BUKU AJAR STATISTIKA MATEMATIKA II PAS 306/ 3 SKS (es \euanan®y Oleh : Dra. TATIK WIDIHARIH, M.SiBiukse Ajar Statistika Matematika 2 KATA PENGANTAR Dengan mengucap syukur kehadirat Tuhan Yang Maha Esa atas segala limpahan rahmat dan Karunianya sehingga Buku Ajar Statistika Matematika 2 ini dapat diselesaikan sesuai dengan waktu yang telah direncanakan. Buku Ajar ini disusun sebagai buku pegangan kuliah untuk mata kuliah Statistika Matematika 2 mahasiswa Program Studi Statistika, Jurusan Matematika, FMIPA UNDIP Semarang semester 4. Penulis berusaha semaksimal mungkin untuk dapat menyajikan materi secara ringkas dan jelas, sehingga mudah dipelajari para mahasiswa, namun penulis menyadari masih banyak kekurangannya, Penulis mengharap Kritik dan saran dari para pembaca, teman-teman sekolega demi kesempurmaan buku ajar ini. Dalam kesempatan ini penulis mengucapkan banyak terima kasih kepada Ketua Program Studi Statistika, Jurusan Matematika, FMIPA UNDIP Semarang, yang telah memberi kesempatan kepada penulis. Ucapan terima kasih juga kepada Universitas Diponegoro yang menyediakan dana untuk kegiatan penulisan buku ajar ini khususnya Alokasi DIPA IDB Proyect. Kepada semua pihak yang tidak dapat penulis sebutkan satu persatu yang telah membantu baik sejak ide penyusunan, saat penyusunan berupa saran dan masukan yang sangat membantu sehingga dapat diselesaikannya buku ajar ini. Harapan penulis semoga buku ajar ini dapat bermanfaat dan membantu para mahasiswa dalam menenpuh mata kuliah Statistika ‘Matematika 2 serta dapat lebih mengembangkannya schingga benar-benarBuku Ajar Statistin Matematika 2 DAFTAR ISI Hal KATA PENGANTAR.... i DAFTAR ISI ii MODULI ESTIMATOR TITIK .. 1 1.1 Pengantar.. 1 1.2 Tujuan Instruksional Umum... 1 1.3 Tujuan Instruksional Khusus ... 1 14 Kegiata Belajar 0. 1 1.4.4 Kegiatan Belajar 1. METODE ESTIMASI 1 1.4.1.1 Uraian dan Contoh 1 1. Metode Momen 3 2. Metode Maksitnum Likelihood 6 14.12 Latihan 1. 2 1.4.1.3 Rangkuman.... 23 1.4.1.4 Tes Formatif 1 13 1.4.1.5 Umpan Balik dan Tindak Lanjut 4 1.4.2 Kegiatan Belajar 2. EVALUASI ESTIMATOR...... 15 1.4.2.1 Uraian dan Contoh 15 1. Sifat Takbias 15 2. Sesatan Kuadrat Rata-rata . 19 3. Konsistensi 2B 4, Estimator Takbias Terbaik .. 26 1.4.2.2 Latihan2 36Buku Ajar Statistika Matematika 2 MODUL IIL 2.1 Pengantar.. 2.2 Tujuan Instruksional Umum, 23 Tajuan Instruksional Khusus 2.4 Kegiata Belajar KECUKUPAN DAN KELENGKAPAN. 2.4.4 Uraian dan Contoh . 1. Statistik Cukup 2, Statistik Lengkap 3. Kecukupan, Kelengkapan d dan Ketakbidsan 2.4.2 Latihan 1... 2.4.3 Rangkunian ... 24.4 Tes Forinatif 1 2.4.5 Umpan Balik dan Tindak Lanjut 2.5 Kunci Jawaban Tes Formatif.... 2.6 Referens een ‘UJTHIPOTESIS .... 3.1 Pengantat .. 3.2 Tujuan tristruksioral Unitim 3.3 Tujuan Instruksiorial Kiustis 3.4 Kegiata Belajar UJI HIPOTESIS ... 3.4.1 Uraian dan Cohtol 1. Pengertian .. 2. Uji Paling Kuasa... 3. Uji Paling Kuasa Seragam .. 4. Uji Rasio Likelihood ...Buku Ajar Statistika Matematika 2 MODUL IV _ ESTIMASI INTERVAL... 401 Pengantar ncocecsnnnn 4.2 Tujuan Instruksional Umum .. 43 Tujuan Instruksional Khusus .. 4.4 Kegiata Belajar . ESTIMASI INTERVAL... 4.4.1 Uraian dan Contoh..... 1. Pengertian 2, Interval Konfindensi 3. Metode Inversi Uji Hipotesis 4. Metode Besaran Pivot 5. Interval Konfindensi Pendekatan... 442 Latihan . 4.43 Rangkuman .. 4.4.4 Tes Formatif.. 44.5 Umpan Balik dan Tindak Lanjut.... 4.5 Kunci Jawaban Tes Formatif 4.6 Referensi LAMPIRAN TABEL STATISTIKA IL Cumulatif Standart Normal Distribution .. IL Percentage Points of the t Distribution II. Percentage Points of the y° Distribution ... 100 10 m2 m2 m2 113 m4 m5 116 124 122‘Modul I Estimator Titik MODUL 1 ESTIMATOR TITIK 1.1 Pengantar Parameter populasi biasanya harganya tidak diketahui, sehingga perlu diestimasi berdasarkan pengamatan dari data sampel. Dalam modul ini akan dibahas tentang : metode estimasi yaitu metode momen dan metode likelihood maksimum, evaluasi estimator meliputi sifat takbias, sesatan kuadrat rata-rata, konsistensi dan estimator takbias terbaik. 1.2 Tujuan Instruksional Umum: Setelah mengikuti kuliah dan mempelajari modul ini mahasiswa dapat: 1. Menentukan estimator titik dari swatu parameter. 2. Melakukan evaluasi terhadap estimator titik yang telah diperoleh. 1.3 Tujuan Instruksional khusus: Setelah mengikuti kuliah dan mempelajari modul ini mahasiswa dapat: 1. Menentukan estimator titik dengan metode momen. Menentukan estimator titik dengan metode maksimum likelihood. Membuktikan sifat takbias dari suatu parameter. amenghitung sesatan kuadrat rata-rata dari estimator titik. spe YN Membuktikan sifat barisan estimator yang konsisten, 6. Menentukan batas bawah Crammer-Rao dari suatu estimator takbias. 7. Membuktikan suatu estimator titik merupakan estimator takbias terbaik. 8. Menentukan estimator takbias terbaik dari suatu parameter.Modul 1 Estimator Titik estimasi titik atau estimasi interval yang biasa dikenal dengan interval konfindensi. Untuk estimasi titik dibedakan menjadi dua pendekatan yaitu pendekatan klasik dan pendekatan teori keputusan, Dalam pendekatan Klasik, inferensi didasarkan sepenuhnya pada informasi yang diperoleh melalui sampel acak yang diambil dari suatu populasi yang berdistribusi tertentu. Metode-metode yang sering digunakan diantaranya metode momen dan metode maksimum likelihood. Estimator yang diperoleh perlu dievaluasi dengan menyelidiki sifat-sifat baik meliputi : sifat takbias, kekonsistenan dari barisan estimator , dan variansi minimum. Dalam teori keputusan, inferensi didasarkan pada kombinasi dari informasi sampel dengan aspek-aspek lain yang relevan dengan persoalan tertentu agar diperoleh keputusan terbaik. Aspek lain yang dipandang relevan sebagai tambahan informasi sampel salah satunya adalah pengetahuan tentang konsekuensi yang mungkin timbul dari keputusan yang diambil. Pengetahuan ini seringkali diukur dengan menentukan kerugian yang akan terjadi untuk setiap keputusan yang mungkin dan untuk berbagai nilai yang mungkin dari parameter populasi. Fungsi resiko didefinisikan sebagai harga harapan dari fungsi ketugian. Kritetia kebaikan dari estimator ini salah satunya dilihat dari besarntya resiko dari estimator tersebut. Misalkari X adalah variabel tandom dengan fungsi densitas {(x|@) dimana @ adalah parameter yang harganya tidak diketahui. Dalam estimasi titik ini berarti mengestimasi (iiettduga) harga parameter @ (dimungkinkan juga fungsi dari @ katakana g(0)) melalui / berdasarkan data observasi dati sampel. Secara matematika data observasi ini biasa disebut sampel random, Bila X1, X2,.....Xn Variabel random independent masing-masing dengan‘Modul 1 Estimator Titik merupakan himpunan bagian dari ruang Euclid dengan dimensi yang bersesuaian dengan dimensi @ 1. Metode Momen (Method of Moment Estimator / MME). Metode momen yang diciptakan oleh Karl Pearson pada tahun 1800 merupakan metode tertua dalam menentukan estimator titik, Definisi 1.1 Statistik ze x) adalah fungsi dari data observasi X:, Xo,....Xn yang, digunakan untuk mengestimasi dari harga g(0) disebut estimator dari (0) dan harga terobservasi dari statistik {+} aisbat estimasi (dugaan) dari g(0). Kadang-kadang estimator dari @ juga dinotasikan dengan (J. Kita bias Xn menghitung haga Q= 1 X )langsung dari data observasi x, »2,.. karena funfsi tersebut tidak tergantung dari harga parameter 0 yang tidak diketahui. Definisi 1.2. 1. Misalkan suatu populasi dengan fungsi densitas {(x|9), maka momen populasi ke k didefinisikan sebagai 1, = 5x“) 2, Jika Xa, Xaj.Xa adalah sampel random dari populasi dengan fungsi densitas f(x|0), maka momen sampel ke k didefinisikanModul I Estionator Titik Persamaan simultan yang dihasilkan. Momen populasi ke j (/,) biasanya merupakan fungsi dari 8 = (0, Q2,..., @). Estimator metode momen (6rd 64) (G1, 0... 6x) didapatkan dengan menyelesaikan system persamaan (61, @2,..., 8%) dalam bentak yppszppye-s7y Yaitu : Ham -L=m; Contoh 14 Misalkan X1, Xo,.....Xa adalah sampel random dari populasi yang berdistribusi Poisson dengan parameter \. Dengan metode momen tentukan estimator tilik untuk). Penyelesaian: X ~ P(A), maka fungsi densitasnya : /(x|4)= @” Karena hanya satu parameter yang akan diestimasi maka hanya diperlukan satu persamaan dan langsung diperoleh estimator titiknya.Modul { Estimator Titik Contoh 1.2 Misalkan Xi, X2,....Xo adalah sampel random dari populasi yang berdistribusi Normal dengan rata-rata 4 dan variansi g*. Dengan menggunakan metode momen tentukan estimator titik untuk p dan g* Penyelesaian: X~ Nit, g") berarti EX) =p dan Var(Z)= g” Var(X) = EO®) - (EQ)? o = E00) - BOM =18+ Contoh 1.3 Misalkan %:, X>,.....Xn adalah sampel random dari populasi yang berdistribusi Exp(1, 6). Dengan menggunakan metode momen tentukan estimator titik antl aModu I Estimator Titik EU) = frexp(—x+ Bax a == fed(exp-x+0) a = -xexp(-x+ 0) + Jesol- x+O)de =0-exp(-x +8) =O+1 Diperoleh persamaan 2. Metode Maksimum Likelihood (maximum Likelihood Estimator / MLE) Sejauh ini metode maksimum likelihood merupakan metode yang paling popular dalam menghasilkan estimator. Misalkan Xi, X2,....Xn adalah sampel random dari populasi dengan densitas {(%|®1, 02..., 0), fungsi likelihood didefinisikan dengan : 1.8. O,| x) T1 1601000.) Bila fungsi likelihood ini terdiferensialkan dalam 0%, @..., 0; maka calon estimator maksimum likelihood yang mungkin adalah harga-harga (Ard | sedemikian schingga:: Af 0.0.0.1]‘Modul | Estimator Titik 0.1) <0 ards“ Dalam banyak kasus dimana diferensi digunakan, akan lebih mudah bekerja pada logaritma alam (In) dari 0.0 6.1 x} yaitu : I= tog {9.0 0.1 x) Hal ini dimungkinkan karena fungsi logaritma naik tegas pada (0), yang berarti bahwa {6.00 0,1 x) dan 110g 10.0, Jelasnya untuk menentukan estimator maksimum likelihood dari 0= 1, &..., @x) dengan langkah-langkah sebagai berikut : 1. Tentukan fungsi likelihood : [8x ~O:1X) [10.6 0,) 6.1 x) mempunyai ekstrem yang sama. 2. Bentuk log likelihood : I= log 10.0, 1) 3. Tentukan turunan dasi_ I= log [Oc0, 6,| x] terhadap 01, 82... are 0.0, 26, 4, Bentuk persamaan likelihood : are 006. arof(0.0.-~81X)) untuk i= 120k 0a. x) untuk 7 = 1,2yegkModul I Estimator Titik Contoh 2.1 Misalkan X,, X2,.....Xn adalah sampel random dari populasi yang berdistribusi Poisson dengan parameter \. Dengan metode maksimum likelihood tentukan estimator titik untuk \. Penyelesaian: Xi ~ P(\), maka fungsi densitasnya: /(,| 2): Fungsi likelihood : (ax) Log likelihood : ru( de) ~a( fl) =m+¥ x logs is =-Stog(y)-na+ y ‘x log’ at 1¢ amend Persamaan likelihood: FoeModul 1 Estimator Titik Contoh 2.2 Misalkan Xa, X: Xn adalah sampel random dari populasi yang berdistribusi normal dengan rata-rata jt dan variansi o?, Dengan menggunakan metode maksimum likelihood tentukan estimator titik untuk u dan o?, Penyelesaian : Xi ~ No?) , maka densitasnya adalah these’) 1X} stele") eels} atoll) -02)" "od gh Fe 1) Log likelihood : reeModul I Estimator Titik Persamaan likelihood : at Contoh 2.3 Misalkan Xi, X2,.....Xn adalah sampel random dari populasi yang berdistribusi Gamma(a, f). Dengan menggunakan metode maksimum likelihood tentukan estimator titik a dan B. Penyelesaian: X: ~ Gamma(a, 8), maka densitasnya adalah : Sola.) OF xen 3] x29 af>0 Tatik Widiharih 10Modul I Estimator Titik Fungsi likelihood : ial Xx} Tre tee) =n yr exp) 2 tx exp Xe aF* -%) ~aF* {-% “eB Ths eof) Log likelihood : rai({eeix)} =-nlog(T(@))—nerlog B- aad a nL © _niog p+ Yroale) ba Tle) eee ts ae pee Persamaan likelihood : 0 ~ nlog + Stol,)=0 dengan Q(@)= Tatik Wickhorih Xn Le) Na)Modul I Estimator Titik Bentuk tersebut diatas tidak “closed form” sehingga diselesaikan secara numeric, Menurut Greewood dan Durand (-960) dalam Bain dkk(1992) : (0sooos26 + 0,1648852M ~0,0544274 AVM — untuk 01T dengan M= Salah satu sifat yang paling berguna dari estimator maksimum likelihood ini adalah sifat invariannya. Misalkan dalam hal ini tertarik pada estimasi g(0) dengan 6 —» g(@) fungsi satu-satu. Sifat invariant ini mengatakan bahwa jika @ adalah eatimator maksimum likelihood untuk @, maka (Q) juga estimator maksimum likelihood untuk g(6). Contoh 2.4 13. x) dengan sifat invariant maka gy 14.1.2 Latihan 1 1. Apa perbedaan antara momen populasi denean momen sampel 2. Mengapa dalam metode lilkelihood maksimum disyaratkan bahwa Xi, XzneXn peubeh acak independen dan berdistribusi identik, bagaimana jika syarat tersebut tidak dipenuhi? 