Statistika Matematika Soal dan Pembahasan
M. Samy Baladram
Bab 4 Unbiasedness, Consistency, and Limiting Distributions
Unbiasedness, Consistency, and Limiting Distributions 4.1 Ekspektasi Fungsi Key Points .Teorema 4.1.1 Pn Jika T = i =1 a i X i , a i suatu konstan, maka E [T ] =
n X
a i E [X i ]
i =1
Akibat 4.1.1 P Jika T = maka
V a r [T ] =
n a X i =1 i i
n X
Definisi 4.1.1 Misal X peubah acak dengan pdf f (x ; θ ) atau p (x ; θ ), θ ∈ Ω. Misal X 1 , . . . , X n adalah peubah acak berdistribusi X dan T suatu statistik. Kita katakan T estimator tak-bias dari θ jika E [T ] = θ , untuk semua θ ∈ Ω
, a i suatu konstan,
a i V a r [X i ]+2
i =1
X
Jika E [T ] 6= θ , kita katakan T estimator bias bagi θ .
a i a j cov (X i , X j )
i <j
Akibat 4.1.2 Jika X 1 , · · · , X n adalah peubah acak saling bebas dengan variansi hingga, maka V a r [T ] =
n X
a i V a r [X i ]
i =1
1
[4.1.5] Misal X 1 dan X 2 dua peubah acak yang saling bebas dengan variansi X 1 dan X 2 berturut-turut σ12 = k dan σ22 = 2. Jika diberikan variansi Y = 3X 2 − X 1 .adalah 25, tentukan k.. Jawab: V a r [X 1 ] = k V a r [3X 2 ] = 32 V a r [X 2 ] = 18 ∴ V a r [3X 2 − X 1 ] = 32 V a r [X 2 ] + (−1)2 V a r [X 1 ] + 2(3)(1)cov (X 2 , X 1 ) {z } | =0 karena saling bebas 25 = 18 + k k =7
2
[4.1.7] Tentukan mean dan variansi jumlahan Y dari pengamatan variabel acak berukuran 5 dengan distribusi yang memiliki pdf f (x ) = 6x (1 − x ), 0 < x < 1, .lainnya 0.. Jawab:
copyright by M. Samy Baladram / 10108064
2
Variabel acak Y dapat ditulis Y = X 1 + X 2 + X 3 + X 4 + X 5 . µ = E [Y ] = E [X 1 + X 2 + X 3 + X 4 + X 5 ] Z1 = 5E [X 1 ] = 5
x · 6x (1 − x )d x 0
1 3 1 = 5 2x 3 − x 4 = 5 · 2 2 0 1 ∴µ= . 2 2 σ = V a r [Y ] =V a r [X 1 + X 2 + X 3 + X 4 + X 5 ] Z1 1 = 5V a r [X 1 ] = 5 (x − )2 · 6x (1 − x )d x 2 0 Z 1 1 1 =5 x2 −x + 6x (1 − x )d x = 5 · 4 20 0 ∴ σ2 =
3
1 = 0.25 4
[4.1.9] Misal X dan Y peubah acak dengan µ1 = 1, µ2 = 4, σ12 = 4, σ22 = 6, ρ = 21 . .Tentukan mean dan variansi dari Z = 3X − 2Y .. Jawab: µZ = E [Z ] = E [3X − 2Y ] = 3E [X ] − 2E [Y ] = 3µ1 − 2µ2 ∴ µZ = −5 σZ2
= V a r [Z ] = V a r [3X − 2Y ] = 32 V a r [X ] + (−2)2 V a r [Y ] + 2(3)(−2)cov (X , Y ) = 9σ12 + 4σ22 − 12ρ = 9 · 4 + 4 · 6 − 6 ∴ σZ2 = 54
copyright by M. Samy Baladram / 10108064
3
4.2 Konvergen dalam Peluang Key Points Teorema 4.2.3
.
Teorema 4.2.1
P
Misal X n −→ X dan a suatu konstanta. a Maka, a X n −→ X .
Misal {X n } barisan peubah acak iid dengan mean bersama µ dan variansi σ2 . Misal X n =
1 n
n P
X i . Maka
Teorema 4.2.4
i =1
P
Misal X n −→ a dan fungsi real g kontinu g di a . Maka, g (X n ) −→ (a ).
P
Xn − → µ.
Teorema 4.2.2 P
Teorema 4.2.5 P
P
4
P
Misal X n −→ X dan Yn −→ Y . Maka, X X n Yn − →Y.
Misal X n −→ X dan Yn −→ Y . Maka, P X n + Yn − →X +Y.
