16 0 3 MB
Seri Pendidikan Aktuaris Indonesia
Siswadi Windiani Erliana
Statistika Matematik Untuk Aktuaris
STATISTIKA MATEMATIK UNTUK AKTUARIS Siswadi dan Windiani Erliana e-book DOI: doi.org/10.31227/osf.io/nj3ag ISBN : 978-XXX-XXXX-XX-X 2019
Daftar Isi 1 Sebaran Multivariat 1.1 Vektor Peubah Acak . . . . . . . . . . . . . 1.2 Fungsi Sebaran Bersama . . . . . . . . . . . 1.2.1 Fungsi Massa Peluang Marginal . . . 1.2.2 Fungsi Kepekatan Peluang Marginal 1.3 Nilai Harapan . . . . . . . . . . . . . . . . . 1.4 Kebebasan Vektor Peubah Acak . . . . . . . 1.5 Dekomposisi Spektrum . . . . . . . . . . . . 1.6 Matriks Koragam . . . . . . . . . . . . . . . 1.7 Sebaran Normal Multivariat . . . . . . . . . 1.8 Latihan . . . . . . . . . . . . . . . . . . . . 2 Beberapa Sebaran Kontinu 2.1 Sebaran Gamma . . . . . 2.2 Sebaran Khi-Kuadrat . . . 2.3 Sebaran t . . . . . . . . . 2.4 Sebaran F . . . . . . . . . 2.5 Teorema Student . . . . . 2.6 Latihan . . . . . . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
3 Pendugaan Parameter 3.1 Penduga Titik . . . . . . . . . . . . . . . 3.2 Metode Pendugaan Titik . . . . . . . . . 3.2.1 Metode Momen . . . . . . . . . . 3.2.2 Metode Kemungkinan Maksimum 3.3 Sifat-Sifat Penduga . . . . . . . . . . . . 1
. . . . . .
. . . . .
. . . . . .
. . . . .
. . . . . . . . . .
. . . . . .
. . . . .
. . . . . . . . . .
. . . . . .
. . . . .
. . . . . . . . . .
. . . . . .
. . . . .
. . . . . . . . . .
. . . . . .
. . . . .
. . . . . . . . . .
. . . . . .
. . . . .
. . . . . . . . . .
. . . . . .
. . . . .
. . . . . . . . . .
. . . . . .
. . . . .
. . . . . . . . . .
. . . . . .
. . . . .
. . . . . . . . . .
. . . . . .
. . . . .
. . . . . . . . . .
1 1 1 2 2 3 4 5 8 12 19
. . . . . .
21 21 24 27 31 33 36
. . . . .
37 37 38 38 42 51
DAFTAR ISI
3.4
3.5
2
3.3.1 Ketakbiasan . . . . . . . . . . . . . . . . . . 3.3.2 Efisiensi Relatif Penduga . . . . . . . . . . . 3.3.3 Efisiensi dan Pertaksamaan Rao-Cram`er . . 3.3.4 Kekonsistenan . . . . . . . . . . . . . . . . . Penduga Selang . . . . . . . . . . . . . . . . . . . . 3.4.1 Selang Kepercayaan Beda Dua Nilai Tengah 3.4.2 Selang Kepercayaan Nisbah Dua Ragam . . Latihan . . . . . . . . . . . . . . . . . . . . . . . .
4 Kecukupan 4.1 Statistik Cukup . . . . . . . 4.2 Kelengkapan dan Kekhasan 4.3 Kelas Eksponen . . . . . . . 4.4 Latihan . . . . . . . . . . . 5 Pendugaan Bayes 5.1 Prinsip Minimax . . . . . . 5.2 Sebaran Prior dan Posterior 5.3 Metode Pendugaan Bayes . 5.4 Latihan . . . . . . . . . . .
. . . .
. . . .
6 Pengujian Hipotesis 6.1 Uji Paling Kuasa . . . . . . . 6.2 Uji Selalu Paling Kuasa . . . 6.3 Uji Rasio Kemungkinan . . . 6.4 Uji Rasio Peluang Bersekuens 6.5 Latihan . . . . . . . . . . . .
. . . .
. . . .
. . . . .
. . . .
. . . .
. . . . .
. . . .
. . . .
. . . . .
. . . .
. . . .
. . . . .
. . . .
. . . .
. . . . .
. . . .
. . . .
. . . . .
. . . .
. . . .
. . . . .
. . . .
. . . .
. . . . .
. . . .
. . . .
. . . . .
. . . .
. . . .
. . . . .
. . . .
. . . .
. . . . .
. . . .
. . . .
. . . . .
. . . . . . . .
. . . .
. . . .
. . . . .
. . . . . . . .
. . . .
. . . .
. . . . .
. . . . . . . .
. . . .
. . . .
. . . . .
. . . . . . . .
. . . .
. . . .
. . . . .
. . . . . . . .
. . . . . . . .
51 54 55 63 66 70 71 73
. . . .
76 76 83 87 93
. . . .
. . . .
94 94 96 98 103
. . . . .
105 . 108 . 111 . 113 . 120 . 126
. . . .
1
2
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Kata Pengantar Buku ini disusun berdasarkan perkuliahan Statistika Matematik pada rentang waktu 2014/2015, 2015/2016, 2016/2017, 2017/2018, 2018/2019, yang diampu oleh penulis pertama. Mata kuliah Statistika Matematik, merupakan salah satu bagian yang diakui untuk mata uji profesi Persatuan Aktuaris Indonesia (PAI). Sehingga dilengkapi dengan beberapa soal ujian A20 Probabilitas dan Statistika. Pada Lampiran diberikan kumpulan soal ujian A20, terima kasih kepada Dr. Lia Yuliawati, MSi dari STKIP 11 April, Sumedang, yang telah memberikan kontribusi pada kumpulan soal tersebut. Serta saudari Grace Agustina, SMat., atas sejumlah catatannya. Hibah PUPT-IPB, ’Pengembangan Perangkat Lunak Berbasis Finite Element Method (FEM) untuk Produk Jasa Keuangan dan Asuransi’ dengan kontrak no: 079/SP2H/LT/DRPM/II/2016, secara tidak langsung memberi bantuan pendanaan kepada penulis yunior. Terima kasih kami ucapkan. Terima kasih disampaikan kepada Dr. Ir. IG Putu Purnaba, yang memberikan koreksi atas jawaban soal ujian PAI. Dr. Ir. Sri Nurdiati, MSc., selaku peneliti utama Hibah PUPT-IPB tersebut di atas, yang memberikan kesempatan kepada penulis yunior mengembangkan ilmu aktuaria. Terakhir, kepada Drs. Agah D. Garnadi, Grad. Dip. Sci. yang berulangkali meminta agar naskah ini untuk diterbitkan dalam seri buku: ’Pendidikan Aktuaris Indonesia’, sehingga bisa dimanfaatkan khususnya untuk pendidikan aktuaria di Indonesia. Terima kasih kepada Rianto Ahmadi, PhD., ketua PAI periode 20142017, yang sudi memberikan kata sambutan seri buku ’Pendidikan Aktuaris Indonesia’. Bogor, 09 Juni 2019 Siswadi Windiani Erliana
i
31
32
33
34 35 36 37
BAB 1 Sebaran Multivariat 1.1
Vektor Peubah Acak
Definisi 1.1 Misalkan Ω adalah ruang contoh suatu percobaan acak. Peubah acak Xi dari percobaan tersebut adalah suatu fungsi bernilai real Xi : Ω → R, i = 1, 2, ..., n dengan (X1 , X2 , ..., Xn ) disebut vektor peubah acak dimensin. Dalam bab ini, digunakan notasi vektor untuk menyatakan peubah acak X1 , X2 , ..., Xn . Sebagai contoh, (X1 , X2 , ..., Xn )0 merupakan vektor kolom X yang memiliki nilai (x1 , x2 , ..., xn )0 , ∀xi ∈ R. X = x 0 (X1 , X2 , ..., X )0 = (x n 1 , x2 , ..., xn ) X1 x1 X2 x2 .. = .. . . Xn xn
38
39 40
1.2
Fungsi Sebaran Bersama
Fungsi sebaran bersama bagi vektor peubah acak tersebut didefinisikan sebagai berikut FX (x) = P (X1 ≤ x1 , ..., Xn ≤ xn ) .
41
Jika n peubah acak X1 , X2 , ..., Xn adalah peubah acak diskret, maka 1
1.2 Fungsi Sebaran Bersama
FX (x) =
2
X
...
w1 ≤x1 ,...,wn ≤xn
X
p (w1 , ..., wn ) ,
sedangkan jika n peubah acak tersebut adalah peubah acak kontinu, maka Z Z FX (x) = ... f (w1 , ..., wn ) dw1 ...dwn , w1 ≤x1 ,...,wn ≤xn n
∂ FX (x) = f (x) , ∂x1 ...∂xn
42 43
dengan fungsi p dan f secara berturut-turut merupakan fungsi massa peluang dan fungsi kepekatan peluang bagi vektor peubah acak x. Contoh 1.1 Misalkan fungsi kepekatan peluang dari peubah acak X1 , X2 , X3 adalah sebagai berikut f (x1 , x2 , x3 ) = e−(x1 +x2 +x3 ) I (0 < x1 , x2 , x3 < ∞) , maka fungsi sebaran bersama bagi X1 , X2 , X3 ialah FX1 ,X2 ,X3 (x1 , x2 , x3 ) = P (X1 ≤ x1 , X2 ≤ x2 , X3 ≤ x3 ) Rx1 Rx2 Rx3 −(x +x +x ) = e 1 2 3 dx1 dx2 dx3 0 0 0
= (1 − e−x1 ) (1 − e−x2 ) (1 − e−x3 ) I (0 < x1 , x2 , x3 < ∞) . 44
1.2.1
Fungsi Massa Peluang Marginal
Definisi 1.2 Misalkan X1 , ..., Xn adalah peubah acak diskret yang menyebar bersama dengan fungsi massa peluang bersama pX1 ,...,Xn (x1 , ..., xn ) . Fungsi massa peluang marginal dari peubah acak X1 ialah X X pX1 (x1 ) = ... pX1 ,...,Xn (x1 , ..., xn ) . x2
45
1.2.2
xn
Fungsi Kepekatan Peluang Marginal
Definisi 1.3 Misalkan X1 , ..., Xn adalah peubah acak kontinu yang menyebar bersama dengan fungsi kepekatan peluang bersama fX1 ,...,Xn (x1 , ..., xn ) . Fungsi kepekatan peluang marginal dari peubah acak X1 ialah Z ∞ Z ∞ fX1 (x1 ) = ... fX1 ,...,Xn (x1 , ..., xn ) dx2 ...dxn . −∞
−∞
1.3 Nilai Harapan
46
1.3
3
Nilai Harapan
Definisi 1.4 Misalkan Y = u (X1 , X2 , ..., Xn ) adalah fungsi terhadap vektor peubah acak (X1 , X2 , ..., Xn )0 . Jika X1 , X2 , ..., Xn adalah peubah acak diskret yang menyebar bersama dengan fungsi massa peluang bersama p (x1 , x2 , ..., xn ) , maka nilai harapan dari Y didefinisikan sebagai X X E (Y ) = ... u (x1 , x2 , ..., xn ) p (x1 , x2 , ..., xn ) , xn
x1
asalkan jumlah di atas konvergen mutlak. Jika X1 , X2 , ..., Xn adalah peubah acak kontinu yang menyebar bersama dengan fungsi kepekatan peluang bersama f (x1 , x2 , ..., xn ) , maka nilai harapan dari Y didefinisikan sebagai Z∞ E (Y ) =
... −∞
47
Z∞ u (x1 , x2 , ..., xn ) f (x1 , x2 , ..., xn ) dx1 dx2 ...dxn
−∞
asalkan integral di atas konvergen mutlak. Teorema 1.1 Misalkan X1 , X2 , ..., Xn adalah peubah acak yang terdefinisi dalam ruang peluang yang sama dan k1 , k2 , ..., km adalah m konstanta bilangan real. Jika Yi = u (X1 , X2 , ..., Xn ), i = 1, 2, ..., m, adalah fungsi terhadap vektor peubah acak (X1 , X2 , ..., Xn )0 , maka X m Xm ki E (Yi ) . E ki Yi = i=1
48 49
i=1
Misalkan n Wm = (Wij ) merupakan matriks peubah acak berukuran n×m yang berunsur peubah acak Wij , maka E (W) = (E (Wij )) E (W11 ) E (W12 ) ... E (W1m ) E (W21 ) E (W22 ) ... E (W2m ) = . .. .. .. . . . . . . E (Wn1 ) E (Wn2 ) ... E (Wnm )
50 51
52 53 54
Berikut merupakan teorema yang menunjukkan sifat linearitas dari nilai harapan. Teorema 1.2 Misalkan n Vm dan n Wm masing-masing merupakan matriks peubah acak; k An , k Bn , dan m Cp masing-masing merupakan matriks berunsur konstanta, maka E [AV + BW] = AE [V] + BE [W] E [AWC] = AE [W] C.
1.4 Kebebasan Vektor Peubah Acak
55
Bukti. Misal AV =
n P
4
aik Vkj
dan BW =
k=1
E
n X
aik Vkj +
k=1
=
bik Wkj , maka
k=1
" E [AV + BW] =
n P
n X
n X
#! bik Wkj
k=1
! aik E [Vkj ]
+
k=1
n X
! bik E [Wkj ]
k=1
= AE [V] + BE [W] . 56
Pembuktian E [AWC] = AE [W] C digunakan sebagai latihan.
57
1.4
z
Kebebasan Vektor Peubah Acak
Misalkan peubah acak X1 , X2 , ..., Xn memiliki fungsi kepekatan peluang bersama f (x1 , x2 , ..., xn ) dan fungsi kepekatan peluang marginal f1 (x1 ) , f2 (x2 ) , ..., fn (xn ) secara berturut-turut bagi x1 , ..., xn . Peubah acak X1 , X2 , ..., Xn saling bebas jika f (x1 , x2 , ..., xn ) = f1 (x1 ) f2 (x2 ) ...fn (xn ) , untuk kasus kontinu. Pada kasus diskret, X1 , X2 , ..., Xn dikatakan saling bebas jika p (x1 , x2 , ..., xn ) = p1 (x1 ) p2 (x2 ) ...pn (xn ) . 58
59 60
61
Misalkan X1 , X2 , ..., Xn saling bebas, maka 1. P (a1 < X1 < b1 , a2 < X2 < b2 , ..., an < Xn < bn ) = P (a1 < X1 < b1 ) P (a2 < X2 < b2 ) ...P (an < Xn < bn ) n Q = P (ai < Xi < bi ) i=1
62
2. E
n Q
n Q u (Xi ) = E [u (Xi )] .
i=1
i=1
3. Fungsi pembangkit momen bagi peubah acak X1 , X2 , ..., Xn dinotasikan dengan MX (t1 , t2 , ..., tn ) dan didefinisikan sebagai berikut MX (t1 , t2 , ..., tn ) = E [exp (t1 X1 + t2 X2 + ... + tn Xn )] MX (t) = E [exp (t0 X)] , ∀t ∈ B ⊂ Rn , 63 64 65
dengan B = {t : −hi < ti < hi , i = 1, 2, ..., n}. Bagi fungsi sebaran marginal dari peubah acak Xi , fungsi pembangkit momen peubah acak Xi didefinisikan sebagai MX (0, 0, ..., 0, ti , 0, ..., 0) , i = 1, 2, ..., n.
1.5 Dekomposisi Spektrum
5
Teorema 1.3 Misalkan X1 , X2 , ..., Xn adalah peubah acak yang saling bebas dan fungsi pembangkit momen bagi Xi ialah MXi (t) , ∀i = 1, ..., n. Misalkan n P pula T = ki Xi , dengan k1 , ..., kn suatu konstanta, maka fungsi pembangkit i=1
momen bagi T ialah MT (t) =
n Y i=1
MXi (ki t) , −min {hi } < t < min {hi } . i
i
Contoh 1.2 Misalkan X1 , X2 , X3 adalah peubah acak saling bebas yang masingmasing memiliki fungsi kepekatan peluang sebagai berikut f (x) = 2x I (0 < x < 1) . 66
Fungsi kepekatan peluang bersama bagi peubah acak tersebut ialah f (x1 , x2 , x3 ) = f (x1 ) f (x2 ) f (x3 ) = 8x1 x2 x3 I (0 < x1 , x2 , x3 < 1) . Nilai harapan bagi 5X1 (X2 )3 + 3X2 (X3 )4 ialah Z1 Z1 Z1 0
67 68 69
0
5x1 (x2 )3 + 3x2 (x3 )4 8x1 x2 x3 dx1 dx2 dx3 = 2.
0
Jika peubah acak saling bebas memiliki sebaran yang sama, maka peubah acak tersebut disebut peubah acak bebas stokastik identik (bsi). Berikut ini merupakan akibat dari Teorema 1.3 untuk peubah acak bsi. Akibat 1.1 Misalkan X1 , X2 , ..., Xn adalah peubah acak bsi dengan fungsi pembangkit peluang MX (t) , −h < t < h dengan h > 0. Misalkan pula T = n P Xi , maka fungsi pembangkit momen bagi T ialah i=1
MT (t) = [MX (t)]n , −h < t < h.
70
1.5
Dekomposisi Spektrum
Dari aljabar linear diperoleh bahwa suatu matriks dapat didekomposisikan atau diuraikan menjadi perkalian beberapa matriks. Khususnya bagi matriks
1.5 Dekomposisi Spektrum
6
Σ yang merupakan matriks n × n, simetrik, dan semi-definit positif, maka dekomposisi spektrum dari Σ ialah sebagai berikut Σ = Γ0 ΛΓ, di mana Λ merupakan matriks diagonal, Λ = diag (λ1 , λ2 , ..., λn ) , 71 72 73 74 75 76 77 78
λ1 ≥ λ2 ≥ ... ≥ λn ≥ 0 merupakan nilai eigen dari Σ, dan kolom-kolom matriks Γ0 ialah v1 , v2 , ..., vn yang merupakan vektor eigen padanannya yang ortonormal. Nilai eigen tersebut tidak perlu ditata dari yang terbesar ke yang terkecil. Untuk analisis multivariat, tataan ini kita perlukan terkait dengan tataan ragam atau pentingnya peubah baru. Matriks Γ merupakan matriks ortogonal di mana Γ0 Γ = ΓΓ0 = I. Matriks Γ tidak bersifat khas, karena vektor eigen suatu matriks (walaupun dipilih yang merupakan vektor satuan) tidak bersifat khas. Penulisan dekomposisi tersebut dapat dituliskan dalam bentuk lain, yaitu 0
Σ = Γ ΛΓ =
n X
λi vi vi0 .
i=1
Secara intuisi, pendekatan matriks dengan matriks lain (misalnya yang berperingkat lebih rendah) dapat diperoleh dengan membuang beberapa matriks terakhir yang terkait dengan nilai eigen yang kecil. Karena nilai eigen dari matriks semi-definit positif selalu ≥ 0, maka matriks Σ dapat ditulis dalam bentuk lain, yaitu 1
1
1
2
Σ = Σ2 Σ2 = Σ2 , √ √ √ 1 1 1 di mana Σ 2 = Γ0 Λ 2 Γ dengan Λ 2 = diag λ1 , λ2 , . . . , λn . Misalkan Σ merupakan matriks yang definit positif, yang berarti nilai eigennya selalu positif, maka 1
−1
Σ2
1
1
= Σ− 2 = Γ0 Λ− 2 Γ
dengan Λ
−1 2
= diag
1 1 1 √ , √ ,..., √ λ1 λ2 λn
.
Contoh 1.3 Tentukan dekomposisi spektrum dari matriks berikut 3 0 −1 Σ = 0 4 0 . −1 0 3 1
79
1
Tentukan pula Σ 2 dan Σ− 2 .
1.5 Dekomposisi Spektrum
80
7
Jawab. Berikut merupakan polinom karakteristik dari matriks Σ : 3−λ 0 −1 4−λ 0 |Σ − λI| = 0 −1 0 3−λ 3 − λ −1 2+2 = (−1) (4 − λ) −1 3 − λ = (4 − λ) (3 − λ)2 − 1 = (4 − λ) (3 − λ + 1) (3 − λ − 1) = (4 − λ)2 (2 − λ) , sehingga nilai eigen dari matriks tersebut ialah λ1 = λ2 = 4, λ3 = 2, dan vektor-vektor eigen yang berpadanan dengan nilai eigen tersebut ialah 0 −1 1 v1 = 1 , v2 = 0 , dan v3 = 0 . 0 1 1 Vektor-vektor ortonormal dari v1 , v2 , dan v3 tersebut secara berturut-turut ialah −1 1 0 1 1 w1 = 1 , w2 = √ 0 , dan w3 = √ 0 , 2 2 1 1 0 sehingga matriks Λ dan Γ0 4 Λ= 0 0
81
ialah sebagai berikut −1 0 √ 0 0 2 4 0 , Γ0 = 1 0 0 2 0 √12
√1 2
0 .
√1 2
Jadi, dekomposisi spektrum dari matriks Σ ialah Σ = Γ0 Λ1/2 Γ −1 √1 0 √ 0 1 3 0 −1 4 0 0 2 2 −1 0 4 0 = 1 0 0 0 4 0 √ 0 2 1 1 1 √ √ √ −1 0 3 0 0 0 2 0 2 2 2
0 √1 2 √1 2
.
1.6 Matriks Koragam
82
8
Selanjutnya, berikut merupakan matriks Σ1/2 dan Σ−1/2 . Σ1/2 = Γ0 Λ1/2 Γ −1 √1 0 √ 2 2 = 1 0 0 0 √12 √12 1√ 2+1 2 = √0 1 2 − 1 2
0 1 2 0 0 −1 0 2 0 √2 0 √ √1 0 0 0 2 2 √ 0 21 2 − 1 2 √0 . 1 0 2 2+1
Σ−1/2 = Γ0 Λ−1/2 Γ 1 −1 √1 0 √ 0 1 0 0 2 2 2 −1 1 √ 0 0 0 1 0 0 = 2 2 1 1 1 1 √ 0 0 √2 0 √2 √2 0 2 √ 1√ 2 + 41 0 41 2 − 14 4 1 . 0 = √0 2 √ 1 2 − 41 0 14 2 + 41 4
√1 2 √1 2
0
√1 2 √1 2
z
83
84
0
1.6
Matriks Koragam
Misalkan Xi dan Xj masing-masing merupakan peubah acak ke-i dan ke-j dengan nilai harapan E[Xi ] = µi dan E[Xj ] = µj , serta koragam σij = E ([Xi − µi ][Xj − µj ]) . Bila X = (X1 , X2 , ..., Xn )0 adalah suatu vektor dari n peubah acak, maka µ1 µ2 E (X) = .. , . µn
1.6 Matriks Koragam
85
86 87 88 89 90 91 92
93 94 95
9
dan matriks koragam (covariance matrix ) Cov (X) = E [X − µ] [X − µ]0 E ([X1 −µ1 ] [X1 −µ1 ]) E ([X2 −µ ] [X1 −µ ]) 2 1 = .. . E ([Xn −µn ] [X1 −µ1 ]) σ11 σ12 ... σ1m σ21 σ22 ... σ2m = .. .. . . .. . . . . . σn1 σn2 ... σnm
... E ([X1 −µ1 ] [Xm −µm ]) ... E ([X2 −µ2 ] [Xm −µm ]) .. .. . . ...
E ([Xn −µn ] [Xm −µm ])
(1.1)
Misalkan a adalah vektor berunsur konstanta yang berukuran n×1. Misalkan pula Y = a0 X adalah peubah acak, maka Y memiliki ragam bernilai nonnegatif, yaitu 0 ≤ V ar (Y ) = V ar (a0 X) = a0 Cov (X) a. Dengan demikian, matriks koragam pada 1.1 merupakan matriks semi-definit positif. Secara umum, kita dapat mendefinisikan matriks koragam antara vektor p-peubah acak X = (X1 , X2 , ..., Xp )0 dengan vektor q-peubah acak Y = (Y1 , Y2 , ..., Yq )0 sebagai Cov (X, Y) = E [X−E (X)] [Y−E (Y)]0 E ([X1 −E (X1 )] [Y1 −E (Y1 )]) ... E ([X1 −E (X1 )] [Yq −E (Yq )]) E ([X2 −E (X2 )] [Y1 −E (Y1 )]) ... E ([X2 −E (X2 )] [Yq −E (Yq )]) = , .. .. ... . . E ([Xp −E (Xp )] [Y1 −E (Y1 )]) ... E ([Xp −E (Xp )] [Yq −E (Yq )]) sehingga Cov (X) merupakan Cov (X, X) . Selanjutnya, misalkan X dan Y merupakan vektor peubah acak dengan vektor nilai harapan µX dan µY , maka ΣX,Y = = = =
96
vektor peubah acak X ialah
Cov (X, Y) E [X−E (X)] [Y−E (Y)]0 E (XY0 ) − E (X) [E (Y)]0 E (XY0 ) − µX µ0Y ,
sehingga ΣX = ΣX,X = E (XX0 ) − µX µ0X .
1.6 Matriks Koragam
97 98
10
Bila A dan B merupakan matriks konstanta, maka E (AX) = AµX dan E (BY) = BµY , serta Cov (AX, BY) = = = = = = = =
ΣAX,BY E [AX−E (AX)] [BY−E (BY)]0 E [AX − AE (X)] [BY − BE (Y)]0 E [AX − AµX ] [BY − BµY ]0 E [A (X − µX )] [B (Y − µY )]0 E A (X − µX ) (Y − µY )0 B0 AE (X − µX ) (Y − µY )0 B0 AΣX,Y B0 ,
sehingga Cov (AX) = ΣAX = AΣX A0 . 99
Misalkan pula V = AX + δ W = BY + η
100
dengan δ dan η merupakan vektor berunsur konstanta, maka E (V) = AµX + δ, E (W) = BµY + η, Cov (V, W) = AΣX,Y B0 , sehingga Cov (V) = AΣX A0 . Contoh 1.4 Misalkan X = [X, Y, Z]0 merupakan vektor peubah acak dengan E (X) = [1, 4, −6]0 dan matriks koragam 3 2 1 Σ = 2 2 1 . 1 1 3
101 102
Tentukan nilai harapan serta matriks koragam dari peubah acak T dan W jika
X − Y + 2Z + 2 T = 2X − Y + 3Z + 1, W = . 2X + 4Y − Z + 3
1.6 Matriks Koragam
103 104
11
Jawab. Peubah acak T dan W dapat dinyatakan sebagai suatu vektor, yaitu T = 2X − Y + 3Z + 1 = [ 2, −1, 3] X+1, X − Y + 2Z 1 −1 2 2 W = = X+ . 2X + 4Y − Z 2 4 −1 3
105 106
Selanjutnya, menentukan nilai harapan dan matriks koragam bagi masingmasing peubah acak. E (T ) = [ 2, −1, 3] E (X) + 1 1 = [ 2, −1, 3] 4 + 1 −6 = −20 + 1 = −19 3 2 1 2 ΣT = [ 2, −1, 3] 2 2 1 −1 1 1 3 3 = 39 E (W) =
1 −1 2 2 4 −1
1 2
15 24
17 27
= = =
E (X) + 1 −1 2 4 + 4 −1 −6 2 + 3
2 3
2 3
3 2 1 1 2 1 −1 2 2 2 1 −1 4 = 2 4 −1 1 1 3 2 −1 13 8 = . 8 67
ΣW
107
z
1.7 Sebaran Normal Multivariat
12
Contoh 1.5 Misalkan X = (X1 , X2 , X3 )0 , Y = (Y1 , Y2 , Y3 , Y4 )0 , dan 1 3 −2 5 Cov (X, Y) = −1 2 4 6 . 2 1 0 7 108
109
Tentukan : 1. Cov (X1 + 2X2 − 3X3 + 1, 2Y1 + Y2 + 4Y3 − 5Y4 + 2) . 2. Cov (V, W) jika V=
X1 + 2X2 − 3X3 + 3 4X1 − 2X2 + 3X3 + 4
Y1 − 2Y2 + 3Y3 − 5Y4 + 7 . 2Y1 + Y2 − 4Y3 − Y4 dan W = Y1 + Y2 − 6Y3 + 2Y4
1. Misalkan U = X1 + 2X2 − 3X3 + 1 dan Z = 2Y1 + Y2 + 4Y3 − 5Y4 + 2, maka U = [1, 2, −3] X + 1 dan Z = [2, 1, 4, −5] Y + 2.