3, Apakah pendugaan dengan menggunakan metode momen dan metode likelihood maksimum selalu menghasilkan estimator titik yang sama? Jelaskan dan berikan contoh, Tatil Wicknorthe nModul 1 Estimator Titik 14.13 Rangkuman | 1. Dalam pendugaan parameter dengan metode momen yang terpenting adalah menentukan momen ke - k ¢ari populasi maupun sampel dan membentuk k buah persamaan beser-a penyelasaiannya, 2, Dalam pendugaan parameter dengen metode likelihood maksimum, memaksimumkan fungsi likelihood dalam dilakukan dengan memaksimumkan log likelihood. | 3. Sifat yang terpenting dalam estimator likelihood maksimum adalah sifat invarian. 14.1.4 Test Formatif 1 1. Tentukan estimator dengan metode momen berdasarkan sampel random Xj, Xa, af(x|O)=0x" 00 bf(x|)=(+)x"* x>1 O>0 | ef (x|0)=@'x.exp(-&) x>0 @>0 d.X, ~ Gamma(2,6) eX, ~ Exp(@) 2. Tentukan estimator dengan metode maksimum likelihood berdasarkan %q dari populasi masing-masing dengan densitas : sampel random X1, X2,....Xn dari populasi masing-masing dengan | densitas : | af(x|0)=0x"' 00 bf(|O)=O+Nx x>1 O>0 c.f (x|0)=@'x.exp(-@) x>0 @>0 d.X, ~ Gamma(2,0) eX, ~ Expl) Tate Wirt BModul 1 Estimator Titik 1.4.1.5 Umpan Balik dan tidak Lanijut Cocokanlah jawaban anda dengan kunci jawaban dari modul ini. Hitunglah jawaban anda yang benar, kemudian gunakanlah rumus dibawah ini untuk mengetahui tingkat penguasaan anda terhadap materi ini. Tingkat penguasaan = (jumlah jawaban benar)/10 x 100% Arti tingkat penguasaan yang anda capai 90% - 100% : baik sekali 80% - 89% : baik 70% -79% : sedang <70% : kurang Bila anda telah mencapai tingkat penguasaan 80% atau lebih, aida dapat meneruskan kegiatan belajar selanjutnya. Tetapi apabila tingkat penguasaan anda kurang dari 80% , sebaiknya anda mengulangi materi ini terutama bagian yang belum anda kuasai sebelum meneruskan kegiatan belajar selanjuttiya. Tatik Widkhorth 4Mogul I Estimator Tite 14.2 Kegiatan Belajar 2: EVALUASI ESTIMATOR 14.2.1 Uraian dan Contoh. Estimator titik untuk parameter @ melalui pendekatan Klasik yaitu metode momen dan metode maksimum likelihood mungkin diperoleh estimator yang berbeda. Masalahnya sekarang adalah bagaimana memilih salah satu estimator terbaik yang memenuhi sifat-sifat kebaikan suatu estimator. Dalam submodul ini akan diperkenalkan patokan dasar untuk mengevaluasi estimator dan menyelidiki kelakuan beberapa estimator terhadap kriteria tertentu. 1. Sifat Takbias (unbias) Sifat takbias ini merupakan sifat baik dari suatu estimator yang diperoleh melalui pendekatan Klasik, dalam pemilihan estimator terbaik salah satunya harus memenuhi sifat takbias ini. Definisi 14 ‘Misalkan ae ) suatu estimator titik untuk parameter 8, maka 1 x} |disebut estimator takbias untuk 0 jika E( 1x) =6. Contoh 1.1 Misalkan %1, Xon..Xn adalah sampel random independen dari populasi berdistribusi Poisson dengan parameter \. Telah diperoleh dari contoh 1.2.1 A=. X, apakah estimator ini merupakan estimator yang takbias untuk A. nis fi ~ Poisson(A), maka E(X)) = Penyelesaian: Akan ditunjukkan bahwa Tatik Widibarihe 5Modul 1 Estimator Titik {a} Aix) “$000 Lely) 0(x) att atuntd) n i =a (na) =A gt Sehingga = 13, X,, adalah estimator yang takbias untuk 2. nat Contoh 1.2 Misalkan X;, X2,....Xq adalah sampel random independen dari populasi berdistribusi normal dengan rata-rata 1 dan variansi g’. Dari contoh 1.3.2 telah diperoleh: =43Y, dan g?= nf — x). apakah estimator tersebut merupakan estimator yang takbias untuk dan g” Penyelesaian : Xi ~ Nt, o*) » maka EQ) = 1 ‘Akan ditunjukan : fu) dan a" Tate Widiberih 16‘Modul I Estimator Titik eZ 4 lely)s 2(Y,)+..+ £(x,)) zs Lue Mt nt H) = Louw) =H Schingga i” YY, merupakan estimator yang takbias untuk 1. . Pepe fo’) 3be-X)) we{s(sc) n lal oo -2 4 =1) Karena 4a?}- omaka Gg? 15.) merupakan estimator yang bias. Tetapi apabila diambil estimator Jain untuk g* katakan S? dengan : S” = E(y-¥) dapat ditunjukkan bahwa S? merupakan estimator yang takbias untuk g* sebagai berikut : dsl ¥) * le u-¥) Zap] aS Gey o Tathh Wilthavih 7Modul I Estimator Tithe Karena E(S?)= g’ maka $* merupakan estimator yang takbias untuk ¢” Apabila rf x) merupakan estimato: yang bias untuk 0, maka we ae Berdasarkan contoh diatas maka tc oC ” Contoh 1.3 Misalkan Xa, X2, berdistribusi Uniform(0-0,5 , +0,5). Dengan menggunakan metode momen tentukan estimator untuk @ dan selidiki apakah estimator tersebut bersifat |Xn adalah sampel random independen dari populasi takbias. Penyelesaian : X~U(0-05 , 0+0,5), maka densitasnya adalah : 1 a)=-—— > SGI9) @+05)+@-05) B(X)= [xf (01 Olde = fede “Tart Widtharibs 18Modul I Estimator Titik Sehingga diperoleh persamaan Selanjutnya untuk membuktikan sifat takbias akan ditunjukkan : 0) =0. 46)-GEx) Sax) nis Lely eatin A(X) Sehingga terbukkti @ y _X,, merupakaa estimator yang takbias untuk 6. 2, Sesatan Kuadrat Rata-rata (Mean Square Error / MSE) ‘Ukuran kualitas estimator yang pertama kali dibahas adalah sesatan kuadrat rata-rata (MSE = mean square error) yang didefinisikan sebagai berikut: Definisi 2.1 Sesatan kuadrat rate-rata estimator 7 X Junk parameter @ \4 dinotasikan dengan MSE( rf X |) didefinisikan dengan : sax) -o(2(x)-2) Tote Widinarih 19‘Mott I Estimator Tite Bentuk ekspektasi dari definisi tersebut dapat disederhanakan sebagai berikut (alg) He) (a 40(-))) (())4) who} C(x)}) ~s(4a)(oe(a(2)) Apabila ae x) merupakan estimator yang takbias untuk @ maka : oN mse x’) =vaxtr x) Secara umum MSE mempunyai dua Komponen, yaitu variansi yang mengukur variabilitas (precision) dan bias yang mengukur keakuratan (accuracy) dari estimator. Contoh 2.1 Misalkan %4, X2,....Xq adalah sampel random independen dari populasi berdistribusi Eksponensial dengan rata-rata 0. Dengan menggunakan metode momen tentukan estimator untuk @ dan hitunglah sesatan kuadrat rata-rata dari estimator tersebut. Penyelesaian : X~ Exp(8), maka densitasnya adalah : Tatik Widtharih 20Modu 1 Estimator Titik Schingga diperoleh persamaan : 2X, a-4dx, ses} =u) (via )) Perlu diselidiki sifat takbias dari @ untuk dapat menghitung bias( Q). ()-CEx) Moly ealx)e+8(X,) a6 404.48) n E(x)=4 =htne) Terlihat bahwa @ merupakan estimator yang takbias untuk 0, sehingga bias(Q) =0. #(x’)= Je Seu{-Z} 05) 3) =@'T@) =26 Var(X)=E(X’)-(E(X)) =26'-6 Tate Widtharth a‘Modul I Estimator Titik ust(0) 7 ~9) + ye) Contoh 2.2 Misalakan X1, X2....Xq adalah sampel random independen dari populasi berdistribusi Normal dengan rata-rata 4 dan variansi cg’. Telah diperoleh : _-x} , hitunglah sesatan kuadrat rata- rata dari kedua estimator tersebut. Penyelesaian : Berdasarkan contoh 1.4.2 telah diperoleh bahwa ye 1S y, merapakon nis estimator yang takbias untuk p, sehingga : vate) ‘Tatik Widiharih nModul I Estimator Titik Sedangkan = ¢! ee x) merupakan estimator yang bias untuk no o dengan tof 92] --= ” Karena qa “ -X a Are Heeroma alg oy we he o 2 Var| nZ | =2(n~1) o Meva{g?]=ae-I a 3} 2-5 vse 52) {02} se ¢)| ) =2(n-1)- oo 7 nn =(n- jo n 3. Konsistensi Sejauh ini kriteria yang dibicarakan adalah kriteria untuk sampel berhingga. Sebaliknya konsistensi_ adalah sifat_asimtotis, _yaitu menggambarkan sifat estimator bila ukuran sampel menjadi takhingga. Konsistensi adalah sifat dari barisan estimator bukan dari estimator tunggal, walaupun biasanya disebut suatu estimator Konsisten. Bila dipunyai Tate Widtharih 23Modul I Estimator Titik observasi X1, Xo)... dengan densitas f(xi|@), dapat dikonstruksikan barisan estimator rl X}TAXe XywoX,) dengan melakukan prosedur estimasi yang samauntuk setiap ukuran sampel n. Sebagai contoh : $+ vl ee Riek, KeeGKit x) KeaK XK) Sehingga dapat didefinisikan barisan estimator konsisten sebagai berikut : 2 lan seterusnya. Definisi 3.1 Barisan estimator ST (Xp XyenX,) adalah barisan estimator Konsisten untuk parameter 0, bila untuk setiap © > 0 dan untuk setiap 6c berlaku ; tr x}-4 4)-0 Definisi diatas mengatakan bahwa barisan estimator yang konsisten no 1 untuk neo Sehingga Q@= YX, adalah barisar. estimator konsisten untuk 8. net Secara umum, perhitungan mendetail seperti diatas tidak perlu dilakukan untuk membuktikan konsistensi. Ketaksamaan Chebychev lebih mudah digunakan yaitu: Af Ir x)-4= ‘) “3 (r{x}-0) Sehingga ; attics (rf x}8) =0 adalah syarat cukup agar suatu barisan estimator T{X}=1.X NyeoX,) merupakan barisan estimator yang konsisten. Selanjutnya dapat ditulis : Ce) 2,0) UC) | 7 ) eee) ~ro(r(x)) (Ce x)) Toth Wiatnarih 25Modul | Estimator Titik Berdasarkan persamaan datas. dapat _—disimpulkan — bahwa r{x}-r.x, memenuhi y,) merupakan barisan estimator konsisten bila Contoh 3.2 Berdasarkan contoh 1.4.6 untuk menunjukkan bahwa = ¥, merupakan barisan estimator konsisten untuk @ cukup dengan menunjukkan syarat 1 dan2 diatas dipenuhi. Karena ¥-a(o4), berarti_ E(¥,) n SLX, adalah nie atau xX, estimator yang takbias untuk 0, sehingga bias(77,)=0, dan Var J=+. n Dengan mengambil limit untuk ns maka syarat 1 dan 2 dipenuhi, berarti o-X, >X,, merupakan barisan estimator yang konsisten. 4. Estimator Takbias Terbaik Dalam beberapa kasus mungkin bisa ditemukan lebih dari satu estimator takbias untuk parameter 0. Masalahnya sekarang harus dipi sata estimator takbias terbaiknya. Sebagai ilustrasi misalkan X:, Xo....Xn_vatiabel random independen berdistribusi Poisson dengan parameter ). Diambil ¥ dan §? masing-masing adalah rata-rata dan variansinya. Telah diperoleh bahwa E(¥) =\ dan E(S%) = A, sehingga keduanya merupakan estimator yang takbias untuk 2. Bila diambil a suatu konstanta sembarang, dibentuk Tat Widthavih 6‘Modul I Estimator Titik TX S)= a X+(- aS? , maka E(T(X,S3)= d. Sehingga dapat diperoleh takberhingga banyak estimator takbias uncuk \. Masalahnya sekarang adalah manakah yang merupakan estimator takbias terbaik. Definisi 41 = Estimator r( X |disebut estimator takbias terbaik untuk ¢(@) bila J ar ( x) g(@) dan untuk sebarang estimator 7 x) maka berlaku val 7 {x ) s rol x } untuk setiap 0, Dalam hal ini T(x Dine disebut estimator takbias variansi minimum seragam atau "a uniform minimum variance unbias estimator (UMVUE)’ dari g(0). Salah satu cara menentukan UMVUE dengan melalui batas bawah Cramer Rao sebagai berikut : misalkan dalam melakukan estimasi g(8) dari sampel random suatu populasi dengan densitas f(<|8) dapat ditentukan batas bawah variansi (misalkan B(6)) dari setiap estimator takbias. Selanjutnya bila dapat ditemukan estimator _takbias T(x) sedemikian —_sehingga mr) Hater ‘Theorema 4.1 (Cramer Rao) merupakan UMVUE dari g(6). Misalkan X:, Xa,....Xq sampel random independen dari suatu popullasi dengan densitas £(x| 6), ct ) sebarang estimator dengan Ear, x) terdifferensialkan dalam 0. Andaikan densitas bersama #{x10) memenuhi Tatil Widaits un‘Modul 1 Estimator Titik ae a WWe)lseey setiap fangs H{ Hx ) dengan offs 2)) <0, maka “eon COE] dengan #( Ze (v0) ) disebut informasi Fisher Ht ? Bukti: Dipunyai ketaksamaan Schwarz. sebagai berikut : [cov(X,Y)f <¥ar(x)¥ar(¥) Var(x)> feov(x.Y)T Var(¥) dengan mengambil X = 1x) dan ¥ = Soe i xl ) cov(X,Y)= £|(X - E(x)\v -£(r))] area re) A(x10) “ee ane ‘Totik Widiharih Be‘Modul 1 Estimator Titik 3 fonf( x12) -Zi-0 oftr}2 30" efx 18)}- af i. ex : a" f(x x16 So 1( x} {Zs Hae = }* “ Dears x10) Ax1°)) Hox) gore wie))-a((x)) 4 Sote(z19) -o(r(x} 2 ef(x 10)) = sf) goter(zl@)|es “+ 9() ee = 5.x) {x10} “a0 atx ) wf boar ee ve(ve))} (46 oa One) Srey Contoh 4.1 Misalkan Xt, X2nXn adalah sampel random independen dari populasi Poisson dengan parameter \. Bila diambil g(X) = A, tentukan UMVUE. untuk gA)=d. Tatik Widihowih ww‘Modul I Estimator Titik Penyelesaian : Akan dicari T[X’] yang merupakan UMVUE untuk g(X) =). Berarti rx} =), sehingga Lally at Sosia)=6 © )=e A(xl4)= Fle Labrada oa a14))- Bla nea Sd) (Lia () )-#-Bearal fs) d(eemd(es)))) + SE) ee) Xi~P(\) maka fungsi pembangkit momemnya adalah : M,,)=exp(a(e'-1) Mgx,O=My,O.My,0-M yO =exp(a(e - 1) exp(i(e’ - 1p... exp(ae - 1) = exp(nd(e’ - 1) ‘Tatik WidiharihMaka : DX,~ Poa) AS x,)=na var Sx, =m (Ex) (e(8x)-» A(x) Jem +(nay f(& mess) on™ Goel) “2 Sehingga . wy face) ((2)) ofe(x) [Ever(x2)]] a a rly). 