Praktikum

STATISTIKA MATEMATIKA
Adi Setiawan
Universitas Kristen Satya Wacana
Salatiga
2006
i
Contents
1 Pembahasan : Statistik Cukup 1
2 Latihan Soal Statistik Cukup 16
3 Pembahasan : Estimasi Titik 17
4 Latihan Soal Estimasi Titik 37
5 Pembahasan : Uji Hipotesis 41
6 Latihan Soal Uji Hipotesis 45
7 Pembahasan : Estimasi Interval 47
8 Latihan Soal Estimasi Interval 56
ii
Chapter 1
Pembahasan : Statistik Cukup
Soal 1
Dalam setiap kasus berikut, tuliskan fungsi kepadatan probabilitas dari vari-
abel random X dan spesifikasikan ruang parameter Ω.
1. Variabel random X berdistribusi Poisson(θ).
2. Variabel random X berdistribusi Gamma(α, β).
3. Variabel random X berdistribusi eksponensial dengan parameter θ.
4. Variabel random X berdistribusi Beta(α, β).
Pembahasan
1. Karena X berdistribusi Poisson(θ) maka fungsi probabilitasnya :
f(x) =
e
−θ
θ
x
x!
θ ∈ (0, ∞).
Ruang parameter : Ω = {θ ∈ R|θ > 0} = (0, ∞).
2. Karena X berdistribusi Eksponensial(θ) maka fungsi kepadatan prob-
abilitasnya :
f(x) = θe
−θx
untuk x > 0 dan θ > 0.
Ruang parameter : Ω = {θ ∈ R|θ > 0} = (0, ∞).
1
3. Karena X berdistribusi Gamma(α, β) maka fungsi kepadatan proba-
bilitasnya :
f(x; α, β) =
1
Γ(α)β
θ
x
α−1
e
−x/β
untuk x > 0, α > 0, β > 0.
Ruang parameter Ω = {(α, β) ∈ R
2
|α > 0, β > 0}.
4. Karena X berdistribusi Beta(α, β) maka fungsi kepadatan probabili-
tasnya :
f(x; α, β) =
Γ(α +β)
Γ(α)Γ(β)
x
α−1
(1 −x)
β−1
, 0 < x < 1, α > 0, β > 0.
Ruang parameter Ω = {(α, β) ∈ R
2
|α > 0, β > 0}.
Soal 2
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dan berdistribusi iden-
tik. Gunakan Teorema 1 dan Akibatnya untuk menunjukkan bahwa :
1. Jika X
i
berdistribusi Poisson(θ) maka

n
i=1
X
i
atau
¯
X merupakan
statistik cukup untuk θ.
2. Jika X
i
berdistribusi Eksponensial(θ) maka

n
i=1
X
i
atau
¯
X merupakan
statistik cukup untuk θ.
3. Jika X
i
berdistribusi Gamma(α, β) maka
_

n
i=1
X
i
,

n
i=1
X
i
_
t
atau
_

n
i=1
X
i
,
¯
X
_
t
merupakan statistik cukup untuk (α, β)
t
.
4. Jika X
i
berdistribusi Beta(α, β) maka
_

n
i=1
X
i
,

n
i=1
(1−X
i
)
_
t
meru-
pakan statistik cukup untuk (α, β)
t
.
Pembahasan
1. Karena X
i
berdistribusi Poisson(θ) maka
f(x
i
) =
e
−θ
θ
x
i
x!
2
untuk x
i
= 0, 1, 2, . . . sehingga fungsi probabilitas bersamanya adalah
f(x
1
, x
2
, . . . , x
n
; θ) =
n

i=1
f(x
i
, θ)
=
n

i=1
e
θ
θ
x
i
x
i
!
=
e
−nθ
θ
P
n
i=1
x
i

n
i=1
x
i
!
.
Dengan menggunakan Teorema 1 diperoleh bahwa
g[T(x
1
, . . . , x
n
); θ] = e
−nθ
θ
P
n
i=1
x
i
T(x
1
, . . . , x
n
) =
n

i=1
x
i
h(x
1
, . . . , x
n
) =
1

n
i=1
x
i
!
.
Oleh karena itu

n
i=1
X
i
merupakan statistik cukup untuk θ. Dengan
menggunakan Teorema 1 dan Akibatnya dan mendefinisikan g : R →R
dengan g(x) = x/n maka
¯
X juga merupakan statistik cukup untuk θ.
2. Karena X
i
berdistribusi Eksponensial(θ) maka
f(x
i
) = θe
−θx
i
untuk x
i
> 0 sehingga fungsi probabilitas bersamanya adalah
f(x
1
, . . . , x
n
; θ) =
n

i=1
f(x
i
; θ)
=
n

i=1
θe
−θx
i
= θ
n
e
−θ
P
n
i=1
x
i
.
Dengan menggunakan Teorema 1 diperoleh bahwa
g[T(x
1
, . . . , x
n
) = θ
n
e
−θ
P
n
i=1
x
i
T(x
1
, . . . , x
n
) =
n

i=1
X
i
h(x
1
, . . . , x
n
) = 1.
3
Oleh karena itu

n
i=1
X
i
merupakan statistik cukup untuk θ. Dengan
menggunakan Teorema 1, Akibatnya dan mendefinisikan g : R → R
dengan g(x) = x/n maka
¯
X merupakan statistik cukup untuk θ.
3. Karena X
i
berdistribusi Gamma(α, β) maka fungsi kepadatan proba-
bilitasnya :
f(x
i
) =
1
Γ(α)β
α
x
α−1
i
e
x
i

untuk x
i
> 0 sehingga fungsi kepadatan probabilitas bersamanya adalah
f(x
1
, . . . , x
n
) =
n

i=1
f(x
i
; α, β)
=
n

i=1
1
Γ(α)β
α
x
α−1
i
e
x
i

=
_
1
Γ(α)β
α
_
n
_
n

i=1
x
i
_
α−1
exp
_

1
β
n

i=1
x
i
_
.
Dengan menggunakan Teorema 1 diperoleh bahwa
g[T(x
1
, . . . , x
n
); α, β] =
_
1
Γ(α)β
α
_
n
_
n

i=1
x
i
_
α−1
exp
_

1
β
n

i=1
x
i
_
T(x
1
, . . . , x
n
) =
_
n

i=1
X
i
,
n

i=1
X
i
_
t
h(x
1
, . . . , x
n
) = 1.
Oleh karena itu
_

n
i=1
X
i
,

n
i=1
X
i
_
t
merupakan statistik cukup untuk
(α, β)
t
. Dengan menggunakan Teorema 1, Akibat dan mendefinisikan
fungsi g : R
2
→ R
2
dengan g(x, y) = (x, y/n) maka
_

n
i=1
X
i
,
¯
X
_
t
merupakan statistik cukup untuk (α, β)
t
.
4. Karena X
i
berdistribusi Beta(α, β) maka fungsi kepadatan probabili-
tasnya :
f(x
i
) =
Γ(α +β)
Γ(α)Γ(β)
x
α−1
i
(1 −x
i
)
β−1
untuk 0 < x
i
< 1 sehingga fungsi kepadatan probabilitasnya bersamanya
4
adalah
f(x
1
, . . . , x
n
; α, β)
=
n

i=1
f(x
i
; α, β)
=
n

i=1
Γ(α +β)
Γ(α)Γ(β)
x
α−1
i
(1 −x
i
)
β−1
=
_
Γ(α +β)
Γ(α)Γ(β)
_
n
_
n

i=1
x
i
_
α
_
n

i=1
(1 −x
i
)
_
β
1

n
i=1
x
i
(1 −x
i
)
.
Dengan menggunakan Teorema 1 diperoleh bahwa
g[T(x
1
, . . . , x
n
); α, β]
=
_
Γ(α +β)
Γ(α)Γ(β)
_
n
_
n

i=1
x
i
_
α
_
n

i=1
(1 −x
i
)
_
β
1

n
i=1
x
i
(1 −x
i
)
T(x
1
, . . . , x
n
) =
_
n

i=1
x
i
,
n

i=1
(1 −x
i
)
_
t
h(x
1
, . . . , x
n
) = 1.
Oleh karena itu
_

n
i=1
x
i
,

n
i=1
(1 − x
i
)
_
t
merupakan statistik cukup
untuk (α, β)
t
.
Soal 3
Jika X
1
, . . . , X
n
sampel random dari distriusi N(θ, θ
2
) dengan θ ∈ R maka
tunjukkan bahwa
_

n
i=1
X
i
,

n
i=1
X
2
i
_
atau
_
¯
X,

n
i=1
X
2
i
_
merupakan statis-
tik cukup untuk θ.
Pembahasan
Karena X
i
berdistribusi N(θ, θ
2
) maka fungsi kepadatan probabilitas dari
variabel random X
i
adalah
f(x
i
) =
1

2πθ
2
exp
_

(x
i
−θ)
2

2
_
5
sehingga fungsi kepadatan probabilitasnya adalah
f(x
1
, . . . , x
n
; θ) =
n

i=1
f(x
i
; θ)
=
n

i=1
1

2πθ
2
exp
_
(x
i
−θ)
2

2
_
=
_
1
2πθ
2
_
n
exp
_

n
i=1
x
i

2
_
exp
_

n
i=1
x
i

2
_
exp
_

θ
2

2
_
=
_
1
2πθ
2
_
n
exp
_

n
i=1
x
i

2
_
exp
_

n
i=1
x
i
θ
_
exp[−
1
2
].
Dengan menggunakan Teorema 1 diperoleh
g[T(x
1
, . . . , x
n
); θ] =
_
1
2πθ
2
_
n
exp
_

n
i=1
x
i

2
_
exp
_

n
i=1
x
i
θ
_
exp[−
1
2
]
T(x
1
, . . . , x
n
) =
_
n

i=1
x
i
,
n

i=1
x
2
i
_
h(x
1
, . . . , x
n
) = 1
sehingga
_

n
i=1
X
i
,

n
i=1
X
2
i
_
merupakan statistik cukup untuk θ. Bila
didefinisikan f : R
2
→ R
2
dengan f(x, y) = (x/n, y) dan dengan meng-
gunakan Akibat 1 maka
_
¯
X,

n
i=1
X
2
i
_
merupakan statistik cukup untuk θ.
Soal 4
Jika X
1
, . . . , X
n
sampel random ukuran n dengan fungsi kepadatan prob-
abilitas
f(x; θ) = e
(x−θ)
untuk x > θ dan θ ∈ R maka tunjukkan bahwa X
(1)
= min{X
1
, . . . , X
n
}
merupakan statistik cukup untuk θ.
Pembahasan
6
Fungsi kepadatan probabilitas bersama untuk X
1
, . . . , X
n
adalah
f(x
1
, . . . , x
n
) =
n

i=1
f(x
i
; θ)
=
n

i=1
e
(x
i
−θ)
= exp
_

n

i=1
x
i
+nθ
_
untuk X
(1)
> θ
= exp
_

n

i=1
x
i
+nθ
_
u[X
(1)
, θ]
dengan
u[X
(1)
; θ] =
_
1 untuk X
(1)
> θ
0 untuk yang lain.
Dengan menggunakan Teorema 1 diperoleh
g[T(x
1
, . . . , x
n
); θ] = exp[nθ] u[X
(1)
, θ]
T(x
1
, . . . , x
n
) = X
(1)
h(x
1
, . . . , x
n
) = exp
_

n

i=1
x
i
_
.
Akibatnya X
(1)
= min{X
1
, . . . , X
n
} merupakan statistik cukup untuk θ.
Soal 5
Jika X
1
, . . . , X
n
variabel random saling bebas dengan fungsi kepadatan prob-
abilitas f(x; θ) maka tentukan statistik cukup untuk θ.
1. f(x; θ) = θx
θ−1
untuk 0 < x < 1 dan θ ∈ (0, ∞).
2. f(x; θ) = 2(θ −x)/θ
2
untuk 0 < x < θ dan θ ∈ (0, ∞).
3. f(x; θ) = x
3
exp(−x/θ)/(6θ
4
) untuk 0 < x < ∞ dan θ ∈ (0, ∞).
4. f(θ) = (θ/c)(c/x)
θ+1
untuk c < x < ∞ dan θ ∈ (0, ∞).
Pembahasan
7
1. Karena X ∼ f(x; θ) maka fungsi kepadatan probabilitas bersama dari
X
1
, . . . , X
n
adalah
f(x
1
, . . . , x
n
) =
n

i=1
f(x
i
; θ)
=
n

i=1
θx
θ−1
i
= θ
n
_
n

i=1
x
i
_
θ−1
.
Dengan menggunakan Teorema 1 diperoleh
g[T(x
1
, . . . , x
n
); θ] = θ
n
_
n

i=1
x
i
_
θ
T(x
1
, . . . , x
n
) =
n

i=1
x
i
h(x
1
, . . . , x
n
) =
_
n

i=1
x
i
_
−1
.
Akibatnya

n
i=1
X
i
merupakan statistik cukup untuk θ.
2. Karena X ∼ f(x; θ) maka fungsi kepadatan probabilitas bersama dari
X
1
, . . . , X
n
adalah
f(x
1
, . . . , x
n
; θ) =
n

i=1
f(x
i
; θ)
=
n

i=1
2
θ
2
(θ −x
i
) untuk 0 ≤ x
i
≤ θ
=
_
2
θ
2
_
n
n

i=1
(θ −x
i
) 0 ≤ x
(n)
≤ θ
=
_
2
θ
2
_
n
n

i=1
(θ −x
i
) h[x
(n)
; θ]
dengan
h[x
(n)
; θ] =
_
1 untuk X
(n)
< θ
0 untuk yang lain.
8
Dengan menggunakan Teorema 1 diperoleh
g[T(x
1
, . . . , x
n
); θ] =
_
2
θ
2
_
n
n

i=1
(θ −x
i
) h[x
(n)
; θ]
T(x
1
, . . . , x
n
) = X
(n)
h(x
1
, . . . , x
n
) = 1.
Akibatnya X
(n)
= max{X
1
, X
2
, . . . , X
n
} merupakan statistik cukup un-
tuk θ.
3. Karena X ∼ f(x; θ) maka fungsi kepadatan probabilitas bersama dari
X
1
, . . . , X
n
adalah
g[T(x
1
, . . . , x
n
; θ) =
n

i=1
f(x
i
; θ)
=
n

i=1
_
1

4
_
x
i
e
x
i

=
_
1

4
_
n
_
n

i=1
x
3
i
_
exp
_
1
θ
n

i=1
x
i
_
.
Dengan menggunakan Teorema 1 diperoleh
g[T(x
1
, . . . , x
n
); θ] =
_
1

4
_
n
exp
_
1
θ
n

i=1
x
i
_
T(x
1
, . . . , x
n
) =
n

i=1
x
i
h(x
1
, . . . , x
n
) =
n

i=1
x
3
i
.
Akibatnya

n
i=1
X
i
merupakan statistik cukup untuk θ.
4. Karena X ∼ f(x; θ) maka fungsi kepadatan probabilitas bersama dari
X
1
, . . . , X
n
adalah
f(x
1
, . . . , x
n
; θ) =
n

i=1
f(x
i
; θ)
=
n

i=1
_
θ
c
__
c
x
i
_
untuk x
i
≥ c
=
_
θ
c
_
n
c
θ+1
_

n
i=1
x
i
_
θ+1
.
9
Dengan menggunakan Teorema 1 diperoleh
g[T(x
1
, . . . , x
n
); θ] =
_
θ
c
_
n
c
θ
_

n
i=1
x
i
_
θ+1
T(x
1
, . . . , x
n
) =
n

i=1
x
i
h(x
1
, . . . , x
n
) =
_
n

i=1
x
i
_
−1
.
Akibatnya

n
i=1
X
i
merupakan statistik cukup untuk θ.
Soal 6
Jika X
1
, X
2
, . . . , X
n
sampel random ukuran n dari distribusi Poisson(θ) maka
buktikan bahwa
¯
X merupakan statistik tak bias UMV yang tunggal untuk
parameter θ.
Pembahasan
Karena
¯
X statistik cukup untuk θ dan lengkap serta E[
¯
X] = θ maka
¯
X
merupakan statistik tak bias untuk θ. Dengan menggunakan Teorema 5
diperoleh bahwa
¯
X statistik tak bias UMV yang tunggal untuk θ.
Soal 7
Tunjukkan bahwa dalah setiap kasus distribusi tersebut merupakan anggota
keluarga eksponensial.
1. Variabel random X berdistribusi Poisson(θ).
2. Variabel random X berdistribusi Binomial Negatif.
3. Variabel random X berdistribusi Gamma(α, β) dengan β diketahui.
4. Variabel random X berdistribusi Gamma(α, β) dengan α diketahui.
5. Variabel random X berdistribusi Beta(α, β) dengan β diketahui.
6. Variabel random X berdistribusi Beta(α, β) dengan α diketahui.
10
Pembahasan
1. Karena X berdistribusi Poisson(θ) maka fungsi probabilitas dari X
adalah
f(x; θ) =
e
−θ
θ
x
x!
untuk x = 0, 1, 2, . . . sehingga f(x; θ) dapat dinyatakan sebagai
f(x; θ) = e
−θ
e
x ln θ
1
x!
I
A
(x)
dengan A = {0, 1, 2, . . .}.
Hal itu berarti bahwa c(θ) = e
−θ
, Q(θ) = ln(θ), T(x) = x, dan
h(x) =
1
x!
I
A
(x).
Akibatnya distribusi Poisson(θ) merupakan anggota keluarga ekspo-
nensial.
2. Karena X berdistribusi Binomial Negatif maka fungsi probabilitas dari
X adalah
f(x; θ) =
_
r +x −1
x
_
θ
r
(1 −θ)
x
untuk x = 1, 2, 3, . . ., sehingga f(x; θ) dapat dinyatakan sebagai
f(x; θ) = θ
r
e
x ln(1−θ)
_
r +x −1
x
_
I
A
(x)
dengan A = {1, 2, . . .}.
Hal itu berarti bahwa c(θ) = θ
r
, Q(θ) = ln(1 − θ), T(x) = x dan
h(x) =
_
r +x −1
x
_
I
A
(x). Akibatnya distribusi Binomial Negatif
merupakan anggota keluarga eksponensial.
3. Karena X berdistribusi Gamma(α, β) dengan θ = α maka fungsi kepa-
datan probabilitas dari X adalah
f(x; θ) =
1
Γ(θ)β
θ
x
θ−1
e
−x/β
11
untuk x > 0, sehingga f(x; θ) dapat dinyatakan sebagai
f(x; θ) =
1
Γ(θ)β
θ
e
(θ−1) ln x
e
−x/β
atau
f(x; θ) =
1
Γ(θ)β
θ
e
θ lnx
x
−1
e
−x/β
Hal itu berarti bahwa c(θ) =, Q(θ) = θ, T(x) = ln x, dan h(x) =
x
−1
e
−x/β
. Akibatnya distribusi Gamma(α, β) dengan β diketahui meru-
pakan anggota keluarga eksponensial.
4. Karena X berdistribusi Gamma(α, β) dengan θ = β maka fungsi kepa-
datan probabilitas dari X adalah
f(x; θ) =
1
Γ(θ)θ
α
x
α−1
e
−x/θ
untuk x > 0, sehingga f(x; θ) dapat dinyatakan sebagai
f(x; θ) =
1
θ
e
−x/θ
x
α−1
Γ(α)
.
Hal itu berarti c(θ) =
1
θ
α
, Q(θ) = −
1
θ
, T(x) = x dan
h(x) =
x
α−1
Γ(α)
.
Akibatnya distribusi Gamma(α, β) dengan α diketahui merupakan anggota
keluarga eksponensial.
5. Karena X berdistribusi Beta(α, β) dengan θ = α maka fungsi kepa-
datan probabilitas dari X adalah
f(x; θ) =
Γ(θ +β)
Γ(θ)Γ(β)
x
θ−1
(1 −x)
β−1
sehingga f(x; θ) dapat dinyatakan sebagai
f(θ) =
Γ(θ +β)
Γ(θ)
e
θ lnx
x
−1
(1 −x)
β−1
1
Γ(β)
Hal itu berarti bahwa c(θ) =
Γ(θ+β)
Γ(θ)
, Q(θ) = θ, T(x) = ln x, dan
h(x) = x
−1
(1 − x)
β−1 1
Γ(β)
. Akibatnya distribusi Beta(α, β) dengan β
diketahui merupakan anggota keluarga eksponensial.
12
6. Karena X berdistribusi Beta(α, β) dengan θ = β maka fungsi kepa-
datan probabilitas dari X adalah
f(x; θ) =
Γ(α +θ)
Γ(α)Γ(θ)
x
α−1
(1 −x)
θ−1
sehingga f(x; θ) dapat dinyatakan sebagai
f(x; θ) =
Γ(α +θ)
Γ(θ)
e
θ ln(1−x)
x
α−1
(1 −x)
−1
1
Γ(α)
Hal itu berarti bahwa c(θ) =
Γ(α+θ)
Γ(α)
, Q(θ) = θ, T(x) = ln(1 − x), dan
h(x) = x
α−1
(1 − x)
−1 1
Γ(α)
. Akibatnya distribusi Beta(α, β) dengan α
diketahui merupakan anggota keluarga eksponensial.
Soal 8
Misalkan variabel random saling bebas dengan fungsi kepadatan probabil-
itas f(x; θ) dinyatakan dengan
f(x; θ) =
γ
θ
x
γ−1
exp
_

x
γ
θ
¸
untuk 0 < x < ∞ dengan parameter θ > 0 dan γ diketahui.
1. Tunjukkan bahwa fungsi kepadatan probabilitas.
2. Tentukan statistik cukup untuk θ.
3. Apakah f(x; θ) anggota keluarga eksponensial.
Pembahasan
1. Akan ditunjukkan bahwa f(x; θ) merupakan fungsi kepadatan proba-
bilitas yaitu dengan menunjukkan bahwa
_

−∞
f(x; θ)dx = 1
Jika dimisalkan u = x
γ
/θ maka
du
dx
=
γx
γ−1
θ
sehingga berakibat
_

