji tak bias.
70
Teorema 3.4
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dan fungsi kepadatan
probabilitasnya dinyatakan dengan
f(x; ) = C() exp[Q()T(x)]h(x)
dengan R. Misalkan
= { ;
1

2
}
dengan
0
,
1
,
2
dan

= {
0
} dengan
1
<
2
.
Untuk menguji hipotesis H : melawan alternatif A :
c
dan
hipotesis H :

melawan alternatif A

:
c
pada level terdapat uji
UMP yang diberikan oleh
(z) =
_
_
_
1 jika V (z) < c
1
atauV (z) > c
2

i
jika V (z) = c
i
(i = 1, 2) dan c
1
< c
2
0 yang lain
dengan c
1
, c
2
dan
1
,
2
ditentukan dengan E

1
[(z)] = dan E

2
[(z)] =
untuk H dan E

0
[(z)] = dan E

0
[V (z)(z)] = E

0
[V (z)] untuk H

.
Dapat ditunjukkan bahwa

() = E

[(z)] dengan turun

0
dan naik untuk
0
untuk suatu
1
<
0
<
2
.
Contoh 3.9
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dari N(, ) dengan

2
diketahui dan = . Akan diuji hipotesis H : =
0
melawan A : =
0
.
Fungsi kepadatan probabilitas N(,
2
) adalah
f(x; ) =
1

2
2
exp
_

(x )
2
2
2
_
untuk x R. Fungsi probabilitas tersebut dapat dinyatakan sebagai
f(x; ) =
1

2
2
exp
_

(x
2
2x +
2
)
2
2
_
atau
f(x; ) = exp
_

2
2
2
_
exp
_

2
x
_
1

2
2
exp
_

x
2
2
2
_
sehingga Q() = dan V (z) =
1

n
i=1
X
i
=
n

X

2
. Oleh karena itu uji UMPU
adalah
(z) =
_
1 jika
n

X

2
< c
1
atau
n

X

2
> c
2
0 yang lain
71
dengan c
1
dan c
2
ditentukan sehingga E

0
[(z)] dan
E

0
[V (z)(z)] = E

0
[V (z)].
Uji tersebut akan ekuivalen dengan uji
(z) =
_
1 jika

n(

X
0
)

< c

1
atau

n(

X
0
)

2
> c

2
0 yang lain
dengan c

1
=
c
1

n
0

dan c

1
=
c
2

n
0

.
Pada sisi lain, di bawah H, berlaku sifat

n(

X
0
)

N(0, 1). Karena

N(0, 1) simetri maka c

1
= c

2
= c (yaitu c > 0) sehingga menjadi

n(

X
0
)

< c
atau

n(

X
0
)

> c
yang ekuivalen dengan
_

n(

X
0
)

_
2

2
1
di bawah H benar. Akibatnya uji UMPU menjadi
(z) =
_
1 jika
_

n(

X
0
)

_
2
> c
0 yang lain
dengan c ditentukan sehingga P(
2
1
> c) = .
72
3.5 Pengujian Parameter dari Distribusi Nor-
mal
Dalam pasal ini, X
1
, X
2
, . . . , X
n
merupakan variabel random saling bebas
dari distribusi n(,
2
) dengan dan
2
tidak diketahui. parameter yang
menjadi perhatian adalah 1 parameter sedangkan yang lain sebagai parame-
ter pengganggu (nuisance parameter).
3.5.1 Uji Tentang Variansi
Proposisi 3.2
Untuk menguji hipotesis H :
0
melawan A : >
0
digunakan uji
UMP
(z) =
_
1 jika

n
i=1
(X
i

X)
2
> c
0 yang lain
dengan c ditentukan oleh P
_

2
n1
>
c

2
_
= . Bila hipotesisnya adalah
H

:
0
melawan A

:
0
maka digunakan uji
(z) =
_
1 jika

n
i=1
(X
i

X)
2
< c
0 yang lain
dengan c ditentukan oleh P
_

2
n1
<
c

2
_
= .
Kuasa uji dapat ditentukan dengan kenyataan bahwa
P
n
i=1
(X
i

X)
2

2
berdis-
tribusi chi-kuadrat dengan derajat bebas n 1 bila diberikan.
Contoh 3.10
Misalkan X
1
, X
2
, . . . , X
25
merupakan variabel random saling bebas dari dis-
tribusi N(,
2
) dengan dan
2
tidak diketahui. Untuk menguji hipotesis
H : 3 melawan A : > 3 digunakan uji UMP
(z) =
_
1 jika

n
i=1
(X
i

X)
2
> c
0 yang lain
dengan c ditentukan oleh P(
2
24
> c/9) = 0, 05. Berdasarkan Tabel dis-
tribusi chi-kuadrat dengan derajat bebas 24 diperoleh c/9 = 36, 415 atau
c = 327, 735. Kuasa uji pada = 5 adalah
P(
2
24
> 327, 735/25) = P(
2
24
> 13, 1094) = 0, 962.
73
Bila hipotesisnya adalah H

: 3 melawan A

: < 3 maka digunakan

uji
(z) =
_
1 jika

n
i=1
(X
i

X)
2
< c
0 yang lain
dengan c ditentukan sehingga P(
2
24
< c/9) = 0, 05. Berdasarkan Tabel
distribusi chi-kuadrat dengan derajat bebas 24 diperoleh c/9 = 13, 848 atau
c = 124, 632. Kuasa uji pada = 2 adalah
P(
2
24
< 124, 632/4) = P(
2
24
< 31, 158) = 0, 8384.
Proposisi 3.3
Untuk menguji hipotesis H :
1
atau
2
melawan A :
1
< <
2
digunakan uji UMPU
(z) =
_
1 jika c
1
<

n
i=1
(X
i

X)
2
< c
2
0 yang lain
dengan c
1
dan c
2
ditentukan oleh
P(
c
1

2
1
<
2
n1
<
c
2

2
1
) =
dan
P(
c
1

2
2
<
2
n1
<
c
2

2
2
) = .
Bila digunakan untuk menguji hipotesis H :
1

2
melawan A : <
1
atau >
2
digunakan uji UMPU
(z) =
_
1 jika

n
i=1
(X
i

X)
2
< c
1
atau

n
i=1
(X
i

X)
2
> c
2
0 yang lain
P(
c
1

2
1
<
2
n1
<
c
2

2
1
) =
dan
P(
c
1

2
2
<
2
n1
<
c
2

2
2
) = .
74
Contoh 3.11
Misalkan X
1
, X
2
, . . . , X
25
merupakan variabel random saling bebas dari dis-
tribusi N(,
2
) dengan dan
2
tidak diketahui. Untuk menguji hipotesis
H : 2 atau 3 melawan A : 2 < < 3 digunakan uji UMPU
(z) =
_
1 jika < c
1
<

n
i=1
(X
i

X)
2
< c
2
0 yang lain
dengan c
1
dan c
2
ditentukan berdasarkan metode trial and error oleh
P(
c
1
4
<
2
n1
<
c
2
4
) = P(
2
n1
>
c
1
4
) P(
2
n1
>
c
2
4
) = 0, 05
dan
P(
c
1
9
<
2
n1
<
c
2
9
) = P(
2
n1
>
c
1
9
) P(
2
n1
>
c
2
9
) = 0, 05.
Proposisi 3.4
Untuk menguji hipotesis H : =
0
melawan A : =
0
digunakan uji
UMPU
(z) =
_
1 jika <

