Teorema Newman Pearson
|
|
- Indra Wibowo
- 7 tahun lalu
- Tontonan:
Transkripsi
1 pengujian terbaik Andi Kresna Jaya Jurusan Matematika October 6, 2014
2 Outline 1 Review 2 Uji dua sisi untuk mean 3 Teorema Neyman-Pearson Back
3 Outline 1 Review 2 Uji dua sisi untuk mean 3 Teorema Neyman-Pearson Back
4 Outline 1 Review 2 Uji dua sisi untuk mean 3 Teorema Neyman-Pearson Back
5 Sasaran pembelajaran: Mampu memahami teorema Neyman Pearson dan konsep pengujian hipotesis 1 Kemampuan melakukan pengujian hipotesis dua sisi 2 Kemampuan menjelaskan daerah kritis terbaik Metode: Kuliah dan Diskusi Text book: Hogg dan Craig, Introduction to Mathematical Statistics; Casella dan Berger, Statistical Inference
6 opening If your experiment needs a statistician, you need a better experiment. Ernest Rutherford
7 Pada materi sebelumnya, telah dipelajari uji statistik yang hanya satu sisi. Misalkan akan dilakukan uji terhadap H 0 : µ = terhadap H 1 : µ > , dengan µ adalah mean distribusi normal dan standar deviasinya σ = Ini adalah satu sisi saja. Jika H 1 : µ 30, 000, maka pengujian yang dilakukan disebut uji dua sisi. Materi ini akan didahului tentang uji statistik dua sisi ini.
8 Pada materi sebelumnya, telah dipelajari uji statistik yang hanya satu sisi. Misalkan akan dilakukan uji terhadap H 0 : µ = terhadap H 1 : µ > , dengan µ adalah mean distribusi normal dan standar deviasinya σ = Ini adalah satu sisi saja. Jika H 1 : µ 30, 000, maka pengujian yang dilakukan disebut uji dua sisi. Materi ini akan didahului tentang uji statistik dua sisi ini.
9 Pada materi sebelumnya, telah dipelajari uji statistik yang hanya satu sisi. Misalkan akan dilakukan uji terhadap H 0 : µ = terhadap H 1 : µ > , dengan µ adalah mean distribusi normal dan standar deviasinya σ = Ini adalah satu sisi saja. Jika H 1 : µ 30, 000, maka pengujian yang dilakukan disebut uji dua sisi. Materi ini akan didahului tentang uji statistik dua sisi ini.
10 Pada materi sebelumnya, telah dipelajari uji statistik yang hanya satu sisi. Misalkan akan dilakukan uji terhadap H 0 : µ = terhadap H 1 : µ > , dengan µ adalah mean distribusi normal dan standar deviasinya σ = Ini adalah satu sisi saja. Jika H 1 : µ 30, 000, maka pengujian yang dilakukan disebut uji dua sisi. Materi ini akan didahului tentang uji statistik dua sisi ini.
11 large sample two-sided test for mean Misalkan X adalah peubah acak dengan mean µ dan variansi σ 2. Akan diuji hipotesi null H 0 : µ = µ 0 terhadap hipotesis alternatif H 1 : µ µ 0. Misalkan X 1, X 2,, X n sampel acak sehingga diperoleh X dan S 2 sebagai mean sampel dan variansi sampel. Jika terdapat suatu nilai h dan k sehingga X h atau X k, maka H 0 ditolak. Ini berarti untuk suatu nilai α α = P H0 ( X h atau X k) Karena ukuran sampel cukup besar, distribusi X berdistribusi secara simetri terhadap µ 0 dipengaruhi oleh H 0, sehingga secara intuisi α dibagi dua di sisi kiri dan kanan, yaitu P H0 ( X h) = α/2 dan P H0 ( X k) = α/2
12 large sample two-sided test for mean Misalkan X adalah peubah acak dengan mean µ dan variansi σ 2. Akan diuji hipotesi null H 0 : µ = µ 0 terhadap hipotesis alternatif H 1 : µ µ 0. Misalkan X 1, X 2,, X n sampel acak sehingga diperoleh X dan S 2 sebagai mean sampel dan variansi sampel. Jika terdapat suatu nilai h dan k sehingga X h atau X k, maka H 0 ditolak. Ini berarti untuk suatu nilai α α = P H0 ( X h atau X k) Karena ukuran sampel cukup besar, distribusi X berdistribusi secara simetri terhadap µ 0 dipengaruhi oleh H 0, sehingga secara intuisi α dibagi dua di sisi kiri dan kanan, yaitu P H0 ( X h) = α/2 dan P H0 ( X k) = α/2
13 large sample two-sided test for mean Misalkan X adalah peubah acak dengan mean µ dan variansi σ 2. Akan diuji hipotesi null H 0 : µ = µ 0 terhadap hipotesis alternatif H 1 : µ µ 0. Misalkan X 1, X 2,, X n sampel acak sehingga diperoleh X dan S 2 sebagai mean sampel dan variansi sampel. Jika terdapat suatu nilai h dan k sehingga X h atau X k, maka H 0 ditolak. Ini berarti untuk suatu nilai α α = P H0 ( X h atau X k) Karena ukuran sampel cukup besar, distribusi X berdistribusi secara simetri terhadap µ 0 dipengaruhi oleh H 0, sehingga secara intuisi α dibagi dua di sisi kiri dan kanan, yaitu P H0 ( X h) = α/2 dan P H0 ( X k) = α/2
14 large sample two-sided test for mean Misalkan X adalah peubah acak dengan mean µ dan variansi σ 2. Akan diuji hipotesi null H 0 : µ = µ 0 terhadap hipotesis alternatif H 1 : µ µ 0. Misalkan X 1, X 2,, X n sampel acak sehingga diperoleh X dan S 2 sebagai mean sampel dan variansi sampel. Jika terdapat suatu nilai h dan k sehingga X h atau X k, maka H 0 ditolak. Ini berarti untuk suatu nilai α α = P H0 ( X h atau X k) Karena ukuran sampel cukup besar, distribusi X berdistribusi secara simetri terhadap µ 0 dipengaruhi oleh H 0, sehingga secara intuisi α dibagi dua di sisi kiri dan kanan, yaitu P H0 ( X h) = α/2 dan P H0 ( X k) = α/2
15 large sample two-sided test for mean Misalkan X adalah peubah acak dengan mean µ dan variansi σ 2. Akan diuji hipotesi null H 0 : µ = µ 0 terhadap hipotesis alternatif H 1 : µ µ 0. Misalkan X 1, X 2,, X n sampel acak sehingga diperoleh X dan S 2 sebagai mean sampel dan variansi sampel. Jika terdapat suatu nilai h dan k sehingga X h atau X k, maka H 0 ditolak. Ini berarti untuk suatu nilai α α = P H0 ( X h atau X k) Karena ukuran sampel cukup besar, distribusi X berdistribusi secara simetri terhadap µ 0 dipengaruhi oleh H 0, sehingga secara intuisi α dibagi dua di sisi kiri dan kanan, yaitu P H0 ( X h) = α/2 dan P H0 ( X k) = α/2
16 Karena kekonsistenan dari S 2 ke σ 2, maka dibawah pengaruh H 0 diperoleh ( X µ 0 ) S/ n D N(0, 1). Maka bentuk itu akan memutuskan apakah H 0 ditolak atau tidak. H 0 ditolak (atau menerima H 1 ) jika ( X µ 0 ) S/ n z α/2. Aproksimasi fungsi kuasanya dinyatakan dalam bentuk ( K(µ) = P µ X µ 0 z α/2 σ/ n ) ( + P µ X µ 0 z α/2 σ/ n ) ( ) ( ) n(µ0 µ) n(µ0 µ) = Φ z σ α/2 + 1 Φ + z σ α/2
17 Karena kekonsistenan dari S 2 ke σ 2, maka dibawah pengaruh H 0 diperoleh ( X µ 0 ) S/ n D N(0, 1). Maka bentuk itu akan memutuskan apakah H 0 ditolak atau tidak. H 0 ditolak (atau menerima H 1 ) jika ( X µ 0 ) S/ n z α/2. Aproksimasi fungsi kuasanya dinyatakan dalam bentuk ( K(µ) = P µ X µ 0 z α/2 σ/ n ) ( + P µ X µ 0 z α/2 σ/ n ) ( ) ( ) n(µ0 µ) n(µ0 µ) = Φ z σ α/2 + 1 Φ + z σ α/2
18 Karena kekonsistenan dari S 2 ke σ 2, maka dibawah pengaruh H 0 diperoleh ( X µ 0 ) S/ n D N(0, 1). Maka bentuk itu akan memutuskan apakah H 0 ditolak atau tidak. H 0 ditolak (atau menerima H 1 ) jika ( X µ 0 ) S/ n z α/2. Aproksimasi fungsi kuasanya dinyatakan dalam bentuk ( K(µ) = P µ X µ 0 z α/2 σ/ n ) ( + P µ X µ 0 z α/2 σ/ n ) ( ) ( ) n(µ0 µ) n(µ0 µ) = Φ z σ α/2 + 1 Φ + z σ α/2
19 contoh 1 Misalkan X adalah lama pemakaian ban dalam 1000 mil berdistribusi normal dengan mean θ dan standar deviasi σ = 5. Pabrikan ban kemudian mengklaim bahwa produk ban milik mereka telah diproduksi menggunakan proses yang baru. Ujilah hipotesis H 0 : µ = 30 terhadap H 1 : µ 30 jika sampel ban yang diambil n = 20 dan taraf keberartiannya α = 0, 05. Tentukan aproksimasi fungsi kuasanya. Bandingkan jika taraf keberartiannya α = 0, 01. Aturan penolakan untuk kasus ini untuk α = 0, 05 adalah tolak H 0 jika ( X 30) S/ 20 1, 96. Nilai 1, 96 adalah nilai z 0,05/2 pada distribusi Normal standar sehingga 0, 975 = Φ(z 0,05/2 )
20 contoh 1 Misalkan X adalah lama pemakaian ban dalam 1000 mil berdistribusi normal dengan mean θ dan standar deviasi σ = 5. Pabrikan ban kemudian mengklaim bahwa produk ban milik mereka telah diproduksi menggunakan proses yang baru. Ujilah hipotesis H 0 : µ = 30 terhadap H 1 : µ 30 jika sampel ban yang diambil n = 20 dan taraf keberartiannya α = 0, 05. Tentukan aproksimasi fungsi kuasanya. Bandingkan jika taraf keberartiannya α = 0, 01. Aturan penolakan untuk kasus ini untuk α = 0, 05 adalah tolak H 0 jika ( X 30) S/ 20 1, 96. Nilai 1, 96 adalah nilai z 0,05/2 pada distribusi Normal standar sehingga 0, 975 = Φ(z 0,05/2 )