1 3 Cov (U ,Z) = (1, 2, −3) −1 2 2 1
110
111
2. V =
1 2 −3 4 −2 1
X+
3 4
,
2 −2 5 1 4 6 4 = 34. 0 7 −5 1 −2 3 −5 7 W = 2 1 −4 −1 Y+ 0 . 1 1 −6 2 0
1 2 1 1 3 −2 5 1 2 −3 −2 1 1 −1 2 4 6 Cov (V, W) = 3 −4 −6 4 −2 1 2 1 0 7 −5 −1 2 23 −30 −47 = . −133 74 143
112
113
114 115
1.7
Sebaran Normal Multivariat
Pada subbab ini dibahas sebaran normal multivariat untuk vektor peubah acak dimensi-n. Misalkan vektor peubah acak Z = (Z1 , ..., Zn )0 dengan Z1 , ..., Zn
1.7 Sebaran Normal Multivariat
116 117
13
merupakan peubah acak bebas stokastik identik yang memiliki sebaran normal baku, Zi ∼ N (0, 1) , i = 1, ..., n. Fungsi kepekatan peluang bagi Z ialah n Y 1 2 1 √ exp − zi fZ (z) = 2 2π i=1 ) ( n n 1 2 1X 2 = exp − z 2π 2 i=1 i n 1 2 1 0 = exp − z z , z ∈ Rn . 2π 2
118
119
120
121
122
123 124
125 126
Karena E (Zi ) = 0, V ar (Zi ) = 1, dan Cov (Zi , Zj ) = 0 untuk ∀i 6= j, maka 1. E (Z) = 0, 2. Cov (Z) = ΣZ = E [Z − E (Z)] [Z − E (Z)]0 V ar (Z1 ) 0 ··· 0 0 V ar (Z1 ) · · · 0 = .. .. .. . . . . . . 0 0 · · · V ar (Zn ) 1 0 ··· 0 0 1 · · · 0 = .. .. . . .. . . . . 0 0 ··· 1 = In , dengan In adalah matriks identitas berukuran n × n. Selanjutnya, karena peubah acak Zi bebas stokastik identik, maka fungsi pembangkit momen bagi Z ialah
1.7 Sebaran Normal Multivariat
14
MZ (t) = E [exp {t0 Z}] " n # Y = E exp {ti Zi } i=1
=
n Y
E [exp {ti Zi }]
i=1
= =
n Y i=1 n Y
MZ (ti ) exp
i=1
1 2 t 2 i
(
) n 1X 2 = exp t 2 i=1 i 1 0 = exp t t , ∀t ∈ Rn . 2 127 128 129 130 131 132
Dengan demikian, vektor peubah acak Z dikatakan memiliki sebaran normal multivariat dengan vektor nilai harapan 0 dan matriks koragam In yang dinotasikan dengan Z ∼Nn (0, In ) . Misalkan Z memiliki sebaran Nn (0, In ) . Misalkan pula Σ merupakan matriks simetrik dan semi-definit positif, serta µ adalah vektor berunsur konstanta. Definisikan suatu vektor peubah acak X sebagai berikut 1
X = Σ 2 Z + µ,
(1.2)
maka diperoleh 1
1
E (X) = µ dan Cov (X) = Σ 2 Σ 2 = Σ.
1.7 Sebaran Normal Multivariat
133
15
Kemudian, fungsi pembangkit momen bagi X ialah MX (t) = E [exp {t0 X}] h n oi 1 = E exp t0 Σ 2 Z + t0 µ oi h n 1 = exp {t0 µ} E exp t0 Σ 2 Z 0 1 1 1 0 = exp {t µ} exp Σ2 t Σ2 t 2 1 0 0 t Σt = exp {t µ} exp 2 1 0 0 = exp t µ+ t Σt . 2 Definisi 1.5 (Normal Multivariat) Vektor peubah acak X memiliki sebaran normal multivariat atau X ∼ Nn (µ, Σ) jika X memiliki fungsi pembangkit momen sebagai berikut 1 0 0 MX (t) = exp t µ+ t Σt , 2
134 135
untuk setiap t ∈ Rn dan Σ merupakan matriks simetrik, semi-definit positif, serta µ ∈ Rn . 1
Jika Σ merupakan matriks definit positif, maka matriks Σ 2 memiliki invers, sehingga transformasi satu-satu antara peubah acak X dan Z pada persamaan 1.2 1 Z = Σ− 2 (X − µ) dengan Jacobi Σ−1/2 = |Σ|−1/2 menghasilkan fungsi kepekatan peluang bagi X, yaitu 1 1 0 −1 fX (x) = exp − (x − µ) Σ (x − µ) , x ∈ Rn . n/2 1/2 2 (2π) |Σ| 136 137
Teorema 1.4 Misalkan X ∼ Nn (µ, Σ). Misal Y = AX + b dengan A adalah matriks berukuran m×n dan b ∈ Rm , maka Y ∼ Nm (Aµ + b, AΣA0 ) .
1.7 Sebaran Normal Multivariat
138
16
Bukti. ∀t ∈ Rm , fungsi pembangkit momen bagi Y ialah MY (t) = E [exp {t0 Y}] = E [exp {t0 (AX + b)}] 0 = exp {t0 b} E exp (A0 t) X 1 0 0 0 0 0 0 = exp {t b} exp (A t) µ+ (A t) Σ (A t) 2 1 0 0 0 = exp t (Aµ + b) + t AΣA t , 2
139 140
141 142
143 144 145
di mana fungsi pembangkit momen tersebut adalah fungsi pembangkit momen bagi sebaran Nm (Aµ + b, AΣA0 ) . z Misalkan X1 merupakan subvektor berdimensi m < n dari vektor peubah acak X, maka X dapat dituliskan menjadi X1 , (1.3) X= X2 dengan X2 merupakan vektor berdimensi p = n − m. Karena X dipartisi seperti pada persamaan 1.3, maka nilai harapan dan matriks koragam dari X juga dapat dipartisi sebagai berikut Σ11 Σ12 µ1 dan Σ = , (1.4) µ= µ2 Σ21 Σ22 dengan Σ11 merupakan matriks koragam bagi X1 dan Σ12 merupakan matriks koragam antara X1 dan X2 . Kemudian, definisikan matriks A sebagai berikut h i A = Im ... Omp ,
146 147 148
149 150 151
152 153
di mana Omp merupakan matriks nol m × p, maka X1 = AX. Dengan menggunakan Teorema 1.4 pada transformasi tersebut, diperoleh akibat sebagai berikut: Akibat 1.2 Misalkan X ∼ Nn (µ, Σ) . Jika X1 merupakan subvektor berdimensi m < n dari vektor peubah acak X (persamaan 1.3) , maka X1 ∼ Nn (µ1 , Σ11 ) . Akibat 1.2 dapat digunakan untuk mencari sebaran marginal dari peubah acak normal multivariat.
1.7 Sebaran Normal Multivariat
154 155
156
17
Teorema 1.5 Misalkan X ∼ Nn (µ, Σ) dan X dipartisi seperti pada persamaan 1.3 dan 1.4. X1 dan X2 saling bebas jika dan hanya jika Σ12 = O. Bukti. Disediakan untuk latihan.
z
Teorema 1.6 Misalkan X ∼ Nn (µ, Σ) dan X dipartisi seperti pada persamaan 1.3 dan 1.4. Asumsikan bahwa Σ adalah matriks definit positif, maka sebaran bersyarat dari X1 |X2 ialah −1 Nm µ1 + Σ12 Σ−1 22 (X2 − µ2 ) , Σ11 − Σ12 Σ22 Σ21 . Bukti. Perhatikan vektor peubah acak W = X1 − Σ12 Σ−1 22 X2 dan X2 , maka W Im −Σ12 Σ−1 X 1 22 = . X2 O Ip X2 157 158
Berdasarkan Teorema 1.4, E (W) = µ1 − Σ12 Σ−1 22 µ2 , E (X2 ) = µ2 , dan matriks koragam Im O Im −Σ12 Σ−1 Σ11 Σ12 22 Σ21 Σ22 −Σ12 Σ−1 O Ip Ip 22 −1 Σ11 − Σ12 Σ22 Σ21 O = . O Σ22 Dengan demikian, berdasarkan Teorema 1.5, vektor peubah acak W dan X2 saling bebas. Karena saling bebas, sebaran bersyarat W|X2 sama dengan −1 sebaran marginal dari W ∼Nm µ1 − Σ12 Σ−1 22 µ2 , Σ11 − Σ12 Σ22 Σ21 . Akibatnya, −1 −1 X1 |X2 ∼ Nm µ1 − Σ12 Σ−1 22 µ2 + Σ12 Σ22 X2 , Σ11 − Σ12 Σ22 Σ21 , atau −1 −1 −1 W + Σ12 Σ−1 X |X ∼ N µ − Σ Σ µ + Σ Σ X , Σ − Σ Σ Σ . 2 2 m 12 12 2 11 12 21 1 2 22 22 22 22
159
160 161 162 163 164 165
z Contoh 1.6 Misalkan dalam suatu populasi, bobot badan dan tinggi badan pria memiliki sebaran normal bivariat. Jika diketahui bahwa rata-rata dan ragam dari bobot badan pria secara berturut-turut sebesar 60 kg dan 25 kg2 , kemudian rata-rata dan ragam dari tinggi badannya secara berturut-turut sebesar 165 cm dan 100 cm2 , serta besar korelasi antara bobot badan dan tinggi badan sebesar 0.6, maka tentukan :
1.7 Sebaran Normal Multivariat
166
a. P (160 < Y < 175) ,
167
b. P (160 < Y < 175|X = 65) ,
168 169
170
171
18
dengan X dan Y secara berturut-turut menyatakan bobot badan dan tinggi badan pria. Jawab. a. P (160 < Y < 175)
P (160 < Y < 175) = = = = = = =
160 − µy Y − µy 175 − µy P < < σy σy σy 160 − 165 175 − 165 P 10 .
195 196 197
6. Buktikan bahwa X1 dan X2 saling bebas jika dan hanya jika Σ12 = O, di mana X ∼ Nn (µ, Σ) dan X dipartisi seperti pada persamaan 1.3 dan 1.4.
198
199
200
BAB 2 Beberapa Sebaran Kontinu 2.1
Sebaran Gamma
Definisi 2.1 Fungsi Gamma yang dinotasikan Γ (α) didefinisikan sebagai Z ∞ Γ (α) = y α−1 e−y dy 0 201
dengan α > 0. Jika α = 1, maka Z Γ (1) =
∞
e−y dy = 1.
0 202
Jika α > 1, maka dengan menggunakan teknik integral parsial diperoleh Z ∞ Γ (α) = (α − 1) y α−2 e−y dy 0
= (α − 1) Γ (α − 1) . 203 204
Oleh karena itu, jika α adalah bilangan bulat positif yang lebih besar dari 1, maka Γ (α) = (α − 1) (α − 2) ... (3) (2) (1) Γ (1) = (α − 1)!. Misalkan suatu variabel baru y = x/β di mana β > 0, maka Z Γ (α) = 0
∞
α−1 x 1 −x/β e dx β β 21
2.1 Sebaran Gamma
22
atau ekuivalen dengan ∞
Z 1= 0
1 xα−1 e−x/β dx. Γ (α) β α
Karena α > 0, β > 0, dan Γ (α) > 0, maka f (x) = 205 206 207 208 209 210
1 xα−1 e−x/β I (x > 0) Γ (α) β α
merupakan fungsi kepekatan peluang dari suatu peubah acak kontinu. Peubah acak X yang memiliki fungsi kepekatan peluang tersebut disebut memiliki sebaran gamma dengan parameter α dan β, dinotasikan Γ (α, β) . Berikut merupakan ilustrasi dari sebaran gamma apabila salah satu parameternya dibuat tetap. Gambar 1 merupakan sebaran gamma dengan parameter β tetap, yaitu β = 2 dan parameter α yang berbeda, yaitu α = 1, 2, 4.
211
212 213
Selanjutnya, Gambar 2 merupakan sebaran gamma dengan parameter α tetap, yaitu α = 2 dan parameter β yang berbeda, yaitu β = 0.5, 1, 1.5.
2.1 Sebaran Gamma
23
214
215 216
Fungsi pembangkit momen bagi peubah acak X yang menyebar gamma ialah Z ∞ 1 xα−1 e−x/β dx MX (t) = etx α Γ (α) β Z0 ∞ 1 = xα−1 e−x(1−βt)/β dx α Γ (α) β 0 α β 1 × Γ (α) × = Γ (α) β α 1 − βt 1 1 = . α,t < (1 − βt) β Selanjutnya, M 0 (t) = (−α) (1 − βt)−α−1 (−β) dan M 00 (t) = (−α) (−α − 1) (1 − βt)−α−2 (−β)2 . Dengan demikian, sebaran gamma memiliki nilai harapan dan ragam sebagai berikut E (X) = M 0 (0) = αβ
217
dan V ar (X) = M 00 (0) − [E (X)]2 = α (α + 1) β 2 − α2 β 2 = αβ 2 .
2.2 Sebaran Khi-Kuadrat
218 219 220
221 222
24
Teorema 2.1 Misalkan X1 , X2 , ..., Xn adalah peubah acak yang saling Pn bebas di mana Xi ∼PΓ (αi , β) untuk i = 1, 2, ..., n. Misalkan pula Y = i=1 Xi , maka Y ∼ Γ ( ni=1 αi , β) . Bukti. Dengan menggunakan asumsi kebebasan dan fungsi pembangkit momen dari sebaran gamma, diperoleh " ( n )# X MY (t) = E exp t Xi i=1
=
n Y
E [exp {tXi }]
i=1
=
n Y
(1 − βt)−αi
i=1
= (1 − βt)− 223 224
225
Pn
i=1
αi
(2.1)
untuk t < P 1/β. Persamaan 2.1 merupakan fungsi pembangkit momen dari z sebaran Γ ( ni=1 αi , β) .
2.2
Sebaran Khi-Kuadrat
Sebaran khi-kuadrat merupakan kasus khusus dari sebaran gamma, yaitu jika parameter α = 2r dan β = 2 di mana r adalah bilangan bulat positif. Nilai harapan dan ragam dari sebaran khi-kuadrat ialah r E (X) = αβ = ×2=r 2 dan V ar (X) = αβ 2 =
r
× 22 = 2r. 2 Jadi, fungsi kepekatan peluang bagi peubah acak kontinu X yang memiliki sebaran khi kuadrat dengan parameter r, dinotasikan dengan X ∼ χ2 (r), ialah 1 f (x) = xr/2−1 e−x/2 I (x > 0) , r/2 Γ (r/2) 2 226 227 228
di mana parameter r disebut sebagai derajat bebas dari sebaran χ2 (r) . Gambar fungsi kepekatan peluang untuk r = 2, r = 4, dan r = 8 diberikan pada Gambar 1.
2.2 Sebaran Khi-Kuadrat
25
Teorema 2.2 Misalkan X memiliki sebaran χ2 (r) . Jika k > −r/2, maka nilai harapan dari X k ada dan 2k Γ 2r + k k . E X = Γ 2r 229
Bukti. E X
k
Z
∞
1 x(r/2)+k−1 e−x/2 dx r/2 Γ (r/2) 2 0 r 1 + k × 2r/2+k × Γ = Γ (r/2) 2r/2 2 r Γ + k = 2k 2 . Γ (r/2) =
z
230
231 232 233
Akibat 2.1 Misalkan X1 , X2 , ..., Xn adalah peubah acak yangP saling bebas di 2 mana XiP ∼ χ (ri ) untuk i = 1, 2, ..., n. Misalkan pula Y = ni=1 Xi , maka Y ∼ χ2 ( ni=1 ri ) . Bukti. Karena sebaran khi-kuadrat dengan derajat bebas r merupakan kasus khusus dari sebaran gamma yang memiliki parameter α = 2r dan β = 2, maka fungsi pembangkit momen bagi sebaran khi-kuadrat ialah M (t) = (1 − βt)−α = (1 − 2t)−r/2 .
234 235
Dengan menggunakan asumsi kebebasan dan fungsi pembangkit momen dari sebaran khi-kuadrat, diperoleh " ( n )# X MY (t) = E exp t Xi i=1
= =
n Y i=1 n Y
E [exp {tXi }] (1 − 2t)−ri /2
i=1 1
= (1 − 2t)− 2 236 237
Pn
i=1 ri
(2.2)
untuk t < 1/2. Pn Persamaan 2.2 merupakan fungsi pembangkit momen dari 2 sebaran χ ( i=1 ri ) . z
2.3 Sebaran t
238
26
Teorema 2.3 Jika Z ∼ N (0, 1) , maka Z 2 ∼ χ2 (1) . Bukti. Misalkan Y = Z 2 , maka fungsi sebaran dari peubah acak Y ialah F (y) = = = = =
239 240 241
P (Y ≤ y) P (Z 2 ≤ y) √ √ P − y ≤ Z ≤ y √ 2P √0 ≤ Z ≤ y R y 2 2 0 √12π e−z /2 dz.
√ Dengan menggunakan butir (8) pada Appendix untuk β (y) = y, α (y) = 0, 2 dan f (z, y) = √12π e−z /2 , maka diperoleh fungsi kepekatan peluang peubah acak Y yaitu f (y) = F 0 (y)
242
243 244
245 246
2 1 √ 1 1 = 0 + 2 × √ e− 2 ( y) − y −1/2 + 0 2 2π 1 = √ √ y −1/2 e−y/2 π 2 1 = y 1/2−1 e−y/2 I (y > 0) . 1 1/2 Γ 2 2 Dengan demikian, Y = Z 2 ∼ Gamma 21 , 2 = χ2 (1) .
Akibat 2.2 Jika peubah acak X menyebar N (µ, σ 2 ) , σ 2 > 0, maka peubah acak V = (X − µ)2 /σ 2 menyebar χ2 (1) . Teorema 2.4 Jika X ∼ Nn (µ, Σ) dengan Σ adalah matriks definit positif, maka peubah acak W = (X − µ)0 Σ−1 (X − µ) memiliki sebaran χ2 (n) . 1
247 248 249
z
1
1
Bukti. Σ adalah matriks definit positif, maka Σ = Σ 2 Σ 2 dan Σ 2 memi1 liki invers. Vektor peubah acak Z = Σ− 2 (X − µ) ∼ Nn (0, In ) . Misalkan n P peubah acak W = Z0 Z = Zi2 . Karena untuk ∀i = 1, 2, ..., n, Zi adalah i−1 bsi
250
peubah acak normal baku bebas, Zi ∼ N (0, 1) , maka
251
baran χ2 (n) .
n P
Zi2 memiliki se-
i−1
z
2.3 Sebaran t
252
253 254 255
2.3
27
Sebaran t
Misalkan peubah acak Z menyebar N (0, 1) dan peubah acak U menyebar χ2 (r) , kedua peubah acak tersebut saling bebas. Fungsi kepekatan peluang bersama bagi Z dan U ialah f (z, u) = f (z) · f (u) 2 z 1 · = √ exp − 2 Γ 2π
1 r 2
u (r/2)−1 u exp − I (−∞ < z < ∞, u > 0) 2 2r/2
Definisikan suatu peubah acak Z T =p . U/r z dan w = u, maka dapat diperoleh Dengan transformasi peubah t = p u/r fungsi kepekatan peluang gT (t) dari peubah acak T. Dari transformasi satusatu, p z t= p dan w = u ⇔ z = t w/r, u = w, u/r 256
diperoleh ∂z ∂z ∂t ∂w J = ∂u ∂u ∂t ∂w p w/r = 0 √ w = √ . r
257
? 1
Fungsi kepekatan peluang bersama bagi peubah acak T dan W = U ialah p g (t, w) = f t w/r, w |J| r+1 1 w t2 −1 2 w exp − 1+ I (−∞ < t < ∞, w > 0) . = √ 2 r 2πrΓ (r/2) 2r/2
2.3 Sebaran t
258
28
Dengan demikian, fungsi kepekatan peluang marginal bagi T ialah Z∞ gT (t) =
g (t, w) dw 0
Z∞
r+1 1 w t2 −1 √ = w 2 exp − 1+ dw 2 r 2πrΓ (r/2) 2r/2 0 !(r+1)/2 1 2 r+1 = √ × ×Γ 2 2 1 + tr 2πrΓ (r/2) 2r/2 !(r+1)/2 Γ r+1 1 2 = √ × I (−∞ < t < ∞) . (2.3) 2 πr × Γ (r/2) 1 + tr 259 260
261 262
263 264 265
266
Definisi 2.2 Jika Z ∼ N (0, 1) , U ∼ χ2 (r) , dan dua peubah acak tersebut Z disebut sebaran t dengan derajat saling bebas, maka sebaran dari T = p U/r bebas r, dinotasikan T ∼ t (r) , serta fungsi kepekatan peluang dari T seperti pada persamaan 2.3. Sebaran t ini dikenal juga sebagai sebaran t−Student yang diperkenalkan pertama kali oleh W. S. Gosset dengan nama samaran Student. Berikut merupakan ilustrasi sebaran t dengan parameter r = 0.5, 1.5, dan ∞.
2.3 Sebaran t
267 268
29
Teorema 2.5 Jika peubah acak T memiliki sebaran t dengan derajat bebas r, maka jika r ≥ 2
E (T ) = 0, r V ar (T ) = , r−2
jika r ≥ 3.
Bukti. Karena T ∼ t (r) , maka Z T =p U/r 269 270
dengan Z ∼ N (0, 1) , U ∼ χ2 (r) , dan dua peubah acak tersebut saling bebas. ! Z E (T ) = E p U/r 1/2 = r E (Z) E U −1/2 = 0. Berdasarkan Teorema 2.2, E U
271 272 273
274
−1/2
= 2−1/2 ×
Γ
r 2
Γ
− 21 , r 2
di mana E U −1/2 terdefinisi bila 2r − 12 > 0 ⇔ r > 1, sehingga E (T ) = 0 jika r ≥ 2. Selanjutnya, momen ke-2 dari peubah acak T ialah 2 Z 2 E T = E U/r = rE Z 2 E U −1 . (2.4) Berdasarkan Teorema 2.2, E U
−1
= 2
−1
×
Γ
1 × r 2 2 1 , = r−2
=
r 2
Γ
−1 r
2 Γ 2r − 1 − 1 Γ 2r − 1
2.3 Sebaran t
275
276
30
sehingga ruas kanan pada persamaan 2.4 menjadi 1 E T2 = r × 1 × r−2 r = , r ≥ 3. r−2 Dengan demikian, V ar (T ) = E T 2 − (E (T ))2 r −0 = r−2 r = , r ≥ 3. r−2 z
277
Contoh 2.1 Misalkan X1 , X2 , X3 , X4 adalah peubah acak bebas dari sebaran normal baku. Tentukan nilai harapan dari peubah acak X 1 − X2 + X 3 . W =p 2 X1 + X22 + X32 + X42 Jawab. Karena Xi ∼ N (0, 1) , maka X1 − X2 + X3 ∼ N (0, 3) dan
X 1 − X2 + X3 √ ∼ N (0, 1) , 3 serta Xi2 ∼ χ2 (1) , sehingga X12 + X22 + X32 + X42 ∼ χ2 (4) .
278
279
Dengan demikian, peubah acak X1 − X2 + X3 √ 2 3 r = √ W ∼ t (4) . 3 X12 + X22 + X32 + X42 4 Berdasarkan Teorema 2.5, nilai harapan dari W ialah √ 3 2 E (W ) = E √ W 2 3 √ 3 = ×0 2 = 0. z
2.4 Sebaran F
280
2.4
31
Sebaran F
Misalkan U dan Y adalah peubah acak bebas khi-kuadrat dengan derajat bebas r1 dan r2 . Fungsi kepekatan peluang bersama bagi peubah acak U dan Y ialah h (u, y) =
1 u(r1 /2)−1 y (r2 /2)−1 e−(u+y)/2 I (u, y > 0) . Γ (r1 /2) Γ (r2 /2) 2(r1 +r2 )/2
Definisikan suatu peubah acak W =
U/r1 . Y /r2
u/r1 dan z = y, maka y/r2 dapat diperoleh fungsi kepekatan peluang gW (w) dari peubah acak W. Dari transformasi satu-satu, Dengan transformasi satu-satu antara peubah w =
u/r1 dan z = y y/r2 ⇔ u = rr12 zw, y = z, w=
281
diperoleh ∂u ∂u ∂z J = ∂w ∂y ∂y ∂w ∂z r1 z = r2 0 r1 z. = r2
282
? 1
Fungsi kepekatan peluang g (w, z) dari peubah acak W dan Z = Y ialah (r /2)−1 1 r1 zw 1 g (w, z) = z (r2 /2)−1 (r +r )/2 1 2 Γ (r1 /2) Γ (r2 /2) 2 r2 z r1 r1 z exp − 1+ w I (0 < w, z < ∞) . 2 r2 r2
2.4 Sebaran F
283
32
Dengan demikian, fungsi kepekatan peluang marginal bagi W ialah Z ∞ g (w, z) dz gW (w) = 0
(r1 /r2 )r1 /2 w(r1 /2)−1 = z (r1 +r2 )/2−1 Γ (r1 /2) Γ (r2 /2) 2(r1 +r2 )/2 0 r1 r1 z z 1+ w dz. × exp − 2 r2 r2 (r1 /r2 )r1 /2 w(r1 /2)−1 r1 + r2 = ×Γ Γ (r1 /2) Γ (r2 /2) 2(r1 +r2 )/2 2 2 × (r1 +r2 )/2 I (w > 0) . r1 1 + r2 w 2 Γ r1 +r (r1 /r2 )r1 /2 w(r1 /2)−1 2 = × (r1 +r2 )/2 I (w > 0) . (2.5) Γ (r1 /2) Γ (r2 /2) r1 1 + r2 w Z
∞
Definisi 2.3 Misalkan U dan Y peubah acak bebas khi-kuadrat dengan derajat bebas r1 dan r2 . Sebaran dari W = 284 285
286 287
288
U/r1 Y /r2
disebut sebaran F dengan derajat bebas r1 dan r2 , dinotasikan F (r1 , r2 ) , dengan fungsi kepekatan peluang seperti pada persamaan 2.5. Berikut merupakan ilustrasi dari sebaran F , yaitu F (5, 10) , F (10, 5) , dan F (10, 10) .
