Kajian Estimasi Parameter Distribusi Gamma Dengan Penduga Metode Momen dan Penduga Kemungkinan Maksimum; Suatu Terapan Data Paruh Waktu dan Simulasi Sebagai Perbandingan
KAJIAN ESTIMASI PARAMETER BERDISTRIBUSI GAMMA DENGAN MOMENTS
METHOD DAN MAXIMUM LIKELIHOOD ESTIMATOR; SUATU TERAPAN DATA
PARUH WAKTU DAN DATA SIMULASI SEBAGAI PERBANDINGAN
SKRIPSI
REHDAMENTA S TARIGAN
080803067
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2015
KAJIAN ESTIMASI PARAMETER BERDISTRIBUSI GAMMA DENGAN
MOMENTS METHOD DAN MAXIMUM LIKELIHOOD ESTIMATOR; SUATU
TERAPAN DATA PARUH WAKTU DAN DATA SIMULASI SEBAGAI
PERBANDINGAN
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana
Sains
REHDAMENTA S TARIGAN
080803067
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2015
iii
PERSETUJUAN
Judul
: Kajian Estimasi Parameter Distribusi Gamma Dengan
Penduga Metode Momen dan Penduga Kemungkinan
Maksimum; Suatu Terapan Data Paruh Waktu dan
Simulasi Sebagai Perbandingan
Kategori
: Skripsi
Nama
: Rehdamenta S
NomorIndukMahasiswa : 080803067
Program Studi
: Sarjana (S1) Matematika
Departemen
: Matematika
Fakultas
: Matematikadan Ilmu Pengetahuan Alam Universitas
Sumatera Utara
Disetujui di
Medan, Juli 2015
Komisi Pembimbing
:
Pembimbing 2,
Dr. Pasukat Sembiring, M.Si
NIP. 19511227198503 1 002
Pembimbing 1,
Dr. Open Darnius Sembiring, M.Sc
NIP. 1964104199103 1 004
Disetujui oleh
DepartemenMatematika FMIPA USU
Ketua,
Prof. Drs. Tulus, Vordipl.Math., M.Si., Ph.D
NIP. 196209011988031 002
iv
PERNYATAAN
KAJIAN ESTIMASI PARAMETER BERDISTRIBUSI GAMMA DENGAN
PENDUGA METODE MOMEN DAN KEMUNGKINAN MAKSIMUM;
SUATU TERAPAN DATA PARUH WAKTU DAN SIMULASI SEBAGAI
PERBANDINGAN
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan,
Juli 2015
Rehdamenta S Tarigan
v
PENGHARGAAN
Puji dan syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa sehingga
penulis dapat menyelesaikan skripsi ini.
Ucapan terima kasih penulissampaikan kepada bapak Dr. Open Darnius
Sembiring, M.Sc., dan kepada bapak Dr. Pasukat Sembiring, M.Si. selaku
pembimbing penyelesaian skripsi ini yang telah memberikan panduan dan penuh
kepercayaan kepada saya untuk menyempurnakan skripsi ini. Panduan ringkas,
padat dan professional telah diberikan kepada saya telah diberikan kepada saya
agar tulisan ini dapat terselesaikan. Ucapan terima kasih juga ditujukan kepada
Ketua dan Sekretaris Departemen Prof. Drs. Tulus, Vordipl.Math., M.Si., Ph.D
dan ibu Dra. Mardiningsih, M.Si., Dekan dan Pembantu Dekan Fakultas
Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara, seluruh
dosen Departemen Matematika FMIPA USU, pegawai di FMIPA USU, dan
rekan-rekan kuliah seperjuangan. Akhirnya, tidak terlupakan bapak, ibu dan adikadikku yang membantu memotivasi dengan tiada henti-hentinya. Semoga Tuhan
Yang Maha Esa memberi apa yang dibutuhkan dalam hidupnya.
vi
ABSTRAK
Estimasi adalah suatu proses untuk menemukan karakteristik yang dapat
menggambarkan suatu keadaan secara efektif dan efisien. Karakteristik yang
diperoleh bisa bernilai yang sebenarnya atau nilai pendekatan. Dalam prakteknya,
hasil estimasi merupakan nilai pendekatan terhadap keadaan yang sebenarnya.
Metode estimasi momen dan maksimum likelihood diterapkan kedalam
distribusi gamma. Tahapan penyelesaian menghasilkan karakteristik yang disebut
dengan parameter ππΜ dan οΏ½Ξ». Pada kedua estimasi momen diperoleh ππΜ =
4.09016193 , οΏ½Ξ» = 0.002513199 , E[X] = 1627.475 dan V[X] = 647569.9189.
Estimasi maksimum menghasilkan ππΜ = 3.860568854 , οΏ½Ξ» = 1627.475, E[X] =
1627.475 dan V[X] = 687313.0827.
Berdasarkan bangkitan data pada R, diperoleh nilai ekspektasi dan varians
yang mendekati nilai ekspektasi dan varians yang diestimasi pada data
sebelumnya. Data tersebut dibangkitkan dengan n=100 dan n=1000 selanjutnya
dengan menentukan nilai ππΜ dan οΏ½Ξ» yang dimodifikasi selanjutnya dibandingkan
ekspekstasi dan varians sebanyak 40 data bangkitan yang dimodifikasi.
vii
ABSTRACT
Estimation is a process finding charakteristics and process in describe a
phenomen effectively and efficiently. Charakteristics can be an approximation
number or true one. Practically, the yield of estimation was an approaching
number into the true phenomen.
Moments method and maximum likelihood estimation applied into gamma
distribution. The solving steps result characteristics called with parametrics
ππΜ dan οΏ½Ξ». Moments estimaton yield ππΜ = 4.09016193 , οΏ½Ξ» = 0.002513199 , E[X]
= 1627.475 dan V[X] = 647569.9189. Maximum likelihood estimation yield
ππΜ = 3.860568854 , οΏ½Ξ» = 1627.475, E[X] = 1627.475 dan V[X] = 687313.0827.
Based on generating data in R programme , the result expectation dan
variance number that aprocahing expectation and variance in the estimation at
data before. The data generating with 100 times and 1000 times, next finding
expectation and variance with modification ππΜ and οΏ½Ξ» about 40 times. Based on
the generating data finally by compare the result expectation and variance.
viii
DAFTAR ISI
Halaman
Persetujuan
Pernyataan
Penghargaan
Abstrak
Abstract
Daftar Isi
Daftar Tabel
Daftar Gambar
Daftar Lampiran
Bab 1 Pendahuluan
1.1 LatarBelakang
1.2 RumusanMasalah
1.3 BatasanMasalah
1.4 TujuanPenelitian
1.5 KontribusiPenelitian
1.6 MetodologiPenelitian
1.7 TinjauanPustaka
Bab 2 LandasanTeori
2.1 Probabilitas Dasar
2.2 Peubah Acak
2.2.1 peubah acak diskrit
2.2.2 pubah acak kontinu
2.3 Ekspektasi dan Varians
2.3.1Ekspektasi
2.3.2Varians
2.4 Distribusi Gamma dan Turunan Kalkulus
2.4.1 Distribusi dan Fungsi gamma
2.5 Estimasi
2.5.1 Moments estimator
2.5.1.1 Prosedur Metode Moments
2.5.2 Maximum Likelihood Estimator
2.5.2.1 Prosedur Metode MLE
2.5.3 Sifat-sifat Estimator
Bab 3 Hasil dan Pembahasan
3.1 Metode Moments Estimator
3.2 Metode Maximum Likelihood Estimator
3.3 Aplikasi terhadap data
3.3.1 Aplikasi Estimasi Moments
3.3.2 Aplikasi Estimasi Maksimum Likelihood
3.4 Simulasi Data
Bab 4 Kesimpulan dan Saran
4.1 Kesimpulan
4.2 Saran
DaftarPustaka
iii
iv
v
vi
vii
viii
ix
x
xi
1
4
4
4
4
5
6
9
10
10
11
11
14
14
15
17
25
25
26
27
28
29
31
31
39
45
45
48
52
54
55
56
ix
DAFTAR TABEL
Tabel 3.1
Tabel 3.2
Tabel 3.3
Tabel 3.4
Tabel 3.4
Data umur hidup bola lampu
Perhitungan data
Tabel bangkitan data
Tabel bangkitan data
Tabel bangkitan data
44
44
LAMPIRAN A
LAMPIRAN B
LAMPIRAN C
x
DAFTAR GAMBAR
Gambar 1.1 Karakteristik Kurva Distribusi Gamma
Gambar 3.1 Plot distribusi gamma dengan ππ = 4.0901 dan ππ = 0.0025
Gambar 3.2 Plot distribusi gamma dengan ππ = 3.86 dan ππ = 0.0023
7
50
51
xi
DAFTAR LAMPIRAN
LAMPIRAN A
LAMPIRAN B
LAMPIRAN C
LAMPIRAN D
xii
xiii
xiv
xv
vi
ABSTRAK
Estimasi adalah suatu proses untuk menemukan karakteristik yang dapat
menggambarkan suatu keadaan secara efektif dan efisien. Karakteristik yang
diperoleh bisa bernilai yang sebenarnya atau nilai pendekatan. Dalam prakteknya,
hasil estimasi merupakan nilai pendekatan terhadap keadaan yang sebenarnya.
Metode estimasi momen dan maksimum likelihood diterapkan kedalam
distribusi gamma. Tahapan penyelesaian menghasilkan karakteristik yang disebut
dengan parameter ππΜ dan οΏ½Ξ». Pada kedua estimasi momen diperoleh ππΜ =
4.09016193 , οΏ½Ξ» = 0.002513199 , E[X] = 1627.475 dan V[X] = 647569.9189.
Estimasi maksimum menghasilkan ππΜ = 3.860568854 , οΏ½Ξ» = 1627.475, E[X] =
1627.475 dan V[X] = 687313.0827.
Berdasarkan bangkitan data pada R, diperoleh nilai ekspektasi dan varians
yang mendekati nilai ekspektasi dan varians yang diestimasi pada data
sebelumnya. Data tersebut dibangkitkan dengan n=100 dan n=1000 selanjutnya
dengan menentukan nilai ππΜ dan οΏ½Ξ» yang dimodifikasi selanjutnya dibandingkan
ekspekstasi dan varians sebanyak 40 data bangkitan yang dimodifikasi.
vii
ABSTRACT
Estimation is a process finding charakteristics and process in describe a
phenomen effectively and efficiently. Charakteristics can be an approximation
number or true one. Practically, the yield of estimation was an approaching
number into the true phenomen.
Moments method and maximum likelihood estimation applied into gamma
distribution. The solving steps result characteristics called with parametrics
ππΜ dan οΏ½Ξ». Moments estimaton yield ππΜ = 4.09016193 , οΏ½Ξ» = 0.002513199 , E[X]
= 1627.475 dan V[X] = 647569.9189. Maximum likelihood estimation yield
ππΜ = 3.860568854 , οΏ½Ξ» = 1627.475, E[X] = 1627.475 dan V[X] = 687313.0827.
Based on generating data in R programme , the result expectation dan
variance number that aprocahing expectation and variance in the estimation at
data before. The data generating with 100 times and 1000 times, next finding
expectation and variance with modification ππΜ and οΏ½Ξ» about 40 times. Based on
the generating data finally by compare the result expectation and variance.
1
BAB I
\
PENDAHULUAN
1.1 Latar Belakang
Informasi-informasi faktual yang diperoleh berdasarkan hasil observasi maupun
penelitian sangatlah beragam. Informasi yang dirangkum sedemikian rupa disebut
dengan data.. Data yang akan diteliti pada umumnya memiliki karakteristik yang
spesifik, sehingga ketika data dianalisa diperoleh model yang sesuai dengan
karakteristik data tersebut. Fungsi yang menggambarkan data tersebut dikatakan
sebagai distribusi data. Variasi distribusi data dalam statistika menunjukkan
bahwa data-data memiliki karakteristik tertentu yang hanya bisa dijelaskan oleh
distibusi yang bersesuaian. Misalkan data yang berdistribusi seragam akan sulit
dijelaskan oleh distribusi gamma, data yang berdistribusi normal akan sulit
dijelaskan oleh distribusi beta maupun sebaliknya.
Bermacam-macam distribusi memperlihatkan betapa banyaknya variasi
data. Kajian distribusi statistik yang spesifik akan memperlihatkan karakteristik
dari suatu distribusi. Maka, kaidah-kaidah dalam statistik diperlukan untuk
memahami kajian distribusi statistik.
Menurut Brase statistika adalah
metode yang digunakan untuk
mengumpulkan, menyajikan, menganalisa, menginterpretasi data serta menarik
kesimpulan yang valid. Penarikan kesimpulan tanpa menggunakan metode
statistik
merupakan
dugaan subjektif, dan kemungkinan kesimpulan yang
diperoleh tidak reliabel. Seperti kebanyakan cabang ilmu-ilmu lainnya, statistika
terdiri atas dua aspek penting: teoritis dan aplikasi. Secara teoritis
statistika
berkaitan dengan pengembangan, penurunan, pembuktian teorema, rumus, aturan
2
dan hukum. Aplikasi statistik melibatkan penggunaan teorema, rumus, aturan,
hukum untuk menyelesaikan permasalahan kehidupan nyata.
Statistika secara didikotomi menjadi statistika deskriptif dan statistika
inferesia. Statistika deskriptif meliputi metode pengumpulan, pengelompokan,
pengolahan dan penyajian data, sedangkan statistika inferensia meliputi metode
analisis, interpretasi dan prediksi berdasarkan hasil sampel dalam membantu
penarikan kesimpulan suatu populasi. Statistika inferensia dapat dibagi menjadi
dua kategori umum yaitu estimasi parameter dan pengujian hipotesis. Teknik ini
menggunakan informasi sampel dalam menentukan kesimpulan. Dalam teori
keputusan, inferensi didasarkan pada kombinasi informasi sampel beserta bagianbagian lainnya yang dianggap relevan dengan suatu persoalan tertentu agar
dihasilkan keputusan terbaik. Hal yang dianggap relevan dengan informasi sampel
adalah konsekuensi yang timbul dari keputusan yang diambil.
Dalam pendekatan klasik, inferensi didasarkan sepenuhnya pada informasi
yang diperoleh
melalui sampel acak yang diambil dari suatu populasi yang
berdistribusi tertentu. Adalah penting menentukan keputusan dan kebijakan
berdasarkan hasil analisis data sehingga hasil yang diperoleh sesuai harapan atau
setidaknya dapat meminimumkan resiko akibat kegagalan suatu perlakuan.
Kesimpulan yang
akurat
memerlukan informasi sebanyak mungkin. Sebaik
mengambil populasi untuk dianalisis, namun jika ukuran populasi sangat besar
akan menjadi masalah baru. Apakah berkaitan dengan dana maupun sumber daya
yang dimiliki. Pada kondisi tersebut, penggunaan
terbaik
menentukan
karakteristik
populasi
sampel adalah alternatif
dalam
mengefektifkan
dan
mengefisienkan baik sumber daya dan waktu. Sampel diharapkan dapat mewakili
karakteristik populasi sedekat sebisa mungkin, sehingga keputusan yang diperoleh
sahih dan tepat.
Berdasarkan analisa statistik, estimasi populasi memainkan peranan yang
sangat signifikan terutama pada terapan masalah. Suatu karakteristik numerik
yang merupakan fenomena fisis yang mungkin diperlukan, dilain pihak fenomena
3
tersebut bisa saja tidak terobservasi secara langsung. Observasi dari satu atau
lebih peubah acak yang distribusinya bergantung kepada karakteristik yang
diperlukan sehingga akan mempermudah memahaminya. Untuk mengembangkan
metode yang digunakan dalam menyelidiki nilai peubah acak berdasarkan sampel
data dan menggali informasi mengenai karakteristik populasi yang tidak diketahui
dan tidak terobservasi maka dibutuhkan kajian mendalam mengenai hal tersebut.