0
x
γ−1
exp
_

x
γ
θ
_
dx =
_

0
e
−u
du = 1
Berarti f(x; θ) merupakan fungsi kepadatan probabilitas.
13
2. Akan ditentukan fungsi kepadatan probabilitas bersama dari X
1
, . . . , X
n
adalah
f(x
1
, . . . , x
n
) =
n

i=1
f(x
i
; θ)
=
n

i=1
γ
θ
x
γ−1
i
e

x
γ
i
θ
=
_
γ
θ
_
n
n

i=1
x
γ
i
n

i=1
x
−1
i
e

1
θ
P
n
i=1
x
γ
i
Dengan menggunakan Teorema Fatorisasi diperleh bahwa

n
i=1
x
γ
i
statis-
tik cukup untuk θ.
3. Akan dibuktikan bahwa f(x; θ) merupakan anggota keluarga eksponen-
sial. Karena f(x; θ) dapat dinyatakan sebagai
f(x; θ) =
1
θ
exp
_

x
γ
θ
_
γx
γ−1
.
Hal itu berarti C(θ) =
1
θ
, Q(θ) = −
1
θ
, T(x) = x
γ
, dan h(x) = γx
γ−1
sehingga f(x; θ) merupakan anggota keluarga eksponensial.
Soal 9
Dalam setiap kasus, identifikasi bahwa distribusi dari variabel random X
merupakan anggota keluarga eksponensial dua parameter.
1. Variabel random X berdistribusi Gamma(α, β).
2. Variabel random X berdistribusi Beta(α, β).
Pembahasan
1. Misalkan θ = (θ
1
, θ
2
) dengan θ
1
= α dan θ
2
= β. Fungsi kepadatan
probabilitas Gamma(α, β) adalah
f(x; θ) =
1
Γ(θ
1

θ
1
2
x
θ
1

e
−x/θ
2
atau
f(x; θ) =
1
Γ(θ
1

θ
1
2
exp
_
θ
1
ln x −
x
θ
2
_
x
−1
.
14
Hal itu berarti
C(θ) =
1
Γ(θ
1

θ
1
2
, T
1
(x) = ln(x), T
2
(x) = ln(x),
h(x) = x
−1
, Q
1
(θ) = θ
1
, Q
2
(θ) = −
1
θ
2
.
Akibatnya distribusi Gamma(α, β) merupakan anggota keluarga ekspo-
nensial dua parameter.
2. Misalkan θ = (θ
1
, θ
2
) dengan θ
1
= α dan θ
2
= β. Fungsi kepadatan
proabbilitas Beta(α, β) adalah
f(x; θ) =
Γ(θ
1

2
)
Γ(θ
1
)Γ(θ
2
)
x
θ
1
−1
(1 −x)
θ
2
−1
atau
f(x; θ) =
Γ(θ
1

2
)
Γ(θ
1
)Γ(θ
2
)
exp
_
θ
1
ln x +θ
2
ln(1 −x)
_
x
−1
(1 −x)
−1
.
Hal itu berarti
C(θ) =
Γ(θ
1

2
)
Γ(θ
1
)Γ(θ
2
)
, T
1
(x) = ln x, T
2
(x) = ln(1 −x),
h(x) = x
−1
(1 −x)
−1
, Q
1
(θ) = θ
1
, Q
2
(θ) = θ
2
.
Akibatnya distribusi Beta(α, β) merupakan anggota keluarga ekspo-
nensial dua parameter.
Soal 10
Buktikan bahwa keluarga F tidak lengkap dengan
F = { f(x; θ) =
1
θ
untuk −θ ≤ x ≤ θ }
untuk −θ ∈ (0, ∞).
Pembahasan
Karena ada g(x) = x sehingga
E[g(X)] =
_
θ
−θ
x
1

dx = 0
Akibatnya keluarga F tidak lengkap.
15
Chapter 2
Latihan Soal Statistik Cukup
1. Variabel random X
1
, X
2
, . . . , X
n
saling bebas dan berdistribusi identik
dengan fungsi kepadatan probabilitas
f(θ) = exp[−(x −θ)]
untuk x > 0 dan θ ∈ R. Tentukan statistik cukup untuk θ.
2. Jika F keluarga semua fungsi probabilitas Binomial Negatif maka tun-
jukkan bahwa F lengkap.
3. Apakah distribusi geometrik merupakan anggota keluarga eksponensial
satu parameter ?
4. Apakah statistik berikut ini ekuivalen ?
(a)

n
i=1
x
i
dan

n
i
ln x
i
dengan x
i
> 0.
(b)

n
i=1
x
i
dan

n
i
lnx
i
.
(c) (

n
1
x
i
,

n
1
x
2
i
) dan (

n
1
x
i
,

n
1
(x
i
− ¯ x)
2
)
(d) (

n
1
x
i
,

n
1
x
3
i
) dan (

n
1
x
i
,

n
1
(x
i
− ¯ x)
3
)
5. Diketahui X
1
, X
2
, . . . , X
n
sampel random dari distribusi dengan fungsi
kepadatan proabbilitas dinyatakan dengan
f(x; µ, σ) =
1
σ
exp
_

(x −µ)
σ
_
jika x ≥ µ, −∞< µ < ∞ dan σ > 0.
(a) Jika µ diketahui maka tentukan statistik cukup untuk σ.
(b) Jika σ diketahui maka tentukan statistik cukup untuk µ.
(c) Tentukan statistik cukup untuk (µ, σ).
16
Chapter 3
Pembahasan : Estimasi Titik
Soal 1
Jika X
1
, X
2
, X
3
, . . . , X
n
sampel random dari distribusi Binom(1, θ) dengan
θ ∈ Ω = (0, 1) maka tentukan estimator UMVU untuk parameter θ.
Pembahasan
Karena
¯
X statistik cukup tak bias yang lengkap untuk θ maka
¯
X estimator
UMVU untuk θ.
Soal 2
Jika X
1
, X
2
, . . . , X
n
sampel random dari distribusi U(0, θ) dengan θ ∈ Ω =
(0, ∞). Tentukan estimator tak bias untuk mean dan variansi dari X yang
hanya tergantung pada statistik cukup dari parameter θ.
Pembahasan
Karena X mempunyai distribusi U(0, θ) maka E[X] = θ/2 dan Var(X) =
θ
2
/12. Statistik cukup untuk θ adalah Y = max{X
1
, X
2
, . . . , X
n
}. Fungsi
17
distribusi dari Y adalah
F
Y
(y) = P(Y ≤ y) = P(max{X
1
, X
2
, . . . , X
n
} ≤ y)
= P(X
1
≤ y, X
2
≤ y, . . . , X
n
≤ y)
=
_
P(X ≤ y)
_
n
=
_
F
X
(y)
_
n
= (
y
θ
)
n
untuk 0 ≤ y ≤ θ, sehingga fungsi kepadatan probabilitas dari Y adalah
f(y) =
dF
dy
= n
y
n−1
θ
n
untuk 0 ≤ y ≤ θ. Akibatnya
E[Y ] =
_
θ
0
yn
y
n−1
θ
n
dy =
n
θ
n
_
y
n+1
n + 1
_
θ
0
=
n
n + 1
θ.
Karena itu estimator tak bias untuk meannya yaitu
θ
2
adalah
n + 1
2n
max{X
1
, X
2
, . . . , X
n
}.
Demikian juga, berlaku sifat
E(Y
2
) =
_
θ
0
y
2
n
y
n−1
θ
n
dy =
n
θ
n
_
y
n+2
n + 2
_
θ
0
=
n
n + 2
θ
2
.
Akibatnya estimator tak bias untuk θ
2
/12 adalah
n + 2
12n
_
max{X
1
, X
2
, . . . , X
n
}
_
2
.
Soal 3
Diketahui X
1
, . . . , X
n
sampel random saling bebas dari distribusi Gamma(α, β)
dengan α diketahui dan β tidak diketahui. Tunjukkan bahwa estimator
UMVU dari θ yaitu
U(X
1
, . . . , X
n
) =
1

n

i=1
X
i
=
¯
X
α
18
dan variansinya mencapai batas bawah Cramer-Rao.
Pembahasan
Misalkan θ = β dengan θ ∈ Ω = (0, ∞). Karena X
i
berdistribusi Gamma(α, θ)
maka
f(x
1
, x
2
, . . . , x
n
; θ) =
1
θ
α
x
α−1
i
e
−x
i

untuk x
i
> 0 sehingga fungsi kepadatan probabilitas bersamanya adalah
f(x; θ) =
n

i=1
f(x
i
; α, θ)
=
n

i=1
1
θ
α
x
α−1
i
e
−x
i

=
_
1
Γ(α)
_
n
_
n

i=1
x
i
_
α−1
1
θ
α
exp
_

1
θ
n

i=1
x
i
¸
.
Dengan menggunakan Teorema Faktorisasi Fisher-Neyman diperoleh bahwa

n
i=1
X
i
merupakan statistik cukup untuk θ. Karena E[X
i
] = αθ maka
E[
¯
X/α] = θ sehingga
¯
X/α merupakan estimator tak bias untuk θ. Demikian
juga dapat dibuktikan bahwa

n
i=1
X
i
merupakan statistik yang lengkap un-
tuk θ sehingga dengan menggunakan Teorema ,
¯
X/α merupakan estimator
UMVU untuk θ.
Karena V ar(X
i
) = αθ
2
maka
Var(
¯
X/α) =
1
n
2
α
2
nVar(
¯
X
=
αθ
2

2
=
θ
2

Untuk mendapatkan batas bawah Cramer-Rao, terlebih dahulu dihitung in-
formasi Fishernya. Karena X berdistribusi Gamma(α, θ) maka logaritma
natural dari fungsi kepadatan probabilitasnya adalah
ln f(x; θ) = −αln θ −ln Γ(α) + (α −1) lnx −
x
θ
.
Dengan mendeferensialkan terhadap θ diperoleh
∂ ln f(x; θ)
∂θ
= −
α
θ
+
x
θ
2
19
dan

2
ln f(x; θ)
∂θ
2
= −
α
θ
2

2x
θ
3
sehingga
−E
_

2
ln f(X; θ)
∂θ
2
_
= −E
_

α
θ
2

2X
θ
3
_
= −
_

α
θ
2

2αθ
θ
3
_
=
α
θ
2
.
Informasi Fishernya adalah I(θ) =
θ
2

= Var(U). Hal itu berarti bahwa var-
iansi U mencapai batas bawah Cramer-Rao.
Soal 4
Diketahui X
1
, X
2
, X
3
, . . . , X
n
sampel random dari distribusi U(θ, 2θ) den-
gan θ ∈ Ω = (0, ∞). Tentukan estimator tak bias untuk θ.
Pembahasan
Karena X berdistribusi U(θ, 2θ) maka fungsi kepadatan probabilitasnya dari
X adalah
f(x; θ) =
1
θ
untuk 0 ≤ x ≤ 2θ
sehingga fungsi distribusi dari X adalah
F
X
(x) =
x −θ
θ
untuk 0 ≤ x ≤ 2θ
Misalkan statistik cukup untuk θ dinotasikan dengan U = min{X
1
, . . . , X
n
}.
Fungsi distribusi dari U adalah
F
U
(u) = P(U ≤ u) = 1 −P(U > u)
= 1 −P(min{X
1
, . . . , X
n
} > u)
= 1 −P(X
1
> u, X
2
> u, . . . , X
n
> u)
= 1 −[P(X > u)]
n
= 1 −[1 −P(X ≤ u]
n
= 1 −[1 −
u −θ
θ
]
n
= 1 −[1 −
2θ −u
θ
]
n
20
sehingga fungsi kepadatan probabilitas dari U adalah dF/du yaitu
f
U
(u) = n
_
2θ −u
_
n−1
1
θ
= n
(2θ −u)
n−1
θ
n
untuk θ ≤ x ≤ 2θ. Harga harapan dari variabel random U adalah
E[U] =
_

θ
un
(2θ −u)
n−1
θ
n
du.
Misalkan digunakan substitusi w = 2θ − u sehingga dw = −du. Akibatnya
untuk u = θ maka w = θ dan untuk u = 2θ maka w = 0. Diperoleh
E[U] =
_
0
θ
n
(2θ −w)w
n−1
θ
n
(−dw)
=
_
θ
0
n
(2θ −w)w
n−1
θ
n
dw
=
_
θ
0
n
2nθ
θ
n
dw −
_
θ
0
n
nw
n
θ
n
dw
= 2θ
_
w
n
θ
n
_
θ
0

n
n + 1
_
w
n+1
θ
n
_
θ
0
= 2θ −
n
n + 1
θ
=
n + 2
n + 1
θ
Hal itu berarti
n + 1
n + 2
min{X
1
, . . . , X
n
}
merupakan statistik tak bias untuk θ.
Misalkan V = max{X
1
, . . . , X
n
}. Fungsi distribusi dari variabel random
V adalah
F
V
(v) =
(v −θ)
n
θ
n
untuk θ ≤ v ≤ 2θ
dan fungsi kepadatan probabilitas V adalah
f
V
(v) =
n(v −θ)
n−1
θ
n
untuk θ ≤ v ≤ 2θ.
Akibatnya
E[V ] =
_

θ
v
n(v −θ)
n−1
θ
n
dv.
21
Misalkan digunakan substitusi w = v − θ sehingga dw = dv. Akibatnya
untuk v = θ maka w = 0 dan untuk u = 2θ maka w = θ. Diperoleh
E[V ] =
_
θ
0
n(w +θ)
w
n−1
θ
n
dw
=
_
θ
0
w
n
θ
n
dw +
_
θ
0
n
w
n
θ
n−1
dw
=
n
n + 1
θ +θ
=
2n + 1
n + 1
θ.
Hal itu berarti
n + 1
2n + 1
max{X
1
, X
2
, . . . , X
n
}
juga merupakan statistik tak bias untuk θ. Pada sisi lain dengan mengingat
bahwa
E[2U +V ] = 2E[U] +E[V ] =
2n + 4
n + 1
θ +
2n + 1
n + 1
θ =
4n + 5
n + 1
θ
maka
n + 1
4n + 5
_
2 min{X
1
, X
2
, . . . , X
n
} + max{X
1
, X
2
, . . . , X
n
}
_
estimator tak bias untuk θ.
Soal 5
Diketahui X
1
, X
2
, . . . , X
n
sampel random dari distribusi Poisson(θ) dengan
θ ∈ Ω = (0, ∞). Tentukan estimator UMVU untuk θ dan tentukan variansi
serta batas bawah Cramer-Rao.
Pembahasan
Dari Chapter 1 dapat dilihat bahwa
¯
X merupakan statistik cukup yang
lengkap sehingga dengan menggunakan Teorema Lehman-Scheffe diperoleh
bahwa
¯
X estimator UMVU dengan variansi θ/n. Pada sisi lain, karena X
mempunyai distribusi Poisson(θ) maka fungsi probabilitasnya adalah
f(x; θ) =
e
−θ
θ
x
x!
22
untuk x = 0, 1, 2, . . ., sehingga logaritma natural dari f(x; θ) adalah
f(x; θ) = −θ +xln θ −ln(x!).
Dengan mendeferensialkan terhadap θ diperoleh

∂θ
f(x; θ) = −1 +
x
θ
sehingga
_

∂θ
f(x; θ)
_
2
= 1 −
2x
θ
+
x
2
θ
2
.
Akibatnya
E
_

∂θ
f(x; θ)
_
2
= 1 −
2E[X]
θ
+
E[X]
2
θ
2
= 1 −

θ
+
V (x) + (E[X])
2
θ
2
= 1 −

θ
+
θ +θ
2
θ
2
=
1
θ
.
Oleh karena itu batas bawah Cramer-Rao yaitu θ/n sama dengan variansi
dari
¯
X.
Soal 6
Diketahui X
1
, X
2
, . . . , X
n
sampel random dari distribusi Binom(1, θ) den-
gan θ ∈ Ω = (0, 1). Tentukan MLE untuk θ.
Pembahasan
Karena X
i
berdistribusi Binom(1, θ) maka fungsi probabilitasnya adalah
f(x
i
; θ) = θ
x
i
(1 −θ)
n−x
i
dengan x
i
= 0, 1, 2, . . . , n sehingga fungsi likelihoodnya adalah
L(θ|x
1
, x
2
, . . . , x
n
) =
n

i=1
f(x
i
; θ)
=
n

i=1
θ
x
i
(1 −θ)
n−x
i
= θ
P
n
i=1
x
i
(1 −θ)
n−
P
n
i=1
x
i
.
23
Logaritma dari fungsi likelihoodnya adalah
l(θ) = (ln θ)
n

i=1
x
i
−ln(1 −θ)
n

i=1
+nln(1 −θ).
Dengan mendeferensialkan terhadap θ diperoleh
dl

=

n
i=1
x
i
θ
+

n
i=1
x
i
1 −θ

n
1 −θ
.
Akibatnya θ yang memaksimumkan fungsi likelihoodnya akan sama dengan
akar dari persamaan
dl

= 0 yaitu

n
i=1
x
i
θ
+

n
i=1
x
i
1 −θ

n
1 −θ
= 0

n
i=1
x
i
−θ

n
i=1
x
i

n
i=1
x
i
θ(1 −θ)
=
n
1 −θ
θ =

n
i=1
x
i
n
=
¯
X.
Hal itu berarti MLE untuk θ adalah
ˆ
θ =
¯
X.
Soal 7
Diketahui X
1
, X
2
, . . . , X
n
sampel random dari distribusi eksponensial yaitu
dengan fungsi kepadatan probabilitas
f(x; θ) = θe
−θx
dengan θ ∈ Ω = R. Tentukan MLE untuk θ.
Pembahasan
Fungsi likelihoodnya adalah
L(θ|x
1
, x
2
, . . . , x
n
) =
n

i=1
f(x
i
; θ)
=
n

i=1
θe
−θx
i
= θ
n
e
−θ
P
n
i=1
x
i
24
sehingga logaritma natural dari fungsi likelihoodnya adalah
l(θ) = nlnθ −θ
n

i=1
x
i
Dengan mendeferensialkan terhadap θ diperoleh
dl

=
n
θ

n

i=1
x
i
.
Akibatnya θ yang memaksimumkan fungsi likelihoodnya akan sama dengan
akar dari persamaan
dl

= 0
n
θ

n

i=1
x
i
= 0
n
θ
=
n

i=1
x
i
θ =
n

n
i=1
x
i
.
Hal itu berarti MLE untuk θ adalah
ˆ
θ = 1/
¯
X.
Soal 8
Diketahui X
1
, X
2
, . . . , X
n
sampel random dari distribusi N(µ, σ
2
) dengan µ
dan σ
2
tidak diketahui. Tentukan MLE untuk θ.
Pembahasan
Karena X berdistribusi N(µ, σ
2
) maka fungsi kepadatan probabilitasnya
adalah
f(x; µ, σ) =
1

2πσ
2
exp
_

(x −µ)
2

2
_
25
sehingga fungsi likelihoodnya adalah
L(θ; x
1
, x
2
, . . . , x
n
) =
n

i=1
f(x
i
; θ)
=
n

i=1
1

2πσ
2
exp
_

(x
i
−µ)
2

2
_
=
_
1

2πσ
2
_
n
exp
_

n
i=1
(x
i
−µ)
2

2
_
=
_
1

2πσ
2
_
n
exp
_

n
i=1
x
i

2
+

n
i=1
x
i

2


2

2
_
dengan θ = (µ, σ
2
). Akibatnya logaritma natural dari fungsi likelihoodnya
adalah
l(θ = ln f(x; µ, σ
2
) = −
n
2
ln(2πσ
2
) −

n
i=1
x
2
i

2
+

n
i=1
x
2
i

2


2

2
.
MLE diperoleh dengan menyelesaikan sistem persamaan berikut :
∂l
∂µ
=

n
i=1
x
i
σ
2

2nµ

2
∂l
∂σ
2
= −
n

2
+

n
i=1
x
i

4

µ
σ
2
+

4

4
.
Diperoleh MLE untuk (µ, σ
2
) masing-masing adalah
ˆ µ =
¯
X
n

2
=

n
i=1
(x
i
−µ)
2

4
.
atau
σ
2
=

n
i=1
(X
i
−µ)
2
n
.
Soal 9
Diketahui X
1
, X
2
, . . . , X
n
sampel random dari distribusi dengan fungsi kepa-
datan probabilitasnya adalah
f(x; θ
1
, θ
2
) =
1
θ
2
exp
_

x −θ
1
θ
2
_
untuk x > θ
1
26
Tentukan MLE untuk θ
1
dan θ
2
.
Pembahasan
Fungsi likelihoodnya adalah
L(θ, x
1
, x
2
, . . . , x
n
) =
n

i=1
f(x
i
; θ)
=
n

i=1
1
θ
2
exp
_

x
i
−θ
1
θ
2
_
=
_
1
θ
2
_
n
exp
_

n
i=1
(x
i
−θ
1
)
2
θ
2
_
untuk min{X
1
, X
2
, . . . , X
n
} > θ
1
. Akibatnya logaritma natural dari fungsi
likelihoodnya adalah
l(θ) = ln f(x; θ
1
, θ
2
) = −nln(θ
2
) −

n
i=1
x
i
θ
2
−n
θ
1
θ
2
untuk min{X
1
, X
2
, . . . , X
n
} > θ
1
. Fungsi likelihood mencapai maksimum
bila
ˆ
θ
1
= min{X
1
, X
2
, . . . , X
n
} dan MLE untuk θ
2
diperoleh dengan menye-
lesaikan persamaan berikut :
∂l
∂θ
2
2
= −
n
θ
2
+

n
i=1
x
i
θ
2
+

1
θ
2
= 0.
Diperoleh

n
i=1
x
i
θ
2
2
=
n(θ
2
−θ
1
)
θ
2
2
atau
ˆ
θ
2
=
¯
X + min{X
1
, X
2
, . . . , X
n
}.
Soal 10
Diketahui X
1
, X
2
, . . . , X
n
sampel random dari distribusi U(−θ, θ) dengan
θ ∈ Ω = (0, ∞). Tentukan estimator momen untuk θ.
Pembahasan
Karena momen pertama dari X yaitu E(X) = 0 maka digunakan momen
27
kedua dari X yaitu E[X
2
] = θ
2
/3. Akibatnya estimator momen untuk θ
merupakan penyelesaian dari
θ
2
3
=

n
i=1
x
2
i
n
yaitu
ˆ
θ =

3
¯
X.
Soal 11
Diketahui X
1
, X
2
, X
3
, . . . , X
n
sampel random dari distribusi N(θ, θ) dengan
θ ∈ Ω = (0, ∞). Tentukan MLE untuk θ.
Pembahasan
Karena X berdistribusi N(θ, θ) maka fungsi kepadatan probabilitasnya adalah
f(x; θ) =
1