2.5 Teorema Student
289 290
291
33
Teorema 2.6 Jika peubah acak W memiliki sebaran-F dengan derajat bebas r1 dan r2 , maka r2 E (X) = , jika r2 ≥ 3 r2 − 2 2r22 (r1 + r2 − 2) , jika r2 ≥ 5. V ar (X) = r1 (r2 − 2)2 (r2 − 4) Bukti. Analog dengan Teorema 2.5.
z
Contoh 2.2 Misalkan X1 , X2 , X3 , X4 dan Y1 , Y2 , Y3 , Y4 , Y5 adalah peubah acak bebas dari sebaran normal baku. Tentukan ragam dari peubah acak U=
5 (X12 + X22 + X32 + X42 ) . 4 (Y12 + Y22 + Y32 + Y42 + Y52 )
Jawab. Karena Xi ∼ N (0, 1) dan Yi ∼ N (0, 1) , maka X12 + X22 + X32 + X42 ∼ χ2 (4) dan Y12 + Y22 + Y32 + Y42 + Y52 ∼ χ2 (5) , sehingga
292
(X12 + X22 + X32 + X42 ) 4 U= ∼ F (4, 5) . (Y12 + Y22 + Y32 + Y42 + Y52 ) 5 Berdasarkan Teorema 2.6, ragam dari U ialah 2 (5)2 (4 + 5 − 2) V ar (U ) = 4 (5 − 2)2 (5 − 4) 350 = 36 = 9.72. z
293
294
2.5
Teorema Student
Teorema 2.7 Misalkan X1 , X2 , ..., Xn adalah peubah acak bebas stokastik identik yang menyebar N (µ, σ 2 ) . Definisikan peubah acak n
n
X 1 X ¯= 1 ¯ 2, Xi dan S 2 = Xi − X X n i=1 n − 1 i=1
2.5 Teorema Student
295
296
297 298
299
300
301 302 303
304
305 306 307
34
maka σ2 ¯ a. X ∼ N µ, n . ¯ dan S 2 saling bebas. b. X c. (n − 1) S 2 /σ 2 ∼ χ2 (n − 1) . ¯ −µ X √ memiliki sebaran t dengan derajat d. Peubah acak T = S/ n bebas n − 1. Bukti. Misalkan X = (X1 , X2 , ..., Xn )0 . Karena X1 , X2 , ..., Xn adalah peubah acak bebas stokastik identik dari sebaran N (µ, σ 2 ) , maka X memiliki sebaran normal multivariat N (µ1, σ 2 I) di mana 1 merupakan vektor yang ¯ = v0 X. Definberunsur 1. Misalkan v0 = (1/n, ..., 1/n) = (1/n) 10 , maka X 0 ¯ ..., Xn − X ¯ . Perhatikan transforisikan vektor peubah acak Y = X1 − X, masi peubah berikut. ¯ X v0 = W= X. Y I − 1v0 Karena W adalah transformasi linear dari vektor peubah acak normal multivariat, maka berdasarkan Teorema 1.4, W memiliki sebaran normal multivariat dengan nilai harapan v0 µ v0 E (W) = E (X) = µ1 = , (2.6) I − 1v0 I − 1v0 0n di mana 0n adalah vektor yang berunsur 0 dan matriks koragam 0 v0 v0 2 Σ = σ I I − 1v0 I − 1v0 1/n 00n 2 = σ . 0n I − 1v0
(2.7)
¯ saling bebas dengan Y. Dengan Karena koragamnya bernilai nol, maka X ¯ juga saling bebas dengan S 2 = (n − 1)−1 Y0 Y. Selanjutnya, demikian, X ¯ ∼ N µ, σ2 . berdasarkan persamaan 2.6 dan 2.7 diperoleh bahwa X n Misalkan suatu peubah acak V =
2 n X Xi − µ i=1
σ
,
2.5 Teorema Student
35
maka berdasarkan Teorema 2.2, ∀i = 1, ..., n,
Xi − µ σ
2
menyebar χ2 (1) ,
sehingga V =
2 n X Xi − µ i=1
308
σ
∼ χ2 (n)
(lihat Akibat 2.1). Peubah acak V juga dapat dituliskan menjadi ! n ¯ + X ¯ −µ 2 X Xi − X V = σ i=1 n X ¯ − µ 2 ¯ 2 X Xi − X √ = + σ σ/ n i=1 ¯ −µ 2 X (n − 1) S 2 √ + . = σ2 σ/ n
(2.8)
¯ dan S 2 saling bebas, dua bagian pada ruas kanan persamaan 2.8, Karena X ¯ ¯ 2 2 (n − 1) S 2 X −µ X −µ √ √ yaitu dan juga saling bebas. Peubah acak σ2 σ/ n σ/ n merupakan kuadrat dari peubah acak normal baku, sehingga memiliki sebaran χ2 (1) . Selanjutnya, fungsi pembangkit momen dari kedua ruas pada persamaan 2.8, yaitu (n − 1) S 2 −n/2 (1 − 2t) = E exp t (1 − 2t)−1/2 . σ2 309
Dengan demikian, (n − 1) S 2 (1 − 2t)−n/2 = E exp t σ2 (1 − 2t)−1/2 = (1 − 2t)−(n−1)/2 ,
310
311
312
(n − 1) S 2 ∼ χ2 (n − 1) . σ2 Selanjutnya, dapat disimpulkan bahwa peubah acak T , yaitu ¯ − µ / (σ/√n) X T = p (n − 1) S 2 / (σ 2 (n − 1)) ¯ −µ X √ = S/ n
sehingga
memiliki sebaran t dengan derajat bebas (n − 1) .
z
2.6 Latihan
313 314
315
36
Contoh 2.3 Diketahui X ∼ N (10, 25) dan X1 , X2 , ..., X501 adalah contoh acak dari populasi X. Tentukan nilai harapan dari ragam contoh S 2 . Jawab. Berdasarkan Teorema 2.7,
(501 − 1) S 2 ∼ χ2 (500) , sehingga 25
(501 − 1) S 2 = 500 E 25 500 E S 2 = 500 25 25 2 (500) E S = 500 = 25.
z
316
317
318 319 320
321 322 323
324
325 326
327 328
2.6
Latihan
1. Misalkan X1 dan X2 merupakan contoh acak dari sebaran dengan fkp f (x) = exp (−x)I(x > 0), maka tunjukkanlah bahwa Z = X1 /X2 merupakan peubah acak bersebaran F. Tentukan pula derajat bebasnya. 2. Tunjukkan bahwa fungsi kepekatan peluang bagi peubah acak W = U/r1 adalah seperti pada persamaan 2.5, serta tentukan momen ke-k V /r2 dari peubah acak W. W di mana W ∼ N (0, 1) dan V ∼ 3. Misalkan peubah acak T = p V /r χ2 (r) saling bebas. Tunjukkan bahwa memiliki sebaran-F dengan parameter r1 = 1 dan r2 = r. 4. Misalkan X1 , X2 , X3 adalah tiga peubah acak bebas khi-kuadrat dengan derajat bebas masing-masing adalah r1 , r2 , dan r3 .
330
a. Tunjukkan bahwa Y1 = Y2 ∼ χ2 (r1 + r2 ) .
331
b. Tunjukkan bahwa
329
332
X1 X2
dan Y2 = X1 + X2 saling bebas serta
X1 /r1 X3 /r3 merupakan peubah dan X2 /r2 (X1 + X2 ) / (r1 + r2 ) acak bebas yang memiliki sebaran-F.
333
334
335
BAB 3 Pendugaan Parameter 3.1
Penduga Titik
Dalam statistika, populasi adalah sekumpulan data yang mempunyai karakteristik yang sama dan menjadi objek inferensi. Statistika inferensia mendasarkan diri pada dua konsep dasar, yaitu populasi sebagai keseluruhan data dan sampel sebagai bagian dari populasi yang digunakan untuk melakukan pendekatan terhadap populasi. Suatu populasi biasanya dijelaskan oleh suatu peubah acak X. Jika informasi mengenai sebaran f (x; θ) dari peubah acak X diketahui, maka informasi mengenai populasi tersebut juga akan diketahui. Misalkan X1 , X2 , ..., Xn adalah peubah acak yang memiliki fungsi kepekatan peluang f (x; θ) yang sama dengan populasi, maka X1 = x1 , X2 = x2 , ..., Xn = xn
347
merupakan data atau nilai amatan sampel yang digunakan untuk mewakili populasi. Misalkan X adalah peubah acak yang memiliki fungsi kepekatan peluang f (x; θ) atau fungsi massa peluang p (x; θ), di mana θ merupakan suatu bilangan real atau vektor bilangan real yang tidak diketahui. Asumsikan bahwa θ ∈ Ω merupakan himpunan bagian dari Rp untuk p ≥ 1. Dalam tulisan ini, kadangkala notasi f (x; θ) digunakan baik sebagai fungsi kepekatan peluang atau fungsi massa peluang peubah acak X, yang hasilnya berlaku baik untuk kasus peubah acak kontinu maupun diskret. Sebagai contoh, θ merupakan vektor (µ, σ 2 ) jika X ∼ N (µ, σ 2 ) atau θ merupakan peluang sukses p jika X memiliki sebaran binomial. Informasi mengenai parameter θ dapat diketahui berdasarkan sampel X1 , X2 , ..., Xn .
348
Definisi 3.1 Peubah acak X1 , X2 , ..., Xn disebut sebagai sampel acak dari
336 337 338 339 340 341 342 343 344 345 346
37
3.2 Metode Pendugaan Titik
349 350
351 352 353 354
38
peubah acak X jika peubah-peubah acak tersebut saling bebas dan masingmasing memiliki sebaran yang sama dengan sebaran X. Definisi 3.2 Misalkan n peubah acak X1 , X2 , ..., Xn merupakan sampel acak dari X yang memiliki sebaran f (x; θ). Fungsi dari sampel yang tidak bergantung pada parameter θ, yaitu T = T (X1 , X2 , ..., Xn ) disebut sebagai statistik. Statistik T yang didefinisikan pada definisi 3.2, digunakan untuk menduga parameter θ. Dalam hal ini, T (X1 , X2 , ..., Xn ) disebut sebagai penduga (estimator ) titik bagi θ yang dilambangkan dengan ˆθ dan T (x1 , x2 , ..., xn ) disebut sebagai dugaan (estimate) titik bagi θ. Sebagai contoh, andaikan X1 , X2 , ..., Xn merupakan sampel acak dari suatu sebaran dengan nilai harapan µ dan ragam σ 2 , maka Xn 1 Xn ¯ 2 ¯= 1 Xi dan σ ˆ2 = S2 = Xi − X µ ˆ=X i=1 i=1 n n−1 merupakan penduga titik bagi µ dan σ 2 , serta dugaan titik bagi µ dan σ 2 ialah 1 Xn 1 Xn xi dan s2 = (xi − x¯)2 . x¯ = i=1 i=1 n n−1
361
Pada pendugaan titik secara parametrik, diasumsikan bahwa sebaran populasi f (x; θ) diketahui, sehingga pendugaan yang dilakukan hanya pada parameter yang tidak diketahui, yaitu parameter θ atau fungsi dari parameter θ, misalkan k (θ) . Pendugaan tersebut dilakukan berdasarkan informasi yang tersedia dari sampel. Terdapat beberapa metode untuk melakukan pendugaan titik, di antaranya metode momen dan metode kemungkinan maksimum.
362
3.2
363
3.2.1
355 356 357 358 359 360
Metode Pendugaan Titik Metode Momen
Misalkan X1 , X2 , ..., Xn merupakan sampel acak dari populasi X dengan fungsi kepekatan atau fungsi massa peluang f (x; θ1 , θ2 , ..., θm ) di mana θ1 , θ2 , ..., θm merupakan parameter-parameter yang tidak diketahui. Misalkan pula E X k = gk (θ1 , θ2 , ..., θm )
3.2 Metode Pendugaan Titik
39
merupakan momen ke-k dari populasi. Selanjutnya, misalkan n
Mk = 364 365 366 367
1X k X n i=1 i
merupakan momen ke-k dari sampel. Dengan menggunakan metode momen, penduga bagi m-parameter θ diperoleh dengan cara mencari solusi dari persamaan penduga m-momen pertama (jika ada) yang memberi solusi tunggal (khas) dari X, yaitu ˆ ˆ ˆ g1 θ1 , θ2 , ..., θm = M1 g2 ˆθ1 , ˆθ2 , ..., ˆθm = M2 g3 ˆθ1 , ˆθ2 , ..., ˆθm = M3 .. . gm ˆθ1 , ˆθ2 , ..., ˆθm = Mm . Contoh 3.1 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari populasi X dengan fungsi kepekatan peluang 1 f (x; θ) = I (0 < x < θ) θ
368
369
370 371
Tentukan penduga bagi θ dengan menggunakan metode momen. Jawab. Berdasarkan fungsi kepekatan peluang f (x; θ) , maka X ∼ serθ agam (0, θ) , sehingga E (X) = = g1 (θ) . Dengan menggunakan metode 2 momen diperoleh g1 ˆθ = M1 , ˆθ ¯ = X. 2 Jadi, penduga bagi θ ialah ˆθ = 2X. ¯
372
373 374 375
z Contoh 3.2 Misalkan X ∼ N (µ, σ 2 ) dan X1 , X2 , ..., Xn adalah contoh acak dari populasi X. Tentukan penduga bagi µ dan σ 2 dengan menggunakan metode momen.
3.2 Metode Pendugaan Titik
376
40
Jawab. Karena X ∼ N (µ, σ 2 ), maka E (X) = µ E X 2 = σ 2 + µ2 ,
377
sehingga g1 µ, σ 2 = µ g2 µ, σ 2 = σ 2 + µ2 .
378
Dengan metode momen, g1 µ ˆ, σ ˆ2
= M1
2
= M2 ,
g2 µ ˆ, σ ˆ 379
sehingga n
µ ˆ =
1X ¯ Xi = X, n i=1 n
2
σ ˆ +µ ˆ
2
σ ˆ
2
1X 2 = X n i=1 i n
1X 2 = Xi − µ ˆ2 n i=1 n
=
1X 2 ¯2 X −X n i=1 i n
1X ¯ 2. Xi − X = n i=1 380 381
¯ Jadi, penduga bagi parameter µ dan σ 2 secara berturut-turut ialah µ ˆ =X P 1 n ¯ 2. dan σ ˆ2 = z i=1 Xi − X n Contoh 3.3 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari populasi X dengan fungsi kepekatan peluang f (x; θ) = θxθ−1 I (0 < x < 1)
382 383 384 385
di mana 0 < θ < ∞ ialah parameter yang tidak diketahui. Dengan menggunakan metode momen, tentukan penduga bagi θ. Jika x1 = 0.2, x2 = 0.6, x3 = 0.5, x4 = 0.3 adalah nilai amatan dari empat sampel acak, maka tentukan dugaan bagi θ.
3.2 Metode Pendugaan Titik
386
41
Jawab. Nilai harapan bagi X dengan f (x; θ) = θxθ−1 I (0 < x < 1) ialah Z1 E (X) =
xf (x; θ) dx 0
Z1 =
xθxθ−1 dx
0
θ , θ+1
=
sehingga g1 (θ) = 387
θ . θ+1
Dengan metode momen, M1
= g1 ˆθ
¯ = X
ˆθ
ˆθ + 1 ¯ X ˆθ = ¯, 1−X
¯ adalah rata-rata dari sampel. Dengan demikian, statistik dengan X adalah penduga bagi θ,
¯ X ¯ 1−X
¯ X ¯. 1−X Karena x1 = 0.2, x2 = 0.6, x3 = 0.5, x4 = 0.3, diperoleh x¯ = 0.4, sehingga dugaan bagi θ ialah 0.4 2 = . 1 − 0.4 3 z ˆθ =
388
389 390 391 392 393
Contoh 3.4 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran seragam (α, β) , α < β. Dengan menggunakan metode momen, tentukan penduga bagi α dan β. Untuk ukuran sampel n = 9 dengan nilai-nilai amatan 0.5, 0.6, 0.1, 0.9, 1.3, 1.6, 0.7, 0.9, dan 1.0, tentukanlah dugaan bagi α dan β.
3.2 Metode Pendugaan Titik
394 395
42
= g1 (α, β) dan E (X 2 ) = 31 (α2 + αβ + β 2 ) = Jawab. Karena E (X) = α+β 2 g2 (α, β) , maka dengan metode momen diperoleh n α ˆ + βˆ 1X = Xi = Q1 , 2 n i=1 n 2 1 2 1X 2 α ˆ +α ˆ βˆ + βˆ = X = Q2 . 3 n i=1 i
(3.1) (3.2)
Dari persamaan 3.1 dan 3.2, diperoleh α ˆ + βˆ = 2Q1 ⇔ α ˆ = 2Q1 − βˆ 2 α ˆ2 + α ˆ βˆ + βˆ = 3Q2 2 2 ⇔ 2Q1 − βˆ + 2Q1 − βˆ βˆ + βˆ = 3Q2 2 ˆ 1 + 4Q2 − 3Q2 = 0 ⇔ βˆ − 2βQ 1 q 2Q1 ± 4Q21 −4(4Q21 −3Q2 ) ⇔ βˆ 1,2 = p 2 ⇔ βˆ 1,2 = Q1 ± p3 (Q2 − Q21 ) ⇔ α ˆ 1,2 = Q1 ∓ 3 (Q2 − Q21 ).
396
ˆ maka Karena α ˆ < β, q α ˆ = Q1 − 3 (Q2 − Q21 ) q βˆ = Q1 + 3 (Q2 − Q21 ).
403
Untuk ukuran sampel n = 9 dengan nilai-nilai amatan 0.5, 0.6, 0.1, 0.9, 1.3, 1.6, 0.7, 0.9, dan 1.0 akan diperoleh dugaan bagi Q1 sebesar 0.84 dan dugaan bagi Q2 sebesar 0.89 serta dugaan bagi α sebesar 0.096 dan dugaan bagi β sebesar 1.584. z Dari Contoh 3.4, dugaan yang diperoleh dengan metode momen tidak memberikan dugaan yang layak, karena untuk menduga β yang seharusnya bernilai lebih besar sama dengan 1.6, diperoleh dugaannya sebesar 1.584.
404
3.2.2
397 398 399 400 401 402
Metode Kemungkinan Maksimum
Definisi 3.3 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari populasi X dengan fungsi kepekatan peluang f (x; θ), di mana θ adalah parameter yang
3.2 Metode Pendugaan Titik
43
tidak diketahui dalam ruang parameter Ω. Fungsi kemungkinan atau likelihood function, L (θ; x) , didefinisikan sebagai berikut L (θ; x) =
n Y
f (xi ; θ) .
i=1 405 406 407
Catatan : L (θ; x) adalah fungsi kepekatan bersama dari sampel. Karena L (θ; x) merupakan fungsi dari θ, maka kita juga dapat menggunakan notasi L (θ) . Definisi 3.4 Suatu fungsi dari X, katakanlah ˆθ = ˆθ (X) disebut penduga kemungkinan maksimum bagi θ bila ˆθ = Arg sup L (θ; X) . θ∈Ω
408 409
Berikut merupakan langkah-langkah untuk menentukan penduga kemungkinan maksimum. 1. Definisikan fungsi kemungkinan L (θ) untuk amatan sampel x1 , x2 , ..., xn , n Y f (xi ; θ) . L (θ) = i=1
410 411 412
413 414 415
2. Perhatikan bahwa setiap nilai θ yang memaksimumkan L (θ) juga akan memaksimumkan fungsi log-kemungkinan ln L (θ), sehingga untuk memudahkan perhitungan kita tentukan θ yang memaksimumkan ln L (θ) . 3. Nyatakan θ sebagai ˆθ untuk memperoleh penduga kemungkinan maksimum bagi θ dengan menggantikan amatan sampel dengan peubah acaknya. Contoh 3.5 Misalkan dan X1 , X2 , ..., Xn adalah sampel acak dari populasi X dengan fungsi kepekatan peluang 1 f (x; θ) = I (0 < x < θ) . θ
416 417
Tentukan penduga bagi θ dengan menggunakan metode kemungkinan maksimum.
3.2 Metode Pendugaan Titik
418
44
Jawab. Fungsi kemungkinan dari contoh ialah L (θ) =
n Y
f (xi ; θ)
i=1 n Y
1 , θ > xi (i = 1, 2, ..., n) θ i=1 n 1 = , θ > max {x1 , ..., xn } θ n 1 ln L (θ) = ln θ = −n ln θ. =
Ruang parameter θ terhadap L (θ) ialah Ω = {θ ∈ R | xmax < θ < ∞} = (xmax , ∞) . 419 420
Selanjutnya, tentukan θ yang memaksimumkan ln L (θ) . Turunan pertama dari ln L (θ) ialah d d ln L (θ) = [−n ln θ] dθ dθ n = − < 0. θ Karena d lndθL(θ) < 0, maka ln L (θ) merupakan fungsi turun. Dengan demikian, θ = xmax memaksimumkan fungsi ln L (θ) . Jadi, penduga kemungkinan maksimum bagi θ ialah ˆθ = X(n) ,
421
di mana X(n) adalah statistik tataan ke-n dari sampel.
z
Contoh 3.6 Jika X1 , X2 , ..., Xn adalah sampel acak dengan fungsi kepekatan peluang f (x; θ) = θe−θx I (x > 0) , 422
maka tentukan penduga kemungkinan maksimum bagi θ.
3.2 Metode Pendugaan Titik
423
45
Jawab. Fungsi kemungkinan dari sampel ialah L (θ) =
n Y
f (xi ; θ)
i=1
" ln L (θ) = ln
n Y
# f (xi ; θ)
i=1
= =
n X i=1 n X
ln f (xi ; θ) ln θe−θxi
i=1
=
n X
[ln θ − θxi ]
i=1
= n ln θ − θ
n X
xi .
i=1 424
Kemudian, tentukan nilai maksimum dari ln L (θ) . d ln L (θ) = 0 dθ " # n X d n ln θ − θ xi = 0 dθ i=1 n
n X − xi = 0 θ i=1 n X n = xi θ i=1
θ = 425
1 . x¯
Turunan kedua bagi ln L (θ) ialah d2 ln L (θ) n = − 2 2 dθ θ d2 ln L (θ) = −n¯ x2 < 0. 2 dθ Dengan demikian, penduga kemungkinan maksimum bagi θ ialah ˆθ = 1 . ¯ X
3.2 Metode Pendugaan Titik
46
z
426
Contoh 3.7 Jika X1 , X2 , ..., Xn adalah sampel acak dengan fungsi kepekatan peluang f (x; θ) = (1 − θ) x−θ I (0 < x < 1) , 427
428
maka tentukan penduga kemungkinan maksimum bagi θ. Jawab. Fungsi kemungkinan dari sampel ialah L (θ) =
n Y
f (xi ; θ)
i=1
" ln L (θ) = ln
n Y
# f (xi ; θ)
i=1
=
n X
ln f (xi ; θ)
i=1
=
n X
ln (1 − θ) x−θ i
i=1
= n ln (1 − θ) − θ
n X
ln xi .
i=1 429
Kemudian, tentukan nilai maksimum dari ln L (θ) . d ln L (θ) = 0 dθ # " n X d n ln (1 − θ) − θ ln xi = 0 dθ i=1 n
X n − ln xi = 0 − 1 − θ i=1 n
1 1X = − ln xi 1−θ n i=1 n θ = 1 + Pn . i=1 ln xi 430
Turunan kedua bagi ln L (θ) ialah d2 ln L (θ) n = − 2 dθ (1 − θ)2 P 2 ( ni=1 ln xi ) = − < 0. n
3.2 Metode Pendugaan Titik
47
Dengan demikian, L (θ) maksimum bila θ = 1 + Pn
n
i=1
ln xi
,
sehingga penduga kemungkinan maksimum bagi θ ialah ˆθ = 1 + Pn n . i=1 ln Xi z
431
432 433 434
435
Contoh 3.8 Misalkan dan X1 , X2 , ..., Xn adalah sampel acak dari populasi X yang menyebar N (θ1 , θ2 ) . Tentukan penduga bagi θ1 dan θ2 dengan menggunakan metode kemungkinan maksimum. Jawab. Fungsi kemungkinan dari sampel tersebut ialah L (θ1 , θ2 ) =
n Y
f (xi ; θ1 , θ2 )
i=1
" # 1 (xi − θ1 )2 √ = exp − 2θ2 2πθ 2 i=1 " P # n 2 (x − θ ) i 1 = (2πθ2 )−n/2 exp − i=1 2θ2 Pn 2 n n i=1 (xi − θ1 ) ln L (θ1 , θ2 ) = − ln (2π) − ln θ2 − . 2 2 2θ2 n Y
3.2 Metode Pendugaan Titik
436
48
Kemudian, tentukan nilai maksimum dari ln L (θ1 , θ2 ) . ∂ ln L (θ1 , θ2 ) = 0 ∂θ1 P 2 ni=1 (xi − θ1 ) = 0 2θ2 Pn i=1 xi θ1 = n θ1 = x¯, ˆθ1 = X, ¯ ∂ ln L (θ1 , θ2 ) = 0 ∂θ2 Pn (xi − θ1 )2 n + i=1 − = 0 2θ2 2 (θ2 )2 Pn 2 n i=1 (xi − θ1 ) = 2 2θ2 2 (θ2 ) Pn 2 i=1 (xi − θ1 ) θ2 = . n
(3.3)
(3.4)
Selanjutnya, substitusikan 3.3 pada 3.4 untuk menentukan penduga kemungkinan maksimum bagi θ2 , yaitu Pn ¯ 2 X − X i i=1 ˆθ2 = . n 437
438 439 440
z Contoh 3.9 Misalkan dan X1 , X2 , ..., Xn adalah sampel acak dari populasi X yang menyebar gamma dengan parameter α dan β. Tentukan penduga bagi α dan β dengan menggunakan metode kemungkinan maksimum.
3.2 Metode Pendugaan Titik
441
49
Jawab. Fungsi kemungkinan dari sampel tersebut ialah L (α, β) =
n Y
f (xi ; α, β)
i=1 n Y
1 xα−1 e−xi /β i α Γ (α) β i=1 !α−1 ! n n Y 1X 1 xi xi exp − = [Γ (α)]n β nα i=1 β i=1
=
ln L (α, β) = −n ln Γ (α) − nα ln β + (α − 1)
n X i=1
442
n 1X ln xi − xi . β i=1
Kemudian, tentukan nilai maksimum dari ln L (α, β) . ∂ ln L (α, β) = 0 ∂β Pn xi nα − + i=12 = 0 β β Pn i=1 xi nα = β x¯ β = , α
(3.5)
∂ ln L (α, β) = 0 ∂α n X n 0 − Γ (α) − n ln β + ln xi = 0 Γ (α) i=1 n
1X Γ0 (α) − − ln β + ln xi = 0 Γ (α) n i=1 n
Γ0 (α) 1X + ln β = ln xi . Γ (α) n i=1 443
(3.6)
Selanjutnya, substitusikan 3.5 pada 3.6 untuk menentukan penduga kemu-
3.2 Metode Pendugaan Titik
444
50
ngkinan maksimum bagi α, n
1X Γ0 (α) + ln β = ln xi Γ (α) n i=1 n
Γ0 (α) x¯ 1X + ln = ln xi Γ (α) α n i=1 n
Γ0 (α) 1X + ln x¯ − ln α = ln xi Γ (α) n i=1 n
Γ0 (α) 1X − ln α = ln xi − ln x¯. Γ (α) n i=1 445 446 447
Perhatikan bahwa persamaan 3.7 merupakan persamaan implisit, sehingga dibutuhkan analisis numerik untuk menentukan penduga kemungkinan maksimum bagi α, yaitu α ˆ dan penduga kemungkinan maksimum bagi β ialah ¯ X βˆ = . α ˆ
448 449 450 451 452
453 454
455
456
(3.7)
(3.8)
z ˆ Penduga kemungkinan maksimum θ bagi parameter θ memiliki sifat inˆ varian. Sifat invarian tersebut menyatakan bahwa jika θ adalah penduga kemungkinan maksimum bagi θ, maka g ˆθ adalah penduga kemungkinan maksimum bagi g (θ) . Sifat tersebut dinyatakan dalam teorema berikut. Teorema 3.1 Misalkan ˆθ adalah penduga kemungkinan maksimum bagi θ, ˆ maka penduga kemungkinan maksimum bagi g (θ) adalah g θ . Berikut merupakan contoh yang menjelaskan Teorema 3.1. Contoh 3.10 Jika X1 , X2 , ..., Xn adalah sampel acak dengan fungsi kepekatan peluang f (x; θ) = θe−θx I (x > 0) , √ maka tentukan penduga kemungkinan maksimum bagi θ2 + 5. Jawab. Berdasarkan Contoh 3.6, diperoleh penduga kemungkinan maksimum dari θ ialah ˆθ = 1 , ¯ X
3.3 Sifat-Sifat Penduga
457
458
51
maka√dengan menggunakan Teorema 3.1, penduga kemungkinan maksimum bagi θ2 + 5 ialah r 1 ¯ 2 + 5. X z
3.3
Sifat-Sifat Penduga
Secara umum, perbedaan penggunaan metode pendugaan akan menghasilkan penduga yang berbeda. Seperti pada Contoh 3.1 dan Contoh 3.5, jika X ∼ seragam (0, θ) dan X1 , X2 , ..., Xn adalah sampel acak dari populasi X, maka penduga yang diperoleh dengan metode momen ialah ˆθ1 = 2X, ¯ sedangkan penduga yang diperoleh dengan metode kemungkinan maksimum ialah ˆθ2 = X(n) .