Estimasi merupakan suatu metode dimana peneliti dapat memperkirakan
nilai populasi dengan menggunakan nilai sampel atau aturan yang pada umumnya
diekspresikan sebagai sebuah formula yang menyatakan bagaimana menghitung
nilai estimasi berdasarkan muatan pengukuran dalam sampel. Estimator adalah
suatu statistik yang dapat berupa mean, median, modus varians, simpangan baku
maupun ukuran proporsi lainnya. Di mana sampel digunakan untuk melakukan
penaksiran suatu parameter populasi. Konsep populasi dan variabel acak sangatlah
penting terhadap interpretasi yang tepat pada data statistik dan analisnya.
Karakteristik suatu populasi dapat diketahui dengan melakukan estimasi
terhadap sampelnya. Sedangkan nilai sampel statistik yang digunakan untuk
mengestimasi parameter populasi disebut dengan estimator. Tujuan dari banyak
investigasi statistik adalah untuk mengestimasi satu atau lebih parameter yang
relevan. Karakteristik yang berkaitan dengan sampel disebut sebagai statistik,
sedangkan karakteristik yang berkaitan dengan populasi disebut dengan
parameter. Parameter adalah ukuran seluruh populasi yang diwakili oleh nilai
estimasi. Parameter populasi pada umumnya tidak diketahui karena banyaknya
anggota populasi.
Sering kali ciri, sifat maupun karakteristik suatu pengamatan dilihat
berdasarkan ukuran pusatnya, katakanlah seperti rataan ΞΌ, varians Ο2 dan deviasi
Ο. Demi memperoleh hasil pengamatan yang lebih akurat, nilai sekitar ΞΌ juga turut
diamati. Hal ini menunjukkan bahwa hasil pengamatan akan menjadi lebih
bermanfaaat jika memberikan informasi yang lebih banyak dalam pengambilan
keputusan.
4
Perhatikan bahwa proses antrian, waktu tunggu, paruh waktu merujuk
kepada distribusi Poisson. Pembahasan lebih lanjut menunjukkan bahwa proses
Poisson dapat ditransformasikan kedalam distribusi gamma. Untuk mengetahui
karakteristik distribusi gamma diperlukan analisa. Analisa yang digunakan adalah
dengan melakukan penaksiran terhadap parameternya.
.
Berdasarkan uraian diatas maka penulis mengajukan judul :βKajian
estimasi parameter distribusi gamma berdasarkan
moments method estimator
(MMEs) dan maximum likelihood estimator (MLE); suatu terapan pada data paruh
waktu dan Simulasi sebagai perbandingan.β
2. Rumusan Masalah
Akan dikaji estimasi parameter distribusi gamma dengan metode moments
estimator dan maximum likelihood estimator dengan melakukan perbandingan
berdasarkan data paruh waktu dan data simulasi
3. Batasan Masalah
Pembatasan masalah pada tulisan ini yakni fungsi padat peluang berdistribusi
gamma dengan parameter r dan Ξ». Hasil penurunan kedua metode estimasi
diterapakan dalam rata-rata time travel kerja pekerja. Membandingkan hasil kedua
estimasi tersebut dengan data yang telah ditetapkan Dengan memperhatikan sifatsifat penduga yaitu tidak bias, efisien dan konsisten. Dan dengan melakukan
bangkitan data dengan nilai r dan Ξ» tertentu.
4. Tujuan penelitian
Berdasarkan penjabaran sebelumnya, maka tujuan penelitian adalah
sebagai berikut:
a) Memahami langkah-langkah pendugaan kedua estimasi.
5
b) Mengetahui hasil dari kedua estimasi tersebut
c) Melihat karakteristik terhadap kasus tertentu pada kedua metode estimasi
yang telah diberikan.
5. Kontribusi Peneltian
a) Bagi penulis
Kontribusi penelitian bagi penulis adalah menambah dan memperdalam
pemahaman tentang statistika inferensia khususnya estimasi parameter pada
distribusi gamma serta aplikasinya statistiknya dalam kehidupan sehari-hari,
sehingga menambah minat memperdalam ilmu dalam bidang statistik.
b) Bagi pembaca
Menambah
pustaka kepada pembaca yang ingin memahami tentang estimasi
kedua parameter yang diajukan. Serta pembanding untuk peneliti yang ingin
parameter pada distribusi yang serupa dalam menambah cakrawala ilmu
pengetahuan didalam analisis statistik khususnya dengan disribusi yang berkaitan.
6. Metode Penelitian
Berdasarkan buku Fundamental of Research Methodology and Statistics, Kumar
mengemukakan tiga aspek penelitian, yakni:
a) Aspek teoretis
b) Aspek faktual
c) Aspek terapan
Berdasarkan aspek tersebut maka metode yang digunakan penulis adalah sebagai
berikut:
a) Menentukan permasalahan yang akan diteliti
b) Mencari dan menggunakan literatur,
baik yang menjadi acuan utama
maupun acuan tambahan untuk membangun hasil yang terbaik.
6
c) Telaah teori pada literatur utama dan tambahan
d) Untuk mengarahkan peneltian maka penulis, melaksanakan prosedur sebagai
berikut:
1. Mendefinisikan fungsi densitas distribusi gamma
2. Melakukan estimasi momen estimator:
a)
Menentukan persamaan umum momen populasi dan momen
sampel
b)
Momen pertama , momen kedua pupulasi dan momen sampel
disamakan
c)
Melakukan manipulasu aljabar untuk memperoleh hasil
penyelesaian sistem pertidaksamaan yaitu nilai dari parameter
ππ dan Ξ»
3. Melakukan estimasi maksimum likelihood
a)
Menentukan fungsi likelihood fungsi densitas
b)
Menentukan fungsi maksimum likelihood fungsi distribusi
c)
Melakukan diferensial ππππππ likelihood sebagai konsekuensi
memaksimumkan parameter distribusi gamma terhadap
parameter ππ dan Ξ»
4. Mensubstitusi data paruh waktu dari lightbulbs kedalam kedua estimasi,
sehingga diketahui parameter ππΜ dan Ξ»οΏ½
5. Berdasarkan hasil pada kedua estimasi dilakukan simulasi data secara acak
pada distribusi gamma dengan menggunakan program R, dimodifikasi
sebanyak empat puluh kali dengan bangkitan data ππ = 100 dan ππ = 1000
kali
e) Penarikan kesimpulan
7.) Tinjauan Pustaka
Perancangan suatu sistem kompleks melibatkan pemilihan berbagai alternatif
yang dapat dilaksanakan. Pemilihan yang dilakukan berdasakan kepada criteriakriteria yang ditentukan. Evaluasi kuantitatif kriteria tersebut jarang dilakukan
terhadap implementasi terkini beserta
evaluasi eksperimental pilihan yang
7
dikonfigurasi. Pengambilan keputusan dilakukan berdasarkan estimasi yang
diperoleh menggunakan model alternatif.
Suatu Model adalah representasi yang ditaksir berdasarkan keadaan fisik.
Model diharapkan dapat menjelaskan sifat-sifat pengamatan menggunakan
sekelompok aturan sederhana dan dimerngerti. Aturan tersebut diharapkan dapat
memprediksi keluaran dari sebuah eksperimen yang melibatkan keadaan fisik
sebelumnya. Model bermanfaat menjelaskan segala aspek relevan dari situasi
yang diberikan.
Model matematis digunakan pada kejadian observasional yang memiliki
sifat-sifat mengukuran. Model matematis terdiria atas sekelompok asumsi
tenatang bagaimana suatu sistem atau proses fisik bekerja. Asumsi tersebut
diterapkan dalam bentuk relasi matematis yang melibatkan parameter dan variabel
penting.
Untuk lebih memahami terapan statistika ini adalah lebih baik untuk
memahami karakteristik distribusi statistika sebelum diaplikasikan kedalam
berbagai permasalahan sehari-hari.
Satu konsep dasar dalam statistika adalah eksperimen acak. Untuk semua
eksperimen acak, setidaknya terdapat satu ruang sampel yang sesuai terhadap
eksperimen acak di bawah perlakuan. Dalam banyak kasus, banyak pengamatan
dapat dilakukan tanpa referensi terhadap ruang sampel eksplisit. Untuk
memahami kuantitas tersebut maka didefinisikan variabel acak. Variabel acak
merupakan fungsi bernilai riil dan terdefinisi pada sebuah ruang sampel. Variabel
acak adalah alat utama dalam pemodelan kuantitas-kuantitas yang tidak diketahui
dalam analisis statistikater. Variabel acak pada umumnya dituliskan dengan huruf
besar, seperti X, Y, Z dengan atau tanpa indeks. Variabel acak didikotomi menjadi
dua yaitu diskrit dan kontinu.
8
Fungsi Kepadatan peluang atau
probability density function p.d.f
merupakan variabel acak kontinu dan terdefenisi pada himpuan bilangan riil,
jika:
1. ππ(π₯π₯) β₯ 0,
β
βπ₯π₯ β β
2. οΏ½ ππ(π₯π₯)ππππ = 1
ββ
ππ
3. ππ(ππ < π₯π₯ < ππ) = οΏ½ ππ(π₯π₯) ππππ
ππ
Andaikan bahwa barisan kejadian saling bebas terjadi dalam konstanta Ξ»
perunit waktu. Jika variabel acak ππ menyatakan interval antara jarak kejadian
πππ₯π₯ (π₯π₯) = ππππ βππππ , π₯π₯ > 0, maka X dapat diintrepretasikan sebagai waktu tunggu
untuk
kejadian
pertama.
Bagian
ini
membangkitkan
hubungan
Poisson/eksponensial dan terpusat pada interval, atau waktu tunggu, yang
dibutuhkan untuk terjadinya kejadian ke-r.
ππ
Definisi 1.1
Diberikan bilangan riil r > 0 dan Ξ» > 0, variabel acak X dikatakan sebagai
gamma p.d.f dengan parameter r dan Ξ» jika:
ππ ππ
πππ₯π₯ (π₯π₯) = (ππβ1)! π₯π₯ ππβ1 ππ βπππ₯π₯
, π₯π₯ > 0
Berikut ini merupakan karakteristik kurva distribusi gamma untuk beberapa nilai
parameter r dan ππ
9
Gambar 1.1
BAB II
LANDASAN TEORI
2.1 Probabilitas Dasar
Andrei Kolgomorov (1903-1987) meletakkan landasan matematis teori
peobabilitas dan teori acak. Dalam tulisannya, Kolgomorov menggunakan teori
probabilitas dalam mempelajari pergerakan planet dan turbulensi aliran udara.
Kontribusi penting lainnya adalah proses stokastik, informasi, mekanika statistik
dan dinamika nonlinear.
Konsep probabilitas memungkinkan peneliti dalam mengolah statistika
deskriptif ke dalam statistika inferensial. Asal teori probabilitas adalah modelisasi
peluang permainan, pada pengambilan kartu dari satu set kartu atau permainan
dadu. Probabilitas muncul dari kolaborasi antara Blaise Pascal dan Pierre de
Fermat dalam menentukan peluang dari suatu permainan. Sejak kolaborasi
tersebut probabilitas lebih banyak digunakan kepada permainan hingga abad ke-
10
18, ketika Pierre de Laplace dan Karl F Gauss menggunakan aturan dasar
probabilitas terhadap masalah fisis lainnya.
Beberapa definisi dan aksioma yang akan digunakan dalam hal ini
berkaitan dengan peristiwa dan probabilitas acak.
Definisi 2.1
Eksperimen adalah suatu proses yang hasil dari keluarannya tidak diketahui secara
pasti di mana eksperimen tersebut diasumsikan dapat di ulang dalam suatu waktu
dan dibawah kondisi yang identik. Setiap pengulangan disebut sebagai repetisi.
Eksperimen acak memenuhi tiga keadaan berikut:
a) Himpunan seluruh keluaran tidak diketahui pasti dalam tiap percobaan.
b) Dalam kedaan khusus, tidak diketahui keluaran mana yang akan terjadi.
c) Eksperimen dapat diulang dengan keadaan yang mirip.
2.2 Peubah Acak
Suatu eksperimen memuat sejumlah karakteristik yang terukur. Tetapi peneliti
pada umumnya berkonsentrasi pada beberapa karakteristik tertentu pada suatu
eksperimen. Apakah pada nilai karakteristik di sekitar pusat data atau pada
penyebaran data. Pengelompokan keluaran suatu eksperimen diwakili oleh
bilangan sederhana bertujuan untuk memudahkan deskripsi. Deskripsi tersebut
diperlukan, tetapi di lain kasus hal itu berguna untuk menyatakan suatu bilangan
sebagai perwakilan suatu keluaran di ruang sample.
Definisi 2.2
Peubah acak adalah seluruh nilai bernilai riil yang tiap-tiap nilainya diasosiasikan
dengan keluaran dari suatu eksperimen acak.
2.2.1 Peubah Acak Diskrit
Definisi 2.3
11
Jika himpunan seluruh nilai yang mungkin dari peubah acak ππ adalah suatu
himpunan yang dapat dicacah sedemikian rupa, π₯π₯1 , π₯π₯2 , π₯π₯3 , β¦ , π₯π₯ππ atau
π₯π₯1 ,
π₯π₯2 , π₯π₯3 , β¦ sehingga X disebut sebagai variabel acak diskrit. Bagi suatu peubah acak
diskrit ππ, didefinisikan fungsi massa peluang πππ₯π₯ (π₯π₯) sebagai:
πππ₯π₯ (π₯π₯) = ππ(ππ =
π₯π₯)
2.
Fungsi massa peluang ππ(π₯π₯) bernilai positif , untuk sejumlah nilai π₯π₯ tercacah.
Dengan kata lain, jika ππ mengambil salah satu dari nilaiπ₯π₯1 , π₯π₯2 , β¦ maka peubah
acak diskrit X dengan nilai yang mungkin π₯π₯1 , π₯π₯2 , π₯π₯3 , β¦ , π₯π₯ππ fungsi massa peluang
adalah fungsi yang memenuhi kriteria berikut:
1). ππ(π₯π₯ππ ) β₯ 0, ππ = 1,2, β¦
ππ
2). οΏ½ ππ(π₯π₯ππ ) = 1
ππ=1
3). ππ(π₯π₯ππ ) = ππ(ππ = π₯π₯ππ )
2.2.2 Peubah Acak Kontinu
Definisi 2.5
Suatu peubah acak ππ berdistribusi kontinu jika terdapat fungsi ππ taknegatif,
terdefinisi pada garis bilangan riil, sehingga setiap interval pada bilangan riil
(berbatas atau tak berbatas), probabilitas bahwa X yang berada pada interval
tersebut merupakan jumlahan daerah f pada interval tersebut. Sebagai contoh,
keadaan yang menggambarkan definisi diatas, dengan batas dalam interval
tertutup [ππ, ππ].
ππ
ππ(ππ β€ π₯π₯ β€ ππ) = β«ππ ππ(π₯π₯)ππππ
Berimplikasi pada:
12
β
ππ(π₯π₯ β₯ ππ) = β«ππ ππ(π₯π₯) dan
ππ
β«ββ ππ(π₯π₯)ππππ
ππ(ππ β€ ππ) =
2.2
Berdasarkan karakteristik f distribusi variabel acak kontinu dengan cara yang
sama menyatakan bahwa fungsi probabilitas berkarakteristik distribusi peubah
acak
kontinu.