21 contoh 1 Misalkan X adalah lama pemakaian ban dalam 1000 mil berdistribusi normal dengan mean θ dan standar deviasi σ = 5. Pabrikan ban kemudian mengklaim bahwa produk ban milik mereka telah diproduksi menggunakan proses yang baru. Ujilah hipotesis H 0 : µ = 30 terhadap H 1 : µ 30 jika sampel ban yang diambil n = 20 dan taraf keberartiannya α = 0, 05. Tentukan aproksimasi fungsi kuasanya. Bandingkan jika taraf keberartiannya α = 0, 01. Aturan penolakan untuk kasus ini untuk α = 0, 05 adalah tolak H 0 jika ( X 30) S/ 20 1, 96. Nilai 1, 96 adalah nilai z 0,05/2 pada distribusi Normal standar sehingga 0, 975 = Φ(z 0,05/2 )
22 Aproksimasi fungsi kuasa untuk uji hipotesis ini adalah ( ) ( ) (30 µ) (30 µ) K 0,05 (µ) = Φ 1, Φ + 1, 96. 1, 118 1, 118 Sedangkan untuk α = 0, 01,aturan penolakan untuk kasus ini adalah tolak H 0 jika ( X 30) S/ 20 2, 575. Nilai 2, 575 adalah nilai z 0,01/2 pada distribusi Normal standar sehingga 0, 975 = Φ(z 0,05/2 ) Aproksimasi fungsi kuasa untuk uji hipotesis ini adalah ( ) ( ) (30 µ) (30 µ) K 0,01 (µ) = Φ 2, Φ + 2, , 118 1, 118
23 Aproksimasi fungsi kuasa untuk uji hipotesis ini adalah ( ) ( ) (30 µ) (30 µ) K 0,05 (µ) = Φ 1, Φ + 1, 96. 1, 118 1, 118 Sedangkan untuk α = 0, 01,aturan penolakan untuk kasus ini adalah tolak H 0 jika ( X 30) S/ 20 2, 575. Nilai 2, 575 adalah nilai z 0,01/2 pada distribusi Normal standar sehingga 0, 975 = Φ(z 0,05/2 ) Aproksimasi fungsi kuasa untuk uji hipotesis ini adalah ( ) ( ) (30 µ) (30 µ) K 0,01 (µ) = Φ 2, Φ + 2, , 118 1, 118
24 Aproksimasi fungsi kuasa untuk uji hipotesis ini adalah ( ) ( ) (30 µ) (30 µ) K 0,05 (µ) = Φ 1, Φ + 1, 96. 1, 118 1, 118 Sedangkan untuk α = 0, 01,aturan penolakan untuk kasus ini adalah tolak H 0 jika ( X 30) S/ 20 2, 575. Nilai 2, 575 adalah nilai z 0,01/2 pada distribusi Normal standar sehingga 0, 975 = Φ(z 0,05/2 ) Aproksimasi fungsi kuasa untuk uji hipotesis ini adalah ( ) ( ) (30 µ) (30 µ) K 0,01 (µ) = Φ 2, Φ + 2, , 118 1, 118
25 Aproksimasi fungsi kuasa untuk uji hipotesis ini adalah ( ) ( ) (30 µ) (30 µ) K 0,05 (µ) = Φ 1, Φ + 1, 96. 1, 118 1, 118 Sedangkan untuk α = 0, 01,aturan penolakan untuk kasus ini adalah tolak H 0 jika ( X 30) S/ 20 2, 575. Nilai 2, 575 adalah nilai z 0,01/2 pada distribusi Normal standar sehingga 0, 975 = Φ(z 0,05/2 ) Aproksimasi fungsi kuasa untuk uji hipotesis ini adalah ( ) ( ) (30 µ) (30 µ) K 0,01 (µ) = Φ 2, Φ + 2, , 118 1, 118
26 Perhatikan bahwa kurva fungsi kuasa di atas didasarkan pada distribusi Normal dengan variansi yang diberikan (σ = 5). Fungsi kuasa (aproksimasi) berdasar pada aturan penolakan H 0 adalah tolak H 0 jika ( X µ 0 ) S/ 20 z α/2.
27 Sejatinya, jika X berdistribusi normal, maka aturan penolakan H 0 : µ = µ 0 terhadap H 1 : µ µ 0 adalah tolak H 0 jika ( X µ 0 ) S/ 20 t α/2,n 1. Maka fungsi kuasa untuk kasus di atas harusnya didasarkan pada distribusi T. Untuk α = 0, 05 tolak H 0 jika ( X 30) 5/ 20 t 0,025,19 jika ( X 30) S/ 20 2, 093.
28 Sejatinya, jika X berdistribusi normal, maka aturan penolakan H 0 : µ = µ 0 terhadap H 1 : µ µ 0 adalah tolak H 0 jika ( X µ 0 ) S/ 20 t α/2,n 1. Maka fungsi kuasa untuk kasus di atas harusnya didasarkan pada distribusi T. Untuk α = 0, 05 tolak H 0 jika ( X 30) 5/ 20 t 0,025,19 jika ( X 30) S/ 20 2, 093.
29 Misalkan sampel acak diambil dari distribusi N(µ 1, σ 2 ) dan N(µ 2, σ 2 ). Jika ukuran sampel dari kedua distribusi adalah n 1 dan n 2. Mean dan variansi sampel pertama adalah X 1 dan S 2 1. Mean dan variansi sampel kedua adalah X 2 dan S 2 2. Perhatikan bahwa n = n 1 + n 2 adalah kombinasi ukuran sampel dan S 2 p = (n 1 1)S (n 2 1)S 2 2 n 1 + n 2 2 adalah bobot rata-rata variansi sampel S1 2 dengan S 2 2, yang merupakan penaksir tak bias untuk σ 2 Aturan penolakan H 0 : µ 1 = µ 2 terhadap H 1 : µ 1 µ 2 untuk taraf keberartian α, jika dan hanya jika ( X µ 0 ) S/ 20 t α/2,n 2.
30 Misalkan sampel acak diambil dari distribusi N(µ 1, σ 2 ) dan N(µ 2, σ 2 ). Jika ukuran sampel dari kedua distribusi adalah n 1 dan n 2. Mean dan variansi sampel pertama adalah X 1 dan S 2 1. Mean dan variansi sampel kedua adalah X 2 dan S 2 2. Perhatikan bahwa n = n 1 + n 2 adalah kombinasi ukuran sampel dan S 2 p = (n 1 1)S (n 2 1)S 2 2 n 1 + n 2 2 adalah bobot rata-rata variansi sampel S1 2 dengan S 2 2, yang merupakan penaksir tak bias untuk σ 2 Aturan penolakan H 0 : µ 1 = µ 2 terhadap H 1 : µ 1 µ 2 untuk taraf keberartian α, jika dan hanya jika ( X µ 0 ) S/ 20 t α/2,n 2.
31 Misalkan sampel acak diambil dari distribusi N(µ 1, σ 2 ) dan N(µ 2, σ 2 ). Jika ukuran sampel dari kedua distribusi adalah n 1 dan n 2. Mean dan variansi sampel pertama adalah X 1 dan S 2 1. Mean dan variansi sampel kedua adalah X 2 dan S 2 2. Perhatikan bahwa n = n 1 + n 2 adalah kombinasi ukuran sampel dan S 2 p = (n 1 1)S (n 2 1)S 2 2 n 1 + n 2 2 adalah bobot rata-rata variansi sampel S1 2 dengan S 2 2, yang merupakan penaksir tak bias untuk σ 2 Aturan penolakan H 0 : µ 1 = µ 2 terhadap H 1 : µ 1 µ 2 untuk taraf keberartian α, jika dan hanya jika ( X µ 0 ) S/ 20 t α/2,n 2.
32 Neyman-Pearson Pada materi ini akan dibahas pengujian hipotesis dengan daerah kritis terbaik. Misalkan X adalah peubah acak dengan fkp f (x; θ) di mana θ Ω. Jika Ω dapat dipartisi dalam 2 himpunan bagian ω 0 dan ω 1, sehingga nilai-nilai yang mungkin dari θ dapat terletak di salah satu himpunan bagian tersebut. Misalkan hipotesis H 0 : θ ω 0 dan H 1 : θ ω 1, pengujian hipotesis didasarkan pada sampel X 1, X 2,, X n yang diambil dari distribusi X. sebuah uji untuk hipotesis didasarkan pada sebuah daerah kritis, C sehingga aturan ujinya adalah Tolak H 0 jika (X 1, X 2,, X n ) C Terima H 0 jika (X 1, X 2,, X n ) C
33 Neyman-Pearson Pada materi ini akan dibahas pengujian hipotesis dengan daerah kritis terbaik. Misalkan X adalah peubah acak dengan fkp f (x; θ) di mana θ Ω. Jika Ω dapat dipartisi dalam 2 himpunan bagian ω 0 dan ω 1, sehingga nilai-nilai yang mungkin dari θ dapat terletak di salah satu himpunan bagian tersebut. Misalkan hipotesis H 0 : θ ω 0 dan H 1 : θ ω 1, pengujian hipotesis didasarkan pada sampel X 1, X 2,, X n yang diambil dari distribusi X. sebuah uji untuk hipotesis didasarkan pada sebuah daerah kritis, C sehingga aturan ujinya adalah Tolak H 0 jika (X 1, X 2,, X n ) C Terima H 0 jika (X 1, X 2,, X n ) C
34 Neyman-Pearson Pada materi ini akan dibahas pengujian hipotesis dengan daerah kritis terbaik. Misalkan X adalah peubah acak dengan fkp f (x; θ) di mana θ Ω. Jika Ω dapat dipartisi dalam 2 himpunan bagian ω 0 dan ω 1, sehingga nilai-nilai yang mungkin dari θ dapat terletak di salah satu himpunan bagian tersebut. Misalkan hipotesis H 0 : θ ω 0 dan H 1 : θ ω 1, pengujian hipotesis didasarkan pada sampel X 1, X 2,, X n yang diambil dari distribusi X. sebuah uji untuk hipotesis didasarkan pada sebuah daerah kritis, C sehingga aturan ujinya adalah Tolak H 0 jika (X 1, X 2,, X n ) C Terima H 0 jika (X 1, X 2,, X n ) C
35 Neyman-Pearson Pada materi ini akan dibahas pengujian hipotesis dengan daerah kritis terbaik. Misalkan X adalah peubah acak dengan fkp f (x; θ) di mana θ Ω. Jika Ω dapat dipartisi dalam 2 himpunan bagian ω 0 dan ω 1, sehingga nilai-nilai yang mungkin dari θ dapat terletak di salah satu himpunan bagian tersebut. Misalkan hipotesis H 0 : θ ω 0 dan H 1 : θ ω 1, pengujian hipotesis didasarkan pada sampel X 1, X 2,, X n yang diambil dari distribusi X. sebuah uji untuk hipotesis didasarkan pada sebuah daerah kritis, C sehingga aturan ujinya adalah Tolak H 0 jika (X 1, X 2,, X n ) C Terima H 0 jika (X 1, X 2,, X n ) C
36 Peluang terjadinya kesalahan tipe 1 adalah ukuran atau taraf keberartian untuk uji, α = max θ ω 0 P θ ((X 1,, X n ) C). Peluang ini menyatakan bahwa peluang bahwa (X 1,, X n ) C ketika θ ω 0 adalah parameter yang sebenarnya untuk distribusi. Peluang terjadinya kesalahan tipe 2 adalah peluang maksimum bahwa H 1 ditolak ketika θ C, K C (θ) = P θ ((X 1,, X n ) C), θ ω 1.