462
Untuk menentukan manakah penduga yang lebih baik, perlu diperiksa apakah penduga tersebut memenuhi sifat-sifat penduga yang baik. Suatu penduga dikatakan baik apabila memenuhi sifat-sifat berikut, yaitu ketakbiasan, memiliki ragam minimum, dan konsisten.
463
3.3.1
459 460 461
Ketakbiasan
Definisi 3.5 Misalkan X adalah peubah acak dengan fungsi kepekatan atau fungsi massa peluang f (x; θ) , θ ∈ Ω. Misalkan pula X1 , X2 , ..., Xn adalah sampel acak dari X dan T merupakan suatu statistik. T dikatakan penduga takbias bagi θ jika E (T ) = θ, ∀θ ∈ Ω. Jika E (T ) 6= θ, maka T disebut penduga bias bagi θ. Bias dari ˆθ, yang dinotasikan B ˆθ, θ , didefinisikan sebagai ˆ B θ, θ = E ˆθ − θ. Jika
lim B ˆθ, θ = 0 atau lim E (T ) = θ,
n→∞ 464
n→∞
maka ˆθ merupakan penduga takbias asimtotik bagi θ.
3.3 Sifat-Sifat Penduga
465 466 467
468 469
470
52
Contoh 3.11 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran normal dengan nilai harapan µ dan ragam σ 2 . Apakah penduga bagi µ dan σ 2 yang telah ditunjukkan pada Contoh 3.2 merupakan penduga takbias? Jawab. Berdasarkan Contoh 3.2, penduga bagi µ dan σ 2 berturut-turut ialah n 1X 2 ¯ ¯ 2. µ ˆ = X dan σ ˆ = Xi − X n i=1 ¯ = µ. Jadi, X ¯ adalah penduga takbias ¯ ∼ N µ, σ2 , maka E X Karena X n bagi µ. " n # 2 2 1X ¯ = E E σ ˆ Xi − X n i=1 " # n 2 n−1 1 X ¯ = E Xi − X n n − 1 i=1 " # n 2 1 X n−1 ¯ E = Xi − X n n − 1 i=1 n − 1 2 E S = n n−1 2 σ2 E S , = (3.9) n σ2 Karena
n−1 2 S ∼ χ2 (n − 1), maka persamaan 3.9 menjadi σ2 E σ ˆ2
471
Jadi, σ ˆ2 =
1 n
Pn
i=1
¯ Xi − X
2
σ2 (n − 1) n n−1 2 = σ n 6= σ 2 . =
merupakan penduga bias bagi σ 2 .
z
3.3 Sifat-Sifat Penduga
472
53
Pada Contoh 3.11, = E σ ˆ 2 − σ2 n−1 2 = σ − σ2 n n−1 2 2 2 2 lim B σ ˆ ,σ = lim σ −σ n→∞ n→∞ n σ2 = lim − n→∞ n = 0. ˆ 2 merupakan penduga takbias asimtotik Karena lim B σ ˆ 2 , σ 2 = 0, maka σ n→∞ n−1 2 bagi σ 2 . Selanjutnya, berdasarkan fakta bahwa S ∼ χ2 (n − 1) , maka 2 σ n−1 2 E S = n − 1, σ2 B σ ˆ 2, σ2
yang berarti bahwa E S
2
σ2 × (n − 1) = σ 2 . = n−1
Jadi, n
1 X ¯ 2 Xi − X S = n − 1 i=1 2
473 474 475
merupakan penduga takbias bagi σ 2 . Penduga takbias kadang dapat memberi dugaan yang tidak layak seperti pada contoh berikut. Contoh 3.12 Misalkan X ∼ P oisson (θ) , θ > 0 dengan f (x; θ) =
e−θ θx I (x = 0, 1, 2, ...) . x!
477
Ingin diperoleh penduga takbias bagi e−3θ . Untuk peubah acak tersebut, berikan penduga bagi fungsi parameter g (θ) = e−3θ .
478
Jawab. Untuk sampel acak berukuran satu, yaitu X, T (X) = (−2)X ,
476
3.3 Sifat-Sifat Penduga
479
54
diperoleh E (T (X)) = E (−2)X ∞ −θ x X x e θ = (−2) · x! x=0 −θ
= e
n X (−2θ)x
x=1 −θ −2θ
x!
= e e = e−3θ . 480 481 482 483
484
Jadi, T (X) = (−2)X merupakan penduga takbias bagi e−3θ , tetapi dugaan yang diperoleh akan kurang dari nol bila x merupakan bilangan gasal, suatu dugaan yang tidak layak digunakan bagi suatu fungsi parameter yang positif. z
3.3.2
Efisiensi Relatif Penduga
Definisi 3.6 Misalkan ˆθ1 dan ˆθ2 adalah dua penduga θ. Penduga takbias bagi ˆθ1 dikatakan lebih efisien daripada ˆθ2 jika V ar ˆθ1 < V ar ˆθ2 . Rasio η didefinisikan sebagai berikut V ar ˆθ2 , η ˆθ1 , ˆθ2 = V ar ˆθ1 485
merupakan efisiensi relatif dari ˆθ1 terhadap ˆθ2 . Contoh 3.13 Misalkan X1 , X2 , X3 adalah tiga sampel acak dari populasi ¯ dan dengan nilai harapan µ dan ragam σ 2 > 0. Jika statistik X Y =
486
X1 + 2X2 + 3X3 6
adalah dua penduga takbias bagi µ, maka penduga manakah yang lebih efisien?
3.3 Sifat-Sifat Penduga
487
488
55
¯ dan Y ialah Jawab. Ragam dari X X + X + X 1 2 3 ¯ = V ar V ar X 3 1 = [V ar (X1 ) + V ar (X2 ) + V ar (X3 )] 9 1 = 3σ 2 9 1 2 12 2 = σ = σ 3 36 dan V ar (Y ) = V ar
X1 + 2X2 + 3X3 6
1 [V ar (X1 ) + 4V ar (X2 ) + 9V ar (X3 )] 36 1 14σ 2 = 36 14 2 = σ . 36 2 ¯ < V ar (Y ) = 14 σ 2 , sehingga X ¯ merupakan penduga Jadi, 12 σ = V ar X 36 36 ¯ yang lebih efisien daripada Y. Efisiensi relatif dari X terhadap Y ialah =
¯ Y = 14 = 7 . η X, 12 6 z
489
490
491 492 493 494 495 496 497 498
3.3.3
Efisiensi dan Pertaksamaan Rao-Cram` er
Pada subbab sebelumnya dibahas efisiensi relatif dari dua penduga takbias dengan cara membandingkan ragamnya. Berdasarkan definisi efisiensi relatif penduga tersebut, timbul pertanyaan apakah terdapat penduga yang paling efisien di antara beberapa penduga takbias tersebut? Untuk mengetahui hal tersebut, kita dapat menentukan apakah ada penduga yang paling efisien berdasarkan batas bawah pertaksamaan Rao-Cram`er. Jika suatu penduga memiliki ragam yang nilainya sama dengan batas bawah pertaksamaan RaoCram`er, maka penduga tersebut adalah penduga yang paling efisien.
3.3 Sifat-Sifat Penduga
56
Definisi 3.7 Misalkan X adalah peubah acak dengan fungsi kepekatan peluang f (x; θ). Andaikan f (x; θ) kontinu dan terturunkan dua kali, maka informasi Fisher, dinotasikan I (θ) , didefinisikan sebagai 2 Z ∞ d ln f (x; θ) f (x; θ) dx. I (θ) = dθ −∞ i2 h Dengan kata lain, I (θ) adalah nilai harapan dari peubah acak d ln fdθ(X;θ) , yaitu 2 ! d ln f (X; θ) . I (θ) = E dθ 499
Lema berikut adalah formula alternatif untuk informasi Fisher. Lema 3.1 Informasi Fisher I (θ) juga dapat didefinisikan sebagai 2 d ln f (X; θ) I (θ) = −E . dθ2
500
Bukti. Karena f (x; θ) adalah fungsi kepekatan peluang, maka Z ∞ f (x; θ) dx = 1.
(3.10)
−∞ 501
502
Turunkan persamaan 3.10 terhadap θ, Z ∞ d f (x; θ) dx = 0. dθ −∞
(3.11)
Selanjutnya, persamaan 3.11 dapat ditulis menjadi Z ∞ df (x; θ) 1 f (x; θ) dx = 0 dθ f (x; θ) −∞ Z
Z 503
∞ −∞
d ln f (x; θ) f (x; θ) dx = 0 dθ
∞
d ln f (x; θ) df (x; θ) d2 ln f (x; θ) f (x; θ) + dx = 0 dθ2 dθ dθ
d2 ln f (x; θ) d ln f (x; θ) df (x; θ) 1 f (x; θ) + f (x; θ) dx = 0 dθ2 dθ dθ f (x; θ)
"
# 2 d2 ln f (x; θ) d ln f (x; θ) f (x; θ) + f (x; θ) dx = 0 dθ2 dθ
−∞
Z
∞ −∞
Z
∞ −∞
3.3 Sifat-Sifat Penduga
57
Jadi, berdasarkan persamaan di atas diperoleh 2 Z ∞ Z ∞ 2 d ln f (x; θ) d ln f (x; θ) f (x; θ) dx = − f (x; θ) dx. dθ dθ2 −∞ −∞ Dengan demikian, berdasarkan Definisi 3.7 diperoleh Z ∞ 2 d ln f (x; θ) I (θ) = − f (x; θ) dx. dθ2 −∞ z
504
Lema 3.2 Jika X1 , X2 , ..., Xn adalah sampel acak dari sebaran X dengan fungsi kepekatan peluang f (x; θ), maka informasi Fisher dari sampel berukuran n ialah In (θ) = nI (θ) . 505
Bukti. Dengan menggunakan Definisi 3.7, 2 d ln f (X1 , X2 , ..., Xn ; θ) In (θ) = −E dθ2 2 d = −E [ln f (X1 ; θ) + ... + ln f (Xn ; θ)] dθ2 2 2 d ln f (X1 ; θ) d ln f (Xn ; θ) = −E − ... − E dθ2 dθ2 = I (θ) + ... + I (θ) = nI (θ) . z
506
Contoh 3.14 Misalkan X adalah peubah acak dari sebaran eksponensial dengan fungsi kepekatan peluang 1 f (x; θ) = e−x/θ I (0 ≤ x < ∞) , θ > 0. θ 507
508 509
Tentukan I (θ) dengan menggunakan Definisi 3.7 dan Lema 3.1. Jawab. Karena f (x; θ) = 1θ e−x/θ , maka ln f (x; θ) = − ln θ − xθ . Turunan pertama dari ln f (x; θ) terhadap θ ialah d ln f (x; θ) 1 x = − + 2 dθ θ θ 2 d ln f (x; θ) 1 2x x2 = 2 − 3 + 4. dθ θ θ θ
3.3 Sifat-Sifat Penduga
510 511
58
Karena X ∼ eksponensial(θ) , maka E (X) = θ dan E (X 2 ) = 2θ2 , sehingga dengan menggunakan Definisi 3.7 diperoleh " 2 # d ln f (X; θ) I (θ) = E dθ 1 2θ 2θ2 − + 4 θ2 θ3 θ 1 = 2. θ =
512
513
514 515
516
Jika menggunakan Lema 3.1, maka diperlukan turunan kedua dari ln f (x; θ) terhadap θ, yaitu d2 ln f (x; θ) 1 2x = − . dθ2 θ2 θ3 Dengan demikian, 2 d ln f (X; θ) I (θ) = −E dθ2 2X 1 = −E 2 − 3 θ θ 1 2θ = − 2− 3 θ θ 1 = 2. θ z Contoh 3.15 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran normal dengan parameter µ dan σ 2 . Tentukan informasi Fisher In (µ) . Jawab. Misalkan X ∼ N (µ, σ 2 ) , maka "
(x − µ)2 ln f (x; µ) = ln √ exp − 2σ 2 2πσ 2 (x − µ)2 1 − , = ln √ 2σ 2 2πσ 2 1
517
#!
sehingga turunan pertama dan kedua dari ln f (x; µ) ialah d ln f (x; µ) x−µ = dµ σ2 2 d ln f (x; µ) 1 = − . dµ2 σ2
3.3 Sifat-Sifat Penduga
518
59
Jadi, In (µ) = nI (µ) = n × −E = n×
d2 ln f (X; µ) dµ2
1 . σ2 z
519
520 521 522 523
Teorema 3.2 (Pertaksamaan Rao-Cram` er) Misalkan X1 , X2 , ..., Xn adalah sampel dari sebaran X ∼ f (x; θ) , θ ∈ Ω. Misalkan pula Y = u (X1 , X2 , ..., Xn ) adalah statistik dengan nilai harapan E (Y ) = k (θ) . Andaikan L (θ) adalah fungsi kemungkinan (likelihood function) yang memenuhi Z ∞ Z ∞ d ··· u (x1 , x2 , ..., xn ) L (θ) dx1 · · · dxn dθ −∞ −∞ Z ∞ Z ∞ d u (x1 , x2 , ..., xn ) L (θ) dx1 · · · dxn , ··· = dθ −∞ −∞ maka V ar (Y ) ≥
524
Bukti. Nilai harapan E (Y ) = k (θ) dapat dituliskan menjadi Z ∞ Z ∞ k (θ) = ··· u (x1 , x2 , ..., xn ) f (x1 ; θ) · · · f (xn ; θ) dx1 · · · dxn −∞ −∞ Z ∞ Z ∞ u (x1 , x2 , ..., xn ) L (θ) dx1 · · · dxn ··· = −∞
525
(k 0 (θ))2 . nI (θ)
−∞
Turunkan k (θ) terhadap θ, sehingga Z ∞ Z ∞ dL (θ) 1 0 ··· u (x1 , x2 , ..., xn ) k (θ) = · · L (θ) dx1 · · · dxn dθ L (θ) −∞ −∞ Z ∞ Z ∞ d ln L (θ) = ··· u (x1 , x2 , ..., xn ) · L (θ) dx1 · · · dxn dθ −∞ −∞ " n # Z ∞ Z ∞ X 1 df (xi ; θ) = ··· u (x1 , x2 , ..., xn ) · L (θ) dx1 · · · dxn f (x ; θ) dθ i −∞ −∞ # " i=1 Z ∞ Z ∞ n X d ln f (xi ; θ) = ··· u (x1 , x2 , ..., xn ) L (θ) dx1 · · · dxn . (3.12) dθ −∞ −∞ i=1
3.3 Sifat-Sifat Penduga
60
Definisikan peubah acak Z sebagai Z=
n X d ln f (Xi ; θ) i=1
dθ
,
maka E (Z) = 0 dan V ar (Z) = nI (θ) . Persamaan 3.12 dapat ditulis menjadi p k 0 (θ) = E (Y Z) = E (Y ) E (Z) + ρσY nI (θ) dengan ρ adalah koefisien korelasi antara Y dan Z. Karena E (Z) = 0 dan ρ2 ≤ 1, maka k 0 (θ) p ρ= σY nI (θ) dan
[k 0 (θ)]2 ≤ 1. σY2 nI (θ)
Dengan demikian, terbukti bahwa σY2 ≥
[k 0 (θ)]2 . nI (θ) z
526
Definisi 3.8 Misalkan Y adalah penduga takbias bagi parameter θ. Statistik Y disebut penduga efisien jika ragam dari Y sama dengan batas bawah pertaksamaan Rao-Cram`er. Efisiensi penduga takbias Y bagi parameter θ didefinisikan sebagai [k 0 (θ)]2 × 100%. nI (θ) V ar (Y ) Jika
527
[k 0 (θ)]2 lim = 1, n→∞ nI (θ) V ar (Y )
maka penduga takbias Y disebut sebagai penduga efisien asimtotik. Akibat 3.1 Berdasarkan asumsi pada Teorema 3.2, jika Y = u (X1 , X2 , ..., Xn ) adalah penduga takbias bagi θ, k (θ) = θ, maka pertaksamaan Rao-Cram`er menjadi 1 V ar (Y ) ≥ . nI (θ)
3.3 Sifat-Sifat Penduga
528 529 530
531
61
Contoh 3.16 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran Pois¯ adalah penduga efisien son dengan nilai harapan θ > 0. Tunjukkan bahwa X bagi θ. Jawab. d d ln f (x; θ) = (x ln θ − θ − ln x!) dθ dθ x = −1 θ x−θ = θ " 2 # d ln f (X; θ) I (θ) = E dθ = = = =
E (X − θ)2 θ2 2 σ θ2 θ θ2 1 . θ
Karena X ∼ Poisson(θ), maka ¯ = V ar (X) = θ . V ar X n n Batas bawah Rao-Cram`er: 1 θ ¯ , = = V ar X nI (θ) n ¯ merupakan penduga efisien bagi θ. Efisiensi penduga X ¯ bagi θ sehingga X sebesar 1/ [nI (θ)] θ/n × 100% = × 100% = 100%. ¯ θ/n V ar X 532
z Contoh 3.17 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran normal dengan nilai harapan µ dan ragam θ. Tentukan efisiensi bagi penduga takbias θ, yaitu Pn ¯ 2 X − X i i=1 . S2 = n−1
3.3 Sifat-Sifat Penduga
533
62
Jawab. 1 1 1 2 − ln 2π − ln θ − (x − µ) 2 2 2θ 1 1 = − + 2 (x − µ)2 2θ 2θ
d ln f (x; θ) d = dθ dθ
d2 ln f (x; θ) 1 1 = − (x − µ)2 dθ2 2θ2 θ3 2 d ln f (X; θ) I (θ) = −E dθ2 1 1 = − 3 E (X − µ)2 2 2θ θ 1 1 − 3 ·θ = 2 2θ θ 1 = . 2θ2 Batas bawah pertaksamaan Rao-Cram`er:
Pn 534
Karena Y =
i=1
¯ Xi − X θ
1 1 2θ2 = 1 = . nI (θ) n n 2θ2 2 ∼ χ2 (n − 1), maka V ar (Y ) = 2 (n − 1) dan
θ Y, (n − 1) θ2 V ar S 2 = V ar (Y ) (n − 1)2 θ2 = · 2 (n − 1) (n − 1)2 2θ2 = . (n − 1) S2 =
Dengan demikian, V ar S 2 =
2θ2 1 2θ2 > = . (n − 1) nI (θ) n
Efisiensi penduga S 2 bagi θ sebesar 1/ [nI (θ)] n−1 × 100% = × 100% 2 V ar (S ) n
3.3 Sifat-Sifat Penduga
535 536
537
538 539 540 541 542
63
yang akan sama dengan 100% untuk n → ∞, sehingga S 2 merupakan penduga efisien asimtotik bagi θ. z
3.3.4
Kekonsistenan
Misalkan X1 , X2 , ..., Xn adalah contoh acak dari populasi X dengan fungsi kepekatan peluang f (x; θ) . Misalkan ˆθ adalah penduga bagi sampel berukuran n. Jelas bahwa penduga tersebut akan bergantung pada ukuran contoh n. Oleh karena itu, untuk menunjukkan bahwa ˆθ bergantung pada n, maka notasikan ˆθ sebagai ˆθn . Definisi 3.9 Misalkan X1 , X2 , ..., Xn adalah sampel acakndari o populasi X dengan fungsi kepekatan peluang f (x; θ) . Barisan penduga ˆθn disebut konn o sisten jika barisan ˆθn konvergen dalam peluang ke θ, yaitu ˆ ∀ε > 0, lim P θn − θ ≥ ε = 0. n→∞
Teorema 3.3 Misalkan X1 , X2 , ..., Xn adalahnsampel acak dari sebaran X o dengan fungsi kepekatan peluang f (x; θ) dan ˆθn merupakan barisan penduga bagi θ berdasarkan sampel. Jika ragam dari ˆθn ada untuk setiap n dan berhingga, serta 2 ˆθn − θ lim E = 0, n→∞
maka
ˆ ∀ε > 0, lim P θn − θ ≥ ε = 0. n→∞
Bukti. Berdasarkan pertaksamaan Markov diperoleh 2 ˆ E θn − θ 2 2 ˆ P θn − θ ≥ ε ≤ ε2 2 untuk setiap ε > 0. Karena ˆθn − θ ≥ ε2 equivalen dengan ˆθn − θ ≥ ε, maka 2 ˆ θn − θ 2 E ˆ 2 ˆ P θ n − θ ≥ ε = P θ n − θ ≥ ε ≤ ε2
3.3 Sifat-Sifat Penduga
64
untuk setiap n ∈ N. Perhatikan bahwa jika 2 ˆθn − θ lim E =0 n→∞
maka
lim P ˆθn − θ ≥ ε = 0.
n→∞ 543 544
545 546
547
548
z Bias bagi penduga θ ialah B ˆθ, θ = E ˆθn − θ. Jika penduga yang diperoleh merupakan penduga takbias, maka B ˆθ, θ = 0. Selanjutnya, akan ditunjukkan bahwa 2 h i2 ˆθ − θ E = V ar ˆθ + B ˆθ, θ . (3.13) Perhatikan bahwa 2 2 ˆ θ−θ E = E ˆθ − 2ˆθθ + θ2 2 = E ˆθ − 2θE ˆθ + θ2 2 h i2 h i2 + E ˆθ − 2θE ˆθ + θ2 = E ˆθ − E ˆθ h i2 = V ar ˆθ + E ˆθ − 2θE ˆθ + θ2 h i2 = V ar ˆθ + E ˆθn − θ h i2 = V ar ˆθ + B ˆθ, θ . Jika
lim V ar ˆθ = 0 dan lim B ˆθ, θ = 0,
n→∞
n→∞
(3.14)
maka berdasarkan persamaan 3.13, 2 ˆ lim E θ−θ = 0. n→∞
549 550
Dengan kata lain, untuk menunjukkan bahwa suatu penduga konsisten, kita cukup menunjukkan persamaan 3.14.
3.3 Sifat-Sifat Penduga
65
Contoh 3.18 Misalkan X1 , X2 , . . . , Xn adalah sampel acak dari populasi normal dengan nilai harapan µ dan ragam σ 2 > 0. Tentukan apakah penduga bagi σ 2 , yaitu n 1X 2 ¯ 2 Xi − X σ ˆ = n i=1 551
merupakan penduga konsisten bagi σ 2 ? Jawab. Karena σ ˆ 2 bergantung terhadap n, maka notasikan σ ˆ 2 sebagai σ ˆ 2n , sehingga n 1X 2 ¯ 2. σ ˆn = Xi − X n i=1
552
Ragam bagi σ ˆ 2n ialah 2
V ar σ ˆn
= = = = =
lim V ar σ ˆ 2n
n→∞
=
! n X 1 ¯ 2 V ar Xi − X n i=1 2 1 2 (n − 1) S V ar σ n2 σ2 (n − 1) S 2 σ4 (n − 1) S 2 V ar ∼ χ2 (n − 1) ; n2 σ2 σ2 2 (n − 1) σ 4 n2 1 1 − 2 2σ 4 , n n 1 1 lim − 2 2σ 4 = 0. n→∞ n n
3.4 Penduga Selang
553
66
Bias B σ ˆ 2n , σ 2 ialah = E σ ˆ 2n − σ 2 ! n 2 1X ¯ = E Xi − X − σ2 n i=1 2 1 2 (n − 1) S E σ − σ2 = 2 n σ 2 σ (n − 1) S 2 = E − σ2 n σ2 (n − 1) σ 2 = − σ2 n σ2 = − , n σ2 lim B σ ˆ 2n , σ 2 = − lim = 0. n→∞ n→∞ n ¯ 2 adalah penduga konsisten bagi σ 2 . Xi − X B σ ˆ 2n , σ 2
554
Jadi,
555
3.4
556 557 558 559 560
1 n
Pn
i=1
Penduga Selang
Definisi 3.10 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari populasi X dengan fungsi kepekatan peluang f (x, θ) , di mana θ adalah parameter yang tidak diketahui. Penduga selang bagi θ dengan peluang (1 − α) adalah selang statistik [L (X1 , X2 , ..., Xn ) , U (X1 , X2 , ..., Xn )] dengan L ≤ U sedemikian sehingga P ([L (X1 , X2 , ..., Xn ) ≤ θ ≤ U (X1 , X2 , ..., Xn )]) = 1 − α
561
z
(3.15)
dengan 0 < α < 1. Pada persamaan 3.15, P (L ≤ θ ≤ U ) menyatakan bahwa peluang parameter θ berada di antara selang acak tersebut adalah sebesar (1 − α), di mana (1 − α) disebut sebagai koefisien kepercayaan. Setelah diperoleh titik atau amatan sampel, maka selang [L (x1 , x2 , ..., xn ) , U (x1 , x2 , ..., xn )] disebut sebagai selang kepercayaan 100 (1 − α) % bagi θ. Selang [L (x1 , x2 , ..., xn ) , U (x1 , x2 , ..., xn )]
562 563 564
tentunya dapat mencakup atau tidak mencakup nilai θ yang sebenarnya, tetapi bila sampel ini diperoleh sebanyak m kali, maka harapan kita (1 − α)× m kali selang ini akan mencakup nilai θ.