Fungsi
kepadatan
peluang
ππ
dapat
digunakan
untuk
menggambarkan distribusi probabibilitas peubah acak kontinu. Jika suatu interval
memuat kemiripan nilai X, probabilitasnya besar dan berkorespondensi dengan
ππ(π₯π₯). Memenuhi ketiga kaidah berikut:
1). ππ(π₯π₯) β₯ 0
β
2). οΏ½ ππ(π₯π₯) ππππ = 1
ββ
ππ
3). ππ(ππ β€ π₯π₯ β€ ππ) = οΏ½ ππ(π₯π₯) ππππ
ππ
Distribusi probabilitas adalah visualisasi peubah acak ππ dalam bentuk
kurva. Ketika ππ merupakan peubah acak berbatas, himpunan probabilitas yang
digambarkan terhadap nilai yang mungkin disebut distribusi probablitas ππ.
Jika ππ adalah peubah acak berbatas, dengan nilai-nilai ππ1 , ππ2 , β¦ maka daftar
distribusi probabilitas berkaitan dengan ππ = ππ1 , ππ = ππ2 , β¦. Jumlah seluruh
probabilitas selalu sama dengan 1.
Ingat bahwa ππ merupakan variabel acak, sedangkan π₯π₯ merupakan nilai spesifik
dari variabel acak ππ. Berakibat jika π₯π₯ = 2 maka probabilitas ππ(ππ = π₯π₯) berarti
ππ(ππ = 2), probabilitas bahwa ππ adalah 2. Hal yang sama jika ππ merupakan
peubah acak maka ππ(ππ = π¦π¦) probabilitas ππ dengan nilai khusus π¦π¦.
2.3 Ekspektasi dan Varians
2.3.1 Ekspektasi
13
Dalam suatu pengukuran eksperimen, hasil pengukuran eksperimen
seringkali
menghasilkan
variasi.
Ukuran-ukuran
yang
menggambarkan
karakteristik sampel berkorespondensi dengan karakteristik populasi. Secara
sederhana karakteristik tersebut digambarkan sebagai nilai harapan atau lebih
dikenal dengan mean. Secara matematis dinyatakan oleh formula berikut:
1). Peubah acak diskrit
πππ₯π₯ = πΈπΈ[ππ]
ππ
= οΏ½ π₯π₯ππ ππ(π₯π₯ππ )
2.3
ππ=1
2). Peubah acak kontinu
πππ₯π₯ = πΈπΈ[ππ]
β
= οΏ½ π₯π₯π₯π₯(π₯π₯)ππππ
2.4
ββ
Sifat-sifat nilai ekspektasi
πΈπΈ[ππ] = ππ
1.
πΈπΈ[ππππ + ππ] = ππππ[ππ] + ππ
2.
πΈπΈ[ππ1 + β― + ππππ ] = πΈπΈ[ππ1 ] + β― + πΈπΈ[ππππ ]
3.
πΈπΈ[ππ(ππ, ππ) Β± h(ππ, ππ)] = πΈπΈ[ππ(ππ, ππ)] Β± E[h(ππ, ππ)]
4.
πΈπΈ[ππ(ππ) Β± h(ππ)] = πΈπΈ[ππ(ππ)] Β± E[h(ππ)]
5.
6.
Bukti sifat 1.
πΈπΈ(ππ. ππ) = πΈπΈ(ππ) E(ππ)
Pada peubah acak kontinu berlaku;
β
πΈπΈ[ππ] = οΏ½ π₯π₯π₯π₯(π₯π₯)ππππ
ββ
Sustitusi
berlaku
πΈπΈ[ππ] = ππ
β
ππ = ππ maka πΈπΈ[ππ] = β«ββ ππππ(π₯π₯)ππππ , karena b merupakan konstanta
β
πΈπΈ[ππ] = ππ οΏ½ ππ(π₯π₯)ππππ
ββ
14
β
οΏ½ ππ(π₯π₯)ππππ = 1
ββ
πΈπΈ[ππ] = ππ
Bukti sifat 5.
πΈπΈ[ππ(ππ) Β± h(ππ)] = πΈπΈ[ππ(ππ)] Β± E[h(ππ)]
β
πΈπΈ[ππ] = οΏ½ π₯π₯π₯π₯(π₯π₯)ππππ
ββ
Substitusi Y = ππ(ππ) Β± h(ππ)
β
β
ββ
ββ
πΈπΈ[ππ] = οΏ½ ππππ(π₯π₯)ππππ = οΏ½ [ ππ(ππ) Β± h(ππ)]ππ(π₯π₯)ππππ
Berlaku
β
β
ββ
ββ
πΈπΈ[ππ] = οΏ½ ππ[ππ]ππ(π₯π₯)ππππ Β± οΏ½ β[ππ]ππ(π₯π₯)ππππ
β
β
πΈπΈ[ππ(ππ) Β± h(ππ)] = οΏ½ ππ[ππ]ππ(π₯π₯)ππππ Β± οΏ½ β[ππ]ππ(π₯π₯)ππππ
ββ
ββ
πΈπΈ[ππ(ππ) Β± h(ππ)] = πΈπΈ[ππ(ππ)] Β± πΈπΈ[β(ππ)]
2.3.2 Varians.
Pengukuran suatu variabel memungkinkan untuk mempermudah pemahaman
mengenai suatu data. Untuk mengetahui seberapa besar tingkat variabilitas
sampel yang berhubungan dengan populasi dinyatakan didefinisikan oleh
Var[X] = πΈπΈ[(ππ β ππ)2 ], secara jelas diperlihatkan oleh:
1). Variabel acak diskrit
ππ
2
π₯π₯
ππ
= Var[X] = οΏ½ (ππ
ππ=10
β ππ)2 ππ(π₯π₯ππ )
2). Variabel acak kontinu
2.5
15
β
ππ 2 π₯π₯ = Var[X] = οΏ½(ππ
ββ
β ππ)2 ππ(π₯π₯)ππππ
Varians untuk kasus kontinu dapat dijabarkan sebagai berikut
2.6
Var[X] = πΈπΈ[(ππ β ππ)2 ]
β
Var[X] = οΏ½ (ππ β ππ)2 ππ(π₯π₯)ππππ
ββ
β
= οΏ½ (ππ 2 β 2ππππ + ππ 2 )ππ(π₯π₯)ππππ
ββ
β
β
β
ββ
ββ
ββ
= οΏ½ ππ 2 ππ(π₯π₯)ππππ β 2ππ οΏ½ ππππ(π₯π₯)ππππ + ππ 2 οΏ½ ππ(π₯π₯)ππππ
Var[X] = πΈπΈ[ππ 2 ] β 2ππππ[ππ] + ππ 2
Karena ππ = πΈπΈ[X] maka diperoleh:
Var[X] =
πΈπΈ[ππ 2 ] β (πΈπΈ[X])2
Sifat-sifat varians:
1.
2.
3.
4.
Var[c] = 0
Var[ππX] = ππ 2 Var[X]
Var[X + c] = Var[X]
Var[X1 + β― + Xππ ] = Var[X1 ] + β― + Var[Xππ ]
2.4 Distribusi Gamma dan Turunan Kalkulus
Definisi 2.4
2.7
16
Jika ππ adalah sebuah fungsi dan ππ merupakan satu titik interior pada domain ππ.
Jika ππ memiliki nilai maksimum atau minimum lokal di ππ, maka
ππ β² (ππ) = 0 atau ππ β² (ππ) tidak ada
2.8
Teknik pengintegralan parsial
ππ
[ππ(π₯π₯)ππ(π₯π₯)]
ππππ
= ππ(π₯π₯)ππβ² (π₯π₯)
+ ππ(π₯π₯)ππ β² (π₯π₯)
2.9
Misalkan
π’π’ = ππ(π₯π₯) dan π£π£ = ππ(π₯π₯)
ππππ = ππ β² (π₯π₯) dan ππππ = ππβ² (π₯π₯)ππππ
Persamaan 2.9 menjadi
ππ
[π’π’π’π’]
ππππ
= π’π’β² π£π£
+ π’π’π£π£ β²
Perhatikan persamaan (2.9) untuk memperoleh formula integral parsial, ruas kiri
dan kanan dilakukan pengintegralan, sehingga diperoleh:
οΏ½
ππ
[ππ(π₯π₯)ππ(π₯π₯)] = οΏ½ ππ(π₯π₯)ππβ² (π₯π₯)ππππ + οΏ½ ππ(π₯π₯)ππ β² (π₯π₯)ππππ
ππππ
οΏ½ ππ β² (π₯π₯)ππ(π₯π₯)ππππ + οΏ½ ππ(π₯π₯)ππ β² (π₯π₯)ππππ = ππ(π₯π₯)ππ(π₯π₯)
οΏ½ ππ(π₯π₯)ππβ² (π₯π₯)ππππ = ππ(π₯π₯)ππ(π₯π₯)
β οΏ½ ππ(π₯π₯)ππ β² (π₯π₯)ππππ
17
οΏ½ π’π’ ππππ
= π’π’π’π’ β οΏ½ π£π£ ππππ
2.10
Definisi improper integral tipe-I
ππ
(a) Jika β«ππ ππ(π₯π₯)ππππ ada untuk setiap bilangan ππ β₯ ππ, maka;
β
οΏ½ ππ(π₯π₯)ππππ
ππ
ππ
= lim οΏ½ ππ(π₯π₯)ππππ
ππββ ππ
Menyatakan bahwa limit tersebut eksis.
ππ
(b) Jika β«ππ ππ(π₯π₯)ππππ eksis untuk setiap bilangan ππ β€ ππ, maka
ππ
οΏ½ ππ(π₯π₯)ππππ
ββ
ππ
= lim οΏ½ ππ(π₯π₯)ππππ
ππβββ ππ
Menyatakan limit tersebut eksis
β
ππ
Improper integral β«ππ ππ(π₯π₯)ππππ dan β«ββ ππ(π₯π₯)ππππ dikatakan konvergen jika limit
yang dikaitkan ada dan divergen jika limitnya tidak ada.
β
ππ
(c) Jika β«ππ ππ(π₯π₯)ππππ dan β«ββ ππ(π₯π₯)ππππ konvergen, maka didefinisikan:
β
ππ
οΏ½ ππ(π₯π₯)ππππ = οΏ½ ππ(π₯π₯)ππππ
ββ
ββ
β
+ οΏ½ ππ(π₯π₯)ππππ
ππ
2.4.1 Distribusi dan Fungsi Gamma
Andaikan suatu peristiwa Poisson terjadi dengan konstanta rate ππ per unit waktu.
Misalkan variabel acak X menyatakann sebagai waktu tunggu kejadian ke β ππ.
Maka X memiliki pdf πππ₯π₯ (π₯π₯), di mana
ππ ππ
πππ₯π₯ (π₯π₯) = (ππβ1)! π₯π₯ ππβ1 ππ βπ₯π₯
π₯π₯ > 0
Bukti
,
2.10
18
Pembuktian formula untuk πππ₯π₯ (π₯π₯) dilakukan dengan mendifferensialkan fungsi
kumulatif, πΉπΉπ₯π₯ (π₯π₯). Misalkan ππ sebagai waktu tunggu peristiwa ke-r. Maka,
πΉπΉππ (π₯π₯) = ππ(ππ β€ π₯π₯) = 1 β ππ(ππ > π₯π₯)
πΉπΉππ (π₯π₯)
= 1 β (sedikitnya ada ππ kejadian terjadi pada interval [0, π₯π₯])
=1
ππβ1
β οΏ½ ππ β(ππππ )
ππ=0
(ππππ)ππ
ππ!
2.11
Untuk memperoleh fungsi padat peluannya maka fungsi kumulatif pada kejadian
yang berlangsung dalam interval [0, x] adalah variabel acak Poisson dengan
parameter Ξ»x, diturunkan terhadap x, diperoleh fungsi padat peluang sebagai
berikut
πππ₯π₯ (π₯π₯) = πΉπΉ β² π₯π₯ (π₯π₯)
=
ππ
οΏ½1
ππππ
ππβ1
β οΏ½ ππ βππππ
ππ=0
(ππππ)ππ
οΏ½
ππ!
2.12
Berdasarkan aturan differensial dari perkalian dua buah fungsi pada persamaan
(2.9), misalkan π’π’ = ππ βππππ , π£π£ =
ππβ1
ππππ (π₯π₯) = οΏ½οΏ½οΏ½ ππππ βππππ
ππ=0
ππβ1
= οΏ½ οΏ½ππππ
ππ=0
βππππ
ππ β2
ππβ1
ππ=0
ππβ1
(ππππ)ππ
(ππππ)ππβ1
οΏ½ β οΏ½ οΏ½ππππ βππππ
οΏ½
ππ!
(ππ β 1)!
ππ=1
ππβ2
(ππππ)ππ
(ππππ)ππβ1
(ππππ)ππ
οΏ½ + οΏ½ππππ βππππ
οΏ½οΏ½ β οΏ½οΏ½ ππππ βππππ
οΏ½οΏ½
(ππ β 1)!
ππ!
ππ!
ππβ2
= οΏ½οΏ½οΏ½βππ=0
ππππ βππππ
= οΏ½ππππ βππππ
ππ!
(ππππ)ππ
(ππππ)ππβ1
βππππ
οΏ½ β οΏ½οΏ½ ππππ
οΏ½οΏ½
ππ!
(ππ β 1)!
= οΏ½οΏ½οΏ½οΏ½ ππππ βππππ
ππ=0
(ππππ )ππ
(ππππ )ππ
(ππππ)ππβ1
οΏ½
(ππ β 1)!
ππ!
οΏ½ + οΏ½ππππ βππππ
(ππππ )ππβ1
ππ=0
ππβ2
οΏ½οΏ½ β οΏ½βππ=0
ππππ βππππ
(ππ β1)!
(ππππ )ππ
ππ!
οΏ½οΏ½
19
=
ππππ βππππ (ππ)ππβ1 (π₯π₯)ππβ1
(ππ β 1)!
(ππ)ππβ1+1 (π₯π₯)ππβ1 ππ βππππ
=
(ππ β 1)!
ππππ
πππ₯π₯ (π₯π₯) =
π₯π₯ ππ β1 ππ βππππ
(ππ β 1)!
, π₯π₯ > 0
Definisi 2.5
Diberikan bilangan riil r > 0 dan Ξ» > 0, peubah acak X dikatakan sebagai fungsi
gamma pdf dengan parameter r dan Ξ» jika:
ππππ
πππ₯π₯ (π₯π₯) =
π₯π₯ ππ β1 ππ βππππ
(ππ β 1)!