n
i=1
(X
i

X)
2
< c
1
atau

n
i=1
(X
i

X)
2
> c
2
0 yang lain
dengan c
1
dan c
2
ditentukan oleh
_
c
2
/
2
0
c
1
/
2
0
g(t)dt dengan g adalah fungsi kepa-
datan probabilitas dari
2
n1
.
Uji dengan menggunakan luas ekor sama yang biasa digunakan bukanlah
merupakan uji UMPU tetapi merupakan pendekatan dari uji UMPU untuk
n .
3.5.2 Uji Tentang mean
Proposisi berikut ini banyak digunakan dalam menentukan uji mean pada
suatu populasi.
Proposisi 3.5
Untuk menguji hipotesis H :
0
melawan A : >
0
digunakan uji
UMPU
(z) =
_
1 jika t(z) > c
0 yang lain
75
dengan c ditentukan oleh P(t
n1
> c) = dan
t(z) =

n(

X
0
)
_
1
n1

m
i=1
(X
i

X)
2
.
Untuk menguji hipotesis H

:
0
melawan A

: <
0
digunakan uji
UMPU
(z) =
_
1 jika t(z) < c
0 yang lain
dengan c ditentukan oleh P(t
n1
< c) = .
Contoh 3.12
Misalkan X
1
, X
2
, . . . , X
25
merupakan variabel random saling bebas dari dis-
tribusi N(,
2
) dengan dan
2
tidak diketahui. Untuk menguji hipotesis
H :
0
melawan A : >
0
dengan = 0, 05 digunakan uji UMPU
(z) =
_
1 jika t(z) > 1, 7109
0 yang lain
dan untuk menguji hipotesis H :
0
melawan A : <
0
dengan
= 0, 05 digunakan UMPU
(z) =
_
1 jika t(z) < 1, 7109
0 yang lain.
Proposisi 3.6
Untuk menguji hipotesis H : =
0
melawan A : =
0
digunakan uji
UMPU
(z) =
_
1 jika t(z) < c atau t(z) > c (dengan c > 0)
0 yang lain
dengan c ditentukan oleh P(t
n1
> c) = /2.
Proposisi 3.7
Misalkan X
1
, X
2
, . . . , X
25
merupakan variabel random saling bebas dari dis-
tribusi N(,
2
) dengan dan
2
tidak diketahui. Untuk menguji hipotesis
H : =
0
melawan A : =
0
dengan = 0, 05 digunakan uji UMPU
(z) =
_
1 jika t(z) < 2, 0639 atau t(z) > 2, 0639(dengan c > 0)
0 yang lain.
Untuk menentukan kuasa uji dari uji tersebut digunakan ujit non central.
76
3.6 Perbandingan Parameter Dua Distribusi
Normal
Diketahui X
1
, . . . , X
m
variabel random saling bebas dari distribusi N(
1
,
2
1
)
dan Y
1
, . . . , Y
n
variabel random saling bebas dari distribusi N(
2
,
2
2
). Diang-
gap dua sampel tersebut saling bebas dan semua parameter tidak diketahui.
Misalkan =
1

2
dan =
2
2
/
2
2
. Akan diuji hipotesis tentang dan
. Bila salah satu parameter yang diamati merupakan parameter sedangkan
yang lain sebagai parameter pengganggu. Misalkan Z = (X
1
, . . . , X
m
)
t
dan
W = (Y
1
, . . . , Y
n
)
t
, z = (x
1
, . . . , x
m
)
t
dan w = (y
1
, . . . , y
n
)
t
.
3.6.1 Perbandingan Variansi Dua Densitas Normal
Proposisi berikut ini digunakan untuk pengujian perbandingan variansi an-
tara dua populasi.
Proposisi 3.8
Untuk menguji H :
0
melawan A : >
0
digunakan uji UMPU
(z) =
_
1 jika
P
n
i=1
(Y
i

Y )
2
P
m
i=1
(X
i

X)
2
> c
0 yang lain
dengan c ditentukan sehingga P(F
n1,m1
> c
0
) = dan c
0
=
(m1)c
(n1)
0
.
Sedangkan untuk menguji, H

:
0
melawan A : <
0
digunakan uji
UMPU
(z) =
_
1 jika
P
n
i=1
(Y
i

Y )
2
P
m
i=1
(X
i

X)
2
< c
0 yang lain
dengan c ditentukan sehingga P(F
n1,m1
> c
0
) = . Kuasa ujinya dapat
ditentukan dengan kenyataan bahwa
1

2
1

n
i=1
(Y
i

Y )
2
/(n 1)
1

2
2

m
i=1
(X
i

X)
2
/(m1)
=
1

m1
n 1

n
i=1
(Y
i

Y )
2

m
i=1
(X
i

X)
2
berdistribusi F dengan derajat bebas n 1 dan m1 bila diberikan.
Contoh 3.13
Diketahui X
1
, . . . , X
21
variabel random saling bebas dari distribusi N(
1
,
2
1
)
77
dan Y
1
, . . . , Y
25
variabel random saling bebas dari distribusi N(
2
,
2
2
). Di-
anggap dua sampel tersebut saling bebas dan semua parameter tidak dike-
tahui. Untuk menguji H : 2 melawan A : > 2 dengan = 0, 05
digunakan uji UMPU
(z) =
_
1 jika
P
n
i=1
(Y
i

Y )
2
P
m
i=1
(X
i

X)
2
> c
0 yang lain
dengan c ditentukan sehingga P(F
20,24
> c
0
) = 0, 05 dan
c
0
=
(21 1)c
(24 1)2
= 5c/12.
Berdasarkan tabel distribusi F
20,24
diperoleh c
0
= 2, 0267 dan akibatnya c =
4, 864. Untuk menguji H : 2 melawan A : < 2 dengan = 0, 05
digunakan uji UMPU
(z) =
_
1 jika
P
n
i=1
(Y
i

Y )
2
P
m
i=1
(X
i

X)
2
< c
0 yang lain
dengan c ditentukan sehingga P(F
20,24
< c
0
) = 0, 05 dan
c
0
=
(21 1)c
(24 1)2
= 5c/12
atau P(F
20,24
< (5c)/12) = P(F
24,20
> 12/(5c)) = 0, 05.
Misalkan
V (z, w) =
1

n
i=1
(Y
i

Y )
2

m
i=1
(X
i

X)
2
+
1

n
i=1
(Y
i

Y )
2
.
Proposisi 3.9
Untuk menguji H : =
0
melawan A : =
0
digunakan uji UMPU
(z, w) =
_
1 jika V (z, w) < c
1
atau V (z, w) > c
2
0 yang lain
dengan c
1
dan c
2
ditentukan sehingga
P(c
1
< Beta((m1)/2, (n1)/2 < c
2
) = P(c
1
< Beta((m1)/2, (n1)/2 < c
2
).
78
3.6.2 Perbandingan Mean Dua Densitas Normal
Misalkan
t(z, w) =

Y

X
_

m
i=1
(X
i

X)
2
+

n
j=1
(Y
j

Y )
2
dan dianggap
2
1
=
2
1
=
2
.
Proposisi 3.10
Untuk menguji H : 0 melawan A : > 0 digunakan uji UMPU
(z, w) =
_
1 jika t(z, w) > c
0 yang lain
dengan c ditentukan oleh P(t
m+n2
> c
0
) = dengan c
0
= c
_
m+n2
1
m
+
1
n
. Untuk
menguji H

