Anda di halaman 1dari 19

ESTIMATOR BAYES DARI DISTRIBUSI BINOMIAL DENGAN PRIOR

UNIFORM DAN DISTRIBUSI BINOMIAL DENGAN PRIOR BETA

NAMA : DEDI NASIR


NIM . 166090500011002

PASCA SARJANA JURUSAN STATISTIKA


FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BRAWIJAYA
MALANG
2017
BAB I
PENDAHULUAN
1.1 LATAR BELAKANG

Metode statistika adalah prosedur-prosedur yang di gunakan dalam

pengumpulan, penyajian, analisis, dan penafsiran data. Dalam penggunaan statistika

terdapat tiga bagian utama, yaitu statistika deskriptif, probabilitas (peluang), dan

statistika inferensi. Statistika deskriptif bertujuan untuk menyajikan informasi data

sebagai deskripsi fakta dalam bentuk numerik, table, grafik atau kurva distribusi,

sehingga suatu fakta atau peristiwa dapat secara mudah untuk di pahami dan di

simpulkan. Sedangkan statistika inferensi menggunakan konsep probabilitas untuk

membuat perkiraan, prediksi, peramalan, ataupun generalisasi dari suatu objek

berdasarkan informasi data yang diambil fakta sebagai populasi atau sampel (Mustafid,

2003). Inferensi statistic dapat dibedakan menjadi dua yaitu estimasi parameter dan uji

hipotesis. Estimasi parameter dibedakan menjadi dua yaitu estimasi titik dan estimasi

parameter berupa interval. Inferensi statistika dapat di cari dengan metode klasik dan

metode Bayes (Walpole dan Myers, 1995).

Pada teori titik dapat dilakukan dengan dua metode yaitu metode klasik dan

metode Bayes. Metode klasik sepenuhnya mengandalkan proses inferensi pada data

sampel yang dia,bil dari populasi, sedangkan metode bayes disamping memanfaatkan

data sampel yang diperoleh dari populasi juga memperhitungkan suatu distribusi awal

yang di sebut prior (Walpole dan Myers, 1995).

Metode Bayes memandang perameter sebagai variable yang menggambarkan

pengetahuan awal tentang parameter sebelum pengamatan dilakukan dan dinyatakan

dalam suatu distribusi yang disebut distribusi prior (Walpole dan Myers, 1995). Setelah
pengamatan dilakukan, informasi dalam distribusi prior dikombinasikan dengan

informasi data sampel melalui teorema Bayes, dan hasilnya dinyatakan dalam bentuk

distribusi yang disebut distribusi posterior yang selanjutnya menjadi dasar untuk

inferensi di dalam metode Bayes (Berger, 1990).

Teorema bayes memungkinkan seseorang untuk memperbaharui

keyakinannya mengenai sebuah parameter setelah data diperoleh, sehingga dalam hal

ini mengharuskan adanya keyakinan awal (prior) sebelum memulai inferensi. Pada

dasarnya distribusi prior bisa diperoleh berdasarkan keyakinan subjektif dari peneliti itu

sendiri mengenai nilai yang mungkin untuk parameter yang diestimasi, sehingga perlu

di perhatikan bagaimana cara menentukan prior (dalam Lokollo, 2012).

1.2 PERUMUSAN MASALAH

Permasalahan yang dibahas adalah bagaimana menentukan estimator Bayes

dengan menggunakan prior uniform dan prior beta serta membandingkan mean square

eror (MSE) terkecil dari estimator bayes dari distribusi binomial yang menggunakan

prior uniform dan distribusi binomial yang menggunakan prior beta.

1.3 BATASAN MASALAH

Masalah dibatasi pada penggunaan prior uniform dan prior beta serta mean

square eror (MSE) sebagai kriteria evaluasi estimator.