Fungsi Gamma
ππππ ππβ1 βππππ
, π₯π₯ > 0 atau πΊπΊ(π₯π₯: ππ, ππ) =
π₯π₯ ππ
, π₯π₯ > 0
Ξ(ππ)
Ξ(ππ)
β
= οΏ½ π₯π₯ ππβ1 ππ βπ₯π₯ ππππ
2.13
0
Beberapa pembuktian fungsi gamma untuk membantu penurunan rumus dalam
1
1
distribusi gamma. Mula-mula akan dicari nilai dari Ξ οΏ½2οΏ½, substitusi nilai ππ = 2
ke pers. (2.13)
β
1
1
Ξ οΏ½ οΏ½ = οΏ½ π₯π₯ 2β1 ππ βπ₯π₯ ππππ
2
1
ΞοΏ½ οΏ½
2
0
ππ
1
= lim οΏ½ π₯π₯ β2 ππ βπ₯π₯ ππππ
ππββ
0
2.14
Fungsi diatas dijadikan kedalam bentuk polar, maka pertama-tama misalkan
sebagai berikut:
ππππ
Substitusi π₯π₯ = π’π’2 β ππππ = 2π’π’ ke persamaan (2.14)
ππ
1
1
2 1
Ξ οΏ½ οΏ½ = lim οΏ½(π’π’2 )β2 ππ βπ’π’ π’π’π’π’π’π’
ππββ
2
2
0
20
ππ
ππ
1
1
2 1
2
Ξ οΏ½ οΏ½ = lim οΏ½ π’π’β1 ππ βπ’π’ π’π’π’π’π’π’ = lim οΏ½ ππ βπ’π’ ππππ
ππββ
2
2
2 ππββ
2
β
πΌπΌ = οΏ½ ππ
2
0
πΌπΌ = οΏ½
βπ’π’ 2
2ππ
0
0
β
ππππ οΏ½ ππ
β
οΏ½ ππ
0
0
βππ 2
ππ
βπ£π£ 2
β
β
0
ππππ = οΏ½ οΏ½οΏ½ ππ βπ’π’
0
ππππππππππ = οΏ½
2ππ
0
0
β
2 βπ£π£ 2
πππποΏ½ ππππ
2
ππππ οΏ½ ππ βππ 2ππππππ = 4Ο
0
ππ
1
1
1
2 1
2
Ξ οΏ½ οΏ½ = lim οΏ½ π’π’β1 ππ βπ’π’ π’π’π’π’π’π’ = lim οΏ½ ππ βπ’π’ ππππ = οΏ½2βπποΏ½
ππββ
2
2
2 ππββ
2
0
0
1
Dihasilkan Ξ οΏ½2οΏ½ = βππ
Substitusi ππ = 1 ke pers (2.13) diperoleh:
β
Ξ(1) = οΏ½ π₯π₯1β1 ππ βπ₯π₯ ππππ
0
β
= οΏ½ ππ βπ₯π₯ ππππ
0
ππ
= lim οΏ½ ππ βπ₯π₯ ππππ
ππββ
0
= lim οΏ½βππ βπ₯π₯ |ππ0 οΏ½ = lim {(βππ βππ ) β (βππ β0 )}
ππββ
=β
1
+ ππ 0
ππ β
ππββ
=0+1
=1
Dihasilkan Ξ(1) = 1
Substitusi ππ = 2 ke pers (2.13) diperoleh:
β
Ξ(2) = οΏ½ π₯π₯ 2β1 ππ βπ₯π₯ ππππ
0
21
β
Ξ (2) = οΏ½ π₯π₯ππ βπ₯π₯ ππππ
0
ππ
= lim οΏ½ π₯π₯ππ βπ₯π₯ ππππ
ππββ
0
= lim β π₯π₯ππ
ππββ
βπ₯π₯
ππ
+ lim οΏ½ ππ βπ₯π₯ ππππ
ππββ
0
ππ
= lim οΏ½βπ₯π₯ππ βπ₯π₯ |ππ0 οΏ½ + lim οΏ½ ππ βπ₯π₯ ππππ
ππββ
ππββ
ππ
0
= lim οΏ½ ππ βπ₯π₯ ππππ = 1
ππββ
0
ππ
Ξ(2) = (ββππ ββ + 0ππ 0 ) + lim οΏ½ ππ βπ₯π₯ ππππ = (0 + 0) + 1
ππββ
β
Ξ(2 ) = οΏ½ π₯π₯ππ βπ₯π₯ ππππ
0
0
β
Diperoleh nilai Ξ(2) = οΏ½ π₯π₯ππ βπ₯π₯ ππππ = 1
0
Substitusi ππ = 3 ke pers (2.13) diperoleh:
β
Ξ(3) = οΏ½ π₯π₯ 3β1 ππ βπ₯π₯ ππππ
0
ππ
Ξ(3) = lim οΏ½ π₯π₯ 2 ππ βπ₯π₯ ππππ
ππββ
0
ππ
= β lim οΏ½ π₯π₯ 2 ππππ βπ₯π₯
ππββ
0
2 βπ₯π₯
= β lim π₯π₯ ππ
ππββ
ππ
+ 2 lim οΏ½ π₯π₯ππ βπ₯π₯ ππππ
ππββ
0
22
Ξ(3) =
β lim οΏ½π₯π₯ 2 ππ βπ₯π₯ |ππ0 οΏ½
ππββ
ππ
+ lim οΏ½ π₯π₯ππ βπ₯π₯ ππππ
ππββ
0
ππ
Ξ(3) = β{(β2 ππ ββ ) β (02 ππ β0 )} + 2 lim οΏ½ π₯π₯ππ βπ₯π₯ ππππ
ππββ
ππ
0
Ξ(3) = (0 + 0) + 2 lim οΏ½ π₯π₯ππ βπ₯π₯ ππππ
Ξ(2) =
β
β«0
ππββ
0
π₯π₯ππ βπ₯π₯ ππππ = 1 maka
β
Ξ(3) = 2 οΏ½ π₯π₯ππ βπ₯π₯ ππππ
0
Ξ(3) = 2Ξ(2)
Ξ(3) = 2
β
Diperoleh Ξ(3) = οΏ½ π₯π₯ 3β1 ππ βπ₯π₯ ππππ = 2
0
Substitusi ππ = 4 ke pers (2.13) diperoleh:
β
Ξ(4) = οΏ½ π₯π₯ 4β1 ππ βπ₯π₯ ππππ
0
ππ
Ξ(4) = lim οΏ½ π₯π₯ 3 ππ βπ₯π₯ ππππ
ππββ
0
ππ
ππ
Ξ(4) = lim οΏ½ π₯π₯ 3 ππ βπ₯π₯ ππππ = β lim οΏ½ π₯π₯ 3 ππππ βπ₯π₯
ππββ
0
ππββ
ππ
0
= β lim π₯π₯ 3 ππ βπ₯π₯ |ππ0 + 3 lim οΏ½ π₯π₯ 2 ππ βπ₯π₯ ππππ
ππββ
=
βlimπ₯π₯ 3 ππ βπ₯π₯ |ππ0
ππββ
ππββ
0
ππ
+ 3 lim οΏ½ π₯π₯ 2 ππ βπ₯π₯ ππππ
ππββ
0
ππ
= lim (βππ 3 ππ βππ + 03 ππ β0 ) + 3 lim οΏ½ π₯π₯ 2 ππ βπ₯π₯ ππππ
ππββ
ππββ
0
23
3 ββ
= ββ ππ
3 β0
+ 0 ππ
ππ
ππ
+ 3 lim οΏ½ π₯π₯ 2 ππ βπ₯π₯ ππππ
ππββ
0
= (0 + 0) + 3 lim οΏ½ π₯π₯ 2 ππ βπ₯π₯ ππππ
ππββ
Ξ(4) = (0 + 0) + 3Ξ(3)
0
Ξ(4) = 6
β
Diperoleh Ξ(4) = οΏ½ π₯π₯ 4β1 ππ βπ₯π₯ ππππ = 6
0
Akan dicari formula ke-r untuk fungsi gamma sebagai berikut:
β
πͺπͺ(ππ) = οΏ½ ππππβππ ππβππ π π π π
ππ
ππ
ππ
Ξ(ππ) = lim οΏ½ π₯π₯ ππβ1 ππ βπ₯π₯ ππππ = β lim οΏ½ π₯π₯ ππβ1 ππππ βπ₯π₯
ππββ
ππββ
0
ππ
0
Ξ(ππ) = β lim π₯π₯ ππβ1 ππ βπ₯π₯ |ππ0 + lim οΏ½ ππ βπ₯π₯ πππ₯π₯ ππβ1
ππββ
ππββ
0
β
= ββππβ1 ππ ββ + 0ππβ1 ππ 0 + (ππ β 1) οΏ½ π₯π₯ ππ β2 ππ βπ₯π₯ ππππ
ππ
0
Ξ(ππ) = 0 + 0 + (ππ β 1) lim οΏ½ π₯π₯ ππ β2 ππ βπ₯π₯ ππππ
ππ
ππββ
0
Ξ(ππ) = β(ππ β 1) lim οΏ½ π₯π₯ ππβ2 ππππ βπ₯π₯
ππββ
0
ππ
Ξ(ππ) = β(ππ β 1) οΏ½ lim π₯π₯ ππβ2 ππ βπ₯π₯ |ππ0 β (ππ β 2) lim οΏ½ π₯π₯ ππβ3 ππ βπ₯π₯ ππππ οΏ½
ππββ
ππββ
0
24
Ξ(ππ)
= β(ππ β 1) οΏ½(βππβ2 ππ ββ ) β (0ππβ2 ππ β0 )
ππ
β (ππ β 2) lim οΏ½ π₯π₯ ππ β3 ππ βπ₯π₯ ππππ οΏ½
ππββ
0
ππ
Ξ(ππ) = β(ππ β 1) οΏ½0 β 0 β (ππ β 2) lim οΏ½ π₯π₯ ππ β3 ππ βπ₯π₯ ππππ οΏ½
ππββ
ππ
0
Ξ(ππ) = (ππ β 1)(ππ β 2) οΏ½ lim οΏ½ π₯π₯ ππβ3 ππ βπ₯π₯ πππποΏ½
ππββ
0
ππ
Ξ(ππ) = β(ππ β 1)(ππ β 2) οΏ½ lim οΏ½ π₯π₯ ππ β3 ππππ βπ₯π₯ οΏ½
Ξ(ππ)
ππββ
0
= β(ππ β 1)(ππ β 2) οΏ½limβ‘π₯π₯ ππ β3 ππ βπ₯π₯ |ππ0 β (ππ
ππββ
ππ
β 3) lim οΏ½ π₯π₯ ππ β4 ππ βπ₯π₯ πππποΏ½
ππββ
0
Ξ(ππ) = β(ππ β 1)(ππ β 2) οΏ½(βππβ3 ππ ββ ) β (0ππβ3 ππ β0 ) β (ππ
ππ
β 3) lim οΏ½ π₯π₯ ππβ4 ππ βπ₯π₯ πππποΏ½
ππββ
0
ππ
Ξ(ππ) = β(ππ β 1)(ππ β 2) οΏ½0 β 0 β (ππ β 3) lim οΏ½ π₯π₯ ππβ4 ππ βπ₯π₯ πππποΏ½
ππ
ππββ
0
Ξ(ππ) = (ππ β 1)(ππ β 2)(ππ β 3) οΏ½ lim οΏ½ π₯π₯ ππβ4 ππ βπ₯π₯ πππποΏ½
ππββ
β
0
Ξ(ππ) = (ππ β 1)(ππ β 2)(ππ β 3) οΏ½οΏ½ π₯π₯ (ππβ3)β1 ππ βπ₯π₯ πππποΏ½
0
25
Pada persamaan terakhir diketahui bahwa nilai terakhir adalah perkalian berulang
menurun maka untuk nilai ππ > 1 maka gamma ππ menjadi:
Ξ(ππ) = (ππ β 1)(ππ β 2)(ππ β 3){Ξ(ππ β 3)}
Ξ(ππ) = (ππ β 1)Ξ(ππ β 1)
Ξ(ππ) = (ππ β 1)(ππ β 2)(ππ β 3) β¦ 3.2.1
Ξ(ππ) = (ππ β 1)!, di mana ππ > 1
Ξ(π₯π₯ + 1) = π₯π₯Ξ(π₯π₯) = π₯π₯!
Ξ(π₯π₯ + 1)
π₯π₯
Ξ(π₯π₯ + ππ)
Ξ(π₯π₯) =
π₯π₯(π₯π₯ + 1) β¦ (π₯π₯ + ππ β 1)
(π₯π₯ + ππ)!
π₯π₯! =
(π₯π₯ + 1)ππ
Ξ(π₯π₯) =
π₯π₯ + ππ > 0
di mana (π₯π₯ + 1)ππ = π₯π₯(π₯π₯ + 1) β¦ (π₯π₯ + ππ β 1) untuk ππ > 0
π₯π₯! =
ππ! (ππ + 1)π₯π₯
ππ! ππ π₯π₯ (ππ + 1)π₯π₯
=
(π₯π₯ + 1)ππ
(π₯π₯ + 1)ππ
ππ π₯π₯
ππ! ππ π₯π₯
ππ! ππ π₯π₯
= lim
ππββ (π₯π₯ + 1)ππ
ππββ π₯π₯(π₯π₯ + 1) β¦ (π₯π₯ + ππ β 1)
lim
Diperoleh identitas
ππ! ππ π₯π₯
ππββ π₯π₯(π₯π₯ + 1) β¦ (π₯π₯ + ππ β 1)
Ξ(π₯π₯) = lim
Identitas Weierstrass
ππ! ππ π₯π₯
π₯π₯(π₯π₯ + 1) β¦ (π₯π₯ + ππ β 1)
=
1 1
1
(ππ)β1β β ββ―β οΏ½ 1
2 3
ππ
ππ π₯π₯οΏ½ππππ
π₯π₯
π₯π₯
π₯π₯
ππ 1
ππ 2
ππ ππ
β―
π₯π₯ 1 + π₯π₯/1 1 + π₯π₯/2 1 + π₯π₯/ππ
26
ππ! ππ π₯π₯
lim
ππββ π₯π₯(π₯π₯ + 1) β¦ (π₯π₯ + ππ β 1)
=
Ξ(π₯π₯) =
Ξ(π₯π₯) =
1 1
1
(ππ)β1β β ββ―β οΏ½ 1
2 3
ππ
lim ππ π₯π₯οΏ½ππππ
ππ ββ
π₯π₯ 1
1 1
1
π₯π₯οΏ½ππππ (ππ)β1β β ββ―β οΏ½ 1
2 3
ππ
lim ππ
ππββ
π₯π₯ 1
ππ=ππ
1
ππ π₯π₯/ππ
ππ βπΎπΎπΎπΎ lim οΏ½
π₯π₯ ππβ+β
1 + π₯π₯/ππ
ππ=1
β
1
ππ π₯π₯/ππ
βπΎπΎπΎπΎ
Ξ(π₯π₯) = ππ
οΏ½
π₯π₯
1 + ππ
Kedua ruas dilogaritmakan diperoleh
π₯π₯
ππ =1
π₯π₯
π₯π₯
π₯π₯
π₯π₯
π₯π₯
π₯π₯
ππ 1
ππ 2
ππ ππ
β―
+ π₯π₯/1 1 + π₯π₯/2 1 + π₯π₯/ππ
ππ 1
ππ 2
ππ ππ
β―
+ π₯π₯/1 1 + π₯π₯/2 1 + π₯π₯/ππ
β
π₯π₯
π₯π₯
ππππ{Ξ(π₯π₯)} = βlog(π₯π₯) β Ξ³π₯π₯ + οΏ½ οΏ½ β ππππ οΏ½1 + οΏ½οΏ½
ππ
ππ
ππ=1
Berdasarkan persamaan terakhir diperoleh ππππππ atau ππππππππππππ ππππππππππππππ yang
dinotasikan oleh Ο(π₯π₯) untuk suatu bilangan bulat tak nol atau negatif dinyatakan
dalam turunan logaritma Ξ(π₯π₯)
ππ
{logβ‘
[Ξ(π₯π₯)]}
ππππ
β
Ξβ²(π₯π₯)
1
1
1
Ο(x) =
= βΞ³ β + οΏ½ β
Ξ(π₯π₯)
π₯π₯
ππ π₯π₯ + ππ
Ο(x) =
β
ππ=1
Ξβ²(π₯π₯)
1
1
= βΞ³ + οΏ½ β
Ξ(π₯π₯)
ππ π₯π₯ + ππ β 1
ππ=1
π₯π₯ β 0, 1, 2, β¦
1
1
πΎπΎ = lim οΏ½1 + + β― + β logβ‘
(ππ)οΏ½ = 0.5772156649 β¦
ππββ
2
ππ
2.5 Estimasi
Estimator dalah kuantitas yang didasarkan dari observasi sampel yang nilainya
diambil
sebagai indikator dari nilai parameter populasi yang tidak diketahui (sebagai
contoh, rata-rata
sampel π₯π₯Μ sering digunakan sebagai estimator dari mean populasi yang tidak
diketahui ππ) semakin lama semakin besar. Peubah acak dalam bentuk
METHOD DAN MAXIMUM LIKELIHOOD ESTIMATOR; SUATU TERAPAN DATA
PARUH WAKTU DAN DATA SIMULASI SEBAGAI PERBANDINGAN
SKRIPSI
REHDAMENTA S TARIGAN
080803067
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2015
KAJIAN ESTIMASI PARAMETER BERDISTRIBUSI GAMMA DENGAN
MOMENTS METHOD DAN MAXIMUM LIKELIHOOD ESTIMATOR; SUATU
TERAPAN DATA PARUH WAKTU DAN DATA SIMULASI SEBAGAI
PERBANDINGAN
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana
Sains
REHDAMENTA S TARIGAN
080803067
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2015
iii
PERSETUJUAN
Judul
: Kajian Estimasi Parameter Distribusi Gamma Dengan
Penduga Metode Momen dan Penduga Kemungkinan
Maksimum; Suatu Terapan Data Paruh Waktu dan
Simulasi Sebagai Perbandingan
Kategori
: Skripsi
Nama
: Rehdamenta S
NomorIndukMahasiswa : 080803067
Program Studi
: Sarjana (S1) Matematika
Departemen
: Matematika
Fakultas
: Matematikadan Ilmu Pengetahuan Alam Universitas
Sumatera Utara
Disetujui di
Medan, Juli 2015
Komisi Pembimbing
:
Pembimbing 2,
Dr. Pasukat Sembiring, M.Si
NIP. 19511227198503 1 002
Pembimbing 1,
Dr. Open Darnius Sembiring, M.Sc
NIP. 1964104199103 1 004
Disetujui oleh
DepartemenMatematika FMIPA USU
Ketua,
Prof. Drs. Tulus, Vordipl.Math., M.Si., Ph.D
NIP. 196209011988031 002
iv
PERNYATAAN
KAJIAN ESTIMASI PARAMETER BERDISTRIBUSI GAMMA DENGAN
PENDUGA METODE MOMEN DAN KEMUNGKINAN MAKSIMUM;
SUATU TERAPAN DATA PARUH WAKTU DAN SIMULASI SEBAGAI
PERBANDINGAN
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan,
Juli 2015
Rehdamenta S Tarigan
v
PENGHARGAAN
Puji dan syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa sehingga
penulis dapat menyelesaikan skripsi ini.