2πθ
exp
_

(x −θ)
2

_
sehingga fungsi likelihoodnya adalah
L(θ|x
1
, x
2
, . . . , x
n
) =
n

i=1
f(x
i
; θ)
=
n

i=1
1

2πθ
exp
_

(x
i
−θ)
2

_
=
_
1

2πθ
_
n/2
exp
_

n
i=1
(x
i
−θ)
2

_
.
Akibatnya logaritma natural dari fungsi likelihoodnya adalah
l(θ) = ln L(θ|x
1
, x
2
, . . . , x
n
) = −
n
2
ln(2πθ) −

n
i=1
(x
i
−θ)
2

= −
n
2
ln(2πθ) −

n
i=1
x
2
i

+
n

i=1
x
2
i


2
.
MLE untuk θ diperoleh dengan menyelesaikan persamaan berikut :
∂l
∂θ
= −
n

+

n
i=1
x
2
i

2

n
2
= 0
atau

2
+nθ −
n

i=1
x
2
i
= 0.
28
Persamaan tersebut merupakan persamaan kuadrat dalam θ dan dengan
menggunakan rumus ABC diperoleh akar-akarnya yaitu
θ =
−n +
_
n
2
+ 4n

i=1
x
2
i
2n
dan
θ =
−n −
_
n
2
+ 4n

i=1
x
2
i
2n
.
Karena parameter θ juga merupakan variansi dari X
i
maka haruslah positif
sehingga yang memenuhi adalah
θ =
−n +
_
n
2
+ 4n

i=1
x
2
i
2n
atau
θ =
−1 +
_
1 +
4
n

i=1
x
2
i
2n
atau
ˆ
θ =
1
2
_
1 +
4
n

i=1
x
2
i
_
.
Soal 12
Diketahui X
1
, X
2
, . . . , X
n
sampel random dari distribusi U(θ −a, θ +b) den-
gan θ ∈ Ω = R. Tentukan estimator momen untuk θ dan variansinya.
Pembahasan
Karena X
1
∼ U(θ −a, θ +b) maka E[X
1
] = θ +
b−a
2
dan Var(X) =
(b−a)
2
12
. Es-
timator momen untuk θ merupakan penyelesaian dari persamaan E[X
1
] =
¯
X
yaitu
θ +
b −a
2
=
¯
X
sehingga estimator momen untuk θ adalah
ˆ
θ =
¯
X +
b −a
2
.
Variansi untuk estimator momen tersebut adalah
V (
ˆ
θ) = V (
¯
X +
b −a
2
) = V (
¯
X) =
V (X
1
)
n
=
(b −a)
2
12n
.
29
Soal 13
Diketahui X
1
, X
2
, . . . , X
n
sampel random dari distribusi Gamma(α, β). Ten-
tukan estimator momen untuk α dan β.
Pembahasan
Karena X
1
berdistribusi Gamma(α, β) maka E[X
1
] = αβ dan V (X
1
) = αβ
2
sehingga estimator momen tersebut merupakan penyelesaian dari sistem per-
samaan
E[X
1
] =
¯
X
E[X
2
1
] =
¯
X
2
=
1
n
n

i=1
X
2
i
yaitu
αβ =
¯
X
αβ
2
+ (αβ)
2
=
¯
X
2
.
Diperoleh
αβ
2
+ (αβ)
2
=
¯
X
2
−(
¯
X)
2
αββ =
¯
X
2
−(
¯
X)
2
= S
2
¯
Xβ = S
2
.
Akibatnya estimator momen untuk β adalah
ˆ
β = S
2
/
¯
X dengan
S
2
=
1
n
n

i=1
(X
i

¯
X)
2
dan estimator momen untuk α adalah ˆ α = (
¯
X)
2
/S
2
.
Soal 14
Diketahui X
1
, X
2
, . . . , X
n
sampel random dari distribusi Beta(α, β). Ten-
tukan estimator momen untuk α dan β.
Pembahasan
30
Karena X
1
berdistribusi Beta(α, β) maka E[X
1
] =
α
α+β
dan
V (X
1
) =
αβ
(α +β)
2
(α +β + 1)
sehingga
E(X
2
1
) = V (X
1
) + (E(X
1
))
2
=
αβ
(α +β)
2
(α +β + 1)
+
α
2
(α +β)
2
=
α
α +β
_
β
(α +β)(α +β + 1)
+
α
α +β
_
Estimator momen tersebut merupakan penyelesaian dari sistem persamaan
E(X
1
) =
¯
X
E(X
2
1
) =
¯
X
2
=
1
n
n

i=1
X
2
i
yaitu
α
α +β
=
¯
X
α
α +β
_
β
(α +β)(α +β + 1)
+
α
α +β
_
=
¯
X
2
.
Diperoleh α
¯
X + β
¯
X = α atau α(1 −
¯
X) = β
¯
X atau α = β
¯
X/(1 −
¯
X).
Akibatnya
¯
X
2
=
¯
X
_
β
_
β
¯
X
1−
¯
X

__
β
¯
X
1−
¯
X
+β + 1
_ +
¯
X
_
=
¯
X
_
β
_
¯
X
1−
¯
X
+ 1
__
β
¯
X
1−
¯
X
+β + 1
_ +
¯
X
_
=
¯
X
_
1
_
¯
X+1−
¯
X
1−
¯
X
__
β
¯
X
1−
¯
X

1−
¯
X
1−
¯
X
+ 1
_
_
+ (
¯
X)
2
.
31
Diperoleh
¯
X
2

¯
X
2
=
¯
X
_
1 −
¯
X
_
β
1−
¯
X
+
1−
¯
X
1−
¯
X
_
_
S
2
=
¯
X
_
(1 −
¯
X)
2
(β + 1 −
¯
X)
_
β + 1 −
¯
X =
¯
X
_
(1 −
¯
X)
2
S
2
_
.
Hal itu berarti estimator momen untuk β adalah
ˆ
β =
¯
X
_
(1 −
¯
X)
2
S
2
_
−1 +
¯
X
sehingga estimator momen untuk α adalah ˆ α =
ˆ
β
¯
X
1−
¯
X
.
Soal 15
Diketahui X
1
, X
2
, . . . , X
n
sampel random dari distribusi Binom(4, θ) dengan
θ ∈ (0, 1). Tentukan estimator Bayes untuk θ bila priornya adalah
π(θ) =
1
B(6, 7)
θ
5
(1 −θ)
6
.
Pembahasan
Fungsi probabilitas dari X adalah
f(x; θ) =
1
B(6, 7)
θ
x
(1 −θ)
4−x
untuk x = 0, 12, 3, 4, 5. Misalkan prior untuk θ adalah
π(θ) =
1
B(6, 7)
θ
5
(1 −θ)
6
untuk 0 < θ < 1. Distribusi posterior dari θ bila diberikan X yaitu π(θ|x)
adalah
π(θ|x) = f(x|θ)π(θ)
32
sebanding dengan
θ
x
(1 −θ)
4−x
θ
5
(1 −θ)
6
= θ
x+5
(1 −θ)
10−x
= θ
x+6−1
(1 −θ)
11−x−1
Dengan melihat bentuk tersebut maka distribusi posterior dari θ diberikan
X yaitu π(θ|x) adalah distribusi Beta(6 +x, 11 −x) sehingga penaksir Bayes
untuk θ merupakan mean dari distribusi posterir yaitu
ˆ
θ = E[θ|x] =
x + 6
x + 6 + 11 −x
=
x + 6
17
.
Soal 16
Diketahui X
1
, X
2
, . . . , X
n
sampel random dari distribusi Binom(4, θ) dengan
θ ∈ (0, 1). Tentukan estimator Bayes untuk θ bila priornya adalah π(θ) = 1
untuk 0 < θ < 1.
Pembahasan
Fungsi probabilitas dari X adalah
f(x|θ) =
_
4
x
_
θ
x
(1 −θ)
4−x
untuk x = 0, 1, 2, 3, 4. Distribusi posterior dari θ bila diberikan X yaitu
π(θ|x) adalah
π(θ|x) = f(x|θ)π(θ)
sebanding dengan
θ
x
(1 −θ)
4−x
(1) = θ
x+1−1
(1 −θ)
5−x−1
Dengan melihat bentuk tersebut maka distribusi posterior dari θ bila diberikan
X yaitu π(θ|x) adalah distribusi Beta(1 +x, 5 −x) sehingga penaksir Bayes
untuk θ merupakan mean dari distribusi posterior yaitu
ˆ
θ = E[θ|x] =
x + 1
x + 1 + 5 −x
=
x + 1
6
.
33
Soal 17
Diketahui X
1
, X
2
, . . . , X
n
variabel random saling bebas dengan fungsi kepa-
datan probabilitas
f(x; θ) = θx
θ−1
dengan θ > 0. Bila distribusi prior dari θ adalah
π(θ) =
1
Γ(r)λ
r
θ
r−1
e
−θ/λ
untuk θ > 0. Tentukan estimator Bayes untuk parameter θ.
Pembahasan
Distribusi posterior dari θ bila diberikan sampel random X
1
, X
2
, . . . , X
n
adalah
π(θ|x
1
, x
2
, . . . , x
n
) = f(x
1
|θ)f(x
2
|θ) . . . f(x
n
|θ)π(θ)
atau sebanding dengan
θ
n
_
n

i=1
x
i
_
θ
_
n

i=1
x
i
_
−1
e
r−1
e
−θ/λ
= θ
n+r−1
e
−θ[(1/λ)−ln
Q
n
i=1
x
i
]
= θ
n+r−1
e
−θ[(1/λ)−
P
n
i=1
lnx
i
]
Berarti distribusi posteriornya Gamma
_
n+r,
λ
1−λ
P
n
i=1
ln x
i
_
. Akibatnya mean
dari distribusi posterior yaitu
ˆ
θ =
(n +r)λ
1 −λ

n
i=1
ln x
i
merupakan penaksir Bayes untuk θ.
Soal 18
Diketahui X
1
, X
2
, . . . , X
n
variabel random saling bebas dengan fungsi kepa-
datan probabilitas
f(x
i
; θ) =
1


e

1
2
(x
i
−θ)
2
34
dengan θ > 0. Bila distribusi prior dari θ adalah
π(θ) =
1


e
−θ
2
/2
untuk θ > 0. Tentukan estimator Bayes untuk parameter θ.
Pembahasan
Distribusi posterior dari θ bila diberikan sampel random X
1
, X
2
, . . . , X
n
adalah
π(θ|x
1
, x
2
, . . . , x
n
) = f(x
1
|θ)f(x
2
|θ) . . . f(x
n
|θ)π(θ)
atau sebanding dengan
exp
_

1
2
_
−2θ
n

i=1
x
i
+ (n + 1)θ
2
_
_
= exp
_

1
2
(n + 1)
_
θ
2


n + 1
n

i=1
x
i
_
_
atau sebanding dengan
exp
_

1
2
(n + 1)
_
θ −

n + 1
n

i=1
x
i
_
2
_
.
Hal itu berarti distribusi posteriornya merupakan distribusi N
_
P
n
i=1
x
i
n+1
,
1
n+1
_
.
Akibatnya mean dari distribusi posterior yaitu
P
n
i=1
x
i
n+1
merupakan penaksir
Bayes untuk θ.
Soal 19
Diketahui X
1
, X
2
, . . . , X
n
variabel random saling bebas dengan fungsi kepa-
datan probabilitas
f(x
i
; θ) =
1


e

1
2
(x
i
−θ)
2
dengan θ > 0. Bila distribusi prior dari θ adalah
π(θ) =
1


e

1
2
(θ−µ
0
)
2
Tentukan estimator Bayes untuk parameter θ.
35
Pembahasan
Distribusi posterior dari θ bila diberikan sampel random X
1
, X
2
, . . . , X
n
adalah
π(θ|x
1
, x
2
, . . . , x
n
) = f(x
1
|θ)f(x
2
|θ) . . . f(x
n
|θ)π(θ)
atau sebanding dengan
exp
_

1
2
_
−2θ
n

i=1
x
i
+ (n + 1)θ
2
−2µ
0
θ
_
_
atau sebanding dengan
exp
_

1
2
(n + 1)
_
θ
2


n + 1
_
µ
0
+
n

i=1
x
i
_
__
Berarti distribusi posteriornya merupakan distribusi N
_
µ
0
+
P
n
i=1
x
i
n+1
,
1
n+1
_
. Ak-
ibatnya mean dari distribusi posterior yaitu
µ
0
+
P
n
i=1
x
i
n+1
merupakan estimator
Bayes untuk θ.
36
Chapter 4
Latihan Soal Estimasi Titik
1. Jika X
1
, X
2
, X
3
, . . . , X
n
sampel random dari distribusi U(0, θ) dengan
θ ∈ Ω = (0, ∞). Tentukan estimator tak bias untuk mean dan variansi
dari X yang hanya tergantung pada statistik cukup dari parameter θ.
2. Diketahui X
1
, X
2
, . . . , X
n
sampel random saling bebas dari distribusi
U(θ
1
, θ
2
) dengan θ
1
< θ
2
. Tentukan estimator tak bias untuk mean
yaitu (θ
1

2
)/2 dan range yaitu θ
2
−θ
1
yang hanya tergantung pada
statistik cukup untuk (θ
1
, θ
2
).
3. Diketahui X
1
, X
2
, . . . , X
n
sampel random saling bebas dari distribusi
dobel eksponensial yaitu dengan fungsi kepadatan probabilitas
f(x; θ) =
1
2
e
−|x−θ|
dengan θ ∈ Ω = R. Tunjukkan
1
2
(X
(1)
+ X
(n)
) bahwa merupakan
estimator tak bias untuk θ.
4. Jika X
1
, X
2
, . . . , X
n
sampel random dari distribusi yang mempunyai
fungsi kepadatan probabilitas :
f(x; θ) =
1
θ
e

x
θ
untuk x > 0 dengan θ ∈ Ω = (0, ∞) maka tentukan estimator UMVU
untuk parameter θ.
5. Jika X
1
, X
2
, . . . , X
n
sampel random dari distribusi yang mempunyai
fungsi kepadatan probabilitas :
f(x; θ) =
1
θ
e

x
θ
37
untuk x > 0 dengan θ ∈ Ω = (0, ∞) maka tentukan estimator MLE
untuk parameter θ.
6. Diketahui X
1
, X
2
, . . . , X
n
variabel random saling bebas dan berdis-
tribusi identik mempunyai fungsi kepadatan probabilitas :
f(x; θ) =
γ
θ
e

x
γ
θ
untuk x > 0, θ > 0 dan γ > 0 dengan γ diketahui. Tentukan MLE
untuk θ.
7. Diketahui X
1
dan X
2
variabel random saling bebas dan mempunyai
fungsi kepadatan probabilitas
f(x; θ) =
2
θ
(θ −x)
untuk 0 < x < θ dan θ ∈ Ω = (0, ∞). Tentukan estimator momen
untuk parameter θ.
8. Diketahui X
1
, X
2
, . . . , X
n
sampel random dari distribusi Cauchy den-
gan σ = 1 dan µ tidak diketahui. Misalkan diinginkan untuk menges-
timasi µ, manakah salah satu dari estimator untuk µ yang anda pilih
yaitu X
1
ataukah
¯
X ? Jelaskan jawaban anda !
9. Misalkan X
1
, X
2
, . . . , X
n
menotasikan sampel random dari suatu dis-
tribusi yaitu N(θ, 1). Tentukan estimator terbaik untuk θ
2
.
10. Diketahui adalah sampel random dari suatu distribusi N(0, θ). Statis-
tik Y =

n
i=1
X
2
i
merupakan statistik cukup untuk θ. Tentukan esti-
mator terbaik untuk θ
2
.
11. Misalkan X pengamatan tunggal dari distribusi Bernoulli
f(x; θ) = θ
x
(1 −θ)
1−x
I
{0,1}
(x)
dengan 0 < θ < 1. Misalkan T
1
(X) = X dan T
2
(X0 =
1
2
.
(a) Apakah T
1
(x) dan T
2
(x) tak bias ?
(b) Bandingkan MSE (mean squared error) dari T
1
(x) dengan T
2
(X).
12. Misalkan X adalah pengamatan tunggal dari N(0, θ) dengan θ = σ
2
.
(a) Apakah X statistik cukup untuk θ ?
38
(b) Apakah |X| statistik cukup untuk θ ?
(c) Apakah X
2
estimator tak bias dari θ ?
(d) Apakah MLE untuk

θ ?
13. Diketahui X
1
, X
2
, . . . , X
n
sampel random dari fungsi kepadatan prob-
abilitas
f(x; θ) = θx
−2
I
[θ,∞)
(x)
dengan θ > 0.
(a) Tentukan estimator MLE untuk θ.
(b) Apakah min{X
1
, X
2
, . . . , X
n
} statistik cukup untuk θ ?
14. Diketahui X
1
, X
2
, . . . , X
n
sampel random dari fungsi kepadatan prob-
abilitas
f(x; θ) = θx
θ−1
I
(0,1)
(x)
dengan θ > 0.
(a) Tentukan estimator MLE untuk µ = θ/(1 +θ).
(b) Tentukan estimator UMVU untuk 1/θ dan µ ?
15. Diketahui X
1
, X
2
, . . . , X
n
sampel random dari fungsi kepadatan prob-
abilitas
f(x; θ) = 2x/θ
2
I
(0,θ)
(x)
dengan θ > 0.
(a) Tentukan estimator MLE untuk θ.
(b) Apakah max{X
1
, X
2
, . . . , X
n
} statistik cukup untuk θ ? Apakah
max{X
1
, X
2
, . . . , X
n
} lengkap ?
(c) Adakah estimator UMVU untuk θ ? Jika ada, tentukan estimator
itu.
16. Diketahui X
1
, X
2
, . . . , X
n
sampel random dari fungsi kepadatan prob-
abilitas
f(x; θ) = θ(1 +x)
(1+θ)
I
(0,θ)
(x)
dengan θ > 0.
39
(a) Estimasi θ dengan metode momen dengan menganggap θ > 1.
(b) Tentukan estimator MLE untuk 1/θ.
(c) Apakah statistik cukup dan lengkap untuk θ jika ada ?
(d) Tentukan batas bawah Cramer-rao untuk estimator tak bias untuk
1/θ.
(e) Tentukan estimator UMVU untuk 1/θ jika ada.
(f) Tentukan estimator UMVU untuk θ jika ada.
17. Diketahui X
1
, X
2
, . . . , X
n
sampel random dari fungsi kepadatan prob-
abilitas
f(x; θ) = e
−(x−θ)
exp[−e
(x−θ)
]
dengan −∞< θ < ∞.
(a) Tentukan metode momen dari θ.
(b) Tentukan MLE dari θ.
(c) Tentukan statistik cukup yang lengkap untuk θ.
(d) Tentukan batas bawah Cramer-Rao untuk estimator tak bias dari
θ.
(e) Adakah suatu fungsi dari estimator tak bias untuk θ yang vari-
ansinya bersesuaian dengan batas bawah Cramer-Rao ? Jika ada
tentukan.
18. Jika X pengamatan tunggal dengan fungsi kepadatan probabilitas
f(x; θ) = 2x/θ
2
I
(0,θ)
(x)
dengan θ > 0. Anggap bahwa θ mempunyai distribusi prior seragam
atas interval (0,1). Dengan loss function θ
2
(1−θ)
2
, tentukan estimator
Bayes untuk θ.
19. Diketahui X
1
, X
2
, . . . , X
n
sampel random dari distribusi dengan fungsi
kepadatan probabilitas
f(x; θ) = θx
θ−1
I
(0,1)
(x)
dengan θ > 0. Anggap bahwa distribusi prior dari θ adalah Gamma(r, λ)
dengan r dan λ diketahui. Apa distribusi posterior dari θ ? Tentukan
estimator Bayes dari θ dengan prior yang diberikan dengan menggu-
nakan fungsi kerugian kuadrat.
40
Chapter 5
Pembahasan : Uji Hipotesis
Soal 1
Diketahui X
1
, X
2
, . . . , X
n
variabel random saling bebas. Konstruksikan uji
MP untuk menguji bahwa distribusi bersama dari X adalah N(0, 9) melawan
alternatif N(1, 9) dengan tingkat keberartian α = 0, 05. Tentukan juga kuasa
dari uji tersebut.
Pembahasan
Untuk menguji hipotesis H : θ = 0 melawan alternatif A : θ = 1 pada
tingkat α = 0, 05 digunakan uji MP berikut :
φ(x) =
_
1 jika
¯
X > c
0
0 untuk yang lain
dengan c
0
ditentukan oleh E[φ(x)] = P(
¯
X > c
0
) = 0, 05. Variabel random
X
1
, X
2
, . . . , X
n
saling bebas dan berdistribusi N(0, 9) maka
¯
X berdistribusi
N(0, 9/16) sehingga
P(
¯
X > c
0
) = 0, 05
P(
¯
X −0
3/4
>
c
0
−0
3/4
) = 0, 05
P(Z >
4c
0
3
) = 0, 05.
41
Berdasarkan tabel distribusi normal baku diperoleh sehingga c
0
= 1, 23.
Kuasa ujinya adalah
P(
¯
X > 1, 23) = P(
¯
X −1
3/4
>
1, 23 −1
3/4
)
= P(Z > 0, 1725)
= 0, 5685.
Hal itu berarti bila θ = 1 maka probabilitas menolak hipotesisnya adalah
0,5685.
Soal 2
Panjang hidup X bola lampu 50 watt merek tertentu dianggap mempun-
yai distribusi normal dengan mean µ tidak diketahui sedangkan simpangan
baku σ = 150 jam. Variabel random X
1
, X
2
, . . . , X
n
variabel random saling
bebas dan masing-masing berdistribusi X serta dianggap bahwa
¯
X = 1730
jam. Ujilah hipotesis H : µ = 1800 melawan alternatif A : µ < 1800 pada
tingkat keberartian α = 0, 01.
Pembahasan
Untuk menguji hipotesis H : µ = 1800 melawan alternatif A : µ < 1800
pada tingkat keberartian α = 0, 01 digunakan uji MP :
φ(x) =
_
1 jika
¯
X < c
0 jika
¯
X ≥ c
dengan c ditentukan sehingga P(
¯
X < c) = 0, 01 dan
¯
X ∼ N(1800, 150
2
).
Karena P(
¯
X < c) = 0, 01 maka P(
¯
X−1800
150
<
c−1800
150
) = 0, 01 atau
P(Z <
c −1800
150
) = 0, 01.
Berdasarkan tabel distribusi normal diperoleh
c−1800
150
= −2, 33 atau
c = 1800 + (150)(−2, 33) = 1450, 5.
Soal 3
Diketahui X
1
, . . . , X
30
variabel random saling bebas dari distribusi Gamma(α, β)
dengan α = 10 dan β tidak diketahui. Konstruksikan uji MP dari hipotesis
42
H : β = 2 melawan alternatif A : β = 3 pada tingkat keberartian α = 0, 05.
Pembahasan
Untuk mengkonstruksikan uji MP terlebih dahulu dihitung :
R(x; θ
0
, θ
1
) =
f(x
1
; θ
1
) . . . f(x
n
; θ
1
)
f(x
1
; θ
0
) . . . f(x
n
; θ
0
)
=
x
10−1
1
exp[−
x
1
θ
1
]
Γ(10)θ
10
1
. . .
x
10−1
n
exp[−
xn
θ
1
]
Γ(10)θ
10
1
x
10−1
1
exp[−
x
1
θ
0
]
Γ(10)θ
10
0
. . .
x
10−1
n
exp[−
xn
θ
0
]
Γ(10)θ
10
0
=
_
θ
0
θ
1
_
10n
exp
_