2X. moka rex) Ly 1 cenModul I Estimator Titik Sehingga Var(T(X'}) dapat mencapai baias bawah Cramer Rao, jadi dapat disimpulkan o(y)=Ls X, adalah UMVUE dari g(\) =). aT nhl Akibat 4.1 Misalkan X1, %2,....Xq sampel random independen dari suatu populasi \ dengan densitas bersama i(zl0 , dan misalkan ot x) sebarang. ae estimator dengan za x) terdifferensialkan dalam 0. Bila densitas TL/(e)10) memenuhi syarat theorema Cramer bersama Az! 6) Rao maka: ‘Contoh 4.2 Misalkan X41, X2,.....Xq sampel random independen dari suatu populasi berdistribusi Poisson dengan parameter 2. Bila g(2) = 2, tentukan UMVUE dari g(x) =2. Penyelesaian: Akan dicari 7 x) yang merupakan UMVUE dari g(A) = A, Berarti Ba x) 2h Sehingga ; Sar x)) =1 ‘Totik Widtharth a2Modul I Estimator Titik fleia=e'% xl log f(x| A)=—log xl+xlog 4-2 Sto fel 4)= fo {(Zove ae Ey i (2 Ave rov)) ) “(Z)] -u(gi) fob Sehingga =e (2 log 71) Tatik Widinarits mencapai batas._—bawah 33Modul I Estimator Titik Cramer Rao, jadi dapat disimpulkanbahwa_ T| x) adalah UMVUE dari g(A)=a Sangat penting untuk kita ingat bahwa andaikan kunci dalam theorema Cramer Rao adalah kemampuan untuk mendifferensialkan dibawah tanda integral yang dengan sendirinya agak terbatas penerapannya. Untuk densitas dalam keluarga eksponensial satu parameter memenuhi persyaratan theorema Cramer Rao dan bila estimator takbias dari g(8) ada, maka pasti akan ada estimator takbias yang mencapai batas bawah Cramer \ Rao. Akibat 4.2 | Misalkan X;, X2,....Xq_sampel random independen dari suatu populasi dengan densitas {(x| 9), yang memenuhi syarat theorema Cramer Rao. | Misalakn, 161 x) = IL F(x, ) menyatakan fungsi likelihood. Bila =) el 1 x) sebarang estimator takbias dari g(@), maka ae x) mencapai batas bawah Cramer Rao (Cramer Rao Lower Bound / CRLB) bila dan hanya bila Fer (1x)= ale 7 }-a)] untuk suatu fungsi g(0). Contoh 4.3 Misalkan X:, X2,....Xe sampel random independen dari suatu populasi berdistribusi Gamma(2, 8). Tentukan UMVUE untuk g(@) = 0 Penyelesaian : Xi~ Gamma(2, 0) maka densitasnya adalah : Tatik Widtharits 34Modul I Estimator Titik £010)=0" x00 -%) x>0 @>0 161 x)= FGI). 19)--PCe1 0) =O x ong” i conf-% she Ke con- =) $6" bonrnnon(- 7 x x| too{ x{0 | x)) = -2nlogd + Slog x, gux wl 212))--F pbx Dari bentuk terakhir dan dengan menggunakan akibat 1.5.2 diperoleh : @)=% dan r(x) Apabila T\x) merupakan estimator tekbias, maka T(¥) merupakan UMVUE untuk 6. 2(x)= 2} 7 Aa) -exp| — 2B) =61(3)=20 le ae i =A —-Sx,|=—. =1+y20=1 no= eb} azbx)-2 an 2B) me OF ata Berarti T[X) merupakan estimator takbias untuk 0, schingga merupakan UMVUE untuk 0. Tatik Wirthovih 35‘Modul 1 Estimator Titik 1.4.2.2 Latihan 1. Apa hubungannya definisi sesatan kuadrat rata-rata dengan sifat barisan estimator titik yang konsisten? 2. Apakah setiap estimator takbias selalu dapat mencapai batas bawah ‘Crammer-Rao? 3. Apakah estimator takbias terbaik dari setiap parameter selalu ada? Mengapa? 14.2.3 Rangkuman 1. Sifat estimator takbias sangat penting dalam hal akan menghitung sesatan kuadrat rata-rata , demikian juga untuk menentukan estimator takbias terbaik. 2. Membuktikan sifat barisan estimator konsisten lebih mudah melalui sesatan kuadrat rata-rata. Bila limit untuk n— © dari bias dan sestan kuadrat rata-rata dari estimator tersebut adalah nol, maka barisan estimator tersebut bersifat konsisten. 3. Menentukan estimator takbias terbaik dapat melalui batas bawah Crammer-Rao atau melalui akibat 4.2. 14.2.4 Tes Formatif 2 1. Misalkan X1, Xz/...Xq adalah sampel random independen dari populasi berdistribusi Gamma(7, 0). a. Tentukan estimator titik untuk 0 dengan metode likelihood maksimum. b. Apakah estimator dalam a) bersifat iakbias? Buktikan. c. Hitunglah sesatan kuadzat rata-rata dari estimator dalam a). d. Apakah estimator dalam a) merupakan barisan estimator yang konsisten? Buktikan. e. Tentukan UMVUE untuk 0. 2. Misalkan X1, XenwXa adalah sampel random independen dari populasi berdistribusi Exponensial dengan rata-rata 0. Totik Wiha 36Modul 1 Estimator Titik a. Tentukan estimator titik untuk 6 dengan metode likelihood maksimum. b. Apakah estimator dalam a) bersifat takbias? Buktikan. c. Hitunglah sesatan kuadrat rata-rata dari estimator dalam a). d. Apakah estimator dalam a) merupakan barisan estimator yang konsisten? Buktikan. ¢, Tentukan UMVUE untuk 0, 4.4.25 Umpan Balik dan tidak Lanjut Cocokanlah jawaban anda dengan kunci jawaban dari modul ini Hitunglah jawaban anda yang benar, kemudian gurtakanlah rumus dibawah ini untuk mengetahui tingkat penguasaan anda tethadap materi ini. Tingkat penguasaan ~ (jumlah jawaban benar)/10 x 100% Anti tingkat penguasaan yang anda capai: 90% - 100% : baik sekali 80% - 89% : baik 70% -79% : sedang <70% : kurang Bila anda telah mencapai tingkat penguasaan 80% atau lebih, anda dapat menettiskan kegiatan belajar selanjutnya. Tetapi apabila titipkat penguasaan atida kutang dari 80% , sebaiknya anda mengulangi materi ini terutama Hagian yang belum anda kuasei sebelim meneruskan kegiatan belajat selanjutnya. ‘Totik Widiharih 37‘Modul I Estimator Titik 1.5 Kunei Jawaban Tes Formatif Tes Formatif 1 Lhe x, © Ylog.x, ‘Tes Formatif 2 1.6 Referensi 1. Bain, L.J. and Engelhart,M.(1992); Introduction to Promodulility and Mathematical Statistics, Second Edition. Duxbury Press, Belmont, California. 2. Casella,G and Berger, R.L.(1990); Statistical Inference. Wadsworth Inc. Belmont, California, 3. Dudewicz, E.J and Mishra, S.N.(1998); Modem Mathematical Statistics. John Willey and Sons, Singapore. 4. Roussas, G.G.(1976); A First Course in Mathematical Statistics. Mei Ya Publication Inc. Taipei, Taiwan. (2007). Estimation Theory. “http://en.wikipedia.org/wiki Point estimation" This page was lest modified 00:26, 29 June 2007 ‘Tasik Wiaiharthy 38Modut If Kecukupan dan Kelengkapan MODUL II KECUKUPAN DAN KELENGKAPAN, 2.4. Pengantar Dalam modul ini akan dipelajari cara penentuan statistik cukup rf x) untuk parameter @, menyelidiki sifat kelengkapan suatu statistik 1 x) dan hubungan antara sifat_kecukupan, kelengkapan dan_ ketakbiasan. Selanjutnya juga akan dipelajari penentuan estimator takbias terbaik melalui statistik cukup, lengkap dan takbias. Cara ini dilakukan bila penentuan batas bawah Cramer_Rao menemui kesulitan. 2.2. Tujuan Instruksional Umum Setelah mengikuti mempelajari modul ini mahasiswa dapat : 1. Mendefinisikan statistik cukup dan cara penentuan statistik cukup. 2. Membuktikan sifat lengkap suatu stetistik cukup melalui definisi statistik lengkap. 3. Menentukan estimator takbias terbaik: dari suatu parameter. 2.3. Tujuan Instruksional Khusus. Setelah mengikuti mempelajari modul ini mahasiswa dapat: 1. Membuktikan suatu statistik merupakan statistik cukup melalui definisi statistik cukup. 2. Menentukan statistik cukup dengan menggunakan teorema faktorisasi ‘Neyman-Pearson. 3. Membuktikan suatu keluarga distribusi merupakan anggota keluarga eksponensial. 4, Menentukan statistik cukup melalui keluarga eksponensial. 5. Membuktikan suatu statistik cukup bersifat lengkap melalui definisi statistik lengkap. Tati Wietharih 39‘Modu! It Recukupan dan Kelengkapen 6. Menentukan estimator takbias terbaik dari suatu parameter dengan menggunakan sifat cukup lengkap dan takbias. 24, Kegiatan Belajar : KECUKUPAN DAN KELENGKAPAN 24.1. Uraian dan Contoh Informasi dalam sampel YX =(¥,.X,.-X,,) akan digunakan untuk melakukan inferensi tentang 0. Data terobservasi_ x =(y,,x,..x,) merupakan daftar bilangan yang sukar untuk diinterpretasikan. Sehingga akan dilakukan pendugaan melalui penghitungan ststistik 7 yang merupakan fungsi dari sampel. Arti statistic sendiri adalah pencuga parameter, schingga ilmu yang mempelajari pendugaan parameter dikenal dengan statistika. Apabila distribusi dari sampel diketahui maka untuk keperluan inferensi_ akan ditentukan statistic terbaik, yaitu statistic yang mempunyai sifat-sifat baik (takbias, variansi minimum, atau sifat lain sesuai inferensi yang dilakukan). 1, Statistik Cukup. Statistik cukup untuk parameter @ adalah statistic dalam arti tertentu dapat menyerap semua informasi tentang 0 yang termuat dalam sampel. Bila ae x] adalah statistik cukup untuk @ maka setiap inferensi tentang 0 harus . tergantung pada sampel X (Xi, Xayeeney hanya melalui 7 x) Adapun definisi dari statistik cukup sebagai berikut : Tatik Wiekhorih 40Modul If Keewkupan dan Kelengkapen Definisi 1.1. Statistik Hf x) disebut statistik cukup untuk 9 bila distribusi bersyarat sampel ¥=(¥y, Yoo X.,) diberikan harga 7|_Y’ | tidak tergantung 6. Maksud dari definisi tersebut dapat dijelaskan sebagai berikut : bila f(|@) adalah densitas dari Y=(Y,,Vy--»X,) dan 20 {x)/adatan densitas dari ae x} maka at x) adalah statistik cukup untuk @ bila untuk setiap CUE PF X=(XpXpX,) dalam ruang sampel, rasio : ° ro) bergantung pada 0. Contoh 1.1. Misalkan Xi, X2,. dengan parameter 0, 0 <0 <1. Akan ditunjckan bahwa : variabel random independent berdistribusi Bernoulli 1 x) =X HX + wtXa = SLY, adalah siatistik cukup untuk 6. Penyelesaian Xi ~ B(1, 9) densitas dari Xi adalah: Sl =0"(1-0)* dengan i=0,1 CA) FOND ENALC1) = 0-0-0)" ob(-oye Fungsi pembangkit momen dari Xi adalah Wf y ()=0¢' + (1-9) ~My. (0) Mg y0-My OM yl Tatik Widibarih 4‘Mogul I Kecukupan dan Kelengkepan = O¢ 40-8). Og 10-9) ....0¢@ H-9) = @ le! +(1-0)) (yang merupakan fungsi pembangkit momen dari distribusi Binomial (0, 6)) Sehingga : 7 ec{x}l a= is. } (1-0) { x} 3 Y, berdistribusi Binomial (n, 0) x19) ropie) [si otc-ore = Maka: yang tidak bergantung pada @ Jadi Be . SY, adalah statistik cukup untuk 6. Contoh 1.2. Misalkan X1, Xz,...Xn variabel random independent berdistribusi normal dengan rata-rata p dan variansi 9, Akan ditunjukkan bahwa rata-rata sampel : ~ adalah statistic cukup untuk p. Penyelesaian. Xi ~ N(p, 9) maka densitas dari X; adalah : £be,14)=(2z)' "orten{- x Hb-n)) A(t) Ale odes flat) = (Jo 2a{-s5C-H) }Qa)"9°enl Qany"9"*o«{-35(en-#)] (c2-u)) = Tatik Widibarih 42‘Modul If Kecukupan dan Kelengkapan = Oay"9%a(-4Blerel] Selanjutnya akan ditentukan densitas dari rf x) yaita eax} Fungsi pembangkit momen untuk Xiadalah: Jf , onen{uerts, ‘) Ms x O=M y OM y O--M yO x] ( Webs. ’) Pett Tot = on{nerte ‘) on{ussd 9. )- loa ox(asssato) ‘ ieee fandol £ ) expe ME xy = yn ra = P He rat yang = merupakan fungsi pembangkit momen untuk distribusi normal dengan rata-rata p dan Sx, variansi_ 9/n, Sehingga : ¥ berdistribusi normal dengan rata-rata pt dan variansi 9/n sn= exy"(2 2 $5662) 2 _ {ropix) (x) ae i. : a (ay Tati Widiharih 43Modul Ui Kecukupan dan Kelengkepan (n)""9 (Ele) of ))) ata of 86-3) Bentuk terakhir ini tidak mengandung p sehingga statistic cukup untuk p. Dengan menggunakan definisi 2.2.1. menentukan statistik cukup merapakan hal yang sulit, Karena harus menduga bentuk 7. x) yang kemudian harus dibuktikan bahwa 1 ( x) tersebut benar-benar merupakan statistik cukup. Cara yang lebih mudah untuk menentukan statistik cukup dengan menggunakan teorema faktorisasi Neyman berikut, ‘Teorema 1.1. Misalkan f(x|0) adalah densitas bersama dari sampel XK Xow Xie (x) adalah statistik cukup untuk @ bila dan hanya bila terdapat fungsi 2¢{x}i9 dan h(x) sedemikian schingga untuk semua titik sampel Y=(¥,¥j--»X,) dan semua titik parameter @ berlaku : f(yl@)= Mo). af ja, dengan (x) adalah fungsi dari 4 yang tidak tergantung @ dan aa{x}|@ adakah fungsi yang tergantung @ hanya melalui 7 x) Tak Widiharih 44‘Modul if Kecukupan dan Kelenghapant Bukti: => Misalkan oe x) statistic cukup untuk @, akan dibuktikan berlaku I(x 10) = By) eafx}1a Ambil: x) i rx xl z(x)- ‘) (28) icf -?