[4.2.2] Misal Yn peubah acak dengan distribusi b (n, p ). P a Tunjukkan Yn /n −→ p . P b Tunjukkan 1 − Yn /n −→ 1 − p P c Tunjukkan (Yn /n )(1 − Yn /n ) −→ p (1 − p ) . . Jawab: a Karena Yn berdistribusi b (n , p ), dapat dianggap Yn = X 1 + · · · + X n dengan X i berdistribusi b (1, p ) dengan µ = p . Berdasarkan Teorema P
Xn − → µX i
. Karena Yn /n = X n dan µX i = p maka terbukti P
Yn /n − → p. P
P
b Berdasarkan Teorema, karena 1 −→ 1 dan Yn /n −→ p maka P
1 − Yn /n − →1−p
c Berdasarkan Teorema 4.2.5, dan jawaban soal sebelumnya, maka didapat P
(Yn /n )(1 − Yn /n ) − → p (1 − p ) 5
[4.2.4 dan 4.2.5] Misal X 1 , · · · , X n adalah variabel acak yg i.i.d dengan pdf f (x ) =
e −(x −θ ) ,
x >θ
0,
lainnya
Misal Yn = min{X 1 , · · · , X n }. copyright by M. Samy Baladram / 10108064
4
a b c d
Tunjukkan Yn P θ − → Tentukan mean dari Yn Apakah Yn estimator tak-bias dari θ Tentukan estimator tak-bias untuk θ dengan memanfaatkan Yn .
. . Jawab: Karena Yn = min{X 1 , · · · , X n }, maka FYn (t ) = 1 − P(Yn ≥ t ) = 1 − P(X 1 ≥ t , · · · , X n ≥ t ) = 1 − [P(X i ≥ t )]n = 1 − [1 − P(X i ≤ t )]n n Zt n −(x −θ ) = 1 − 1 − e d x = 1 − 1 + e −(t −θ ) − e −(θ −θ ) θ
∴ FYn (t ) = 1 − e
−n(t −θ )
, t >θ
d f Yn (t ) = FY (t ) dt n ∴ f Yn (t ) = n e −n (t −θ ) , t > θ
a Akan dibuktikan lim P(|Yn − θ | ≥ ") = 0 untuk setiap " > 0. n→∞
P(|Yn − θ | ≥ ") = P(Yn − θ ≥ ") + P(Yn − θ ≤ −ε) = (1 − P(Yn ≤ θ + ε)) + P(Yn ≤ θ − ε) | {z } =0, karena (θ − ε) < θ = e −n (t −θ ) lim P(|Yn − θ | ≥ ") = lim e −n (t −θ ) = 0.
n→∞
n→∞
P
Jadi, terbukti Yn −→ θ . b Dengan menghitung ekspektasi Yn , Z
∞
E [Yn ] =
Z
∞
t n e −n (t −θ ) d t (menggunakan integral parsial)
t · f Yn (t )d t = θ
θ
∞ = n 2 t e −n(t −θ ) − n 3 e −n (t −θ ) θ = 0 − 0 + n 2θ + n 3 = n 2θ + n 3
Jadi, µYn = n 2 θ + n 3 . c Karena E [Yn ] = n 2 θ + n 3 6= θ , maka Yn adalah estimator bias bagi θ d Untuk mendapat estimator tak-bias maka perlu peubah acak Z n sehingga
copyright by M. Samy Baladram / 10108064
5
E [Z n ] = θ . Dari Yn , E [Yn ] = n 2 θ + n 3 1 (E [Yn ] − n 3 ) = θ n2 Yn − n 3 E =θ n2
Jadi, dapat dipilih Z n =
Yn − n 3 yang merupakan estimator tak-bias bagi θ . n2
4.3 Konvergen dalam Distribusi Key Points Teorema 4.3.7
.Teorema 4.3.1 P D Jika X n −→ X maka X n −→ X
Teorema 4.3.2 D
P
Jika X n −→ b , b konstan maka X n −→ b
Misal {X n } barisan peubah acak dan {X n } barisan peubah acak yang konvergen dalam peluang ke 0. Maka, P
X n Yn − →0
Teorema 4.3.3 D
P
Jika X n −→ X dan Yn −→ 0 maka
Teorema 4.3.8
D
X n + Yn − →X
Teorema 4.3.4 D
Jika X n −→ X dan g suatu fungsi kontinu D maka g (X n ) −→ g (X )
Misal YN adalah barisan peubah acak yang terbatas dalam peluang. Jika P X n = o p (Yn ), maka saat n → ∞, X n − → 0.