: 0 melawan A

: < 0 digunakan uji UMPU

(z, w) =
_
1 jika t(z, w) < c
0 yang lain
dengan c ditentukan oleh P(t
m+n2
< c
0
) = dengan c
0
= c
_
m+n2
1
m
+
1
n
.
Contoh 3.14
Diketahui X
1
, . . . , X
15
variabel random saling bebas dari distribusi N(
1
,
2
1
)
dan Y
1
, . . . , X
10
variabel random saling bebas dari distribusi N(
2
,
2
2
). Di-
anggap dua sampel tersebut saling bebas dan semua parameter tidak dike-
tahui. Untuk menguji H : 0 melawan A : > 0 dengan = 0, 05
digunakan uji UMPU
(z, w) =
_
1 jika t(z, w) > c
0 yang lain
dengan c ditentukan oleh P(t
15+102
> c
0
) = 0, 05 dan c
0
= c
_
15+102
1
15
+
1
10
atau
c
0
= c
_
23
10+15
150
atau c
0
= c
_
23(6). Berdasarkan tabel distribusi t diperoleh
c
_
23(6) = 1, 7139 atau c = 0, 1459. Sedangkan, untuk menguji H : 0
melawan A : < 0 dengan = 0, 05 digunakan uji UMPU
(z, w) =
_
1 jika t(z, w) < c
0 yang lain
79
dengan c ditentukan oleh P(t
15+102
< c
0
) = 0, 05 dan c
0
= c
_
15+102
1
15
+
1
10
atau
c
0
= c
_
23
10+15
150
atau c
0
= c
_
23(6). Berdasarkan tabel distribusi t diperoleh
c
_
23(6) = 1, 7139 atau c = 0, 1459.
Proposisi 3.11
Untuk menguji H : = 0 melawan A : = 0 digunakan uji UMPU
(z, w) =
_
1 jika t(z, w) < c atau t(z, w) > c(denganc > 0)
0 yang lain
dengan c ditentukan oleh P(t
m+n2
> c
0
) = /2.
Contoh 3.15
Diketahui X
1
, . . . , X
15
variabel random saling bebas dari distribusi N(
1
,
2
1
)
dan Y
1
, . . . , X
10
variabel random saling bebas dari distribusi N(
2
,
2
2
). Di-
anggap dua sampel tersebut saling bebas dan semua parameter tidak dike-
tahui. Untuk menguji H : = 0 melawan A : = 0 dengan = 0, 05
digunakan uji UMPU
(z, w) =
_
1 jika t(z, w) < c atau t(z, w) > c
0 yang lain
dengan c ditentukan oleh P(t
15+102
> c
0
) = 0, 025 dan c
0
= c
_
15+102
1
15
+
1
10
atau c
0
= c
_
23
10+15
150
atau c
0
= c
_
23(6). Berdasarkan tabel distribusi t diper-
oleh c
_
23(6) = 2, 0687 atau c = 0, 1762. Kuasa ujinya dapat ditentukan
berdasarkan distribusi t non central.
3.7 Uji Likelihood Ratio
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dengan fungsi kepa-
datan probabilitas f(x; ), R
r
dan . Misalkan
L() = f(x
1
; )f(x
2
; ) . . . f(x
n
; )
dengan dan
L(
c
) = f(x
1
; )f(x
2
; ) . . . f(x
n
; )
80
dengan
c
. Bila dan
c
terdiri dari satu titik maka L() dan L(
c
)
dapat ditentukan dan untuk menguji H : melawan A :
c
, uji MP
menolak bila nisbah kemungkinannya (likelihood ratio-LR)
L()/L(
c
)
lebih besar. Akan tetapi bila dan
c
mengandung lebih dari satu titik
maka L() dan L(
c
) tidak dapat ditentukan oleh H dan A dan metodee
pada pasal-pasal terdahulu tidak dapat digunakan.
Misalkan
L( ) = max{L()| }, L(
c
) = max{L()|
c
}
dan
L(

) = max{L()| }.
Hipotesis H ditolak jika L( )/L(

) terlalu kecil yaitu lebih kecil dari atau

sama dengan c dan c ditentukan dari ukuran ujinya. Lemma Fundamen-
tal Neyman-Pearson merupakan kejadian khusus dari uji LR. Jika kuanti-
tas L( ) dan L(

) hampir sama nilainya maka data cenderung mendukung

hipotesis bahwa yang sebenarnya terletak dalam yang dinyatakan dalam
H. Jika tidak demikian data cenderung mendiskreditkan H. Notasi yang
digunakan adalah
=
L( )
L(

.
Di bawah H benar, statistik ln mempunyai distribusi asmptotik yang
diketahui. Hipotesis H ditolak jika
2 ln > c
dengan c ditentukan berdasarkan pada .
Teorema 3.5
Misalkan X
1
, . . . , X
n
variabel random saling bebas dengan fungsi kepadatan
probabilitas f(x; ), dengan R
r
dan berdimensi m. Nilai-
nilai positif dari fungsi kepadatan probabilitas tidak bergantung pada . Di
bawah syarat-syarat 1-6 pada pasal 2.2, distribusi asimptotik dari 2 ln
adalah
2
rm
asalkan yaitu jika n berlaku sifat
P(2 ln x) G(x)
dengan x 0 untuk semua dan G adalah fungsi distribusi dari
2
rm
.
81
Contoh 3.16
Diketahui X
1
, . . . , X
n
variabel random saling bebas dari distribusi N(,
2
).
Kasus 1 ( diketahui)
Akan diuji hipotesis H : = {
0
} dengan = R. Karena MLE
dari adalah

=

X maka
L(

) = exp
_

1
2
2
n

i=1
(X
i

X)
2
_
dan
L(

) = exp
_

1
2
2
n

i=1
(X
i

0
)
2
_
.
Dalam hal ini lebih mudah ditentukan distribusi dari 2 ln dari pada .
Diperoleh
2 ln =
n

2
(

X
0
)
2
sehingga uji LR ekuivalen dengan
(z) =
_
1 jika
n

2
(

X
0
)
2
> c
0 yang lain
dengan c ditentukan sehingga P(
2
1
> c) = .
Kasus 2 ( tidak diketahui)
Akan diuji hipotesis H : = {
0
} dengan = R. Karena

2

=
n

i=1
(X
i

X)
2
dan

2

=
n

i=1
(X
i

0
)
2
maka
L(

) =
1
_
(2

)
n
exp
_
1
_
(2

)
n
n

i=1
(X
i

X)
2
_
=
1
_
(2

)
n
e
n/2
82
dan
L( ) =
1
_
(2

)
n
exp
_
1
_
(2

)
n
n

i=1
(X
i

0
)
2
_
=
1
_
(2

)
n
e
n/2
sehingga
=
_

_
n
atau

2/n
=

n
i=1
(X
i

X)
2

n
i=1
(X
i

0
)
2
.
Karena
n

i=1
(X
i

0
)
2
=
n

i=1
_
(X
i

X) + (

X
0
)
_
2
=
n

i=1
_
(X
i

X)
2
+ 2(X
i

X)(

X
0
) + (

X
0
)
2
_
=
n

i=1
_
(X
i

X)
2
+ 2(

X
0
)
n

i=1
(X
i

X) +
n

i=1
(

X
0
)
2
_
=
n

i=1
(X
i

X)
2
+n(

X
0
)
2
maka
=
_

n
i=1
(X
i

0
)
2

n
i=1
(X
i

X)
2
_
1
=
_

n
i=1
(X
i

X)
2
+n(

X
0
)
2

n
i=1
(X
i

X)
2
_
1
=
_
1 +
n(

X
0
)
2

n
i=1
(X
i

X)
2
_
1
=
_
1 +
1
n 1
n(

X
0
)
2
1
n1

n
i=1
(X
i

X)
2
_
1
=
_
1 +
t
2
n 1
_
1
dengan
t = t(z) =

n(

X
0
)
_
1
n1

n
i=1
(X
i

X)
2
.
83
Hal itu berarti, jika <
0
ekuivalen dengan t
2
> c untuk c konstanta
tertentu. Uji LR ekuivalen dengan
(z) =
_
1 jika t < c dan t > c
0 yang lain
dengan c ditentukan sehingga P(t
n1
> c)/2.
Contoh 3.17
Diketahui X
1
, . . . , X
m
variabel random saling bebas dari distribusi N(
1
,
2
1
)
dan Y
1
, . . . , Y
n
variabel random saling bebas dari distribusi N(
2
,
2
2
). Diang-
gap dua sampel tersebut saling bebas. Misalkan bahwa sampel X dan sampel
Y saling bebas dan diinginkan untuk menguji hipotesis berikut. Dalam hal
ini fungsi kepadatan probabilitas bersama X dan Y adalah
_
1