Ucapan terima kasih penulissampaikan kepada bapak Dr. Open Darnius
Sembiring, M.Sc., dan kepada bapak Dr. Pasukat Sembiring, M.Si. selaku
pembimbing penyelesaian skripsi ini yang telah memberikan panduan dan penuh
kepercayaan kepada saya untuk menyempurnakan skripsi ini. Panduan ringkas,
padat dan professional telah diberikan kepada saya telah diberikan kepada saya
agar tulisan ini dapat terselesaikan. Ucapan terima kasih juga ditujukan kepada
Ketua dan Sekretaris Departemen Prof. Drs. Tulus, Vordipl.Math., M.Si., Ph.D
dan ibu Dra. Mardiningsih, M.Si., Dekan dan Pembantu Dekan Fakultas
Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara, seluruh
dosen Departemen Matematika FMIPA USU, pegawai di FMIPA USU, dan
rekan-rekan kuliah seperjuangan. Akhirnya, tidak terlupakan bapak, ibu dan adikadikku yang membantu memotivasi dengan tiada henti-hentinya. Semoga Tuhan
Yang Maha Esa memberi apa yang dibutuhkan dalam hidupnya.
vi
ABSTRAK
Estimasi adalah suatu proses untuk menemukan karakteristik yang dapat
menggambarkan suatu keadaan secara efektif dan efisien. Karakteristik yang
diperoleh bisa bernilai yang sebenarnya atau nilai pendekatan. Dalam prakteknya,
hasil estimasi merupakan nilai pendekatan terhadap keadaan yang sebenarnya.
Metode estimasi momen dan maksimum likelihood diterapkan kedalam
distribusi gamma. Tahapan penyelesaian menghasilkan karakteristik yang disebut
dengan parameter ππΜ dan οΏ½Ξ». Pada kedua estimasi momen diperoleh ππΜ =
4.09016193 , οΏ½Ξ» = 0.002513199 , E[X] = 1627.475 dan V[X] = 647569.9189.
Estimasi maksimum menghasilkan ππΜ = 3.860568854 , οΏ½Ξ» = 1627.475, E[X] =
1627.475 dan V[X] = 687313.0827.
Berdasarkan bangkitan data pada R, diperoleh nilai ekspektasi dan varians
yang mendekati nilai ekspektasi dan varians yang diestimasi pada data
sebelumnya. Data tersebut dibangkitkan dengan n=100 dan n=1000 selanjutnya
dengan menentukan nilai ππΜ dan οΏ½Ξ» yang dimodifikasi selanjutnya dibandingkan
ekspekstasi dan varians sebanyak 40 data bangkitan yang dimodifikasi.
vii
ABSTRACT
Estimation is a process finding charakteristics and process in describe a
phenomen effectively and efficiently. Charakteristics can be an approximation
number or true one. Practically, the yield of estimation was an approaching
number into the true phenomen.
Moments method and maximum likelihood estimation applied into gamma
distribution. The solving steps result characteristics called with parametrics
ππΜ dan οΏ½Ξ». Moments estimaton yield ππΜ = 4.09016193 , οΏ½Ξ» = 0.002513199 , E[X]
= 1627.475 dan V[X] = 647569.9189. Maximum likelihood estimation yield
ππΜ = 3.860568854 , οΏ½Ξ» = 1627.475, E[X] = 1627.475 dan V[X] = 687313.0827.
Based on generating data in R programme , the result expectation dan
variance number that aprocahing expectation and variance in the estimation at
data before. The data generating with 100 times and 1000 times, next finding
expectation and variance with modification ππΜ and οΏ½Ξ» about 40 times. Based on
the generating data finally by compare the result expectation and variance.
viii
DAFTAR ISI
Halaman
Persetujuan
Pernyataan
Penghargaan
Abstrak
Abstract
Daftar Isi
Daftar Tabel
Daftar Gambar
Daftar Lampiran
Bab 1 Pendahuluan
1.1 LatarBelakang
1.2 RumusanMasalah
1.3 BatasanMasalah
1.4 TujuanPenelitian
1.5 KontribusiPenelitian
1.6 MetodologiPenelitian
1.7 TinjauanPustaka
Bab 2 LandasanTeori
2.1 Probabilitas Dasar
2.2 Peubah Acak
2.2.1 peubah acak diskrit
2.2.2 pubah acak kontinu
2.3 Ekspektasi dan Varians
2.3.1Ekspektasi
2.3.2Varians
2.4 Distribusi Gamma dan Turunan Kalkulus
2.4.1 Distribusi dan Fungsi gamma
2.5 Estimasi
2.5.1 Moments estimator
2.5.1.1 Prosedur Metode Moments
2.5.2 Maximum Likelihood Estimator
2.5.2.1 Prosedur Metode MLE
2.5.3 Sifat-sifat Estimator
Bab 3 Hasil dan Pembahasan
3.1 Metode Moments Estimator
3.2 Metode Maximum Likelihood Estimator
3.3 Aplikasi terhadap data
3.3.1 Aplikasi Estimasi Moments
3.3.2 Aplikasi Estimasi Maksimum Likelihood
3.4 Simulasi Data
Bab 4 Kesimpulan dan Saran
4.1 Kesimpulan
4.2 Saran
DaftarPustaka
iii
iv
v
vi
vii
viii
ix
x
xi
1
4
4
4
4
5
6
9
10
10
11
11
14
14
15
17
25
25
26
27
28
29
31
31
39
45
45
48
52
54
55
56
ix
DAFTAR TABEL
Tabel 3.1
Tabel 3.2
Tabel 3.3
Tabel 3.4
Tabel 3.4
Data umur hidup bola lampu
Perhitungan data
Tabel bangkitan data
Tabel bangkitan data
Tabel bangkitan data
44
44
LAMPIRAN A
LAMPIRAN B
LAMPIRAN C
x
DAFTAR GAMBAR
Gambar 1.1 Karakteristik Kurva Distribusi Gamma
Gambar 3.1 Plot distribusi gamma dengan ππ = 4.0901 dan ππ = 0.0025
Gambar 3.2 Plot distribusi gamma dengan ππ = 3.86 dan ππ = 0.0023
7
50
51
xi
DAFTAR LAMPIRAN
LAMPIRAN A
LAMPIRAN B
LAMPIRAN C
LAMPIRAN D
xii
xiii
xiv
xv
vi
ABSTRAK
Estimasi adalah suatu proses untuk menemukan karakteristik yang dapat
menggambarkan suatu keadaan secara efektif dan efisien. Karakteristik yang
diperoleh bisa bernilai yang sebenarnya atau nilai pendekatan. Dalam prakteknya,
hasil estimasi merupakan nilai pendekatan terhadap keadaan yang sebenarnya.
Metode estimasi momen dan maksimum likelihood diterapkan kedalam
distribusi gamma. Tahapan penyelesaian menghasilkan karakteristik yang disebut
dengan parameter ππΜ dan οΏ½Ξ». Pada kedua estimasi momen diperoleh ππΜ =
4.09016193 , οΏ½Ξ» = 0.002513199 , E[X] = 1627.475 dan V[X] = 647569.9189.
Estimasi maksimum menghasilkan ππΜ = 3.860568854 , οΏ½Ξ» = 1627.475, E[X] =
1627.475 dan V[X] = 687313.0827.
Berdasarkan bangkitan data pada R, diperoleh nilai ekspektasi dan varians
yang mendekati nilai ekspektasi dan varians yang diestimasi pada data
sebelumnya. Data tersebut dibangkitkan dengan n=100 dan n=1000 selanjutnya
dengan menentukan nilai ππΜ dan οΏ½Ξ» yang dimodifikasi selanjutnya dibandingkan
ekspekstasi dan varians sebanyak 40 data bangkitan yang dimodifikasi.
vii
ABSTRACT
Estimation is a process finding charakteristics and process in describe a
phenomen effectively and efficiently. Charakteristics can be an approximation
number or true one. Practically, the yield of estimation was an approaching
number into the true phenomen.
Moments method and maximum likelihood estimation applied into gamma
distribution. The solving steps result characteristics called with parametrics
ππΜ dan οΏ½Ξ». Moments estimaton yield ππΜ = 4.09016193 , οΏ½Ξ» = 0.002513199 , E[X]
= 1627.475 dan V[X] = 647569.9189. Maximum likelihood estimation yield
ππΜ = 3.860568854 , οΏ½Ξ» = 1627.475, E[X] = 1627.475 dan V[X] = 687313.0827.
Based on generating data in R programme , the result expectation dan
variance number that aprocahing expectation and variance in the estimation at
data before. The data generating with 100 times and 1000 times, next finding
expectation and variance with modification ππΜ and οΏ½Ξ» about 40 times. Based on
the generating data finally by compare the result expectation and variance.
1
BAB I
\
PENDAHULUAN
1.1 Latar Belakang
Informasi-informasi faktual yang diperoleh berdasarkan hasil observasi maupun
penelitian sangatlah beragam. Informasi yang dirangkum sedemikian rupa disebut
dengan data.. Data yang akan diteliti pada umumnya memiliki karakteristik yang
spesifik, sehingga ketika data dianalisa diperoleh model yang sesuai dengan
karakteristik data tersebut. Fungsi yang menggambarkan data tersebut dikatakan
sebagai distribusi data. Variasi distribusi data dalam statistika menunjukkan
bahwa data-data memiliki karakteristik tertentu yang hanya bisa dijelaskan oleh
distibusi yang bersesuaian. Misalkan data yang berdistribusi seragam akan sulit
dijelaskan oleh distribusi gamma, data yang berdistribusi normal akan sulit
dijelaskan oleh distribusi beta maupun sebaliknya.
Bermacam-macam distribusi memperlihatkan betapa banyaknya variasi
data. Kajian distribusi statistik yang spesifik akan memperlihatkan karakteristik
dari suatu distribusi. Maka, kaidah-kaidah dalam statistik diperlukan untuk
memahami kajian distribusi statistik.
Menurut Brase statistika adalah
metode yang digunakan untuk
mengumpulkan, menyajikan, menganalisa, menginterpretasi data serta menarik
kesimpulan yang valid. Penarikan kesimpulan tanpa menggunakan metode
statistik
merupakan
dugaan subjektif, dan kemungkinan kesimpulan yang
diperoleh tidak reliabel. Seperti kebanyakan cabang ilmu-ilmu lainnya, statistika
terdiri atas dua aspek penting: teoritis dan aplikasi. Secara teoritis
statistika
berkaitan dengan pengembangan, penurunan, pembuktian teorema, rumus, aturan
2
dan hukum. Aplikasi statistik melibatkan penggunaan teorema, rumus, aturan,
hukum untuk menyelesaikan permasalahan kehidupan nyata.
Statistika secara didikotomi menjadi statistika deskriptif dan statistika
inferesia. Statistika deskriptif meliputi metode pengumpulan, pengelompokan,
pengolahan dan penyajian data, sedangkan statistika inferensia meliputi metode
analisis, interpretasi dan prediksi berdasarkan hasil sampel dalam membantu
penarikan kesimpulan suatu populasi. Statistika inferensia dapat dibagi menjadi
dua kategori umum yaitu estimasi parameter dan pengujian hipotesis. Teknik ini
menggunakan informasi sampel dalam menentukan kesimpulan. Dalam teori
keputusan, inferensi didasarkan pada kombinasi informasi sampel beserta bagianbagian lainnya yang dianggap relevan dengan suatu persoalan tertentu agar
dihasilkan keputusan terbaik. Hal yang dianggap relevan dengan informasi sampel
adalah konsekuensi yang timbul dari keputusan yang diambil.
Dalam pendekatan klasik, inferensi didasarkan sepenuhnya pada informasi
yang diperoleh
melalui sampel acak yang diambil dari suatu populasi yang
berdistribusi tertentu. Adalah penting menentukan keputusan dan kebijakan
berdasarkan hasil analisis data sehingga hasil yang diperoleh sesuai harapan atau
setidaknya dapat meminimumkan resiko akibat kegagalan suatu perlakuan.
Kesimpulan yang
akurat
memerlukan informasi sebanyak mungkin. Sebaik
mengambil populasi untuk dianalisis, namun jika ukuran populasi sangat besar
akan menjadi masalah baru. Apakah berkaitan dengan dana maupun sumber daya
yang dimiliki. Pada kondisi tersebut, penggunaan
terbaik
menentukan
karakteristik
populasi
sampel adalah alternatif
dalam
mengefektifkan
dan
mengefisienkan baik sumber daya dan waktu. Sampel diharapkan dapat mewakili
karakteristik populasi sedekat sebisa mungkin, sehingga keputusan yang diperoleh
sahih dan tepat.
Berdasarkan analisa statistik, estimasi populasi memainkan peranan yang
sangat signifikan terutama pada terapan masalah. Suatu karakteristik numerik
yang merupakan fenomena fisis yang mungkin diperlukan, dilain pihak fenomena
3
tersebut bisa saja tidak terobservasi secara langsung. Observasi dari satu atau
lebih peubah acak yang distribusinya bergantung kepada karakteristik yang
diperlukan sehingga akan mempermudah memahaminya. Untuk mengembangkan
metode yang digunakan dalam menyelidiki nilai peubah acak berdasarkan sampel
data dan menggali informasi mengenai karakteristik populasi yang tidak diketahui
dan tidak terobservasi maka dibutuhkan kajian mendalam mengenai hal tersebut.