1.4 TUJUAN

Membandingkan mean square eror (MSE) terkecil dari estimator Bayes

disrtibusi binomial dengan prior uniform dan estimator bayes dengan prior beta.
BAB II

TINJAUAN PUSTAKA DAN LANDASAN TEORI

2.1. Tinjauan Pustaka

Metode statistika adalah prosedur-prosedur yang digunakan dalam

pengumpulan, penyajian, analisis dan penafsiran data. Dalam penggunaan statistika

terdapat tiga bagian utama, yaitu statistika deskriptif, probabilitas dan statistik

inferensi. Statistic inferensi deskriptif bertujuan untuk menyajikan informasi data

sebagai deskriptif fakta dalam bentuk numeric, grafik, atau kurva distribusi, sehingga

suatu fakta atau peristiwa dapat mudah untuk dipahami atau disimpulkan. Sedangkan

statistika inferensi menggunakan konsep probabilitas untuk membuat perkiraan,

prediksi, peramalan ataupun generalisasi dari suatu objek berdasarkan informasi data

yang diambil fakta sebagai populasi atau sampel (Mustafid, 2003).

Inferensi statistic dapat dibedakan menjadi dua yaitu estimasi parameter dan uji

hipotesis. Estimasi parameter dibedakan menjadi dua yaitu estimasi dan estimasi

parameter berupa interval. Inverensi statistic dapat dicari dengan metode klasik dan

metode Bayes (Walpole dan Myers, 1995).

Metode klasik sepenuhnya mengandalkan proses inferensi pada data sampel

yang diambil dari populasi, sedangkan metode Bayes disamping memanfaatkan data

sampel yang diperoleh dari populasi juga memperhitungkan suatu distribusi awal yang

disebut distribusi prior (Walpole dan Myers, 1995).

Setelah pengamatan dilakukan, informasi dalam distribusi prior dikombinasikan

dengan informasi dengan data sampel melalui teorem Bayes, dan hasilnya dinyatakan
dalam bentuk distribusi yang disebut distribusi posterior yang selanjutnya menjadi

dasar untuk inferensi di dalam metode bayes (Berger, 1990).

2.2. landasan Teori

2.2.1 Variabel Random

Definisi 2.2.1 (Wattimanela, 2005)

Juka 𝑆 adalah ruang sampel dengan ukuran probabilitas dari 𝑋 suatu fungsi riil

yang didefenisikan atas elemen-elemen dari 𝑆, maka 𝑋 disebutvariabel Random.

2.2.2 Fungsi Ditribusi Peluang

Definisi 2.2.2 (Wattimanela, 2005)

Suatu fungsi dapat disebut sebagai distribusi probabilitas dari variabel random

diskrit 𝑋 jika dan hanya jika nilainya, 𝑓(𝑥), memenuhi syarat-syarat

1. 𝑓(𝑥𝑖 ) ≥ 0, untuk setiap nilai dalam domainnya

2. ∑𝑘𝑖=1 𝑓(𝑥) = 1, dimana penjumlahan diperluas atas semua nilai dan domainnya

3. 𝑓(𝑥𝑖 ) = 𝑃(𝑋 = 𝑥𝑖 )

2.2.3 Ekspektasi dan Variansi

Definisi 2.2.3 (Walpole dan Myers, 1995)

Misalkan 𝑋 adalah suatu peubah diskrit dengan distribusi peluang 𝑓(𝑥), maka

nilai ekspektasi 𝑋 ialah

𝜇 = 𝐸(𝑋) = ∑𝑥 𝑥𝑓(𝑥) bila 𝑋 diskrit (2.1)


𝜇 = 𝐸(𝑋) = ∫−∞ 𝑥 𝑓(𝑥) 𝑑𝑥 bila 𝑋 kontinu (2.2)
Teorema 2.2.1 (Wattimanela, 2005)

Jika 𝑎 dan 𝑏 konstanta dan 𝑋 variabel random maka 𝐸(𝑎𝑋 + 𝑏) = 𝑎𝐸(𝑋) + 𝑏

BUKTI

a) Jika variabel random 𝑋 diskrit

𝐸(𝑎𝑋 + 𝑏) = ∑(𝑎𝑥 + 𝑏)𝑓(𝑥)