_
1
θ
1

1
θ
0
_
n

i=1
x
i
_
.
Logaritma natural dari R(x; θ
0
, θ
1
) adalah
ln R(x; θ
0
, θ
1
) = 10nln
_
θ
0
θ
1
_

_
1
θ
1

1
θ
0
_
n

i=1
x
i
dengan θ
0
< θ
1
. Karena θ
0
< θ
1
maka
1
θ
0
<
1
θ
1
sehingga
1
θ
1

1
θ
1
< 0
atau −
_
1
θ
1

1
θ
0
_
> 0. Oleh karena itu R(x; θ
0
, θ
1
) > c ekuivalen dengan
ln R(x; θ
0
, θ
1
) > ln c atau
10nln
_
θ
0
θ
1
_

_
1
θ
1

1
θ
0
_
n

i=1
x
i
> ln c

_
1
θ
1

1
θ
0
_
n

i=1
x
i
> ln c −10nln
_
θ
0
θ
1
_
n

i=1
x
i
> c
0
dengan
c
0
=
ln c −10nln
_
θ
0
θ
1
_

_
1
θ
1

1
θ
0
_ .
Hal itu berarti uji MP dinyatakan dengan
φ(x) =
_
1 jika

n
i=1
x
i
> c
0
0 jika

n
i=1
x
i
≤ c
0
43
dengan c
0
ditentukan sehingga
E[φ(x)] = P(
n

i=1
x
i
> c
0
) = α.
Bila θ
0
= 2 dan θ
1
= 3 maka

n
i=1
X
i
∼ Gamma(300, 2) sehingga
P(

n
i=1
X
i
> c) = 0, 05. Akibatnya c
0
= 658, 09. Kuasa ujinya adalah
P(
n

i=1
X
i
> 658, 09) = 1
dengan

n
i=1
X
i
∼ Gamma(300, 3).
44
Chapter 6
Latihan Soal Uji Hipotesis
1. Dalam contoh berikut ini, tunjukkan mana pernyataan yang meru-
pakan hipotesis sederhana dan yang mana yang merupakan hipotesis
komposit :
(a) X variabel random yang mempunyai fungsi kepadatan probabili-
tas f dengan f(x) = 2e
−2x
untuk x > 0.
(b) X adalah variabel random yang mempunyai harapan sama dengan
5.
(c) Ketika melakukan pelemparan sebuah mata uang logam, misalkan
X varaibel random yang mempunyai nilai 1 jika muka yang tam-
pak dan 0 jika belakang yang tampak. Pernyataannya adalah
mata uangnya bias.
2. Diketahui X variabel random berdistribusi Binom(n, θ) dengan θ ∈
Ω = (0, 1).
(a) Tentukan uji UMP untuk pengujian hipotesis H : θ ≤ θ
0
melawan
alternatif A : θ > θ
0
pada tingkat keberartian α.
(b) Bagaimana uji tersebut bila n = 10, θ
0
= 0, 25 dan α = 0, 05 ?
(c) Hitunglah kuasa uji pada θ
1
= 0, 375, 0, 5, 0, 625 dan 0, 0875.
3. Diketahui X
1
, X
2
, . . . , X
n
variabel random saling bebas yang mempun-
yai fungsi kepadatan probabilitas f(x; θ) =
1
θ
e
−x/θ
untuk x > 0 dengan
θ ∈ Ω. Tentukan uji UMP untuk pengujian hipotesis H : θ ≥ θ
0
melawan alternatif A : θ < θ
0
pada tingkat keberartian α.
4. Diketahui variabel random X
1
, X
2
, . . . , X
n
berdistribusi N(0, σ
2
). Ten-
tukan uji hipotesis H : σ ≤ 2 melawan alternatif A : σ > 2 pada
45
tingkat keberartian α = 0, 05. Apa kesimpulan yang diperoleh jika

n
i=1
x
2
i
= 120.
5. Diketahui varaibel random yang saling bebas dan berdistribusi N(µ, σ
2
).
Tentukan uji UMP untuk pengujian hipotesis H : σ = σ
0
melawan al-
ternatif A : σ = σ
0
pada tingkat keberartian α. Tentukan uji tersebut
bila n = 25, σ
0
= 2, α = 0, 05.
6. Jika adalah variabel random saling bebas dan berdistribusi N(µ, σ
2
)
maka tentukan uji LR dan uji berdasarkan pada −2 ln λ untuk pengu-
jian hipotesis H : σ = σ
0
, untuk yang pertama jika µ diketahui dan
untuk yang kedua jika µ tidak diketahui.
7. Diketahui X
i
, i = 1, 2, 3, 4 dan Y
i
, i = 1, 2, 3, 4 sampel random saling
bebas dan masing-masing dari distribusi N(µ
1
, σ
2
1
) dan N(µ
2
, σ
2
2
). Jika
diketahui bahwa σ
1
= 4 dan σ
2
= 3 dan data observasi dari X dan Y
adalah sebagai berikut :
x
1
= 10, 1, x
2
= 8, 4, x
3
= 14, 3, x
4
= 11, 7,
y
1
= 9, y
2
= 8, 2, y
3
= 12, 1, y
4
= 10, 3
Uji hipotesis bahwa perbedaan dua mean tidak lebih dari 1 pada tingkat
keberartian α = 0, 05.
8. Misalkan X
1
, X
2
, X
3
variabel random saling bebas dan berdistribusi
Binom(1, θ).
(a) Uji hipotesis pada tingkat keberartian α dengan mengunakan statis-
tik LR dan tentukan distribusinya.
(b) Bandingkan uji LR dengan uji UMPU untuk pengujian H melawan
A : p = 0, 25.
46
Chapter 7
Pembahasan : Estimasi Interval
Soal 1
Misalkan Φ fungsi distribusi N(0, 1) dan a, b dengan a < b sehingga
Φ(b) −Φ(a) = γ
dengan 0 < γ < 1. Tunjukkan bahwa b −a minimum jika b = c dan a = −c
dengan c > 0.
Pembahasan
Misalkan Φ(b) − Φ(a) = γ maka dengan mendefrensialkan kedua ruas ter-
hadap a diperoleh
ϕ(b)
db
da
−ϕ(a) = 0
dengan ϕ adalah fungsi kepadatan probabilitas normal baku. Akibatnya
diperoleh
db
da
= ϕ(a)/ϕ(b) = 0
Misalkan L = b − a yaitu panjang interval kepercayaan. Panjang interval
L akan mencapai minimum bila dL/da = 0 yaitu db/da − 1 = 0 sehingga
db/da = 1. Akibatnya ϕ(a)/ϕ(b) = 1 atau ϕ(a) = ϕ(b). Hal itu berarti
bahwa a = b atau a = −b. Karena b > a maka dipilih b = c dengan c > 0
sehingga a = −c.
Soal 2
Diketahui X
1
, X
2
, . . . , X
n
variabel random saling bebas berdistribusi N(µ, σ
2
)
dengan µ diketahui. Tentukan interval kepercayaan untuk σ dengan koefisien
47
kepercayaan 1 −α.
Pembahasan
Misalkan R = X
(n)
−X
(1)
dan didefinisikan
W = Z
(n)
−Z
(1)
dengan Z
(n)
=
X
(n)
−µ
σ
dan Z
(1)
=
X
(1)
−µ
σ
. Karena W berdistribusi studentized
range maka a dan b ditentukan sehingga
P(a ≤
R
σ
≤ b) = 1 −α
atau P(
a
R

1
σ

b
R
) = 1 − α atau P(
R
b
≤ σ ≤
R
a
) = 1 − α. Hal itu berarti
bahwa interval kepercayaan untuk σ adalah
_
R/b, R/a
¸
.
Soal 3
Diketahui X
1
, X
2
, . . . , X
n
variabel random saling bebas dan mempunyai fungsi
kepadatan probabilitas
f(x; θ) =
1
θ
e
−x/θ
untuk x > 0. Tentukan interval kepercayaan untuk θ dengan koefisien keper-
cayaan 1 −α.
Pembahasan
Karena
2X
i
θ
berdistribusi χ
2
2
maka
2
P
n
i=1
X
i
θ
berdistribusi χ
2
2
sehingga untuk
menentukan interval kepercayaan untuk θ dilakukan dengan menentukan a
dan b sehingga
P(a ≤ χ
2
2n
≤ b) = 1 −α
P(a ≤
2

n
i=1
X
i
θ
≤ b) = 1 −α
P(
1
a

θ

n
i=1
X
i

1
b
) = 1 −α.
Dalam hal ini a dan b ditentukan sehingga a
2
g
2n
(a) = b
2
g
2n
(b) dan
_
b
a
g
2n
(t)dt = 1 −α
48
dengan g
2n
(t) adalah fungsi kepadatan probabilitas dari distribusi χ
2
2n
.
Soal 4
Diketahui variabel random X
1
, X
2
, . . . , X
n
saling bebas dan berdistribusi ser-
agam pada (0, θ). Gunakan range R = X
(n)
−X
(1)
untuk menentukan interval
kepercayaan untuk θ.
Pembahasan
Karena berdistribusi seragam pada (0, θ) maka berdistribusi seragam pada
(0, 1) sehingga Y = (X
(n)
−X
(1)
)/θ akan mempunyai fungsi kepadatan prob-
abilitas
f(y) =
_
n(n −1)y
n−2
(1 −y) untuk 0 < y < 1
0 untuk yang lain
Interval kepercayaan untuk θ ditentukan dengan menentukan a dan b se-
hingga
P(a ≤
X
(n)
−X
(1)
θ
≤ b) = 1 −α
dengan Y = (X
(n)
−X
(1)
)/θ mempunyai fungsi kepadatan probabilitas seperti
tersebut di atas. Akibatnya
P(
a
b

X
(n)
−X
(1)
θ

1
b
) = 1 −α
P(
X
(n)
−X
(1)
b
≤ θ ≤
X
(n)
−X
(1)
a
) = 1 −α
P(
R
b
≤ θ ≤
R
a
) = 1 −α.
Soal 5
Diketahui variabel random X
1
, X
2
, . . . , X
n
saling bebas dan berdistribusi
dengan fungsi kepadatan f(x; θ) = e
x−θ
untuk x > θ, θ ∈ Ω = R dan
misalkan Y = X
(1)
. Tunjukkan bahwa
1. Fungsi kepadatan probabilitas g dari Y diberikan sebagai
g(y) = nexp[−n(y −θ)]
untuk y > θ.
49
2. Variabel random T
n
(θ) = 2n(Y −θ) berdistribusi χ
2
2
.
3. Interval kepercayaan untuk θ berdasarkan pada T
n
(θ) dengan koefisien
kepercayaan 1 −α berbentuk [Y −
b
2n
, Y −
b
2n
].
4. Interval kepercayaan terpendek θ seperti bentuk di atas diberikan oleh
[Y −
χ
2
2;α
2n
, Y ] dengan χ
2
2;α
adalah kuantil atas dari distribusi χ
2
2
. Bagaimana
dengan interval kepercayaan terpendek dari harapan panjangnya.
Pembahasan
1. Fungsi distribusi dari X
1
adalah
F(x; θ) =
_
x
−∞
f(t)dt
=
_
x
θ
e
−(t−θ)
dt
=
_
x−θ
0
e
−u
du
=
_
−e
−u
¸
x−θ
0
= 1 −e
−(x−θ)
dengan u = t −θ. Akibatnya fungsi distribusi dari
Y = X
(1)
= min{X
1
, X
2
, . . . , X
n
}
adalah
F(y) = P(Y ≤ y) = P(min{X
1
, X
2
, . . . , X
n
} ≤ y)
= 1 −P(min{X
1
, X
2
, . . . , X
n
} > y)
= 1 −P(X
1
> y, X
2
> y, . . . , X
n
> y)
= 1 −[P(X
1
> y)]
n
= 1 −(1 −P(X
1
≤ y))
n
= 1 −(e
−(y−θ)
)
n
= 1 −e
−n(y−θ)
.
Fungsi kepadatan probabilitas dari Y diperoleh dengan menurunkan
F(y) terhadap variabel y yaitu diperoleh g(y) = F

(y) = ne
−n(y−θ)
untuk y > θ.
50
2. Misalkan statistik T = T
n
(θ) = 2n(Y − θ). Bila t = 2n(y − θ) maka
y = θ +
t
2n
sehingga
dy

=
1
2n
. Akibatnya fungsi kepadatan probabilitas
dari statistik T adalah h(t) =
1
2
e
−t/2
untuk t. Hal itu berarti statistik
T berdistribusi chi-kuadrat dengan derajat bebas 2.
3. Interval kepercayaan untuk θ ditentukan dengan menentukan a dan b
sehingga
P(a ≤ χ
2
2
≤ b) = 1 −α
P(a ≤ 2n(Y −θ) ≤ b) = 1 −α
P(
a
2n
≤ Y −θ ≤
b
2n
) = 1 −α
P(−Y +
a
2n
≤ −θ ≤ −Y +
b
2n
) = 1 −α
P(Y −
a
2n
≥ θ ≥ Y −
b
2n
) = 1 −α
P(Y −
b
2n
≤ θ ≤ Y −
a
2n
) = 1 −α.
Soal 6
Diketahui variabel randomX
1
, X
2
, . . . , X
n
saling bebas dan mempunyai fungsi
kepadatan probabilitas
f(x; θ =
θ
x
γ−1
exp[−
x
γ
θ
]
untuk x > θ, θ > 0 dan γ > 0 dengan θ ∈ Ω = R.
Pembahasan
Karena Y =
2X
r
i
θ
berdistribusi χ
2
2
maka Y =
2
P
n
i=1
X
r
i
θ
berdistribusi χ
2
2n
.
Interval kepercayaan untuk θ dengan menentukan a dan b sehingga
P(a ≤
2Y
θ
≤ b) = 1 −α
P(
1
a

θ
2Y

1
b
) = 1 −α
P(
2Y
b
≤ θ ≤
2Y
a
) = 1 −α
dengan Y =

n
i=1
X
r
i
. Hal itu berarti interval kepercayaan untuk θ adalah
[
2Y
b
,
2Y
b
] dengan a dan b memenuhi a
2
g
2n
(a) dan
_
b
a
g
2n
(t)dt = 1 −α. Dalam
51
hal ini g
2n
(t) adalah fungsi kepadatan probabilitas dari variabel random yang
berdistribusi chi-kuadrat dengan derajat bebas 2n.
Soal 7
Diketahui X
1
, . . . , X
m
sampel random dari populasi N(µ
1
, σ
2
1
) dan Y
1
, . . . , Y
n
sampel random dari populasi dengan sigma
2
1
, sigma
2
2
diketahui. Tentukan in-
terval kepercayaan untuk µ
1
−µ
2
.
Pembahasan
Misalkan didefinisikan statistik
T(µ
1
−µ
2
) =
(
¯
X
m

¯
Y
n
) −(µ
1
−µ
2
)
_
σ
2
1
m
+
σ
2
2
n
.
Karena X
1
, X
2
, X
3
, . . . , X
m
sampel random dari populasi N(µ
1
, σ
2
1
) maka
¯
X
m
=
1
m

m
i=1
X
i
berdistribusi N(µ
1
,
σ
2
1
m
) dan karena Y
1
, Y
2
, . . . , Y
n
sampel
random dari populasi maka
¯
Y
n
=
1
n

n
i=1
Y
i
berdistribusi N(µ
2
,
σ
2
2
n
) sehingga
¯
X
m

¯
Y
n
berdistribusi N(µ
1
−µ
2
,
σ
2
1
m
+
σ
2
2
n
). Akibatnya T berdistribusi N(0, 1).
Interval kepercayaan untuk µ
1
− µ
2
ditentukan dengan cara menentukan a
dan b sehingga P(a ≤ T ≤ b) = 1 −α. Akibatnya
P

a ≤
(
¯
X
m

¯
Y
n
) −(µ
1
−µ
2
)

σ
2
1
m
+
σ
2
2
n
≤ b

= 1 −α
P

a

σ
2
1
m
+
σ
2
2
n

¯
X
m

¯
Y
n
−(µ
1
−µ
2
) ≤ b

σ
2
1
m
+
σ
2
2
n

= 1 −α
P

−(
¯
X
m

¯
Y
n
) +a

σ
2
1
m
+
σ
2
2
n
≤ −(µ
1
−µ
2
) ≤ −(
¯
X
m

¯
Y
n
) +b

σ
2
1
m
+
σ
2
2
n

= 1 −α
P

¯
X
m

¯
Y
n
−a

σ
2
1
m
+
σ
2
2
n
≥ µ
1
−µ
2

¯
X
m

¯
Y
n
−b

σ
2
1
m
+
σ
2
2
n

= 1 −α
P

¯
X
m

¯
Y
n
−b

σ
2
1
m
+
σ
2
2
n
≤ µ
1
−µ
2

¯
X
m

¯
Y
n
−a

σ
2
1
m
+
σ
2
2
n

= 1 −α.
Dalam hal ini a dan b ditentukan sehingga Φ(b) −Φ(a) = 1 −α.
Soal 8
Diketahui X
1
, . . . , X
m
sampel random dari populasi N(µ
1
, σ
2
1
) dan Y
1
, . . . , Y
n
sampel random dari populasi dengan µ
1
, µ
2
diketahui. Tentukan interval
kepercayaan untuk σ
2
1

2
2
dengan koefisien kepercayaan 1 −α.
52
Pembahasan
Misalkan didefinisikan statistik
T(σ
2
1

2
2
) =
σ
2
1
σ
2
1
S
2
n
S
2
m
dengan S
2
m
=
1
m

m
i=1
(X
i
− µ
1
)
2
dan S
2
n
=
1
n

n
i=1
(Y
i
− µ
2
)
2
. Karena
X
1
, . . . , X
m
sampel random dari populasi N(µ
1
, σ
2
1
) maka
mS
2
m
σ
2
1
berdistribusi
χ
2
m
dan karena Y
1
, . . . , Y
n
sampel random dari populasi N(µ
2
, σ
2
2
) maka
nS
2
n
σ
2
2
berdistribusi χ
2
n
T(σ
2
1

2
2
) =
σ
2
1
σ
2
1
S
2
n
S
2
m
=
nS
2
n
σ
2
2
mS
2
m
σ
2
1
berdistribusi F
m,n
. Karena t berdistribusi F
m,n
maka interval kepercayaan
untuk dapat ditentukan dengan menentukan a dan b sehingga
P(a ≤ F
m,n
≤ b) = 1 −α
P(a ≤ T ≤ b) = 1 −α
P(a ≤
σ
2
1
σ
2
1
S
2
n
S
2
m
≤ b) = 1 −α
P(a
S
2
m
S
2
n

σ
2
1
σ
2
1
≤ b
S
2
m
S
2
n
) = 1 −α.
Hal itu berarti interval kepercayaan untuk σ
2
1

2
2
adalah
_
a
S
2
m
S
2
n

σ
2
1
σ
2
1
≤ b
S
2
m
S
2
n
_
.
Soal 9
Diketahui X
1
, X
2
, . . . , X
n
variabel random saling bebas dengan mean µ tidak
diketahui dan variansinya σ
2
berhingga dan diketahui serta ukuran sampel
n besar.
1. Gunakan teorema limit sentral untuk mengkonstruksikan interval keper-
cayaan µ dengan koefisien kepercayaan mendekati 1 −α.
2. Tentukan interval kepercayaan mendekati 0, 95 jika ukuran sampel n =
100 dan variansi 1.
3. Tentukan n sehingga panjang interval 0, 1 dengan σ = 1 dan α = 0, 05.
53
Pembahasan
1. Karena X
1
, X
2
, . . . , X
n
variabel random saling bebas dengan mean µ
tidak diketahui dan variansinya σ
2
berhingga dan diketahui serta uku-
ran sampel n besar maka dengan menggunakan teorema limit sentral
diperoleh
¯
X −µ
σ/

n
∼ N(0, 1)
untuk n → ∞. Interval kepercayaan untuk µ ditentukan dengan
menentukan a dan b sehingga P(a ≤ N(0, 1) ≤ b) = 1 −α. Akibatnya
P(a ≤
¯
X −µ
σ/

n
≤ b) = 1 −α
P(a
σ

n

¯
X −µ ≤ b
σ

n
) = 1 −α
P(−
¯
X +a
σ
n
≤ −µ ≤ −
¯
X +b
σ
n
) = 1 −α
P(
¯
X −a
σ
n
≥ µ ≥
¯
X −b
σ
n
) = 1 −α
P(
¯
X −b
σ
n
≤ µ ≤
¯
X −a
σ
n
) = 1 −α
Interval kepercayaan untuk µ adalah
_
¯
X −b
σ
n
,
¯
X −a
σ
n
_
sedangkan in-
terval kepercayaan terpendek untuk µ adalah
_
¯
X −Z
α/2
σ
n
,
¯
X +Z
α/2
σ
n
_
dengan Z
α/2
adalah kuantil 1 −α/2 untuk distribusi N(0, 1).
2. Jika n = 100, σ = 1, α = 0, 05 maka interval kepercayaan untuk µ
adalah
_
¯ x −1, 96
1
10
, ¯ x + 1, 96
1
10
_
atau
_
¯ x −0, 196, ¯ x + 0, 196
_
.
3. Panjang interval dapat dinyatakan sebagai
l =
¯
X +Z
α/2
σ

n

_
¯
X −Z
α/2
σ

n
_
0, 1 = 2(1, 96)
1

n

n = 2(1, 96) = 39, 2
n ≈ 1600.
54
Soal 10
Diketahui X
1
, X
2
, . . . , X
m
variabel random saling bebas dan mempunyai fungsi
kepadatan probabilitas
f(x; θ) =
1
θ
1
e

x
θ
1
untuk x > 0 dan Y
1
, Y
2
, . . . , Y
n
variabel random saling bebas dan mempun-
yai fungsi kepadatan probabilitas f(y; θ) =
1
θ
2
e

y
θ
2
untuk y > 0. Tentukan
interval kepercayaan untuk θ
1

2
dengan koefisien kepercayaan 1 −α.
Pembahasan
Karena X
1
, X
2
, . . . , X
m
variabel random saling bebas dan mempunyai fungsi
kepadatan probabilitas f(x; θ) =
1
θ
1
e

x
θ
1
untuk x > 0 maka berdistribusi
Gamma(1, θ
1
) sehingga
2
P
m
i=1
X
i
θ
1
berdistribusi χ
2
2m
dan karena Y
1
, Y
2
, . . . , Y
n
variabel random saling bebas dan mempunyai fungsi kepadatan probabilitas
f(y; θ) =
1
θ
2
e

y
θ
2
untuk y > 0 maka berdistribusi Gamma(1, θ
2
) sehingga
2

n
i=1
Y
i
θ
1
berdistribusi χ
2
2n
. Dibentuk statistik
T(θ
1

2
) =
2
P
n
i=1
Y
i

2
2
P
m
i=1
X
i

1
.
Dalam hal ini T(θ
1

2
) berdistribusi F dengan derajat pembilang n dan
derajat bebas penyebut m. Untuk menentukan interval kepercayaan untuk
dilakukan dengan menentukan a dan b sehingga P(a ≤ F
2n,2m
≤ b) = 1 −α.
Akibatnya
P
_
a ≤
2
P
n
i=1
Y
i