2
_
m+n
1

m
1

n
2
exp
_

1
2
2
1
m

i=1
(X
i

1
)
2

1
2
2
2
n

j=1
(Y
j

2
)
2
_
.
Kasus 1
Dianggap bahwa
1
=
2
= tetapi tidak diketahui dan ingin diuji hipote-
sis H :
1
=
2
(= ) dengan tidak diketahui.
Di bawah = { = (
1
,
2
, )
t
|
1
,
2
R, > 0} maka MLE dari
parameter adalah

1,
=

X,
2,
=

Y ,
2

=
1
m+n
_
m

i=1
(X
i

X)
2
+
n

j=1
(Y
j

Y )
2
_
.
Oleh karena itu
L(

) =
_
1

_
m+n
e
(m+n)/2
.
Di bawah = { = (
1
,
2
, )
t
|
1
,
2
R, > 0} maka MLE dari parameter
adalah

=
1
m+n
_
m

i=1
X
i
+
n

j=1
Y
j
_
=
m

X +n

Y
m+n
.
Misalkan diset v
k
= x
k
, k = 1, 2, . . . , m dan v
m+k
= y
k
, k = 1, 2, . . . , n.
Akibatnya

V =
1
m +n
m+n

k=1
V
k
=
1
m+n
_
m

i=1
X
i
+
n

j=1
Y
j
_
=

.
84
Hal itu berarti

2

=
1
m +n
m+n

k=1
(V
k

V )
2
=
1
m +n
_
m

i=1
(X
i

)
2
+
m

j=1
(Y
j

)
2
_
.
Oleh karena itu
L( ) =
_
1

_
m+n
e
(m+n)/2
.
Akibatnya
=
_

_
m+n
dan

2/(m+n)
=

.
Pada sisi lain
n

i=1
(X
i

)
2
=
n

i=1
_
(X
i

X) + (

X

)
_
2
=
n

i=1
_
(X
i

X)
2
+ 2(X
i

X)(

X

) + (

X

)
2
_
=
n

i=1
(X
i

X)
2
+ 2(

X

)
n

i=1
(X
i

X) +
n

i=1
(

X

)
2
=
n

i=1
(X
i

X)
2
+m(

X

)
2
=
n

i=1
(X
i

X)
2
+m
_

X
m

X +n

Y
m+n
_
2
=
n

i=1
(X
i

X)
2
+m
_
n

X n

Y
m +n
_
2
=
n

i=1
(X
i

X)
2
+
mn
2
(m+n)
2
(

X

Y )
2
.
Dengan cara yang sama diperoleh
m

j=1
(Y
j

)
2
=
n

j=1
(Y
j

Y )
2
+
m
2
n
(m+n)
2
(

X

Y )
2
.
85
Akibatnya
(m+n)
2

=
_
m

i=1
(X
i

)
2
+
n

j=1
(Y
j

)
2
_
=
n

i=1
(X
i

X)
2
+
mn
2
(m+n)
2
(

X

Y )
2
+
n

j=1
(Y
j

Y )
2
+
m
2
n
(m +n)
2
(

X

Y )
2
= (m+n)
2

+
mn
m +n
(

X

Y )
2
.
Di samping itu berlaku sifat

2/(m+n)
=
_
1 +
t
m +n 2
_
1
dengan
t =
_
mn
m+n
(

X

Y )
_
1
m+n2
_

m
i=1
(X
i

X)
2
+

n
j=1
(Y
j

Y )
2
_
.
Oleh karena itu, uji LR menolak H bila <
0
maka akan ekuivalen dengan
uji
(z, w) =
_
1 jika t < c dan t > c (c > 0)
0 yang lain
dengan c ditentukan oleh P(t
m+n2
> c) = /2 dan z = (x
1
, x
2
, . . . , x
m
)
t
dan w = (y
1
, y
2
, . . . , y
n
)
t
(karena di bawah H, t berdistribusi t
m+n2
).
Kasus 2
Akan diuji hipotesis H :
1
=
2
(= tidak diketahui).
Di bawah = { = (
1
,
2
,
1
,
2
)
t
|
1
,
2
R,
1
,
2
> 0} diperoleh

1,
=

X,
2,
=

Y ,
2
1,
=
1
m
n

i=1
(X
i

X)
2
,
2
2,
=
1
n
n

j=1
(Y
j

Y )
2
.
Di bawah = { = (
1
,
2
,
1
,
2
)
t
|
1
,
2
R,
1
=
2
(> 0)} diperoleh

1,
=
1,
,
2,
=
2,
dan

=
1
m +n
_
m

i=1
(X
i

X)
2
+
m

j=1
(Y
j

Y )
2
_
.
86
Oleh karena itu
L(

) =
_
1

2
_
m+n
1
(
2
1,
)
m/2
(
2
2,
)
n/2
e
(m+n)/2
dan
L( ) =
_
1

2
_
m+n
1
(
2

)
(m+n)/2
e
(m+n)/2
sehingga
=

2
1,
)
m/2

2
2,
)
n/2

2

)
(m+n)/2
=
(m+ n)
(m+n)/2
_
P
n
i=1
(X
i

X)
2
P
n
j=1
(Y
j

Y )
2
_
m/2
m
m/2
n
n/2
_P
n
i=1
(X
i

X)
2
+
P
n
j=1
(Y
j

Y )
2
P
n
j=1
(Y
j

Y )
2
_
(m+n)/2
=
(m+n)
(m+n)/2
_
m1
n1
1
m1
P
n
i=1
(X
i

X)
2
1
n1
P
n
j=1
(Y
j

Y )
2
_
m/2
m
m/2
n
n/2
_
1 +
m1
n1
1
m1
P
n
i=1
(X
i

X)
2
1
n1
P
n
j=1
(Y
j

Y )
2
_
m/2
=
(m+n)
(m+n)/2
m
m/2
n
n/2
_
m1
n1
f
_
m/2
_
1 +
m1
n1
f
_
(m+n)/2
dengan
f =
1
m1