37 Peluang terjadinya kesalahan tipe 1 adalah ukuran atau taraf keberartian untuk uji, α = max θ ω 0 P θ ((X 1,, X n ) C). Peluang ini menyatakan bahwa peluang bahwa (X 1,, X n ) C ketika θ ω 0 adalah parameter yang sebenarnya untuk distribusi. Peluang terjadinya kesalahan tipe 2 adalah peluang maksimum bahwa H 1 ditolak ketika θ C, K C (θ) = P θ ((X 1,, X n ) C), θ ω 1.
38 contoh 1 Misalkan X adalah peubah acak distribusi binomial dengan n = 5 dan p = θ. Jika hipotesis untuk nilai θ adalah H 0 : θ = 1 2 dan H 1 : θ = 3 4. Tentukan daerah kritis untuk α = 1/32. Untuk menjawab ini, pertama akan ditampilan tabel nilai f ( x; 1 ( ) ( ) ( 2), f x; 3 4 dan rasio f x; 1 2 /f x; 3 4) untuk semua nilai x yang mungkin dari distribusi. x f ( x; 1 ) f ( x; 3 ) f (x; 1 2) f (x; 3 4)
39 contoh 1 Misalkan X adalah peubah acak distribusi binomial dengan n = 5 dan p = θ. Jika hipotesis untuk nilai θ adalah H 0 : θ = 1 2 dan H 1 : θ = 3 4. Tentukan daerah kritis untuk α = 1/32. Untuk menjawab ini, pertama akan ditampilan tabel nilai f ( x; 1 ( ) ( ) ( 2), f x; 3 4 dan rasio f x; 1 2 /f x; 3 4) untuk semua nilai x yang mungkin dari distribusi. x f ( x; 1 ) f ( x; 3 ) f (x; 1 2) f (x; 3 4)
40 Dari tabel,dapat dilihat bahwa untuk nilai α = 1/32 himpunan bagian dari nilai-nilai x yang mungkin hanya ada ada 2, yaitu A 1 = {x : x = 0} dan A 2 = {x : x = 5} sehingga P(A 1 ) = 1/32 dan P(A 2 ) = 1/32. Ini berarti hanya satu dari A 1 dari A 2 yang merupakan daerah kritis terbaik. Jika P(A 1 ; θ = 1/2) = 1 32 dan P(A 1 : θ = 3/4) = Sehingga dengan kondisi demikian, ketika A 1 dijadikan daerah kritis, maka peluang menolak H 0 ketika H 1 benar lebih kecil daripada peluang menolak H 0 ketika seharusnya H 0 benar. Jika P(A 2 ; θ = 1/2) = 1 32 dan P(A 2 : θ = 3/4) = Sehingga dengan kondisi demikian, ketika A 1 dijadikan daerah kritis, maka peluang menolak H 0 ketika H 1 benar lebih besar daripada peluang menolak H 0 ketika seharusnya H 0 benar. Maka daerah kritis terbaik adalah A 2.
41 Dari tabel,dapat dilihat bahwa untuk nilai α = 1/32 himpunan bagian dari nilai-nilai x yang mungkin hanya ada ada 2, yaitu A 1 = {x : x = 0} dan A 2 = {x : x = 5} sehingga P(A 1 ) = 1/32 dan P(A 2 ) = 1/32. Ini berarti hanya satu dari A 1 dari A 2 yang merupakan daerah kritis terbaik. Jika P(A 1 ; θ = 1/2) = 1 32 dan P(A 1 : θ = 3/4) = Sehingga dengan kondisi demikian, ketika A 1 dijadikan daerah kritis, maka peluang menolak H 0 ketika H 1 benar lebih kecil daripada peluang menolak H 0 ketika seharusnya H 0 benar. Jika P(A 2 ; θ = 1/2) = 1 32 dan P(A 2 : θ = 3/4) = Sehingga dengan kondisi demikian, ketika A 1 dijadikan daerah kritis, maka peluang menolak H 0 ketika H 1 benar lebih besar daripada peluang menolak H 0 ketika seharusnya H 0 benar. Maka daerah kritis terbaik adalah A 2.
42 Dari tabel,dapat dilihat bahwa untuk nilai α = 1/32 himpunan bagian dari nilai-nilai x yang mungkin hanya ada ada 2, yaitu A 1 = {x : x = 0} dan A 2 = {x : x = 5} sehingga P(A 1 ) = 1/32 dan P(A 2 ) = 1/32. Ini berarti hanya satu dari A 1 dari A 2 yang merupakan daerah kritis terbaik. Jika P(A 1 ; θ = 1/2) = 1 32 dan P(A 1 : θ = 3/4) = Sehingga dengan kondisi demikian, ketika A 1 dijadikan daerah kritis, maka peluang menolak H 0 ketika H 1 benar lebih kecil daripada peluang menolak H 0 ketika seharusnya H 0 benar. Jika P(A 2 ; θ = 1/2) = 1 32 dan P(A 2 : θ = 3/4) = Sehingga dengan kondisi demikian, ketika A 1 dijadikan daerah kritis, maka peluang menolak H 0 ketika H 1 benar lebih besar daripada peluang menolak H 0 ketika seharusnya H 0 benar. Maka daerah kritis terbaik adalah A 2.
43 Dari tabel,dapat dilihat bahwa untuk nilai α = 1/32 himpunan bagian dari nilai-nilai x yang mungkin hanya ada ada 2, yaitu A 1 = {x : x = 0} dan A 2 = {x : x = 5} sehingga P(A 1 ) = 1/32 dan P(A 2 ) = 1/32. Ini berarti hanya satu dari A 1 dari A 2 yang merupakan daerah kritis terbaik. Jika P(A 1 ; θ = 1/2) = 1 32 dan P(A 1 : θ = 3/4) = Sehingga dengan kondisi demikian, ketika A 1 dijadikan daerah kritis, maka peluang menolak H 0 ketika H 1 benar lebih kecil daripada peluang menolak H 0 ketika seharusnya H 0 benar. Jika P(A 2 ; θ = 1/2) = 1 32 dan P(A 2 : θ = 3/4) = Sehingga dengan kondisi demikian, ketika A 1 dijadikan daerah kritis, maka peluang menolak H 0 ketika H 1 benar lebih besar daripada peluang menolak H 0 ketika seharusnya H 0 benar. Maka daerah kritis terbaik adalah A 2.
44 Dari tabel,dapat dilihat bahwa untuk nilai α = 1/32 himpunan bagian dari nilai-nilai x yang mungkin hanya ada ada 2, yaitu A 1 = {x : x = 0} dan A 2 = {x : x = 5} sehingga P(A 1 ) = 1/32 dan P(A 2 ) = 1/32. Ini berarti hanya satu dari A 1 dari A 2 yang merupakan daerah kritis terbaik. Jika P(A 1 ; θ = 1/2) = 1 32 dan P(A 1 : θ = 3/4) = Sehingga dengan kondisi demikian, ketika A 1 dijadikan daerah kritis, maka peluang menolak H 0 ketika H 1 benar lebih kecil daripada peluang menolak H 0 ketika seharusnya H 0 benar. Jika P(A 2 ; θ = 1/2) = 1 32 dan P(A 2 : θ = 3/4) = Sehingga dengan kondisi demikian, ketika A 1 dijadikan daerah kritis, maka peluang menolak H 0 ketika H 1 benar lebih besar daripada peluang menolak H 0 ketika seharusnya H 0 benar. Maka daerah kritis terbaik adalah A 2.
45 Dari tabel,dapat dilihat bahwa untuk nilai α = 1/32 himpunan bagian dari nilai-nilai x yang mungkin hanya ada ada 2, yaitu A 1 = {x : x = 0} dan A 2 = {x : x = 5} sehingga P(A 1 ) = 1/32 dan P(A 2 ) = 1/32. Ini berarti hanya satu dari A 1 dari A 2 yang merupakan daerah kritis terbaik. Jika P(A 1 ; θ = 1/2) = 1 32 dan P(A 1 : θ = 3/4) = Sehingga dengan kondisi demikian, ketika A 1 dijadikan daerah kritis, maka peluang menolak H 0 ketika H 1 benar lebih kecil daripada peluang menolak H 0 ketika seharusnya H 0 benar. Jika P(A 2 ; θ = 1/2) = 1 32 dan P(A 2 : θ = 3/4) = Sehingga dengan kondisi demikian, ketika A 1 dijadikan daerah kritis, maka peluang menolak H 0 ketika H 1 benar lebih besar daripada peluang menolak H 0 ketika seharusnya H 0 benar. Maka daerah kritis terbaik adalah A 2.
46 Dari tabel,dapat dilihat bahwa untuk nilai α = 1/32 himpunan bagian dari nilai-nilai x yang mungkin hanya ada ada 2, yaitu A 1 = {x : x = 0} dan A 2 = {x : x = 5} sehingga P(A 1 ) = 1/32 dan P(A 2 ) = 1/32. Ini berarti hanya satu dari A 1 dari A 2 yang merupakan daerah kritis terbaik. Jika P(A 1 ; θ = 1/2) = 1 32 dan P(A 1 : θ = 3/4) = Sehingga dengan kondisi demikian, ketika A 1 dijadikan daerah kritis, maka peluang menolak H 0 ketika H 1 benar lebih kecil daripada peluang menolak H 0 ketika seharusnya H 0 benar. Jika P(A 2 ; θ = 1/2) = 1 32 dan P(A 2 : θ = 3/4) = Sehingga dengan kondisi demikian, ketika A 1 dijadikan daerah kritis, maka peluang menolak H 0 ketika H 1 benar lebih besar daripada peluang menolak H 0 ketika seharusnya H 0 benar. Maka daerah kritis terbaik adalah A 2.
47 contoh 2 Kasus yang sama di contoh 1, tentukan daerah kritisnya untuk α = 6/32. Misalkan bahwa H 0 benar, maka terdapat 4 himpunan bagian dari ruang sampel, yaitu B 1 = {x : x = 0, 1}, B 2 = {x : x = 0, 4}, B 3 = {x : x = 1, 5} dan B 4 = {x : x = 4, 5}, sehingga ukuran peluangnya Jika H 1 benar, maka peluang untuk masing-masing himpunan tersebut adalah P(B 1 ) < P(B 2 ) < P(B 3 ) < P(B 4 ) = Maka daerah kritis yang dipilih adalah B 4 = {x : x = 4, 5}. Dari contoh 1 dan 2, dapat diberikan kriteria sebuah daerah kritis terbaik.
48 contoh 2 Kasus yang sama di contoh 1, tentukan daerah kritisnya untuk α = 6/32. Misalkan bahwa H 0 benar, maka terdapat 4 himpunan bagian dari ruang sampel, yaitu B 1 = {x : x = 0, 1}, B 2 = {x : x = 0, 4}, B 3 = {x : x = 1, 5} dan B 4 = {x : x = 4, 5}, sehingga ukuran peluangnya Jika H 1 benar, maka peluang untuk masing-masing himpunan tersebut adalah P(B 1 ) < P(B 2 ) < P(B 3 ) < P(B 4 ) = Maka daerah kritis yang dipilih adalah B 4 = {x : x = 4, 5}. Dari contoh 1 dan 2, dapat diberikan kriteria sebuah daerah kritis terbaik.