3.4 Penduga Selang
67
Contoh 3.19 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran N (µ, σ 2 ) , ¯ merupakan nilai tengah dengan asumsi σ 2 > 0 diketahui. Misalkan X pula √ ¯ − µ / (σ/ n) memiliki sebaran normal dari sampel, maka peubah acak X baku. Dengan kata lain, ¯ −µ X √ ∼ N (0, 1) . σ/ n 565
Tentukan selang kepercayaan 100 (1 − α) % bagi µ. Jawab. Untuk 0 < α < 1, definisikan bahwa ! ¯ −µ X α √ P > zα/2 = 2 σ/ n
566
sedemikian sehingga 1−α = P
−zα/2
! ¯ −µ X √ < zα/2 < σ/ n
σ σ ¯ = P − √ zα/2 < X − µ < √ zα/2 n n σ σ ¯ ¯ = P X − √ zα/2 < µ < X + √ zα/2 . n n Jadi, selang kepercayaan 100 (1 − α) % bagi µ ialah σ σ x¯ − √ zα/2 , x¯ + √ zα/2 , n n di mana x¯ =
1 Xn xi . i=1 n z
567
568 569 570 571
Contoh 3.20 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran N (µ, σ 2 ) , ¯ dan S 2 merupakan nilai tendengan asumsi σ 2 tidak diketahui. Misalkan X gah dan ragam dari sampel. Tentukan selang kepercayaan 100 (1 − α) % bagi µ. Jawab. Karena X1 , X2 , ..., Xn ∼ N (µ, σ 2 ), maka 2 σ n−1 2 ¯ ∼ N µ, X dan S ∼ χ2 (n − 1) , n σ2
3.4 Penduga Selang
¯ dan dengan X
572
573
68
n−1 2 S n
saling bebas. Oleh karena itu, peubah acak ¯ −µ X √ T = ∼ t (n − 1) . S/ n ¯ (X−µ ) Untuk 0 < α < 1, definisikan bahwa P S/√n > tα/2 = α2 sedemikian sehingga 1−α = P
−tα/2
! ¯ −µ X √ < < tα/2 S/ n
S S ¯ = P − √ tα/2 < X − µ < √ tα/2 n n S S ¯ ¯ = P X − √ tα/2 < µ < X + √ tα/2 . n n Jadi, selang kepercayaan 100 (1 − α) % bagi µ ialah s s x¯ − √ tα/2 , x¯ + √ tα/2 , n n di mana x¯ =
1 Xn 1 Xn xi dan s2 = (xi − x¯)2 . i=1 i=1 n n−1 z
574
575 576 577 578
Contoh 3.21 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran N (µ, σ 2 ) , ¯ dan S 2 merupakan nilai tendengan asumsi σ 2 tidak diketahui. Misalkan X gah dan ragam dari sampel. Tentukan selang kepercayaan 100 (1 − α) % bagi σ2. Jawab. Karena X1 , X2 , ..., Xn ∼ N (µ, σ 2 ), maka n−1 2 S ∼ χ2α/2 (n − 1) . σ2 Untuk 0 < α < 1, definisikan bahwa α n−1 2 2 P S < χα/2 (n − 1) = 2 σ 2
3.4 Penduga Selang
579
69
sedemikian sehingga 1−α = P = P = P
n−1 2 2 (n − 1) < S < χ1−α/2 (n − 1) σ2 ! χ2α/2 (n − 1) χ21−α/2 (n − 1) 1 < 2 < (n − 1) S 2 σ (n − 1) S 2 ! 2 (n − 1) S 2 (n − 1) S < σ2 < 2 . χ21−α/2 (n − 1) χα/2 (n − 1)
χ2α/2
Jadi, selang kepercayaan 100 (1 − α) % bagi σ 2 ialah ! (n − 1) s2 (n − 1) s2 , , χ21−α/2 (n − 1) χ2α/2 (n − 1) di mana s2 =
1 Xn (xi − x¯)2 . i=1 n−1 z
580
581 582 583 584 585
Contoh 3.22 Misalkan X adalah peubah acak Bernoulli dengan peluang sukses sebesar p dan X1 , X2 , ..., Xn adalah sampel acak dari sebaran X. Mis¯ alkan Pn pˆ = X adalah proporsi sampel yang menyatakan sukses, dengan pˆ = 1 p) = p (1 − p) /n. Tentukan sei=1 Xi merupakan nilai tengah dan V ar (ˆ n lang kepercayaan bagi p. Jawab. Berdasarkan Teorema Limit Pusat, sebaran dari peubah acak pˆ − p Z=p p (1 − p) /n
586 587
mendekati sebaran N (0, 1) . Bila p (1 − p) diganti dengan penduganya, yaitu pˆ (1 − pˆ) , maka ! pˆ − p < zα/2 1 − α = P −zα/2 < p pˆ (1 − pˆ) /n p p = P −zα/2 pˆ (1 − pˆ) /n < pˆ − p < zα/2 pˆ (1 − pˆ) /n p p = P pˆ − zα/2 pˆ (1 − pˆ) /n < p < pˆ + zα/2 pˆ (1 − pˆ) /n Jadi, selang kepercayaan 100 (1 − α) % bagi µ ialah p p p¯ − zα/2 p¯ (1 − p¯) /n, p¯ + zα/2 p¯ (1 − p¯) /n ,
588
dengan p¯ menyatakan dugaan dari p.
z
3.4 Penduga Selang
589
3.4.1
70
Selang Kepercayaan Beda Dua Nilai Tengah
Misalkan X1 , X2 , ..., Xm adalah sampel acak dari sebaran X dan Y1 , Y2 , ..., Yn adalah sampel acak dari sebaran Y . Asumsikan bahwa masing-masing sam2 pel saling bebas dan ragam dari X dan Y berhingga, dengan Pm dinotasikan Pnσ1 = 1 1 2 ¯ ¯ V ar (X) dan σ2 = V ar (Y ) . Misalkan X = m i=1 Xi dan Y = n i=1 Yi ¯ − Y¯ adalah nilai tengah sampel dari sebaran X dan Y. Dengan demikian, X memiliki sebaran dengan 2 2 ¯ − Y¯ = µx − µy dan V ar X ¯ − Y¯ = σ1 + σ2 E X m n
590
591
Berdasarkan asumsi kebebasan sampel dan Teorema Limit Pusat, peubah acak ¯ − Y¯ − (µx − µy ) · X r Z= ∼ N (0, 1) . S12 S22 + m n Jadi, selang kepercayaan 100 (1 − α) % bagi µx − µy ialah ! r r s21 s22 s21 s22 + , (¯ x − y¯) + zα/2 + (3.16) (¯ x − y¯) − zα/2 m n m n dengan 1 Xm (xi − x¯)2 , i=1 m−1 1 Xn = (yi − y¯)2 . i=1 n−1
s21 = s22 592 593 594 595 596 597 598 599
Selang kepercayaan bagi beda dua nilai tengah yang dihasilkan pada persamaan 3.16 merupakan suatu pendekatan. Berikut ini akan dijelaskan hasil eksak untuk selang kepercayaan bagi beda dua nilai tengah jika diasumsikan bahwa sebaran X dan Y adalah normal dengan ragam yang sama, yaitu σ12 = σ22 . Asumsikan X ∼ N (µx , σ 2 ) dan Y ∼ N (µy , σ 2 ) saling bebas. Misalkan n = n1 + n2 adalah total dari ukuran sampel. Misalkan pula X1 , X2 , ..., Xn1 adalah sampel acak dari sebaran X dan Y1 , Y2 , ..., Yn2 adalah sampel acak dari sebaran Y . ¯ − Y¯ dengan E X ¯ − Y¯ = µx − µy dan Penduga bagi µx − µy adalah X ¯ dan Y¯ saling bebas, maka ¯ − Y¯ = σ2 + σ2 . Karena X V ar X n1 n2 ¯ − Y¯ − (µx − µy ) X q ∼ N (0, 1) . σ n11 + n12
3.4 Penduga Selang
71
Misalkan Sp2 =
(n1 − 1) S12 + (n2 − 1) S22 . n1 + n2 − 2
Perhatikan bahwa Sp2 merupakan penduga tak bias bagi σ 2 . Karena (n1 − 1) S12 /σ 2 ∼ χ2 (n1 − 1) dan (n2 − 1) S22 /σ 2 ∼ χ2 (n2 − 1) , 600 601
serta S12 dan S22 saling bebas, maka (n − 2) Sp2 /σ 2 ∼ χ2 (n − 2) . Dengan demikian, i h q1 1 ¯ ¯ X − Y − (µx − µy ) / σ n1 + n2 q T = (n − 2) Sp2 / (n − 2) σ 2 ¯ − Y¯ − (µx − µy ) X h q i = Sp n11 + n12 memiliki sebaran-t dengan derajat bebas (n − 2) , sehingga dapat disimpulkan bahwa selang kepercayaan 100 (1 − α) % bagi µ1 − µ2 ialah r r 1 1 1 1 + , (¯ x − y¯) + t(α/2,n−2) sp + (¯ x − y¯) − t(α/2,n−2) sp n1 n2 n1 n2
602
dengan (n1 − 1) s21 + (n2 − 1) s22 , n1 + n2 − 2 1 Xn1 = (xi − x¯)2 , i=1 n1 − 1 1 Xn2 (yi − y¯)2 . = i=1 n2 − 1
s2p = s21 s22
603
3.4.2
Selang Kepercayaan Nisbah Dua Ragam
Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran X ∼ N (µx , σx2 ) , maka Pn ¯ 2 i=1 Xi − X V = ∼ χ2 (n − 1) . σx2 Misalkan pula Y1 , Y2 , ..., Ym adalah sampel acak dari sebaran Y ∼ N µy , σy2 , maka Pm ¯ 2 Y − Y i W = i=1 2 ∼ χ2 (m − 1) . σy
3.4 Penduga Selang
72
Karena peubah acak V dan W saling bebas, maka W/ (m − 1) ∼ F (m − 1, n − 1) , V / (n − 1) 604
sehingga untuk 0 < α < 1, ! 2 ¯ Y − Y /σ (m − 1) i y 1 − α = P Fα/2 (m − 1, n − 1) ≤ Pni=1 ≤ F1−α/2 (m − 1, n − 1) 2 ¯ i=1 Xi − X /σx (n − 1) Sy2 /σy2 = P Fα/2 (m − 1, n − 1) ≤ 2 2 ≤ F1−α/2 (m − 1, n − 1) Sx /σx 2 Sx σx2 Sx2 = P Fα/2 (m − 1, n − 1) 2 ≤ 2 ≤ F1−α/2 (m − 1, n − 1) 2 . Sy σy Sy Pm
Jadi, selang kepercayaan 100 (1 − α) % bagi
605
σx2 σy2
ialah
s2 s2 Fα/2 (m − 1, n − 1) x2 , F1−α/2 (m − 1, n − 1) x2 sy sy
dengan 1 Xn (xi − x¯)2 , i=1 n−1 1 Xm = (yi − y¯)2 . i=1 m−1
s2x = s2y Catatan: Misalkan Z= atau
W/ (m − 1) ∼ F (m − 1, n − 1) V / (n − 1)
1 V / (n − 1) = ∼ F (n − 1, m − 1) , Z W/ (m − 1)
maka Fα/2 (m − 1, n − 1) =
1 . F1−α/2 (n − 1, m − 1)
Bukti. Karena Z ∼ F (m − 1, n − 1) , maka P Z≤ Fα/2 (m − 1, n − 1) = 1 ⇔ P Z1 ≥ Fα/2 (m−1,n−1) = α2 .
α 2
3.5 Latihan
Karena
1 Z
73
∼ F (n − 1, m − 1) , maka 1 Fα/2 (m − 1, n − 1) 1 ⇔ Fα/2 (m − 1, n − 1) = . F1−α/2 (n − 1, m − 1) F1−α/2 (n − 1, m − 1) =
z
606
607
3.5
Latihan
1. Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran dengan fungsi kepekatan peluang f (x; θ) = 608
1 I (α < x < β) β−α
Tentukan penduga dari α dan β dengan menggunakan metode momen. 2. Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran dengan fungsi kepekatan peluang r 2 1 2 exp − (x − θ) I (x ≥ θ) f (x; θ) = π 2
609
Tentukan penduga kemungkinan maksimum bagi θ. 3. Andaikan X1 , X2 , ..., Xn merupakan sampel acak dari sebaran dengan fungsi kepekatan peluang f (x; θ) = I (θ − 0.5 ≤ x ≤ θ + 0.5)
610 611
612 613 614 615
616 617
dan Y1 < Y2 < ... < Yn merupakan statistik-statistik tataan (order statistics)-nya. Carilah penduga bagi θ dengan menggunakan: (a) metode momen, (b) metode kemungkinan maksimum. Jelaskan bahwa (Y1 +Yn )/2 dan (4Y1 + 2Yn + 1)/6 masing-masing merupakan penduga kemungkinan maksimum bagi θ. 4. Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran Γ (2, θ) , di mana θ merupakan parameter yang tidak diketahui.
3.5 Latihan
618 619 620
74
P (a) Carilah sebaran dari Y jika Y = ni=1 Xi dan tentukan konstanta c sedemikian sehingga cY adalah penduga tak bias bagi θ. (b) Jika n = 5, tunjukkan bahwa P 9.59 < 2Yθ < 34.2 = 0.95. 5. Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran dengan fungsi kepekatan peluang f (x; θ) = e−(x−θ) I (x > θ)
621 622 623
624 625 626
¯ − 1 merudi mana −∞ < θ < ∞. Periksa apakah penduga X(1) dan X pakan penduga tak bias bagi θ? Di antara penduga tersebut, manakah penduga yang lebih efisien? 6. Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran X ∼ P oisson (λ) dengan λ > 0. Tentukan penduga bagi λ dan periksa apakah penduga tersebut merupakan penduga konsisten bagi λ. 7. Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran dengan fungsi kepekatan peluang f (x; θ) = θe−θx I (x > 0)
627
di mana θ > 0.
628
(a) Tentukanlah I (θ) , informasi Fisher bagi θ.
629
(b) Berikanlah penduga takbias bagi θ.
631
(c) Berikanlah batas bawah pertaksamaan Rao-Cram`er untuk penduga yang diperoleh dari butir b.
632
(d) Carilah efisiensi penduga yang diperoleh dari butir b.
630
633 634
8. Andaikan fungsi kepekatan peluang f (x; θ) = θ exp (−θx) I (x > 0) dan Y = (X1 + X2 + ... + Xn )/n, maka :
636
(a) Tunjukkanlah bahwa W = 2nY /θ memiliki sebaran Khi-kuadrat dengan derajat bebas 2n.
637
(b) Berikanlah selang kepercayaan (1 − α) bagi θ.
635
638 639 640 641
9. Misalkan X1 , X2 , ..., X11 adalah sampel acak dari sebaran normal P11 den2 gan nilai tengah µ (tidak diketahui) dan ragam σ = 9.9. Jika i=1 xi = 132, tentukanlah konstanta k sedemikian 90% selang keper√ sehingga √ cayaan bagi µ ialah 12 − k 0.9, 12 + k 0.9 .
3.5 Latihan
75
¯ dan Y¯ adalah nilai tengah dari dua sampel acak yang sal10. Misalkan X ing bebas dari sebaran N (µx , σ 2 ) dan N (µy , σ 2 ) dengan asumsi ragam tidak diketahui. Tentukan n sedemikian sehingga ¯ − Y¯ − σ/5 < µx − µy < X ¯ − Y¯ + σ/5 = 0.90. P X
642
643
644
BAB 4 Kecukupan 4.1
Statistik Cukup
Definisi 4.1 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari populasi X dengan fungsi kepekatan peluang atau fungsi massa peluang f (x; θ) , θ ∈ Ω. Andaikan Y = u (X1 , X2 , ..., Xn ) merupakan statistik dengan fungsi kepekatan peluang atau fungsi massa peluang gY (y; θ) , θ ∈ Ω, maka Y adalah statistik cukup bagi θ jika f (x1 , ..., xn ; θ) = H (x1 , ..., xn ) , gY (u (x1 , ..., xn ) ; θ) 645
646 647 648
649
dengan H (x1 , ..., xn ) tidak bergantung pada θ ∈ Ω. Contoh 4.1 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran dengan fP (x; θ) = θx (1 − θ)1−x I (x = 0, 1) di mana 0 < θ < 1. Tunjukkan bahwa Y = ni=1 Xi adalah statistik cukup bagi θ. Jawab. f (x1 , ..., xn ; θ) =
Yn
= θ
θxi (1 − θ)1−xi I (xi = 0, 1) Yn n (1 − θ)n−Σi=1 xi I (xi = 0, 1) .
i=1 Σn i=1 xi
i=1
Pn
Karena Xi ∼ Bernoulli (θ) , maka Y = i=1 Xi ∼ binomial (n, θ) sehingga n y gY (y; θ) = θ (1 − θ)n−y I (y = 0, 1, ..., n) . y
76
4.1 Statistik Cukup
650
77
Sebaran bersyarat dari X1 , X2 , ..., Xn untuk Y = f (x1 , ..., xn ; θ) = gY (y; θ)
Pn
i=1
Xi = y ialah n
θΣi=1 xi (1 − θ)n−Σi=1 xi Σn x n n θ i=1 i (1 − θ)n−Σi=1 xi Σn xi n
i=1
= =
1 n Σn i=1 xi
1 n y
651 652
653 654 655
656
(tidak bergantung pada parameter θ) . Jadi, Y = tik cukup bagi θ.
Pn
i=1
Xi merupakan statisz
Contoh 4.2 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran dengan f (x; θ) = e−(x−θ) I (x > θ) . Tunjukkan bahwa Y = X(1) adalah statistik cukup bagi θ. Jawab. Fungsi kepekatan peluang bagi Y = X(1) ialah gY (y; θ) = nf (y; θ) [1 − F (y)]n−1 I (y > θ) n−1 Z y −(y−θ) −(x−θ) = ne e dx 1− θ
n−1 = ne 1 − 1 − e−(y−θ) n−1 = ne−(y−θ) e−(y−θ) −(y−θ)
= ne−n(y−θ) I (y > θ) . 657
658 659
Sebaran bersyarat dari X1 , X2 , ..., Xn untuk Y = X(1) = min (Xi ) ialah Yn e−(xi −θ) f (x1 , ..., xn ; θ) i=1 = gY (y; θ) ne−n(min(xi )−θ) P exp (nθ − ni=1 xi ) = n exp (−n (min (xi ) − θ)) P exp (− ni=1 xi ) = n exp (−n min (xi )) (tidak bergantung pada parameter θ) . Jadi, Y = X(1) merupakan statistik cukup bagi θ. z Teorema 4.1 (Faktorisasi Neyman) Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran dengan fungsi kepekatan peluang atau fungsi massa
4.1 Statistik Cukup
78
peluang f (x; θ) , θ ∈ Ω. Statistik Y1 = u1 (X1 , X2 , ..., Xn ) merupakan statistik cukup bagi θ jika dan hanya jika terdapat dua fungsi nonnegatif k1 dan k2 sehingga Yn f (xi ; θ) = k1 (u1 (x1 , x2 , ..., xn ) ; θ) · k2 (x1 , x2 , ..., xn ) i=1
660
661
dengan k2 (x1 , x2 , ..., xn ) tidak bergantung pada θ. Bukti. (⇒) Jika Y1 adalah statistik cukup, maka f (x1 , x2 , ..., xn ; θ) = gY1 (u1 (x1 , x2 , ..., xn ) ; θ) · H (x1 , x2 , ..., xn ) Yn f (xi ; θ) = k1 (u (x1 , x2 , ..., xn ) ; θ) · k2 (x1 , x2 , ..., xn ) . i=1
(⇐) Misalkan X merupakan peubah acak kontinu. Dalam pembuktian ini, peubah y1 = u1 (x1 , x2 , ..., xn ) , y2 = u2 (x1 , x2 , ..., xn ) , ..., yn = un (x1 , x2 , ..., xn ) ditransformasikan satu-satu. Peubah y1 , y2 , ... dan yn memiliki invers x1 = w1 (y1 , y2 , ..., yn ) , x2 = w2 (y1 , y2 , ..., yn ) , ..., xn = wn (y1 , y2 , ..., yn ) dan determinan matriks Jacobi J. Fungsi kepekatan peluang bagi Y1 , Y2 , ... dan Yn ialah g (y1 , y2 , ..., yn ; θ) = k1 (y1 ; θ) · k2 (w1 , w2 , ..., wn ) · |J| 662 663
di mana wi = wi (y1 , y2 , ..., yn ) , i = 1, 2, ..., n. Fungsi kepekatan peluang bagi Y1 ialah Z ∞ Z ∞ g (y1 , y2 , ..., yn ; θ) dy2 ...dyn gY1 (y1 ; θ) = ... −∞ −∞ Z ∞ Z ∞ = k1 (y1 ; θ) ... k2 (w1 , w2 , ..., wn ) · |J| dy2 ...dyn . −∞
Misalkan m (y1 ) =
R∞ −∞
...
R∞ −∞
−∞
k2 (w1 , w2 , ..., wn ) · |J| dy2 ...dyn , maka
gY1 (y1 ; θ) = k1 (y1 ; θ) m (y1 ) . Jika m (y1 ) = 0, maka gY1 (y1 ; θ) = 0. Jika m (y1 ) > 0, maka fungsi k1 (y1 ; θ) dapat dituliskan menjadi k1 (u1 (x1 , x2 , ..., xn ) ; θ) =
gY1 (u1 (x1 , x2 , ..., xn ) ; θ) m (u1 (x1 , x2 , ..., xn ))
dan faktorisasinya menjadi n Y i=1
f (xi ; θ) = gY1 (u1 (x1 , x2 , ..., xn ) ; θ)
k2 (x1 , x2 , ..., xn ) , m (u1 (x1 , x2 , ..., xn ))
4.1 Statistik Cukup
79
di mana fungsi k2 dan m tidak bergantung pada θ. Dengan demikian, berdasarkan definisinya dengan H (x1 , ..., xn ) = 664
665 666 667
668
k2 (x1 , x2 , ..., xn ) , m (u1 (x1 , x2 , ..., xn ))
maka Y1 merupakan statistik cukup bagi θ.
z
Contoh 4.3 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran N (θ, σ 2 ), −∞ < θ < ∞, di mana σ 2 > 0 diketahui. Dengan menggunakan Teorema ¯ adalah statistik cukup bagi θ. 4.1 (Faktorisasi Neyman), tunjukkan bahwa X Jawab. Jika x¯ = n X
2
(xi − θ)
Pn
=
i=1
=
i=1
xi
n n X i=1 n X
, maka (xi − x¯ + x¯ − θ)2
(xi − x¯)2 + 2 (xi − x¯) (¯ x − θ) + (¯ x − θ)2
i=1
=
n X
(xi − x¯)2 + n (¯ x − θ)2 ,
i=1 669 670
Pn
karena (¯ x − θ) i=1 (xi − x¯) = 0. Fungsi kepekatan peluang bersama bagi X1 , X2 , ..., Xn ialah Yn f (x1 , x2 , ..., xn ; θ) = f (xi ; θ) i=1 " P # n n 2 (x − θ) 1 i √ = exp − i=1 2 2σ σ 2π ( " #) ( P ) exp − ni=1 (xi − x¯)2 /2σ 2 n (¯ x − θ)2 √ n = exp − × 2σ 2 σ 2π = k1 (¯ x; θ) × k2 (x1 , x2 , ..., xn ) .
671 672 673
674 675
Yn Karena f (xi ; θ) dapat difaktorkan menjadi k1 dan k2 di mana k2 tidak i=1 ¯ merupakan bergantung pada parameter θ, maka berdasarkan Teorema 4.1, X statistik cukup bagi θ. z Akibat 4.1 Jika Y adalah statistik cukup bagi θ, maka penduga kemungkinan maksimum bagi θ adalah fungsi dari Y .
4.1 Statistik Cukup
676 677
80
Bukti. Berdasarkan Teorema 4.1, fungsi kemungkinan L (θ) dapat difaktorisasi menjadi Yn L (θ) = f (xi , θ) i=1
= k1 (y; θ) × k2 (x) , 678 679 680
681 682 683 684 685
686 687
sehingga untuk memaksimumkan L (θ) , hanya perlu memaksimumkan k1 (y; θ) . Dengan demikian, penduga kemungkinan maksimum bagi θ merupakan fungsi dari statistik cukup Y. z Teorema 4.2 (Rao-Blackwell) Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran yang memiliki fungsi kepekatan peluang atau fungsi massa peluang f (x; θ) , θ ∈ Ω. Misalkan Y1 = u1 (X1 , X2 , ..., Xn ) merupakan statistik bagi θ dan Y2 = u2 (X1 , X2 , ..., Xn ) penduga takbias bagi θ. Jika E (Y2 |y1 ) = ϕ (y1 ) , maka E (ϕ (Y1 )) = θ dan V ar (ϕ (Y1 )) ≤ V ar (Y2 ) . Bukti. Misalkan X merupakan peubah acak kontinu. Karena E (Y2 |y1 ) = ϕ (y1 ) , maka Z ∞ E (ϕ (Y1 )) = ϕ (y1 ) fY1 (y1 ; θ) dx −∞ Z ∞ Z ∞ y2 f (y2 |y1 ) dy2 fY1 (y1 ; θ) dy1 = −∞ −∞ Z ∞ Z ∞ f (y1 , y2 ; θ) dy2 fY1 (y1 ; θ) dy1 = y2 fY1 (y1 ; θ) −∞ −∞ Z ∞Z ∞ y2 f (y1 , y2 ; θ) dy2 dy1 = −∞
−∞
= E (Y2 ) = θ. 688
Z Z E [(Y2 − ϕ (Y1 )) (ϕ (Y1 ) − θ)] =
(y2 − ϕ (y1 )) (ϕ (y1 ) − θ) f (y1 , y2 ; θ) dy1 dy2 Z Z
(y2 − ϕ (y1 )) (ϕ (y1 ) − θ) f (y2 |y1 ) fY1 (y1 ; θ) dy1 dy2 Z Z = (ϕ (y1 ) − θ) (y2 − ϕ (y1 )) f (y2 |y1 ) dy2 fY1 (y1 ; θ) dy1 Z = (ϕ (y1 ) − θ) (ϕ (y1 ) − ϕ (y1 )) fY1 (y1 ; θ) dy1
=
= 0
4.1 Statistik Cukup
81
689
V ar (Y2 ) = E (Y2 − θ)2 = E (Y2 − ϕ (Y1 ) + ϕ (Y1 ) − θ)2 = E (Y2 − ϕ (Y1 ))2 + 2E [(Y2 − ϕ (Y1 )) (ϕ (Y1 ) − θ)] +E (ϕ (Y1 ) − θ)2 = E (Y2 − ϕ (Y1 ))2 + E (ϕ (Y1 ) − θ)2 = E (Y2 − ϕ (Y1 ))2 + V ar (ϕ (Y1 )) . (4.1) Karena E (Y2 − ϕ (Y1 ))2 ≥ 0, maka persamaan 4.1 menjadi V ar (Y2 ) ≥ V ar (ϕ (Y1 )) . 690 691 692 693 694
695 696
697
z Berdasarkan Teorema 4.2, jika Y1 adalah statistik cukup untuk suatu parameter θ, maka untuk mendapatkan penduga takbias dengan ragam minimum atau Minimum Variance Unbiased Estimator (MVUE), cukup dengan mencari fungsi dari statistik Y1 , ϕ (Y1 ) , sedemikian sehingga E (ϕ (Y1 )) = θ. Contoh 4.4 Misalkan X1 , X2 , ..., Xn adalah sampel acak dengan f (x; θ) = 1 −x/θ e I (x > 0) . Tentukan MVUE bagi θ. θ Jawab. L (θ) =
Yn
f (xi , θ) Pn −n i=1 xi L (θ) = θ exp − . (4.2) θ P Berdasarkan Teorema 4.1, statistik Y1 = ni=1 Xi merupakan statistik cukup. Fungsi log-likelihood dari persamaan 4.2 adalah i=1
n
1X ln L (θ) = −n ln θ − xi , θ i=1 ¯= sehingga diperoleh penduga kemungkinan maksimum bagi θ adalah X Pn Karena Xi ∼ Γ (1, θ) , maka Y1 = i=1 xi ∼ Γ (n, θ) . ¯ = E Y1 = 1 E (Y1 ) = 1 · nθ = θ, E X n n n 698
¯ merupakan MVUE bagi θ. sehingga X
Y1 . n
z
4.1 Statistik Cukup
82
Misalkan ϕ (Y1 ) = E (Y2 |Y1 ) adalah penduga takbias yang memiliki ragam lebih kecil daripada penduga takbias bagi θ, yaitu Y2 . Misalkan pula suatu fungsi dari suatu statistik Y3 , dinotasikan dengan Υ (Y3 ) dan amatannya didefinisikan sebagai Υ (y3 ) = E (ϕ (Y1 ) |Y3 = y3 ) , di mana Y3 bukan statistik cukup. Berdasarkan Teorema 4.2 (Rao-Blackwell), E (Υ (Y3 )) = θ dan Υ (Y3 ) memiliki ragam lebih kecil daripada ϕ (Y1 ) . Oleh karena itu, seharusnya Υ (Y3 ) merupakan penduga takbias yang lebih baik jika dibandingkan dengan ϕ (Y1 ) . Namun, hal ini tidak benar karena Y3 bukan statistik cukup, sehingga sebaran bersyarat dari Y1 jika diketahui Y3 = y3 dan nilai harapan bersyarat dari Y3 masih mengandung θ. Jadi, meskipun E (Υ (Y3 )) = θ, Υ (Y3 ) bukanlah suatu statistik karena masih bergantung pada paramater θ yang tidak diketahui. Sebagai contoh, misalkan X1 , X2 , X3 adalah sampel acak dari sebaran eksponensial dengan nilai harapan θ > 0, maka fungsi kepekatan peluang bersama dari sampel acak tersebut ialah 3 3 x1 + x2 + x3 Y 1 exp − I (0 < xi < ∞) . f (x1 , x2 , x3 ; θ) = θ θ i=1 Berdasarkan Teorema 4.1, Y1 = X1 + X2 + X3 merupakan statistik cukup bagi θ. Nilai harapan dari Y1 ialah E (Y1 ) = E (X1 + X2 + X3 ) = 3θ, 699 700 701 702
¯ ialah fungsi dari statistik cukup yang merupakan penduga dan Y1 /3 = X takbias bagi θ. Misalkan Y2 = X2 +X3 dan Y3 = X3 . Transformasi satu-satu x1 = y1 −y2 , x2 = y2 − y3 , x3 = y3 memiliki determinan matriks Jacobi sama dengan ∂x J = det ∂y0 1 −1 0 1 −1 = 0 0 0 1 = 1 dan fungsi kepekatan peluang bersama bagi Y1 , Y2 , dan Y3 ialah 3 y 1 1 g (y1 , y2 , y3 ; θ) = exp − I (0 < y3 < y2 < y1 < ∞) . θ θ
4.2 Kelengkapan dan Kekhasan
703
83
Fungsi kepekatan peluang marginal bagi Y1 dan Y3 ialah Z y1 3 y 1 1 exp − dy2 g13 (y1 , y3 ; θ) = θ θ y3 3 y 1 1 = (y1 − y3 ) exp − I (0 < y3 < y1 < ∞) . θ θ Karena Y3 = X3 , maka fungsi kepekatan peluang bagi Y3 ialah y 1 3 I (0 < y3 < ∞) , g3 (y3 ; θ) = exp − θ θ
704 705
sehingga fungsi kepekatan peluang bersyarat bagi Y1 jika diketahui Y3 = y3 ialah g13 (y1 , y3 ; θ) g3 (y3 ; θ) 2 1 1 = (y1 − y3 ) exp − (y1 − y3 ) I (0 < y3 < y1 < ∞) . θ θ
g1|3 (y1 |y3 ) =
706
E
Y1 − Y3 Y3 Y1 y = E y + E y3 3 3 3 3 3 Z 2 1 1 ∞ 1 y3 2 (y1 − y3 ) exp − (y1 − y3 ) dy1 + = 3 y3 θ θ 3 1 Γ (3) θ3 y3 = + 3 θ2 3 2θ y3 = + 3 3 = Υ (y3 ) .