𝑥

= ∑(𝑎𝑥𝑓(𝑥) + 𝑏𝑓(𝑥))
𝑥

= ∑(𝑎𝑥𝑓(𝑥) + ∑ 𝑏𝑓(𝑥)
𝑥 𝑥

= 𝑎 ∑ 𝑥𝑓(𝑥) + 𝑏 ∑ 𝑓(𝑥)
𝑥 𝑥

= 𝑎𝐸(𝑥) + 𝑏. 1

= 𝑎𝐸(𝑥) + 1

b) Jika variabel random 𝑋 kontinu


−∞

𝐸(𝑎𝑋 + 𝑏) = ∫ (𝑎𝑥 + 𝑏)𝑓(𝑥)


−∞

= ∫ (𝑎𝑥𝑓(𝑥) + 𝑏𝑓(𝑥))𝑑𝑥

−∞ −∞

= ∫ 𝑎𝑥𝑓(𝑥)𝑑𝑥 + ∫ 𝑏𝑓(𝑥)𝑑𝑥
∞ ∞

−∞ −∞

= 𝑎 ∫ 𝑥𝑓(𝑥)𝑑𝑥 + 𝑏 ∫ 𝑓(𝑥)𝑑𝑥
∞ ∞

= 𝑎𝐸(𝑥) + 𝑏. 1

= 𝑎𝐸(𝑥) + 𝑏
Definisi 2.2.4 (Wattimanela, 2005)

Jika 𝑋 adalah variabel random diskrit dengan distribusi peluang 𝑓(𝑥) maka

variansi dari 𝑋 dinotasikan dengan 𝜎 2 atau 𝑉𝑎𝑟 (𝑋), adalah

𝜎 2 = 𝑉𝑎𝑟 (𝑋) = 𝐸([𝑋 − 𝜇]2 )

BUKTI

𝜎 2 = 𝑉𝑎𝑟 (𝑋) = 𝐸([𝑋 − 𝜇]2 )

= ∑(𝑥 − 𝜇 )2 𝑓(𝑥)
𝑥

= ∑(𝑥 2 − 2𝜇𝑥 + 𝜇 2 )𝑓(𝑥)


𝑥

= ∑ 𝑥 2 𝑓(𝑥) − ∑ 2𝜇𝑥 𝑓(𝑥) + ∑ 𝜇 2 𝑓(𝑥)


𝑥 𝑥 𝑥

= ∑ 𝑥 2 𝑓(𝑥) − 2𝜇 ∑ 𝑥 𝑓(𝑥) + 𝜇 2 ∑ 𝑓(𝑥)


𝑥 𝑥 𝑥

= 𝐸(𝑥 2 ) − 2𝜇𝐸(𝑋) + 𝜇 2 (1)

= 𝐸(𝑥 2 ) − 2𝜇(𝜇) + 𝜇 2

= 𝐸(𝑥 2 ) − 𝜇 2 , (2.3)

Standar deviasi 𝑋 adalah 𝜎 = √𝜎 2

Definisi 2.2.5 (Wattimanela, 2005)

Jika 𝑋 adalah suatu variabel random kontinu dengan fungsi densitas peluang

𝑓(𝑥), maka variansi dari 𝑋 yang dinotasikan dengan 𝜎 2 adalah

𝜎 2 = 𝑉𝑎𝑟 (𝑋) = 𝐸(𝑋 − 𝜇)2


BUKTI

𝜎 2 = 𝑉𝑎𝑟 (𝑋) = 𝐸([𝑋 − 𝜇]2 )