Estimasi merupakan suatu metode dimana peneliti dapat memperkirakan
nilai populasi dengan menggunakan nilai sampel atau aturan yang pada umumnya
diekspresikan sebagai sebuah formula yang menyatakan bagaimana menghitung
nilai estimasi berdasarkan muatan pengukuran dalam sampel. Estimator adalah
suatu statistik yang dapat berupa mean, median, modus varians, simpangan baku
maupun ukuran proporsi lainnya. Di mana sampel digunakan untuk melakukan
penaksiran suatu parameter populasi. Konsep populasi dan variabel acak sangatlah
penting terhadap interpretasi yang tepat pada data statistik dan analisnya.
Karakteristik suatu populasi dapat diketahui dengan melakukan estimasi
terhadap sampelnya. Sedangkan nilai sampel statistik yang digunakan untuk
mengestimasi parameter populasi disebut dengan estimator. Tujuan dari banyak
investigasi statistik adalah untuk mengestimasi satu atau lebih parameter yang
relevan. Karakteristik yang berkaitan dengan sampel disebut sebagai statistik,
sedangkan karakteristik yang berkaitan dengan populasi disebut dengan
parameter. Parameter adalah ukuran seluruh populasi yang diwakili oleh nilai
estimasi. Parameter populasi pada umumnya tidak diketahui karena banyaknya
anggota populasi.
Sering kali ciri, sifat maupun karakteristik suatu pengamatan dilihat
berdasarkan ukuran pusatnya, katakanlah seperti rataan ΞΌ, varians Ο2 dan deviasi
Ο. Demi memperoleh hasil pengamatan yang lebih akurat, nilai sekitar ΞΌ juga turut
diamati. Hal ini menunjukkan bahwa hasil pengamatan akan menjadi lebih
bermanfaaat jika memberikan informasi yang lebih banyak dalam pengambilan
keputusan.
4
Perhatikan bahwa proses antrian, waktu tunggu, paruh waktu merujuk
kepada distribusi Poisson. Pembahasan lebih lanjut menunjukkan bahwa proses
Poisson dapat ditransformasikan kedalam distribusi gamma. Untuk mengetahui
karakteristik distribusi gamma diperlukan analisa. Analisa yang digunakan adalah
dengan melakukan penaksiran terhadap parameternya.
.
Berdasarkan uraian diatas maka penulis mengajukan judul :βKajian
estimasi parameter distribusi gamma berdasarkan
moments method estimator
(MMEs) dan maximum likelihood estimator (MLE); suatu terapan pada data paruh
waktu dan Simulasi sebagai perbandingan.β
2. Rumusan Masalah
Akan dikaji estimasi parameter distribusi gamma dengan metode moments
estimator dan maximum likelihood estimator dengan melakukan perbandingan
berdasarkan data paruh waktu dan data simulasi
3. Batasan Masalah
Pembatasan masalah pada tulisan ini yakni fungsi padat peluang berdistribusi
gamma dengan parameter r dan Ξ». Hasil penurunan kedua metode estimasi
diterapakan dalam rata-rata time travel kerja pekerja. Membandingkan hasil kedua
estimasi tersebut dengan data yang telah ditetapkan Dengan memperhatikan sifatsifat penduga yaitu tidak bias, efisien dan konsisten. Dan dengan melakukan
bangkitan data dengan nilai r dan Ξ» tertentu.
4. Tujuan penelitian
Berdasarkan penjabaran sebelumnya, maka tujuan penelitian adalah
sebagai berikut:
a) Memahami langkah-langkah pendugaan kedua estimasi.
5
b) Mengetahui hasil dari kedua estimasi tersebut
c) Melihat karakteristik terhadap kasus tertentu pada kedua metode estimasi
yang telah diberikan.
5. Kontribusi Peneltian
a) Bagi penulis
Kontribusi penelitian bagi penulis adalah menambah dan memperdalam
pemahaman tentang statistika inferensia khususnya estimasi parameter pada
distribusi gamma serta aplikasinya statistiknya dalam kehidupan sehari-hari,
sehingga menambah minat memperdalam ilmu dalam bidang statistik.
b) Bagi pembaca
Menambah
pustaka kepada pembaca yang ingin memahami tentang estimasi
kedua parameter yang diajukan. Serta pembanding untuk peneliti yang ingin
parameter pada distribusi yang serupa dalam menambah cakrawala ilmu
pengetahuan didalam analisis statistik khususnya dengan disribusi yang berkaitan.
6. Metode Penelitian
Berdasarkan buku Fundamental of Research Methodology and Statistics, Kumar
mengemukakan tiga aspek penelitian, yakni:
a) Aspek teoretis
b) Aspek faktual
c) Aspek terapan
Berdasarkan aspek tersebut maka metode yang digunakan penulis adalah sebagai
berikut:
a) Menentukan permasalahan yang akan diteliti
b) Mencari dan menggunakan literatur,
baik yang menjadi acuan utama
maupun acuan tambahan untuk membangun hasil yang terbaik.
6
c) Telaah teori pada literatur utama dan tambahan
d) Untuk mengarahkan peneltian maka penulis, melaksanakan prosedur sebagai
berikut:
1. Mendefinisikan fungsi densitas distribusi gamma
2. Melakukan estimasi momen estimator:
a)
Menentukan persamaan umum momen populasi dan momen
sampel
b)
Momen pertama , momen kedua pupulasi dan momen sampel
disamakan
c)
Melakukan manipulasu aljabar untuk memperoleh hasil
penyelesaian sistem pertidaksamaan yaitu nilai dari parameter
ππ dan Ξ»
3. Melakukan estimasi maksimum likelihood
a)
Menentukan fungsi likelihood fungsi densitas
b)
Menentukan fungsi maksimum likelihood fungsi distribusi
c)
Melakukan diferensial ππππππ likelihood sebagai konsekuensi
memaksimumkan parameter distribusi gamma terhadap
parameter ππ dan Ξ»
4. Mensubstitusi data paruh waktu dari lightbulbs kedalam kedua estimasi,
sehingga diketahui parameter ππΜ dan Ξ»οΏ½
5. Berdasarkan hasil pada kedua estimasi dilakukan simulasi data secara acak
pada distribusi gamma dengan menggunakan program R, dimodifikasi
sebanyak empat puluh kali dengan bangkitan data ππ = 100 dan ππ = 1000
kali
e) Penarikan kesimpulan
7.) Tinjauan Pustaka
Perancangan suatu sistem kompleks melibatkan pemilihan berbagai alternatif
yang dapat dilaksanakan. Pemilihan yang dilakukan berdasakan kepada criteriakriteria yang ditentukan. Evaluasi kuantitatif kriteria tersebut jarang dilakukan
terhadap implementasi terkini beserta
evaluasi eksperimental pilihan yang
7
dikonfigurasi. Pengambilan keputusan dilakukan berdasarkan estimasi yang
diperoleh menggunakan model alternatif.
Suatu Model adalah representasi yang ditaksir berdasarkan keadaan fisik.
Model diharapkan dapat menjelaskan sifat-sifat pengamatan menggunakan
sekelompok aturan sederhana dan dimerngerti. Aturan tersebut diharapkan dapat
memprediksi keluaran dari sebuah eksperimen yang melibatkan keadaan fisik
sebelumnya. Model bermanfaat menjelaskan segala aspek relevan dari situasi
yang diberikan.
Model matematis digunakan pada kejadian observasional yang memiliki
sifat-sifat mengukuran. Model matematis terdiria atas sekelompok asumsi
tenatang bagaimana suatu sistem atau proses fisik bekerja. Asumsi tersebut
diterapkan dalam bentuk relasi matematis yang melibatkan parameter dan variabel
penting.
Untuk lebih memahami terapan statistika ini adalah lebih baik untuk
memahami karakteristik distribusi statistika sebelum diaplikasikan kedalam
berbagai permasalahan sehari-hari.
Satu konsep dasar dalam statistika adalah eksperimen acak. Untuk semua
eksperimen acak, setidaknya terdapat satu ruang sampel yang sesuai terhadap
eksperimen acak di bawah perlakuan. Dalam banyak kasus, banyak pengamatan
dapat dilakukan tanpa referensi terhadap ruang sampel eksplisit. Untuk
memahami kuantitas tersebut maka didefinisikan variabel acak. Variabel acak
merupakan fungsi bernilai riil dan terdefinisi pada sebuah ruang sampel. Variabel
acak adalah alat utama dalam pemodelan kuantitas-kuantitas yang tidak diketahui
dalam analisis statistikater. Variabel acak pada umumnya dituliskan dengan huruf
besar, seperti X, Y, Z dengan atau tanpa indeks. Variabel acak didikotomi menjadi
dua yaitu diskrit dan kontinu.
8
Fungsi Kepadatan peluang atau
probability density function p.d.f
merupakan variabel acak kontinu dan terdefenisi pada himpuan bilangan riil,
jika:
1. ππ(π₯π₯) β₯ 0,
β
βπ₯π₯ β β
2. οΏ½ ππ(π₯π₯)ππππ = 1
ββ
ππ
3. ππ(ππ < π₯π₯ < ππ) = οΏ½ ππ(π₯π₯) ππππ
ππ
Andaikan bahwa barisan kejadian saling bebas terjadi dalam konstanta Ξ»
perunit waktu. Jika variabel acak ππ menyatakan interval antara jarak kejadian
πππ₯π₯ (π₯π₯) = ππππ βππππ , π₯π₯ > 0, maka X dapat diintrepretasikan sebagai waktu tunggu
untuk
kejadian
pertama.
Bagian
ini
membangkitkan
hubungan
Poisson/eksponensial dan terpusat pada interval, atau waktu tunggu, yang
dibutuhkan untuk terjadinya kejadian ke-r.
ππ
Definisi 1.1
Diberikan bilangan riil r > 0 dan Ξ» > 0, variabel acak X dikatakan sebagai
gamma p.d.f dengan parameter r dan Ξ» jika:
ππ ππ
πππ₯π₯ (π₯π₯) = (ππβ1)! π₯π₯ ππβ1 ππ βπππ₯π₯
, π₯π₯ > 0
Berikut ini merupakan karakteristik kurva distribusi gamma untuk beberapa nilai
parameter r dan ππ
9
Gambar 1.1
BAB II
LANDASAN TEORI
2.1 Probabilitas Dasar
Andrei Kolgomorov (1903-1987) meletakkan landasan matematis teori
peobabilitas dan teori acak. Dalam tulisannya, Kolgomorov menggunakan teori
probabilitas dalam mempelajari pergerakan planet dan turbulensi aliran udara.
Kontribusi penting lainnya adalah proses stokastik, informasi, mekanika statistik
dan dinamika nonlinear.
Konsep probabilitas memungkinkan peneliti dalam mengolah statistika
deskriptif ke dalam statistika inferensial. Asal teori probabilitas adalah modelisasi
peluang permainan, pada pengambilan kartu dari satu set kartu atau permainan
dadu. Probabilitas muncul dari kolaborasi antara Blaise Pascal dan Pierre de
Fermat dalam menentukan peluang dari suatu permainan. Sejak kolaborasi
tersebut probabilitas lebih banyak digunakan kepada permainan hingga abad ke-
10
18, ketika Pierre de Laplace dan Karl F Gauss menggunakan aturan dasar
probabilitas terhadap masalah fisis lainnya.
Beberapa definisi dan aksioma yang akan digunakan dalam hal ini
berkaitan dengan peristiwa dan probabilitas acak.
Definisi 2.1
Eksperimen adalah suatu proses yang hasil dari keluarannya tidak diketahui secara
pasti di mana eksperimen tersebut diasumsikan dapat di ulang dalam suatu waktu
dan dibawah kondisi yang identik. Setiap pengulangan disebut sebagai repetisi.
Eksperimen acak memenuhi tiga keadaan berikut:
a) Himpunan seluruh keluaran tidak diketahui pasti dalam tiap percobaan.
b) Dalam kedaan khusus, tidak diketahui keluaran mana yang akan terjadi.
c) Eksperimen dapat diulang dengan keadaan yang mirip.
2.2 Peubah Acak
Suatu eksperimen memuat sejumlah karakteristik yang terukur. Tetapi peneliti
pada umumnya berkonsentrasi pada beberapa karakteristik tertentu pada suatu
eksperimen. Apakah pada nilai karakteristik di sekitar pusat data atau pada
penyebaran data. Pengelompokan keluaran suatu eksperimen diwakili oleh
bilangan sederhana bertujuan untuk memudahkan deskripsi. Deskripsi tersebut
diperlukan, tetapi di lain kasus hal itu berguna untuk menyatakan suatu bilangan
sebagai perwakilan suatu keluaran di ruang sample.
Definisi 2.2
Peubah acak adalah seluruh nilai bernilai riil yang tiap-tiap nilainya diasosiasikan
dengan keluaran dari suatu eksperimen acak.
2.2.1 Peubah Acak Diskrit
Definisi 2.3
11
Jika himpunan seluruh nilai yang mungkin dari peubah acak ππ adalah suatu
himpunan yang dapat dicacah sedemikian rupa, π₯π₯1 , π₯π₯2 , π₯π₯3 , β¦ , π₯π₯ππ atau
π₯π₯1 ,
π₯π₯2 , π₯π₯3 , β¦ sehingga X disebut sebagai variabel acak diskrit. Bagi suatu peubah acak
diskrit ππ, didefinisikan fungsi massa peluang πππ₯π₯ (π₯π₯) sebagai:
πππ₯π₯ (π₯π₯) = ππ(ππ =
π₯π₯)
2.
Fungsi massa peluang ππ(π₯π₯) bernilai positif , untuk sejumlah nilai π₯π₯ tercacah.
Dengan kata lain, jika ππ mengambil salah satu dari nilaiπ₯π₯1 , π₯π₯2 , β¦ maka peubah
acak diskrit X dengan nilai yang mungkin π₯π₯1 , π₯π₯2 , π₯π₯3 , β¦ , π₯π₯ππ fungsi massa peluang
adalah fungsi yang memenuhi kriteria berikut:
1). ππ(π₯π₯ππ ) β₯ 0, ππ = 1,2, β¦
ππ
2). οΏ½ ππ(π₯π₯ππ ) = 1
ππ=1
3). ππ(π₯π₯ππ ) = ππ(ππ = π₯π₯ππ )
2.2.2 Peubah Acak Kontinu
Definisi 2.5
Suatu peubah acak ππ berdistribusi kontinu jika terdapat fungsi ππ taknegatif,
terdefinisi pada garis bilangan riil, sehingga setiap interval pada bilangan riil
(berbatas atau tak berbatas), probabilitas bahwa X yang berada pada interval
tersebut merupakan jumlahan daerah f pada interval tersebut. Sebagai contoh,
keadaan yang menggambarkan definisi diatas, dengan batas dalam interval
tertutup [ππ, ππ].
ππ
ππ(ππ β€ π₯π₯ β€ ππ) = β«ππ ππ(π₯π₯)ππππ
Berimplikasi pada:
12
β
ππ(π₯π₯ β₯ ππ) = β«ππ ππ(π₯π₯) dan
ππ
β«ββ ππ(π₯π₯)ππππ
ππ(ππ β€ ππ) =
2.2
Berdasarkan karakteristik f distribusi variabel acak kontinu dengan cara yang
sama menyatakan bahwa fungsi probabilitas berkarakteristik distribusi peubah
acak
kontinu.