709
Jelas bahwa E (Υ (Y3 )) = θ dan V ar (Υ (Y3 )) ≤ V ar (Y1 /3), tetapi Υ (Y3 ) bukan statistik karena bergantung pada parameter θ dan tidak dapat digunakan sebagai penduga bagi θ.
710
4.2
707 708
711 712 713 714 715
Kelengkapan dan Kekhasan
Definisi 4.2 Misalkan Z adalah peubah acak dengan fungsi kepekatan atau fungsi massa peluang h (z; θ) , θ ∈ Ω. Jika E (u (Z)) = 0, ∀θ ∈ Ω memerlukan u (Z) = 0 kecuali pada himpunan berpeluang nol untuk setiap h (z; θ) , θ ∈ Ω, maka famili {h (z; θ) : θ ∈ Ω} disebut famili lengkap dari fungsi kepekatan atau fungsi massa peluang.
4.2 Kelengkapan dan Kekhasan
716
717 718 719 720
721
84
Berikut merupakan beberapa contoh famili lengkap dan famili tak lengkap. Contoh 4.5 Misalkan X1 , X2 , ..., Xn adalah sampel P acak dari sebaran Poisson dengan parameter θ > 0. Tunjukkan bahwa Y1 = ni=1 Xi adalah statistik cukup bagi θ dan himpunan fungsi massa peluang bagi Y1 merupakan famili lengkap. Jawab. Karena Xi ∼ P oisson (θ) , maka Yn i=1
θxi e−θ I (xi = 0, 1, 2, . . .) i=1 xi ! θΣxi e−nθ Yn Qn I (xi = 0, 1, 2, . . .) i=1 i=1 (xi !) 1 θΣxi e−nθ × Qn i=1 (xi !) k1 (y1 ; θ) × k2 (x1 , x2 , ..., xn ) . P = ni=1 Xi merupakan statistik cukup bagi θ. Yn
f (xi ; θ) = = = =
Berdasarkan Teorema 4.1, Y1
Kemudian, fungsi massa peluang bagi Y1 ialah g (y1 ; θ) =
(nθ)y1 e−nθ I (y1 = 0, 1, 2, . . .) . y1 !
Misalkan {g (y1 ; θ) : θ > 0} merupakan famili dari fungsi massa peluang. Misalkan pula u (Y1 ) adalah fungsi dari Y1 sedemikian sehingga E (u (Y1 )) = 0. Akan ditunjukkan bahwa bila E (u (Y1 )) = 0 memerlukan u (Y1 ) = 0 kecuali pada himpunan berpeluang nol untuk setiap g (y1 ; θ) , θ > 0. E (u (Y1 )) = 0 ∞ X y1
" e−nθ
(nθ)y1 e−nθ =0 u (y1 ) y1 ! =0
nθ (nθ)2 u (0) + u (1) + u (2) + ··· 1! 2!
# = 0.
Karena e−nθ 6= 0, maka n2 u (2) 2 u (0) + [nu (1)] θ + θ + · · · = 0. 2
4.2 Kelengkapan dan Kekhasan
722 723
85
Catatan: Jika suatu deret (pangkat) takhingga konvergen ke nol untuk setiap θ > 0, maka setiap koefisiennya sama dengan nol. Dengan demikian, u (0) = 0, nu (1) = 0,
724 725
726
727 728
n2 u (2) = 0, · · · . 2
Artinya, u (0) = u (1) = u (2) = · · · = 0. Jadi, {g (y1 ; θ) : θ > 0} merupakan famili lengkap. z Contoh 4.6 Misalkan Z adalah peubah acak dari famili {h (z; θ) : θ ∈ Ω} di mana 1 h (z; θ) = e−z/θ I (0 < z < ∞) . θ Tunjukkan bahwa famili {h (z; θ) : θ ∈ Ω} merupakan famili lengkap. Jawab. Misalkan pula u (Z) adalah fungsi dari peubah acak Z sedemikian sehingga E (u (Z)) = 0, yaitu Z 1 ∞ u (z) e−z/θ dz = 0, θ > 0. (4.3) θ 0 Catatan: Misalkan £ merupakan operator transformasi Laplace. Bila £f = £g, maka f = g pada titik-titik kekontinuannya. Dengan kata lain, Z ∞ Z ∞ −st f (t) e dt = g (t) e−st dt ⇒ f (t) = g (t) . 0
0
Karena ruas kiri pada persamaan 4.3 merupakan transformasi Laplace bagi fungsi u (z) , maka u (z) = 0 pada titik-titik kekontinuannya. Jadi, {h (z; θ) : θ ∈ Ω} 729
730 731
merupakan famili lengkap.
Contoh 4.7 Tunjukkan bahwa famili yang anggotanya sebagai berikut bukan merupakan famili lengkap.
732
a. f (x; θ) =
1 2θ
I (|x| = 1, 2, ..., θ) , θ ∈ N.
733
b. f (x; θ) =
1 2θ
I (|x| < θ) .
734
z
Jawab.
4.2 Kelengkapan dan Kekhasan
86
a. Karena peubah acak X memiliki fungsi massa peluang f (x; θ) = 735
1 I (|x| = 1, 2, ..., θ) , θ ∈ N, 2θ
maka θ X
E (X) =
xf (x; θ)
x=−θ θ X
=
x=−θ
x
1 2θ
= 0, 736 737
tetapi tidak mengharuskan X = 0 sehingga f (x; θ) bukan anggota famili lengkap. b. Karena peubah acak X memiliki fungsi kepekatan peluang f (x; θ) =
738
1 I (|x| < θ) 2θ
maka Z
θ
E (X) =
xf (x; θ) dx 1 x dx = 2θ −θ = 0, −θ Z θ
739 740
741
tetapi tidak mengharuskan X = 0 sehingga f (x; θ) bukan anggota famili lengkap. z Misalkan X1 , X2 , . . . , Xn adalah sampel acak dengan fungsi kepekatan atau fungsi massa peluang f (x; θ) dan Y1 = u (X1 , X2 , . . . , Xn ) adalah statistik cukup bagi θ. Misalkan pula ϕ (Y1 ) dan ψ (Y1 ) masing-masing adalah fungsi dari statistik cukup Y1 (tidak bergantung pada θ) sedemikian sehingga E (ϕ (Y1 )) = θ dan E (ψ (Y1 )) = θ, ∀θ ∈ Ω. Nilai harapan dari selisih kedua fungsi tersebut ialah E (ϕ (Y1 ) − ψ (Y1 )) = 0, θ ∈ Ω.
4.3 Kelas Eksponen
87
Jika famili {fY1 (y1 ; θ) : θ ∈ Ω} merupakan famili lengkap, maka ϕ (y1 ) − ψ (y1 ) = 0 kecuali pada himpunan yang berpeluang nol. Dengan kata lain, untuk setiap penduga takbias ψ (Y1 ) bagi θ, ϕ (y1 ) = ψ (y1 ) , 742 743 744 745
kecuali pada himpunan yang berpeluang nol. Dengan demikian, ϕ (Y1 ) merupakan fungsi dari statistik cukup Y1 yang khas dan memiliki ragam minimum jika dibandingkan dengan penduga takbias lainnya (Teorema 4.2). Hal tersebut dinyatakan dalam teorema berikut.
752
Teorema 4.3 (Lehmann dan Scheff´e) Misalkan X1 , X2 , . . . , Xn adalah sampel acak dengan fungsi kepekatan atau fungsi massa peluang f (x; θ) . Misalkan pula Y1 = u (X1 , X2 , . . . , Xn ) adalah statistik cukup bagi θ dan famili {fY1 (y1 ; θ) : θ ∈ Ω} merupakan famili lengkap. Jika terdapat fungsi Y1 yang merupakan penduga takbias bagi θ, maka fungsi Y1 merupakan penduga takbias dengan ragam minimum yang khas atau Unique Minimum Variance Unbiased Estimator (U M V U E).
753
4.3
754
Definisi 4.3 Suatu fungsi kepekatan atau fungsi massa peluang
746 747 748 749 750 751
Kelas Eksponen
f (x; θ) = exp [p (θ) K (x) + S (x) + q (θ)] I (x ∈ W ) , γ < θ < δ 755 756 757 758 759 760 761 762
(4.4)
disebut sebagai anggota kelas eksponen biasa fungsi kepekatan peluang kontinu atau fungsi massa peluang diskret jika 1. W tak bergantung pada parameter θ. 2. p (θ) fungsi kontinu nontrivial dari θ. 3. a. Jika X peubah acak kontinu, maka setiap K 0 (x) 6= 0 dan S (x) fungsi kontinu dari x, x ∈ W. b. Jika X peubah acak diskret, maka K (x) adalah fungsi nontrivial dari x ∈ W. Contoh 4.8 Misalkan X ∼ N (0, θ) . Apakah anggota dari famili {f (x; θ) : 0 < θ < ∞}
763
merupakan anggota kelas eksponen biasa fungsi kepekatan peluang kontinu?
4.3 Kelas Eksponen
764
88
Jawab. 1 2 e−x /2θ 2πθ = exp [ln f (x; θ)] √ 1 2 = exp − x − ln 2πθ I (−∞ < x < ∞) . 2θ
f (x; θ) = √
765 766
(4.5)
Berdasarkan persamaan 4.5, W = (−∞, ∞) tidak bergantung pada parameter θ, f (x; θ) = exp [p (θ) K (x) + S (x) + q (θ)] √ 1 2 = exp − x − ln 2πθ 2θ √ 1 , K (x) = x2 , S (x) = 0, q (θ) = − ln 2πθ, 2θ 0 K (x) = 2x 6= 0 dan S (x) merupakan fungsi kontinu pada x ∈ (−∞, ∞) . Jadi, N (0, θ) anggota kelas eksponen biasa fungsi kepekatan peluang kontinu. z p (θ) = −
767 768 769
Contoh 4.9 Misalkan X ∼ P oisson (θ) . Apakah anggota dari famili {f (x; θ) : 0 < θ < ∞} 770
771
merupakan anggota kelas eksponen biasa fungsi massa peluang diskret? Jawab. θx I (x = 0, 1, 2, . . .) x! = exp [ln f (x; θ)] I (x = 0, 1, 2, . . .) 1 = exp (ln θ) x + ln − θ I (x = 0, 1, 2, . . .) x!
f (x; θ) = e−θ
772 773
(4.6)
Berdasarkan persamaan 4.6, W = {0, 1, 2, . . .} tidak bergantung pada parameter θ, f (x; θ) = exp [p (θ) K (x) + S (x) + q (θ)] 1 = exp (ln θ) x + ln − θ I (x = 0, 1, 2, . . .) x! 1 p (θ) = ln θ, K (x) = x, S (x) = ln , q (θ) = −θ, x!
4.3 Kelas Eksponen
89
dan K (x) = x merupakan fungsi nontrivial dari x ∈ W. Jadi, f (x; θ) = e−θ 774 775 776 777 778 779 780 781 782
θx I (x = 0, 1, 2, . . .) x!
anggota kelas eksponen biasa fungsi massa peluang diskret. z 1 Misalkan X ∼ seragam (0, θ) , maka f (x; θ) = θ I (0 < x < θ) juga dapat dituliskan seperti persamaan 4.6. Namun, perhatikan bahwa interval (0, θ) bergantung pada parameter θ sehingga fungsi kepekatan peluang sebaran seragam (0, θ) bukan anggota kelas eksponen biasa fungsi kepekatan peluang kontinu. Misalkan X1 , X2 , . . . , Xn adalah sampel acak dari sebaran yang merupakan anggota kelas eksponen biasa. Fungsi kepekatan atau fungsi massa peluang bersama dari X1 , X2 , . . . , Xn ialah Yn Yn exp [ln f (xi ; θ)] f (xi ; θ) = i=1 i=1 " # n n X X = exp p (θ) K (xi ) + S (xi ) + nq (θ) " = exp p (θ)
i=1 n X
i=1
# K (xi ) + nq (θ) exp
i=1 783 784 785
"
n X i=1
# S (xi )
Yn i=1
I (xi ∈ W ) .
P Berdasarkan Teorema 4.1, Y1 = ni=1 K (xi ) merupakan statistik cukup bagi parameter θ. Selanjutnya, teorema berikut ini menyatakan kelengkapan dari statistik cukup Y1 tersebut. Teorema 4.4 Misalkan f (x; θ) , γ < θ < δ, adalah fungsi kepekatan atau fungsi massa peluang dari peubah acak X yang merupakan anggota kelas eksponen biasa. Jika X1 , X2 , . . . , Xn adalah contoh acak dari sebaran X, maka Y1 =
n X
K (xi )
i=1 786 787 788
789 790 791
merupakan statistik cukup bagi θ dan famili {fY1 (y1 ; θ) : γ < θ < δ} dari fungsi kepekatan atau fungsi massa peluang Y1 adalah famili lengkap. Dengan kata lain, Y1 adalah statistik cukup lengkap. Contoh 4.10 Misalkan X1 , X2 , . . . , Xn adalah sampel acak dari sebaran Pn nor2 2 mal N (θ, σ ) , −∞ < θ < ∞, σ > 0. Tunjukkan bahwa Y1 = i=1 Xi merupakan statistik cukup lengkap dan Y1 /n merupakan UMVUE bagi θ.
4.3 Kelas Eksponen
90
Jawab. Karena X ∼ N (θ, σ 2 ), maka fungsi kepekatan peluangnya ialah " # 1 (x − θ)2 f (x; θ) = √ exp − I (−∞ < x < ∞) 2σ 2 σ 2π atau 2 √ θ x2 θ f (x; θ) = exp 2 x − 2 − ln 2πσ 2 − 2 I (−∞ < x < ∞) , σ 2σ 2σ
sehingga √ θ x2 θ2 2 , q (θ) = − , K (x) = x, S (x) = − − ln . 2πσ σ2 2σ 2 2σ 2 P Berdasarkan Teorema 4.4, Y1 = ni=1 Xi merupakan statistik cukup lengkap. ¯ adalah penduga takbias khas Karena E (Y1 ) = nθ, maka ϕ (Y1 ) = Y1 /n = X bagi θ dan fungsi dari statistik cukup Y1 yang memiliki ragam minimum. ¯ merupakan UMVUE bagi θ. Dengan demikian, X z p (θ) =
792 793 794 795
796 797 798
799
Contoh 4.11 Misalkan X1 , X2 , . . . , Xn adalah sampel acak dari sebaran binomial dengan parameter (1, θ) , 0 < θ < 1. Tentukan UMVUE bagi θ dan ¯ UMVUE bagi V ar X . Jawab. f (x; θ) = θx (1 − θ)1−x I (x = 0, 1) x θ (1 − θ) I (x = 0, 1) = 1−θ θ = exp x ln + ln (1 − θ) I (x = 0, 1) 1−θ θ , K (x) = x, S (x) = 0, q (θ) = ln (1 − θ) . 1−θ Karena K (x) = x adalah fungsi nontrivial dari x ∈ {0, 1} , maka b (1, θ) anggota Pnkelas eksponen biasa fungsi massa peluang diskret. Dengan demikian, Y = i=1 Xi merupakan statistik cukup lengkap bagi θ dan Y ∼ b (n, θ) , sehingga nilai harapan dan ragam dari Y ialah p (θ) = ln
800 801 802 803
E (Y ) = nθ dan V ar (Y ) = nθ (1 − θ) , Y Y θ E = θ dan V ar = (1 − θ) . n n n
4.3 Kelas Eksponen
804 805
806 807
808
91
Jadi, Y /n UMVUE bagi θ. Selanjutnya ingin ditentukan UMVUE bagi adalah θ Y V ar n = n (1 − θ) , di mana nθ (1 − θ) merupakan fungsi dari parameter θ. θ Misalkan δ = (1 − θ) , maka dugaan kemungkinan maksimum bagi δ n diberikan sebagai fungsi dari statistik cukup, yaitu 1 Y Y ¯δ = 1− . n n n 1 Y Y ¯ E δ = E 1− n n n 2 1 Y Y = E −E . n n n2 2 Y θ Y = θ dan E = (1 − θ) + θ2 , maka Karena E 2 n n n 1 Y Y (n − 1) θ E 1− = × (1 − θ) , n n n n n sehingga 1 Y Y n 1 Y Y n × 1− = ×E 1− E n−1 n n n n−1 n n n θ = (1 − θ) . n Dengan kata lain, statistik n 1 Y Y n ¯ ˆδ = × 1− = δ n−1 n n n n−1
809
adalah UMVUE bagi δ (ragam dari Y/n) .
810
Contoh 4.12 Misalkan X1 , X2 , . . . , Xn adalah sampel acak dari sebaran normal N (θ, 1). Tentukan UMVUE dari fungsi θ yang didefinisikan sebagai berikut Z c 2 1 √ e−(x−θ) /2 dx = Φ (c − θ) , P (X ≤ c) = 2π −∞ di mana c adalah suatu konstanta.
z
Jawab. Misalkan u (X1 ) adalah fungsi dari X1 . Kemudian, hitung nilai ¯ harapan bersyarat dari statistik takbias jika diketahui statistik cukup X, yaitu ¯ = x¯ = ϕ (¯ E u (X1 ) |X x) .
4.3 Kelas Eksponen
811 812
92
¯ adalah Berdasarkan Teorema Rao-Blackwell dan Lehmann-Scheff´e, ϕ X UMVUE bagi Φ (c − θ) . Misalkan fungsi u (x1 ) = I (−∞ < x1 < c) , maka nilai harapan dari E (u (X1 )) = 1 · P (X1 − θ ≤ c − θ) = Φ (c − θ) . Dengan demikian, u (X1 ) adalah penduga takbias takbias bagi Φ (c − θ) . Selanjutnya akan ditentukan fungsi kepekatan peluang bersama bagi X1 dan ¯ serta fungsi kepekatan peluang bersyarat dari X1 jika diketahui X. ¯ Dari X fungsi kepekatan peluang bersyarat tersebut, dapat ditentukan nilai harapan ¯ bersyarat E u (X1 ) |X = x¯ = ϕ (¯ x) . Fungsi kepekatan peluang bersama ¯ bagi X1 dan X adalah normal bivariat dengan vektor nilai harapan (θ, θ) √ dan ragam σ12 = 1, σ22 = 1/n, serta koefisien korelasi ρ = 1/ n, sehingga ¯ = x¯ adalah fungsi kepekatan peluang bersyarat dari X1 jika diketahui X normal dengan nilai harapan θ+
ρσ1 (¯ x − θ) = x¯ σ2
dan ragam
813 814
815
n−1 σ12 1 − ρ2 = . n ¯ = x¯ Jadi, nilai harapan bersyarat dari u (X1 ) jika diketahui statistik cukup X ialah r Z ∞ n−1 1 n (x1 − x¯) √ exp − dx1 ϕ (¯ x) = u (x1 ) n 2 (n − 1) 2π −∞ Z c r n−1 1 n (x1 − x¯) √ exp − = dx1 . n 2 (n − 1) 2π −∞ √ √ Dengan pemisalan peubah z = n (x1 − x¯) / n − 1, maka nilai harapan bersyarat tersebut menjadi Z c0 1 2 √ e−z /2 dz = Φ (c0 ) , ϕ (¯ x) = 2π −∞ √ √ di mana c0 = n (c − x¯) / n − 1. Dengan demikian, UMVUE bagi Φ (c − θ) untuk setiap konstanta c ialah ! √ ¯ n c − X ¯ =Φ √ ϕ X . n−1 z
4.4 Latihan
816
4.4
93
Latihan
1. Misalkan X1 , X2 , . . . , Xn adalah sampel acak dari sebaran dengan fungsi kepekatan peluang f (x; θ) = 817
818 819 820 821
822 823 824
825 826
827 828 829 830
θ (1 + x)θ+1
I (x ≥ 0) , θ > 0.
Tentukan statistik cukup bagi parameter θ. 2. Misalkan X1 , X2 , . . . , Xn adalah sampel acak dari sebaran dengan Pnfungsi kepekatan peluang f (x; θ) = θe−θx I(x > 0) , θ > 0. Y = i=1 Xi merupakan statistik cukup bagi θ. Tunjukkan bahwa (n − 1) /Y adalah MVUE bagi θ. 3. Misalkan {h (x; θ) : θ ∈ Ω} merupakan famili dari fungsi kepekatan peluang, di mana h (x; θ) = 1θ I (x > 0) . Tunjukkan bahwa famili tersebut tidak lengkap jika Ω = {θ : θ > 1} . 4. Misalkan X1 , X2 , . . . , Xn adalah sampel acak dari sebaran dengan fungsi kepekatan peluang f (x; θ) = θ2 xe−θx I(0 < x < ∞) , θ > 0. (a) Tunjukkan bahwa Y = bagi θ.
Pn
i=1
Xi merupakan statistik cukup lengkap
(b) Hitung E (1/Y ) dan carilah fungsi dari Y yang merupakan UMVUE bagi θ. 5. Andaikan peubah acak X dengan fungsi kepekatan peluang f (x; θ) = B(θ)h(x) exp[Q(θ)R(x)]I (a < x < b) merupakan anggota kelas eksponen biasa. Tunjukkanlah bahwa E[R(X)] = −B 0 (θ) /[(B (θ) Q0 (θ)].
831
832
833
834
BAB 5 Pendugaan Bayes 5.1
Prinsip Minimax
Misalkan X1 , X2 , . . . , Xn merupakan sampel acak dari sebaran yang memiliki fungsi kepekatan atau fungsi massa peluang f (x; θ) , θ ∈ Ω. Misalkan pula Y = U (X1 , X2 , . . . , Xn ) merupakan statistik yang digunakan untuk menduga parameter θ dan δ (y) merupakan fungsi nilai amatan dari statistik Y yang menjadi dugaan titik bagi parameter θ. Fungsi δ disebut juga sebagai fungsi keputusan. Suatu nilai dari fungsi keputusan, sebut saja δ (y) , disebut sebagai putusan. Putusan tersebut dapat benar atau salah. Hal tersebut dapat menjadi ukuran dari perbedaan, jika ada, antara nilai sebenarnya dari θ dengan dugaan titik δ (y) . Oleh karena itu, definisikan £ [θ, δ (y)] sebagai fungsi kehilangan (loss function). Nilai harapan dari fungsi kehilangan disebut sebagai fungsi risiko (risk function), dinotasikan dengan R (θ, δ). Jika Y merupakan peubah acak kontinu dengan fY (y; θ) , θ ∈ Ω, merupakan fungsi kepekatan peluang dari Y, maka fungsi risiko dapat dihitung sebagai berikut Z ∞ R (θ, δ) = E (£ [θ, δ (Y )]) = £ [θ, δ (y)] fY (y; θ) dy. −∞ 835 836 837 838
Contoh 5.1 Misalkan X1 , X2 , . . . , X25 merupakan sampel acak dari sebaran ¯ nilai tengah dari sampel acak, N (θ, 1) , −∞ < θ < ∞. Misalkan Y = X, 2 dan misalkan £ [θ, δ (y)] = [θ − δ (y)] . Bandingkanlah dua fungsi keputusan berikut:
839
• δ1 (y) = y,
840
• δ2 (y) = 0. 94
5.1 Prinsip Minimax
841
95
Jawab. Fungsi risiko untuk masing-masing δ1 (y) dan δ2 (y) ialah 1 R (θ, δ1 ) = E (θ − Y )2 = 25 2 R (θ, δ2 ) = E (θ − 0) = θ2 .
842 843 844 845 846 847 848 849 850 851 852
853 854 855
856 857 858
859 860 861
Jelas bahwa jika pada kenyataannya θ = 0, maka δ2 (y) = 0 adalah keputusan yang tepat dan R (0, δ2 ) = 0. Tetapi, jika θ 6= 0, maka δ2 (y) = 0 adalah keputusan yang kurang tepat. Sebagai contoh, misalkan pada kenyataannya 1 θ = 2, maka R (2, δ2 ) = 4 > R (2, δ1 ) = 25 . Secara umum, R (θ, δ2 ) < 1 1 R (θ, δ1 ) jika − 5 < θ < 5 dan untuk θ selainnya R (θ, δ2 ) ≥ R (θ, δ1 ) . Dengan demikian, kadang kala suatu fungsi keputusan lebih baik daripada fungsi keputusan lainnya untuk beberapa nilai θ dan fungsi keputusan lainnya lebih baik untuk nilai θ lainnya, sehingga jika kita membatasi fungsi keputusan δ, seperti E (δ (Y )) = θ untuk setiap nilai θ, θ ∈ Ω, maka δ2 (y) = 0 tidak termasuk ke dalam pertimbangan sebagai fungsi keputusan. Berdasarkan hal tersebut, fungsi risiko merupakan ragam dari penduga takbias δ (Y ) . Misalkan kita tidak ingin membatasi sendiri fungsi keputusan δ, seperti E (δ (Y )) = θ untuk setiap nilai θ, θ ∈ Ω. Misalkan kita katakan bahwa fungsi keputusan yang meminimumkan fungsi risiko yang maksimum merupakan fungsi keputusan terbaik. Karena pada contoh ini R (θ, δ2 ) = θ2 tak terbatas, maka berdasarkan kriteria tersebut, δ2 (y) = 0 bukanlah fungsi keputusan terbaik. Dengan demikian, kita peroleh 1 1 = . maxR (θ, δ1 ) = max θ θ 25 25 Oleh karena itu, δ1 (y) = y = x¯ merupakan fungsi keputusan terbaik berdasarkan 1 kriteria minimax karena 25 nilainya terkecil. z Berdasarkan Contoh 5.1, dapat disimpulkan bahwa • tanpa pemberian batasan pada fungsi keputusan, sulit untuk mencari fungsi keputusan yang memiliki fungsi risiko yang secara umum lebih kecil daripada fungsi risiko dari putusan yang lain, • suatu prinsip mengenai pemilihan fungsi keputusan terbaik disebut sebagai prinsip minimax. Prinsip tersebut dapat dinyatakan sebagai berikut: Misalkan diberikan fungsi keputusan δ0 (y) , untuk setiap θ ∈ Ω, maxR (θ, δ0 (y)) ≤ maxR (θ, δ (y)) θ
θ
5.2 Sebaran Prior dan Posterior
96
untuk setiap fungsi keputusan δ (y) , maka δ (y) disebut sebagai fungsi keputusan minimax (minimax decision function).
862 863
866
Dengan pemberian batasan bahwa E (δ (Y )) = θ dan fungsi kehilangan £ [θ, δ (y)] = [θ − δ (y)]2 , fungsi keputusan yang meminimumkan fungsi risiko menghasilkan penduga takbias dengan ragam minimum.