(x=x) =P = xdan r(x)=1 1) ktarena xexer(x)=1 -At(x)=1)e( = xitlx}+1) ~af7(x)1 A) S Bila f(x1)= A(x) ea{x}1o akan dibuktikan (x) statistik cukup ‘untuk @. Andaikan : (7 x) | a) adalah densitas dari 7 x). akan ditunjukkan bahwa _ Az) A(z) Didefinisikan: 4,(,) j=: Tly)= }er\x}} tidak tergantung pada @ Tatik Wietharih 45‘Modul If Kecukupan dan Kelengkapan Aei8) _x}e((x)18) ee) Gt) x16) adalah statistic cukup untuk 0 Terlihat bahwa tidak tergantung pada 0, schingga ae Contoh 1.3. Misalkan Xi, X2,...Xn variabel random independent berdistribusi Poisson dengan parameter A. Tentukan statistik cukup untuk }. Penyelesaian: rr AX dengan x=0,1,23,.... xi Xi ~ P(\) maka densitasnya adalah: f(x; 4)= A xl4)= tel adelaalabofbs.14) Tatik Widiharits 46‘Modul 11 Kecukvopan dan Kelengkapan anvil: x) e)e-erat Sehingga : oe x] z _X, adalah statistik cukup Untuk keluarga eksponensial penentuan statistik cukup dengan menggunakan teorema faktorisasi Neyman sangat mudah dilakukan. Untuk itu akan dibahas dahulu mengenai keluarga eksponensial. Definisi 1.2. Keluarga densitas disebut anggota keluarga eksponensial k parameter bila densitas tersebut dapat dinyatakan dalam —_bentuk Az1@)-Ae}(a)(Ew(e}e(y))- dengan : A(z) fungsi nonnegatif dari x. t (x) fungsi berharga nyata dari x {9) fungsi nonnegatif dari @ w(a} fungsi berharga nyata dari @ Contoh 1.4 Misalkan X1, Xon...Xq variabel random independent berdistribusi Poisson dengan parameter ). Selidikilah apakah merupakan anggota keluarga cksponensial satu parameter. Tatik Widiharih 47Modul If Kecukupan dan Kelenghapan Penyelesaian: x X;~ P(X) maka densitasnya adalah: f(y, 2)=¢%-2— dengan x=0,123,... ys A= eo Be Axia)= Pel) S6e,14)--fGe,14) = Six,» maka dapat disimpulkan keluarga densitas tersebut merupakan anggota _keluarga eksponensial satu parameter. Contoh 1.5 Misalkan 1, X2,....Xa _variabel random independent berdistribusi Normal dengan rata-rata p dan variansi o% Selidiki apakah merupakan anggota keluaraga ckoponensial dua parameter. Penyelesaian: ~ N(qt, 0?) maka densitas dari X; adalah: rer wo')=(22Y"(o? "nf stolen) Aximer ‘)- tela )rbelwo’ us lao)= Tatik Widiharihs 48‘Modul It Kecukupan dan Kelongkapan ear sibel sn(2ar)"*(q2)"e0 ie | = 00) "Gory"od Eben) 7 bay" "of <2 wl onde “) = nyo?) tH lef cabal AEs] dengan mengambil {x ]= (272) loth (oro 24 es aan aboot 2 alz)-fx am ofx)-Sx maka dapat disimpulkan keluarga densitas tersebut merupakan anggota keluarga eksponensial dua parameter. Misalkan X;, X2,.....Xq variabel random independent dengan densitas bersama : frri6)}= x} {9} of (9 ox) {2}-(els}ex} u(y) orion ancien 9 Tatik Widiharihs 49‘Modul II Kecukupan dan Kelengkapan Berdasarkan contoh 2.2.5 tersebut maka statistik cukup untuk p adalah 3° x, dan statistik cukup untuk o? adalah x3. Statistik cukup untuk 0 tidak tunggal, setiap fungsi satu-satu dari statistik cukup untuk § adalah juga statistik cukup uniuk 0. Sebagai contoh yang paling sederhana bila Six, adalah statistik cukup untuk @, maka Sx,/n juga merupakan statistik cukup untuk 6. 2, Statistik Lengkap. Sifat kelengkapan suatu statistik 7| ) adalah dilihat dari distribusi atau densitas dari 7| x}: Bila densitas dari 7| x) Iengkap maka at x) adalah statistik lengkap. Definisi 21. Misalkan {(t/0) adalah keluarga densitas untuk a x): Keluarga densitas disebut lengkap bila E(g(1)) = 0 untuk setiap @ dalam ruang parameter, maka g(I) = 0. Secara ekuivalen 7 x) disebut statistik Iengkap. Contoh 2.1. Misalkan 7| ) berdistribusi Binomial (n, 0), 0 < @ <1. Akan ditunjukkan bahwa 1 x) adalah statistik lengkap. ‘Tatik Widiharihs 50Motul It Keewkurpan dan Kelengkapan Penyelesaian: > Andaikan f(t| 6) adalah densitas dari 7 X |, maka 109)-("Jo(-0y" Misal g suatu fungsi sedemikian sehingga E(g(T)) = 0 See("Jo-0y" ¢-ayzs0(\(5) =o 1 dengan 0<1 <0, (oy Ze0(7}r=0 merupakan suata Ambil polynomial dalam r dengan 1>0 dan jumlahnya sama dengan nol. Sehingga eo())-0. padahal (") selalu positif, maka g(t) = 0. Jadi ae x) adalah statistik lengkap. Contoh 2.2 Misalkan x) berdistribusi Poison dengan parameter 1. Akan ditunjukkan bahwa 7 x) adalah statistik lengkap. Penyelesaian : Andaikan f(t] \) adalah densitas dari 7 x} maka f((\a)=¢ Misal g suatu fungsi sedemikian sehingga E(g(I))=0 Satie =0 ra "Zeb a =0 Tatik Widtharih 51‘Modul I! Kectckupan dan Kelengkapan karena @ > 0 maka 04 , padahal 4. selalu positif, maka g(t) = 0. 7 Jadi 7/ Xx) adalah statistik lengkap. 3, Kecukupan, Kelengkapan dan Ketakbiasan, Pada submodul ini, konsep kecukupan dan kelengkapan akan digunakan untuk menentukan estimator takbias terbaik. Sebelumnya akan dipelajari terlebih dahulu konsep kecukupan dengan estimator likelihood maksimum seperti pada teorema berikut : Teorema 3.1. Jika He x) adalah statistik cukup untuk 8 dan @ adalah satu- satunya estimator maksimum likelihood dari @, maka @ merupakan fungsi dari 1 x) Bukti: Telah diperoleh bahwa : (61 x) = A xl 8) Dengan teorema faktorisasi : A xl 6) =Al. x}d(7( x) | 6) Berarti bahwa nilai yang memaksimumkar. fungsi likelihood harus tergantung ae x); katakana: Q = ally) -Jika estimator likelihood maksimum tunggal, akan merupakan fungsi dari 7 Tattk Widiharity 52Modul If Kecukupan dan Kelengkapan Contoh 3.1. Misalakan Xi, Xo....Xn sampel randem independen dari populasi yang berdistribusi Bernoulli dengan parameter €. Akan ditunjukkan bahwa estimator maksimum likelihood dari @ merupakan fungsi dari statistic cukup untuk 0. Penyelesaian : Berdasarkan contoh 2.2.1. telah diperoleh bahwa : ae Xx} SLY, merupakan statistik cukup untuk @ dan 37 Y,, berdistribusi Binomial (n , 0) Akan dicari MLE untuk @ sebagai berikut X; ~ BCL, 6), maka fungsi densitasnya : FG1@)=@*.(I-0)* 7X=0/1 101 x }=sle19)tl,14)-Pbe,12) anfiux) fx mfx 20 “"@ (-a) Persamaan likelihood Tatik Widtharthy 53.Modul I Kecukupan das Kelenghapar mle), 0 6 (4) [-dfe- dete) xen Dari baris terakhir terlihat bahwa @= yang berarti bahwa @ (MLE) merupakan fungsi dari x x) (statistik cukup) Dalam pembahasan terdahulu konsep kecukupan tidak digunakan dalam pencarian estimator takbias. Sekarang akan dilihat bahwa konsep kecukupan mernpakan alat yang bergima untuk menentukan estimator takbias. Perla diingat bahwa jika X dan Y adalah dua peubah acak sedemikian sehingga harga harapannya ada, maka berlaku : EQQ = EE Y)) dan Var(x) = Var(EX| Y)) + H(Vax[X| Y).. Sifat ini akan digunakan untuk membuktikan teorema berikut. (21) Teorema 3.2. Misalkan W adalah estimator takbias untuk g(8), dan T adalah statistic cukup untuk 6. Didefinisikan : g(t} = E(W|1), maka E(p(t)) = g(0), dan var(p(t)) < Var(W) untuk setiap 0, yaitu @(t) secara seragam (uniform) merupakan estimator dari g(0) yang iakbias dan lebih baik. Tatik Widiharih 54Modul It Kecucupan dan Kelengkapan Bukti: Dengan menggunakan persamaan (2.1): E(W) = E(E[W|T]) = E(p(). Karena W estimator takbias untuk g(@) maka E(W) = g(8). Sehingga E(p(t)) = g(®) yang berarti ¢(t) estimator takbias untuk g(0). Var(W) = Vax(E(W |T)) + E(Vax(W |T)) = Var(g(t)) + E(Var(W |T)) 2 Var(p(l)) karena Var(W |T) 2 0. Karena itu g(t) secara seragam lebih baik dari W, dan tinggal membuktikan bahwa ¢p(t) benar-benar estimator, yaitu @() = E(W |'T) hanya merupakan fungsi sampel dan khususnya independen dengan 0. Dari definisi statistik cukup, distribusi W | independen dengan @ dan dari kenyataan W fungsi sampel saja maka (6) adalah statistik (merupakan fungsi sampel saja). Teorema diatas mengatakan bahwa dalam mencari estimator takbias terbaik kita hanya memandang statistik yang merupakan fungsi dari statistik cukup. Sekarang kita mengetahui bahwa delam mencari estimator takbias terbaik untuk g(@) kita hanya perlu memandang estimator yang berdasar pada statistic cukup. Pertanyaan yang muncul sekarang adalah bila kita mempunyai E(¢(t))=g(0) dan ¢(t) berdasarkan statistik cukup T, bagaimana kita mengetahui bahwa @(t) adalah takbias terbaik?. Memang, bila p(t) mencapai batas bawah Cramer-Rao maka ia takbias terbaik, tetapi bila tidak, apakah kita mendapatkan sesuatu?. Dalam beberapa kasus, hanya ada satu fungsi dari statistik cukup T katakan {(T) yang takbias untuk g(6), maka i(I) akan merupakan eatimator takbias terbaik untuk g(®). Teorema 3.3 Bila W estimator takbias terbaik untuk g(8), maka W tunggal. Bukti: Misalkan W’ juga merupakan estimator takbias terbaik dari g(0), maka Tatik Widiharis 55‘Modu 1 Kecukapan don Kelengaapan Var(W") = Var(W). Pandang estimator W" = 14 (W + W’), maka W" juga merupakan estimator takbias dan : Var(W") = Var( 4 (W + W’) =% Var(W) + ¥ Var(W’) + % Cov(W,W’) Dengan menggunakan ketaksamaan Cauchy-scwarz : [Cov(w.W’)} < Var(W).Var(W"), maka Var(W") <¥4 Var(W) + % Var(W’) + % [Vax(W). Var(W’)}/? = Var(W) Tetapi bila ketaksamaan diatas tegas, maka ketakbiasan terbaik dari W diingkari, schingga kita harus mempunyai kesamazn untuk setiap 0. Karena kesamaan adalah terapan dari Cauchy-Sewarz, maka kita mempunyai kesamaan hanya bila W = a(6) W + b(@). Sekarang dengan menggunakan sifat dari kovariansi didapat: Cov(W,W’) = Cov(W, (8) W + b(®)) = Cov(W, a(0) W) =a(@) Var(W) Karena Cov(W,W’) = Var(W), sehingga a(@) =1 dan karena E(W’) = (0) akibatnya b(@) = 0 dan W = W’ yang berarti W tunggal. Hubungan antara kecukupan dan kelengkapan statistic T dengan estimator takbias terbaik dinyatakan dengan teorema berikut : Teorema 3.4 Misalkan T adalah statistic cukup dan lengkap untuk parameter 8, dan misalkan @(t) adalah sebarang estimator yang hanya bergantung pada T, maka @(6) adalah estimator takbias terbaik tunggal dari harga harapannya. Dalam beberapa situasi, calon untuk estimetor takbias terbaik sangat sukar untuk dilihat. Tetapi dalam hal adanya kelengkapan (completeness), teori yang kita bicarakan mengatakan bahwa bila kita dapat mencari estimator takbias maka kita bisa mendapatkan estimator takbias terbaik. Bila T statistic cukup dan lengkap Tatik Widibaris 56Modul il Kecukupan dan Kelengkapan untuk parameter 0, dan H(%, Xz,....Xs) sebarang estimator takbias untuk g(0), maka : (0) = E(H(X1, Xz,....Xq) |) adalah estimator takbias terbaik untuk g(0). Contoh 3.2 Misalakan Xi, X2,....X adalah peubah acakindependen berdistribusi Binomial(k, 0). Ambil g(0) = P(X=1) = KO(L- 0)! , tentukan estimator takbias terbaik untuk g(8). Penyelesaian: k Xi~ B(k, 6) maka densitas dari X; adalah; (x. | 2) = [ Jo (ley Karena Xi, Xo,....Xn independen maka : S@1A)= £1 OSG | O)...A G18) = (") o*(1-0y* () ex(l-y* aa o*(1-6y* ; . sehingga T(x) = ¥ x, adalah statistik cukup untuk 0, dan T(x) = Jotseort berdistribusi Binomialiak, @) , maka T(X)= 3X. merupakan statistik Iengkap. Pandang : ee A(x)= ; 0,....vanglain E(A(x))= EM: Jo (-y" = fie (1-0y" = kO(-0)" x Tatik Widiharih 57Modul Il Keeukupan dan: Kelengkapan Schingga H (X) merupakan estimator takbias untuk g(0) = P(X=1) = k6(1- 6)? O(T)=E(H (x | 7.)) akan merapakan estimator takbias terbaik untuk (9) = POXC1) = KO(A- 6), Misalkan telah diobservasi 3X, = f maka: o(f)= E(H(x|8x.=9) =EH (x) PH) Ex=1) =1PW)IEx=4) Pla (x)Ex.=1) © PEK = 1) _PWELKt Kt. tx = 0) PSx.=2) (e (Ley (") Tatik Widiharih 58 kO(-6)" i: ( | erteayonr‘Modul II Keewkupan dane Kelengkapan merupakan estimator takbias terbaik untuk g(0) = POX = KO(L- 8)» Teorema 3.5. (Lehmann-Scheffe) Misalakan Xi, XX» mempunyai densitas bersama f'(x|@) dan misalkan T statistik cukup dan lengsap untuk 0. Jika T* = £(1) yaitu T merupakan fungsi dari T adalah statistik yang takbias untuk g(0) maka T’ merupakan estimator takbias terbaik untuk g(0). Bukti: Dengan menggunakan sifat kelengkapan dari sebarang statistik yang merupakan fangsi dari T dan takbias untuk g(@) harus sama dengan T° dengan peluang 1. jika W sebarang estimator takbias untuk g(@), dengan menggunakan teorema Rao-Blackwell E(W|T) fungsi dari T yang takbias untuk g(8), sehingga dengan teorema ketunggalan dari estimator takbias terbaik maka T’ = E(W|T) dengan peluang 1. Selanjutnya Var(T’) < Var(W) uncuk setiap 0. Jadi T" estimator takbias terbaik untuk g(6). Contoh 3.3 Misalakan X1X2,...Xn peubah acak independen dengan densitas S (x | @)= 0.x" untuk 0 0. Tentukan estimator takbias terbaik untun g(0) = 0. Penyelesaian : T(x|0)= 0.2" Tat Widiharit 39Moat it Kecuupan dan Kelengkapan misalkan y = In(x) , Karena 0.0. berarti x=e¥, dx/dy=-ey sehingga |dx/dy| = ey Densitas dari adalah: g(y|O)=O.(c-J'.e” = O.e ,y>0 ‘Terlihat bahwa Y berdistribusi Eksponensial dengan rata-rata 1/6. i Fungsi pembangkit moment dari Y adalah : Mr (t) = (5) Bila Yi, Y2,..,Yaindependen dan berdistribusi Eksponensial dengan rata-rata 1/8 = ty" maka M3y,(0) =I My.) = (-5) yang merupakan fungsi pembangkit momen dari distribusi Gamma(a , 1/8) Notasikan S = § ¥. maka densitas dari § adalah : Jy T(n)’ 1) ogy #3)= lag” =? yar. "G-) i@y.ed(@s) 6 K(s|6)= s”'.e" dengas> 0 dan0>0 I(n-1) “GD 6 “1 Schingga bila diambil LH (S')) = maka E(H(S)) = @ Jadi T(x) ToL IAM saatah estimator takbias terbeik untuk 0, -Llogx. Llogx. Tatik Widiharih 60‘Modul If Kecukupan dar Kelengkapan 2.4.2 Latihan 1. Apakah hubungannya antara staistik cukup dengan estimator titik. 