Fungsi
kepadatan
peluang
ππ
dapat
digunakan
untuk
menggambarkan distribusi probabibilitas peubah acak kontinu. Jika suatu interval
memuat kemiripan nilai X, probabilitasnya besar dan berkorespondensi dengan
ππ(π₯π₯). Memenuhi ketiga kaidah berikut:
1). ππ(π₯π₯) β₯ 0
β
2). οΏ½ ππ(π₯π₯) ππππ = 1
ββ
ππ
3). ππ(ππ β€ π₯π₯ β€ ππ) = οΏ½ ππ(π₯π₯) ππππ
ππ
Distribusi probabilitas adalah visualisasi peubah acak ππ dalam bentuk
kurva. Ketika ππ merupakan peubah acak berbatas, himpunan probabilitas yang
digambarkan terhadap nilai yang mungkin disebut distribusi probablitas ππ.
Jika ππ adalah peubah acak berbatas, dengan nilai-nilai ππ1 , ππ2 , β¦ maka daftar
distribusi probabilitas berkaitan dengan ππ = ππ1 , ππ = ππ2 , β¦. Jumlah seluruh
probabilitas selalu sama dengan 1.
Ingat bahwa ππ merupakan variabel acak, sedangkan π₯π₯ merupakan nilai spesifik
dari variabel acak ππ. Berakibat jika π₯π₯ = 2 maka probabilitas ππ(ππ = π₯π₯) berarti
ππ(ππ = 2), probabilitas bahwa ππ adalah 2. Hal yang sama jika ππ merupakan
peubah acak maka ππ(ππ = π¦π¦) probabilitas ππ dengan nilai khusus π¦π¦.
2.3 Ekspektasi dan Varians
2.3.1 Ekspektasi
13
Dalam suatu pengukuran eksperimen, hasil pengukuran eksperimen
seringkali
menghasilkan
variasi.
Ukuran-ukuran
yang
menggambarkan
karakteristik sampel berkorespondensi dengan karakteristik populasi. Secara
sederhana karakteristik tersebut digambarkan sebagai nilai harapan atau lebih
dikenal dengan mean. Secara matematis dinyatakan oleh formula berikut:
1). Peubah acak diskrit
πππ₯π₯ = πΈπΈ[ππ]
ππ
= οΏ½ π₯π₯ππ ππ(π₯π₯ππ )
2.3
ππ=1
2). Peubah acak kontinu
πππ₯π₯ = πΈπΈ[ππ]
β
= οΏ½ π₯π₯π₯π₯(π₯π₯)ππππ
2.4
ββ
Sifat-sifat nilai ekspektasi
πΈπΈ[ππ] = ππ
1.
πΈπΈ[ππππ + ππ] = ππππ[ππ] + ππ
2.
πΈπΈ[ππ1 + β― + ππππ ] = πΈπΈ[ππ1 ] + β― + πΈπΈ[ππππ ]
3.
πΈπΈ[ππ(ππ, ππ) Β± h(ππ, ππ)] = πΈπΈ[ππ(ππ, ππ)] Β± E[h(ππ, ππ)]
4.
πΈπΈ[ππ(ππ) Β± h(ππ)] = πΈπΈ[ππ(ππ)] Β± E[h(ππ)]
5.
6.
Bukti sifat 1.
πΈπΈ(ππ. ππ) = πΈπΈ(ππ) E(ππ)
Pada peubah acak kontinu berlaku;
β
πΈπΈ[ππ] = οΏ½ π₯π₯π₯π₯(π₯π₯)ππππ
ββ
Sustitusi
berlaku
πΈπΈ[ππ] = ππ
β
ππ = ππ maka πΈπΈ[ππ] = β«ββ ππππ(π₯π₯)ππππ , karena b merupakan konstanta
β
πΈπΈ[ππ] = ππ οΏ½ ππ(π₯π₯)ππππ
ββ
14
β
οΏ½ ππ(π₯π₯)ππππ = 1
ββ
πΈπΈ[ππ] = ππ
Bukti sifat 5.
πΈπΈ[ππ(ππ) Β± h(ππ)] = πΈπΈ[ππ(ππ)] Β± E[h(ππ)]
β
πΈπΈ[ππ] = οΏ½ π₯π₯π₯π₯(π₯π₯)ππππ
ββ
Substitusi Y = ππ(ππ) Β± h(ππ)
β
β
ββ
ββ
πΈπΈ[ππ] = οΏ½ ππππ(π₯π₯)ππππ = οΏ½ [ ππ(ππ) Β± h(ππ)]ππ(π₯π₯)ππππ
Berlaku
β
β
ββ
ββ
πΈπΈ[ππ] = οΏ½ ππ[ππ]ππ(π₯π₯)ππππ Β± οΏ½ β[ππ]ππ(π₯π₯)ππππ
β
β
πΈπΈ[ππ(ππ) Β± h(ππ)] = οΏ½ ππ[ππ]ππ(π₯π₯)ππππ Β± οΏ½ β[ππ]ππ(π₯π₯)ππππ
ββ
ββ
πΈπΈ[ππ(ππ) Β± h(ππ)] = πΈπΈ[ππ(ππ)] Β± πΈπΈ[β(ππ)]
2.3.2 Varians.
Pengukuran suatu variabel memungkinkan untuk mempermudah pemahaman
mengenai suatu data. Untuk mengetahui seberapa besar tingkat variabilitas
sampel yang berhubungan dengan populasi dinyatakan didefinisikan oleh
Var[X] = πΈπΈ[(ππ β ππ)2 ], secara jelas diperlihatkan oleh:
1). Variabel acak diskrit
ππ
2
π₯π₯
ππ
= Var[X] = οΏ½ (ππ
ππ=10
β ππ)2 ππ(π₯π₯ππ )
2). Variabel acak kontinu
2.5
15
β
ππ 2 π₯π₯ = Var[X] = οΏ½(ππ
ββ
β ππ)2 ππ(π₯π₯)ππππ
Varians untuk kasus kontinu dapat dijabarkan sebagai berikut
2.6
Var[X] = πΈπΈ[(ππ β ππ)2 ]
β
Var[X] = οΏ½ (ππ β ππ)2 ππ(π₯π₯)ππππ
ββ
β
= οΏ½ (ππ 2 β 2ππππ + ππ 2 )ππ(π₯π₯)ππππ
ββ
β
β
β
ββ
ββ
ββ
= οΏ½ ππ 2 ππ(π₯π₯)ππππ β 2ππ οΏ½ ππππ(π₯π₯)ππππ + ππ 2 οΏ½ ππ(π₯π₯)ππππ
Var[X] = πΈπΈ[ππ 2 ] β 2ππππ[ππ] + ππ 2
Karena ππ = πΈπΈ[X] maka diperoleh:
Var[X] =
πΈπΈ[ππ 2 ] β (πΈπΈ[X])2
Sifat-sifat varians:
1.
2.
3.
4.
Var[c] = 0
Var[ππX] = ππ 2 Var[X]
Var[X + c] = Var[X]
Var[X1 + β― + Xππ ] = Var[X1 ] + β― + Var[Xππ ]
2.4 Distribusi Gamma dan Turunan Kalkulus
Definisi 2.4
2.7
16
Jika ππ adalah sebuah fungsi dan ππ merupakan satu titik interior pada domain ππ.
Jika ππ memiliki nilai maksimum atau minimum lokal di ππ, maka
ππ β² (ππ) = 0 atau ππ β² (ππ) tidak ada
2.8
Teknik pengintegralan parsial
ππ
[ππ(π₯π₯)ππ(π₯π₯)]
ππππ
= ππ(π₯π₯)ππβ² (π₯π₯)
+ ππ(π₯π₯)ππ β² (π₯π₯)
2.9
Misalkan
π’π’ = ππ(π₯π₯) dan π£π£ = ππ(π₯π₯)
ππππ = ππ β² (π₯π₯) dan ππππ = ππβ² (π₯π₯)ππππ
Persamaan 2.9 menjadi
ππ
[π’π’π’π’]
ππππ
= π’π’β² π£π£
+ π’π’π£π£ β²
Perhatikan persamaan (2.9) untuk memperoleh formula integral parsial, ruas kiri
dan kanan dilakukan pengintegralan, sehingga diperoleh:
οΏ½
ππ
[ππ(π₯π₯)ππ(π₯π₯)] = οΏ½ ππ(π₯π₯)ππβ² (π₯π₯)ππππ + οΏ½ ππ(π₯π₯)ππ β² (π₯π₯)ππππ
ππππ
οΏ½ ππ β² (π₯π₯)ππ(π₯π₯)ππππ + οΏ½ ππ(π₯π₯)ππ β² (π₯π₯)ππππ = ππ(π₯π₯)ππ(π₯π₯)
οΏ½ ππ(π₯π₯)ππβ² (π₯π₯)ππππ = ππ(π₯π₯)ππ(π₯π₯)
β οΏ½ ππ(π₯π₯)ππ β² (π₯π₯)ππππ
17
οΏ½ π’π’ ππππ
= π’π’π’π’ β οΏ½ π£π£ ππππ
2.10
Definisi improper integral tipe-I
ππ
(a) Jika β«ππ ππ(π₯π₯)ππππ ada untuk setiap bilangan ππ β₯ ππ, maka;
β
οΏ½ ππ(π₯π₯)ππππ
ππ
ππ
= lim οΏ½ ππ(π₯π₯)ππππ
ππββ ππ
Menyatakan bahwa limit tersebut eksis.
ππ
(b) Jika β«ππ ππ(π₯π₯)ππππ eksis untuk setiap bilangan ππ β€ ππ, maka
ππ
οΏ½ ππ(π₯π₯)ππππ
ββ
ππ
= lim οΏ½ ππ(π₯π₯)ππππ
ππβββ ππ
Menyatakan limit tersebut eksis
β
ππ
Improper integral β«ππ ππ(π₯π₯)ππππ dan β«ββ ππ(π₯π₯)ππππ dikatakan konvergen jika limit
yang dikaitkan ada dan divergen jika limitnya tidak ada.
β
ππ
(c) Jika β«ππ ππ(π₯π₯)ππππ dan β«ββ ππ(π₯π₯)ππππ konvergen, maka didefinisikan:
β
ππ
οΏ½ ππ(π₯π₯)ππππ = οΏ½ ππ(π₯π₯)ππππ
ββ
ββ
β
+ οΏ½ ππ(π₯π₯)ππππ
ππ
2.4.1 Distribusi dan Fungsi Gamma
Andaikan suatu peristiwa Poisson terjadi dengan konstanta rate ππ per unit waktu.
Misalkan variabel acak X menyatakann sebagai waktu tunggu kejadian ke β ππ.
Maka X memiliki pdf πππ₯π₯ (π₯π₯), di mana
ππ ππ
πππ₯π₯ (π₯π₯) = (ππβ1)! π₯π₯ ππβ1 ππ βπ₯π₯
π₯π₯ > 0
Bukti
,
2.10
18
Pembuktian formula untuk πππ₯π₯ (π₯π₯) dilakukan dengan mendifferensialkan fungsi
kumulatif, πΉπΉπ₯π₯ (π₯π₯). Misalkan ππ sebagai waktu tunggu peristiwa ke-r. Maka,
πΉπΉππ (π₯π₯) = ππ(ππ β€ π₯π₯) = 1 β ππ(ππ > π₯π₯)
πΉπΉππ (π₯π₯)
= 1 β (sedikitnya ada ππ kejadian terjadi pada interval [0, π₯π₯])
=1
ππβ1
β οΏ½ ππ β(ππππ )
ππ=0
(ππππ)ππ
ππ!
2.11
Untuk memperoleh fungsi padat peluannya maka fungsi kumulatif pada kejadian
yang berlangsung dalam interval [0, x] adalah variabel acak Poisson dengan
parameter Ξ»x, diturunkan terhadap x, diperoleh fungsi padat peluang sebagai
berikut
πππ₯π₯ (π₯π₯) = πΉπΉ β² π₯π₯ (π₯π₯)
=
ππ
οΏ½1
ππππ
ππβ1
β οΏ½ ππ βππππ
ππ=0
(ππππ)ππ
οΏ½
ππ!
2.12
Berdasarkan aturan differensial dari perkalian dua buah fungsi pada persamaan
(2.9), misalkan π’π’ = ππ βππππ , π£π£ =
ππβ1
ππππ (π₯π₯) = οΏ½οΏ½οΏ½ ππππ βππππ
ππ=0
ππβ1
= οΏ½ οΏ½ππππ
ππ=0
βππππ
ππ β2
ππβ1
ππ=0
ππβ1
(ππππ)ππ
(ππππ)ππβ1
οΏ½ β οΏ½ οΏ½ππππ βππππ
οΏ½
ππ!
(ππ β 1)!
ππ=1
ππβ2
(ππππ)ππ
(ππππ)ππβ1
(ππππ)ππ
οΏ½ + οΏ½ππππ βππππ
οΏ½οΏ½ β οΏ½οΏ½ ππππ βππππ
οΏ½οΏ½
(ππ β 1)!
ππ!
ππ!
ππβ2
= οΏ½οΏ½οΏ½βππ=0
ππππ βππππ
= οΏ½ππππ βππππ
ππ!
(ππππ)ππ
(ππππ)ππβ1
βππππ
οΏ½ β οΏ½οΏ½ ππππ
οΏ½οΏ½
ππ!
(ππ β 1)!
= οΏ½οΏ½οΏ½οΏ½ ππππ βππππ
ππ=0
(ππππ )ππ
(ππππ )ππ
(ππππ)ππβ1
οΏ½
(ππ β 1)!
ππ!
οΏ½ + οΏ½ππππ βππππ
(ππππ )ππβ1
ππ=0
ππβ2
οΏ½οΏ½ β οΏ½βππ=0
ππππ βππππ
(ππ β1)!
(ππππ )ππ
ππ!
οΏ½οΏ½
19
=
ππππ βππππ (ππ)ππβ1 (π₯π₯)ππβ1
(ππ β 1)!
(ππ)ππβ1+1 (π₯π₯)ππβ1 ππ βππππ
=
(ππ β 1)!
ππππ
πππ₯π₯ (π₯π₯) =
π₯π₯ ππ β1 ππ βππππ
(ππ β 1)!
, π₯π₯ > 0
Definisi 2.5
Diberikan bilangan riil r > 0 dan Ξ» > 0, peubah acak X dikatakan sebagai fungsi
gamma pdf dengan parameter r dan Ξ» jika:
ππππ
πππ₯π₯ (π₯π₯) =
π₯π₯ ππ β1 ππ βππππ
(ππ β 1)!