Teorema 4.3.5 (Teorema Slutsky)
Teorema 4.3.9
Misal X n , X , A n , B n adalah peubah D acak dan a , b konstan. Jika X n −→ X , P P An − → a , Bn − → b , maka
Misal {X n } barisan peubah acak sehingga
D
A n + Bn X n − → a +bX
p D n (X n − θ ) − → N (0, σ2 )
Misal fungsi g (x ) punya turunan di θ dan g 0 (θ ) 6= 0. Maka
Teorema 4.3.6 Misal {X n } barisan peubah acak dan X D suatu peubah acak. Jika X n −→ X , maka {X n } terbatas dalam peluang.
6
p D n g (X n ) − g (θ ) − → N (0, σ2 (g 0 (θ ))2 )
[4.3.2] Misal Y1 adalah statistik orde satu (yakni Y1 = min X 1 , · · · , X n ) dari peubah acak berukuran n dengan distribusi yang memiliki pdf f (x ) = e −(x −θ ) , x > θ , lainnya 0. Misal Z n = n (Y1 − θ ). Tentukan kemanakah kekonvergenan . distribusi Z n .. Jawab: copyright by M. Samy Baladram / 10108064
6
Seperti pada soal [4.2.4], FY1 (t ) = 1 − e −n (t −θ ), t >θ
lainnya 0. Maka, t FZ n (t ) = P(n (Y1 − θ ) ≤ t ) = P Y1 ≤ + θ n t
= 1 − e −n( n +θ −θ ) = 1 − e −t ∴ lim FZ n (t ) = 1 − e −t n →∞
Karena D
1 − e −t
merupakan cdf dari distribusi eksponensial dengan µ = 1 maka
Zn − → Exp(µ = 1). 7
[4.3.5] Misal pmf dari Yn adalah p n (y ) = 1, y = n , lainnya 0. Tunjukkan dis. tribusi Yn tidak konvergen kemanapun.. Jawab: Nilai cmf dari Yn dapat ditulis FYn (y ) =
0, 1,
y
Untuk n → ∞, lim FYn (y ) = 0, y < ∞
n →∞
Karena suatu distribusi tidak mungkin memiliki distribusi peluang 0 dimanapun maka distribusi Yn tidak konvergen kemanapun. 8
[4.3.8] Misal Z n adalah χ 2 (n ) dan Wn = Z n /n 2 . Tentukan kekonvergenan dis.tribusi Wn .. Jawab: mgf dari Z n adalah M Z n (t ) = (1 − 2t )−n/2 , t < 1/2. Maka, mgf dari Wn adalah t 2t −n/2 M Wn (t ) = E [e n 2 Z n ] = 1 − 2 n −n /2 −n /2 2t 2t −2t /n 2 = lim e lim M Wn (t ) = lim 1 − 2 −o n →∞ n →∞ n→∞ n n2 = lim e (−2t /n n →∞
2 )(−n /2)
= lim e t /n = 1 t →∞
Karena limitnya menuju 1, maka haruslah Wn berdistribusi 0 ( yakni tidak mungkin) sehingga Wn tidak menuju kemanapun. copyright by M. Samy Baladram / 10108064
7
9
[4.3.11] Misal Z n peubah acak berdistribusi Poisson dengan µ = n . Tunjukkan D .Y = (Z − n )/pn −→ N (0, 1).. n n Jawab: mgf dari Z n adalah adalah M Z n (t ) = e n(e M Yn (t ) = E [e =e
−t
p t ·(Z n −n)/ n
p n
lim M Yn (t ) = lim e
n →∞
E [e
t −1)
. Maka, mgf dari Yn adalah
] = E [e (t /
p (t / n)Z n
]=e
p p n )Z n −t n
−t
p n
e
n (e t /
]
p n −1)
p p −t n +n (e t / n −1)
n →∞
p p ln lim M Yn (t ) = lim −t n + n (e t / n − 1) n →∞ n →∞ p t = lim n e t / n − 1 − p n →∞ n p t t2 t = lim n 1 + p + + o(e t / n ) − 1 − p n →∞ n 2n n 2 p t2 t = lim + o(n e t / n ) = n →∞ 2 2 t 2 /2 ∴ lim M Yn (t ) = e n →∞
Karena e t 10
2 /2
D
merupakan mgf dari N (0, 1) maka terbukti Yn −→ N (0, 1).