49 contoh 2 Kasus yang sama di contoh 1, tentukan daerah kritisnya untuk α = 6/32. Misalkan bahwa H 0 benar, maka terdapat 4 himpunan bagian dari ruang sampel, yaitu B 1 = {x : x = 0, 1}, B 2 = {x : x = 0, 4}, B 3 = {x : x = 1, 5} dan B 4 = {x : x = 4, 5}, sehingga ukuran peluangnya Jika H 1 benar, maka peluang untuk masing-masing himpunan tersebut adalah P(B 1 ) < P(B 2 ) < P(B 3 ) < P(B 4 ) = Maka daerah kritis yang dipilih adalah B 4 = {x : x = 4, 5}. Dari contoh 1 dan 2, dapat diberikan kriteria sebuah daerah kritis terbaik.
50 contoh 2 Kasus yang sama di contoh 1, tentukan daerah kritisnya untuk α = 6/32. Misalkan bahwa H 0 benar, maka terdapat 4 himpunan bagian dari ruang sampel, yaitu B 1 = {x : x = 0, 1}, B 2 = {x : x = 0, 4}, B 3 = {x : x = 1, 5} dan B 4 = {x : x = 4, 5}, sehingga ukuran peluangnya Jika H 1 benar, maka peluang untuk masing-masing himpunan tersebut adalah P(B 1 ) < P(B 2 ) < P(B 3 ) < P(B 4 ) = Maka daerah kritis yang dipilih adalah B 4 = {x : x = 4, 5}. Dari contoh 1 dan 2, dapat diberikan kriteria sebuah daerah kritis terbaik.
51 contoh 2 Kasus yang sama di contoh 1, tentukan daerah kritisnya untuk α = 6/32. Misalkan bahwa H 0 benar, maka terdapat 4 himpunan bagian dari ruang sampel, yaitu B 1 = {x : x = 0, 1}, B 2 = {x : x = 0, 4}, B 3 = {x : x = 1, 5} dan B 4 = {x : x = 4, 5}, sehingga ukuran peluangnya Jika H 1 benar, maka peluang untuk masing-masing himpunan tersebut adalah P(B 1 ) < P(B 2 ) < P(B 3 ) < P(B 4 ) = Maka daerah kritis yang dipilih adalah B 4 = {x : x = 4, 5}. Dari contoh 1 dan 2, dapat diberikan kriteria sebuah daerah kritis terbaik.
52 Definisi 1 Misalkan C adalah himpunan bagian dari ruang sampel A. C adalah daerah kritis terbaik dari ukuran α untuk uji hipotesis sederhana, H 0 : θ = θ 0 terhadap hipotesis alternatif (sederhana), H 1 : θ = θ 1, jika berlaku P θ0 ((X 1, X 2,, X n ) C) = α A A berlaku P θ0 ((X 1, X 2,, X n ) A) = α maka P θ1 ((X 1, X 2,, X n ) C) P θ1 ((X 1, X 2,, X n ) A). Misalkan X 1, X 2,, X n sampel acak berukuran n Z + dari distribusi peluang yang fkp-nya f (x; θ). Fungsi likelihood untuk X 1, X 2,, X n adalah L(θ; x 1,, x n ) = n f (x i ; θ) i=1
53 teorema Neyman-Pearson Teorema 1 Jika Ω = {θ 0, θ 1 }, k bilangan positif, dan C himpunan bagian dari ruang sampel sehingga L(θ 0 ;x 1,,x n) L(θ 1 ;x 1,,x n) k, (x 1,, x n ) C L(θ 0 ;x 1,,x n) L(θ 1 ;x 1,,x n) k, (x 1,, x n ) C α = P ((X 1, X 2,, X n ) C). Maka C adalah daerah kritis terbaik untuk taraf keberartian α dari uji hipotesis sederhana H 0 : θ = θ 0 dan H 1 : θ = θ 1.
54 contoh 3 Misalkan X 1, X 2,, X n sampel acak dari distribusi N(θ, 1). Jika hipotesis sederhana yang akan diuji adalah H 0 : θ = 0 vs H 1 : θ = 1. Tentukan daerah kritis terbaik untuk taraf keberartian α. Karena distribusinya normal dengan mean θ dan variansi σ 2 = 1, maka fkp-nya adalah f (x; θ) = 1 2π exp ( ) (x θ)2, < x <. 2 Bentuk fungsi likelihoodnya adalah ( ) 1 n ( L(θ; x 1, x 2,, x n ) = exp 2π untuk < x i <, i = 1, 2,, n. n i=1 (x i θ) 2 2 ),
55 contoh 3 Misalkan X 1, X 2,, X n sampel acak dari distribusi N(θ, 1). Jika hipotesis sederhana yang akan diuji adalah H 0 : θ = 0 vs H 1 : θ = 1. Tentukan daerah kritis terbaik untuk taraf keberartian α. Karena distribusinya normal dengan mean θ dan variansi σ 2 = 1, maka fkp-nya adalah f (x; θ) = 1 2π exp ( ) (x θ)2, < x <. 2 Bentuk fungsi likelihoodnya adalah ( ) 1 n ( L(θ; x 1, x 2,, x n ) = exp 2π untuk < x i <, i = 1, 2,, n. n i=1 (x i θ) 2 2 ),
56 contoh 3 Misalkan X 1, X 2,, X n sampel acak dari distribusi N(θ, 1). Jika hipotesis sederhana yang akan diuji adalah H 0 : θ = 0 vs H 1 : θ = 1. Tentukan daerah kritis terbaik untuk taraf keberartian α. Karena distribusinya normal dengan mean θ dan variansi σ 2 = 1, maka fkp-nya adalah f (x; θ) = 1 2π exp ( ) (x θ)2, < x <. 2 Bentuk fungsi likelihoodnya adalah ( ) 1 n ( L(θ; x 1, x 2,, x n ) = exp 2π untuk < x i <, i = 1, 2,, n. n i=1 (x i θ) 2 2 ),
57 Maka L(0; x 1, x 2,, x n ) L(1; x 1, x 2,, x n ) = ( exp ( exp ) n i=1 x2 i 2 n i=1 (x i 1) 2 atau dapat ditulis menjadi ( L(0; x 1, x 2,, x n ) n L(1; x 1, x 2,, x n ) = exp i=1 x i 2 + n 2 2 ) i=1 (x i 1) 2 Jika k > 0, sehingga untuk semua titik (x 1, x 2,, x n ) berlaku ( ) n exp x i + n k, 2 i=1 maka himpunan semua titik (x 1, x 2,, x n ) yang memenuhi bentuk tersebut adalah daerah kritis terbaik. ).
58 Maka L(0; x 1, x 2,, x n ) L(1; x 1, x 2,, x n ) = ( exp ( exp ) n i=1 x2 i 2 n i=1 (x i 1) 2 atau dapat ditulis menjadi ( L(0; x 1, x 2,, x n ) n L(1; x 1, x 2,, x n ) = exp i=1 x i 2 + n 2 2 ) i=1 (x i 1) 2 Jika k > 0, sehingga untuk semua titik (x 1, x 2,, x n ) berlaku ( ) n exp x i + n k, 2 i=1 maka himpunan semua titik (x 1, x 2,, x n ) yang memenuhi bentuk tersebut adalah daerah kritis terbaik. ).
59 Maka L(0; x 1, x 2,, x n ) L(1; x 1, x 2,, x n ) = ( exp ( exp ) n i=1 x2 i 2 n i=1 (x i 1) 2 atau dapat ditulis menjadi ( L(0; x 1, x 2,, x n ) n L(1; x 1, x 2,, x n ) = exp i=1 x i 2 + n 2 2 ) i=1 (x i 1) 2 Jika k > 0, sehingga untuk semua titik (x 1, x 2,, x n ) berlaku ( ) n exp x i + n k, 2 i=1 maka himpunan semua titik (x 1, x 2,, x n ) yang memenuhi bentuk tersebut adalah daerah kritis terbaik. ).
60 Maka L(0; x 1, x 2,, x n ) L(1; x 1, x 2,, x n ) = ( exp ( exp ) n i=1 x2 i 2 n i=1 (x i 1) 2 atau dapat ditulis menjadi ( L(0; x 1, x 2,, x n ) n L(1; x 1, x 2,, x n ) = exp i=1 x i 2 + n 2 2 ) i=1 (x i 1) 2 Jika k > 0, sehingga untuk semua titik (x 1, x 2,, x n ) berlaku ( ) n exp x i + n k, 2 i=1 maka himpunan semua titik (x 1, x 2,, x n ) yang memenuhi bentuk tersebut adalah daerah kritis terbaik. ).
61 Bentuk exp ( x i + n 2) k ekuivalen dengan dengan x = x i /n. x 1 2 ln k n = c, Jadi daerah kritis terbaik untuk kasus ini dapat dinyatakan sebagai C = {(x 1, x 2,, x n ) : x c}. Uji hipotesisnya dapat didasarkan pada statistik X. Jika x > c, H 0 ditolak untuk taraf keberartian α. Peluang penolakan H 0, ketika H 0 benar adalah α. Jika x < c, H 0 diterima. Peluang menolak H 0 ketika H 0 salah adalah nilai kuasa untuk uji ketika θ = 1.
62 Bentuk exp ( x i + n 2) k ekuivalen dengan dengan x = x i /n. x 1 2 ln k n = c, Jadi daerah kritis terbaik untuk kasus ini dapat dinyatakan sebagai C = {(x 1, x 2,, x n ) : x c}. Uji hipotesisnya dapat didasarkan pada statistik X. Jika x > c, H 0 ditolak untuk taraf keberartian α. Peluang penolakan H 0, ketika H 0 benar adalah α. Jika x < c, H 0 diterima. Peluang menolak H 0 ketika H 0 salah adalah nilai kuasa untuk uji ketika θ = 1.
63 Bentuk exp ( x i + n 2) k ekuivalen dengan dengan x = x i /n. x 1 2 ln k n = c, Jadi daerah kritis terbaik untuk kasus ini dapat dinyatakan sebagai C = {(x 1, x 2,, x n ) : x c}. Uji hipotesisnya dapat didasarkan pada statistik X. Jika x > c, H 0 ditolak untuk taraf keberartian α. Peluang penolakan H 0, ketika H 0 benar adalah α. Jika x < c, H 0 diterima. Peluang menolak H 0 ketika H 0 salah adalah nilai kuasa untuk uji ketika θ = 1.
64 Bentuk exp ( x i + n 2) k ekuivalen dengan dengan x = x i /n. x 1 2 ln k n = c, Jadi daerah kritis terbaik untuk kasus ini dapat dinyatakan sebagai C = {(x 1, x 2,, x n ) : x c}. Uji hipotesisnya dapat didasarkan pada statistik X. Jika x > c, H 0 ditolak untuk taraf keberartian α. Peluang penolakan H 0, ketika H 0 benar adalah α. Jika x < c, H 0 diterima. Peluang menolak H 0 ketika H 0 salah adalah nilai kuasa untuk uji ketika θ = 1.