2
2
P
m
i=1
X
i

1
≤ b
_
= 1 −α
P(a
¯
X ≤
θ
1
θ
2
≤ b
¯
Y ) = 1 −α.
Hal itu berarti interval kepercayaan untuk θ
1

2
adalah [a
¯
X, b
¯
Y ].
55
Chapter 8
Latihan Soal Estimasi Interval
1. Sampel ukuran 25 dari populasi yang berdistribusi normal dengan var-
iansi 81 diperoleh sampel meannya adalah 81,2. Tentukan interval
kepercayaan 95% untuk mean populasi.
2. Dimiliki sampel random ukuran 25 diambil dari distribusi N(0, σ
2
).
Konstruksikan interval kepercayaan untuk σ
2
dengan koefisien keper-
cayaan 90%.
3. Dimiliki sampel 0,3915, 0,1034, 0,6858, 0,7626, 0,0041, yang diambil
dari distribusi eksponensial dengan mean θ
1
dan sampel 0,7731, 0,5909,
0,3267, 0,1477, 0,0322 yang diambil dari distribusi eksponensial den-
gan mean θ
2
. Konstruksikan interval kepercayaan untuk θ
1

2
dengan
koefisien kepercayaan mendekati 90%.
4. Misalkan X
1
, . . . , X
n
variabel random yang mempunyai distribusi ek-
sponensial negatif dengan parameter θ ∈ Ω = (0, ∞) dan anggap bahwa
n besar. Gunakan teorema limit sentral untuk mengkonstruksikan in-
terval kepercayaan untuk θ dengan koefisien kepercayaan mendekati
1 −α.
5. Diketahui X
1
, X
2
, . . . , X
m
sampel random dari populasi N(µ
1
, σ
2
1
) dan
Y
1
, . . . , Y
n
sampel random dari populasi dengan µ
1
, µ
2
tidak diketahui.
Tentukan interval kepercayaan untuk σ
2
1

2
2
dengan koefisien keper-
cayaan 1 −α.
56
Bibliography
[1] Bain, L. J. and Engelhardt, M., (1992), Introduction to probability and
mathematical statistics, Duxbury, Pasific Grove.
[2] Lindgren, B. W., (1993), Statistical Theory 4
th
edition, Chapman & Hall
Inc, New York.
[3] Oosterhoff, J., (1993), Algemene Statistiek, Faculteit Wiskunde en In-
formatica, Vrije Universiteit Amsterdam, Amsterdam.
[4] Roussas, G. G., (1973), A first Course in Mathematical Statistics,
Addison-Wesley Publishing Company, Reading Massachusetts.
57

Contents
1 Pembahasan : Statistik Cukup 2 Latihan Soal Statistik Cukup 3 Pembahasan : Estimasi Titik 4 Latihan Soal Estimasi Titik 5 Pembahasan : Uji Hipotesis 6 Latihan Soal Uji Hipotesis 7 Pembahasan : Estimasi Interval 8 Latihan Soal Estimasi Interval 1 16 17 37 41 45 47 56

ii

Chapter 1 Pembahasan : Statistik Cukup
Soal 1 Dalam setiap kasus berikut, tuliskan fungsi kepadatan probabilitas dari variabel random X dan spesifikasikan ruang parameter Ω. 1. Variabel random X berdistribusi Poisson(θ). 2. Variabel random X berdistribusi Gamma(α, β). 3. Variabel random X berdistribusi eksponensial dengan parameter θ. 4. Variabel random X berdistribusi Beta(α, β). Pembahasan 1. Karena X berdistribusi Poisson(θ) maka fungsi probabilitasnya : f (x) = e−θ θ x x! θ ∈ (0, ∞).

Ruang parameter : Ω = {θ ∈ R|θ > 0} = (0, ∞). 2. Karena X berdistribusi Eksponensial(θ) maka fungsi kepadatan probabilitasnya : f (x) = θe−θx untuk x > 0 dan θ > 0.

Ruang parameter : Ω = {θ ∈ R|θ > 0} = (0, ∞). 1

3. Karena X berdistribusi Gamma(α, β) maka fungsi kepadatan probabilitasnya : f (x; α, β) = 1 xα−1 e−x/β θ Γ(α)β untuk x > 0, α > 0, β > 0.

Ruang parameter Ω = {(α, β) ∈ R2 |α > 0, β > 0}. 4. Karena X berdistribusi Beta(α, β) maka fungsi kepadatan probabilitasnya : f (x; α, β) = Γ(α + β) α−1 x (1 − x)β−1 , Γ(α)Γ(β) 0 < x < 1, α > 0, β > 0.

Ruang parameter Ω = {(α, β) ∈ R2 |α > 0, β > 0}. Soal 2 Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan berdistribusi identik. Gunakan Teorema 1 dan Akibatnya untuk menunjukkan bahwa : 1. Jika Xi berdistribusi Poisson(θ) maka statistik cukup untuk θ. 2. Jika Xi berdistribusi Eksponensial(θ) maka statistik cukup untuk θ. 3. Jika Xi berdistribusi Gamma(α, β) maka
n i=1 n i=1

¯ Xi atau X merupakan ¯ Xi atau X merupakan
n i=1 t

n i=1

n i=1

Xi ,

Xi

atau

¯ Xi , X

t

merupakan statistik cukup untuk (α, β)t .
n i=1

4. Jika Xi berdistribusi Beta(α, β) maka pakan statistik cukup untuk (α, β) . Pembahasan 1. Karena Xi berdistribusi Poisson(θ) maka f (xi ) = e−θ θ xi x!
t

Xi ,

n i=1 (1 − Xi )

t

meru-

2

untuk xi = 0, 1, 2, . . . sehingga fungsi probabilitas bersamanya adalah
n

f (x1 , x2 , . . . , xn ; θ) =
i=1 n

f (xi , θ) e θ θ xi xi ! θ
n i=1

= = e

i=1 Pn −nθ i=1 xi

xi !

.

Dengan menggunakan Teorema 1 diperoleh bahwa g[T (x1 , . . . , xn ); θ] = e−nθ θ
n Pn
i=1

xi

T (x1 , . . . , xn ) =
i=1

xi 1
n i=1

h(x1 , . . . , xn ) =

xi !

.

Oleh karena itu n Xi merupakan statistik cukup untuk θ. Dengan i=1 menggunakan Teorema 1 dan Akibatnya dan mendefinisikan g : R → R ¯ dengan g(x) = x/n maka X juga merupakan statistik cukup untuk θ. 2. Karena Xi berdistribusi Eksponensial(θ) maka f (xi ) = θe−θxi untuk xi > 0 sehingga fungsi probabilitas bersamanya adalah
n

f (x1 , . . . , xn ; θ) =
i=1 n

f (xi ; θ) θe−θxi
i=1 P n −θ n xi i=1

= = θ e

.

Dengan menggunakan Teorema 1 diperoleh bahwa g[T (x1 , . . . , xn ) = θ n e−θ
n Pn
i=1

xi

T (x1 , . . . , xn ) =
i=1

Xi

h(x1 , . . . , xn ) = 1. 3

xn ) = 1. β] = T (x1 . β) maka fungsi kepadatan probabilitasnya : Γ(α + β) α−1 xi (1 − xi )β−1 f (xi ) = Γ(α)Γ(β) untuk 0 < xi < 1 sehingga fungsi kepadatan probabilitasnya bersamanya 4 . . α. y/n) maka Xi . . β) maka fungsi kepadatan probabilitasnya : 1 xα−1 exi /β f (xi ) = Γ(α)β α i untuk xi > 0 sehingga fungsi kepadatan probabilitas bersamanya adalah n f (x1 .Oleh karena itu n Xi merupakan statistik cukup untuk θ. . . . . Dengan i=1 menggunakan Teorema 1. n i=1 Xi t merupakan statistik cukup untuk merupakan statistik cukup untuk (α. i=1 Xi t h(x1 . Karena Xi berdistribusi Beta(α. xn ) = i=1 1 Γ(α)β α n n n xi i=1 α−1 exp − 1 β n xi i=1 n Xi . . . xn ). . (α. Akibat dan mendefinisikan t n ¯ fungsi g : R2 → R2 dengan g(x. 3. y) = (x. Akibatnya dan mendefinisikan g : R → R ¯ dengan g(x) = x/n maka X merupakan statistik cukup untuk θ. Karena Xi berdistribusi Gamma(α. . β) 1 xα−1 exi /β Γ(α)β α i n n = i=1 = 1 Γ(α)β α xi i=1 α−1 exp 1 − β n xi . . . i=1 Dengan menggunakan Teorema 1 diperoleh bahwa g[T (x1 . α. . . . xn ) = i=1 n f (xi . Dengan menggunakan Teorema 1. X i=1 t 4. . Oleh karena itu t n i=1 Xi . β) . β) .

θ 2 ) maka fungsi kepadatan probabilitas dari variabel random Xi adalah f (xi ) = √ 1 2πθ 2 exp − (xi − θ)2 2θ 2 t n i=1 xi . . . β] = Γ(α + β) Γ(α)Γ(β) n n n xi i=1 n α i=1 n (1 − xi ) t β n i=1 1 xi (1 − xi ) T (x1 . . α. β) Γ(α + β) α−1 x (1 − xi )β−1 Γ(α)Γ(β) i n n = i=1 = Γ(α + β) Γ(α)Γ(β) xi i=1 α n i=1 (1 − xi ) β n i=1 1 . α. . . . xn . i=1 (1 − xi ) h(x1 . . . β) . . . xn ). . Xn sampel random dari distriusi N (θ. . n i=1 (1 − xi ) t merupakan statistik cukup 5 . xn ) = i=1 xi . i=1 Xi i=1 tik cukup untuk θ. . . θ 2 ) dengan θ ∈ R maka n n 2 ¯ tunjukkan bahwa atau X. . Soal 3 Jika X1 . xi (1 − xi ) Dengan menggunakan Teorema 1 diperoleh bahwa g[T (x1 . . β) n = i=1 n f (xi . xn ) = 1. . α. n Xi2 merupakan statisi=1 Xi . Pembahasan Karena Xi berdistribusi N (θ. .adalah f (x1 . Oleh karena itu untuk (α. . .

. . . . . θ) √ (xi − θ)2 exp 2θ 2 2πθ 2 1 n = i=1 = = 1 2πθ 2 1 2πθ 2 exp − exp − n n i=1 xi 2θ 2 n i=1 xi 2θ 2 exp exp 2θ n i=1 n i=1 2θ 2 xi exp − θ2 2θ 2 xi θ 1 exp[− ]. θ] = T (x1 . xn . . θ) = e(x−θ) untuk x > θ dan θ ∈ R maka tunjukkan bahwa X(1) = min{X1 . y) = (x/n.sehingga fungsi kepadatan probabilitasnya adalah n f (x1 . Xn } merupakan statistik cukup untuk θ. . . y) dan dengan meng¯ gunakan Akibat 1 maka X. . xn ). . . . . 2 Dengan menggunakan Teorema 1 diperoleh g[T (x1 . . . n Xi2 merupakan statistik cukup untuk θ. . Bila didefinisikan f : R → R dengan f (x. . 2 n i=1 Xi2 2 merupakan statistik cukup untuk θ. Pembahasan 6 . . i=1 Soal 4 Jika X1 . . . i=1 x2 i h(x1 . . xn ) = i=1 1 2πθ 2 n n exp − n n i=1 xi 2θ 2 exp n i=1 xi θ 1 exp[− ] 2 xi . . θ) = i=1 n f (xi . xn ) = 1 sehingga n i=1 Xi . Xn sampel random ukuran n dengan fungsi kepadatan probabilitas f (x. . .

. . f (x. θ) = x3 exp(−x/θ)/(6θ 4 ) untuk 0 < x < ∞ dan θ ∈ (0. . . . ∞). . xn ) = i=1 n f (xi . 1. θ] xi + nθ i=1 1 untuk X(1) > θ 0 untuk yang lain. Xn } merupakan statistik cukup untuk θ. . f (θ) = (θ/c)(c/x)θ+1 untuk c < x < ∞ dan θ ∈ (0. f (x. Pembahasan 7 . . ∞). θ) = 2(θ − x)/θ 2 untuk 0 < x < θ dan θ ∈ (0. xn ) = X(1) n h(x1 . . . Xn adalah n f (x1 . θ] = xi + nθ i=1 n untuk X(1) > θ u[X(1) . . . ∞). . i=1 Akibatnya X(1) = min{X1 . . . f (x. . θ) = θxθ−1 untuk 0 < x < 1 dan θ ∈ (0. . 4. θ) maka tentukan statistik cukup untuk θ. θ] T (x1 . xn ). 3. . Xn variabel random saling bebas dengan fungsi kepadatan probabilitas f (x. . . . . ∞). .Fungsi kepadatan probabilitas bersama untuk X1 . θ] = exp[nθ] u[X(1) . Dengan menggunakan Teorema 1 diperoleh g[T (x1 . 2. . . . . Soal 5 Jika X1 . xn ) = exp − xi . . θ) e(xi −θ) i=1 n = = exp − = exp − dengan u[X(1) .

θ) θxθ−1 i i=1 n n i=1 = = θ xi θ−1 . θ] = 2 θ2 2 θ2 n i=1 n (θ − xi ) 0 ≤ x(n) ≤ θ (θ − xi ) h[x(n) . . . . . θ) maka fungsi kepadatan probabilitas bersama dari X1 . 8 . . . xn ). . xn . Dengan menggunakan Teorema 1 diperoleh n g[T (x1 . . . 2. xn ) = n i=1 xi xi θ n i=1 n xi i=1 −1 . Xn adalah n f (x1 . . θ) 2 (θ − xi ) untuk 0 ≤ xi ≤ θ θ2 n n = i=1 = = dengan h[x(n) . . θ] i=1 1 untuk X(n) < θ 0 untuk yang lain. . θ) = i=1 n f (xi . Karena X ∼ f (x. . xn ) = h(x1 . . . . Akibatnya n i=1 Xi merupakan statistik cukup untuk θ. .1. . . . xn ) = i=1 n f (xi . . . Xn adalah n f (x1 . Karena X ∼ f (x. . . . θ) maka fungsi kepadatan probabilitas bersama dari X1 . . θ] = θ T (x1 . . .

. . . . θ] = T (x1 . xn ) = 1.Dengan menggunakan Teorema 1 diperoleh g[T (x1 . . . . i i=1 h(x1 . . . . . . 3. θ] = 2 θ2 n n i=1 (θ − xi ) h[x(n) . . . θ) maka fungsi kepadatan probabilitas bersama dari X1 . . . Karena X ∼ f (x. . . . . θ) 1 xi exi /θ 4 6θ n n = i=1 = 1 6θ 4 x3 i i=1 1 exp θ n n xi . θ) = i=1 n f (xi . xn . θ] T (x1 . . . xn ) = Akibatnya n i=1 Xi merupakan statistik cukup untuk θ. xn ) = i=1 n 1 6θ 4 n n 1 exp θ xi i=1 xi x3 . xn ) = X(n) h(x1 . . . θ) θ c n = i=1 c xi cθ+1 n i=1 untuk xi ≥ c θ+1 = θ c 9 . Xn adalah n f (x1 . . . xn ). . . . . 4. . . . . xi . . θ) maka fungsi kepadatan probabilitas bersama dari X1 . xn ). . Xn adalah n g[T (x1 . . . . Xn } merupakan statistik cukup untuk θ. i=1 Dengan menggunakan Teorema 1 diperoleh g[T (x1 . X2 . . . . xn . . . θ) = i=1 n f (xi . Akibatnya X(n) = max{X1 . Karena X ∼ f (x.

Jika X1 . β) dengan β diketahui. Variabel random X berdistribusi Beta(α. Variabel random X berdistribusi Gamma(α. Soal 7 Tunjukkan bahwa dalah setiap kasus distribusi tersebut merupakan anggota keluarga eksponensial. Variabel random X berdistribusi Gamma(α. . Dengan menggunakan Teorema 5 ¯ diperoleh bahwa X statistik tak bias UMV yang tunggal untuk θ. Variabel random X berdistribusi Binomial Negatif. β) dengan α diketahui. Akibatnya Soal 6 n i=1 Xi merupakan statistik cukup untuk θ. . . 10 . . . 5. . θ] = θ c n n cθ n i=1 xi θ+1 T (x1 . . . xn ) = xi i=1 n xi i=1 −1 . β) dengan β diketahui. X2 . . . 2. 1. . xn ) = h(x1 . 4. xn ). . . . 3. . 6. Variabel random X berdistribusi Poisson(θ). β) dengan α diketahui. Xn sampel random ukuran n dari distribusi Poisson(θ) maka ¯ buktikan bahwa X merupakan statistik tak bias UMV yang tunggal untuk parameter θ. Variabel random X berdistribusi Beta(α. . Pembahasan ¯ ¯ ¯ Karena X statistik cukup untuk θ dan lengkap serta E[X] = θ maka X merupakan statistik tak bias untuk θ.Dengan menggunakan Teorema 1 diperoleh g[T (x1 .

. Q(θ) = ln(1 − θ). Q(θ) = ln(θ). . . . . . Karena X berdistribusi Binomial Negatif maka fungsi probabilitas dari X adalah f (x. 3.Pembahasan 1. θ) dapat dinyatakan sebagai f (x. 1. 3. θ) = x! untuk x = 0. . 2. dan h(x) = 1 IA (x). 2. 2. sehingga f (x. . Karena X berdistribusi Gamma(α. 1. θ) = r+x−1 x θ r (1 − θ)x untuk x = 1. x! Akibatnya distribusi Poisson(θ) merupakan anggota keluarga eksponensial. Akibatnya distribusi Binomial Negatif x merupakan anggota keluarga eksponensial. T (x) = x dan r+x−1 h(x) = IA (x). β) dengan θ = α maka fungsi kepadatan probabilitas dari X adalah f (x. 2. sehingga f (x. θ) = θ r ex ln(1−θ) r+x−1 x IA (x) dengan A = {1. . 2. . T (x) = x. θ) = 1 xθ−1 e−x/β Γ(θ)β θ 11 .. Hal itu berarti bahwa c(θ) = e−θ . θ) dapat dinyatakan sebagai f (x. Karena X berdistribusi Poisson(θ) maka fungsi probabilitas dari X adalah e−θ θ x f (x.}. . .}. θ) = e−θ ex ln θ 1 IA (x) x! dengan A = {0. Hal itu berarti bahwa c(θ) = θ r .

θ) dapat dinyatakan sebagai f (θ) = Γ(θ + β) θ ln x −1 1 e x (1 − x)β−1 Γ(θ) Γ(β) Hal itu berarti bahwa c(θ) = Γ(θ+β) . θ) dapat dinyatakan sebagai 1 xα−1 f (x. θ Γ(α) Hal itu berarti c(θ) = 1 . Karena X berdistribusi Gamma(α. β) dengan β diketahui merupakan anggota keluarga eksponensial. θ) dapat dinyatakan sebagai f (x. Akibatnya distribusi Beta(α. θ) = atau f (x. θ) = e−x/θ . β) dengan β diketahui merupakan anggota keluarga eksponensial. Γ(α) Akibatnya distribusi Gamma(α. sehingga f (x. 5. Karena X berdistribusi Beta(α. β) dengan α diketahui merupakan anggota keluarga eksponensial. sehingga f (x. Akibatnya distribusi Gamma(α. θ) = 1 xα−1 e−x/θ α Γ(θ)θ untuk x > 0. 4.untuk x > 0. β) dengan θ = β maka fungsi kepadatan probabilitas dari X adalah f (x. θα Q(θ) = − 1 . Q(θ) = θ. dan Γ(θ) 1 h(x) = x−1 (1 − x)β−1 Γ(β) . T (x) = ln x. Q(θ) = θ. θ) = 1 e(θ−1) ln x e−x/β Γ(θ)β θ 1 eθ ln x x−1 e−x/β θ Γ(θ)β Hal itu berarti bahwa c(θ) =. dan h(x) = x−1 e−x/β . 12 . θ) = Γ(θ + β) θ−1 x (1 − x)β−1 Γ(θ)Γ(β) sehingga f (x. T (x) = ln x. β) dengan θ = α maka fungsi kepadatan probabilitas dari X adalah f (x. T (x) = x dan θ h(x) = xα−1 .