m
i=1
(X
i

X)
2
1
n1

n
j=1
(Y
j

Y )
2
.
Uji LR menolak H bila <
0
akan ekuivalen dengan uji F yang menolak
H jika g(f) < c untuk c tertentu dan
g(f) =
_
m1
n1
f
_
m/2
_
1 +
m1
n1
f
_
(m+2)/2
.
Nilai maksimum g(f) dicapai bila f =
m(n1)
n(m1)
. Dalam hal ini g() dan
g(f) 0
untuk f . Oleh karena itu g(f) < c jika dan hanya jika f < c
1
atau
f > c
2
untuk c
1
dan c
2
tertentu. Karena F berdistribusi F
m1,n1
di bawah
H maka c
1
dan c
2
ditentukan sehingga
P(F
m1,n1
< c
1
atau F
m1,n1
> c
2
) =
87
dan g(c
1
) = g(c
2
). Secara praktis c
1
dan c
2
ditentukan sehingga masing-
masing ekor dari distribusi F
m1,n1
mempunyai probabilitas /2 yaitu
P(F
m1,n1
< c
1
) = P(F
m1,n1
> c
2
) = /2.
88
Brief History of Bayes
Thomas Bayes (1702-1761) Clergyman and mathematician. MacTutor
References SC, LP.
Bayes attended the University of Edinburgh to prepare for the ministry
but he studied mathematics at the same time. In 1742 Bayes became a fellow
of the Royal Society: the certicate of election read We propose and recom-
mend him as a Gentleman of known Merit, well Skilled in Geometry and all
parts of Mathematical and Philosophical Learning and every way qualied
to be a valuable Member of the Same. Bayes wrote only one paper on prob-
ability, the posthumously published An Essay towards solving a Problem in
the Doctrine of Chances (1763). (For statement of the problem, see Bayes).
The paper was submitted to the Royal Society by Richard Price who added
a post-script of his own in which he discussed a version of the rule of suc-
cession. In the paper Bayes refers only to de Moivre and there has been
much speculation as to where the problem came from. Bayesian methods
were widely used in the C19, through the inuence of Laplace and Gauss,
although both had second thoughts. Their Bayesian arguments continued to
be taught until they came under heavy attack in the C20 from Fisher and
Neyman. In the 1930s and 40s Jereys was an isolated gure in trying to de-
velop Bayesian methods. From the 50s onwards the situation changed when
Savage and others made Bayesianism intellectually respectable and recent
computational advances have made Bayesian methods technically feasible.
From the early C20 there has been a revival of interest in Bayes himself and
he has been much more discussed than ever before. See Bellhouse biography,
Sheynin ch. 5 Life & Work and Todhunter ch.XIV (pp. 294-300). See Stigler
(1986): Chapter 3, Inverse Probability and Hald (1998): Chapter 8, Bayes,
Price and the Essay, 1764-1765.) There is a major new biography, A. I. Dale
Most Honorable Remembrance: The Life and Work of Thomas Bayes.
89
Brief History of Gosset
Student = William Sealy Gosset (1876-1937) Chemist, brewer and statis-
tician. MacTutor References. Wikipedia SC, LP.
Gosset was an Oxford-educated chemist whose working life was spent, not
in a university, but working for Guinness, the Dublin brewer. Gossets career
as a publishing statistician b egan after he studied for a year with Karl Pear-
son. In his rst published paper Student (as he called himself) rediscovered
the Poisson distribution. In 1908 he published two papers on small sample
distributions, one on the normal mean (see Students t distribution and Stu-
dentization) and one on normal correlation (see Fishers z-transformation).
Although Gossets fame rests on the normal mean work, he wrote on other
topics, e.g. he proposed the variate dierence method to deal with spuri-
ous correlation. His work for Guinness and the farms that supplied it led
to work on agricultural experiments. When his friend Fisher made random-
ization central to the design of experiments Gosset disagreedsee his review
of Fishers Statistical Methods. Gosset was not very interested in Pearsons
biometry and the biometricians were not very interested in what he did; the
normal mean problem belonged to the theory of errors and was more closely
related to Gauss and to Helmert than to Pearson. Gosset was a marginal
gure until Fisher built on his small-sample work and transformed him into
a major gure in C20 statistics. E. S. Pearson was another great admirer.
For a sample of Gossets humour see the entry kurtosis. See Life & Work
90
Chapter 4
Daerah Kepercayaan
4.1 Interval Kepercayaan
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dengan fungsi kepa-
datan probabilitas f(x; ), R
r
.
Denisi 4.1
Interval random adalah interval berhingga atau tak berhingga dengan paling
sedikit 1 titik ujungnya meruapakan variabel random.
Denisi 4.2
Misalkan L(X
1
, X
2
, . . . , X
n
) dan U(X
1
, X
2
, . . . , X
n
) dua statistik sehingga
L(X
1
, X
2
, . . . , X
n
) U(X
1
, X
2
, . . . , X
n
).
Interval random [L(X
1
, X
2
, . . . , X
n
), U(X
1
, X
2
, . . . , X
n
)] adalah interval keper-
cayaan untuk dengan koesien kondensi 1 (0 < < 1) jika
P(L(X
1
, X
2
, . . . , X
n
) U(X
1
, X
2
, . . . , X
n
)) 1
untuk semua . U(X
1
, X
2
, . . . , X
n
) dinamakan batas kepercayaan atas
sedangkan L(X
1
, X
2
, . . . , X
n
) dinamakan batas kepercayaan bawah untuk
jika untuk semua berlaku sifat
P(< U(X
1
, X
2
, . . . , X
n
)) 1
dan
P(L(X
1
, X
2
, . . . , X
n
) < ) 1
91
dengan koesien kepercayaan 1 .
Interval random [L(X
1
, X
2
, . . . , X
n
), U(X
1
, X
2
, . . . , X
n
)] adalah interval
kepercayaan untuk dengan koesien kepercayaan 1 jika probabilitas
bahwa paling sedikit 1 interval random
[L(X
1
, X
2
, . . . , X
n
), U(X
1
, X
2
, . . . , X
n
)]
mengandung parameter dengan .
Interpretasi dari pernyataan tersebut adalah : misalkan eksperimen ran-
dom dilakukan n kali dan jika x
i
adalah nilai pengamatan X
i
, i = 1, 2, . . . , n.
Bila dikonstruksikan interval
[L(X
1
, X
2
, . . . , X
n
), U(X
1
, X
2
, . . . , X
n
)]
dan proses tersebut diulang secara independen N kali sehingga diperoleh N
interval. Bila N membesar maka paling sedikit (1)N dari N interval akan
mengandung parameter yang sebenarnya. Panjang interval kepercayaan
adalah
l = l(X
1
, X
2
, . . . , X
n
) = U(X
1
, X
2
, . . . , X
n
) L(X
1
, X
2
, . . . , X
n
)
dan harapan panjangnya adalah E

[l] jika harapannya ada.