[4.3.14] dan [4.3.15] Misal X n adalah rataan dari peubah acak berukuran n dari peubah acak Poisson dengan µ = 1.
p n(X n − µ) p p a Tunjukkan mgf dari Yn = = n (X n − 1) adalah exp[−t n + σ n (e t /n − 1)].
b Selidiki kemanakah kekonvergenan distribusi Yn saat n → ∞ p p c Dari sana, selidiki kemanakah kekonvergenan distribusi n ( X n − 1).
. . Jawab:
a mgf dari distribusi Poisson untuk peubah acak X i dengan µ = 1 adalah t M X i (t ) = e e −1 . Maka, mgf dari X n adalah M X n (t ) = E [e t X n ] = E [e (t /n ) = E [e
(t /n)X 1
= E [e
(t /n)X 1
= e n(e
t /n −1)
e
(t /n )X 2
] · E [e
Pn
i =1 X i
···e
]
(t /n )X n
(t /n )X 2
]
] · · · E [e (t /n )X n ] = (E [e (t /n)X i ])n
Jadi, mgf dari Yn adalah M Yn (t ) = E [e t
p n(X 1 −1)
p −t n
]
p t nXn
p
E [e ] = e −t n e n (e p p ∴ M Yn (t ) = exp[−t n + n (e t / n − 1)]. =e
(t
p n)/n −1)
copyright by M. Samy Baladram / 10108064
8
b Akan dicari kekonvergenan distribusinya dengan menggunakan mgf p p M Yn (t ) = exp −t n + n (e t / n − 1) p t t/ n = exp n e −1− p n p p t/ n ln lim M Yn (t ) = lim −t n + n (e − 1) n →∞ n →∞ p t = lim n e t / n − 1 − p n →∞ n p t t2 t = lim n 1 + p + + o(e t / n ) − 1 − p n →∞ n 2n n 2 p t2 t + o(n e t / n ) = = lim n →∞ 2 2 t 2 /2 ∴ lim M Yn (t ) = e n →∞
D
Karena e t /2 merupakan mgf dari N (0, 1) maka terbukti Yn −→ N (0, 1). p D c Karena Yn −→ N (0, 1) dan fungsi g (x ) = x punya untuk x > 0 (nilai g 0 (x ) = 1 p ), maka berdasarkan Teorema 4.3.9 2 x 2
p D n (X n − 1) − → N (0, 1) ⇒
11
p D n (g (X n ) − g (1)) − → N (0, 1 · [g 0 (1)]2 ) p p D ∴ n ( X n − 1) − → N (0, 1/4)
[4.3.16] dan [4.3.17]Misal X n adalah rata-rata dari sampel acak berukuran n dengan distribusi yang memiliki pdf f (x ) = e −x , 0 < x < ∞, lainnya 0. p a Tunjukkan mgf dari Yn = n (X n − 1) adalah p p −n p p M Yn (t ) = e t / n − (t / n )e t / n ,t< n
b Tentukan kekonvergenan distribusi Yn p 2 c [soal dimodifikasi] Tentukan kekonvergenan distribusi n (X n − 1) . . Jawab: a mgf dari X i , i = 1, · · · , n adalah ∞
Z M X i (t ) = E [e t X i ] =
etx ·exdx 0
b
Z
e (t −1)x d x = lim
= lim
b →∞
0
b →∞
1 1 e (t −1)b − e (t −1)0 t −1 t −1
copyright by M. Samy Baladram / 10108064
9
1 e (t −1)b b →∞ t −1
Agar lim
= 0, haruslah t < 1 sehingga M X i (t ) = 0 −
1 1 = , t −1 1−t
t <1
Dari sana, n M X n (t ) = E [e t X n ] = E [e (t /n)X i ] 1 , (t /n ) < 1 = 1 − (t /n )
akibatnya M Yn (t ) = E [e t
p n(X n −1)
] = e −t
p
p
E [e t n X ] p p 1 −t n =e , ((t / n )/n) < 1 p (1 − (t / n )/n ) −n p p t −t n =e , t/ n <1 1− p n p p −n p p ∴ M Yn (t ) = e t / n − (t / n )e t / n , t< n n
b Dengan menggunakan mgf, p p −n p lim M Yn (t ) = lim e t / n − (t / n )e t / n n →∞ n →∞ p p p −n t t2 t t2 = lim 1 + p + + o(e t / n ) − p − − o (t / n )e t / n ) n →∞ n n 2n n p p p −n t2 + o(e t / n ) − o (t / n )e t / n ) = lim 1 − n →∞ 2n −n t2 2 2 = lim 1 − = lim [e −t /2n − o(e −t /2n )]−n n →∞ n →∞ 2n = lim e (−t n →∞
2 /2n )(−n )
= et
2 /2
D
Karena e t /2 merupakan mgf dari N (0, 1) maka terbukti Yn −→ N (0, 1). D c Karena Yn −→ N (0, 1) dan fungsi g (x ) = x 2 punya turunan dimanapun (nilai g 0 (x ) = 2x ), maka berdasarkan Teorema 4.3.9 2
p D n (X n − 1) − → N (0, 1) ⇒
p D n (g (X n ) − g (1)) − → N (0, 1 · [g 0 (1)]2 ) p 2 D ∴ n (X n − 1) − → N (0, 4)
