(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
(RPP)
Semester : VI (Enam)
Bobot : 3 SKS
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).
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.
(0,6)(0,18)
= (0,6)(0,18)+(0,4)(0,32)
= 0,46
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
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
2 1 < < 1 + 2 1
2 ( ) < < 780 + 2 ( )
100 100
780 1,96 < < 780 + 1,96 < < 796 + 1,9680
25 25
(1 0)1 = 0,1
() = { dengan0 1
0,
() = 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.
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 =
3
Maka = 5
Prinsip dari metode likelihood:
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
(;1,2)
dan akan diperoleh 1(1 ) sehingga peubah acak untuk yaitu :
(1)
(x1,x2,xn) =
1
= (x1,x2,xn) = (1) =