Dimungkinkan terdapat lebih dari satu interval kepercayaan untuk den-
gan koesien kondensi 1 . Untuk itu diinginkan untuk mencari inter-
val kepercayaan yang mempunyai panjang minimum diantara kelas interval
kepercayaan . Prosedur umum untuk mengkontruksikan interval kepercayaan
adalah sebagai berikut : dimulai dari variabel random
T
n
() = T(X
1
, X
2
, . . . , X
n
; )
yang tergantung pada X hanya melalui statistik cukup yang distribusinya
dapat ditentukan dengan pasti L
n
(X
1
, X
2
, . . . , X
n
) dan U(X
1
, X
2
, . . . , X
n
)
fungsi yang sederhana dari T
n
() yang dipilih dengan alasan yang jelas.
Contoh 4.1
Misalkan X
1
, . . . , X
n
variabel random saling bebas dari distribusi N(,
2
).
Kasus 1 Jika diketahui dan parameter
Misalkan didenisikan statistik
T
n
() =

n(

X )

.
92
Statistik T
n
() tergantung pada X
1
, X
2
, . . . , X
n
hanya melalui statistik cukup
dari yaitu

X dan mempunyai distribusi N(0, 1) untuk semua . Akan
ditentukan a dan b sehingga
P(a N(0, 1) b) = 1
P(a

n(

X )

b) = 1
P(

X b

n


X +b

n
) = 1 . (4.1.1)
Oleh karena itu [

X b

n
,

X + b

n
] adalah interval kepercayaan untuk
dengan koesien kepercayaan 1 . Panjang interval tersebut adalah
l =
(b a)

n
.
Interval kepercayaan yang memenuhi (4.1.1) dengan panjang interval terpen-
dek sehingga b dan a memenuhi (4.1.1).
Dapat ditunjukkan bahwa l terpendek bila b = c(c > 0) dan a = c
dengan c adalah kuantil atas dari distribusi N(0, 1) yang dinotasikan den-
gan Z
/2
. Oleh karena itu interval kepercayaan terpendek untuk dengan
koesien kondensi 1 adalah
_

X Z
/2

n
,

X +Z
/2

n
_
.
Kasus 2 Jika diketahui dan parameter
Misalkan

T
n
(
2
) =
nS
2
n

2
dengan S
2
n
=
1
n

n
i=1
(X
i
)
2
. Berarti

T
n
tergantung pada
2
hanya melalui
statistik cukup S
2
n
dari
2
dan distribusi
2
n
untuk semua
2
. Akan ditentukan
a dan b dengan a < b sehingga
P(a
2
n
b) = 1
P(a
nS
2
n

2
b) = 1
P(
nS
2
n
b

2

nS
2
n
a
) = 1
93
sehingga (
nS
2
n
b
,
nS
2
n
a
) adalah interval kepercayaan untuk
2
dengan koesien
kepercayaan 1 yang panjangnya adalah
l =
_
1
a

1
b
_
nS
2
n
.
Harapan panjang intervalnya adalah
E[l] = E
__
1
a

1
b
_
nS
2
n
_
= E
__
1
a

1
b
_
nS
2
n

2

2
_
=
_
1
a

1
b
_
n
2
. (4.1.2)
Meskipun terdapat tidak berhingga banyak pasangan a dan b yang memenuhi
(4.1.2), tetapi secara praktis biasanya dipilih a dan b sehingga luas ekornya
adalah /2.
Akan tetapi hal ini bukanlah pilihan yang terbaik karena interval yang
terbentuk bukanlah interval yang terpendek. Misalkan b = b(a) yaitu b
sebagai fungsi dari a. Karena l =
_
1
a

1
b
_
nS
2
n
maka a penyebab l terpendek
akan memenuhi
dl
da
= 0 atau
dl
da
=
1
a
2
+
1
b
2
db
da
= 0
yaitu
db
da
=
b
2
a
2
. Bila G
n
dan g
n
masing-masing adalah fungsi distribusi dan
fungsi kepadatan probabilitas dari
2
n
maka G
n
(b) G
n
(a) = 1 sehingga
dG
n
(b)
da

dG
n
(a)
da
=
d
da
(1 )
atau
dG
n
(b)
db
db
da
g
n
(a) = 0
atau
g
n
(b)
db
da
g
n
(a) = 0.
Hal itu berarti
db
da
=
gn(a)
gn(b)
. Akibatnya a
2
g
n
(a) = b
2
g
n
(b) sehingga a dan b
ditentukan sehingga a
2
g
n
(a) = b
2
g
n
(b). dan
_
b
a
g
n
(t)dt = 1 .
Sebagai contoh, untuk n = 25, = 1 dan 1 = 0, 95 sehingga Z
/2
=
1, 96. Hal itu berarti interval kepercayaan 95% untuk adalah
[

X 0, 392,

X + 0, 392].
Bila digunakan ekor yang sama diperoleh a = 13, 120 dan b = 40, 646 maka
interval kepercayaan 95% untuk
2
adalah
_
25S
2
25
40, 646
,
25S
2
25
13, 120
_
.
94
Pada sisi lain, interval kepercayaan % terpendek untuk
2
adalah
_
25S
2
25
45, 7051
,
25S
2
25
14, 2636
_
.
dengan rasio panjang antara kedua interval tersebut medekati 1,068.
Contoh 4.2
Misalkan X
1
, . . . , X
n
variabel random saling bebas dari distribusi Gamma
dengan parameter dan diketahui (misal = r). Statistik

n
i=1
X
i
meru-
pakan statistik cukup untuk . Karena setiap j = 1, 2, . . . , n, variabel ran-
dom 2X
i
/ berdistribusi
2
2r
maka
T
n
() =
2

i=1
X
i
berdistribusi chi-kuadrat dengan derajat bebas 2rn untuk semua > 0.
Akan ditentukan a dan b dengan a < b sehingga P(a
2
2m
b) = 1 .
Diperoleh
P(a
2

i=1
X
i
b) = 1
P(
2

n
i=1
X
i
b

2

n
i=1
X
i
a
) = 1
Oleh karena itu interval kondensi dengan koesien kondensi 1 adalah
_
2

n
i=1
X
i
b
,
2

n
i=1
X
i
a
_
Panjang interval kepercayaannya adalah
l = 2
_
1
a

1
b
_
n

i=1
X
i
Dengan harapan E(l) =
_
1
a

1
b
_
E
_

n
i=1
2X
i

_
= 2rn
_
1
a

1
b
_
. Prosedur
untuk menentukan interval kepercayaan dengan panjang terpendek analog
pada Contoh 4.1, yaitu dipilih a dan b sehingga a
2
g
2rn
(a) = b
2
g
2rn
(b) dan
_
b
a
g
2rn
(t)dt = 1 .
95
Untuk n = 7, r = 2 dan 1 = 0, 95 diperoleh a = 16, 5128 dan b = 49, 3675
dan interval kepercayaan dengan panjang terpendek adalah
_
2

n
i=1
X
i
49, 3675
,
2

n
i=1
X
i
16, 5128
_
sedangkan interval kepercayaan dengan luas ekor sama adalah
_
2

n
i=1
X
i
44, 461
,
2

n
i=1
X
i
15, 308
_
dengan rasio panjang antara dua interval tersebut mendekati 1, 075.
Contoh 4.3
Misalkan X
1
, . . . , X
n
variabel random saling bebas dari distribusi Beta den-
gan parameter = 1 dan = tidak diketahui. Karena

n
i=1
X
i
atau

n
i=1
lnX
i
merupakan statistik cukup untuk . Karena X
i
berdistribusi
Beta dengan = 1 dan = maka Y
i
= 2 ln X
i
berdistribusi chi-kuadrat
dengan derajat bebas 2 sehingga dengan mengingat X
1
, . . . , X
n
saling bebas
diperoleh
T
n
() = 2
n

i=1
ln X
i
berdistribusi chi-kuadrat dengan derajat bebas 2n. Akan ditentukan a dan
b dengan a < b sehingga
P(a
2
2n
b) = 1
P(a 2
n

i=1
ln X
i
b) = 1
P(
a
2

n
i=1
ln X
i

b
2

n
i=1
ln X
i
) = 1 .
Oleh karena itu interval kepercayaan 1 untuk adalah
_

a
2

n
i=1
ln X
i
,
b
2

n
i=1
ln X
i
_
.
Panjang intervalnya sama dengan l =
a+b
2
P
n
i=1
lnX
i
. Dengan menganggap
dl
da
= 0
maka diperoleh g
2n
(a) = g
2n
(b) dan
_
b
a
g
2n
(t)dt = 1 .
96
Contoh 4.4
Misalkan X
1
, . . . , X
n
variabel random saling bebas dari distribusi U(0, ).
Statistik Y
n
= X
(n)
adalah statistik cukup untuk dan mempunyai fungsi
kepadatan probabilitas
g
n
(y
n
) =
n

n
y
n1
n
untuk 0 y
n
. Misalkan T
n
() =
Yn

. Hal itu berarti T

n
mempunyai
fungsi kepadatan probabilitas
h
n
(t) = nt
n1
untuk 0 t 1. Akan ditentukan a dan b dengan sifat 0 a < b 1
sehingga
P(a b) =
_
b
a
nt
n1
dt = b
n
a
n
= 1 .
Diperoleh P(a
Yn

b) = 1 atau P(
X
(n)
b

X
(n)
a
) = 1 . Oleh
karena itu interval kepercayaan 1 untuk adalah
_
X
(n)
b
,
X
(n)
a
_
dan panjang intervalnya adalah l =
_
1
a