Pembahasan 1. 3. θ) merupakan fungsi kepadatan probabilitas. θ) anggota keluarga eksponensial. θ) dinyatakan dengan f (x. Akan ditunjukkan bahwa f (x. dan Γ(α) 1 h(x) = xα−1 (1 − x)−1 Γ(α) . Tunjukkan bahwa fungsi kepadatan probabilitas. θ) dapat dinyatakan sebagai f (x. θ) = Γ(α + θ) α−1 x (1 − x)θ−1 Γ(α)Γ(θ) sehingga f (x. β) dengan θ = β maka fungsi kepadatan probabilitas dari X adalah f (x. Karena X berdistribusi Beta(α. θ) merupakan fungsi kepadatan probabilitas yaitu dengan menunjukkan bahwa ∞ −∞ f (x. Soal 8 Misalkan variabel random saling bebas dengan fungsi kepadatan probabilitas f (x. 13 . Tentukan statistik cukup untuk θ. Q(θ) = θ. 1.6. θ) = 1 Γ(α + θ) θ ln(1−x) α−1 e x (1 − x)−1 Γ(θ) Γ(α) Hal itu berarti bahwa c(θ) = Γ(α+θ) . Apakah f (x. T (x) = ln(1 − x). θ)dx = 1 du dx Jika dimisalkan u = xγ /θ maka ∞ 0 = γxγ−1 θ ∞ 0 sehingga berakibat e−u du = 1 xγ−1 exp − xγ dx = θ Berarti f (x. Akibatnya distribusi Beta(α. 2. θ) = γ γ−1 xγ x exp − θ θ untuk 0 < x < ∞ dengan parameter θ > 0 dan γ diketahui. β) dengan α diketahui merupakan anggota keluarga eksponensial.

θ) dapat dinyatakan sebagai f (x. θ) = 1 x −1 exp θ1 ln x − x . β). Akan dibuktikan bahwa f (x. Akan ditentukan fungsi kepadatan probabilitas bersama dari X1 . Variabel random X berdistribusi Gamma(α. Variabel random X berdistribusi Beta(α. Q(θ) = − 1 . . θ) = atau f (x. θ) = 1 xγ γxγ−1 . T (x) = xγ . dan h(x) = γxγ−1 θ sehingga f (x. θ) γ γ−1 − xγ i xi e θ θ n n n = i=1 = γ θ xγ i i=1 i=1 x−1 e− θ i 1 Pn i=1 xγ i Dengan menggunakan Teorema Fatorisasi diperleh bahwa tik cukup untuk θ. Soal 9 Dalam setiap kasus. . identifikasi bahwa distribusi dari variabel random X merupakan anggota keluarga eksponensial dua parameter. exp − θ θ 1 Hal itu berarti C(θ) = θ . n i=1 xγ statisi 3. Misalkan θ = (θ1 . . θ) merupakan anggota keluarga eksponensial. θ) merupakan anggota keluarga eksponensial. . Pembahasan 1. θ1 θ2 Γ(θ1 )θ2 14 1 xθ1 − e−x/θ2 θ1 Γ(θ1 )θ2 . xn ) = i=1 n f (xi . . . . . Fungsi kepadatan probabilitas Gamma(α. 2.2. 1. θ2 ) dengan θ1 = α dan θ2 = β. Karena f (x. β) adalah f (x. Xn adalah n f (x1 . β).

Pembahasan Karena ada g(x) = x sehingga θ 1 θ untuk −θ ≤ x≤θ } E[g(X)] = −θ x 1 dx = 0 2θ Akibatnya keluarga F tidak lengkap. θ Γ(θ1 )θ21 T1 (x) = ln(x). 15 . Akibatnya distribusi Gamma(α. 2. θ) = Γ(θ1 + θ2 ) exp θ1 ln x + θ2 ln(1 − x) x−1 (1 − x)−1 . ∞). θ2 h(x) = x−1 . Γ(θ1 )Γ(θ2 ) h(x) = x−1 (1 − x)−1 . Misalkan θ = (θ1 . Soal 10 Buktikan bahwa keluarga F tidak lengkap dengan F = { f (x.Hal itu berarti C(θ) = 1 . Γ(θ1 + θ2 ) θ1 −1 x (1 − x)θ2 −1 Γ(θ1 )Γ(θ2 ) Hal itu berarti C(θ) = Akibatnya distribusi Beta(α. T2 (x) = ln(x). T2 (x) = ln(1 − x). Q2 (θ) = − 1 . θ) = untuk −θ ∈ (0. θ) = atau f (x. T1 (x) = ln x. Fungsi kepadatan proabbilitas Beta(α. Q2 (θ) = θ2 . Q1 (θ) = θ1 . θ2 ) dengan θ1 = α dan θ2 = β. β) merupakan anggota keluarga eksponensial dua parameter. β) merupakan anggota keluarga eksponensial dua parameter. Q1 (θ) = θ1 . Γ(θ1 )Γ(θ2 ) Γ(θ1 + θ2 ) . β) adalah f (x.

xi > 0. σ) = (a) Jika µ diketahui maka tentukan statistik cukup untuk σ. i n n 2 1 xi ) dan ( 1 xi . Variabel random X1 . Apakah statistik berikut ini ekuivalen ? (a) (b) (c) ( (d) ( n i=1 xi n i=1 xi n 1 xi . . . Tentukan statistik cukup untuk θ. n 1 xi . 3. . Xn saling bebas dan berdistribusi identik dengan fungsi kepadatan probabilitas f (θ) = exp[−(x − θ)] untuk x > 0 dan θ ∈ R.Chapter 2 Latihan Soal Statistik Cukup 1. f (x. σ). X2 . dan n i ln xi dengan dan n ln xi . X2 . Xn sampel random dari distribusi dengan fungsi kepadatan proabbilitas dinyatakan dengan (x − µ) 1 exp − σ σ jika x ≥ µ. . . n 1 (xi n 1 (xi − x)2 ) ¯ − x)3 ) ¯ 5. (c) Tentukan statistik cukup untuk (µ. . . µ. Jika F keluarga semua fungsi probabilitas Binomial Negatif maka tunjukkan bahwa F lengkap. 16 . n 3 n 1 xi ) dan ( 1 xi . (b) Jika σ diketahui maka tentukan statistik cukup untuk µ. −∞ < µ < ∞ dan σ > 0. Diketahui X1 . 2. Apakah distribusi geometrik merupakan anggota keluarga eksponensial satu parameter ? 4. .

1) maka tentukan estimator UMVU untuk parameter θ.Chapter 3 Pembahasan : Estimasi Titik Soal 1 Jika X1 . . . Statistik cukup untuk θ adalah Y = max{X1 . . . Xn sampel random dari distribusi Binom(1. . θ) dengan θ ∈ Ω = (0. Xn sampel random dari distribusi U (0. Tentukan estimator tak bias untuk mean dan variansi dari X yang hanya tergantung pada statistik cukup dari parameter θ. Pembahasan ¯ ¯ Karena X statistik cukup tak bias yang lengkap untuk θ maka X estimator UMVU untuk θ. Fungsi 17 . θ) dengan θ ∈ Ω = (0. . Pembahasan Karena X mempunyai distribusi U (0. . . . θ) maka E[X] = θ/2 dan Var(X) = θ 2 /12. . . ∞). Soal 2 Jika X1 . . X2 . X3 . Xn }. X2 . X2 .

12n Soal 3 Diketahui X1 . . . . n+2 Akibatnya estimator tak bias untuk θ 2 /12 adalah 2 n+2 max{X1 . Xn } . . . Akibatnya θ y n−1 dF =n n dy θ E[Y ] = 0 yn y n−1 n y n+1 dy = n θn θ n+1 θ 0 = θ 2 n θ. . . sehingga fungsi kepadatan probabilitas dari Y adalah f (y) = untuk 0 ≤ y ≤ θ. . . . . . berlaku sifat θ E(Y ) = 0 2 n y n+2 y n−1 y n n dy = n θ θ n+2 2 θ 0 = n 2 θ . X2 . X2 ≤ y. . 2n Demikian juga. . . X2 . . Xn sampel random saling bebas dari distribusi Gamma(α. . n+1 adalah Karena itu estimator tak bias untuk meannya yaitu n+1 max{X1 . . Xn ) = 1 nα 18 n Xi = i=1 ¯ X α . . Xn }. Tunjukkan bahwa estimator UMVU dari θ yaitu U (X1 . . . . Xn } ≤ y) = P (X1 ≤ y. . . Xn ≤ y) = = P (X ≤ y) n n FX (y) y = ( )n θ untuk 0 ≤ y ≤ θ. β) dengan α diketahui dan β tidak diketahui.distribusi dari Y adalah FY (y) = P (Y ≤ y) = P (max{X1 . X2 .

. . Karena X berdistribusi Gamma(α. θ) =− + 2 ∂θ θ θ 19 . α. ∞). X/α merupakan estimator UMVU untuk θ. Karena Xi berdistribusi Gamma(α. Karena V ar(Xi ) = αθ 2 maka ¯ Var(X/α) = 1 ¯ nVar(X n2 α 2 αθ 2 θ2 = = nα2 nα Untuk mendapatkan batas bawah Cramer-Rao. θ) maka logaritma natural dari fungsi kepadatan probabilitasnya adalah x ln f (x. . θ Dengan mendeferensialkan terhadap θ diperoleh α x ∂ ln f (x. θ) 1 α−1 −xi /θ x e θα i n n = i=1 = 1 Γ(α) xi i=1 α−1 1 1 exp − α θ θ n xi . θ) = 1 α−1 −xi /θ x e θα i untuk xi > 0 sehingga fungsi kepadatan probabilitas bersamanya adalah n f (x. Demikian juga dapat dibuktikan bahwa n Xi merupakan statistik yang lengkap uni=1 ¯ tuk θ sehingga dengan menggunakan Teorema . Pembahasan Misalkan θ = β dengan θ ∈ Ω = (0. x2 .dan variansinya mencapai batas bawah Cramer-Rao. . θ) = −α ln θ − ln Γ(α) + (α − 1) ln x − . terlebih dahulu dihitung informasi Fishernya. Karena E[Xi ] = αθ maka ¯ ¯ E[X/α] = θ sehingga X/α merupakan estimator tak bias untuk θ. θ) = i=1 n f (xi . i=1 Dengan menggunakan Teorema Faktorisasi Fisher-Neyman diperoleh bahwa n i=1 Xi merupakan statistik cukup untuk θ. xn . θ) maka f (x1 .

. . Pembahasan Karena X berdistribusi U (θ. . . θ) ∂θ 2 = −E − α 2X α 2αθ − 3 =− − 2 − 3 θ2 θ θ θ 2 = α . . . . X2 . . . . θ) =− 2 − 3 2 ∂θ θ θ sehingga −E ∂ 2 ln f (X. Tentukan estimator tak bias untuk θ. . Fungsi distribusi dari U adalah FU (u) = P (U ≤ u) = = = = = 1 − P (U > u) 1 − P (min{X1 . X3 . . Xn }.dan α 2x ∂ 2 ln f (x. θ) = 1 θ untuk 0 ≤ x ≤ 2θ sehingga fungsi distribusi dari X adalah FX (x) = x−θ θ untuk 0 ≤ x ≤ 2θ Misalkan statistik cukup untuk θ dinotasikan dengan U = min{X1 . 2θ) maka fungsi kepadatan probabilitasnya dari X adalah f (x. ∞). Xn > u) 1 − [P (X > u)]n 1 − [1 − P (X ≤ u]n u−θ n = 1 − [1 − ] θ 2θ − u n ] = 1 − [1 − θ 20 . Hal itu berarti bahwa variansi U mencapai batas bawah Cramer-Rao. Xn sampel random dari distribusi U (θ. . Soal 4 Diketahui X1 . θ2 θ Informasi Fishernya adalah I(θ) = nα = Var(U ). . . Xn } > u) 1 − P (X1 > u. 2θ) dengan θ ∈ Ω = (0. . X2 > u.

Harga harapan dari variabel random U adalah 2θ E[U ] = θ un (2θ − u)n−1 du. .sehingga fungsi kepadatan probabilitas dari U adalah dF/du yaitu fU (u) = n 2θ − u n−1 1 θ =n (2θ − u)n−1 θn untuk θ ≤ x ≤ 2θ. . . Xn } n+2 merupakan statistik tak bias untuk θ. Misalkan V = max{X1 . Fungsi distribusi dari variabel random V adalah FV (v) = (v − θ)n θn untuk θ ≤ v ≤ 2θ dan fungsi kepadatan probabilitas V adalah fV (v) = Akibatnya 2θ n(v − θ)n−1 θn untuk θ ≤ v ≤ 2θ. . . E[V ] = θ v n(v − θ)n−1 dv. Akibatnya untuk u = θ maka w = θ dan untuk u = 2θ maka w = 0. Xn }. . θn 21 . Diperoleh E[U ] = = = = = = Hal itu berarti (2θ − w)w n−1 (−dw) θn θ θ (2θ − w)w n−1 n dw θn 0 θ θ 2nθ nw n n n dw − n n dw θ θ 0 0 n+1 θ n θ w n w 2θ n − θ 0 n + 1 θn 0 n θ 2θ − n+1 n+2 θ n+1 n 0 n+1 min{X1 . . . θn Misalkan digunakan substitusi w = 2θ − u sehingga dw = −du.

. X2 . . Xn sampel random dari distribusi Poisson(θ) dengan θ ∈ Ω = (0. Pada sisi lain. Diperoleh θ E[V ] = 0 θ n(w + θ) = 0 = n θ+θ n+1 2n + 1 = θ. . θ) = e−θ θ x x! 22 . X2 . Xn } + max{X1 . . . Xn } 2n + 1 juga merupakan statistik tak bias untuk θ. Akibatnya untuk v = θ maka w = 0 dan untuk u = 2θ maka w = θ. ∞). . . Pada sisi lain dengan mengingat bahwa E[2U + V ] = 2E[U ] + E[V ] = maka n+1 2 min{X1 . . . karena X mempunyai distribusi Poisson(θ) maka fungsi probabilitasnya adalah f (x. X2 . Tentukan estimator UMVU untuk θ dan tentukan variansi serta batas bawah Cramer-Rao. . . . n+1 w n−1 dw θn θ wn wn dw + n n−1 dw θn θ 0 Hal itu berarti n+1 max{X1 . Pembahasan ¯ Dari Chapter 1 dapat dilihat bahwa X merupakan statistik cukup yang lengkap sehingga dengan menggunakan Teorema Lehman-Scheffe diperoleh ¯ bahwa X estimator UMVU dengan variansi θ/n. Soal 5 Diketahui X1 . . . .Misalkan digunakan substitusi w = v − θ sehingga dw = dv. Xn } 4n + 5 2n + 4 2n + 1 4n + 5 θ+ θ= θ n+1 n+1 n+1 estimator tak bias untuk θ. X2 . .

n sehingga fungsi likelihoodnya adalah n L(θ|x1 . . . . Pembahasan Karena Xi berdistribusi Binom(1. θ Oleh karena itu batas bawah Cramer-Rao yaitu θ/n sama dengan variansi ¯ dari X. . sehingga logaritma natural dari f (x. . θ θ Soal 6 Diketahui X1 . θ) E ∂θ 2 2 =1− 2x x2 + 2. θ) = −1 + ∂θ θ sehingga ∂ f (x. Tentukan MLE untuk θ. θ) maka fungsi probabilitasnya adalah f (xi . 1. . . . X2 . θ) = −θ + x ln θ − ln(x!). θ) dengan θ ∈ Ω = (0. ∂ f (x. Dengan mendeferensialkan terhadap θ diperoleh ∂ x f (x. . 2. θ) adalah f (x. . . x2 . . xn ) = i=1 n f (xi . . .. . θ) ∂θ Akibatnya 2E[X] E[X]2 + = 1− θ θ2 2θ V (x) + (E[X])2 + = 1− θ θ2 2 2θ θ + θ + = 1− θ θ2 1 = . Xn sampel random dari distribusi Binom(1. θ) = θ xi (1 − θ)n−xi dengan xi = 0.untuk x = 0. . 2. θ) θ xi (1 − θ)n−xi xi = = θ 23 i=1 Pn i=1 (1 − θ)n− Pn i=1 xi . 1. 1).

Logaritma dari fungsi likelihoodnya adalah n n l(θ) = (ln θ) i=1 xi − ln(1 − θ) i=1 +n ln(1 − θ). Tentukan MLE untuk θ. Soal 7 Diketahui X1 . θ) = θe−θx dengan θ ∈ Ω = R. x2 . L(θ|x1 . . xn ) = i=1 n f (xi . . . . . θ) θe−θxi i=1 P n −θ n xi i=1 = = θ e 24 . . X2 . . Pembahasan Fungsi likelihoodnya adalah n n i=1 xi n i=1 n i=1 xi n ¯ = X. Dengan mendeferensialkan terhadap θ diperoleh dl = dθ n i=1 xi θ + xi n − . 1−θ 1−θ n i=1 Akibatnya θ yang memaksimumkan fungsi likelihoodnya akan sama dengan dl akar dari persamaan dθ = 0 yaitu xi n − = 0 θ 1−θ 1−θ n n n n i=1 xi − θ i=1 xi + θ i=1 xi = θ(1 − θ) 1−θ + θ = ˆ ¯ Hal itu berarti MLE untuk θ adalah θ = X. . Xn sampel random dari distribusi eksponensial yaitu dengan fungsi kepadatan probabilitas f (x.

Tentukan MLE untuk θ. σ 2 ) dengan µ dan σ 2 tidak diketahui. . σ 2 ) maka fungsi kepadatan probabilitasnya adalah f (x. i=1 Akibatnya θ yang memaksimumkan fungsi likelihoodnya akan sama dengan akar dari persamaan dl = 0 dθ xi = 0 i=1 n − θ n n = θ θ = n xi i=1 n xi n i=1 . σ) = √ 1 2πσ 2 exp − (x − µ)2 2σ 2 25 . Soal 8 Diketahui X1 . Xn sampel random dari distribusi N (µ. ˆ ¯ Hal itu berarti MLE untuk θ adalah θ = 1/X. X2 . . . . Pembahasan Karena X berdistribusi N (µ. µ.sehingga logaritma natural dari fungsi likelihoodnya adalah n l(θ) = n ln θ − θ xi i=1 Dengan mendeferensialkan terhadap θ diperoleh dl n = − dθ θ n xi .

. θ) √ 1 2πσ 2 exp − exp − exp − (xi − µ)2 2σ 2 n i=1 (xi − 2σ 2 n i=1 xi 2σ 2 = i=1 = = √ √ 1 2πσ 2 1 2πσ 2 n µ)2 2µ n i=1 2σ 2 n + xi − nµ2 2σ 2 dengan θ = (µ. xn ) = i=1 n f (xi . Akibatnya logaritma natural dari fungsi likelihoodnya adalah n l(θ = ln f (x. σ 2 ). x2 . θ2 ) = 1 x − θ1 exp − θ2 θ2 26 untuk x > θ1 2 n i=1 (xi − 2σ 4 µ)2 . Xn sampel random dari distribusi dengan fungsi kepadatan probabilitasnya adalah f (x. σ 2 ) = − ln(2πσ 2 ) − 2 n i=1 σ2 n 2 i=1 xi 2σ 2 + 2µ n i=1 2σ 2 x2 i − nµ2 . x1 .sehingga fungsi likelihoodnya adalah n L(θ. σ 2 ) masing-masing adalah ¯ µ = X ˆ n = 2σ 2 atau σ Soal 9 Diketahui X1 . µ. . . . . θ1 . σ2 2σ Diperoleh MLE untuk (µ. X2 . = n i=1 (Xi n − µ)2 . . . . . 2σ 2 MLE diperoleh dengan menyelesaikan sistem persamaan berikut : ∂l = ∂µ xi − 2nµ 2σ 2 n i=1 xi 2σ 4 ∂l n = − 2+ 2 ∂σ 2σ − µ nµ4 + 4.

x1 . . Xn } dan MLE untuk θ2 diperoleh dengan menyelesaikan persamaan berikut : ∂l n =− + 2 ∂θ2 θ2 Diperoleh n i=1 2 θ2 n i=1 xi θ2 + nθ1 = 0. . . . X2 . Xn sampel random dari distribusi U (−θ. Xn } > θ1 . . . X2 . . X2 . x2 . θ) 1 xi − θ 1 exp − θ2 θ2 n = i=1 = 1 θ2 exp − n i=1 (xi θ2 − θ 1 )2 untuk min{X1 . . . Fungsi likelihood mencapai maksimum ˆ bila θ1 = min{X1 . . . Xn } > θ1 . θ1 . Pembahasan Karena momen pertama dari X yaitu E(X) = 0 maka digunakan momen 27 . Tentukan estimator momen untuk θ. θ2 ) = −n ln(θ2 ) − n i=1 xi θ2 −n θ1 θ2 untuk min{X1 . Pembahasan Fungsi likelihoodnya adalah n L(θ. . . . xn ) = i=1 n f (xi . . Xn }. . X2 . θ2 xi = n(θ2 − θ1 ) 2 θ2 ˆ ¯ atau θ2 = X + min{X1 . . θ) dengan θ ∈ Ω = (0. . . . X2 . Soal 10 Diketahui X1 . Akibatnya logaritma natural dari fungsi likelihoodnya adalah l(θ) = ln f (x.Tentukan MLE untuk θ1 dan θ2 . . . . ∞). .

. Xn sampel random dari distribusi N (θ. θ) maka fungsi kepadatan probabilitasnya adalah f (x. θ) dengan θ ∈ Ω = (0. . Tentukan MLE untuk θ. Akibatnya estimator momen untuk θ merupakan penyelesaian dari θ2 = 3 ¯ 3X. . ∞). X3 . . xn ) = i=1 n f (xi . X2 . n i=1 x2 i ˆ yaitu θ = Soal 11 √ n Diketahui X1 . x2 . . θ) √ 1 (xi − θ)2 exp − 2θ 2πθ n/2 = i=1 = 1 √ 2πθ exp − n i=1 (xi 2θ n i=1 (xi n i=1 − θ)2 . Akibatnya logaritma natural dari fungsi likelihoodnya adalah n l(θ) = ln L(θ|x1 . θ) = √ 1 (x − θ)2 exp − 2θ 2πθ n sehingga fungsi likelihoodnya adalah L(θ|x1 . 2 MLE untuk θ diperoleh dengan menyelesaikan persamaan berikut : ∂l n =− + ∂θ 2θ atau nθ 2 + nθ − n 2 i=1 xi 2θ 2 n − n =0 2 x2 = 0. Pembahasan Karena X berdistribusi N (θ. xn ) = − ln(2πθ) − 2 n = − ln(2πθ) − 2 2θ x2 i − θ)2 n 2θ + i=1 x2 − i nθ . . . x2 . . . .kedua dari X yaitu E[X 2 ] = θ 2 /3. i i=1 28 . . .

