RENCANA PELAKSANAAN PEMBELAJARAN

(RPP)
Pertemuan - XIV
D
I
S
U
S
U
N
Oleh:
Nama : Nova Asianna Simanungkalit
NPM : 14150112
Mata Kuliah : Statiska Matematika
Dosen Pengasuh : Drs. Hotman Simbolon, MS

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN

PROGRAM STUDI : PENDIDIKAN MATEMATIKA
UNIVERSITAS HKBP NOMMENSEN
PEMATANGSIANTAR
2017
 RENCANA PELAKSANAAN PEMBELAJARAN

(RPP)

Mata Kuliah : Statistika Matematika

Semester : VI (Enam)

Bobot : 3 SKS

Pertemuan : XIV (Empat Belas)

Standar Kompetensi : Mahasiswa mampu memahami tentang Estimation

Kompetensi Dasar : Memahami konsep tentang Estimation

Indikator : -Menentukan pendugaan dengan metode klasik

dan metode Bayes
-Menentukan pendugaan dengan metode
maksimum likehood
I. Tujuan Pembelajaran :
Setelah proses pembelajaran berlangsung, diharapkan mahasiswa mampu :
- Menentukan pendugaan dengan metode klasik dan metode Bayes
- Menentukan pendugaan dengan metode maksimum likelihood
II. Materi Pembelajaran :
14.1 Metode Dalam Pendugaan
14.2 Metode Maksimum Likelihood
III. Metode Pembelajaran :
- Ceramah
- Diskusi
- Tanya jawab
IV. Langkah-Langkah Pembelajaran :
- Kegiatan awal : Mahasiswa membaca dan memahami buku Paket
Statistika yang dimiliki.
- Kegiatan Inti : - Penyaji menyajikan isi materi yang disajikan
 - Penyaji Menyampaikan materi Estimation kepada
anggota kelompok dengan jelas dan tepat
- Kegiatan Akhir : Penyaji memberi soal evaluasi kepada para
anggota kelompok dengan bobot soal yang sama
V. Sumber Belajar :
- Kumpulan RPP Statistika Matematika Drs. Hotman Simbolon, M.S
VI. Uraian Materi

ESTIMATION

Ada bebrapa metode dalam melakukan pendugaan sesudah dibicarakan antara lain:
1. Metode klasik
2. Metode bayes
Pada pembicaraan dalam statistic dasar umumnya yang kita bicarakan adalah metode
klasik (pelajari kembali). Beberapa pengertian yang telah dipelajari adalah:
1. Penaksir (penduga) ialah sesuatu nilai yang dapat diyakini mewakili atau mencirikan
parameter.
2. Penaksir (penduga) tak bias adalah penaksir yang rataannya adalah parameter.
3. Penaksir yang bervarians minimum, ialah penaksir dengan varians terkecil sering
disebut dengan penaksir efisien.
4. Penaksir konsisten, ialah penaksir yang sifatnya mendekati parameter apabila ukuran
sampel yang digunakan menaksir makin diperbesar.
5. Penaksir terbaik ialah penaksir yang bias dan bervariasi minimum.

Penaksir (penduga) sering disebut juga keputusan statistic yang digunakan untuk
memperoleh dugaan itulah penduga (penaksir) atau fungsi keputusan.

2 : adalah fungsi keputusan dari contoh (sampel) acak sebagian penduga 2 (varians).
- : ruang keputusan adalah kumpulan semua kemungkinan nilai dugaan yang dapat diambil
oleh penduga.
: penaksirtak bias parameter () =
: penaksirtak bias bila tak memenuhi () =
Besar nya bias B adalah ()
 Metode pendugaan klasik mendasarkan semata-mata pada informasi yang dikandung
dalam contoh, sedangkan metode Bayes menggunakan atau menggabungkan pengetahuan
subjektif mengenai sebaran peluang parameter yang tidak diketahui tersebut dengan
informasi yang diperoleh dari sampel (contoh).

Misalkan bahwa informasi tambahan mengenai tambahan mengenai diberikan

yaitu bahwa parameter bervariasi menurut suatu sebaran peluang tertentu, disebut sebaran
awal dengan nilai tengah awal 0 dan ragam awal 02 . Peluang yang berkaitan dengan sebaran
awal disebut peluang subjektif dengan pengertian bahwa peluang ini mengukur derajat
kepercayaan seseorang mengenai lokasi parameternya.

Teknik Bayes menggunakan sebaran awal bersaama-samadengan bukti yang

dikandung oleh contoh, untuk menghitung sebaran posterior bagi . Penarikan kesimpulan
mengenai parameter populasi selanjutnya didasarkan pada sebaran posterior.

Cotoh 1:

Aggap bahwa sebaran awal bagi proporsi P sebaran catat yang dihasilkan oleh suatu
mesin adalah

P 0,1 0,2
f(p) 0,6 0,4
Dugaan proporsi barang cacat yang dihasilkan oleh mesin ini bila dalam sebuah contoh dua
barang satu barang catat.

Contoh 2 :

Bila p-0,1 maka peluang bahwa dalam suatu sampel acak dua barang terdapat satu catat
2
(; 2, 0, 1) = ( ) (0,1)(0,9) = 0,18 begitu pula bila p=0,2 maka : (; 2, 0, 1) =
1
2
( ) (0,2)(0,8) = 0,32 untuk menghitung peluang posterior bagi parameter p gabung
1
peluang sebesar 0,18 dan 0,32 dengan peluang awal dengan menggunakan rumus Bayes.