−∞

= ∫ (𝑥 − 𝜇)2 𝑓(𝑥)𝑑𝑥

−∞

= ∫ (𝑥 2 − 2𝜇𝑥 + 𝜇 2 )𝑓(𝑥)𝑑𝑥

−∞ −∞ −∞

= ∫ 𝑥 𝑥(𝑥)𝑑𝑥 − ∫ 2𝜇𝑥𝑓(𝑥) 𝑑𝑥 + ∫ 𝜇 2 𝑓(𝑥)𝑑𝑥


2

∞ ∞ ∞

−∞ −∞ −∞

= ∫ 𝑥 2 𝑥(𝑥)𝑑𝑥 − 2𝜇 ∫ 𝑥𝑓(𝑥) 𝑑𝑥 + 𝜇 2 ∫ 𝑓(𝑥)𝑑𝑥


∞ ∞ ∞

= 𝐸(𝑋 2 ) − 2𝜇𝐸[𝑋] + 𝜇 2 (1)

= 𝐸(𝑋 2 ) − 𝜇 2 (2.4)

Standar deviasi 𝑋 adalah 𝜎 = √𝜎 2

Teorema 2.2.2 (Spiegel, Schiller, dan Srinivasan, 2004)

Jika 𝑋 adalah variabel random dengan fungsi densitas peluang 𝑓(𝑥), maka

variansi dari 𝑋 dinotasikan 𝜎 2 adalah

𝜎 2 = 𝐸(𝑋 − 𝜇)2 = 𝐸(𝑋 2 ) − [𝐸(𝑋)]2

Dimana 𝜇 = 𝐸(𝑋)

BUKTI

𝜎 2 = 𝐸(𝑋 − 𝜇)2 = 𝐸(𝑋 2 − 2𝜇𝑋 + 𝜇 2

= 𝐸(𝑋 2 ) − 2𝜇𝐸(𝑋) + 𝜇 2
= 𝐸(𝑋 2 ) − 2𝜇𝜇 + 𝜇 2

= 𝐸(𝑋 2 ) − 𝜇 2

= 𝐸(𝑋 2 ) − [𝐸(𝑋)]2

Teorema 2.2.3 (Bain dan Engelhardt, 1992)

Misalkan 𝑋 variabel random dan 𝑎 dan 𝑏 adalah konstanta, maka

𝑉𝑎𝑟(𝑎𝑋 + 𝑏) = 𝑎2 𝑉𝑎𝑟(𝑋)

BUKTI

𝑉𝑎𝑟(𝑎𝑋 + 𝑏) = 𝐸[(𝑎𝑥 + 𝑏)2 ] − (𝐸[𝑎𝑥 + 𝑏])2

= 𝐸[𝑎2 𝑥 2 + 2𝑎𝑥𝑏 + 𝑏 2 ] − ([𝐸[𝑎𝑥] + 𝐸[𝑏]]2 )

= 𝐸[𝑎2 𝑥 2 ] + 𝐸[2𝑎𝑥𝑏] + 𝐸[𝑏 2 ] − (𝑎𝐸[𝑥] + 𝑏)2

= 𝑎2 [𝑥 2 ] + 2𝑎𝑏𝐸[𝑋] + 𝑏 2 − [𝑎2 (𝐸[𝑋])2 + 2𝑎𝑏𝐸(𝑋) + 𝑏 2

= 𝑎2 𝐸[𝑥 2 ] + 2𝑎𝑏𝐸[𝑋] + 𝑏 2 − [𝑎2 (𝐸[𝑋])2 + 2𝑎𝑏𝐸(𝑋) + 𝑏 2

= 𝑎2 𝐸[𝑥 2 ] − 𝑎2 (𝐸[𝑋])2

= 𝑎2 [𝐸(𝑥 2 ) − (𝐸[𝑋])2

= 𝑎2 𝑉𝑎𝑟 (𝑋)

2.2.3 Fungsi Densitas Peluang Bersama

Definisi 2.2.6 (Bain dan Engelhardt, 1992)

Fungsi densitas probabilitas bersama dari k-dimensi variabel random diskrit

𝑋 = (𝑋1 , 𝑋2 , … , 𝑋𝑘 ) didefinisikan

𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑘 ) = 𝑃[(𝑋1 ∶ 𝑥1 , 𝑋2 ∶ 𝑥2 , … , 𝑋𝑘 ∶ 𝑥𝑘 ] (2.5)