65 Bentuk exp ( x i + n 2) k ekuivalen dengan dengan x = x i /n. x 1 2 ln k n = c, Jadi daerah kritis terbaik untuk kasus ini dapat dinyatakan sebagai C = {(x 1, x 2,, x n ) : x c}. Uji hipotesisnya dapat didasarkan pada statistik X. Jika x > c, H 0 ditolak untuk taraf keberartian α. Peluang penolakan H 0, ketika H 0 benar adalah α. Jika x < c, H 0 diterima. Peluang menolak H 0 ketika H 0 salah adalah nilai kuasa untuk uji ketika θ = 1.
66 Bentuk exp ( x i + n 2) k ekuivalen dengan dengan x = x i /n. x 1 2 ln k n = c, Jadi daerah kritis terbaik untuk kasus ini dapat dinyatakan sebagai C = {(x 1, x 2,, x n ) : x c}. Uji hipotesisnya dapat didasarkan pada statistik X. Jika x > c, H 0 ditolak untuk taraf keberartian α. Peluang penolakan H 0, ketika H 0 benar adalah α. Jika x < c, H 0 diterima. Peluang menolak H 0 ketika H 0 salah adalah nilai kuasa untuk uji ketika θ = 1.
67 Peluang/nilai kuasa-nya dinyatakan P( X c; H 1 ) = c ) 1 n( x 1)2 exp ( d x. 2π/n 2 Sebagai contoh, jika n = 25 dan α = 0.05, maka diperoleh nilai c = z 0,05 1/25 = 1, 645/5 = 0, 329. Sehingga nilai kuasa untuk H 1 benar adalah ) 1 25( x 1)2 P( X 0, 329; H 1 ) = exp ( d x 0,329 2π/25 2 ( ) 0, = 1 Φ 1/5 = 1 0, = 0,
68 Peluang/nilai kuasa-nya dinyatakan P( X c; H 1 ) = c ) 1 n( x 1)2 exp ( d x. 2π/n 2 Sebagai contoh, jika n = 25 dan α = 0.05, maka diperoleh nilai c = z 0,05 1/25 = 1, 645/5 = 0, 329. Sehingga nilai kuasa untuk H 1 benar adalah ) 1 25( x 1)2 P( X 0, 329; H 1 ) = exp ( d x 0,329 2π/25 2 ( ) 0, = 1 Φ 1/5 = 1 0, = 0,
69 Peluang/nilai kuasa-nya dinyatakan P( X c; H 1 ) = c ) 1 n( x 1)2 exp ( d x. 2π/n 2 Sebagai contoh, jika n = 25 dan α = 0.05, maka diperoleh nilai c = z 0,05 1/25 = 1, 645/5 = 0, 329. Sehingga nilai kuasa untuk H 1 benar adalah ) 1 25( x 1)2 P( X 0, 329; H 1 ) = exp ( d x 0,329 2π/25 2 ( ) 0, = 1 Φ 1/5 = 1 0, = 0,
70 Teorema Neyman-Pearson ini juga dapat diterapkan pada pengujian bentuk distribusi. Jika H 0 adalah hipotesis sederhana bahwa fkp bersama adalah g(x 1, x 2,, x n ) dan H 1 adalah fkp bersama h(x 1, x 2,, x n ), maka daerah kritis terbaik C untuk taraf keberartian α pada uji hipotesis H 0 dengan H 1 memenuhi syarat: g(x 1,x 2,,x n) h(x 1,x 2,,x n) k, (x 1,, x n ) C g(x 1,x 2,,x n) h(x 1,x 2,,x n) k, (x 1,, x n ) C α = P ((X 1, X 2,, X n ) C). Berikut adalah sebuah contoh.
71 Teorema Neyman-Pearson ini juga dapat diterapkan pada pengujian bentuk distribusi. Jika H 0 adalah hipotesis sederhana bahwa fkp bersama adalah g(x 1, x 2,, x n ) dan H 1 adalah fkp bersama h(x 1, x 2,, x n ), maka daerah kritis terbaik C untuk taraf keberartian α pada uji hipotesis H 0 dengan H 1 memenuhi syarat: g(x 1,x 2,,x n) h(x 1,x 2,,x n) k, (x 1,, x n ) C g(x 1,x 2,,x n) h(x 1,x 2,,x n) k, (x 1,, x n ) C α = P ((X 1, X 2,, X n ) C). Berikut adalah sebuah contoh.
72 Teorema Neyman-Pearson ini juga dapat diterapkan pada pengujian bentuk distribusi. Jika H 0 adalah hipotesis sederhana bahwa fkp bersama adalah g(x 1, x 2,, x n ) dan H 1 adalah fkp bersama h(x 1, x 2,, x n ), maka daerah kritis terbaik C untuk taraf keberartian α pada uji hipotesis H 0 dengan H 1 memenuhi syarat: g(x 1,x 2,,x n) h(x 1,x 2,,x n) k, (x 1,, x n ) C g(x 1,x 2,,x n) h(x 1,x 2,,x n) k, (x 1,, x n ) C α = P ((X 1, X 2,, X n ) C). Berikut adalah sebuah contoh.
73 contoh 4 Misalkan X 1, X 2,, X n sampel acak dari sebuah fkp f(x) yang positif untuk nilai-nilai x adalah bilangan bulat tak negatif. Jika hipotesis sederhana yang akan diuji adalah melawan hipotesis sederhana H 0 : f (x) = e 1, x = 0, 1, 2,, x! H 1 : f (x) = ( ) 1 x+1, x = 0, 1, 2,. 2 Tentukan daerah kritis terbaik untuk taraf keberartian α.
74 contoh 4 Misalkan X 1, X 2,, X n sampel acak dari sebuah fkp f(x) yang positif untuk nilai-nilai x adalah bilangan bulat tak negatif. Jika hipotesis sederhana yang akan diuji adalah melawan hipotesis sederhana H 0 : f (x) = e 1, x = 0, 1, 2,, x! H 1 : f (x) = ( ) 1 x+1, x = 0, 1, 2,. 2 Tentukan daerah kritis terbaik untuk taraf keberartian α.
75 Misalkan kondisi H 0 benar, maka fkp bersama X 1, X 2,, X n adalah g(x 1,, x n ) = e n x 1!x 2! x n!, x i = 0, 1, 2,, i = 1, 2,, n Misalkan kondisi H 1 benar, maka fkp bersama X 1, X 2,, X n adalah ( ) 1 n+ xi h(x 1,, x n ) =, x i = 0, 1, 2,, i = 1, 2,, n. 2 Maka rasio fkp bersama dari dua kondisi adalah ( g 2e 1 ) n 2 xi h = x 1!x 2! x n! untuk x i = 0, 1, 2,, i = 1, 2,, n.
76 Misalkan kondisi H 0 benar, maka fkp bersama X 1, X 2,, X n adalah g(x 1,, x n ) = e n x 1!x 2! x n!, x i = 0, 1, 2,, i = 1, 2,, n Misalkan kondisi H 1 benar, maka fkp bersama X 1, X 2,, X n adalah ( ) 1 n+ xi h(x 1,, x n ) =, x i = 0, 1, 2,, i = 1, 2,, n. 2 Maka rasio fkp bersama dari dua kondisi adalah ( g 2e 1 ) n 2 xi h = x 1!x 2! x n! untuk x i = 0, 1, 2,, i = 1, 2,, n.
77 Misalkan kondisi H 0 benar, maka fkp bersama X 1, X 2,, X n adalah g(x 1,, x n ) = e n x 1!x 2! x n!, x i = 0, 1, 2,, i = 1, 2,, n Misalkan kondisi H 1 benar, maka fkp bersama X 1, X 2,, X n adalah ( ) 1 n+ xi h(x 1,, x n ) =, x i = 0, 1, 2,, i = 1, 2,, n. 2 Maka rasio fkp bersama dari dua kondisi adalah ( g 2e 1 ) n 2 xi h = x 1!x 2! x n! untuk x i = 0, 1, 2,, i = 1, 2,, n.