1
b
_
X
(n)
. Akibatnya
dl
db
= X
(n)
_

1
a
2
da
db
+
1
b
2
_
.
Karena
dl
db
=
b
n1
a
n1
maka
dl
da
= X
(n)
a
n+1
b
n+1
b
2
a
n+1
. Karena
dl
da
< 0 untuk semua b
maka l turun dalam b dan nilai minimum dicapai bila a =
1/n
. Oleh karena
itu interval kepercayaan dengan koesien 1 dinyatakan dengan
_
X
(n)
,
X
(n)

1/n
_
.
Untuk n = 23 dan 1 = 0, 95 maka diperoleh [X
(32)
, 1, 098X
(32)
].
97
4.2 Interval Kepercayaan Bila Muncul Param-
eter Nuisans
Contoh-contoh berikut ini menjelaskan bagaimana menentukan interval keper-
cayaan bila muncul parameter nuisans.
Contoh 4.5
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dari distribusi N(,
2
)
dengan dan
2
tidak diketahui.
Kasus 1
Akan dikonstruksikan interval kepercayaan untuk . Misalkan
T
n
() =

n(

X )
S
n1
dengan
S
2
n1
=
1
n
n

i=1
(X
i
)
2
.
Statistik T
n1
() tergantung pada X
1
, . . . , X
n
hanya melalui statistik cukup
(

X
n
, S
2
n1
) dari (,
2
)
t
. Karena
berdistribusi t dengan derajat bebas n1 maka diperoleh interval keper-
cayaan berbentuk
_

X
n
b
S
n1

n
,

X
n
a
S
n1

n
_
.
Dengan alasan yang sama seperti pada Contoh 4.1 diperoleh interval keper-
cayaan dengan panjang terpendek yaitu
_

X
n
t
n1;/2
S
n1

n
,

X
n
+t
n1;/2
S
n1

n
_
dengan t
n1;
adalah kuantil atas dari distribusi t dengan derajat bebas n1.
Untuk n = 25 dan = 0, 96 interval kepercayaan yang bersesuaian dengan
diambil dengan t
24;0,025
= 2, 0639 sehingga diperoleh
_

X
n
0, 41278S
24
,

X
n
+ 0, 41278S
24
_
.
98
Kasus 2
Akan dikonstruksikan interval kepercayaan untuk
2
. Misalkan
T
n
(
2
) =
(n 1)S
2
n1

2
.
Karena T(
2
) berdistribusi chi-kuadrat dengan derajat bebas n1 maka den-
gan menggunakan alasan seperti pada Contoh 4.1 diperoleh interval keper-
cayaan untuk
2
yaitu
_
(n 1)S
2
n1
b
,
(n 1)S
2
n1
a
_
dan interval kepercayaan terpendek diambil bila a dan b memenuhi
a
2
g
n1
(a) = b
2
g
n1
(b)
dan
_
b
a
g
n1
(t)dt = 1 .
Untuk n = 25 dan 1 = 0, 95 diperoleh a = 13, 5227 dan b = 44, 4802
yang bersesuaian dengan
[0, 539S
2
24
, 1, 775S
2
24
].
Contoh 4.6
Sampel random X
1
, X
2
, . . . , X
n
berasal dari distribusi N(
1
,
2
1
) dan sam-
pel random berasal dari distribusi dengan 1,
2
,
1
,
2
tidak diketahui.
Akan dikonstruksikan interval kepercayaan untuk
1

2
dengan mengang-
gap
1
=
2
= . Misalkan
T
m,n
(
1

2
) =
(

X
m

Y
n
) (
1

2
)
_
(m1)S
2
m1
+(n1)S
2
n1
m+n2
_
1
m

1
n
_
.
Statistik T
m,n
(
1

2
) berdistribusi t dengan derajat bebas m+n 2. Hal
itu berarti interval kepercayaan 1 untuk
1

2
adalah
_
(

X
m

Y
n
) t
m+n2;/2

(m1)S
2
m1
+ (n 1)S
2
n1
m +n 2
_
1
m

1
n
_
,
(

X
m

Y
n
) +t
m+n2;/2

(m1)S
2
m1
+ (n 1)S
2
n1
m+n 2
_
1
m

1
n
__
.
99
Untuk m = 13, n = 14 dan 1 = 0, 95 diperoleh t
25;0,025
sehingga
_
(

X

Y ) 0, 1586
_
12S
2
X
+ 13S
2
Y
, (

X

Y ) 0, 1586
_
12S
2
X
+ 13S
2
Y
_
.
Akan dikonstruksikan interval kepercayaan untuk

2
1

2
2
. Misalkan
T
m,n
_

2
1

2
2
_
=

2
1

2
2
S
2
n1
S
2
n1
.
Statistik T
m,n
_

2
1

2
2
_
berdistribusi F dengan derajat bebas n 1 dan m 1.
Akan ditentukan a dan b dengan 0 < a < b sehingga
P(a F
n1;m1
b) = 1
P(a

2
1

2
2
S
2
n1
S
2
m1
b) = 1
P(a
S
2
m1
S
2
n1

2
1

2
2
b
S
2
m1
S
2
n1
) = 1 .
Oleh karena itu interval kepercayaan untuk

2
1

2
2
adalah
_
a
S
2
m1
S
2
n1
, b
S
2
m1
S
2
n1
_
.
Khususnya untuk interval kepercayaan yang mempunyai ekor sama diny-
atakan dengan
_
F
n1;m1;/2
S
2
m1
S
2
n1
, F

n1;m1;/2
S
2
m1
S
2
n1
_
dengan F

n1;m1;/2
dan F
n1;m1;/2
masing-masing adalah kuantil /2 atas
dan bawah dari F
n1;m1
. Bila titik dibaca dari Tabel distribusi F maka titik
dapat dihitung dengan cara
F

n1;m1;/2
= 1/F
n1;m1;/2
.
Untuk m, n dan 1 seperti di atas diperoleh dan sehingga interval keper-
cayaan untuk

2
1

2
2
adalah
_
0, 3171
S
2
12
S
2
13
, 3, 2388
S
2
12
S
2
13
_
.
100
4.3 Interval Kepercayaan dan Interval Keper-
cayaan Pendekatan
Konsep interval kepercayaan dapat diperumum menjadi daerah kepercayaan
untuk parameter multi-dimensi.
Contoh 4.7
Akan dikonstruksikan daerah kepercayaan dalam R
2
untuk (,
2
)
t
. Vari-
abel random berdistribusi N(0, 1) dan berdistribusi chi-kuadrat dengan de-
rajat bebas n 1 dan keduanya saling bebas. Akan dicari c(c > 0), a dan
b(0 < a < b) sehingga
P(c N(0, 1) c) =