867
5.2
864 865
868 869 870 871
872 873 874 875
Sebaran Prior dan Posterior
Definisi 5.1 Misalkan X1 , X2 , . . . , Xn adalah sampel acak dengan sebaran f (x|θ) , di mana θ adalah parameter yang tidak diketahui. Fungsi kepekatan peluang dari peubah acak Θ disebut sebaran prior bagi Θ, dinotasikan dengan h (θ) . Definisi 5.2 Misalkan X1 , X2 , . . . , Xn adalah sampel acak dengan sebaran f (x|θ) , di mana θ adalah parameter yang tidak diketahui. Fungsi kepekatan peluang bersyarat dari peubah acak Θ jika diberikan sampel x1 , x2 , . . . , xn disebut sebaran posterior bagi Θ, dinotasikan dengan k (θ|x1 , x2 , . . . , xn ) . Catatan 5.1 Jika X1 , X2 , . . . , Xn adalah sampel acak dari populasi yang memiliki fungsi kepekatan peluang f (x|θ) , maka fungsi kepekatan peluang bersama antara sampel dan parameter ialah g (x1 , . . . , xn , θ) = L (x1 , . . . , xn |θ) h (θ) Q dengan L (x1 , . . . , xn |θ) = ni=1 f (xi |θ) . Fungsi kepekatan peluang marginal bagi X ialah Z ∞
g1 (x1 , . . . , xn ) =
g (x1 , . . . , xn , θ) dθ. −∞
876
Selanjutnya, dengan menggunakan formula Bayes diperoleh g (x1 , . . . , xn , θ) g1 (x1 , . . . , xn ) L (x1 , . . . , xn |θ) h (θ) = . g1 (x1 , . . . , xn )
k (θ|x1 , x2 , . . . , xn ) =
bsi
877 878
Contoh 5.2 Misalkan Xi |θ ∼ P oisson (θ) dan Θ ∼ Γ (α, β) , α dan β diketahui. Tentukan sebaran posterior bagi θ.
5.2 Sebaran Prior dan Posterior
97
Jawab. Misalkan X0 = (X1 , X2 , . . . , Xn ) dan x0 = (x1 , x2 , . . . , xn ) . n xi −θ Y θ e L (x|θ) = I (xi = 0, 1, 2, . . .) , θ > 0 xi ! i=1 dan sebaran prior bagi Θ ialah h (θ) = 879
θα−1 e−θ/β I (θ > 0) . Γ (α) β α
Fungsi kepekatan peluang bersama antara x dan θ ialah g (x, θ) = L (x|θ) h (θ) n xi −θ Y θα−1 e−θ/β θ e I (xi = 0, 1, 2, . . .) = I (θ > 0) α Γ (α) β xi ! i=1
880
881 882
sehingga fungsi kepekatan peluang marginal bagi x ialah Z ∞ θΣxi +α−1 exp − θ β/(nβ+1) g1 (x) = dθ x1 ! · · · xn !Γ (α) β α 0 P n Y Γ ( ni=1 xi + α) = I (xi = 0, 1, 2, . . .) . x1 ! · · · xn !Γ (α) β α (n + 1/β)Σxi +α i=1 Dengan demikian, sebaran posterior bagi Θ ialah θ Σxi +α−1 θ exp − β/(nβ+1) L (x|θ) h (θ) = I (θ > 0) . k (θ|x) = Pn g1 (x) Γ ( i=1 xi + α) [β/ (nβ + 1)]Σxi +α P Sebaran posterior bagi Θ tersebut merupakan sebaran Γ ( ni=1 xi + α, β/ (nβ + 1)) . z Pada Contoh 5.2 terlihat bahwa tidak perlu menentukan fungsi kepekatan peluang marginal g1 (x) untuk mencari sebaran posterior k (θ|x) . Jika kita membagi L (x|θ) h (θ) dengan g1 (x) , maka diperoleh faktor yang bergantung pada amatan peubah, x, tetapi tidak bergantung pada θ, misalkan disebut c (x) , dan θΣxi +α−1 e−θ[β/(nβ+1)] , yaitu θ Σxi +α−1 k (θ|x) = c (x) θ exp − I (θ > 0) β/ (nβ + 1) dengan xi = 0, 1, 2, . . . dan i = 1, 2, . . . , n. Faktor c (x) tersebut harus berupa konstanta sedemikian sehingga membuat k (θ|x) sebagai suatu fungsi kepekatan peluang, yaitu c (x) =
1 . Pn Γ ( i=1 xi + α) [β/ (nβ + 1)]Σxi +α
5.3 Metode Pendugaan Bayes
883 884
885 886 887 888
98
Oleh karena itu, seringkali k (θ|x) dituliskan proporsional dengan L (x|θ) h (θ) , yaitu k (θ|x) ∝ L (x|θ) h (θ) . (5.1) Perhatikan bahwa ruas kanan pada 5.1, faktor yang bergantung pada peubah x dan berupa konstanta dapat diabaikan. Sebagai ilustrasi, untuk menyelesaikan soal pada Contoh 5.2, k (θ|x) dapat dituliskan proporsional dengan θΣxi +α−1 e−θ[β/(nβ+1)] , yaitu θ Σxi +α−1 I (θ > 0) . (5.2) k (θ|x) ∝ θ exp − β/ (nβ + 1) Selanjutnya, tentukan konstanta c (x) sedemikian sehingga membuat k (θ|x) sebagai suatu fungsi kepekatan peluang.PJelas bahwa k (θ|x) harus berupa fungsi kepekatan peluang dari sebaran Γ ( ni=1 xi + α, β/ (nβ + 1)) , sehingga c (x) =
1 . Pn Γ ( i=1 xi + α) [β/ (nβ + 1)]Σxi +α
Misalkan terdapat statistik cukup Y = u (X) untuk parameter θ sehingga L (x|θ) = g [u (x) |θ] H (x) , di mana g (y|θ) adalah fungsi kepekatan peluang dari Y, jika diketahui Θ = θ. Karena faktor H (x) tidak bergantung pada θ, maka dapat kita abaikan, sehingga k (θ|x) ∝ g [u (x) |θ] h (θ) . 889 890
Dengan demikian, jika statistik Y untuk parameter θ ada, maka kita dapat memulai dengan fungsi kepekatan peluang Y dan menuliskan k (θ|y) ∝ g [y|θ] h (θ) ,
(5.3)
di mana k (θ|y) adalah fungsi kepekatan peluang bersyarat dari Θ|Y = y. Dalam kasus statistik cukup Y , kita juga akan menggunakan g1 (y) , fungsi kepekatan peluang marginal dari Y, yaitu Z ∞ g1 (y) = g [y|θ] h (θ) dθ. −∞
891
5.3
Metode Pendugaan Bayes
Dugaan Bayes adalah fungsi keputusan δ yang meminimumkan Z ∞ E {£ [Θ, δ (x)] |X = x} = £ [θ, δ (x)] k (θ|x) dθ, −∞
5.3 Metode Pendugaan Bayes
99
jika Θ adalah peubah acak kontinu, yaitu Z ∞ δ (x) = Arg min £ [θ, δ (x)] k (θ|x) dθ, −∞
di mana £ [θ, δ (x)] adalah fungsi kehilangan. Peubah acak terkait δ (X) disebut penduga Bayes bagi θ. Jika fungsi kehilangan yang diberikan ialah £ [θ, δ (x)] = [θ − δ (x)]2 , maka dugaan Bayes ialah δ (x) = E [Θ|x] , nilai harapan dari sebaran bersyarat 2 Θ|X = x. Hal tersebut berdasarkan fakta bahwa E (W − b) (jika ada) adalah minimum ketika b = E (W ) . Jika fungsi kehilangan yang diberikan ialah £ [θ, δ (x)] = |θ − δ (x)| , 892 893 894
maka dugaan Bayes ialah median dari sebaran bersyarat Θ|X = x. Hal tersebut berdasarkan fakta bahwa E (|W − b|) (jika ada) adalah minimum ketika b = median (W ) . Secara umum, misalkan ξ (θ) adalah suatu fungsi dari θ. Untuk fungsi kehilangan £ [ξ (θ) , δ (x)] , dugaan Bayes dari ξ (θ) adalah fungsi keputusan δ yang meminimumkan Z ∞ E {£ [Θ, δ (x)] |X = x} = £ [ξ (θ) , δ (x)] k (θ|x) dθ. −∞
895 896 897 898
Peubah acak δ (X) disebut penduga Bayes bagi ξ (θ) . Nilai harapan bersyarat dari £ [Θ, δ (x)] |X = x mendefinisikan peubah acak yang merupakan fungsi dari contoh X. Nilai harapan fungsi dari X (dalam kasus kontinu) diberikan sebagai berikut Z ∞ Z ∞ £ [θ, δ (x)] k (θ|x) dθ g1 (x) dx −∞ −∞ Z ∞ Z ∞ = £ [θ, δ (x)] L (x|θ) dx h (θ) dθ, (5.4) −∞
−∞
R∞
di mana −∞ £ [θ, δ (x)] L (x|θ) dx adalah fungsi risiko yang dinotasikan dengan R (θ, δ). Oleh karena itu, persamaan 5.4 adalah nilai harapan dari risiko. Karena dugaan Bayes δ (x) meminimumkan Z ∞ £ [θ, δ (x)] k (θ|x) dθ −∞ 899 900
untuk setiap x di mana g (x) > 0, maka δ (x) juga meminimumkan nilai harapan dari risiko.
5.3 Metode Pendugaan Bayes
100
Contoh 5.3 Diketahui sebaran bsi
Xi |θ ∼ binomial (1, θ) Θ ∼ beta (α, β) . 901
Tentukan dugaan Bayes bagi θ jika £ [θ, δ (x)] = [θ − δ (x)]2 . Jawab. Sebaran prior bagi Θ ialah h (θ) =
Γ (α + β) α−1 θ (1 − θ)β−1 I (0 < θ < 1) , Γ (α) Γ (β)
Pn di mana α dan β adalah konstanta positif. Statistik cukup Y = i=1 xi menyebar binomial(n, θ) , sehingga fungsi kepekatan bersyarat Y |Θ = θ ialah n y g (y|θ) = θ (1 − θ)n−y I (y = 0, 1, ..., n) . y Dengan menggunakan 5.3, k (θ|y) ∝ θy (1 − θ)n−y θα−1 (1 − θ)β−1 I (0 < θ < 1) , sehingga sebaran posterior Θ|Y = y menyebar beta dengan parameter (α + y, β + n − y) dan fungsi kepekatan peluangnya ialah k (θ|y) = 902 903
Γ (n + α + β) θα+y−1 (1 − θ)β+n−y−1 I (0 < θ < 1, y = 0, 1, ..., n) . Γ (α + y) Γ (n + β − y)
Untuk £ [θ, δ (x)] = [θ − δ (x)]2 , maka δ (y) merupakan nilai harapan dari sebaran beta dengan parameter (α + y, β + n − y) , yaitu α+y α+β+n y α+β α n = + . α+β+n α+β α+β+n n
δ (y) =
904 905
906
Dugaan Bayes yang diperoleh ini merupakan rata-rata terbobot antara dugaan α yang diperoleh dari sebaran prior, yaitu dengan dugaan yang diperoleh α+β y dari sebaran bersyarat Y |θ, yaitu . z n Contoh 5.4 Diketahui sebaran bsi Xi |θ ∼ N θ, σ 2 , di mana σ 2 diketahui Θ ∼ N θ0 , σ02 , di mana θ0 dan σ02 diketahui.
907
Tentukan dugaan Bayes bagi θ jika £ [θ, δ (x)] = [θ − δ (x)]2 .
5.3 Metode Pendugaan Bayes
101
¯ adalah statistik cukup bagi θ, maka Jawab. Karena Y = X bsi Y |θ ∼ N θ, σ 2 /n , di mana σ 2 diketahui Θ ∼ N θ0 , σ02 , di mana θ0 dan σ02 diketahui. Sebaran prior bagi Θ ialah 1 2 h (θ) = p exp − 2 (θ − θ0 ) I (−∞ < θ < ∞) . 2σ0 2πσ02 1
908
Dengan menggunakan 5.3, # " (θ − θ0 )2 1 1 (y − θ)2 − k (θ|y) ∝ √ exp − √ √ 2 (σ 2 /n) 2σ02 2πσ/ n 2πσ0 (σ02 + σ 2 /n) θ2 − 2 (yσ02 + θ0 σ 2 /n) θ ∝ exp − 2 (σ 2 /n) σ02 2 yσ02 + θ0 σ 2 /n θ− σ02 + σ 2 /n ∝ exp − , 2 (σ 2 /n) σ02 2 2 σ0 + σ /n
909
910 911
sehingga sebaran posterior Θ|Y = y menyebar normal dengan parameter 2 yσ0 + θ0 σ 2 /n (σ 2 /n) σ02 , . (5.5) σ02 + σ 2 /n σ02 + σ 2 /n Untuk £ [θ, δ (x)] = [θ − δ (x)]2 , maka δ (y) merupakan nilai harapan dari sebaran normal dengan parameter 5.5, yaitu yσ02 + θ0 σ 2 /n σ 2 + σ 2 /n 0 2 σ0 σ 2 /n = y+ θ0 . σ02 + σ 2 /n σ02 + σ 2 /n
δ (y) =
Dugaan Bayes yang diperoleh ini merupakan rata-rata terbobot antara dugaan yang diperoleh dari sebaran prior, yaitu θ0 dengan dugaan yang diperoleh dari sebaran bersyarat Y |θ, yaitu y.
912
z
5.3 Metode Pendugaan Bayes
913 914 915
102
Berikut ini merupakan contoh yang membandingkan penggunaan prinsip minimax dan metode pendugaan Bayes. Misalkan diketahui sebaran prior bagi peubah acak Θ ialah sebagai berikut: P (Θ = θ1 ) = 0.6 P (Θ = θ2 ) = 0.4
916 917 918
Misalkan θ1 menyatakan Bogor hujan di sore hari dan θ2 menyatakan Bogor tidak hujan di sore hari. Kemudian, terdapat tambahan informasi Y mengenai kondisi cuaca di Gunung Salak, yaitu y1 : y2 : y3 :
Gunung Salak cerah Gunung Salak berawan Gunung Salak gelap
dengan peluang bersyarat Y |θ ialah sebagai berikut: P (Y |θ) θ1 θ2
y1 y2 0.05 0.25 0.425 0.375
y3 0.7 0.2
Selanjutnya, misalkan fungsi kehilangan £ [θ, δ (y)] diberikan sebagai berikut: Putusan (δ) Θ\Y δ1 θ1 (membawa payung) θ2 δ1 θ1 (tidak membawa payung) θ2 919
y1 y2 y3 6 3 1 12 5 2 10 15 20 0 2 4
• Prinsip minimax P R (θj , δj ) = 3i=1 £ [θj , δj (yi )] P (Y = yi |θj ) , j = 1, 2. Putusan (δ) δ1
y1 y2 θ1 0.05 0.25 £ [θ1 , δ1 (y)] 6 3 Membawa θ2 0.425 0.375 payung £ [θ2 , δ1 (y)] 12 5 δ2 θ1 0.05 0.25 £ [θ1 , δ2 (y)] 10 15 Tidak membawa θ2 0.425 0.375 payung £ [θ2 , δ2 (y)] 0 2 Putusan minimax: δ = arg min max R (θ, δ) = δ1 .
y1 R (θ, δ) 0.7 1.75 1 0.2 7.375 2 0.7 18.25 20 0.2 1.033 4
5.4 Latihan
103
Sebaran bersama dan sebaran marginal bagi peubah acak Θ dan Y diperoleh sebagai berikut: P (Θ, Y ) θ1 θ2 P (yi ) 920
y1 y2 y3 P (θj ) 0.03 0.15 0.42 0.6 0.17 0.15 0.08 0.4 0.2 0.3 0.5 1
di mana P (Θ = θ, Y = y) = P (Y = y|Θ = θ) P (Θ = θ) 3 X P (θj ) = P (Θ = θj , Y = yi ) , j = 1, 2 i=1
P (yi ) =
2 X
P (Θ = θj , Y = yi ) , i = 1, 2, 3.
j=1
Sebaran posterior Θ|Y ialah P (Θ|Y ) y1 y2 y3 θ1 0.15 0.5 0.84 θ2 0.85 0.5 0.16 921
• Pendugaan Bayes Amatan Putusan EΘ|y (£ [Θ, δ (y)]) y1 δ1 (6 × 0.15) + (12 × 0.85) = 11.1 δ2 (10 × 0.15) + (0 × 0.85) = 1.5 y2 δ1 (3 × 0.5) + (5 × 0.5) = 4 δ2 (15 × 0.5) + (2 × 0.5) = 8.5 y3 δ1 (1 × 0.84) + (2 × 0.16) = 1.16 δ2 (20 × 0.84) + (4 × 0.16) = 17.44
922
Jadi, putusan Bayes bergantung pada amatan Y yang diperoleh. Jika Y yang diperoleh y1 , maka putusan Bayes ialah δ2 , sedangkan jika Y yang diperoleh y2 atau y3 , maka putusan Bayes ialah δ1 .
923 924 925
926
927 928 929
5.4
Latihan
1. Misalkan X adalah peubah acak sedemikian sehingga E (X − b)2 ada untuk setiap bilangan Real b. Tunjukkan bahwa E (X − b)2 minimum ketika b = E (X) .
5.4 Latihan
104
2. Misalkan X adalah suatu peubah acak kontinu. Tunjukkan bahwa Z b (b − x) f (x) dx E (|X − b|) = E (|X − m|) + 2 m 930
931 932 933 934 935 936
di mana m adalah median dari sebaran X. 3. Andaikan Yn merupakan statistik tataan ke-n dari suatu sampel acak berukuran n dari sebaran dengan fungsi kepekatan peluang f (x; θ) = θ−1 I (0 < x < θ). Andai pula θ merupakan amatan dari peubah acak Θ dengan fungsi kepekatan peluang h (θ) = θ−β−1 βαβ I (θ > α) , α > 0, β > 0. Bila fungsi kehilangan £ [θ, δ (yn )] = [θ − δ (yn )]2 , maka tentukanlah solusi Bayes δ (yn ) yang merupakan dugaan titik bagi θ. 4. Misalkan θ merupakan nilai amatan dari peubah acak Θ dengan fungsi kepekatan peluang h (θ) = (Γ (α) β α )−1 θα−1 e−θ/β I (θ > 0)
937 938 939 940 941
942 943 944 945 946 947
dan α > 0, β > 0 merupakan bilangan yang diketahui. Misalkan pula bahwa X1 , X2 , . . . , Xn merupakan sampel acak dari sebaran Poisson dengan nilai tengah θ. Bila Y = Σni=1 Xi dan fungsi kehilangannya ialah £ [θ, δ (y)] = [θ − δ (y)]2 , maka tentukan solusi Bayes δ (y) sebagai dugaan titik bagi θ. 5. Misalkan θ merupakan nilai amatan dari peubah acak Θ bersebaran N (a, b), a dan b masing-masing merupakan konstanta yang diketahui, a ∈ R dan b > 0. Misalkan pula Y merupakan rata-rata dari sampel acak X1 , X2 , . . . , Xn yang bersebaran N (θ, 25), θ ∈ R. Bila fungsi kerugian £ [θ, δ (y)] = |θ − δ (y)| maka berikan dugaan Bayes δ (y) sebagai dugaan titik bagi θ.
948
949
950 951 952 953 954 955 956 957 958 959 960
BAB 6 Pengujian Hipotesis Misalkan X peubah acak untuk suatu populasi dengan parameter θ yang tidak diketahui, di mana θ ∈ Ω. Misalkan pula X1 , X2 , . . . , Xn ialah sampel acak dari sebaran peubah acak X yang memiliki fungsi kepekatan atau fungsi massa peluang f (x, θ) . Suatu hipotesis statistika adalah pernyataan tentang sebaran dari populasi X. Pernyataan tersebut biasanya berkaitan dengan parameter θ jika kita sedang berhadapan dengan statistika parametrik, selain itu pernyataan tersebut ialah berkaitan dengan bentuk sebaran X. Hipotesis statistika disebut sebagai hipotesis sederhana jika hipotesis tersebut secara keseluruhan menunjukkan sebaran suatu populasi, sebaliknya disebut sebagai hipotesis majemuk. Definisikan suatu hipotesis sebagai berikut H0 : θ ∈ ω0 H1 : θ ∈ ω1
961 962 963 964 965 966 967
di mana ω0 dan ω1 ialah himpunan bagian dari Ω dan ω0 ∪ ω1 = Ω. Hipotesis H0 disebut sebagai hipotesis nul dan H1 disebut sebagai hipotesis alternatif atau hipotesis tandingan. Misalkan D adalah ruang dari sampel, yaitu D = ruang{(X1 , X2 , . . . , Xn )} . Pengujian H0 lawan H1 tersebut berdasarkan himpunan bagian C dari D. Himpunan bagian C disebut sebagai daerah kritis dan himpunan tersebut berpadanan dengan aturan sebagai berikut: Tolak H0 (Terima H1 ) , jika (X1 , X2 , . . . , Xn ) ∈ C Tidak Tolak H0 (Tolak H1 ) , jika (X1 , X2 , . . . , Xn ) ∈ C c .
968 969
Penerimaan suatu hipotesis tidak berarti bahwa hipotesis tersebut benar, tetapi karena tidak ada bukti yang cukup untuk menolak atau menafikannya. 105
106
970 971
Dalam pengujian hipotesis, ada dua kemungkinan kesalahan yang dapat kita lakukan, yaitu:
972
1. Kesalahan untuk menolak H0 , sedangkan kenyataanya H0 benar.
973
2. Kesalahan untuk tidak menolak H0 , sedangkan kenyataanya H0 salah.
974 975 976 977
978
Kesalahan menolak H0 yang benar disebut sebagai kesalahan jenis I dan kesalahan tidak menolak H0 yang salah disebut kesalahan jenis II. Peluang terjadinya salah jenis I dinotasikan dengan α, sedangkan peluang terjadinya salah jenis II dinotasikan dengan β.
Tolak H0 Tidak Tolak H0
H0 benar Salah Jenis I Putusan benar
H0 salah Putusan benar Salah Jenis II
Ukuran atau taraf nyata dari suatu uji hipotesis adalah peluang dari salah jenis I, yaitu α = maxPθ [(X1 , X2 , . . . , Xn ) ∈ C] . θ∈ω0
979 980 981 982 983 984 985
Pθ [(X1 , X2 , . . . , Xn ) ∈ C] merupakan peluang bahwa (X1 , X2 , . . . , Xn ) ∈ C ketika θ adalah parameter yang benar. Berdasarkan semua kemungkinan daerah kritis C berukuran α, kita menginginkan daerah kritis dengan peluang salah jenis II yang minimum atau daerah kritis dengan peluang dari komplemen salah jenis II maksimum. Komplemen salah jenis II ialah menolak H0 ketika H1 benar, di mana hal tersebut adalah putusan yang benar. Dengan demikian, untuk θ ∈ ω1 , kita ingin memaksimumkan 1 − Pθ [Salah jenis II] = Pθ [(X1 , X2 , . . . , Xn ) ∈ C] .
(6.1)
Peluang pada ruas kanan persamaan 6.1 disebut sebagai kuasa dari uji pada θ. Jadi, meminimumkan peluang salah jenis II sama dengan memaksimumkan kuasa. Selanjutnya, definisikan fungsi kuasa dari daerah kritis C sebagai γC (θ) = Pθ [(X1 , X2 , . . . , Xn ) ∈ C] ; θ ∈ Ω. 986
Untuk H0 sederhana lawan H1 sederhana, yaitu H0 : θ = θ0 H1 : θ = θ00
987 988 989
fungsi kuasanya ialah γC (θ0 ) = α dan γC (θ00 ) = 1 − β. Misalkan terdapat dua daerah kritis C1 dan C2 yang berukuran α. C1 dikatakan lebih baik dari C2 jika γC1 (θ) ≥ γC2 (θ) untuk setiap θ ∈ ω1 .
107
990 991
Contoh 6.1 Misalkan X ∼ N (µ, σ 2 ) . Tentukan daerah kritis C untuk hipotesis berikut H0 : µ = µ0 H1 : µ > µ0
992 993
di mana µ0 diketahui. Asumsikan bahwa ukuran dari uji hipotesis ini ialah α, untuk 0 < α < 1. Jawab. Misalkan X1 , X2 , . . . , Xn adalah sampel acak dari sebaran N (µ, σ 2 ) . ¯ dan S 2 adalah nilai harapan dan ragam sampel. Secara intuMisalkan X ¯ > µ0 . Kemudian, kita dapat mengeisi, aturan penolakan H0 ialah jika X ¯ tahui sebaran dari statistik X. Berdasarkan hipotesis H0 , statistik T = √ ¯ X − µ0 / (S/ n) memiliki sebaran t-Student dengan derajat bebas (n − 1) . Dengan menggunakan sebaran T , daerah penolakan berukuran α ialah √ ¯ − µ0 / S/ n ≥ tα (n − 1) , T = X
997
di mana tα (n − 1) adalah batas atas titik kritis α dari sebaran t–Student dengan derajat bebas (n − 1) , yaitu α = P (T > tα (n − 1)) . Biasanya hal tersebut disebut t-test dari H0 : µ = µ0 . Dengan demikian, daerah kritis C berukuran α ialah √ C = x : t = (¯ x − µ0 ) / s/ n ≥ tα (n − 1) √ = x : x¯ ≥ µ0 + tα (n − 1) × s/ n .
998
z
994 995 996
Contoh 6.2 Misalkan X1 , X2 , . . . , X10 adalah sampel acak dari sebaran Poisson dengan nilai harapan θ. Daerah kritis untuk pengujian H0 : θ = 0.1 lawan H1 : θ > 0.1 diberikan sebagai berikut Y =
10 X
Xi ≥ 3.
i=1
Statistisk Y memiliki sebaran dengan nilai harapan 10θ, sehingga bila θ = 0.1, nilai harapan Y ialah 1. Taraf nyata dari uji ini ialah α = P (Y ≥ 3) = 1 − P (Y ≤ 2) = 1 − 0.920 = 0.080. P Jika daerah kritis didefinisikan sebagai 10 i=1 Xi ≥ 4, maka taraf nyatanya ialah α = P (Y ≥ 4) = 1 − P (Y ≤ 3) = 1 − 0.981 = 0.019.
6.1 Uji Paling Kuasa
108
Sebagai contoh, jika taraf nyata yang diinginkan ialah α = 0.05, maka hal tersebut dapat disesuaikan dengan cara sebagai berikut. Misalkan W merupakan peubah acak yang menyebar Bernoulli dengan peluang sukses sebesar P (W = 1) =
31 0.050 − 0.019 = . 0.080 − 0.019 61
Asumsikan bahwa W dipilih secara bebas dari sampel. Perhatikan aturan penolakan berikut : Tolak H0 jika
10 X
xi ≥ 4 atau jika
i=1 999
10 X
xi = 3 dan W = 1.
i=1
Berdasarkan aturan penolakan tersebut, diperoleh taraf nyata sebesar PH0 (Y ≥ 4) + PH0 ({Y = 3} ∩ {W = 1}) = PH0 (Y ≥ 4) + PH0 (Y = 3) P (W = 1) 31 = 0.019 + 0.061 × 61 = 0.05.
1001
Proses melakukan percobaan tambahan untuk memutuskan apakah akan menolak H0 atau tidak ketika Y = 3 disebut sebagai uji acak (randomized test) .
1002
6.1
1000
1003 1004 1005 1006 1007
Uji Paling Kuasa
Misalkan f (x; θ) adalah fungsi kepekatan atau fungsi massa peluang dari suatu peubah acak X di mana θ ∈ Ω = {θ0 , θ00 } . Misalkan pula ω0 = {θ0 } dan ω1 = {θ00 } , serta X0 = (X1 , X2 , . . . , Xn ) adalah sampel acak dari sebaran peubah acak X. Selanjutnya, definisikan daerah kritis terbaik untuk uji hipotesis sederhana antara hipotesis nul H0 dan hipotesis alternatif H1 . Definisi 6.1 Misalkan C adalah himpunan bagian dari ruang sampel. C disebut sebagai daerah kritis terbaik berukuran α untuk uji hipotesis sederhana H0 : θ = θ0 dan H1 : θ = θ00 jika Pθ0 [X ∈ C] = α dan untuk setiap himpunan bagian A dari ruang sampel, Pθ0 [X ∈ A] = α ⇒ Pθ00 [X ∈ C] ≥ Pθ00 [X ∈ A] . Teorema 6.1 (N eyman − P earson) Misalkan X1 , X2 , . . . , Xn adalah sampel acak dari sebaran yang memiliki fungsi massa atau kepekatan peluang f (x; θ) , maka fungsi kemungkinan dari X1 , X2 , . . . , Xn ialah L (θ; x) =
n Y i=1
f (xi ; θ) , untuk x0 = (x1 , x2 , . . . , xn ) .