X2 . . Es2 12 ¯ timator momen untuk θ merupakan penyelesaian dari persamaan E[X1 ] = X yaitu θ+ b−a ¯ =X 2 2 −n + n2 + 4n 2n 4 n i=1 x2 i −1 + 1+ 2n i=1 x2 i 1 2 1+ 4 n i=1 x2 . θ + b) dengan θ ∈ Ω = R. .Persamaan tersebut merupakan persamaan kuadrat dalam θ dan dengan menggunakan rumus ABC diperoleh akar-akarnya yaitu θ= dan θ= −n − n2 + 4n 2n i=1 −n + n2 + 4n 2n i=1 x2 i x2 i . θ=X+ 2 Variansi untuk estimator momen tersebut adalah 2 ˆ ¯ b − a ) = V (X) = V (X1 ) = (b − a) . i sehingga estimator momen untuk θ adalah ˆ ¯ b − a. Karena parameter θ juga merupakan variansi dari Xi maka haruslah positif sehingga yang memenuhi adalah θ= atau θ= ˆ atau θ = Soal 12 Diketahui X1 . θ + b) maka E[X1 ] = θ + b−a dan Var(X) = (b−a) . Xn sampel random dari distribusi U (θ − a. . Pembahasan Karena X1 ∼ U (θ − a. . Tentukan estimator momen untuk θ dan variansinya. ¯ V (θ) = V (X + 2 n 12n 29 .

X2 . .Soal 13 Diketahui X1 . Diperoleh ¯ ¯ αβ 2 + (αβ)2 = X 2 − (X)2 ¯ ¯ αββ = X 2 − (X)2 = S 2 2 ¯ Xβ = S . . . Xn sampel random dari distribusi Beta(α. Xn sampel random dari distribusi Gamma(α. ˆ ¯ Akibatnya estimator momen untuk β adalah β = S 2 /X dengan 1 S = n 2 n i=1 ¯ (Xi − X)2 ¯ dan estimator momen untuk α adalah α = (X)2 /S 2 . β). . Pembahasan Karena X1 berdistribusi Gamma(α. Pembahasan 30 . X2 . . Tentukan estimator momen untuk α dan β. . ˆ Soal 14 Diketahui X1 . β) maka E[X1 ] = αβ dan V (X1 ) = αβ 2 sehingga estimator momen tersebut merupakan penyelesaian dari sistem persamaan ¯ E[X1 ] = X 2 E[X1 ] n 1 ¯ = X2 = n Xi2 i=1 yaitu ¯ αβ = X ¯ αβ 2 + (αβ)2 = X 2 . . Tentukan estimator momen untuk α dan β. β). .

α + β (α + β)(α + β + 1) α + β ¯ ¯ ¯ ¯ ¯ ¯ Diperoleh αX + β X = α atau α(1 − X) = β X atau α = β X/(1 − X). +1 + 31 . β) maka E[X1 ] = V (X1 ) = sehingga αβ (α + β)2 (α α α+β dan + β + 1) 2 E(X1 ) = V (X1 ) + (E(X1 ))2 αβ α2 = + (α + β)2 (α + β + 1) (α + β)2 α α β + = α + β (α + β)(α + β + 1) α + β Estimator momen tersebut merupakan penyelesaian dari sistem persamaan ¯ E(X1 ) = X 2 E(X1 ) n 1 ¯ = X2 = n Xi2 i=1 yaitu α ¯ = X α+β α α β ¯ + = X 2.Karena X1 berdistribusi Beta(α. Akibatnya ¯ ¯ X2 = X ¯ = X ¯ = X β ¯ X β 1−X ¯ ¯ X β 1−X ¯ ¯ +X +β+1 ¯ +X +β β ¯ X ¯ 1−X +1 ¯ X β 1−X ¯ +β+1 ¯ β 1−X ¯ 1−X 1 ¯ ¯ X+1−X ¯ 1−X ¯ X β 1−X ¯ ¯ + (X)2 .

. Xn sampel random dari distribusi Binom(4. Distribusi posterior dari θ bila diberikan X yaitu π(θ|x) adalah π(θ|x) = f (x|θ)π(θ) 32 . Misalkan prior untuk θ adalah π(θ) = 1 θ 5 (1 − θ)6 B(6. 3. . 5. 7) untuk 0 < θ < 1. B(6. β+1−X = X S2 Hal itu berarti estimator momen untuk β adalah ¯ 2 ˆ ¯ (1 − X) − 1 + X ¯ β=X S2 ¯ ˆ X¯ sehingga estimator momen untuk α adalah α = β 1−X . 12. ˆ Soal 15 Diketahui X1 . Tentukan estimator Bayes untuk θ bila priornya adalah π(θ) = 1 θ 5 (1 − θ)6 . 1). 7) Pembahasan Fungsi probabilitas dari X adalah f (x. X2 . . 7) untuk x = 0.Diperoleh ¯ ¯ ¯ X2 − X2 = X ¯ S2 = X ¯ 1−X + β ¯ 1−X ¯ 1−X ¯ 1−X ¯ (1 − X)2 ¯ (β + 1 − X) ¯ 2 ¯ ¯ (1 − X) . 4. θ) = 1 θ x (1 − θ)4−x B(6. . θ) dengan θ ∈ (0.

X2 .sebanding dengan θ x (1 − θ)4−x θ 5 (1 − θ)6 = θ x+5 (1 − θ)10−x = θ x+6−1 (1 − θ)11−x−1 Dengan melihat bentuk tersebut maka distribusi posterior dari θ diberikan X yaitu π(θ|x) adalah distribusi Beta(6 + x. 1). . θ) dengan θ ∈ (0. x + 6 + 11 − x 17 Soal 16 Diketahui X1 . . 3. 1. 2. . 5 − x) sehingga penaksir Bayes untuk θ merupakan mean dari distribusi posterior yaitu ˆ θ = E[θ|x] = x+1 x+1 = . 4. Pembahasan Fungsi probabilitas dari X adalah f (x|θ) = 4 x θ x (1 − θ)4−x untuk x = 0. 11 − x) sehingga penaksir Bayes untuk θ merupakan mean dari distribusi posterir yaitu ˆ θ = E[θ|x] = x+6 x+6 = . Tentukan estimator Bayes untuk θ bila priornya adalah π(θ) = 1 untuk 0 < θ < 1. Distribusi posterior dari θ bila diberikan X yaitu π(θ|x) adalah π(θ|x) = f (x|θ)π(θ) sebanding dengan θ x (1 − θ)4−x (1) = θ x+1−1 (1 − θ)5−x−1 Dengan melihat bentuk tersebut maka distribusi posterior dari θ bila diberikan X yaitu π(θ|x) adalah distribusi Beta(1 + x. Xn sampel random dari distribusi Binom(4. . x+1+5−x 6 33 .

Soal 17 Diketahui X1 . . X2 . θ) = √ e− 2 (xi −θ) 2π 34 . Tentukan estimator Bayes untuk parameter θ. . Soal 18 Diketahui X1 . X2 . . . . Xn variabel random saling bebas dengan fungsi kepadatan probabilitas 1 1 2 f (xi . . Xn adalah π(θ|x1 . . Bila distribusi prior dari θ adalah π(θ) = 1 θ r−1 e−θ/λ r Γ(r)λ untuk θ > 0. x2 . . . . X2 . Pembahasan Distribusi posterior dari θ bila diberikan sampel random X1 . f (xn |θ)π(θ) atau sebanding dengan n n θ n i=1 xi θ xi i=1 −1 er−1 e−θ/λ = θ n+r−1 e−θ[(1/λ)−ln = θ n+r−1 e−θ[(1/λ)− Qn i=1 i=1 xi ] Pn ln xi ] Berarti distribusi posteriornya Gamma n+r. . Xn variabel random saling bebas dengan fungsi kepadatan probabilitas f (x. . . 1−λ Pλ ln xi . . . . xn ) = f (x1 |θ)f (x2 |θ) . . θ) = θxθ−1 dengan θ > 0. Akibatnya mean n i=1 dari distribusi posterior yaitu ˆ θ= (n + r)λ 1 − λ n ln xi i=1 merupakan penaksir Bayes untuk θ. .

n+1 n+1 Hal itu berarti distribusi posteriornya merupakan distribusi N Akibatnya mean dari distribusi posterior yaitu Bayes untuk θ. . . . Pn 1 i=1 xi . Xn adalah π(θ|x1 . Pembahasan Distribusi posterior dari θ bila diberikan sampel random X1 . X2 . θ) = √ e− 2 (xi −θ) 2π dengan θ > 0. Pn i=1 xi n+1 . . . Xn variabel random saling bebas dengan fungsi kepadatan probabilitas 1 1 2 f (xi . . merupakan penaksir Soal 19 Diketahui X1 . . . xn ) = f (x1 |θ)f (x2 |θ) . Tentukan estimator Bayes untuk parameter θ. x2 . f (xn |θ)π(θ) atau sebanding dengan 1 − 2θ exp − 2 n xi + (n + 1)θ i=1 2 2θ 1 = exp − (n + 1) θ 2 − 2 n+1 n xi i=1 atau sebanding dengan 2θ 1 exp − (n + 1) θ − 2 n+1 n xi i=1 2 . Bila distribusi prior dari θ adalah 1 1 2 π(θ) = √ e− 2 (θ−µ0 ) 2π Tentukan estimator Bayes untuk parameter θ. Bila distribusi prior dari θ adalah 1 2 π(θ) = √ e−θ /2 2π untuk θ > 0. . . . . . 35 .dengan θ > 0. . X2 .

Xn adalah π(θ|x1 . . . . .Pembahasan Distribusi posterior dari θ bila diberikan sampel random X1 . . µ0 + i=1 xi n+1 Pn . . . f (xn |θ)π(θ) atau sebanding dengan 1 exp − − 2θ 2 atau sebanding dengan 2θ 1 µ0 + exp − (n + 1) θ 2 − 2 n+1 n n i=1 xi + (n + 1)θ 2 − 2µ0 θ xi i=1 P µ 0 + n xi 1 i=1 . . Ak- merupakan estimator 36 . n+1 n+1 Berarti distribusi posteriornya merupakan distribusi N ibatnya mean dari distribusi posterior yaitu Bayes untuk θ. . x2 . . X2 . xn ) = f (x1 |θ)f (x2 |θ) .

. X2 . Tentukan estimator tak bias untuk mean yaitu (θ1 + θ2 )/2 dan range yaitu θ2 − θ1 yang hanya tergantung pada statistik cukup untuk (θ1 . . θ) dengan θ ∈ Ω = (0. θ) = e− θ θ 37 . 5. ∞) maka tentukan estimator UMVU untuk parameter θ. Xn sampel random dari distribusi yang mempunyai fungsi kepadatan probabilitas : 1 x f (x.Chapter 4 Latihan Soal Estimasi Titik 1. X2 . 3. . X3 . Diketahui X1 . . Tentukan estimator tak bias untuk mean dan variansi dari X yang hanya tergantung pada statistik cukup dari parameter θ. . . 1 (X(1) 2 + X(n) ) bahwa merupakan 4. . Jika X1 . Xn sampel random saling bebas dari distribusi dobel eksponensial yaitu dengan fungsi kepadatan probabilitas 1 f (x. Diketahui X1 . . . 2. . X2 . . θ) = e− θ θ untuk x > 0 dengan θ ∈ Ω = (0. . ∞). Jika X1 . X2 . . Jika X1 . Tunjukkan estimator tak bias untuk θ. θ2 ) dengan θ1 < θ2 . θ) = e−|x−θ| 2 dengan θ ∈ Ω = R. . Xn sampel random dari distribusi yang mempunyai fungsi kepadatan probabilitas : 1 x f (x. Xn sampel random saling bebas dari distribusi U (θ1 . X2 . . . θ2 ). Xn sampel random dari distribusi U (0. . . . .

. . Misalkan X adalah pengamatan tunggal dari N (0. manakah salah satu dari estimator untuk µ yang anda pilih ¯ yaitu X1 ataukah X ? Jelaskan jawaban anda ! 9. . Tentukan MLE untuk θ. X2 . Xn menotasikan sampel random dari suatu distribusi yaitu N (θ. X2 . θ > 0 dan γ > 0 dengan γ diketahui. Misalkan X1 . Diketahui X1 dan X2 variabel random saling bebas dan mempunyai fungsi kepadatan probabilitas 2 f (x. 6. ∞) maka tentukan estimator MLE untuk parameter θ. .1} (x) 1 dengan 0 < θ < 1.untuk x > 0 dengan θ ∈ Ω = (0. θ) dengan θ = σ 2 . . 7. 10. 8. . Misalkan X pengamatan tunggal dari distribusi Bernoulli f (x. Xn sampel random dari distribusi Cauchy dengan σ = 1 dan µ tidak diketahui. Diketahui X1 . 12. ∞). . . Misalkan T1 (X) = X dan T2 (X0 = 2 . Tentukan estimator terbaik untuk θ 2 . θ). 11. . . θ) = (θ − x) θ untuk 0 < x < θ dan θ ∈ Ω = (0. θ) = γ − xγ e θ θ untuk x > 0. Xn variabel random saling bebas dan berdistribusi identik mempunyai fungsi kepadatan probabilitas : f (x. Tentukan estimator momen untuk parameter θ. Diketahui X1 . . X2 . Statistik Y = n Xi2 merupakan statistik cukup untuk θ. (a) Apakah T1 (x) dan T2 (x) tak bias ? (b) Bandingkan MSE (mean squared error ) dari T1 (x) dengan T2 (X). (a) Apakah X statistik cukup untuk θ ? 38 . Tentukan estii=1 mator terbaik untuk θ 2 . . Diketahui adalah sampel random dari suatu distribusi N (0. Misalkan diinginkan untuk mengestimasi µ. 1). θ) = θ x (1 − θ)1−x I{0.

Xn } statistik cukup untuk θ ? 14. . . . . θ) = θxθ−1 I(0. Xn sampel random dari fungsi kepadatan probabilitas f (x. Xn } lengkap ? (c) Adakah estimator UMVU untuk θ ? Jika ada. X2 . . 16. . (a) Tentukan estimator MLE untuk µ = θ/(1 + θ). tentukan estimator itu. Xn } statistik cukup untuk θ ? Apakah max{X1 .θ) (x) dengan θ > 0. Diketahui X1 . . (a) Tentukan estimator MLE untuk θ. . . .1) (x) dengan θ > 0. . X2 . θ) = θx−2 I[θ. 39 . X2 . θ) = θ(1 + x)(1+θ) I(0. . X2 . Xn sampel random dari fungsi kepadatan probabilitas f (x. X2 . . Diketahui X1 . .θ) (x) dengan θ > 0. . . .(b) Apakah |X| statistik cukup untuk θ ? (c) Apakah X 2 estimator tak bias dari θ ? √ (d) Apakah MLE untuk θ ? 13. . . (b) Apakah max{X1 . (b) Tentukan estimator UMVU untuk 1/θ dan µ ? 15. X2 . . . (a) Tentukan estimator MLE untuk θ. . .∞) (x) dengan θ > 0. θ) = 2x/θ 2 I(0. . . (b) Apakah min{X1 . Xn sampel random dari fungsi kepadatan probabilitas f (x. Xn sampel random dari fungsi kepadatan probabilitas f (x. Diketahui X1 . Diketahui X1 . . X2 . . .

. Apa distribusi posterior dari θ ? Tentukan estimator Bayes dari θ dengan prior yang diberikan dengan menggunakan fungsi kerugian kuadrat.θ) (x) dengan θ > 0. Xn sampel random dari distribusi dengan fungsi kepadatan probabilitas f (x. tentukan estimator Bayes untuk θ. Anggap bahwa distribusi prior dari θ adalah Gamma(r. (d) Tentukan batas bawah Cramer-Rao untuk estimator tak bias dari θ. .(a) Estimasi θ dengan metode momen dengan menganggap θ > 1. 17. θ) = θxθ−1 I(0. Xn sampel random dari fungsi kepadatan probabilitas f (x. . (b) Tentukan estimator MLE untuk 1/θ. Anggap bahwa θ mempunyai distribusi prior seragam atas interval (0. .1) (x) dengan θ > 0. (b) Tentukan MLE dari θ. (e) Tentukan estimator UMVU untuk 1/θ jika ada. 18. . Jika X pengamatan tunggal dengan fungsi kepadatan probabilitas f (x. (f) Tentukan estimator UMVU untuk θ jika ada. 19. 40 . Diketahui X1 . .1). (a) Tentukan metode momen dari θ. Dengan loss function θ 2 (1 − θ)2 . . λ) dengan r dan λ diketahui. θ) = e−(x−θ) exp[−e(x−θ) ] dengan −∞ < θ < ∞. . (e) Adakah suatu fungsi dari estimator tak bias untuk θ yang variansinya bersesuaian dengan batas bawah Cramer-Rao ? Jika ada tentukan. (c) Tentukan statistik cukup yang lengkap untuk θ. Diketahui X1 . θ) = 2x/θ 2 I(0. X2 . (c) Apakah statistik cukup dan lengkap untuk θ jika ada ? (d) Tentukan batas bawah Cramer-rao untuk estimator tak bias untuk 1/θ. X2 .

. 05 P( 3/4 3/4 4c0 P (Z > ) = 0. . X2 . 9) maka X berdistribusi N (0. Variabel random ¯ X1 . . Xn variabel random saling bebas. 05 digunakan uji MP berikut : φ(x) = ¯ 1 jika X > c0 0 untuk yang lain ¯ dengan c0 ditentukan oleh E[φ(x)] = P (X > c0 ) = 0. Xn saling bebas dan berdistribusi N (0. 05.Chapter 5 Pembahasan : Uji Hipotesis Soal 1 Diketahui X1 . 9) melawan alternatif N (1. 9/16) sehingga ¯ P (X > c0 ) = 0. Pembahasan Untuk menguji hipotesis H : θ = 0 melawan alternatif A : θ = 1 pada tingkat α = 0. . . . 05. 05. . X2 . Konstruksikan uji MP untuk menguji bahwa distribusi bersama dari X adalah N (0. 3 41 . . 05 ¯ c0 − 0 X −0 > ) = 0. 9) dengan tingkat keberartian α = 0. Tentukan juga kuasa dari uji tersebut.

Pembahasan Untuk menguji hipotesis H : µ = 1800 melawan alternatif A : µ < 1800 pada tingkat keberartian α = 0. 23. . Kuasa ujinya adalah ¯ 1. X2 . . . Xn variabel random saling ¯ bebas dan masing-masing berdistribusi X serta dianggap bahwa X = 1730 jam. Hal itu berarti bila θ = 1 maka probabilitas menolak hipotesisnya adalah 0. . Ujilah hipotesis H : µ = 1800 melawan alternatif A : µ < 1800 pada tingkat keberartian α = 0. β) dengan α = 10 dan β tidak diketahui. 33) = 1450. Variabel random X1 . 23) = P ( 3/4 3/4 = P (Z > 0. 01 maka P ( 150 < 150 ) = 0. Soal 2 Panjang hidup X bola lampu 50 watt merek tertentu dianggap mempunyai distribusi normal dengan mean µ tidak diketahui sedangkan simpangan baku σ = 150 jam. 5. . . 1502 ). 01 atau P (Z < c − 1800 ) = 0. 5685. 01.Berdasarkan tabel distribusi normal baku diperoleh sehingga c0 = 1. Soal 3 Diketahui X1 . 1725) = 0. 01 dan X ∼ N (1800. 150 c−1800 150 Berdasarkan tabel distribusi normal diperoleh = −2.5685. ¯ X−1800 c−1800 ¯ Karena P (X < c) = 0. . 01 digunakan uji MP : φ(x) = ¯ 1 jika X < c ¯ 0 jika X ≥ c ¯ ¯ dengan c ditentukan sehingga P (X < c) = 0. 33 atau c = 1800 + (150)(−2. 01. X30 variabel random saling bebas dari distribusi Gamma(α. 23 − 1 X−1 ¯ > ) P (X > 1. Konstruksikan uji MP dari hipotesis 42 . .

θ1 ) adalah θ0 1 1 ln R(x.. θ0 . Oleh karena itu R(x. θ0 . . . θ1 ) = 10n ln − − θ1 θ1 θ0 dengan θ0 < θ1 . θ1 ) f (x1 . f (xn . θ1 ) . Karena θ0 < θ1 maka 1 θ0 n xi i=1 1 θ1 < 1 θ1 sehingga atau − θ11 − θ10 > 0. . θ0 .. θ0 ) x10−1 exp[− θ 1 ] 1 x 10 Γ(10)θ1 1 = . θ1 ) > ln c atau 10n ln θ0 1 1 − − θ1 θ1 θ0 − 1 1 − θ1 θ0 n − 1 θ1 < 0 xi > ln c i=1 n i=1 n xi > ln c − 10n ln xi > c 0 θ0 θ1 i=1 dengan c0 = ln c − 10n ln − 1 θ1 θ0 θ1 − 1 θ0 .. θ0 ) . θ0 . f (xn . . θ0 .H : β = 2 melawan alternatif A : β = 3 pada tingkat keberartian α = 0. θ1 ) = f (x1 . x10−1 exp[− xn ] n θ 10 Γ(10)θ1 1 x10−1 exp[− θ 1 ] 1 10 Γ(10)θ0 0 x x10−1 exp[− xn ] n θ 10 Γ(10)θ0 0 = θ0 θ1 10n 1 1 exp − − θ1 θ0 n xi .. 05. θ1 ) > c ekuivalen dengan ln R(x. . Pembahasan Untuk mengkonstruksikan uji MP terlebih dahulu dihitung : R(x. Hal itu berarti uji MP dinyatakan dengan φ(x) = 1 jika 0 jika 43 n i=1 n i=1 xi > c 0 xi ≤ c 0 . i=1 Logaritma natural dari R(x.

44 . 09) = 1 dengan n i=1 Xi ∼ Gamma(300. 05. Akibatnya c0 = 658. Kuasa ujinya adalah n P( i=1 Xi > 658. n Bila θ0 = 2 dan θ1 = 3 maka i=1 Xi ∼ Gamma(300. 09.dengan c0 ditentukan sehingga n E[φ(x)] = P ( i=1 xi > c0 ) = α. 2) sehingga n P ( i=1 Xi > c) = 0. 3).