78 Jika k > 0, dan g/h k untuk (x 1, x 2,, x n ) C, maka ( n ) ( n ) x i log 2 log (x i )! log k n log 2e 1 = c. i=1 i=1 Maka daerah kritis terbaik C dapat dinyatakan { ( n ) ( n ) } C = (x 1, x 2,, x n ) : x i log 2 log (x i )! c. i=1 i=1 Jadi, misalkan untuk n = 1 dan k = 1, maka daerah kritis terbaiknya adalah C = {x : x = 0, 3, 4, 5, } Kuasa untuk uji ketika H 0 benar adalah P(X C : H 0 ) = 1 P(X = 1, 2 : H 0 ) = 1 (0, , 184) = 0, 448
79 Jika k > 0, dan g/h k untuk (x 1, x 2,, x n ) C, maka ( n ) ( n ) x i log 2 log (x i )! log k n log 2e 1 = c. i=1 i=1 Maka daerah kritis terbaik C dapat dinyatakan { ( n ) ( n ) } C = (x 1, x 2,, x n ) : x i log 2 log (x i )! c. i=1 i=1 Jadi, misalkan untuk n = 1 dan k = 1, maka daerah kritis terbaiknya adalah C = {x : x = 0, 3, 4, 5, } Kuasa untuk uji ketika H 0 benar adalah P(X C : H 0 ) = 1 P(X = 1, 2 : H 0 ) = 1 (0, , 184) = 0, 448
80 Jika k > 0, dan g/h k untuk (x 1, x 2,, x n ) C, maka ( n ) ( n ) x i log 2 log (x i )! log k n log 2e 1 = c. i=1 i=1 Maka daerah kritis terbaik C dapat dinyatakan { ( n ) ( n ) } C = (x 1, x 2,, x n ) : x i log 2 log (x i )! c. i=1 i=1 Jadi, misalkan untuk n = 1 dan k = 1, maka daerah kritis terbaiknya adalah C = {x : x = 0, 3, 4, 5, } Kuasa untuk uji ketika H 0 benar adalah P(X C : H 0 ) = 1 P(X = 1, 2 : H 0 ) = 1 (0, , 184) = 0, 448
81 Jika k > 0, dan g/h k untuk (x 1, x 2,, x n ) C, maka ( n ) ( n ) x i log 2 log (x i )! log k n log 2e 1 = c. i=1 i=1 Maka daerah kritis terbaik C dapat dinyatakan { ( n ) ( n ) } C = (x 1, x 2,, x n ) : x i log 2 log (x i )! c. i=1 i=1 Jadi, misalkan untuk n = 1 dan k = 1, maka daerah kritis terbaiknya adalah C = {x : x = 0, 3, 4, 5, } Kuasa untuk uji ketika H 0 benar adalah P(X C : H 0 ) = 1 P(X = 1, 2 : H 0 ) = 1 (0, , 184) = 0, 448
82 Kuasa untuk uji ketika H 1 benar adalah P(X C : H 1 ) = 1 P(X = 1, 2 : H 1 ) = 1 ( ) = 0, 625
83 Closing If your experiment needs a statistician, you need a better experiment. Ernest Rutherford
Teorema Limit Pusat dan Limit Distribusi
pendekatan dengan kasus Andi Kresna Jaya andikresna@yahoo.com Jurusan Matematika September 22, 2014 Outline 1 Review 2 Teorema Limit Pusat 3 Teorema Limit Distribusi Back Outline 1 Review 2 Teorema Limit
Lebih terperinciModel Poisson. Inferensi likelihood. Andi Kresna Jaya November 19, Jurusan Matematika
Review Poisson dengan overdispersi Inferensi likelihood Andi Kresna Jaya andikresna@yahoo.com Jurusan Matematika November 19, 2014 Review Poisson dengan overdispersi Outline 1 Review 2 3 Poisson dengan
Lebih terperinciPengantar Statistika Matematika II
Bab 6: Statistika FMIPA Universitas Islam Indonesia Inferensi Statistik Pendahuluan Inferensi Statistik Inferensi statistik adalah metode untuk menarik kesimpulan mengenai suatu populasi. Inferensi statistik
Lebih terperinciUji Hipotesis dan Aturan Keputusan
Uji Hipotesis dan Aturan Keputusan oleh: Khreshna Syuhada, PhD. 1. Pendahuluan Pada perkuliahan tingkat 2, telah dikenalkan masalah uji hipotesis sebagai berikut: Seorang peneliti memberikan klaim bahwa
Lebih terperinciPenentuan Daerah Kritis Terbaik dengan Teorema Neyman- Pearson
Vol. 6, No.1, 44-48, Juli 2009 Penentuan Daerah Kritis Terbaik dengan Teorema Neyman- Pearson Georgina M. Tinungki Abstrak Terdapat beberapa metode untuk membangun uji statistik yang baik, diantaranya
Lebih terperinciPengantar Statistika Matematika II
Pengantar Statistika Matematika II Distribusi Sampling Atina Ahdika, S.Si., M.Si. Prodi Statistika FMIPA Universitas Islam Indonesia March 20, 2017 atinaahdika.com Bila sampling berasal dari populasi yang
Lebih terperinciPengantar Statistika Matematika II
Bab 3: Statistika FMIPA Universitas Islam Indonesia Bila sampling berasal dari populasi yang digambarkan melalui fungsi peluang f X (x θ), pengetahuan tentang θ menghasilkan karakteristik mengenai keseluruhan
Lebih terperinciSTATISTIKA. Muhamad Nursalman Pendilkom/Ilkom UPI
STATISTIKA Muhamad Nursalman Pendilkom/Ilkom UPI 1 Daftar Isi Bab 1 Peluang Bab Peubah Acak Bab 3 Distribusi Peluang Diskret Bab 4 Distribusi Peluang Kontinu Bab 5 Fungsi Peubah Acak Bab 6 Teori Penaksiran
Lebih terperinciMA3081 STATISTIKA MATEMATIK(A) Bab 2: Distribusi Samp
MA3081 STATISTIKA MATEMATIK(A) Bab 2: We love Statistics Pengantar Parameter adalah... ...suatu karakteristik dari populasi. Statistik adalah... ...suatu karakteristik dari sampel. Statistik adalah fungsi
Lebih terperinciPengantar Statistika Matematika II
Bab 2: Sifat-Sifat Estimator Statistika FMIPA Universitas Islam Indonesia Statistik Cukup Dalam kondisi real, kita tidak mengetahui parameter dari populasi data yang akan kita teliti Informasi dalam sampel
Lebih terperinciMA5283 STATISTIKA Bab 3 Inferensi Untuk Mean
MA5283 STATISTIKA Bab 3 Inferensi Untuk Mean Orang Cerdas Belajar Statistika Silabus Silabus dan Tujuan Peubah acak kontinu, distribusi dan Tabel normal, penaksiran titik dan selang, uji hipotesis untuk
Lebih terperinciPengantar Statistika Matematika II
Pengantar a Matematika II - Estimator Atina Ahdika, S.Si., M.Si. Prodi a FMIPA Universitas Islam Indonesia April 17, 2017 atinaahdika.com Dalam kondisi real, kita tidak mengetahui parameter dari populasi
Lebih terperinciPengantar Statistika Matematika II
Bab 1: a FMIPA Universitas Islam Indonesia Parameter adalah karakteristik dari populasi (misal θ) adalah karakteristik dari sampel Akan dibahas konsep statistik dan distribusi sampling Parameter Misalkan
Lebih terperinciPengantar Statistika Matematika II
Pengantar a Matematika II Atina Ahdika, S.Si., M.Si. Prodi a FMIPA Universitas Islam Indonesia March 20, 2017 atinaahdika.com t F Parameter adalah karakteristik dari populasi (misal θ) adalah karakteristik
Lebih terperinciBAB II KAJIAN PUSTAKA
4 BAB II KAJIAN PUSTAKA Pada sub bab ini akan diberikan beberapa definisi dan teori yang mendukung rancangan Sequential Probability Ratio Test (SPRT) yaitu percobaan dan ruang sampel, peubah acak dan fungsi
Lebih terperinciMENAKSIR PARAMETER µ DARI N( µ, ) DENGAN METODE BAYES
MENAKSIR PARAMETER µ DARI N( µ, ) DENGAN METODE BAYES Hartayuni Saini 1 1 Jurusan Matematika, FMIPA-UNTAD. e-mail: yunh3_chendist@yahoo.co.id Abstrak Untuk menaksir nilai µ dari N(µ, ) umumnya digunakan
Lebih terperinciTINJAUAN PUSTAKA. ruang sampel dan dilambangkan dengan huruf S. Ruang sampel beranggotakan
II. TINJAUAN PUSTAKA 2.1 Percobaan dan Ruang Sampel Menurut Walpole (1995), istilah percobaan digunakan untuk sembarang proses yang dapat membangkitkan data. Himpunan semua hasil suatu percobaan disebut
Lebih terperinci2.1 Soal Matematika Dasar UM UGM c. 1 d d. 3a + b. e. 3a + b. e. b + a b a
Soal - Soal UM UGM. Soal Matematika Dasar UM UGM 00. Jika x = 3 maka + 3 log 4 x =... a. b. c. d. e.. Jika x+y log = a dan x y log 8 = b dengan 0 < y < x maka 4 log (x y ) =... a. a + 3b ab b. a + b ab
Lebih terperinciPengantar Statistika Matematika II
Bab 3: Estimasi Titik dengan Metode Bayes Statistika FMIPA Universitas Islam Indonesia Dalam pendekatan klasik, parameter θ adalah besaran tetap yang tidak diketahui Sampel random X 1, X 2,..., X n diambil
Lebih terperinciMINGGU KE-11 HUKUM BILANGAN BESAR LEMAH DAN KUAT
MINGGU KE-11 HUKUM BILANGAN BESAR LEMAH DAN KUAT HUKUM BILANGAN BESAR LEMAH DAN KUAT Misalkan X 1, X 2, X 3... barisan variabel random. Kita tulis S n = n X i. Dalam subbab ini kita akan menjawab pertanyaan
Lebih terperincistatistika untuk penelitian
statistika untuk penelitian Kelompok Ilmiah Remaja (KIR) Delayota Experiment Team (D Expert) 2013 Freeaninationwallpaper.blogspot.com Apa itu Statistika? Statistika adalah ilmu yang mempelajari cara pengumpulan,
Lebih terperinciLearning Outcomes Sebaran Kontinu Nilai Harapan dan Ragam Beberapa Sebaran Kontinu. Peubah Acak Kontinu. Julio Adisantoso.
Beberapa 27 April 2014 Beberapa Learning Outcome Outline Mahasiswa dapat mengerti dan menentukan peubah acak diskret Mahasiswa dapat memahami dan menghitung nilai harapan Mahasiswa dapat memahami dan menghitung
Lebih terperinciKONSISTENSI ESTIMATOR
KONSISTENSI ESTIMATOR TUGAS STATISTIKA MATEMATIKA II Oleh 1. Wahyu Nikmatus S. (121810101010) 2. Vivie Aisyafi F. (121810101050) 3. Rere Figurani A. (121810101052) 4. Dwindah Setiari W. (121810101054)
Lebih terperinciStatistik Dasar. 1. Pendahuluan Persamaan Statistika Dalam Penelitian. 2. Penyusunan Data Dan Penyajian Data
Statistik Dasar 1. Pendahuluan Persamaan Statistika Dalam Penelitian 2. Penyusunan Data Dan Penyajian Data 3. Ukuran Tendensi Sentral, Ukuran Penyimpangan 4. Momen Kemiringan 5. Distribusi Normal t Dan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI.1 Peubah Acak dan Distribusinya.1.1 Peubah Acak Definisi.1: Peubah acak adalah suatu fungsi yang menghubungkan sebuah bilangan real dengan setiap unsur di dalam ruang contoh, (Walpole
Lebih terperinciALGORITMA PENENTUAN UKURAN SAMPEL EKSAK UNTUK DISTRIBUSI NORMAL, DISTRIBUSI POISSON DAN DUA DISTRIBUSI BINOMIAL DALAM MODEL KELUARGA EKSPONENSIAL
ALGORITMA PENENTUAN UKURAN SAMPEL EKSAK UNTUK DISTRIBUSI NORMAL, DISTRIBUSI POISSON DAN DUA DISTRIBUSI BINOMIAL DALAM MODEL KELUARGA EKSPONENSIAL 1) Program Studi Matematika Universitas Ahmad Dahlan dian@math.uad.ac.id
Lebih terperinciBAB I PENDAHULUAN. dapat dianggap mendekati normal dengan mean μ = μ dan variansi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Matematika merupakan salah satu cabang ilmu pengetahuan yang melambangkan kemajuan zaman. Oleh karena itu matematika banyak digunakan oleh cabang ilmu lain
Lebih terperinciBAB II LANDASAN TEORI. landasan pembahasan pada bab selanjutnya. Pengertian-pengertian dasar yang di
5 BAB II LANDASAN TEORI Bab ini membahas pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada bab selanjutnya. Pengertian-pengertian dasar yang di bahas adalah sebagai berikut: A.