6.1 Uji Paling Kuasa
1008 1009 1010
109
Misalkan θ0 dan θ00 adalah nilai dari θ sedemikian sehingga Ω = {θ : θ = θ0 , θ00 } dan k adalah bilangan positif. Misalkan pula 0 C adalah himpunan bagian L(θ ;x) dari ruang sampel sedemikian sehingga: (a) L(θ 00 ;x) ≤ k untuk setiap x ∈ C, 0
1011 1012 1013
L(θ ;x) c (b) L(θ 00 ;x) ≥ k untuk setiap x ∈ C , dan (c) α = PH0 [X ∈ C] , maka C adalah daerah kritis terbaik berukuran α untuk pengujian hipotesis sederhana H0 : θ = θ0 dan H1 : θ = θ00 .
Bukti. Misalkan X adalah peubah acak kontinu. Jika C adalah satusatunya daerah kritis berukuran R Rα, maka teorema tersebut terbukti. Untuk penyederhanaan, misalkan · · · L (θ; x1 , x2 , . . . , xn ) dx1 dx2 . . . dxn menjadi R R L (θ) . Jika terdapat daerah kritis berukuran α yang lain, misalkan daerah R tersebut adalah A, maka Z Z 0 L (θ ) = L (θ0 ) = α. A
C
Kemudian yang ingin dibuktikan ialah Z Z 00 L (θ00 ) ≥ 0. L (θ ) − A
C 1014 1015
Karena C adalah gabungan dari himpunan saling lepas C ∩ A dan C ∩ Ac , maka Z Z 00 L (θ ) − L (θ00 ) AZ Z Z ZC 00 00 00 L (θ00 ) L (θ ) − L (θ ) − L (θ ) + = c c A∩C A∩C ZC∩A ZC∩A = L (θ00 ) − L (θ00 ) . (6.2) C∩Ac
A∩C c
Berdasarkan hipotesis pada teorema tersebut, L (θ00 ) ≥ (1/k) L (θ0 ) untuk setiap x ∈ C, juga untuk setiap x ∈ C ∩ Ac , sehingga Z Z 1 00 L (θ ) ≥ L (θ0 ) k c c C∩A C∩A
1016
dan L (θ00 ) ≤ (1/k) L (θ0 ) untuk setiap x ∈ C c , juga untuk setiap x ∈ A ∩ C c , sehingga Z Z 1 00 L (θ ) ≤ L (θ0 ) . k c c A∩C A∩C Berdasarkan pertaksamaan tersebut diperoleh Z Z Z Z 1 1 0 00 00 L (θ ) − L (θ0 ) ; (6.3) L (θ ) − L (θ ) ≥ k k C∩Ac A∩C c C∩Ac A∩C c
6.1 Uji Paling Kuasa
110
dan dari persamaan 6.2 diperoleh Z Z Z Z 1 00 00 0 0 L (θ ) − L (θ ) ≥ L (θ ) − L (θ ) . k C∩Ac C A A∩C c 1017
Dengan demikian, Z
Z
00
L (θ ) − L (θ00 ) c c Z ZC∩A Z A∩C Z 00 00 00 L (θ ) − L (θ00 ) L (θ ) − = L (θ ) + c c A∩C A∩C ZC∩A Z C∩A = L (θ00 ) − L (θ00 ) C
A
= α − α = 0. Jika hasil tersebut disubstitusi ke pertaksamaan 6.3, maka diperoleh Z Z 00 L (θ ) − L (θ00 ) ≥ 0. C 1018 1019 1020
1021 1022 1023 1024
A
Jika peubah acak X adalah peubah acak diskret, maka pembuktian teorema tersebut sama seperti kasus kontinu, hanya saja notasi integral diubah menjadi notasi sigma (penjumlahan). z Akibat 6.1 Misalkan C adalah daerah kritis terbaik berukuran α untuk pengujian hipotesis sederhana H0 : θ = θ0 dan H1 : θ = θ00 . Misalkan taraf nyata dari pengujian tersebut ialah α. Misalkan pula γC (θ00 ) = Pθ00 [X ∈ C] menyatakan kuasa dari pengujian tersebut, maka α ≤ γC (θ00 ) . Contoh 6.3 Misalkan X0 = (X1 , X2 , . . . , Xn ) adalah sampel acak dari sebaran yang memiliki fungsi kepekatan peluang ! 1 (x − θ)2 , − ∞ < x < ∞. f (x; θ) = √ exp − 2 2π
1025
Tentukan daerah kritis terbaik C berukuran α untuk hipotesis sederhana berikut H0 : θ = θ0 = 0 H1 : θ = θ00 = 1.
1026
Jawab.
√ n P 1/ 2π exp (− ni=1 x2i /2) √ n P 1/ 2π exp − ni=1 (xi − 1)2 /2 ! n X n = exp − xi + . 2 i=1
L (θ0 ; x) = L (θ00 ; x)
6.2 Uji Selalu Paling Kuasa
111
Jika k > 0, maka himpunan dari semua titik (x1 , x2 , . . . , xn ) sedemikian sehingga Pn n ≤k exp − x + i i=1 2 Pn n ⇔ − Pn i=1 xi +n 2 ≤ log k ⇔ i=1 xi ≥ 2 − log k = c P adalah daerah kritis terbaik, yaitu C = {(x1 , x2 , . . . , xn ) : ni=1 xi ≥ c} , di mana c adalah suatu konstanta yang dapat ditentukan sedemikian sehingga Pn daerah kritis tersebut berukuran α. Kejadian i=1 Xi ≥ c ekuivalen den¯ ≥ c/n = c1 . Sebagai contoh, misalkan uji hipotesis tersebut gan kejadian X ¯ Jika H0 benar, θ = θ0 = 0, maka X ¯ ∼ N (0, 1/n) . berdasarkan statistik X. Berdasarkan ukuran contoh n dan taraf nyata α, konstanta c1 dapat ditentukan dengan melihat tabel sebaran normal sedemikian sehingga ¯ ≥ c1 = α. PH 0 X Dengan demikian, jika nilai dari X1 , X2 , . . . , Xn berturut-turut adalah x1 , x2 , . . . , xn , P maka x¯ = ni=1 xi /n. Jika x¯ ≥ c1 , maka hipotesis H0 ditolak pada taraf nyata α; jika x¯ ≤ c1 , maka hipotesis H0 tidak ditolak. Peluang menolak H0 padahal H0 benar ialah α; peluang menolak H0 ketika H0 salah adalah nilai dari kuasa uji hipotesis pada θ = θ00 = 1, yaitu ! Z ∞ 2 (¯ x − 1) 1 ¯ ≥ c1 = √ p exp − d¯ x. PH 1 X 2 (1/n) 2π 1/n c1 1027 1028 1029
Misalkan n √= 25 dan α = 0.05, maka berdasarkan tabel sebaran normal c1 = 1.645/ 25 = 0.329 dan kuasa dari uji terbaik H0 lawan H1 ialah 0.05 ketika H0 benar dan ! Z ∞ Z ∞ 1 (¯ x − 1)2 1 2 √ e−w /2 dw √ p exp − d¯ x = 2 (1/25) 2π 2π 1/25 0.329 −3.355 = P (Z ≥ −3.355) = 0.9996
1030
ketika H1 benar.
1031
6.2
1032 1033 1034
z
Uji Selalu Paling Kuasa
Uji selalu paling kuasa atau uniformly most powerful test ini digunakan untuk menguji hipotesis nul sederhana dengan hipotesis alternatif majemuk. Berikut merupakan contoh dari pengujian tersebut.
6.2 Uji Selalu Paling Kuasa
1035
112
Contoh 6.4 Misalkan X1 , X2 adalah sampel acak dari sebaran yang memiliki fungsi kepekatan peluang 1 f (x; θ) = e−x/θ I (x > 0) . θ Tentukan daerah kritis terbaik C berukuran α untuk hipotesis berikut H0 : θ = 2 H1 : θ = θ∗ ; θ∗ > 2.
1036
Jawab. L (θ0 ; x) L (2) = L (θ00 ; x) L (θ∗ ) 1 exp [− (x1 + x2 ) /2] 22 . = 1 exp [− (x1 + x2 ) /θ∗ ] (θ∗ )2 Jika k > 0, maka himpunan dari semua titik (x1 , x2 ) sedemikian sehingga 1 exp [− (x1 + x2 ) /2] 22 1 exp [− (x1 + x2 ) /θ∗ ] (θ∗ )2
1037
≤k
adalah daerah kritis terbaik berkuran α. 1 exp [− (x1 + x2 ) /2] 22 ≤k 1 exp [− (x1 + x2 ) /θ∗ ] (θ∗ )2 ⇔ − log 4 − (x1 + x2) /2 + log (θ∗ )2 + (x1 + x2 ) /θ∗ ≤ log k ⇔ (x1 + x2 ) θ1∗ − 21 ≤ k1 ⇔ (x1 + x2 ) 12 − θ1∗ ≥ k2 , (6.4) karena ∀θ∗ > 2, 21 − θ1∗ > 0, maka pertaksamaan 6.4 dapat ditulis menjadi (x1 + x2 ) ≥ k3 ,
1038
sehingga daerah kritis C = {(x1 , x2 ) : (x1 + x2 ) ≥ k3 } . α = P (X ∈ C|H0 ) 0.05 = Pθ=2 (X1 + X2 ≥ k2 ) 0.05 = 1 − P (X1 + X2 < k2 ) Z k3 Z k3 −x1 1 0.05 = 1 − exp [− (x1 + x2 ) /2] dx2 dx1 4 0 0 k3 0.05 = e−k3 /2 1 + 2 k3 = 9.5.
1039
z
6.3 Uji Rasio Kemungkinan
1040 1041 1042 1043 1044 1045 1046 1047
1048 1049 1050
113
Definisi 6.2 Daerah kritis C adalah daerah kritis selalu paling kuasa (uniformly most powerful critical region) berukuran α untuk pengujian hipotesis sederhana H0 dan hipotesis majemuk H1 jika himpunan C adalah daerah kritis terbaik berukuran α untuk pengujian hipotesis H0 dengan setiap hipotesis sederhana H1 . Pengujian yang didefinisikan berdasarkan daerah kritis C tersebut disebut uji selalu paling kuasa (uniformly most powerful test) dengan taraf nyata α untuk pengujian hipotesis sederhana H0 dan hipotesis majemuk H1 . Contoh 6.5 Misalkan X1 , X2 , . . . , Xn adalah sampel acak dari sebaran normal N (θ, 1). Tentukan daerah kritis selalu paling kuasa berukuran α (jika ada) untuk hipotesis berikut H0 : θ = 5 H1 : θ = θ∗ ; θ∗ 6= 5.
1051
Jawab. Yn
2 √1 exp − 1 (x − 5) L (θ = 5) 2 2π = Yni=1 2 L (θ = θ∗ ) √1 exp − 1 (x − θ ∗ ) 2 2π
1 = − 2
i=1 n X i=1
n
1X (xi − 5) + (xi − θ∗ )2 2 i=1
= (5 − θ∗ )
2
n X
xi + n (θ∗ )2 −
i=1
∗
(5 − θ )
n X
xi ≤ k1 − n (θ∗ )2 +
i=1 1052 1053 1054
1055
25n ≤ k1 . 2
25n . 2
P Jika θ < 5, maka C = {(x1 , x2P , . . . , xn ) : ni=1 xi ≤ k2 }, tetapi untuk θ∗ > 5, maka C = {(x1 , x2 , . . . , xn ) : ni=1 xi ≥ k2 } . Dengan demikian, tidak ada daerah kritis selalu paling kuasa. z ∗
6.3
Uji Rasio Kemungkinan
Misalkan peubah acak X memiliki fungsi kepekatan atau massa peluang f (x; θ) , di mana θ adalah vektor dari parameter pada Ω. Misalkan ω ⊂ Ω dan H0 : θ ∈ ω lawan H1 : θ ∈ Ω ∩ ω c .
6.3 Uji Rasio Kemungkinan
114
Prinsip dari rasio kemungkinan untuk menolak H0 adalah jika dan hanya jika Λ ≤ λ0 < 1, di mana supL (ω) Λ (x) =
θ∈ω
supL (Ω)
=
θ∈Ω 1056
L (ˆ ω) , ˆ L Ω
dengan taraf nyata dari uji tersebut ialah α = maxPH0 [Λ (X) ≤ λ0 ] . θ∈ω
1057 1058 1059
Contoh 6.6 Misalkan X1 , X2 , . . . , Xn merupakan sampel acak dari sebaran N (θ1 , θ2 ) di mana θ1 adalah nilai tengah dan θ2 adalah ragam yang tidak diketahui, sehingga Ω = {(θ1 , θ2 ) ∈ R × R+ } . Hipotesis yang diuji ialah H0 : θ1 = 0, θ2 > 0 H1 : θ1 6= 0, θ2 > 0,
1060 1061
sehingga ω = {θ1 = 0, θ2 ∈ R+ } . Tentukan statistik dan sebaran yang terkait hipotesis tersebut, serta berikan daerah kritis pada taraf nyata α. Jawab. Dalam hal ini sampel acak X1 , X2 , . . . , Xn saling bebas, sehingga fungsi kemungkinannya ialah 1 n 2 −n/2 Σ (xi − θ1 ) L (Ω) = (2πθ2 ) exp − 2θ2 i=1 dan L (ω) = (2πθ2 )
1062
−n/2
1 n 2 exp − Σ x . 2θ2 i=1 i
Jika ∂ ln L (ω) /∂θ2 = 0 , maka −n 1 + = 0 2θ2 θ2 Σni=1 x2i , θ2 = n
1063 1064
di mana θ2 memaksimumkan L (ω) . Jadi, penduga kemungkinan maksimum bagi θ2 ialah n 2 ˆθ2 = Σi=1 Xi . n Jika ∂ ln L (Ω) /∂θ1 dan ∂ ln L (Ω) /∂θ2 dibuat sama dengan nol, maka penduga kemungkinan maksimum bagi θ1 dan θ2 ialah ˆθ1 = X ¯ n ¯ 2 Σ X − X i i=1 ˆθ2 = . n
6.3 Uji Rasio Kemungkinan
1065
Dengan demikian, #−n/2 Σni=1 (xi − x¯)2 2π × e−n/2 , n −n/2 Σni=1 x2i e−n/2 , L (ˆ ω ) = 2π × n
ˆ L Ω =
"
sehingga #n/2 " L (ˆ ω) Σni=1 (xi − x¯)2 Λ (x) = = . Σni=1 x2i ˆ L Ω x2 , maka Karena Σni=1 (xi − x¯)2 = Σni=1 x2i − n¯ #n/2 Σni=1 (xi − x¯)2 Λ (x) = ≤ λ0 Σni=1 (xi − x¯)2 + n¯ x2 1 2/n ≤ λ0 2 n¯ x 1+ n Σi=1 (xi − x¯)2 n¯ x2 −2/n 1+ n 2 ≥ λ0 Σi=1 (xi − x¯) n¯ x2 −2/n − 1 = λ∗0 2 ≥ λ0 n Σi=1 (xi − x¯) n¯ x2 /θ2 ≥ λ∗0 (n − 1) 1 Σni=1 (xi − x¯)2 /θ × √2 n−1 √ p n |¯ x| / θ2 q ≥ λ∗0 (n − 1) = λ∗∗ 0 . 1 Σni=1 (xi − x¯)2 /θ2 × n−1 "
⇔
⇔ ⇔ ⇔ ⇔
¯ ∼ N (θ1 , θ2 ) dan Σn Xi − X ¯ 2 /θ2 ∼ χ2 (n − 1) , maka Karena X i=1 √ ¯ n X − θ1 T =q ∼ t − Student (n − 1) 2 n ¯ Σi=1 Xi − X / (n − 1) dan bila H0 benar, T =q Σni=1
√ ¯ nX ∼ t − Student (n − 1) . 2 ¯ Xi − X / (n − 1)
115
6.3 Uji Rasio Kemungkinan
1066
116
Dengan demikian, daerah kritis C ialah √ n |¯ x| ≥ tα/2 (n − 1) C = x; q Σni=1 (xi − x¯)2 / (n − 1) S = x; |¯ x| ≥ √ tα/2 (n − 1) . n z
1067
1068 1069 1070 1071 1072
Contoh 6.7 Misalkan X ∼ N (θ1 , θ3 ) dan Y ∼ N (θ2 , θ3 ) , di mana θ1 , θ2 adalah nilai tengah dari X dan Y, serta θ3 adalah ragam yang tidak diketahui, sehingga Ω = {(θ1 , θ2 , θ3 ) : θ1 , θ2 ∈ R, θ3 ∈ R+ } . Misalkan X1 , X2 , . . . , Xn dan Y1 , Y2 , . . . , Ym merupakan sampel acak dari sebaran tersebut. Hipotesis yang diuji ialah H0 : θ1 = θ2 , θ3 > 0 H1 : θ1 6= θ2 , θ3 > 0,
1073 1074 1075
sehingga ω = {(θ1 , θ2 , θ3 ) : θ1 = θ2 ∈ R, θ3 ∈ R+ }. Tentukan statistik dan sebaran yang terkait hipotesis tersebut, serta berikan daerah kritis pada taraf nyata α. Jawab. Dalam hal ini X1 , X2 , . . . , Xn , Y1 , Y2 , . . . , Ym adalah n + m > 2 sampel acak saling bebas, sehingga fungsi kemungkinannya ialah 1 n 2 2 −(n+m)/2 m Σi=1 (xi − θ1 ) + Σi=1 (yi − θ2 ) L (Ω) = (2πθ3 ) exp − 2θ3 dan L (ω) = (2πθ3 )
1076
−(n+m)/2
1 n 2 2 m exp − Σi=1 (xi − θ1 ) + Σi=1 (yi − θ1 ) . 2θ3
Jika ∂ ln L (ω) /∂θ1 dan ∂ ln L (ω) /∂θ3 dibuat sama dengan nol, maka Σni=1 (xi − θ1 ) + Σm i=1 (yi − θ1 ) = 0 1 2 = n + m. Σni=1 (xi − θ1 )2 + Σm i=1 (yi − θ1 ) θ3
1077
Solusi dari persamaan di atas untuk θ1 dan θ3 berturut-turut ialah θ1ω = (n + m)−1 {Σni=1 xi + Σm i=1 yi } −1 n 2 θ3ω = (n + m) Σi=1 (xi − θ1ω )2 + Σm , i=1 (yi − θ1ω )
6.3 Uji Rasio Kemungkinan
117
di mana θ1ω dan θ3ω memaksimumkan L (ω) . Selanjutnya, jika ∂ ln L (Ω) /∂θ1 , ∂ ln L (Ω) /∂θ2 , dan ∂ ln L (Ω) /∂θ3 dibuat sama dengan nol, maka Σni=1 (xi − θ1 ) = 0 Σm i=1 (yi − θ2 ) = 0 − (n + m) +
1 n 2 = 0. Σi=1 (xi − θ1 )2 + Σm i=1 (yi − θ1 ) θ3
Solusi dari persamaan di atas untuk θ1 , θ2 dan θ3 berturut-turut ialah θ1 = x¯ θ2 = y¯ 2 θ3 = (n + m)−1 Σni=1 (xi − θ1 )2 + Σm i=1 (yi − θ2 ) 1078
1079
di mana θ1 , θ2 dan θ3 memaksimumkan L (Ω) . Dengan demikian, −1 (n+m)/2 e ˆ L Ω = 2πθ3 −1 (n+m)/2 e L (ˆ ω) = , 2πθ3ω sehingga (n+m)/2 L (ˆ ω) θ3 = Λ (x) = θ3ω ˆ L Ω Λ2/(n+m) (X) =
ˆθ3 ˆθ3ω
¯ 2 ¯ 2 + Σm Σni=1 Xi − X i=1 Yi − Y . = ¯ + mY¯ 2 Pm ¯ + mY¯ 2 Pn nX nX + i=1 Yi − i=1 Xi − n+m n+m 1080
Karena n X i=1
n X ¯ + mY¯ 2 ¯ + mY¯ 2 nX nX ¯ ¯ Xi − = Xi − X + X − n+m n+m i=1 n X ¯ + mY¯ 2 2 n X ¯ +n X ¯− = Xi − X n+m i=1 =
n X i=1
¯ Xi − X
2
+
m2 n ¯ ¯ 2 2 X −Y (n + m)
6.3 Uji Rasio Kemungkinan
1081
118
dan m m X X ¯ + mY¯ 2 ¯ + mY¯ 2 nX n X Yi − = Yi − Y¯ + Y¯ − n + m n+m i=1 i=1 m X ¯ + mY¯ 2 2 nX ¯ ¯ = Yi − Y + m Y − n+m i=1 =
m X
Yi − Y¯
2
i=1 1082
+
n2 m ¯ − Y¯ 2 , X (n + m)2
maka 2 2 m n ¯ ¯ Y − Y X − X + Σ Σ i i i=1 i=1 Λ2/(n+m) (X) = Pn 2 2 Pm ¯ ¯ ¯ − Y¯ 2 Y − Y + [nm/ (n + m)] X − X + X i i i=1 i=1 1 = . ¯ − Y¯ 2 [nm/ (n + m)] X 1 + Pn ¯ 2 + Pm Yi − Y¯ 2 Xi − X i=1
i=1
Jika hipotesis H0 : θ1 = θ2 benar, maka peubah acak r T =
( " n #)−1/2 m X X nm 2 2 ¯ − Y¯ ¯ + X (n + m − 2)−1 Xi − X Yi − Y¯ n+m i=1 i=1
memiliki sebaran t−Student dengan derajat bebas n+m−2. Dengan demikian, peubah acak Λ2/(n+m) (X) dapat dituliskan menjadi
1083 1084
n+m−2 , (n + m − 2) + T 2 sehingga daerah kritis C ialah C = |t| ≥ tα/2 (n + m − 2) , di mana t adalah nilai amatan dari peubah acak T. z Definisi 6.3 Misalkan peubah acak Z ∼ N (δ, 1) dan peubah acak U ∼ χ2 (r) , serta dua peubah acak tersebut saling bebas, maka peubah acak Z T =p U/r
1085 1086 1087
dikatakan memiliki sebaran t takterpusat dengan derajat bebas r dan parameter takterpusat δ. Jika δ = 0, maka T disebut memiliki sebaran terpusat t.
6.3 Uji Rasio Kemungkinan
1088 1089 1090 1091 1092
Pada dua contoh di atas, Contoh 6.6 dan Contoh 6.7, penentuan uji rasio kemungkinan tersebut dilakukan berdasarkan statistik di mana jika H0 benar, maka memiliki sebaran t. Kemudian, kita ingin menguji statistik pada contoh-contoh tersebut dengan menggunakan Definisi 6.3. Pada Contoh 6.6, diperoleh T =q
1093
U1
1095
1096
Σni=1
√ √ ¯ nX nθ1 = ∼N ,1 σ σ ¯ 2 Σni=1 Xi − X = ∼ χ2 (n − 1) , 2 σ
peubah acak Z1 dan U1 saling bebas. Dengan demikian, jika θ1 6= 0, maka T memiliki sebaran √ t takterpusat dengan derajat bebas n − 1 dan parameter nθ1 . terpusatnya δ1 = σ Dari Contoh 6.7 diperoleh T =p di mana
r Z2 =
dan
1097
√ ¯ nX ¯ 2 / (n − 1) Xi − X
di mana Z1
1094
119
Z2 U2 / (n + m − 2)
nm ¯ − Y¯ /σ X n+m
" n # m 2 X 2 1 X ¯ + Xi − X Yi − Y¯ . U2 = 2 σ i=1 i=1
Kedua peubah acak tersebut saling bebas dan p Z2 ∼ N nm/ (n + m) (θ1 − θ2 ) /σ, 1 U2 ∼ χ2 (n + m − 2) . Dengan demikian, jika θ1 6= θ2 , maka T memiliki sebaran t takterpusat dengan derajat bebas n + m − 2 dan parameter takterpusatnya p δ2 = nm/ (n + m) (θ1 − θ2 ) /σ.
6.4 Uji Rasio Peluang Bersekuens
120
Misalkan suatu statistik −2 ln Λ (X) dengan Λ (x) =
1098 1099 1100 1101 1102
L (ˆ ω) . ˆ L Ω
Berdasarkan prinsip dari uji rasio kemungkinan, H0 ditolak jika dan hanya jika Λ ≤ λ0 , sehingga untuk statistik −2 ln Λ, H0 ditolak jika −2 ln Λ > λ1 untuk suatu konstanta λ1 . Dengan demikian, uji rasio kemungkinan ekuivalen dengan uji yang menggunakan statistik −2 ln Λ. Berikut ini merupakan teorema yang menyatakan sebaran asimtotik bagi −2 ln Λ. Teorema 6.2 Misalkan X1 , X2 , ..., Xn adalah sampel acak dengan fungsi kepekatan peluang f (x; θ) , θ ∈ Ω, di mana Ω merupakan himpunan bagian berdimensi r dari Rr dan misalkan ω merupakan himpunan bagian berdimensi m dari Ω. Misalkan pula himpunan positif dari fungsi kepekatan peluang tidak bergantung pada θ, maka sebaran asimtotik dari −2 ln Λ ialah χ2 (r − m) , asalkan θ ∈ ω, yaitu saat n → ∞, Pθ (−2 ln Λ ≤ x) → G (x) , x ≥ 0, ∀θ ∈ ω,
1103
dengan G adalah fungsi sebaran dari sebaran χ2 (r − m) .
1104
6.4
Uji Rasio Peluang Bersekuens
Pada Teorema 6.1 diberikan suatu metode untuk menentukan daerah kritis terbaik untuk pengujian hipotesis sederhana lawan hipotesis alternatif sederhana. Misalkan X1 , X2 , . . . , Xn adalah sampel acak dengan ukuran contoh n yang tetap, yang berasal dari sebaran dengan fungsi massa atau kepekatan peluang f (x; θ) , di mana θ = {θ : θ = θ0 , θ00 } dan θ0 , θ00 diketahui nilainya. Fungsi kemungkinan dari X1 , X2 , . . . , Xn ialah L (θ; n) = f (x1 ; θ) f (x2 ; θ) · · · f (xn ; θ) . Jika H0 : θ = θ0 ditolak dan H1 : θ = θ00 diterima ketika L (θ0 ; n) ≤ k, L (θ00 ; n) 1105 1106
di mana k > 0, maka berdasarkan Teorema 6.1, hal tersebut merupakan uji terbaik dari H0 lawan H1 . Selanjutnya, misalkan ukuran sampel n merupakan suatu peubah acak. Misalkan N adalah peubah acak yang menyatakan ukuran sampel dengan
6.4 Uji Rasio Peluang Bersekuens
121
ruang sampel {1, 2, 3, ...} . Prosedur untuk pengujian hipotesis sederhana H0 : θ = θ0 lawan H1 : θ = θ00 ialah sebagai berikut: misalkan k0 dan k1 merupakan konstanta positif dengan k0 < k1 . Amati nilai dari X1 , X2 , . . . , Xn pada suatu sekuens, sebagai contoh x1 , x2 , x3 . . . dan hitung L (θ0 ; 1) L (θ0 ; 2) L (θ0 ; 3) , , ,··· . L (θ00 ; 1) L (θ00 ; 2) L (θ00 ; 3) Hipotesis H0 ditolak jika dan hanya jika terdapat bilangan bulat positif n sedemikian sehingga xn = (x1 , x2 , . . . , xn ) merupakan anggota dari himpunan L (θ0 ; j) L (θ0 ; n) < k1 , j = 1, 2, ..., n − 1 dan ≤ k0 . Cn = xn : k0 < L (θ00 ; j) L (θ00 ; n) Di samping itu, hipotesis H0 diterima jika dan hanya jika terdapat bilangan bulat positif n sedemikian sehingga xn = (x1 , x2 , . . . , xn ) merupakan anggota dari himpunan L (θ0 ; j) L (θ0 ; n) An = xn : k0 < < k1 , j = 1, 2, ..., n − 1 dan ≥ k1 , L (θ00 ; j) L (θ00 ; n) 1107
Dengan kata lain, pengamatan contoh dilanjutkan selama k0