Chapter 6 Latihan Soal Uji Hipotesis 1. 25 dan α = 0. θ0 = 0. 0. 2. 5. . X2 . Pernyataannya adalah mata uangnya bias. 0. (b) X adalah variabel random yang mempunyai harapan sama dengan 5. Xn berdistribusi N (0. Tentukan uji UMP untuk pengujian hipotesis H : θ ≥ θ0 melawan alternatif A : θ < θ0 pada tingkat keberartian α. . 0875. misalkan X varaibel random yang mempunyai nilai 1 jika muka yang tampak dan 0 jika belakang yang tampak. 1). X2 . (c) Ketika melakukan pelemparan sebuah mata uang logam. 375. . (a) Tentukan uji UMP untuk pengujian hipotesis H : θ ≤ θ0 melawan alternatif A : θ > θ0 pada tingkat keberartian α. . 05 ? (c) Hitunglah kuasa uji pada θ1 = 0. (b) Bagaimana uji tersebut bila n = 10. θ) dengan θ ∈ Ω = (0. . Dalam contoh berikut ini. . Diketahui variabel random X1 . . θ) = θ e−x/θ untuk x > 0 dengan θ ∈ Ω. Xn variabel random saling bebas yang mempun1 yai fungsi kepadatan probabilitas f (x. 4. σ 2 ). tunjukkan mana pernyataan yang merupakan hipotesis sederhana dan yang mana yang merupakan hipotesis komposit : (a) X variabel random yang mempunyai fungsi kepadatan probabilitas f dengan f (x) = 2e−2x untuk x > 0. Diketahui X variabel random berdistribusi Binom(n. 3. Diketahui X1 . Tentukan uji hipotesis H : σ ≤ 2 melawan alternatif A : σ > 2 pada 45 . 625 dan 0. .

05. y2 = 8. x2 = 8. 46 . σ 2 ) maka tentukan uji LR dan uji berdasarkan pada −2 ln λ untuk pengujian hipotesis H : σ = σ0 . 05. y3 = 12. θ). (a) Uji hipotesis pada tingkat keberartian α dengan mengunakan statistik LR dan tentukan distribusinya. 4 dan Yi . 2. 4 sampel random saling 2 2 bebas dan masing-masing dari distribusi N (µ1 . 5. 3. X2 . σ1 ) dan N (µ2 . untuk yang pertama jika µ diketahui dan untuk yang kedua jika µ tidak diketahui. σ 2 ). 25. Diketahui Xi . x4 = 11. σ0 = 2. 2. Tentukan uji UMP untuk pengujian hipotesis H : σ = σ0 melawan alternatif A : σ = σ0 pada tingkat keberartian α.tingkat keberartian α = 0. Misalkan X1 . α = 0. X3 variabel random saling bebas dan berdistribusi Binom(1. (b) Bandingkan uji LR dengan uji UMPU untuk pengujian H melawan A : p = 0. 1. i = 1. Jika adalah variabel random saling bebas dan berdistribusi N (µ. 8. Jika diketahui bahwa σ1 = 4 dan σ2 = 3 dan data observasi dari X dan Y adalah sebagai berikut : x1 = 10. 3. σ2 ). Diketahui varaibel random yang saling bebas dan berdistribusi N (µ. y4 = 10. Tentukan uji tersebut bila n = 25. 3 Uji hipotesis bahwa perbedaan dua mean tidak lebih dari 1 pada tingkat keberartian α = 0. 05. 6. x3 = 14. 4. 3. 7. Apa kesimpulan yang diperoleh jika n 2 i=1 xi = 120. 7. i = 1. y1 = 9. 2. 1.

Chapter 7 Pembahasan : Estimasi Interval Soal 1 Misalkan Φ fungsi distribusi N (0. Xn variabel random saling bebas berdistribusi N (µ. b dengan a < b sehingga Φ(b) − Φ(a) = γ dengan 0 < γ < 1. Pembahasan Misalkan Φ(b) − Φ(a) = γ maka dengan mendefrensialkan kedua ruas terhadap a diperoleh db ϕ(b) − ϕ(a) = 0 da dengan ϕ adalah fungsi kepadatan probabilitas normal baku. . Akibatnya diperoleh db = ϕ(a)/ϕ(b) = 0 da Misalkan L = b − a yaitu panjang interval kepercayaan. σ 2 ) dengan µ diketahui. Akibatnya ϕ(a)/ϕ(b) = 1 atau ϕ(a) = ϕ(b). Tentukan interval kepercayaan untuk σ dengan koefisien 47 . . X2 . 1) dan a. Tunjukkan bahwa b − a minimum jika b = c dan a = −c dengan c > 0. Karena b > a maka dipilih b = c dengan c > 0 sehingga a = −c. Hal itu berarti bahwa a = b atau a = −b. Panjang interval L akan mencapai minimum bila dL/da = 0 yaitu db/da − 1 = 0 sehingga db/da = 1. Soal 2 Diketahui X1 . . .

X2 . Pembahasan i i=1 Karena 2Xi berdistribusi χ2 maka berdistribusi χ2 sehingga untuk 2 2 θ θ menentukan interval kepercayaan untuk θ dilakukan dengan menentukan a dan b sehingga 2 Pn X P (a ≤ χ2 ≤ b) = 1 − α 2n 2 n Xi i=1 P (a ≤ ≤ b) = 1 − α θ θ 1 1 P( ≥ n ≥ ) = 1 − α. Xn variabel random saling bebas dan mempunyai fungsi kepadatan probabilitas 1 f (x. Soal 3 Diketahui X1 . a b i=1 Xi Dalam hal ini a dan b ditentukan sehingga a2 g2n (a) = b2 g2n (b) dan b a g2n (t)dt = 1 − α 48 . Karena W berdistribusi studentized σ σ range maka a dan b ditentukan sehingga P (a ≤ R ≤ b) = 1 − α σ X −µ X −µ 1 b a atau P ( R ≤ σ ≤ R ) = 1 − α atau P ( R ≤ σ ≤ R ) = 1 − α.kepercayaan 1 − α. . Hal itu berarti b a bahwa interval kepercayaan untuk σ adalah R/b. . θ) = e−x/θ θ untuk x > 0. . Tentukan interval kepercayaan untuk θ dengan koefisien kepercayaan 1 − α. . Pembahasan Misalkan R = X(n) − X(1) dan didefinisikan W = Z(n) − Z(1) dengan Z(n) = (n) dan Z(1) = (1) . R/a .

. Pembahasan Karena berdistribusi seragam pada (0. θ) = ex−θ untuk x > θ. Fungsi kepadatan probabilitas g dari Y diberikan sebagai g(y) = n exp[−n(y − θ)] untuk y > θ. 49 . Tunjukkan bahwa 1. . Gunakan range R = X(n) −X(1) untuk menentukan interval kepercayaan untuk θ.dengan g2n (t) adalah fungsi kepadatan probabilitas dari distribusi χ2 . Xn saling bebas dan berdistribusi seragam pada (0. . . 1) sehingga Y = (X(n) − X(1) )/θ akan mempunyai fungsi kepadatan probabilitas n(n − 1)y n−2 (1 − y) untuk 0 < y < 1 f (y) = 0 untuk yang lain Interval kepercayaan untuk θ ditentukan dengan menentukan a dan b sehingga P (a ≤ X(n) − X(1) ≤ b) = 1 − α θ dengan Y = (X(n) −X(1) )/θ mempunyai fungsi kepadatan probabilitas seperti tersebut di atas. . . . . Xn saling bebas dan berdistribusi dengan fungsi kepadatan f (x. X2 . θ ∈ Ω = R dan misalkan Y = X(1) . θ). Akibatnya X(n) − X(1) a 1 P( ≥ ≥ ) = 1−α b θ b X(n) − X(1) X(n) − X(1) ≤θ≤ ) = 1−α P( b a R R P ( ≤ θ ≤ ) = 1 − α. b a Soal 5 Diketahui variabel random X1 . θ) maka berdistribusi seragam pada (0. 2n Soal 4 Diketahui variabel random X1 . X2 .

. . X2 .α [Y − 2n . . . . Xn > y) 1 − [P (X1 > y)]n 1 − (1 − P (X1 ≤ y))n 1 − (e−(y−θ) )n 1 − e−n(y−θ) . . Fungsi distribusi dari X1 adalah x F (x. . 2 3. 4. Xn } ≤ y) 1 − P (min{X1 . Bagaimana 2. X2 . Pembahasan 1. Xn } adalah F (y) = P (Y ≤ y) = = = = = = = P (min{X1 . . X2 > y. . 50 . . . . X2 . Y − 2n ]. Variabel random Tn (θ) = 2n(Y − θ) berdistribusi χ2 . Interval kepercayaan terpendek θ seperti bentuk di atas diberikan oleh χ2 2. Y ] dengan χ2 adalah kuantil atas dari distribusi χ2 . . θ) = −∞ x f (t)dt e−(t−θ) dt e−u du 0 = θ x−θ = = = 1−e − e−u x−θ 0 −(x−θ) dengan u = t − θ. . Interval kepercayaan untuk θ berdasarkan pada Tn (θ) dengan koefisien b b kepercayaan 1 − α berbentuk [Y − 2n . Akibatnya fungsi distribusi dari Y = X(1) = min{X1 .α 2 dengan interval kepercayaan terpendek dari harapan panjangnya. . Xn } > y) 1 − P (X1 > y. Fungsi kepadatan probabilitas dari Y diperoleh dengan menurunkan F (y) terhadap variabel y yaitu diperoleh g(y) = F (y) = ne−n(y−θ) untuk y > θ.2. .

3. Bila t = 2n(y − θ) maka t 1 y = θ + 2n sehingga dy = 2n . θ = xγ−1 exp[− ] θ θ untuk x > θ.2. θ > 0 dan γ > 0 dengan θ ∈ Ω = R. 2X r 2 Pn Xr 2Y ≤ b) = 1 − α θ θ 1 1 ≤ ) = 1−α P( ≤ a 2Y b 2Y 2Y P( ≤θ≤ ) = 1−α b a P (a ≤ dengan Y = n Xir . Hal itu berarti statistik 2 T berdistribusi chi-kuadrat dengan derajat bebas 2. . . Misalkan statistik T = Tn (θ) = 2n(Y − θ). Akibatnya fungsi kepadatan probabilitas dθ dari statistik T adalah h(t) = 1 e−t/2 untuk t. 2 2n θ Interval kepercayaan untuk θ dengan menentukan a dan b sehingga = 1−α = 1−α = 1−α = 1−α = 1−α = 1 − α. Interval kepercayaan untuk θ ditentukan dengan menentukan a dan b sehingga P (a ≤ χ2 ≤ b) 2 P (a ≤ 2n(Y − θ) ≤ b) b a ≤Y −θ ≤ ) P( 2n 2n b a ≤ −θ ≤ −Y + ) P (−Y + 2n 2n a b P (Y − ≥θ≥Y − ) 2n 2n a b ≤θ≤Y − ) P (Y − 2n 2n Soal 6 Diketahui variabel random X1 . Dalam 51 . Pembahasan i=1 i Karena Y = θ i berdistribusi χ2 maka Y = berdistribusi χ2 . X2 . Hal itu berarti interval kepercayaan untuk θ adalah i=1 b 2Y 2Y [ b . b ] dengan a dan b memenuhi a2 g2n (a) dan a g2n (t)dt = 1 − α. . . Xn saling bebas dan mempunyai fungsi kepadatan probabilitas xγ f (x.

52 . Yn sampel i=1 σ2 ¯ random dari populasi maka Yn = 1 n Yi berdistribusi N (µ2 . . Akibatnya T berdistribusi N (0. . . Tentukan in1 2 terval kepercayaan untuk µ1 − µ2 . + 2 Karena X1 . σ1 ) dan Y1 . X3 . σ1 ) maka 2 σ1 1 ¯ Xm = m m Xi berdistribusi N (µ1 . Interval kepercayaan untuk µ1 − µ2 ditentukan dengan cara menentukan a dan b sehingga P (a ≤ T ≤ b) = 1 − α. . Akibatnya 2 n i=1 2 n P a≤ P a ¯ ¯ (Xm − Yn ) − (µ1 − µ2 ) 2 σ1 m + 2 σ2 n ≤b = 1−α = 1−α = 1−α = 1−α = 1 − α. 2 ) sehingga σ1 σ2 ¯ ¯ Xm − Yn berdistribusi N (µ1 −µ2 . . . . . Soal 7 2 Diketahui X1 . Soal 8 2 Diketahui X1 . . Y2 . . . σ1 ) dan Y1 . m ) dan karena Y1 . . . . µ2 diketahui. 1). Yn sampel random dari populasi dengan µ1 . Yn sampel random dari populasi dengan sigma2 . Tentukan interval 2 2 kepercayaan untuk σ1 /σ2 dengan koefisien kepercayaan 1 − α. 2 σ2 σ1 ¯ ¯ + 2 ≤ Xm − Yn − (µ1 − µ2 ) ≤ b m n 2 σ2 σ1 ¯ ¯ ¯ ¯ P − ( Xm − Y n ) + a + 2 ≤ −(µ1 − µ2 ) ≤ −(Xm − Yn ) + b m n 2 σ2 σ1 ¯ ¯ ¯ ¯ + 2 ≥ µ 1 − µ 2 ≥ Xm − Y n − b P Xm − Y n − a m n 2 σ2 σ1 ¯ ¯ ¯ ¯ P Xm − Y n − b + 2 ≤ µ 1 − µ 2 ≤ Xm − Y n − a m n 2 σ1 m 2 σ1 m 2 σ1 m 2 σ1 m 2 σ2 n σ2 + 2 n 2 σ2 + n 2 σ2 + n + Dalam hal ini a dan b ditentukan sehingga Φ(b) − Φ(a) = 1 − α. . Pembahasan Misalkan didefinisikan statistik T (µ1 − µ2 ) = ¯ ¯ (Xm − Yn ) − (µ1 − µ2 ) 2 σ1 m 2 σ2 n . X2 . Xm sampel random dari populasi N (µ1 . . . Xm sampel random dari populasi N (µ1 . . sigma2 diketahui. . Xm sampel random dari populasi N (µ1 . . . m + n ). . . .hal ini g2n (t) adalah fungsi kepadatan probabilitas dari variabel random yang berdistribusi chi-kuadrat dengan derajat bebas 2n.

Karena i=1 i=1 2 2 X1 . Xn variabel random saling bebas dengan mean µ tidak diketahui dan variansinya σ 2 berhingga dan diketahui serta ukuran sampel n besar. S2 n 2 Soal 9 Diketahui X1 . Yn sampel random dari populasi N (µ2 . Karena t berdistribusi Fm. 3.n maka interval kepercayaan untuk dapat ditentukan dengan menentukan a dan b sehingga P (a ≤ Fm. . Tentukan interval kepercayaan mendekati 0. .Pembahasan Misalkan didefinisikan statistik 2 2 T (σ1 /σ2 ) = 2 2 σ1 S n 2 2 σ1 S m 1 1 2 2 dengan Sm = m m (Xi − µ1 )2 dan Sn = n n (Yi − µ2 )2 . . Gunakan teorema limit sentral untuk mengkonstruksikan interval kepercayaan µ dengan koefisien kepercayaan mendekati 1 − α. . . . 53 . 95 jika ukuran sampel n = 100 dan variansi 1. . X2 . 1. Tentukan n sehingga panjang interval 0. Xm sampel random dari populasi N (µ1 . σ2 ) maka m berdistribusi χ2 n 2 σ 2 Sn 2 2 T (σ1 /σ2 ) = 1 2 = 2 σ1 S m 2 nSn 2 σ2 2 mSm 2 σ1 2 nSn 2 σ2 berdistribusi Fm. 2 n 2 σ1 2 σ1 2 2 Hal itu berarti interval kepercayaan untuk σ1 /σ2 adalah a Sm ≤ S2 ≤ b Sm . . 1 dengan σ = 1 dan α = 0.n . σ1 ) maka mSm berdistribusi σ2 1 2 χ2 dan karena Y1 . . . 2. . .n ≤ b) P (a ≤ T ≤ b) 2 σ 2 Sn P (a ≤ 1 2 ≤ b) 2 σ1 S m σ2 S2 S2 P (a m ≤ 1 ≤ b m ) 2 2 2 Sn σ1 Sn = 1−α = 1−α = 1−α = 1 − α. 05.

. . Panjang interval dapat dinyatakan sebagai σ σ ¯ ¯ l = X + Zα/2 √ − X − Zα/2 √ n n 1 0. 1) σ/ n untuk n → ∞. Interval kepercayaan untuk µ ditentukan dengan menentukan a dan b sehingga P (a ≤ N (0.Pembahasan 1. Akibatnya ¯ X −µ √ ≤ b) σ/ n σ σ ¯ P (a √ ≤ X − µ ≤ b √ ) n n σ σ ¯ ¯ P (−X + a ≤ −µ ≤ −X + b ) n n σ σ ¯ ¯ P (X − a ≥ µ ≥ X − b ) n n σ σ ¯ ¯ P (X − b ≤ µ ≤ X − a ) n n P (a ≤ = 1−α = 1−α = 1−α = 1−α = 1−α σ ¯ ¯ terval kepercayaan terpendek untuk µ adalah X − Zα/2 σ . . 2 n ≈ 1600. 54 . σ σ ¯ ¯ Interval kepercayaan untuk µ adalah X − b n . σ = 1. Xn variabel random saling bebas dengan mean µ tidak diketahui dan variansinya σ 2 berhingga dan diketahui serta ukuran sampel n besar maka dengan menggunakan teorema limit sentral diperoleh ¯ X −µ √ ∼ N (0. 96 10 atau x − 0. 96) √ n √ n = 2(1. Jika n = 100. . X + Zα/2 n n dengan Zα/2 adalah kuantil 1 − α/2 untuk distribusi N (0. X2 . x + 1. 1). 1) ≤ b) = 1 − α. 05 maka interval kepercayaan untuk µ 1 1 adalah x − 1. 196 . X − a n sedangkan in- 2. ¯ ¯ ¯ ¯ 3. 96) = 39. 1 = 2(1. 96 10 . Karena X1 . 196. x + 0. α = 0.

Xm variabel random saling bebas dan mempunyai fungsi kepadatan probabilitas 1 −x f (x. . . X2 . . . . . Dibentuk statistik 2n 2 n i=1 Yi θ1 Pn i=1 Yi Xi T (θ1 /θ2 ) = 2 nθ Pm 2 i=1 mθ1 . Akibatnya 2 P a≤ 2 θ1 ¯ ¯ P (aX ≤ ≤ bY ) = 1 − α. θ2 ) sehingga 2 berdistribusi χ2 . Y2 .2m ≤ b) = 1 − α. . Yn 2m θ1 variabel random saling bebas dan mempunyai fungsi kepadatan probabilitas 2 Pm X f (y. . . θ) = 1 − θy e 2 θ2 untuk y > 0 maka berdistribusi Gamma(1. θ) = θ11 e θ1 untuk x > 0 maka berdistribusi i=1 i Gamma(1. . bY ]. θ) = θ12 e θ2 untuk y > 0. Tentukan interval kepercayaan untuk θ1 /θ2 dengan koefisien kepercayaan 1 − α. Untuk menentukan interval kepercayaan untuk dilakukan dengan menentukan a dan b sehingga P (a ≤ F2n. Yn variabel random saling bebas dan mempun−y yai fungsi kepadatan probabilitas f (y.Soal 10 Diketahui X1 . . Xm variabel randomxsaling bebas dan mempunyai fungsi − kepadatan probabilitas f (x. θ1 ) sehingga berdistribusi χ2 dan karena Y1 . . . Pembahasan Karena X1 . X2 . 55 nθ Pm 2 Pn i=1 Yi Xi i=1 mθ1 ≤b = 1−α . . θ) = e θ1 θ1 untuk x > 0 dan Y1 . θ2 ¯ ¯ Hal itu berarti interval kepercayaan untuk θ1 /θ2 adalah [aX. Dalam hal ini T (θ1 /θ2 ) berdistribusi F dengan derajat pembilang n dan derajat bebas penyebut m. Y2 . . .

. .7731. 2 2 Tentukan interval kepercayaan untuk σ1 /σ2 dengan koefisien kepercayaan 1 − α. µ2 tidak diketahui. 0. . X2 .3915. ∞) dan anggap bahwa n besar. 3. .0041. . yang diambil dari distribusi eksponensial dengan mean θ1 dan sampel 0. Xm sampel random dari populasi N (µ1 . 0. . Tentukan interval kepercayaan 95% untuk mean populasi.2.0322 yang diambil dari distribusi eksponensial dengan mean θ2 .3267. 0. 0. Sampel ukuran 25 dari populasi yang berdistribusi normal dengan variansi 81 diperoleh sampel meannya adalah 81. Konstruksikan interval kepercayaan untuk σ 2 dengan koefisien kepercayaan 90%. Yn sampel random dari populasi dengan µ1 . . 0. . σ1 ) dan Y1 . 0. 0. Dimiliki sampel 0.6858. 0. . 56 .1034. Misalkan X1 . . 2. Xn variabel random yang mempunyai distribusi eksponensial negatif dengan parameter θ ∈ Ω = (0.7626. . Gunakan teorema limit sentral untuk mengkonstruksikan interval kepercayaan untuk θ dengan koefisien kepercayaan mendekati 1 − α. 2 5. Konstruksikan interval kepercayaan untuk θ1 /θ2 dengan koefisien kepercayaan mendekati 90%.5909.1477. Diketahui X1 .Chapter 8 Latihan Soal Estimasi Interval 1. . Dimiliki sampel random ukuran 25 diambil dari distribusi N (0. σ 2 ). 4.

New York. [2] Lindgren. (1973). Pasific Grove. A first Course in Mathematical Statistics. Faculteit Wiskunde en Informatica.. Chapman & Hall Inc. 57 . L. Algemene Statistiek.. J. [4] Roussas. Introduction to probability and mathematical statistics. [3] Oosterhoff. Statistical Theory 4th edition.. B. G. and Engelhardt.. (1992). Duxbury. Addison-Wesley Publishing Company.Bibliography [1] Bain. J. G. M. W. Vrije Universiteit Amsterdam. Reading Massachusetts. (1993). Amsterdam. (1993).

Sign up to vote on this title
UsefulNot useful