Katakana : A : Banyaknya barang cacat dalam sampel = 1

B1 : Proporsi barang cacat adalah p=0,1
B2 : Proporsi barang cacat adalah p=0,2
 (1 )(1 )
Sebaran ( ) = ( |1 )+ (2 )(2 )
1 )(

(0,6)(0,18)
= (0,6)(0,18)+(0,4)(0,32)

= 0,46

Dan mengenai pengurangan diperoleh :

(2 ) = 1 (2 )
= 1 0,46
= 0,54

Dengan demikian sebaran posterior bagi proporsi barang catat P bila x-1 adalah
P 0,2 0,3
f(px=1) 0,46 0,54

Sehingga nilai tengah posteriornya p = (0,1)(0,46) + (0,2)(0,54) = 0,154. Yang

merupakan dugaan titik bagi proporsi barang cacat dalam populasi teorema sama dengan
sebaran posterior bagi nilai tengah (rataan).
Missal x nilai tengah sample berukuran n yang ditarik dari suatu populasi dengan
varians 2 (diketahui), dan sebaran awal nilai tengah populasinya adalah sebaran noemal
dengan nilai tengah 0 dan varians 2 , maka sebaran posterior bagi nilai tengah populasinya
merupakan normal dengan nilai tengah 1 dan varians 12 yaitu :

02 + 0 02 02 + 2
1 =
0 02 + 2 02 + 2
Catatan :
- Jarang 2 diperoleh sehingga diganti dengan 2 asal 30
- Nilai tengah 1 digunakan sebagai dugaan titik populasi dengan selang
kepercayaan Bayes (1 ) 100% sehingga 2 1 < < 1 + 2 1 yang
berpusat pada nilai tengah pasteriornya dan mengandung = (1 ) 100%
peluang posteriornya.
Contoh 3 :

Diketahui dari suatu perusahaan lampu neon umur mampu hidup menyebar normal
dengan simpangan baku 100 jam. Dipercaya bahwa berdasarkan pengalaman merupakan
nilai yang menyebar normal dengan 0 = 800 jam dan 0 = 10 jam. Secara acak diambil
sampel 50 lampu menyala umurnya 780 jam. Tentukanlah selang kepercayaan Bayes bagi .

Menurut Teorema, sebaran posterior bagi nilai tengah menyebar normal dengan nilai
tengah.

02 +0 02 02 +2
1 = 2
0 0 + 2 02 + 2

(25.780)(102 )+ (800)(1002 )
1 = (25)(102 )+(1002 )
= 796

102 .1002
12 = 25.102 + 1002 = 80

Sehingga selang kepercayaan Bayes 95% bagi

2 1 < < 1 + 2 1

796 1,9680 < < 796 + 1,9680

740,8 < < 813,5

Bila informasi awal mengenai diabaikan maka dapat ditaksir

2 ( ) < < 780 + 2 ( )

100 100
780 1,96 < < 780 + 1,96 < < 796 + 1,9680
25 25

740,8 < < 819,2

Nampaknya lebih panjang dari selang kepercayaan Bayesnya.

Catatan :

Penggunaan daftar peluang sebaran normal harus diperhatikan karena ada

menggunakan daftar ada dengan yang mengarah pada tujuan yang sama.
2

METODE MAKSIMUM LIKELIHOOD

Misalkan 1 , 2 suatu sampel acak dari sebaran dengan pdf

(1 0)1 = 0,1
() = { dengan0 1
0,

Peluang untuk 1 = 1 , 2 = 2 , . = dengan pdf bersama

1 (1 )11 (1 )1 = 1 (1 ) 1 dipandang sebagai fungsi 0 dan

dapat dilambangkan dengan () Likelihood function.

() = 1 (1 ) 1 , 0 1

Kita bertanya nilai mana untuk memaksimalkan peluang () yang diperoleh dari
sampel pengamatan 1 , 2 , , tentunya untuk memaksimalkan nilai akan dipandang
sepantasnya penduga yang baik dari karena akan menampil akan peluang terbesar dari
sampel utama.

Memaksimalkan ()sama aja dengan memaksimalkan ln ()

ln () = ( 1 ) + < ln () + ( ) ()
1 1

() =
+ 1
= 0. Maka bukan atau1(1 ) = ( ) yang member

jawaban= , yang berarti memaksimalkan ()dan (), mudah dicek untuk

1
berikut 0 atau 1. = 1 disebut penduga maksimum likelihood dari 0. Misalnya bila n =

5x1= 0, x2 = 1, x4 = 1 = 1 maka L() = 3(1 )2

3
Maka = 5
Prinsip dari metode likelihood:

- Pandang contoh acak x1,x2,xn dari sebaran pdf f(x;), 0.

- Peluang bersama X1,X2,Xn adalah f (x1,). F(x2,), (n;) sebagai fungsi
, (;x1,x2,xn) = f(x1;. F(xn;), .
- Diharapkan bahwa dipeoleh fungsi non trivial dari X1,X2,Xn katakan M (x1,x2,xn)
sehingga bila diganti dengan (x1,x2,xn) f likelihood L maksimum.
L((x1,x2,xn);x1,x2,xn paling sedikit sebesar L((x1,x2,xn)) untuk setiap
- Maka statistic (x1,x2,xn) akan disebut penduga maksimum likelihood dari dan
ditulis = (x1,x2,xn) pada umumnya member nilai yang tunggal.

Contoh 4:

Katakan X1,X2,Xn suatu peubah acak dari sebaran normal (n(, 1) < < .
Carilah penduga maksimum likelihood untuk fungsi likelihood.

1 ()/2
= (; x1, x2, xn) = [ ]
2

Turunan pertama dari L = 0 atau turunan pertamadari ln L.

(;1,2)

dan akan diperoleh 1(1 ) sehingga peubah acak untuk yaitu :
(1)
(x1,x2,xn) =

1
= (x1,x2,xn) = (1) =

Adalah jawaban tunggal penduga maksimum likelihood dari rataan .