2. Jelaskan perbedaan menentukan estimator takbias terbaik melalui batas bawah Cramer - Rao dengan melalui hubungan antara ketakbiasan, kecukupan dan kelengkapan. 2.4.3 Rangkuman 1. Menentukan statistik cukup dapat melalui dua cara yaitu dengan menggunakan faktorisasi Neyman-Pearson dan dengan melalui keluarga eksponensial. 2. Membuktiken sifat statistik lengkap paling sederhana dengan membuktikan bahwa densitas dari statistik torsebut merupakan anggota keluarga eksponensial, karena keluarga eksponensial bersifat lengkap. 3. Menentukan estimator takbias terbaik melalui hubungan antara ketakbiasan, kecukupan dan kelengkapan harus dilakukan dengan cermat, teliti dan hati- hati, karena perhitungannya relatif rumit. 2.4.4 Tes Formatif 1. Tunjukken bahwa keluarga distribusi berikut merupakan anggota keluarga cksponensial dan untuk setiap kasus tentukan statistic cukup dan lengkap berdasarkan sampel random X1,X2,....Xa a. Binomial (n,, 0) dengan 0<0,1 b. Gamma (2,0) dengan 0.0 . Eksponensial (0) dengan 6 > 0 2. Misalkan %2,X2,....Xa Sampel random dari populasi berdistribusi Bernoulli (©), tentukan estimator takbias terbaik untuk : a. (1-0) b. & atk Widiharih 61Modul It Keewkupan dan Kelenghapan 3, Suatu sampel random berukuran n dambil dari populasi dengan densitas S (x | @)= 0.2" ,0 0. Tentukan estimator takbias terbaik untuk 1/6. 4. XiXouwXn sampel random dari populasi dengan densitas ad 0)=O(-x)"" ,x>0,0>0 ‘Tentukan statistik cukup untuk @ Tentukan batas bawah Cramer-Rao untuk 1/8 s c. Tentukan estimator takbias terbaik untuk 1/6 Tentukan estimator takbias terbaik untuk 0 2 2.4.5 Umpan Balik dan Tindak Lanjut, Cocokanlah jawaban anda dengan kunci jawaban dari modul ini. Hitunglah jawaban anda yang benar, kemudian gunakanlah rumus dibawah ini untuk mengetahui tingkat penguasaan anda terhadap materi ini. ‘Tingkat penguasaan = (jumlah jawaban benar)/10 x 100% ‘Asti tingkat penguasaan yang anda capai : 90% - 100% : baik sekali 80% - 89% : baik 70% - 79% : sedang < 70% : kurang Bila anda telah mencapai tingkat penguasaan 80% atau lebih, anda dapat meneruskan kegiatan belajar selanjutnya. Tetapi apabila tingkat penguasaan anda kurang dari 80% , scbaiknya anda mengulangi materi ini terutama bagian yang belum anda kuasai scbelum meneruskan kegiatan belajar selanjutnya. 25 Kunci Jawaban Tes Formatif Lay, Tattk Widiharih 62Modul 11 Kecukupan dan Kelengkapan bYK, | DX, 2 a(S XL XH/ay/(o-d BE KP EXAM) a -43iny, ni 4ay Ini +x,) of n cl Siny, n‘a n-l “Sin, | d. 2.6 Referentsi: 1. Bain, LJ. and Engelhart,M.(1992); Introduction to Promodulility and Mathematical | Statistics, Second Edition. Duxbury Press, Belmont, California. 2. Casella,G and Berger, R.L.(1990); Statistical Inference. Wadsworrth Inc. Belmont, California. 3. Dudewicz, EJ and Mishra, S.N.(1998); Modem Mathematical Statistics. John Willey and Sons, Singapore. 4, Roussas, G.G.(1976); A First Course in Mathematical Statistics. Mei Ya Publication Inc. Taipei, Taiwan. Tatik Witharih 68 |Modul 11 Uji hipotesis MODUL Ill UJI HIPOTESIS 3.1 Pemgantar Pada bagian ini anda akan mempelajari konsep uji hipotesis, dimulai dari pengertian uji hipotesis , hipotesis sederhana (simple hipotesis) dan hipotesis composite. Pokok permasalahannya adalah menentukan statistik uji (statiatik hitung) dan statistik tabel serta kriteria ujinya (menentukan daerah penolakan). Ada beberapa macam metode penentuan kriteria uji tergantung dari bentuk hipotesis yang diambil. Dalam modul ini akan dibahas tentang uji paling kuasa (most powerful tes = MP tes), uji paling kuasa seragam (uniformly most powerful tes = UMP tes) den uji ratio likelihood (generalized likelihood ratio tes = GLRT) 3.2 Tujuan Instruksional Umum : Setelah mempelajari bagian ini mahasiswa dapat memilih uji yang sesuai, menentukan statistik uji dan statistik tabel sehingga dapat ditentukan Iriteria ujinya, 3.3 Tujuan Instruksional Khusus : Setelah mempelajari bagian ini mahasiswa dapat : 1. Mendefinisukan suatu hipotesis. 2, Membedakan antara hipotesis sederhana dan hipotesis composite. 3. Menggunakan uji paling kuasa untuk menentukan statistik uji, statistik tabel dan kriteria ujinya. Selanjutnya berdasarkan data terobservasi mahasiswa dapat melakukan inferensi. 4, Menggunakan uji paling kuasa uniform vji paling kuasa untuk menentukan statistik uji, statistik tabel dan kriteria ujinya, Selanjutnya berdasarkan data terobservasi mahasiswa dapat melakukan inferensi. 5. Menggunakan uji rasio likelihood untuk menentukan statistik uj, statistik tabel dan kriteria ujinya, Selanjutnya berdasarkan data terobservasi mahasiswa dapat melaktkan inferensi. Tatik Widiharih 64(Modul I1 Uji hipotesis 3.4 Kegiatan Belajar: Uj HIPOTESIS 3.4.1. Uraian dan Contoh. 1. Pengertian, Masalah pada estimasi titik adalah mendapatkan suatu harga dugaan dari suatu parameter. Pada beberapa situasi sering kita dihadapkan dengan masalah memilih satu tindakan diantara dua pilihan. Misalnya, setelah suatu jenis obat penurun tekanan darah bagi penderita hipertensi dikembangkan, uji coba yang ekstensif akan dilakukan untuk membuktikan apakah obat tersebut benar-benar dapat menurunkan tekanan darah bagi pendetita hipertensi. Dalam hal ini dipertukan suatu uji yang cermat untuk menentukan satu pilihan apakah obat tersebut seyogyanya dipergundkan ataukah sebaliknya yaitu obat iersebut tidak dipergunakan. Pemilihan keputusan seperti ini diperlukan teori uji hipotesis. Definisi 14 Hipotesis adalah pernyataan (dugaan) tentang parameter populasi. Definisi tersebut agak umum, tetapi hal penting yang harus diketahui adalah hipotesis membuat suatu perliyataan tentang populasi. Tujuan dari uji hipotesis adalah memutuskan berdasarkan sampel dari populasi, mana dari dua hipotesis yang saling asing yang benar. Definisi 1.2 Dua hipotesis yang saling asing dalam persoalan uji hipotesis disebut hipotesis nol dinotasikan Hp dan hipotesis alternatif dinotasikan Fh. Kesimpulan yang diperoleh dari wi hipotesis hanya menolak Ho (berarti menerima Hi) atau menerima Ho (berarti menlak Fh). Bila kita Tatlk Widtharih 65‘Modul IT Uji hipotesis mempunyai suatu hipotesis (dugaan), biasanya kita berkeyakinan dugaan tersebut benar, sehingga harapannya dirima, maka kebiasaan ilmiah dugaan yang dianggap benar diletakkan sehagai hipotesis alternatif (Hi), dan dugaan yang diharapkan untuk ditolak diletakkan sebagai hipotesis nol (Ho). Bila @ menyatakan parameter populasi, © menyatakan ruang parameter, 2) 2, format umum dari hipotesis nol dan hipotesis alternatif adalah : Ho: @ ¢ Q dan Hi: 8 € Qo dengan Q¢ komplemen dari Qo. jika Q hanya memuat satu harga 0, yaitu Qo = (0) maka hipotesis nol (Ho) disebut hipotesis sederhana (simple hypotesis) dan selain itu disebut hipotesis composite. Hal yang sama juga berlaku untuk Hi. Kerltungkinan bentuk Ho dan Hi yang dapat diuji adalah : 1. Hosederhana dan Hi: sederhana 2. Hosederhana dan Hi composite 3. Ho composite dan Hi composite Dalam persoalan uji hipotesis, sesudah mengobservasi sampel langkah selanjutnya menentukan apakah menerima Hy yang berarti menolak Hh atau menerima Hy yang berarti menolak Ho. Himpunan bagian ruang sampel dimana Ho ditolak disebut daerah penolakan atau daerah kritis dinotasikan R dan komplemen daerah penolakan disebut daerah penerimaan dinotasikan RS. Definisi13 Fungsi uji (test funtion) ox) adalah fungsi pada ruang sampel dengan harga 1 bila X=(i, Kaye Xn) dalam daerah penolakan den 0 bila X¥ =(X1,Xe,.e4 Xx) dalam dacrah penerimaan. lxeR dlr)= . : Re Tatik Widtharih 66Movil 11 Uji hipotesis Biasanya, ujihipotesis dinyatakan dalam bentuk statistik —_uji TX) =7T(%, x2 peseey Xe) yaitu fungsi dari sampel. Sebagai contoh, uji yang menyatakan Ho ditolak bila rata-rata sampel (¥ ) lebih besar atau X adalah statistik uji dan daerah sama dengan 3. Dalam hal ini T'(X) = penolakannya adalah R= {eax Sate X,)| x >3} dinotasikan LX 23 0,X <3 Dalam memutuskan untuk menerima atau menolak Hp kita bisa membuat suatu kesalahan. Ada dua jenis kesalahan dalam uji hipotesis yang dikenal dengan kesalahan tipe I dinotasikan a , dan kesalahan tipe I dinotasikan B. Untuk lebih jelasnya perhatikan ilustrasi berikut : dalam fungsi uji o( Hipotesis nol (Fo) Keputusan ‘Benar salah Menolak Ho | Kesalah tipe (a) | Keputusan benar Menetima Ho | Keputusan benar | Kesalahan tipe II (B) Berdasatkan ilusttasi tersebut diperoleh definisi berikut ; Definisi 1.4 Kesalaha tipe I (a) dan kesalahan tipe Il (B) didefinisikan sebagai : a= P(menolak He | Ho benar) B= P(menerima Ho | Ho salah) = P(menerima Ho | Hi benar) Pandang uji hipotesis Ho: @ € Qo vs Hi: @¢ QC, R menyatakan daerah penolakan, maka untuk @ ¢ Q akan membuat kesalahan tipe I bila X ER , schingga promodulilitas kesalahan tipe I adalah P(x € R). Tatik Widibarih 67Modul 11 Uji kipotesis Untuk 0 ¢ Q0© promodulilitas kesalahan tipe Hl adalah P(X € R*). a, bilad Dapat diringkaskan : rly € re : Qe e : 1-8, bilabe QS Definisi 15 Fungsi Kuasa (power funtion) Z(@) dari wi Ho adalah promodulilitas menolak Ho bila harga parameter yang benar adalah 6. ‘Sebagai contoh untuk hipotesis Ho : 6=6 vs Hi: 0=6i maka: JE (00) = P(menolak Hy | @= @) =a JT (6;) = P(menolak Hp | @ = 6; ) = 1 - P(menerima Hp | 6 = 61) = 1-B. Untuk hipotesis composite Ho: 8 € Qo vs Hi: @ € Q9° ukuran test (daerah max (8) ~ 060, Setelah uji hipotesis dilaksanakan, kesimpulan harus dilaporkan dalam bentuk yang secara statistik mempunyai arti. Salah satu bentuknya adalah Kritis); ukuran « dari uji yang digunakan. Bila a kecil, keputusan untuk menolak Ho sangat meyakinkan, tetapi apabila « besar keputusan untuk menolak Ho tidak begitu meyakinkan karena uji mempunyai promodulllitas yang besar untuk membuat keputusan yang salah. Cara lain untuk melaporkan hasil uji hipotesis adalah melaporkan harga -p (p-value). P-value untuk titik sampel adalah harga « terkecil sampai titik sampel ini membawa pada keputusan menolak Ho. Makin kecil p-value makin kuat dukungan sampel bahwa Hi benar. 2. Uji Paling Kuasa (Most Powerful Test/MP Test) Dalam uji hipotesis kesalahan tipe I paling besar sama dengan a untuk © Qo. Uji yang baik juga akan mempunyai kesalahan tipi II yang kecil, sehingga mempunyai fungsi kuasa yang besar untuk @ € 9°. Bila dipunyai Tak Widibarih 68Modul 11 Uj hipotesis uji dengan kesalahan tipe I yang lebih kecil maka akan merupakan calon uji terbaik. Jika X = (Xi, X2,5Xe) mempunyai densitas bersama Sf (x | 0) dan daerah penolakan R, notasi untuk fungsi kuasa yang bersesuaian dengan R adalah: 2(O) = P((xi, X25... X.)