1
dan P(a
2
n1
) =

1 . Diperoleh
P(c

n(

X )

c, a
(n 1)S
2
n1

2
b) = 1
P(c

n(

X )

c) P(a
(n 1)S
2
n1

2
b) = 1
P((

X
n
)
2

c
2

2
n
,
(n 1)S
2
n1
b

2

(n 1)S
2
n1
a
) = 1 .
Misalkan X
1
, X
2
, . . . , X
n
variabel random dengan mean dan variansi
2
.
Dengan menggunakan Teorema Limit Pusat diperoleh

n(

X
n
)

N(0, 1).
Jika dianggap bahwa diketahui maka interval kepercayaan untuk dengan
koesien kepercayaan mendekati 1 adalah
_

X Z
/2

n
,

X +Z
/2

n
_
asalkan n . Misalkan juga tidak diketahui. Karena
S
2
n
=
n

i=1
(X
i

X
n
)
2

2
untuk n maka

n(

X
n
)
S
n
N(0, 1).
101
Oleh karena itu interval kepercayaan untuk dengan koesien kepercayaan
1 dinyatakan dengan
_

X Z
/2
S
n

n
,

X +Z
/2
S
n

n
_
asalkan n .
Contoh 4.8
Misalkan X
1
, . . . , X
n
variabel random saling bebas dari distribusi Binom(1, ).
Akan dikonstruksikan interval kepercayaan untuk dengan koesien keper-
cayaan mendekati 1. Karena S
2
n
=

X
n
(1

X
n
) maka dengan hasil di atas
diperoleh interval kepercayaan untuk berikut
_

X Z
/2
_

X
n
(1

X
n
)
n
,

X +Z
/2
_

X
n
(1

X
n
)
n
_
.
Contoh 4.9
Misalkan X
1
, . . . , X
n
variabel random saling bebas dari distribusi Poisson().
Interval kepercayaan untuk dengan koesien kepercayaan mendekati 1
adalah
_

X Z
/2
S
n

n
,

X +Z
/2
S
n

n
_
.
4.4 Hubungan antara Uji Hipotesis dan In-
terval Kepercayaan
Terdapat hubungan erat antara pengkonstruksian interval kepercayaan dan
pengujian hipotesis. Misalkan variabel random saling bebas dengan fungsi
kepadatan probabilitas f(x; ), R
r
. Untuk setiap

, akan diuji
hipotesis H(

) : =

pada tingkat dan A(

) menyatakan daerah pener-

imaan dalam R
n
. Misalkan Z = (X
1
, X
2
, . . . , X
n
)
t
dan z = (x
1
, x
2
, . . . , x
n
)
t
didenisikan daerah T(z) dalam sebagai T(z) = { |z }. Dengan
kata lain, T(z) adalah himpunan bagian dari dengan sifat : berdasarkan
pada baris z, setiap H() diterima bila T(z) yaitu
z T(z).
102
Oleh karena itu
P( T(z)) = P(z A()) 1 ,
sehingga T(z) adalah daerah kepercayaan untuk dengan koesien keper-
cayaan 1 .
Teorema 4.1
Misalkan variabel random saling bebas dengan fungsi kepadatan probabil-
itas f(x; ), R
r
. Untuk setiap , misalkan masalah pengujian
hipotesis pada tingkat dan didenisikan T(z) oleh
T(Z) = { |z A()}
maka T(z) adalah daerah kepercayaan untuk dengan koesien kepercayaan
1 .
103
Brief History of Pearson
Karl Pearson (1857-1936) Biometrician, statistician & applied mathe-
matician. MacTutor References. SC, LP.
Karl Pearson read mathematics at Cambridge but made his career at Uni-
versity College London. Pearson was an established applied mathematician
when he joined the zoologist W. F. R. Weldon and launched what became
known as biometry; this found institutional expression in 1901 with the jour-
nal Biometrika. Weldon had come to the view that the problem of animal
evolution is essentially a statistical problem and was applying Galtons statis-
tical methods. Pearsons contribution consisted of new techniques and even-
tually a new theory of statistics based on the Pearson curves, correlation,
the method of moments and the chi square test. Pearson was eager that his
statistical approach be adopted in other elds and amongst his followers was
the medical statistician Major Greenwood. Pearson created a very powerful
school and for decades his department was the only place to learn statistics.
Yule, Wishart and F. N. David were among the distinguished statisticians
who started their careers working for Pearson. Among those who attended
his lectures were the biologist Raymond Pearl, the economist H. L. Moore,
the medical statistician Austin Bradford Hill and Jerzy Neyman; in the 1930s
Wilks was a visitor to the department. Pearsons inuence extended to Russia
where Slutsky (see minimum chi-squared method) and Chuprov were inter-
ested in his work. Pearson had a great inuence on the language and notation
of statistics and his name often appears on the Words pages and Symbols
pagessee e.g. population, histogram and standard deviation. When Pear-
son retired, his son E. S. Pearson inherited the statistics part of his fathers
empirethe eugenics part went to R. A. Fisher. Under ESP (who retired in
1961) and his successors the department continued to be a major centre for
statistics in Britain. M. S. Bartlett went there as a lecturer after graduating
from Cambridge in 1933 (his teacher was Wishart) and again as a professor
when ESP retired. For more on KP see Karl Pearson: A Readers Guide. See
Stigler (1986): Chapter 10, Pearson and Yule.
104
Brief History of Markov
A. A. Markov (1856-1922) Mathematician. MacTutor References. SC,
LP.
Markov spent his working life at the University of St. Petersburg. Markov
was, with Lyapunov, the most distinguished of Chebyshevs students in prob-
ability. Markov contributed to established topics such as the central limit
theorem and the law of large numbers. It was the extension of the latter to
dependent variables that led him to introduce the Markov chain. He showed
how Chebyshevs inequality could be applied to the case of dependent random
variables. In statistics he analysed the alternation of vowels and consonants
as a two-state Markov chain and did work in dispersion theory. Markov had
a low opinion of the contemporary work of Pearson, an opinion not shared
by his younger compatriots Chuprov and Slutsky. Markovs Theory of Prob-
ability was an inuential textbook. Markov inuenced later gures in the
Russian tradition including Bernstein and Neyman. The latter indirectly
paid tribute to Markovs textbook when he coined the term Marko theorem
for the result Gauss had obtained in 1821; it is now known as the Gauss-
Markov theorem. J. V. Uspenskys Introduction to Mathematical Probability
(1937) put Markovs ideas to an American audience. See Life & Work There is
an interesting volume of letters, The Correspondence between A.A. Markov
and A.A. Chuprov on the Theory of Probability and Mathematical Statis-
tics ed. Kh.O. Ondar (1981, Springer) See also Sheynin ch. 14 and G. P.
Basharin et al. The Life and Work of A. A. Markov.
105
Bibliography
[1] Lindgren, B. W., (1993), Statistical Theory 4
th
edition, Chapman &
Hall Inc, New York.
[2] Oosterho, J., (1993), Algemene Statistiek, Faculteit Wiskunde en
Informatica, Vrije Universiteit Amsterdam, Amsterdam.
[3] Roussas, G. G., (1973), A rst Course in Mathematical Statistics,
Addison-Wesley Publishing Company, Reading Massachusetts.
106