copyright by M. Samy Baladram / 10108064
10
4.4 Teorema Limit Pusat . .
Key Points
Teorema 4.4.1 Misal X 1 , X 2 , · · · X n adalah pengamatan dengan peubah acak yang memiliki mean µ dan variansi σ2 . Maka, p n (X n − µ) D − → N (0, 1) σ
12
[4.4.1] Misal X adalah rataan dari sampel acak berukuran 100 dengan distribusi .χ 2 (50). Hitung nilai hampiran P(49 < X < 51).. Jawab: Distribusi χ 2 (r ) memiliki µ = r dan σ2 = 2r sehingga χ 2 (50) memiliki µ = 50 dan σ2 = 100. Misal Z berdistribusi N (0, 1) maka p 100(X n − 50) D − →Z p 100
sehingga P(49 < X < 51) = P(X < 51) − P(X ≤ 49) ≈ P (Z ≤ 51 − 50) − P (Z ≤ 49 − 50) = P(Z ≤ 1) − P(Z ≤ −1) = 0.8413 − (1 − 0.8413) = 0.6826
Jadi, hampiran nilai P(49 < X < 51) adalah 0.6826. 13
[4.4.2] Misal X adalah mean dari sampel acak berukuran 128 berdistribusi gam.ma dengan α = 2 dan β = 4. hampiri nilai P(7 < X < 9).. Jawab: Distribusi gamma memiliki µ = αβ dan σ2 = αβ 2 sehingga Gamma(α = 2, β = 4) memiliki µ = 8 dan σ2 = 32. Misal Z berdistribusi N (0, 1) maka p 128(X n − 8) D − →Z p 32
sehingga P(7 < X < 9) = P(X < 9) − P(X ≤ 7) ≈ P (Z ≤ 2(9 − 8)) − P (Z ≤ 2(7 − 8)) = P(Z ≤ 2) − P(Z ≤ −2) = 0.9772 − (1 − 0.9772) = 0.9544.
copyright by M. Samy Baladram / 10108064
11
Jadi, hampiran nilai P(7 < X < 9) adalah 0.9544. 14
. [4.4.3] Misal Y adalah peubah acak b (72, 1/3). Hitung P(22 ≤ Y ≤ 28). Jawab: Distribusi binomial b (n , p ) memiliki µ = n p dan σ2 = n p (1 − p ) sehingga b (72, 1/3) memiliki µ = 25 dan σ2 = 26. Misal Z berdistribusi N (0, 1) maka Y − 24 D − →Z p 32
sehingga P(22 ≤ Y ≤ 28) = P(Y ≤ 27) − P(Y ≤ 21) 21 − 24 28 − 24 −P Z ≤ ≈P Z ≤ 4 4 = P(Z ≤ 1) − P(Z ≤ −0.75) = 0.8413 − 0.2266 = 0.6413
Jadi, hampiran nilai P(22 ≤ Y ≤ 28) adalah 0.6413. 15
. [4.4.7] Jika Y adalah b (100, 12 ), hampiri nilai P(Y = 50).. Jawab: Distribusi binomial b (1, p ) memiliki µ = p dan σ2 = p (1 − p ) sehingga Y ∼ b (100, 1/2) dapat dipandang sebagai Y = X 1 + · · · + X 100 dengan X i ∼ b (1, 1/2) yang memiliki µ = 1/2 dan σ2 = 1/4. Misal Z berdistribusi N (0, 1) maka p Y 100( 100 − 1/2) D − →Z p 1/4
sehingga P(Y = 50) = P(Y ≤ 50) − P(Y ≤ 49) ! ! p p 50 49 100( 100 − 1/2) 100( 100 − 1/2) ≈P Z ≤ −P Z ≤ p p 1/4 1/4 = P(Z ≤ 0) − P(Z ≤ −0.2) = 0.5000 − (1 − 5793) = 0.0793
Jadi, hampiran nilai P(Y = 50) adalah 0.0793.
copyright by M. Samy Baladram / 10108064
12