Lebih terperinciAlgoritma Expectation-Maximization(EM) Untuk Estimasi Distribusi Mixture
Vol. 4, No., Oktober 04 Algoritma Expectation-Maximization(EM) Untuk Estimasi Distribusi Mixture Tomy Angga Kusuma ), Suparman ) ) Program Studi Matematika FMIPA UAD ) Program Studi Pend. Matematika UAD
Lebih terperinciCatatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2014 1 Tentang AK5161 Matematika
Lebih terperinciEstimasi Titik. (Point Estimation) Minggu ke 1-3. Prof. Dr. Sri Haryatmi, M. Sc. Universitas Gadjah Mada
Estimasi Titik (Point Estimation) Minggu ke 1-3 Prof. Dr. Sri Haryatmi, M. Sc. Universitas Gadjah Mada 2014 Prof. Dr. Sri Haryatmi, M. Sc. (UGM) Daftar Isi 2014 1 / 33 DAFTAR ISI 1 Minggu 1 Pertemuan 1
Lebih terperinciSTMIK KAPUTAMA - BINJAI
STMIK KAPUTAMA - BINJAI Pengujian hipotesis merupakan suatu prosedur yang didasarkan pada bukti sampel dan teori probabilitas yang digunakan untuk menentukan apakah suatu hipotesis adalah pernyataan yang
Lebih terperinciBI5106 ANALISIS BIOSTATISTIK Bab 5 Uji Hipotesis
BI5106 ANALISIS BIOSTATISTIK Bab 5 Uji Hipotesis Orang Biologi Tidak Anti Statistika Silabus Silabus dan Tujuan Konsep uji hipotesis, kesalahan tipe 1 dan 2, uji hipotesis untuk mean (1 dan 2 sampel),
Lebih terperinciINFERENSI PARAMETER MEAN POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF
INFERENSI PARAMETER MEAN POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF Adi Setiawan Program Studi Matematika Industri dan Statistika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl
Lebih terperinciPEUBAH ACAK DAN SEBARANNYA
LOGO STATISTIKA MATEMATIKA I PEUBAH ACAK DAN SEBARANNYA Hazmira Yozza Izzati Rami HG Jurusan Matematika FMIPA Universitas Andalas Percobaan : Pelemparan dua mata uang AA AG GA GG S X Definisi 2.1. Peubah
Lebih terperinciPengantar Statistika Matematika II
Bab 4: Metode Evaluasi Estimator Statistika FMIPA Universitas Islam Indonesia Penggunaan metode estimasi yang berbeda dapat menghasilkan estimator yang sama maupun berbeda Dari hasil estimator yang berbeda,
Lebih terperinciINFERENSI STATISTIK DISTRIBUSI BINOMIAL DENGAN METODE BAYES MENGGUNAKAN PRIOR KONJUGAT. Oleh : ADE CANDRA SISKA NIM: J2E SKRIPSI
INFERENSI STATISTIK DISTRIBUSI BINOMIAL DENGAN METODE BAYES MENGGUNAKAN PRIOR KONJUGAT Oleh : ADE CANDRA SISKA NIM: J2E 006 002 SKRIPSI Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains Pada
Lebih terperinciStatistika Farmasi
Bab 3: Distribusi Data Statistika FMIPA Universitas Islam Indonesia Distribusi Data Teori dalam statistika berkaitan dengan peluang Konsep dasar peluang tersebut berkaitan dengan peluang distribusi, yaitu
Lebih terperinciKONVOLUSI DISTRIBUSI EKSPONENSIAL DENGAN PARAMETER BERBEDA
Jurnal Matematika UNAND Vol. No. 4 Hal. 9 ISSN : 33 9 c Jurusan Matematika FMIPA UNAND KONVOLUSI DISTRIBUSI EKSPONENSIAL DENGAN PARAMETER BERBEDA MARNISYAH ANAS Program Studi Magister Matematika, Fakultas
Lebih terperinciBAB I PENDAHULUAN. sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat
BAB I PENDAHULUAN 1.1 Latar Belakang Jika kita mempunyai data yang terdiri dari dua atau lebih variabel maka sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat berhubungan, hubungan
Lebih terperinciSetiap karakteristik dari distribusi populasi disebut dengan parameter. Statistik adalah variabel random yang hanya tergantung pada harga observasi
ESTIMASI TITIK Setiap karakteristik dari distribusi populasi disebut dengan parameter. Statistik adalah variabel random yang hanya tergantung pada harga observasi sampel. Statistik merupakan bentuk dari
Lebih terperinciDengan demikian, untuk sembarang B = [a, b], maka persamaan (5.1) menjadi
Bab 5 Peubah Acak Kontinu 5.1 Pendahuluan Definisi 5.1. Peubah acak adalah suatu fungsi dari ruang contoh S ke R (himpunan bilangan nyata) Peubah acak X bersifat diskret jika F (x) adalah fungsi tangga.
Lebih terperinciKARAKTERISTIK DISTRIBUSI KELUARGA TRANSFORMASI KHI-KUADRAT. Oleh : Entit Puspita. Dosen Jurusan pendidikan Matematika
KARAKTERISTIK DISTRIBUSI KELUARGA TRANSFORMASI KHI-KUADRAT Oleh : Entit Puspita Dosen Jurusan pendidikan Matematika FPMIPA Universitas Pendidikan Indonesia Abstrak Dalam Keluarga eksponensial satu parameter
Lebih terperinciRENCANA MUTU PEMBELAJARAN
RENCANA MUTU PEMBELAJARAN Nama Dosen : N. Setyaningsih, MSi. Program Studi : Pendidikan Matematika Kode Mata Kuliah : 504203 Nama Mata Kuliah : Statistika Matematika Jumlah sks : 3 sks Semester : V Alokasi
Lebih terperinciBIOSTATISTIK HIPOTESIS UNTUK PROPORSI MARIA ALMEIDA ( ) NURTASMIA ( ) SOBRI ( )
BIOSTATISTIK UJI HIPOTESIS UNTUK PROPORSI MARIA ALMEIDA (20611003) NURTASMIA (20611022) SOBRI (20611027) : Tahapan-tahapan dalam uji hipotesis 1.Membuat hipotesis nol (H o ) dan hipotesis alternatif (H
Lebih terperinciMINGGU KE-6 VARIABEL RANDOM DAN DISTRIBUSINYA
MINGGU KE-6 VARIABEL RANDOM DAN DISTRIBUSINYA VARIABEL RANDOM Misalkan (Ω, A, P) ruang probabilitas dan R = {x < x < } dan B : Borel field pada R. Andaikan X : Ω R dan untuk setiap A R, kita definisikan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.. Konsep Dasar Analisis Runtun Waktu Pada bagian ini akan dikemukakan beberapa definisi yang menyangkut pengertian dan konsep dasar analisis runtun waktu. Definisi Runtun waktu
Lebih terperinciKonsep Dasar Statistik dan Probabilitas
Konsep Dasar Statistik dan Probabilitas Pengendalian Kualitas Statistika Ayundyah Kesumawati Prodi Statistika FMIPA-UII October 7, 2015 Ayundyah (UII) Konsep Dasar Statistik dan Probabilitas October 7,
Lebih terperinciPERBANDINGAN KUASA WILCOXON RANK SUM TEST DAN PERMUTATION TEST DALAM BERBAGAI DISTRIBUSI TIDAK NORMAL
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 139 146 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN KUASA WILCOXON RANK SUM TEST DAN PERMUTATION TEST DALAM BERBAGAI DISTRIBUSI TIDAK NORMAL
Lebih terperinciDISTRIBUSI NORMAL. Pertemuan 3. Distribusi Normal_M. Jainuri, M.Pd 1
DISTRIBUSI NORMAL Pertemuan 3 1 Distribusi Normal Pertama kali diperkenalkan oleh Abraham de Moivre (1733). De Moivre menemukan persamaan matematika untuk kurva normal yang menjadi dasar dalam banyak teori
Lebih terperinciPengaruh Bimbingan Belajar terhadap Nilai Mahasiswa dengan Uji Permutasi
Statistika, Vol. No., 39 50 Mei 0 Pengaruh Bimbingan Belajar terhadap Nilai Mahasiswa dengan Uji Permutasi Jurusan Matematika FMIPA Universitas Syiah Kuala Jl. Syech Abdul Rauf No. 3 Darussalam, Banda
Lebih terperinciPenaksiran Mean Stratum pada Sampling Acak Stratifikasi dengan Menggunakan Metode Empirical Bayes
Penaksiran Mean Stratum pada Sampling Acak Stratifikasi dengan Menggunakan Metode Empirical Baes Sisca Agnessia Departemen Matematika, FMIPA UI, Kampus UI Depok 6 sisca.agnessia@ahoo.com Abstrak Dalam
Lebih terperinciSTATISTIKA MATEMATIKA
STATISTIKA MATEMATIKA Penulis: Prof. Subanar, Ph.D Edisi Pertama Cetakan Pertama, 2013 Hak Cipta 2013 pada penulis, Hak Cipta dilindungi undang-undang. Dilarang memperbanyak atau memindahkan sebagian atau
Lebih terperinciKumpulan pasangan nilai-nilai dari variabel acak X dengan probabilitas nilai-nilai variabel random X, yaitu P(X=x) disebut distribusi probabilitas X
Kumpulan pasangan nilai-nilai dari variabel acak X dengan probabilitas nilai-nilai variabel random X, yaitu P(X=) disebut distribusi probabilitas X (distribusi X) Diskrit Seragam Binomial Hipergeometrik
Lebih terperinciS T A T I S T I K A OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON
S T A T I S T I K A OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2011 PENGUJIAN HIPOTESIS V. PENGUJIAN HIPOTESIS Hipotesis adalah jawaban sementara terhadap suatu masalah. Setiap
Lebih terperinciII. TINJAUAN PUSTAKA
II. TINJAUAN PUSTAKA Dalam proses penelitian untuk mengkaji karakteristik penduga distribusi generalized gamma dengan metode generalized moment ini, penulis menggunakan definisi, teorema dan konsep dasar
Lebih terperinciMA2082 BIOSTATISTIKA Bab 3 Peubah Acak dan Distribusi
MA2082 BIOSTATISTIKA Bab 3 Peubah Acak dan Distribusi Orang Biologi Tidak Anti Statistika Silabus Silabus dan Tujuan Konsep peubah acak, fungsi peluang (probability density function), fungsi distribusi
Lebih terperinciDEFICIENCY PENAKSIR PARAMETER PADA DISTRIBUSI GAMMA
digilib.uns.ac.id DEFICIENCY PENAKSIR PARAMETER PADA DISTRIBUSI GAMMA oleh ANIS TELAS TANTI M0106003 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
Lebih terperinciTINJAUAN PUSTAKA. Model Linier dengan n pengamatan dan p variable penjelas biasa ditulis sebagai
II. TINJAUAN PUSTAKA 2.1. Model Linear Model Linier dengan n pengamatan dan p variable penjelas biasa ditulis sebagai berikut : Y i = β 0 + X i1 β 1 + X i2 β 2 + + X ip β p +ε i ; i = 1,2,, n bila dirinci
Lebih terperinciCatatan Kuliah. AK5161 Matematika Keuangan Aktuaria Insure and Invest. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang AK5161 Matematika
Lebih terperinciKULIAH ANALISIS STATISTIK DATA SIMULASI Tipe-tipe simulasi berdasarkan analisis output:
KULIAH ANALISIS STATISTIK DATA SIMULASI Tipe-tipe simulasi berdasarkan analisis output: 1. Terminating simulation 2. Nonterminating simulation: a. Steady-state parameters b. Steady-state cycle parameters
Lebih terperinciDISTRIBUSI SAMPLING besar
DISTRIBUSI SAMPLING besar Distribusi Sampling Sampling = pendataan sebagian anggota populasi = penarikan contoh / pengambilan sampel Sampel yang baik Sampel yang representatif, yaitu diperoleh dengan memperhatikan
Lebih terperinciCatatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2014 1 Tentang AK5161 Matematika
Lebih terperinciPengantar Statistika Matematika II
Pengantar Statistika Matematika II Estimasi Titik dengan Metode Atina Ahdika, S.Si., M.Si. Prodi Statistika FMIPA Universitas Islam Indonesia May 9, 2017 atinaahdika.com Dalam pendekatan klasik, parameter
Lebih terperinciMA3081 STATISTIKA MATEMATIKA Statistika Mengalahkan Matematika
Catatan Kuliah MA3081 STATISTIKA MATEMATIKA Statistika Mengalahkan Matematika disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Daftar Isi
Lebih terperinciDISTRIBUSI ERLANG DAN PENERAPANNYA. Rini Kurniasih 1, Getut Pramesti 2 Mahasiswi Pendidikan Matematika FKIP UNS, Dosen Pendidikan Matematika FKIP UNS
DISTRIBUSI ERLANG DAN PENERAPANNYA Rini Kurniasih 1, Getut Pramesti 2 Mahasiswi Pendidikan Matematika FKIP UNS, Dosen Pendidikan Matematika FKIP UNS nia.rini.purita2316@gmail.com, getut.uns@gmail.com ABSTRAK
Lebih terperinciBI5106 ANALISIS BIOSTATISTIK Bab 3 Peubah Acak dan Dist
BI5106 ANALISIS BIOSTATISTIK Bab 3 Peubah Acak dan Distribusi Orang Biologi Tidak Anti Statistika Silabus Silabus dan Tujuan Konsep peubah acak, fungsi peluang (probability density function), fungsi distribusi
Lebih terperinciSTATISTICS. Oleh: Hanung N. Prasetyo DISTRIBUSI NORMAL WEEK 6 TELKOM POLTECH/HANUNG NP
STATISTICS WEEK 6 Oleh: Hanung N. Prasetyo DISTRIBUSI NORMAL Pengantar: Dalam pokok bahasan disini memuat beberapa distribusi kontinyu yang sangat penting di bidang statistika. diantaranya distribusi normal.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Distribusi Normal Salah satu distribusi frekuensi yang paling penting dalam statistika adalah distribusi normal. Distribusi normal berupa kurva berbentuk lonceng setangkup yang
Lebih terperinciDistribusi Probabilitas : Gamma & Eksponensial
Distribusi Probabilitas : Gamma & Eksponensial 11 Debrina Puspita Andriani E-mail : debrina.ub@gmail.com / debrina@ub.ac.id 2 Outline Distribusi Gamma Distribusi Eksponensial 3 Distribusi Gamma Tidak selamanya
Lebih terperinciPengantar Statistika Matematik(a)
Catatan Kuliah Pengantar Statistika Matematik(a) Statistika Lebih Dari Sekadar Matematika disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014
Lebih terperinciCatatan Kuliah. AK5161 Matematika Keuangan Aktuaria Insure and Invest. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 017 1 Tentang AK5161 Matematika
Lebih terperinciCatatan Kuliah MA3081 STATISTIKA MATEMATIKA Statistika Mengalahkan Matematika. disusun oleh Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA3081 STATISTIKA MATEMATIKA Statistika Mengalahkan Matematika disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Daftar Isi
Lebih terperinciBAB I PENDAHULUAN. Dalam statistika, sebuah penaksir adalah sebuah fungsi dari sample data
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam statistika, sebuah penaksir adalah sebuah fungsi dari sample data observasi yang digunakan untuk menaksir parameter populasi yang tidak diketahui. Ada
Lebih terperinciMA4183 MODEL RISIKO Control your Risk!