Fungsi Gamma
ππππ ππβ1 βππππ
, π₯π₯ > 0 atau πΊπΊ(π₯π₯: ππ, ππ) =
π₯π₯ ππ
, π₯π₯ > 0
Ξ(ππ)
Ξ(ππ)
β
= οΏ½ π₯π₯ ππβ1 ππ βπ₯π₯ ππππ
2.13
0
Beberapa pembuktian fungsi gamma untuk membantu penurunan rumus dalam
1
1
distribusi gamma. Mula-mula akan dicari nilai dari Ξ οΏ½2οΏ½, substitusi nilai ππ = 2
ke pers. (2.13)
β
1
1
Ξ οΏ½ οΏ½ = οΏ½ π₯π₯ 2β1 ππ βπ₯π₯ ππππ
2
1
ΞοΏ½ οΏ½
2
0
ππ
1
= lim οΏ½ π₯π₯ β2 ππ βπ₯π₯ ππππ
ππββ
0
2.14
Fungsi diatas dijadikan kedalam bentuk polar, maka pertama-tama misalkan
sebagai berikut:
ππππ
Substitusi π₯π₯ = π’π’2 β ππππ = 2π’π’ ke persamaan (2.14)
ππ
1
1
2 1
Ξ οΏ½ οΏ½ = lim οΏ½(π’π’2 )β2 ππ βπ’π’ π’π’π’π’π’π’
ππββ
2
2
0
20
ππ
ππ
1
1
2 1
2
Ξ οΏ½ οΏ½ = lim οΏ½ π’π’β1 ππ βπ’π’ π’π’π’π’π’π’ = lim οΏ½ ππ βπ’π’ ππππ
ππββ
2
2
2 ππββ
2
β
πΌπΌ = οΏ½ ππ
2
0
πΌπΌ = οΏ½
βπ’π’ 2
2ππ
0
0
β
ππππ οΏ½ ππ
β
οΏ½ ππ
0
0
βππ 2
ππ
βπ£π£ 2
β
β
0
ππππ = οΏ½ οΏ½οΏ½ ππ βπ’π’
0
ππππππππππ = οΏ½
2ππ
0
0
β
2 βπ£π£ 2
πππποΏ½ ππππ
2
ππππ οΏ½ ππ βππ 2ππππππ = 4Ο
0
ππ
1
1
1
2 1
2
Ξ οΏ½ οΏ½ = lim οΏ½ π’π’β1 ππ βπ’π’ π’π’π’π’π’π’ = lim οΏ½ ππ βπ’π’ ππππ = οΏ½2βπποΏ½
ππββ
2
2
2 ππββ
2
0
0
1
Dihasilkan Ξ οΏ½2οΏ½ = βππ
Substitusi ππ = 1 ke pers (2.13) diperoleh:
β
Ξ(1) = οΏ½ π₯π₯1β1 ππ βπ₯π₯ ππππ
0
β
= οΏ½ ππ βπ₯π₯ ππππ
0
ππ
= lim οΏ½ ππ βπ₯π₯ ππππ
ππββ
0
= lim οΏ½βππ βπ₯π₯ |ππ0 οΏ½ = lim {(βππ βππ ) β (βππ β0 )}
ππββ
=β
1
+ ππ 0
ππ β
ππββ
=0+1
=1
Dihasilkan Ξ(1) = 1
Substitusi ππ = 2 ke pers (2.13) diperoleh:
β
Ξ(2) = οΏ½ π₯π₯ 2β1 ππ βπ₯π₯ ππππ
0
21
β
Ξ (2) = οΏ½ π₯π₯ππ βπ₯π₯ ππππ
0
ππ
= lim οΏ½ π₯π₯ππ βπ₯π₯ ππππ
ππββ
0
= lim β π₯π₯ππ
ππββ
βπ₯π₯
ππ
+ lim οΏ½ ππ βπ₯π₯ ππππ
ππββ
0
ππ
= lim οΏ½βπ₯π₯ππ βπ₯π₯ |ππ0 οΏ½ + lim οΏ½ ππ βπ₯π₯ ππππ
ππββ
ππββ
ππ
0
= lim οΏ½ ππ βπ₯π₯ ππππ = 1
ππββ
0
ππ
Ξ(2) = (ββππ ββ + 0ππ 0 ) + lim οΏ½ ππ βπ₯π₯ ππππ = (0 + 0) + 1
ππββ
β
Ξ(2 ) = οΏ½ π₯π₯ππ βπ₯π₯ ππππ
0
0
β
Diperoleh nilai Ξ(2) = οΏ½ π₯π₯ππ βπ₯π₯ ππππ = 1
0
Substitusi ππ = 3 ke pers (2.13) diperoleh:
β
Ξ(3) = οΏ½ π₯π₯ 3β1 ππ βπ₯π₯ ππππ
0
ππ
Ξ(3) = lim οΏ½ π₯π₯ 2 ππ βπ₯π₯ ππππ
ππββ
0
ππ
= β lim οΏ½ π₯π₯ 2 ππππ βπ₯π₯
ππββ
0
2 βπ₯π₯
= β lim π₯π₯ ππ
ππββ
ππ
+ 2 lim οΏ½ π₯π₯ππ βπ₯π₯ ππππ
ππββ
0
22
Ξ(3) =
β lim οΏ½π₯π₯ 2 ππ βπ₯π₯ |ππ0 οΏ½
ππββ
ππ
+ lim οΏ½ π₯π₯ππ βπ₯π₯ ππππ
ππββ
0
ππ
Ξ(3) = β{(β2 ππ ββ ) β (02 ππ β0 )} + 2 lim οΏ½ π₯π₯ππ βπ₯π₯ ππππ
ππββ
ππ
0
Ξ(3) = (0 + 0) + 2 lim οΏ½ π₯π₯ππ βπ₯π₯ ππππ
Ξ(2) =
β
β«0
ππββ
0
π₯π₯ππ βπ₯π₯ ππππ = 1 maka
β
Ξ(3) = 2 οΏ½ π₯π₯ππ βπ₯π₯ ππππ
0
Ξ(3) = 2Ξ(2)
Ξ(3) = 2
β
Diperoleh Ξ(3) = οΏ½ π₯π₯ 3β1 ππ βπ₯π₯ ππππ = 2
0
Substitusi ππ = 4 ke pers (2.13) diperoleh:
β
Ξ(4) = οΏ½ π₯π₯ 4β1 ππ βπ₯π₯ ππππ
0
ππ
Ξ(4) = lim οΏ½ π₯π₯ 3 ππ βπ₯π₯ ππππ
ππββ
0
ππ
ππ
Ξ(4) = lim οΏ½ π₯π₯ 3 ππ βπ₯π₯ ππππ = β lim οΏ½ π₯π₯ 3 ππππ βπ₯π₯
ππββ
0
ππββ
ππ
0
= β lim π₯π₯ 3 ππ βπ₯π₯ |ππ0 + 3 lim οΏ½ π₯π₯ 2 ππ βπ₯π₯ ππππ
ππββ
=
βlimπ₯π₯ 3 ππ βπ₯π₯ |ππ0
ππββ
ππββ
0
ππ
+ 3 lim οΏ½ π₯π₯ 2 ππ βπ₯π₯ ππππ
ππββ
0
ππ
= lim (βππ 3 ππ βππ + 03 ππ β0 ) + 3 lim οΏ½ π₯π₯ 2 ππ βπ₯π₯ ππππ
ππββ
ππββ
0
23
3 ββ
= ββ ππ
3 β0
+ 0 ππ
ππ
ππ
+ 3 lim οΏ½ π₯π₯ 2 ππ βπ₯π₯ ππππ
ππββ
0
= (0 + 0) + 3 lim οΏ½ π₯π₯ 2 ππ βπ₯π₯ ππππ
ππββ
Ξ(4) = (0 + 0) + 3Ξ(3)
0
Ξ(4) = 6
β
Diperoleh Ξ(4) = οΏ½ π₯π₯ 4β1 ππ βπ₯π₯ ππππ = 6
0
Akan dicari formula ke-r untuk fungsi gamma sebagai berikut:
β
πͺπͺ(ππ) = οΏ½ ππππβππ ππβππ π π π π
ππ
ππ
ππ
Ξ(ππ) = lim οΏ½ π₯π₯ ππβ1 ππ βπ₯π₯ ππππ = β lim οΏ½ π₯π₯ ππβ1 ππππ βπ₯π₯
ππββ
ππββ
0
ππ
0
Ξ(ππ) = β lim π₯π₯ ππβ1 ππ βπ₯π₯ |ππ0 + lim οΏ½ ππ βπ₯π₯ πππ₯π₯ ππβ1
ππββ
ππββ
0
β
= ββππβ1 ππ ββ + 0ππβ1 ππ 0 + (ππ β 1) οΏ½ π₯π₯ ππ β2 ππ βπ₯π₯ ππππ
ππ
0
Ξ(ππ) = 0 + 0 + (ππ β 1) lim οΏ½ π₯π₯ ππ β2 ππ βπ₯π₯ ππππ
ππ
ππββ
0
Ξ(ππ) = β(ππ β 1) lim οΏ½ π₯π₯ ππβ2 ππππ βπ₯π₯
ππββ
0
ππ
Ξ(ππ) = β(ππ β 1) οΏ½ lim π₯π₯ ππβ2 ππ βπ₯π₯ |ππ0 β (ππ β 2) lim οΏ½ π₯π₯ ππβ3 ππ βπ₯π₯ ππππ οΏ½
ππββ
ππββ
0
24
Ξ(ππ)
= β(ππ β 1) οΏ½(βππβ2 ππ ββ ) β (0ππβ2 ππ β0 )
ππ
β (ππ β 2) lim οΏ½ π₯π₯ ππ β3 ππ βπ₯π₯ ππππ οΏ½
ππββ
0
ππ
Ξ(ππ) = β(ππ β 1) οΏ½0 β 0 β (ππ β 2) lim οΏ½ π₯π₯ ππ β3 ππ βπ₯π₯ ππππ οΏ½
ππββ
ππ
0
Ξ(ππ) = (ππ β 1)(ππ β 2) οΏ½ lim οΏ½ π₯π₯ ππβ3 ππ βπ₯π₯ πππποΏ½
ππββ
0
ππ
Ξ(ππ) = β(ππ β 1)(ππ β 2) οΏ½ lim οΏ½ π₯π₯ ππ β3 ππππ βπ₯π₯ οΏ½
Ξ(ππ)
ππββ
0
= β(ππ β 1)(ππ β 2) οΏ½limβ‘π₯π₯ ππ β3 ππ βπ₯π₯ |ππ0 β (ππ
ππββ
ππ
β 3) lim οΏ½ π₯π₯ ππ β4 ππ βπ₯π₯ πππποΏ½
ππββ
0
Ξ(ππ) = β(ππ β 1)(ππ β 2) οΏ½(βππβ3 ππ ββ ) β (0ππβ3 ππ β0 ) β (ππ
ππ
β 3) lim οΏ½ π₯π₯ ππβ4 ππ βπ₯π₯ πππποΏ½
ππββ
0
ππ
Ξ(ππ) = β(ππ β 1)(ππ β 2) οΏ½0 β 0 β (ππ β 3) lim οΏ½ π₯π₯ ππβ4 ππ βπ₯π₯ πππποΏ½
ππ
ππββ
0
Ξ(ππ) = (ππ β 1)(ππ β 2)(ππ β 3) οΏ½ lim οΏ½ π₯π₯ ππβ4 ππ βπ₯π₯ πππποΏ½
ππββ
β
0
Ξ(ππ) = (ππ β 1)(ππ β 2)(ππ β 3) οΏ½οΏ½ π₯π₯ (ππβ3)β1 ππ βπ₯π₯ πππποΏ½
0
25
Pada persamaan terakhir diketahui bahwa nilai terakhir adalah perkalian berulang
menurun maka untuk nilai ππ > 1 maka gamma ππ menjadi:
Ξ(ππ) = (ππ β 1)(ππ β 2)(ππ β 3){Ξ(ππ β 3)}
Ξ(ππ) = (ππ β 1)Ξ(ππ β 1)
Ξ(ππ) = (ππ β 1)(ππ β 2)(ππ β 3) β¦ 3.2.1
Ξ(ππ) = (ππ β 1)!, di mana ππ > 1
Ξ(π₯π₯ + 1) = π₯π₯Ξ(π₯π₯) = π₯π₯!
Ξ(π₯π₯ + 1)
π₯π₯
Ξ(π₯π₯ + ππ)
Ξ(π₯π₯) =
π₯π₯(π₯π₯ + 1) β¦ (π₯π₯ + ππ β 1)
(π₯π₯ + ππ)!
π₯π₯! =
(π₯π₯ + 1)ππ
Ξ(π₯π₯) =
π₯π₯ + ππ > 0
di mana (π₯π₯ + 1)ππ = π₯π₯(π₯π₯ + 1) β¦ (π₯π₯ + ππ β 1) untuk ππ > 0
π₯π₯! =
ππ! (ππ + 1)π₯π₯
ππ! ππ π₯π₯ (ππ + 1)π₯π₯
=
(π₯π₯ + 1)ππ
(π₯π₯ + 1)ππ
ππ π₯π₯
ππ! ππ π₯π₯
ππ! ππ π₯π₯
= lim
ππββ (π₯π₯ + 1)ππ
ππββ π₯π₯(π₯π₯ + 1) β¦ (π₯π₯ + ππ β 1)
lim
Diperoleh identitas
ππ! ππ π₯π₯
ππββ π₯π₯(π₯π₯ + 1) β¦ (π₯π₯ + ππ β 1)
Ξ(π₯π₯) = lim
Identitas Weierstrass
ππ! ππ π₯π₯
π₯π₯(π₯π₯ + 1) β¦ (π₯π₯ + ππ β 1)
=
1 1
1
(ππ)β1β β ββ―β οΏ½ 1
2 3
ππ
ππ π₯π₯οΏ½ππππ
π₯π₯
π₯π₯
π₯π₯
ππ 1
ππ 2
ππ ππ
β―
π₯π₯ 1 + π₯π₯/1 1 + π₯π₯/2 1 + π₯π₯/ππ
26
ππ! ππ π₯π₯
lim
ππββ π₯π₯(π₯π₯ + 1) β¦ (π₯π₯ + ππ β 1)
=
Ξ(π₯π₯) =
Ξ(π₯π₯) =
1 1
1
(ππ)β1β β ββ―β οΏ½ 1
2 3
ππ
lim ππ π₯π₯οΏ½ππππ
ππ ββ
π₯π₯ 1
1 1
1
π₯π₯οΏ½ππππ (ππ)β1β β ββ―β οΏ½ 1
2 3
ππ
lim ππ
ππββ
π₯π₯ 1
ππ=ππ
1
ππ π₯π₯/ππ
ππ βπΎπΎπΎπΎ lim οΏ½
π₯π₯ ππβ+β
1 + π₯π₯/ππ
ππ=1
β
1
ππ π₯π₯/ππ
βπΎπΎπΎπΎ
Ξ(π₯π₯) = ππ
οΏ½
π₯π₯
1 + ππ
Kedua ruas dilogaritmakan diperoleh
π₯π₯
ππ =1
π₯π₯
π₯π₯
π₯π₯
π₯π₯
π₯π₯
π₯π₯
ππ 1
ππ 2
ππ ππ
β―
+ π₯π₯/1 1 + π₯π₯/2 1 + π₯π₯/ππ
ππ 1
ππ 2
ππ ππ
β―
+ π₯π₯/1 1 + π₯π₯/2 1 + π₯π₯/ππ
β
π₯π₯
π₯π₯
ππππ{Ξ(π₯π₯)} = βlog(π₯π₯) β Ξ³π₯π₯ + οΏ½ οΏ½ β ππππ οΏ½1 + οΏ½οΏ½
ππ
ππ
ππ=1
Berdasarkan persamaan terakhir diperoleh ππππππ atau ππππππππππππ ππππππππππππππ yang
dinotasikan oleh Ο(π₯π₯) untuk suatu bilangan bulat tak nol atau negatif dinyatakan
dalam turunan logaritma Ξ(π₯π₯)
ππ
{logβ‘
[Ξ(π₯π₯)]}
ππππ
β
Ξβ²(π₯π₯)
1
1
1
Ο(x) =
= βΞ³ β + οΏ½ β
Ξ(π₯π₯)
π₯π₯
ππ π₯π₯ + ππ
Ο(x) =
β
ππ=1
Ξβ²(π₯π₯)
1
1
= βΞ³ + οΏ½ β
Ξ(π₯π₯)
ππ π₯π₯ + ππ β 1
ππ=1
π₯π₯ β 0, 1, 2, β¦
1
1
πΎπΎ = lim οΏ½1 + + β― + β logβ‘
(ππ)οΏ½ = 0.5772156649 β¦
ππββ
2
ππ
2.5 Estimasi
Estimator dalah kuantitas yang didasarkan dari observasi sampel yang nilainya
diambil
sebagai indikator dari nilai parameter populasi yang tidak diketahui (sebagai
contoh, rata-rata
sampel π₯π₯Μ sering digunakan sebagai estimator dari mean populasi yang tidak
diketahui ππ) semakin lama semakin besar. Peubah acak dalam bentuk