€ RO) Definisi 24 Suatu uji Ho : 0=0) vs Hi: @= 0) dengan daerah penolakan R* disebut uji paling kuasa ukuran a jika ; ,* (6) =Q dan aR (a) Zar (a) untuk sebarang daerah penolakan R ukuran «. Lemma berikut digunakan untuk menentukan daerah penolakan uji paling kuasa dari hipotesis sederhana vs hipotesis sederhana dengan bentuk : Hy : @=@ vs Hi: 0-6 Lemma 2.1 X.) mempunyai densites bersama Asi) Axia) Andaikan X = (Xi, Xsgeee S(xi0), ambit (560, R=(XoX: XNA 000,) <4] dengan sats konstanta sehingga P((X1,X200X,)€ R'1Qo)=@, maka Rt adalah daerah penolakan uji paling kuasa ukuran a untuk uji: Hy : 0=0) vs Th: 8=0. Bukti: Ply e4ia)= jr(xi)ax Tati Widibarih 69Mol pes R= bx. xx 1.000) <4} Dalam R’, Axl a.) s Ax! 4) cotingga: [4(2210.)4x 7 ae) Sehingga diperoleh uji paling kuasa dengan « = 5% sebagai berikut Ax)= 1,X 1.8106 ~! |0,¥ <1.8106 Tatik Widiharih nModul 1 Uji hipotesis b. Berdasarkan data sampel diperolch: X = 1.858 schingga disimpulkan tolak Ho. . Kuasa ujijika 0= 1.95 adalah : ~ B=1- P(X <1.8106| 0 =1.95) ote (= 1.95 XiSe Diperoleh fungsi uji : x)= 0, y Xi>e Harga C ditentukan melalui definisi kesalahan tipe I (a) , dalam masalah ini diambil a = 2.5% , sebagai berikut : o(E.x. 23.975 qi 2 b. Dari data diperolch: } X= 22.76368 , schingga disimpulkan tolak Ho. im c. Kuasa ui jika 6=1.95 1-f= a(x, >23.975|0 = 15) 3 Tatik Widiherih 1SModul ITT Uji hipotesis (x3, > 31.9667) =1-0.0449 = 0.9551 Penggunaan dari lemma Neyman-Pearson kebanyakan pada kasus uji dengan LX sampel random dari suatu populasi tertentu (densitasnya tertentu) dengan harga parameter yang berbeda, yaitu dengan bentuk Ho : (x|@:) vs Hy : £(x10)) . Perhatiken contoh 3.21 mempunyai bentuk Hy : N(0o , 9) vs Hh: N((@r,9) dengan 0) =0.25 dan = 195 , sedangkan pada contoh 3.2.2 mempunyai bentuk : Ho: Exp(o vs Hi: Exp(@:) dengan 09=5 dan 61= 15. Kedua contoh tersebut dihipotesiskan bahwa sampel random berasal dari distribusi yang sama tetapi parameternya berbeda, sekarang akan diberikan contoh dimana sampel random dihipotesiskan bukan dari distribusi yang sama tetapi memang dari distribusi yang berbeda dengan hipotesis : Ho : fo (x{o) vs Hh : £1(|61) sebagai berikut Contoh 2.3, Dipunyai snatu sampel random berukuran n , akan diuji Ho: X ~ Unif(0.1) vs Hi: X ~ Exp(1). Penyelesaian : Xi ~ Unif(0,1) maka densitas dari Xi adalah : f(xi) = 1 sehingga densitas bersama dari X1, X2....Xq adalah : as) =f (dS lrd-£ (x) =1- Xi ~ Exp(1) maka densitas dari X: adalah: f(x,)=e% sehingga densitas bersama dari Xi, %2,..Xn adalah : H(x)= 1a) dF Ce). = onl Tatik Widtharih 16 ae‘Modul II Uji hipotesis Aetor AQ TTolak Ho jika-: ae foS,) ee Dix, Se..dengan:c=Ink Sehingga diperolch fungsi uji: Lux se dle)=| dengan P(Ex, Se|Unif (0.)) =a Untuk menentukan C digunakan teorema limit pusat sebagai berikut: Xi~ Unif(0,1) maka E(X) =¥% dan Var(Xi) = 1/12 § x -0(Ex, Ex) Sx-at HU 2 ~ @,) pe 12 2.n| ¥-4)- NI) (Sx, seluny(on))=« sls 045) fesmi-3))-« ‘Tatik Widiharih a‘Modul it Uji hipotesis sehingga ial © -}) =-Zin n Dari persamaan terakhir akan diperoleh harga C, selanjutnya bisa diperoleh suji paling kuasa untuk hipotesis : Ho: X~ Unif(0,1) vs Fh: X ~ Exp(1)- 3 Uji Paling Kuasa Seragam (Uniformly Most Powerful Test / UMP Test) Konsep dari uji paling kuasa diperluas untuk kasus hipotesis alternative berbentuk composite. Jika suatu uji paling kuasa dengan hipotesis alternative berbentuk composite satu sisi maka uji tersebut menjadi paling kuasa seragam. Definisi 3.1 Misalkan X1, Xa. mempunyai densitas bersama f(x|@) untuk @€Q,, pandang uji hipotesis dengan bentuk : Ho: @ € Q» vs Hi: @¢ 9° . R' merupakan daerah penolakan yang sesuai uji tersebut disebut uji paling kuasa seragam ukuran a jika : max ;°() GEQy penolakan R wkuran a. a@ + mg(O)2 xe @kVOEOS dan dacrah Uji. paling kuasa seragam ada untuk kasus hipotesis alternatif betbentuk composite satu sisi, Cara untuk menentukan uji paling kuasa seragant ini pertama-tama menentukan rasio seperti pada Lemma Neyman- Pearson untuk hipotesis alternatif dengan harga sebarang dan kemudian ditunjukkan bahwa uji tidak tergantung pada harga hipotesis alternatif yang spesifik, Untuk lebih jelasnya perhatikan contoh berikut : Contoh 33.1 Misalkan X1, X2..Xa sampel random dari populasi berdistribusi normal dengan rata-rata 0 dan variansi 9. Diambil hipotesis Hy: 0 = 8) vs Hi :0 > 60. Tatik Widiharih BModul 11 Uji hipotesis ‘Tentukan uji paling kuasa seragam ukuran « untuk hipotesis tersebut. Penyelesaian : Hipotesis pada masalah ini dapat dinyakan sebagai Ho: 9 = 00 vs Hi: 0= 61 dengan 6; > 0. Berdasarkan contoh 3.2.1 dengan mengambil sebarang harga 61> Oo diperoleh uji paling kuasa : dele {tee Dalam hal ini uji tersebut berlaku untuk semua 0; > @o tetapi bukan harga 61 tertentu, maka uji tersebut menjadi uji paling kuasa seragam untuk hipotesis Ho: = 09 vs Hy: 0> 60. Berikut ini akan dibicarakan sifat momotone likelihood ratio (MLR) yang sangat berguna untuk menentukan uji 2aling kuasa seragam. Definisi 3.2 Densitas bersama |x|) dikatakan mempunyai sifat momotone likelihood ratio (MLR) dalam statistik Tx) jika dua harga parameter 01 <6 zasio 7 tel a) fl kel 6,) tergantung X hanya melalui T\x) dan rasio tersebut merupakan fungsi sidak tarun dari T(x. Contoh 3.2 Misalkan Xi, X2nXn sampel random independen dari populasi berdistribusi Eksponensial dengan parameter @. Akan ditunjukkan mempunyai sifat monotone likelihood ratio (MLR). Penyelesaian : Xi ~ Exp(@) maka densitasnya adalah: f(x, |@)= Serf - Tati Widiharih 19Modul II Uj hipotesis Densitas bersama dari X;, X2,...Xn adalah : H(x18) = Ant Ce14)-—-£G1 8) Sele.) _ even -7$) oe wren{-1$. (466-2) ae Schingga f(x|@) mempunyai sifat MLR dalam statistik r(x)- Sx. AP se X;, maka ratio dari Le frie) tidak turun jika 61 < 02. (| 1 Teorema 3.1 Jika densitas bersama_f| lel 6) mempunyai sifat MLR dalam statistik 7X] maka uji paling kuasa seragam ukuran a untuk : Ho: 0 8p adalah: x)= { Tx) 0 yanglain dengan k ditentukan dari P(T|x 2 &| @ = 0o}= &. Dengan mengingat sifat baik dari keluarga eksponensial diantaranya sifat MLR ini, yaitu setiap anggota keluarga eksponensial regular dengan bentuk : Tatik Widinarihs 80‘Modul IL Uji hipotesis fle \aJ= Ale e(OLexpla(O)elc}} mempunyai sifat MLR dalam Tx} bila q(®) fungsi tidak turun dari 0. Dari hal ini diperoleh teorema sebagai berikut : Teorema 3.2 Andaikan X:, X. f\ ke 19)= AlrJe(0). exp(a()ax}) Gengan q(8) fangsi naik dari 0. 1. Uji paling kuasa seragam ukuran «untuk : Ho: < 6 vs Hi :6 > 60 adalah : Ax)= { nx) pee 0. yanglain mempunyai censitas bersama dengan bentuk : dengan PT|x}2 k| 9 = 60)= 2. Uji paling kuasa seragam ukuran « untuk : Ho: 8 2 0» vs Hi:0 < 00 te dle) { rx} Jsx 0 yanglain dengan PIT[x]< | = a.)= a Contoh 3.3 Misalkan 1, XzeuXn sampel random independen dari populasi berdistribusi normal dengan rata-rata 5 dan variansi 6 Ambil Hy: @ s 0 vs Hi: 6 > 8 a. Tentukan uji paling kuasa seragam ukuran a untuk hipotesis tersebut. b. Jika 0)=20, n=10 dan a= 2,5% ten‘ukan uji paling kuasa seragam. c. Jika dipunyai data :3,1095 89175 59284 94713 7,6403 -3,1282 34169 84759 -1,5752 12,9482 bagaimana kesimpulan anda. d, Tentukan kuasa ujinya jika 0 = 75. Penyelesaian : a. Xi ~N(G,0), maka densitasnya adalah : S(x,18)= (2x7) aren oxi 5) Tati Widibaris a1Modul I Uji hipotesis Densitas bersama dari X1, X2,.....Xn adalah + Hl) = Fn 1/19) e.18) =0n)"6"" eal -ebo-3)}-Ca)"ar en - 20 i wel sy, Densitas bersama dari Xi, X2,....Xn ini memenuhi syarat pada teorema 3.3.2 Fle-3)) =(22)"6 on(-2 dengan mengambil : x)-@ay" e(0)=0"" {x)-E lr) 1 0)=-55 dalam hal ini q(0) merupakan fungsi yang naik dari 0. ‘Uji paling kuasa seragam dari hipotesis tersebut adalah : dl)- ae Eursyne Eerie dengan C ditentukan dari : AE (ers 2010 = 66) = ALE ersh=2)=a 0 Pl ge <| (2 00 dari persamaan terakhir ini akan diperoleh harga C. a@ b. Jika )=20; n=10 dan a=2,5% maka C/20= 2048 sehingga C= 4096 Uji paling kuasa seragamnya adalah : Tatit Widtharih 82Modul IL Uji ipotesis 1 S(x,-5} = 409,6 & 0” yanglain al » c. Berdasarkan data diperole ;)' (x -5)' = 233,8093 sehingga Ho diterima d. Kuasa ujijika 6 = 75 adalah : 1-B -P( E(x sf <409,6|4=75) lw -A EE Crs) < — P(x, < 5,46) —0,1452 = 0,8548 4, Uji Rasio Likelihood (Generalized Likelihood Ratio Test/ GLRT) Lemma Neyman-Pearson merupakan suatu metode untuk menentukan uji paling kuasa dari hipotesis sederhana , kadang-kadang juga untuk uji paling kuasa seragam bila hipotesis alternatifnya merupakan bentuk composite satu sisi Teorema °31 dan .3.2 digunakan untuk menentukan uji paling kuasa seragam dengan satu parameter yang tidak diketahui dengan hipotesis berbentuk composite satu sisi. Diperlukan suatu metode untuk menentukan suatu uji dimana dalam uji tersebut terdapat parameter pengganggu (nuisance) atau untuk menangani hipotesis aliernatif berbentuk composite dua sisi. Metode rasio likelihood dalam uji hipotesis berhubungan dengan estimator likelihood maksimum dan uji tersebut secara Iuas dapat diterapkan. Generalized likelihood ratio test merupakan perluasan dari uji Neyman-Pearson. Definisi 4.1 Bila X1, Xo, , mempunyai densitas bersama {y|0) untuk ¢Q, pandang uji hipotesis Ho: 0 ¢ M vs Hi: 0 Mo Generalized likelihood rasio (GLR) didefinisikan dengan : Tate Widiharih 83,Modul 11 Uji hipotesis, : ee f(xI9) {x10 | dengan @ adalah estimator likelihood dari 8, dan ba ath estimator likelihood dari @ dengan ba-asan bahwa Ho benar. Generalized likelihood ratio test (GLRT) adalah tolak Ho jika Aky)sk dengan k dipilih sehingga uji_ mempunyai ukuran @ . Ax) merupakan statistic uji berupa fungsi yang tidak tergentug dari parameter yang tidak diketahui. Dalam beberapa kasus, distribusi dari Aly) bebas dari parameter dan harga kritis k dapat ditentukan secara exact. Pada kasus distribusi Al} dibawah Ho benar, masih tergantung dari parameter yang tidak diketahui, daerah kritis k secara exact tidak dapat ditentukan, sehingga dengan kondisi regularitas digunakan distribusi asymtotik dari A(x) Jika %, XoXo mempunyai densitas bersama f(x | 41,03») + diambil hipotesis : Ho + (Ot, 2... 81) = (B10, 020-0 810) dengan r Dour Contoh 4.1 Misalkan X41, X2,....Xq sampel random dari populasi berdistribusi normal dengan rata-rata 9, dan variansi 9. Ambil Ho: @=0) vs Hi: 0 #60. Tentukan GLRT ukuran «. Penyelesaian : Karena : Xi ~ N@,9) maka densitasnya: f(x,|)= seo feo) Tati Widiharih 84Modul HL Uji hipotesis f(x,10)=(1 8n)"".on{-E (0-0) Densitas bersama dari X1, X2,.....Xn + H(x18)= £10. F6e18)--FCe,19) a(x18)= (182)""ex(- (1-1 OY 118).(182)*expl-(x,,-8) /18) A(x18)= (182) er9(-8G-0)18) ‘Telah diperoleh bahwa estimator maksimum. likelihood untuk @ adalah X. Untuk 0 € Q , Gop = 8s ie 83,64 b. Tolak Ho ¢. 80% 2. a. Tolak Ho jika 3° (x'j-30) <1,8966 b. Tolak Ho ¢. 95,37% 3, a. Tolak Ho jika 32 X7 < 40536 b. Tolak Ho c. 95% xX ¥ 4. Tolak Ho jika — an Za] 27, 36 Referensi 1. Bain, LJ. and Engelhart,M.(1992); Introduction to Promodulility and Mathematical Statistics, Second Edition. Duxbury Press, Belmont, California, 2. Caselia,G and Berger, R.L.(1990); Statistical Inference. Wadsworth Inc. Belmont, California. . Dudewiez, E.J and Mishra, $.N.(1998); Modem Mathematical Statistics. John Willey and Sons, Singapore. 4, Roussas, G.G.(1976); A First Course in Mathematical Stati ‘Mei Ya Publication Inc. Taipei, Taiwan. -, (2007) "hitp://en.wikipedia.org/wiki/Statistical_hypothesis testing" Tatlk Widiharih 92‘Modul IV Estimasi Interval MODUL IV ESTIMASI INTERVAL 4.1 Pengantar Pada moduli konfindensi, limit konfindensi satu sisi atas dan limit konfindensi satu sisi akan dipelajari bagaimana mengkonstruksikan interval bawah. Sebelum mempelajari modul ini diharapkan pembaca telah menguasai uji hipotesis dan transformasi peubah acak. Metode penentuan interval konfindensi yang akan dipelajari pada modul ini ada dua cara yaitu metode inversi uji hipotesis dan metode dengan menggunakan besaran pivot. 4.2 Tujuan Instruksional Umum : Setelah mempelajari bagian ini mahasiswa dapat mengkonstruksikan interval konfindensi snatu parameter populasi. 4.3 Tujuan Instruksional Khusus : Setelah mempelajari bagian ini mahasiswa dapat: 1. Menentukan interval konfindensi suatu parameter populasi dengan menggunakan inverse uji hipotesis. 2. Menentukan limit konfindensi satu sisi atas atau hawah dengan menggunakan inverse uji hipotesis. 3. Memilih bentuk transformasi yang sesuai sehingga akan menemukan bentuk besaran pivot. 4, Menentukan interval konfindensi suatu parameter populasi dengan menggunakan metode besaran pivot. 5. Menentukan limit konfindensi satu sisi atas atau bawah dengan menggunakan metode besaran pivot. Tatik Widtharth 93Modul IY Estimasi terval 4.4 Kegiatan Belajar ESTIMASI INTERVAL 44,1 Uraian dan Contoh 1. Pengertian. Estimasi titik untuk parameter 0 inferensinya adalah pendugaan dengan harga tanggal dari 8. Pada modul ini akan dibahas estimasi interval, atau secara lebih umum estimasi himpunan. Inferensi dalam persoalan estimasi himpunan adalah pemyataan bahwa “@eC” dengan CCQ dan c=c{x) adalah himpunan yang ditentukan oleh harga XY =x terobservasi. Bila 0 berharga real, maka biasanya estimator C berupa interval. Estimasi parameter @ adalah pasangan fungsi 1x) dan u(x) dari sampel yang memenuhi 1x) < u(x) untuk semua 3. Jika X =x telah terobservasi , dibuat inferensi dengan bentuk 1x) <@¥-0>-1] 1 x-0 oA <8. 