Catatan Kuliah MA4183 MODEL RISIKO Control your Risk! disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang MA4183 Model Risiko A. Jadwal
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia Ruang Sampel dan Kejadian Ruang Sampel dan Kejadian Ruang Sampel dan Kejadian Percobaan adalah kegiatan
Lebih terperinciDistribusi Diskrit dan Kontinu yang Penting. Oleh Azimmatul Ihwah
Distribusi Diskrit dan Kontinu yang Penting Oleh Azimmatul Ihwah Distribusi Diskrit Fungsi probabilitas dari variabel random diskrit dapat dinyatakan dalam formula matematik tertentu yang dinamakan fungsi
Lebih terperinciPENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL
PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL Vania Mutiarani 1, Adi Setiawan, Hanna Arini Parhusip 3 1 Mahasiswa Program Studi Matematika FSM UKSW, 3 Dosen
Lebih terperinciDISTRIBUSI PROBABILITAS DISKRIT TEORITIS 2. Distribusi Hipergeometrik
DISTRIBUSI PROBABILITAS DISKRIT TEORITIS 2 TI2131 TEORI PROBABILITAS MINGGU KE-10 Distribusi Hipergeometrik Eksperimen hipergeometrik memiliki karakteristik sebagai berikut: 1. sebuah sampel random berukuran
Lebih terperinciPengantar Statistika Matematik(a)
Catatan Kuliah Pengantar Statistika Matematik(a) Statistika Lebih Dari Sekadar Matematika disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014
Lebih terperinciBAB II LANDASAN TEORI. 2.1 Uji Hipotesis
BAB II LANDASAN TEORI Pada bab ini akan dibahas tentang pengujian hipotesis, metode klasifikasi berstruktur pohon, metode-metode statistika yang menjadi dasar pada metode QUEST, dan algoritme QUEST..1
Lebih terperinciBAB III MARKOV SWITCHING AUTOREGRESSIVE (MSAR)
25 BAB III (MSAR) 3.1 Model Markov Switching Autoregressive Model runtun waktu Markov Switching Autoregressive adalah salah satu model runtun waktu yang merupakan perluasan dari model Autoregressive (AR).Ide
Lebih terperinciVariansi dan Kovariansi. Bahan Kuliah II2092 Probabilitas dan Statistik Oleh: Rinaldi Munir Sekolah Teknik Elektro dan Informatika ITB
Variansi dan Kovariansi Bahan Kuliah II2092 Probabilitas dan Statistik Oleh: Rinaldi Munir Sekolah Teknik Elektro dan Informatika ITB 1 Variansi Kita sudah memahami bahwa nilai harapan peubah acak X seringkali
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko
Catatan Kuliah MA4183 Model Risiko Forecast and control your risk Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang MA4183 Model Risiko
Lebih terperinciUji Hipotesa Dua Sampel (Lanjutan)
Uji Hipotesa Dua Sampel (Lanjutan) Tjipto Juwono, Ph.D. May 3, 2016 TJ (SU) Uji Hipotesa Dua Sampel (Lanjutan) May 2016 1 / 26 σ tidak diketahui, saling beda, sampel kecil Standard Deviasi Tidak Diketahui,
Lebih terperinciMA3081 STATISTIKA MATEMATIKA We love Statistics
Catatan Kuliah MA3081 STATISTIKA MATEMATIKA We love Statistics disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Daftar Isi 1 Peubah Acak
Lebih terperinciMA4181 MODEL RISIKO Risk is managed, not avoided
Catatan Kuliah MA4181 MODEL RISIKO Risk is managed, not avoided disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Tentang MA4181 Model Risiko
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia 2015 Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Contoh: pelemparan sebuah dadu. Ruang
Lebih terperinciPengujian Hipotesis. Oleh : Dewi Rachmatin
Pengujian Hipotesis Oleh : Dewi Rachmatin Hipotesis Suatu anggapan yang mungkin benar atau tidak mengenai suatu populasi atau lebih Akan digunakan istilah diterima atau ditolak pada bagian ini Penolakan
Lebih terperinci4.1.1 Distribusi Binomial
4.1.1 Distribusi Binomial Perhatikan sebuah percobaan dengan ciri-ciri sebagai berikut : Hanya menghasilkan (diperhatikan) dua peristiwa atau kategori, misal S (sukses) dan G (gagal) Dilakukan sebanyak
Lebih terperinciUJI STATISTIK NON PARAMETRIK. Widha Kusumaningdyah, ST., MT
UJI STATISTIK NON PARAMETRIK Widha Kusumaningdyah, ST., MT SIGN TEST Sign Test Digunakan untuk menguji hipotesa tentang MEDIAN dan DISTRIBUSI KONTINYU. Pengamatan dilakukan pada median dari sebuah distribusi
Lebih terperinciSTATISTIKA. Statistika pengkuantifikasian (pengkuantitatifan) hasil-hasil pengamatan terhadap kejadian, keberadaan, sifat/karakterisitik, tempat, dll.
STATISTIKA Statistika pengkuantifikasian (pengkuantitatifan) hasil-hasil pengamatan terhadap kejadian, keberadaan, sifat/karakterisitik, tempat, dll. Statistika deskriptif: pencatatan dan peringkasan hasil
Lebih terperinciUji Permutasi untuk Masalah Dua Sampel Saling Bebas: Studi Kasus di LAFI-DITKES AD Bandung Jawa Barat
Statistika, Vol. 8 No., 9 7 Nopember 8 Uji Permutasi untuk Masalah Dua Sampel Saling Bebas: Studi Kasus di LAFI-DITKES AD Bandung Jawa Barat Danang Setiawan dan Aceng K. Mutaqin Program Studi Statistika
Lebih terperinciMA2181 Analisis Data - U. Mukhaiyar 1
DISTRIBUSI KONTINU Uniform Normal Gamma & Eksponensial MA 2181 Analisis Data Utriweni Mukhaiyar September 20 By NN 2008 DISTRIBUSI UNIFORM Distribusi kontinu yang paling sederhana Notasi: X ~ U (a,b) f.k.p:
Lebih terperinciSTATISTIKA -deskripsi data-
STATISTIKA -deskripsi data- PERTEMUAN KE-3 Oleh: MUHAMMAD YUSUF AWALUDDIN 2 overview : Deskripsi data : Sering digunakan peneliti, khususnya dalam memperhatikan perilaku data dan penentuan dugaan-dugaan
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Kontinyu 1. Adam Hendra Brata
Probabilitas dan Statistika Distribusi Peluang Kontinyu 1 Adam Hendra Brata Variabel Acak Kontinyu - Variabel Acak Kontinyu Suatu variabel yang memiliki nilai pecahan didalam range tertentu Distribusi
Lebih terperinciBAB 2 KAJIAN PUSTAKA DAN LANDASAN TEORI. Dalam beberapa tahun terakhir, model graph secara statistik telah diaplikasikan
BAB 2 KAJIAN PUSTAKA DAN LANDASAN TEORI Dalam beberapa tahun terakhir, model graph secara statistik telah diaplikasikan dengan baik pada aplikasi pengenalan suara, pengolahan citra (Willsky, 2002 dan Choi
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Dalam pembicaraan statistik, jawaban yang diinginkan adalah jawaban untuk ruang lingkup yang lebih luas, yakni populasi. Tetapi objek dari studi ini menggunakan sampel
Lebih terperinciDISTRIBUSI DISKRIT KHUSUS
DISTRIBUSI DISKRIT KHUSUS UNIFORM (SERAGAM) BERNOULLI BINOMIAL POISSON MULTINOMIAL HIPERGEOMETRIK GEOMETRIK BINOMIAL NEGATIF MA3181 Teori Peluang 27 Oktober 2014 Utriweni Mukhaiyar DISTRIBUSI UNIFORM (SERAGAM)
Lebih terperinciDISTRIBUSI KONTINU. Utriweni Mukhaiyar
DISTRIBUSI KONTINU Uniform Normal Gamma & Eksponensial MA 2081 Statistika ti tik Dasar Utriweni Mukhaiyar Maret 2012 By NN 2008 Distribusi Uniform Distribusi kontinu yang paling sederhana Notasi: X ~ U
Lebih terperinci