7 =P[-2 OP F- Lean Fe karena 0=6, w Zao ,€ (x) Teorema 3.1 Untuk setiap @ ¢ ©, misalkan A(0y) adalah daerah penerimaan taraf a dari uji: Hy: 0 = 0 , untuk setiap x didefinisikan himpunan C(x) dalam ruang parameter dengan Cix) = (0 |x © A(Go)}, maka himpunan random C(x) adalah interval konfindensi (1-c).100% untuk ©. Sebaliknya, misalakan C(x )adalah interval konfindensi (1-c).100% untuk 0, untuk setiap 05 ¢ © didefinisikan (8s) = {x | € C(x}, maka A(0,) adalah daerah penerimaan taraf a dari uji: Ho: 0 = Oo. Kenyataan bahwa uji hipotesis dapat diinversikan untuk mendapatkan interval konfindensi dan sebaliknya secara teoritis menarik, tetapi bagian yang benar-benar berguna dari teorema 4.311 adalah bagian pertama, relatif mudah untuk mengkonstruksikan daerah penerimaan uji hipotesis taraf a. Semua teknik yang telah dipunyai untuk mendapatkan daerah penerimaan uji hipotesis , dengan sendirinya dapat digunakan untuk membanguan interval konfindensi. Contoh 3.2 Misalkan X, Xa, «. berdistribusi normal dengan rata-rata 1. dan variansi o? dengan pt dan o keduanya tidak diketahui. Akan dibangun (1- a) 100% limit konfindensi atas ., Xn adalah sampel random independen dari populasi Tatik Widibearihs 99Modul IV Estimasi Interval untuk 1. Dengan perkataan lain kita menginginkan interval konfindensi dengan bentuk : e(x)=(-»»(,)). Untuk mendapatkan interval tersebut dengan menggunakan theorema 43.1, dengan menginversikan uji satu sisi dengan bentuk: Ho: #= po vs Hi: # Xt foie = fly As) Fee Fe Ht dengan teorema 3.1 dapat didefinisikan : (x) ={u,lee Alu} = {a [e+ boa? a} himpunan random: x) -(-e.8+. adalah interval konfindensi (1- @).100% untuk <—tepa dengan S 4. Metode Besaran Pivot Barang kali metode yang paling bagus dalam mengkonstruksikan estimator interval dan menghitung cakupan promodulilitas adalah menggunakan metode besaran pivot. Penggunaan besaran pivot untuk mengkonstruksikan interval konfindensi disebut "pivotal inference”. Tatik Widiharibs 100Madu IV Eotinasiinteral Definisi 4.1 Peubah acak olx.9) disebut besaran pivot bila distribusi dari olx.4) tidak tergantung dari @ atau parameter lain yang tidak diketahui fika YX ~ Flx.9] maka lx.4) mempunyai distribusi yang sama untuk semua 0. Fungsi OLY ,9) biasanya secara eksplisit memuat parameter dan statistik, tetapi sebarang himpunan A, P(QLY.O)e 4) tidak dapat tergantung 8. Cara mengkonstruksikan himpunan konfindensi dari besaran pivot tergantung pada kemampuannya mendapathan besaran pivot dan himpunan ‘A sedemikian sehingga himpunan | OLY .A)e A}. Langkal-langkah mengkonstruksikan interval konfindensi untuk 6 dengan menggunakan besaran pivot adalah : 1. Dari sampel random X1, X2, ..., Xq ditentukan estimator titik untuk 6, notasikan estimator titik tersebut dengan T[X). 2. Dicari bentuk transformasi yang memuat @ dan estimatornya (T|X')), dapat juga memuat konstan-konstan lain yang diketahui, yang distribusinya mudah (telah ditabelkan). Transformasi ini dikenal sebagai besaran pivot (pivotal quantity). 3. Interval konfindensi dapat diturunkan berdasar langkah 2). Beberapa transformasi yang telah dikenal : Misalkan X1, X2, berdistribusi normal dengan rata-rata p dan variansi o? , maka: Xq adalah sampel random independen dari populasi 1. Jika o? diketahui, 2 rte ~ NO) Tatik Widiharth 101‘Modul 1V Estimasi Interoat 2. Jika o? tidak diketahui diduga dengan variansi_ sampel n-1 3. Jika p diketahui , (2 7) ~x¢ 4. Jika p tidak diketahui diduga dengan rata-rata_sampel i ix, mate $422) 9 Contoh 4.1 Misalkan X:, X2, ..., Xe adalah sampel random independen dari populasi berdistribusi normal dengan rata-rata 6 dan variansi 0,25. a. dengan menggunakan metode besaran pivot tentukan interval konfindensi (1- a).100% untuk 6. b. Bila dipunyai data 2,55 3,59 3,25 2,50 2,75 3,60 3,79 315 2,98 3,49 tentukan interval konfindensi 98% untuk zata-rata. Penyelesaian : a. X~N@,0,25) EX)=0 Dengan menggunakan metode momen : @ = xX 0,5/vn Ambil: Z = Dalam hal ini Z, sebagai besaran pivot. Interval konfindensi (1- a).100% untuk @ adalah : Tatik Widiharth 102‘Modul IV Estimnsi Interoat PC Zan <2 Ss > s X= tesa Fo SMSF bora J erie fg (USA * bene Fy b. Dari data diperoleh:n =10, X= 3,165; @=2%, S=0,4595 Interval konfindensi 98% untuk y adalah : a Ss SUKX $F te # Drsin-i Vn 0,4595 10 << 3165 +2,821- 2,1551< u<3,5749 “2 Ambil x ee Lex) ~ Zz. F--S(x KX) ~ 2, Interval konfindensi (1 - c7).100% untuk g adalah : PU than <2 Z~NOl) a Tatik Widtharth 110‘Modul 1V Estimasi Interoal Sehingga interval konfindensi (1 - ).100% untuk @ adalah : Lin |=1-@ Zap (1-8 <0-0< Ze. a(l a)in -O- Zan a(t-a)in <-0<-0+ Zens a(i-a)/m 8+ ZanfO(1-O)!n> 0 > O~ Zar a(1-a)/ O-Zan (1-0) <0 <0 + Za. (1-8) Contoh 5.2 Misalkan Xa, X2, «= Xa adalah sampel random independen dari populasi berdistribusi Poisson dengan parameter 6. Akan ditentukan interval konfindensi (1-a).100% untuk 0. Penyelesaian : Berdasarkan contoh 1.1 pada modul 1 telah diperoleh : @ 2X Dengan theorema limit pusat : ss —5Z~NO) Dengan cara yang analog pada contoh :.5. 1 diperoleh : 9-8 + .7_ No Jorn Sehingga interval konfindensi (1 - a).100% untuk @ adalah: fans g-0 O>O-Zuxdloln -ZaaNO1n <8<0+ZinAoIn 4.4.2, Latihan 1. Apakah perbedaannya antara interval konfindensi dengan limit konfindensi satu sisi atas atau bawah. 2. Tuliskan bentuk-bentuk besaran pivot yang berdistribusi Chi-Kuadrat. 3. Apakah interval konfindensi yang dikonstruksikan dengan menggunakan inversi uji hipotesis selalu sama dengan yang dikonstruksikan dengan menggunakan besaran pivot?. Berikan penjelasan secukupnya. 4.4.3 Rangkuman 1. Setiap dacrah penerimaan uji hipotesis merupakan interval konfindensi dari parameter yang divji dalam uji hipotesis tersebut, 2. Penentuan besaran pivot selalu mengarah pada bentuk-bentuk distribusi yang telah ditabelkan. 4.4.4 Tes Formatif 1. Misalkan X1, Xo, ..., Xn adalah sampel random independen dari populasi berdistribusi Gamma(2,0). a. Tentukan interval konfindensi (1-1).100% untuk 8. b. Bila dipunyai data : 74 57 48 29 502 12 70 21 29 386 59 27 153 26 326. Tentukan interval konfindensi 95% untuk 8. c. Tentukan pula limit konfindendi satu sisi atas 95% untuk 0. 2. Misalkan Xi, X2, berdistribusi Weibull(2,0). Xn adalah sampel random independen dari populasi Tatik Widiharih 112‘Modul IV Estimiasi Interoat a, Tunjukkan bahwa: Q = aay Oo b, Gunakan Q untuk menentukan interval konfindensi (1-a).100% untuk 0. 3. Misalkan Xi, Xo, ...., Xa adalah sampel random independen dari populast berdistribusi normal dengan rata-rata p dan variansi a, Jika o = 16 , tentukan interval konfindensi 95% untuk p berdasarkan rala-rata sampel sama dengan 19,3 dengan ukuran sampel n=25, b. Berdasarkan ketentuan dalam a) tentukan pula limit konfindendi satu sisi atas 95% untuk p. c. Andaikan p = 324 tentukan interval konfindensi 95% untuk 2” berdasar data sampel 23 (13,24) =3,25 dengan n=25. 4... Misalkan X1, X2, ...., Xq adalah sampel :andom independen dari populasi berdistribusi Exponensial dengan rata-rata 0. a. Tentukan UMP test ukuran @ untuk uji Hy: @= 0 vs Hi: 0< 6p b. Gunakan metode inversi uji hipo-esis untuk menentukan interval konfindensi (1-a).100% untuk 0. 4.4.5 Umpait Balik dan Tindak Lanjut: Cocokanlah jawaban anda dengan kunci jawaban dari modul ini. Hitunglah jawaban anda yang benar, kemudian gunakanlah ramus dibawah ini untuk mengetahui tingkat penguasaan anda tethadap materi ini, ‘Tingkat penguasaan = (jumlah jawaban benex)/10 x 100% Anti tingkat penguasaan yang anda capai : 90% - 100% : baik sekali 80% - 89% : baik 70% -79% : sedang <70% : kurang Tatik Widtharih 113Modul IV Estimasi fnteroal Bila anda telah mencapai tingkat penguasaan 80% atau lebih, anda dapat meneruskan kegiatan belajar selanjutnya. Tetapi apabila tingkat penguasaan anda kurang dari 80% , sebaikaya anda mengulangi materi ini terutama bagian yang belum anda kuasai sebelum meneruskan kegiatan belajar selanjutnya. 4.5, Kunci Jawaban Tes Formatif Wx. WX ra| 4 b. (43,6735 ; 89,8715) c. (0 ; 84,2325) 2. a. Hint : tentukan dahulu fungsi pembentuk momen dari Xi? , kemudian tentukan fungsi pembangkit momen dari Q 2NXi 2X: | —,+ Kanan Keanan 3. a. (17,732 ; 20,868) b. (0; 20,616) €. (2.1580 ; 5,5613) . (0 52,3633) 4. a, Tolak Ho jika 2 2 Mus ao 2 Tattk Widiharih 4‘Modul 1V Estimasi fnteroal 4.5 Referensi: 1. Bain, L.J. and Engelhart,M.(1992); Introduction to Promodulility and Mathematical Statistics, Second Edition, Duxbury Press, Belmont, California. 2. Casella,G and Berger, R.L.(1990); Statistical Inference. Wadsworrth Inc. Belmont, California. 3, Dudewioz, E.J and Mishra, S.N.(1998); Moderr. Mathematical Statistics, John ‘Willey and Sons, Singapore 4, Roussas, G.G.(1976); A First Course in Mathematical Statistics. Mei Ya Publication Inc. Taipei, Taiwan. (2007). Statistical theory ."hitp:/en.wikipedia.org/ wiki / Binomiel proportion confidence interval".This page was last modified 16:20, 30 July 2007 Tatik Widiharih 15LAMPIRAN TABEL STATISTIKA“abel Statistika L Cumulatif Standart Normal Distribution V1 gn Oz, [eg * "de = Fae [2 oz) @(z) 2) (2) =4.00 } 0.000032 0.000178 0.000845 0.003364 3.99 | 0.000033 | 0.000185 0.000874 0.003467 3.98 | 0.000034 0.000193 0.000904 0.003573 -3.97 | 0.000036 0.000200 0.000935, 0.003681 -3.96 | 0.000037 0.000208 0.000968 0.003793 3.95 | 0.000039 0.000216 0.001001, 0.003907 3.94 | 0.000041 0.000224 0.001035 0.004025 -3.93 | 0.000042 0.000233 0.001070 0.004145 -3.92 | 0.000044 0.000242 0.001107 0.004269 -3.91 | 0.000046 0.000251 0.001144 0.008396 -3.90 | 0.000048 0.000260 0.001183, 0.004527 -3.89 | 0.000050 0.000270 0.001223 0.004661 -3.88 | 0.000052 0.000280 0.001264 0.004799 -3.87 | 0.000054 0.000291 0.001306 0.004940 3.86 | 0.000057 0.000302 0.001350 0.005085 -3.85 | 0.000059 0.000313 0.001395 0.005234 -3.84 | 0.000062 0.000325 0.001441 0.005386 -3.83 | 0.000064 0.000337 0.001489 0.005543 -3.82 | 0.000067 0.000349 0.001538, 0.005703 -3.81 | 0.000069 0.000362 0.001589 0.005868 -3.80 } 0.000072 0.000376 0.001641 0.006037 3,79 | 0.000075 0.000390 0.001695 0.006210 -3.78 | 0.000078 0.000404 0.001750 0.006387 -3.77 | 0.000082 0.000419 0.001807 0.006569 -3.76 | 0.000085 0.000434 0.001866 0.006756 -3.75 | 0.000088 0.000450 0.001926 0.006947 -3.74 | 0,000092 0.000166 0.001988 0.007143 -3.73 | 0.000096 0.000483, 0.002052 0.007344 -3.72 | 0.000100 0.000501 0.002118 0.007549 -3.71 | 0.000104 0.000519 0.002186 0.007760 -3.70 | 0.000108 0.000538 0.002256 0.007976 -3.69 | 0.000112 0.000557 0.002327 0.008198 -3.68 | 0.000117 0.000577 0.002401 0.008424 -3.67 | 0.000121 0.000598 0.002477 0.008656 3.66 | 0.000126 0.000619 0.002555 0.008894 -3.65 | 0.000131 0.000641 0.002635, 0.009137 -3.64 | 0.000136 0.000664 0.002718 0.009387 3.63 | 0.000142 0.000687 0.002803 0.009642 3.62 | 0.000147 0.000711 0.002890 0.009903 -3.61 | 0.000153 0.000736 0.002980 0.010170 -3.60 | 0.000159 0.000762 0.003072 0.010444 3.59 | 0.000165 0.000789 0.003167 0.010724 3.58 | 0.000172 0.000816 0.003264 O.OL0IL “Tati Widiharih 116‘Tabel Statistike z O() Zz oe) oo) z -2.28 | 0.011304 | -1.80 | 0.035930 0.093418 | -0.84 -227 | 0.011604 | -1.79 | 0.036727 0.095098 | -0.83 | 0.203269 -2.26 | 0.011911 | -1.78 | 0.037538 0.096800 | -0.82 | 0.206108 -2.25 | 0.012224 | -1.77 | 0.038364 0.098525 | -0.81 | 0.208970 -2.24 | 0.012545 | -1.76 | 0.039204 0.100273 | -0.80 | 0.211855 -2.23 | 0.012874 | -1.75 | 0.040059 0.102042 | -0.79 | 0.214764 -2.22 | 0.013209 | -1.74 | 0.040930 0.103835 | -0.78 | 0.217695 -2.21 | 0.013553 | -1.73 | 0.041815 0.105650 | -0.77 | 0.220650 -2.20 | 0.013903 | -1.72 | 0.042716 0.107488 | -0.76 | 0.223627 -2.19 | 0.014262 | -1.71 | 0.043633 0.109349 | -0.75 | 0.226627 -2.18 | 0.014629 | -1.70 | 0.044565 0.111232 | -0.74 | 0.229650 -2.17 | 0.015003 | -1.69 | 0.045514 0.113139 | -0.73 | 0.232695 -2.16 | 0.015386 | -1.68 | 0.046479 0.115070 | -0.72 | 0.235763 -2.15 | 0.015778 | -1.67 | 0.047460 0.117023 | -0.71 | 0.238852 -2.14 | 0.016177 | -1.66 | 0.048457 0.119000 | -0.70 | 0.241964 -2.13 | 0.016586 0.049471 0.121000 | -0.69 | 0.245097 -2.12 | 0.017003, 0.050503, 0.123024 | -0.68 | 0.248252 -2.41 | 0.017429 0.051551 0.125072 | -0.67 | 0.251429 -2.10 | 0.017864 0.052616 0.127143 | -0.66 | 0.254627 -2.09 | 0.018309 0.053699 0.129238 | -0.65 | 0.257846 -2.08 | 0.018763 0.054799 0.131357 | -0.64 | 0.261086 -2.07 | 0.019226 0.055917 0.133500 | -0.63 | 0.264347 -2.06 | 0.019699 0.057053 0.135666 | -0.62 | 0.267629 -2.05 | 0.020182 0.058208 0.137857 | -0.61 | 0.270931 -2.04 | 0.020675 0.059380 0.140071 | -0.60 | 0.274253 -2.03 | 0.021178 0.060571 0.142310 | -0.59 | 0.277595 -2.02 | 0.021692 0.061780 0.144572 | -0.58 | 0.280957 -2.01 | 0.022216 0.063008 0.146859 | -0.57 | 0.284339 2.00 | 0.022750 0.064255 0.149170 | -0.56 | 0.287740 -1.99 | 0.023295 0.065522 0.151505 | -0.55 | 0.291160 -1.98 | 0.023852 0.066807 0.153864 | ~0.54 | 0.294599 -1.97 | 0.024419 0.068112 0.156248 | -0.53 | 0.298056 -1.96 | 0.024998 0.069437 0.158655 | -0.52 | 0.301532 -1.95 | 0.025588 0.070781 0.161087 | -0.51 | 0.305026 -1.94 | 0.026190 0.072145 0.163543 | -0.50 | 0.308538 -1.93 | 0.026803 | -1.45 | 0.073529 0.166023 | -0.49 | 0.312067 -1.92 } 0.027429 | -1.44 | 0.074934 0.168528 | -0.48 | 0.315614 1.91 | 0.028067 | -1.43 | 0.076359 0.171056 | -0.47 | 0.319178 -1.90 | 0.028717 | -1.42 | 0.07804 0.173609 | -0.46 | 0.322758 -1.89 | 0.029379 | -1.41 | 0.079270 0.176186 | -0.45 | 0.326355 -1.88 | 0.030054 | -1.40 | 0.080757 0.178786 | -0.44 | 0.329969 -1.87 | 0.030742 | -1.39 | 0.082264 0.181411 | -0.43 | 0.333598 -1.86 | 0.031443 | -1.38 | 0.083793 0.184060 | -0.42 | 0.337243 -1.85 | 0.032157 | -1.37 | 0.085343 0.186733 | -0.41 | 0.340903 -1.84 | 0.032884 | -1.36 | 0.086915 0.189430 | -0.40 | 0.344578 -1.83 | 0.033625 | -1.35 | 0.088508 0.192150 | -0.39 | 0.348268 -1.82 | 0.034380 | -1.34 | 0.090123 0.194895 | -0.38 | 0.351973 1.81 | 0.035148 | -1.33 | 0.091759 0.197663 | -0.37 | 0.355691 ‘Tatik Widiarlt 7‘Tabet Statistik z {| o) | z | eG) z o@) z_|_®G) “0.36 [0.359424 | 0.20 | 0.579260 | 0.67 | 0.748571 | 1.14 | 0.872857 -0.35 | 0.363169 | 0.21 | 0.583166 | 0.68 | 0.751748 | 1.15 | 0.874928 0.34 | 0.366928 | 0.22 | 0.587064 | 0.69 | 0.754903 | 1.16 | 0.876976 -0.33 | 0.370700 | 0.23 | 0.590954 | 0.70 | 0.758036 | 1.17 | 0.879000 0.32 | 0.374484 | 0.24 | 0.594835 | 0.71 | 0.761148 | 1.18 | 0.881000 -0.31 | 0.378280 | 0.25 | 0.598706 | 0.72 | 0.764237 | 1.19 | 0.882977 -0.30 | 0.382089 | 0.26 | 0.602568 | 6.73 | 0.767305 | 1.20 | 0.884930 -0.29 | 0.385908 | 0.27 | 0.606420 | 0.74 | 0.770350 | 1.21 | 0.886861 -0.28 | 0.389739 | 0.28 | 0.610261 | 0.75 | 0.773373 | 1.22 | 0.888768 -0.27 | 0.393580 | 0.29 | 0.614092 | 6.76 | 0.776373 | 1.23 | 0.890651 -0.26 | 0.397432 | 0.30 | 0.617911 | 6.77 | 0.779350 | 1.24 | 0.892512 -0.25 | 0.401294 | 0.31 | 0.621720 | 6.78 | 0.782305 | 1.25 | 0.894350 -0.24 | 0.405165 | 0.32 | 0.625516 | 6.79 | 0.785236 | 1.26 | 0.896165 -0.23 | 0.409046 | 0.33 | 0.629300 | 80 | 0.788145 | 1.27 | 0.897958 -0.22 | 0.412936 | 0.34 | 0.633072 | 6.81 | 0.791030 | 1.28 | 0.899727 -0.21 | 0.416834 | 0.35 | 0.636831 | 6.82 | 0.793892 | 1.29 | 0.901475 -0.20 | 0.420740 | 0.36 | 0.640576 | 83 | 0.796731 | 1.30 | 0.903200 -0.19 | 0.424655 | 0.37 | 0.644309 | C84 | 0.799546 | 1.31 | 0.904902 -0.18 | 0.428576 | 0.38 | 0.648027 | G85 | 0.802337 | 1.32 | 0.906582 -0.17 | 0.432505 | 0.39 | 0.651732 | G86 | 0.805105 | 1.33 | 0.908241 -0.16 | 0.436441 | 0.40 | 0.655422 | C87 | 0.807850 | 1.34 | 0.909877 -0.15 | 0.440382 | 0.41 | 0.659097 | C.88 | 0.810570 | 1.35 | 0.911492 -0.14 | 0.444330 | 0.42 | 0.662757 | ¢.89 | 0.813267 | 1.36 | 0.913085 -0.13 | 0.448283 | 0.43 | 0.666402 | ¢.90 | 0.815940 | 1.37 | 0.914657 -0.12 | 0.452242 | 0.44 | 0.670031 | €.91 | 0.818589 | 1.38 | 0.916207 -0.11 | 0.456205 | 0.45 | 0.673645 | 6.92 | 0.821214 | 1.39 | 0.917736 -0.10 | 0.460172 | 0.46 | 0.677242 | 0.93 | 0.823814 | 1.40 | 0.919243 -0.09 | 0.464144 | 0.47 | 0.680822 | 0.94 | 0.826391 | 1.41 | 0.920730 -0.08 | 0.468119 | 0.48 | 0.684386 | 0.95 | 0.828944 | 1.42 | 0.922196 -0.07 | 0.472097 | 0.49 | 0.687933 | 0.96 | 0.831472 | 1.43 | 0.923641 -0.06 | 0.476078 | 0.50 | 0.691462 | 0.97 | 0.833977 | 1.44 | 0.925066 -0.05 | 0.480061 | 0.51 | 0.694974 | 0.98 | 0.836457 | 1.45 | 0.926471 -0.04 | 0.484047 | 0.52 | 0.698468 | 0.99 | 0.838913 | 1.46 | 0.927855 -0.03 | 0.488034 | 0.53 | 0.701944 | 1.00 | 0.841345 | 1.47 | 0.929219 ~0.02 | 0.492022 | 0.54 | 0.705401 | 1.01 | 0.843752 | 1.48 | 0.930563 -0.01 | 0.496011 | 0.55 | 0.708840 | 102 | 0.846136 | 1.49 | 0.931888 0.00 } 0.500000 | 0.56 | 0.712260 | 1.03 | 0.848495 | 1.50 | 0.933193, 0.01 | 0.503989 | 0.57 | 0.715661 | 1.04 | 0.850830 | 1.51 | 0.934478 0.02 | 0.507978 | 0.58 | 0.719043 | 1.05 | 0.853141 | 1.52 | 0.935745, 0.03 | 0.511966 | 0.59 | 0.722405 | 1.06 | 0.855428 | 1.53 | 0.936992 0.04 | 0.515953 | 0.60 | 0.725747 | 1.07 | 0.857690 | 1.54 | 0.938220 0.05 | 0.519939 | 0.61 | 0.729069 | 1.08 | 0.859929 | 1.55 | 0.939429 0.06 | 0.523922 | 0.62 | 0.732371 | 1.09 | 0.862143 | 1.56 | 0.940620 0.07 | 0.527903 | 0.63 | 0.735653 | 110 | 0.864334 | 1.57 | 0.941792 0.08 | 0.531881 | 0.64 | 0.738914 | 111 | 0.866500 | 1.58 | 0.942947 0.09 | 0.535856 | 0.65 | 0.742154 | 1.12 | 0.868643 | 1.59 | 0.944083 0.10 | 0.539828 | 0.66 | 0.745373 | 1.13 | 0.870762 | 1.60 | 0.945201 Tatik Widitarit ugTabel Statistika Z ‘o() o&) Zz oO) Zz o() 1.61 | 0.946301 | 2.08 | 0.981237 | 260 | 0.995339 |~3.07 | 0.998930 1.62 | 0.947384 | 2.09 | 0.981691 | 261 | 0.995473 | 3.08 | 0.998965 1.63 | 0.948449 | 2.10 | 0.982136 | 2.62 | 0.995604 | 3.09 | 0.998999 1.64 | 0.949497 | 2.11 | 0.982571 | 263 | 0.995731 | 3.10 | 0.999032 1.65 | 0.950529 | 2.12 | 0.982997 | 264 | 0.995855 | 3.11 | 0.99065 1.66 | 0.951543 | 2.13 | 0.983414 | 265 | 0.995975 | 3.12 | 0.999096 1.67 | 0.952540 | 2.14 | 0.983823 | 2.66 | 0.96093 | 3.13 | 0.999126 1.68 | 0.953521 | 2.15 | 0.984222 | 267 | 0.996207 | 3.14 | 0.999155 1.69 | 0.954486 | 2.16 | 0.984614 | 2.68 | 0.996319 | 3.15 | 0.999184 1.70 | 0.955435 | 2.17 | 0.984997 | 269 | 0.996427 | 3.16 | 0.999211 1.71 | 0.956367 | 2.18 | 0.985371 | 2.70 | 0.996533 | 3.17 | 0.999238 1.72 | 0.957284 | 2.19 | 0.985738 | 271 | 0.996636 | 3.18 | 0.999264 1.23 | 0958185 | 2.20 | 0.986097 | 2.72 | 0.996736 | 3.19 | 0.999289 1.74 | 0.959070 | 2.21 | 0.986447 | 2.73 | 0.996833 | 3.20 | 0.999313 1.75 | 0.959941 | 2.22 | 0.986791 | 2.74 | 0.996928 | 3.21 | 0.999336 1.76 | 0.960796 | 2.23 | 0.987126 | 2.75 | 0.997020 | 3.22 | 0.999359 1.77 | 0.961636 | 2.24 | 0.987455 | 2.76 | 0.997110 | 3.23 | 0.999381 1.78 | 0.962462 | 2.25 | 0.987776 | 2.77 | 0.997197 | 3.24 | 0.999402 1.79 | 0.963273 | 2.26 | 0.988089 | 2.78 | 0.997282 | 3.25 | 0.999423 1.80 | 0.964070 | 2.27 | 0.988396 | 2.79 | 0.997365 | 3.26 | 0.999443 1.81 | 0.964852 | 2.28 | 0.988696 | 2.80 | 0.997445'| 3.27 | 0.999462 1.82 | 0.965620 | 2.29 | 0.988989 | 281 | 0.997523 | 3.28 | 0.999481 1.83 | 0.966375 | 2.30 | 0.989276 | 2.82 | 0.997599 | 3.29 | 0.999499 1.84 | 0.967116 | 2.31 | 0.989556 | 2.83 | 0.997673 | 3.30 | 0.999517 1.85 | 0.967843 | 2.32 | 0.989830 | 2.84 | 0.997744 | 3.31 | 0.999534 1.86 | 0.968557 | 2.33 | 0.990097 | 2.85 | 0.997814 | 3.32 | 0.999550 1.87 | 0.969258 | 2.34 | 0.990358 | 2.86 | 0.997882 | 3.33 | 0.999566 1.88 | 0.969946 | 2.35 | 0.990613 | 287 | 0.997948 | 3.34 | 0.999581 1.89 | 0.970621 | 2.36 | 0.990863 | 2.88 | 0.998012 | 3.35 | 0.99596 1.90 | 0.971283 | 2.37 | 0.991106 | 289 | 0.998074 | 3.36 | 0.999610 1.91 | 0.971933 | 2.38 | 0.991344 | 290 | 0.998134 | 3.37 | 0.999024 1.92 | 0.972571 | 2.39 | 0.991576 | 2.91 | 0.998193 | 3.38 | 0.999638 1.93 | 0.973197 | 2.40 | 0.991802 | 292 | 0.998250 | 339 | 0.99651 1.94 | 0.973810 | 2.41 | 0.992024 | 293 | 0.998305 | 3.40 | 0.999663 1.95 | 0.974412 | 2.42 | 0.992240 | 2.94 | 0.998359 | 3.41 | 0.999675 1.96 | 0.975002 | 2.43 | 0.992451 | 2.95 | 0.998411 | 3.42 | 0.999687 1.97 | 0.975581 | 2.44 | 0.992656 | 2.96 | 0.998462 | 3.43 | 0.999698 1.98 | 0.976148 | 2.45 | 0.992857 | 297 | 0.998511 | 3.44 | 0.99709 1.99 | 0.976705 | 2.46 | 0.993053 | 2.98 | 0.998559 | 3.45 | 0.999720 2.00 | 0.977250 | 2.47 | 0.993244 | 2.99 | 0.998605 | 3.46 | 0.999730 2.01 | 0.977784 | 2.48 | 0.993431 | 3.00 | 0.998650 | 3.47 | 0.999740 2.02 | 0.978308 | 2.49 | 0.993613 | 301 | 0.998694 | 3.48 | 0.999749 2.03 | 0.978822 | 2.50 | 0.993790 | 3.02 | 0.998736 | 3.49 | 0.999758 2.04 | 0.979325 | 2.51 | 0.993963 | 3.03 | 0.998777 | 3.50 | 0.999767 2.05 | 0.979818 | 2.52 | 0.994132 | 3.04 | 0.998817 | 3.51 | 0.999776 2.06 | 0.980301 | 2.53 | 0.994297 | 3.05 | 0.998856 | 3.52 | 0.999784 2.07 | 0.980774 | 2.54 | 0.994457 | 3.06 | 0.998893 | 3.53 | 0.999792 Tatik Widiharih 110Tabel Statistika ‘@() z dG) Zz o&) z o@) 0.999800 | 3.66 | 0.999874 | 3.78 | 0.999922 [3.90 | 0.999952 0.999807 | 3.67 | 0.999879 | 3.79 | 0.999925 | 3.91 | 0.999954 0.999815 | 3.68 | 0.999883 | 3.80 | 0.999928 | 3.92 | 0.999956 0.999822 | 3.69 | 0.999888 | 3.81 | 0.999931 | 3.93 | 0.999958 0.999828 | 3.70 | 0.999892 | 3.82 | 0.999933 | 3.94 | 0.999959 0.999835 | 3.71 | 0.999896 | 3.83 | 0.999936 | 3.95 | 0.999961 0.999841 | 3.72 | 0.999900 | 3.84 | 0.999938 | 3.96 | 0.999963 0.999847 | 3.73 | 0.999904 | 3.85 | 0.999941 | 3.97 | 0.999964 0.999853 | 3.74 | 0.999908 | 3.86 | 0.999943 | 3.98 | 0.999966 0.999858 | 3.75 | 0.999912 | 3.87 | 0.999946 | 3.99 | 0.999967 0.999864 | 3.76 | 0.999915 | 3.88 | 0.999948 | 4.00 | 0.999968 | 0.999869 | 3.77 | 0.999918 | 3.89 | 0.999950 | | | i | | It | Tatik Widitarih 190‘Tabel Statistika Il. Percentage Points of the t Distribution @ af T2600 006 0G 9.04 0008.80 oT O00 a 1.000 3.078 6.314 12.706 31.821 63.657 127.321 318.309 636.619 2 asi7 186 2920 4303 6865 8825 1408922327 31600 3 0765 1688 2358 3182 45018841 7.483« 0218 i2ez4 4 drat 1589 2182 ©2778 «3747 ©4804 «55887173 tO 5 ore iam Dov 2571 3905 4032 «47738803888 8 Orie 1440 1943 2447 31438707317 ©8308 5.888 7 Orit i418 1895 2965 2908 ©3500 4.008««4785 © 5.408 3 ores 1367 1860 2300 2887 3.388 «3.833 401 cat 8 070s 1983 1899 ©2262 ©2821 3.250 «3690 «42874781 0.700 1.372 1.813 2.228 2.764 3.169 3.581 4144 4.587 Oes7 1363 1796 ©2201 2718 3109 «34974005437 Ose 1368 1782 2170 2681 30583283800 ats 0.694 1.350 1.771 2.160 2.650 3.012 3.373 3.862 4221 dee 13s fret 2148 2008 20773287874 tet dest 131 1753 21st 26032947 © 328837384073 dso 1387 t7e 2120 2504 Dot 3282 3.886 4016 0.689 1.333 1.740 2.410 2.567 2.898 3.222 3.646 3.965 dss 1330 1734 2101 2852-2878 S187 3att 3.822 oes 1328 1720 2098 ©2540 «2.861 B74 3.879 3.880 oss? 1305 1725 2006 2528 «245 «3.153 «3552 3.880 oes 1323 1721 2080 218281 «313827319 dese 1321 1717 pore 25082819 atte 38083782 cess 1320 1714 2060 ©2500-2807 ates 4883788 0685 1.318 1.711 2.064 2.492 2.797 3.091 3.467, 3.745 dese 1318 1708 2000 ©2485 «2787 «30783450 3.728 des 1318 1708 2088 2479 2779-307 3488.8 707 oss 1314 1708 2052 2473-2771 acy at —3.800 bess 1313 1701 2088 2467 27633073408 «3674 dees 131i tev 204 2462-2788 © a0s8 8308 S680 oes 1310 1697 204 ©2457 «2.750 ©3030 «338838 dss: 1303 tee 2021 2423-2705 asrt aso Sst dsr 1292 tere 2009-2403 2o7e © aeay | a28t 3488 ders 1208 1871 2000 ©2390 «2.660 «aes «32328460 osre 1204 1907 too 2.381 2643 2a zit 3485 0678 1292 1664 1.990 2374 2639 2867 3195 3416 | bert tant tee taer 20 dese 22 oer7 1290 1660 ae ©2364 2628 Sot | ast? 1206 ssa i860 2388 2647 sara | Tatik Widiharih mTabel Statistika IIL. Percentage Points of the 7’ Distribution a | df |"G905 0.990 0.578 0.960 0.500 0.050 0.026 0.01 0.005 | 7{ 000 0.00 0.00 © 0.00 048 384 «5026.63 7.88| 2| 001 002 005 O1 199 599 738 921 108) 3| 007 O11 022 035 297 781 935 1134 1284 4) 021 03 048 O71 33€ 949 11.14 1328 1486 5| 041 055 083 115 438 1107 1283 1609 1675 6| 068 087 124 164 638 1259 1445 1681 1855 7| 099 124 169 217 638 1407 1601 1848 2028 g| 134 165 248 273 7.34 1851 1763 2009 21.95 9| 473 209 270 333 834 1692 1902 2167 2359 10] 216 256 325 394 934 1831 2048 2321 25.19 1| 260 305 382 457 1034 1968 2192 24.72 2676 12| 307 367 440 523 11.34 21.03 23.34 2622-283 13| 367 4.41 5.01 5.89 12.34 22.36 24.74 «27.69 2982 14| 407 466 563 657 1334 2368 2612 2914 31.32 15| 460 523 626 726 1434 25.00 2749 3058 328 16] 514 581 691 7.96 1534 26.30 2885 3200 3427 17] 570 641 758 867 1634 27.59 3019 3341 36.72 18| 626 7.01 823 939 1734 2887 3153 3481 37.18 19| 684 763 891 1012 1834 30.14 9285 2619 9858 20| 743 826 959 10.85 1934 3141 3417 37.57 40.00 21/ 803 890 1028 1159 2034 S267 3548 3893 4140 22| 864 954 10.98 1234 2134 33.92 36.78 40.29 42.80 23| 926 102 1169 1309 2234 96.17 3808 41.64 «44.18 24] 989 1086 124 1385 2334 3642 3936 42.98 4556 25| 1052 1152 1342 1461 2434 37.65 4065 44.31 46.93, 26| 1116 122 1384 1538 2534 38.89 4192 45.64 48.29 27| 1181 1288 1487 16.15 2634 40.11 4319 46.96 49.64 28| 1246 1356 1531 1693 2734 41.34 4446 © 48.28 ©5099, 29| 1312 1426 16.05 17.71 28234 42.56 45.72 49.59 82.34 90| 19.78 1495 1679 1049 2934 43.77 40.90 50.09 5307 40| 2071 2216 2443 2651 3934 55.76 5934 6369 6677 50| 2799 2071 3236 3476 4932 67.50 7142 76.18 79.49, 60| 9553 3748 4048 43.19 5932 79.08 83.3 88.98 91.95 70| 4328 48.44 48.76 51.74 69.33 90.53 95.02 100.43 104.21 80| 51.17 5384 57.15 60.39 7932 101.88 10863 11233 116.32 90| 5920 61.75 65.65 69.13 89.32 113.15 118.14 124.12 128.30 400] 6793 7006 7422 77.93 99.33 124.34 12958 136.81 140.17 120| 8385 86.92 91.57 95.7 119.33 146.57 _ 152.21 158.95 _ 163.85 Tatik Wiiharils 179