Untuk semua nilai 𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑘 ) dari 𝑋

Definisi 2.2.7 (Bain dan Engelhardt, 1992)

Sebuak k-dimensi nilai vektor random 𝑋 = (𝑋1 , 𝑋2 , … , 𝑋𝑘 ) kontinu dengan

fungsi densitas bersama 𝑓 = (𝑥1 , 𝑥2 , … , 𝑥𝑘 ), maka fungsi densitas komulatifnya dapat

ditulis

𝑥1 𝑥𝑘

𝐹(𝑥1 , … , 𝑥𝑘 ) = ∫ … ∫ 𝑓(𝑡1 , … , 𝑡𝑘 )𝑑𝑡1 , … , 𝑑𝑡𝑘 (2.6)


−∞ −∞

Untuk semua 𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑘 )

2.2.4 Fungsi Densitas Peluang Marginal

Definisi 2.2.8 (Bain dan Engelhardt, 1992)

Jika pasangan (𝑋1 , 𝑋2 ) adalah variabel random diskrit yang mempunyai fungsi

densitas probabilitas bersama 𝑓(𝑥1 , 𝑥2 ), maka fungsi densitas probabilitas marginal

untuk 𝑋1 dan 𝑋2 adalah

𝑓1 (𝑥1 ) = ∑ 𝑓(𝑥1 , 𝑥2 ) (2.7)


𝑥2

𝑓2 (𝑥2 ) = ∑ 𝑓(𝑥1 , 𝑥2 ) (2.8)


𝑥1

Jika pasangan (𝑋1 , 𝑋2 ) adalah variabel random kontinu yang mempunyai fungsi

densitas probabilitas bersama 𝑓(𝑥1 , 𝑥2 ), maka fungsi densitas probabilitas marginal

untuk 𝑋1 dan 𝑋2 adalah

𝑓1 (𝑥1 ) = ∫ 𝑓(𝑥1 , 𝑥2 ) 𝑑𝑥2 (2.9)


−∞

𝑓2 (𝑥2 ) = ∫ 𝑓(𝑥1 , 𝑥2 ) 𝑑𝑥1 (2.10)


−∞

2.2.6 Fungsi Gamma

Definisi 2.2.9 (Soehardjo, 1985 dalam Ade Chandra, 2011)

Fungsi Gamma didefinisikan oleh


Γ(𝑛) = ∫0 𝑥 𝑛−1 𝑒 −𝑥 𝑑𝑥 (2.11)

Untuk 𝑛 > 0, 𝑛 pecahan negatif 𝑛 bukan bilangan bulat negatif.

Teorema 2.2.4 (Soehardjo, 1985 dalam Ade Chandra, 2011)

Sifat-sifat fungsi Gamma antara lain :

Γ(𝑛)
a. Γ(𝑛) = (𝑛 − 1)Γ(𝑛 − 1) atau Γ(𝑛 − 1) = (𝑛−1) (2.12)

𝑛 > 1 , 𝑛 pecahan negatif 𝑛 bukan bilangan bulat negative

b. Τ(𝑛) = (𝑛 − 1)! (2.13)

1
c. Γ (2) = √𝜋 (2.14)

2.2.7 Distribusi Uniform

Definisi 2.2.10 (Berger, 1990)

Distribusi uniform kontinu memiliki sebarang probabilitas yang sama pasda

seluruh interval [𝑝, 𝑞], dengan densitas

1
jika 𝑥𝜖[𝑝, 𝑞]
𝑓(𝑥|𝑝, 𝑞) = {𝑞 − 𝑝 (2.15)
0, yang lain

𝑞
Sehingga ∫𝑝 𝑓(𝑥)𝑑𝑥 = 1
2.2.8 Distribusi Beta

Definisi 2.2.11 (Spiegel, Schiller dan Srinivasan, 2004)

Suatu variabel acak dikatakan memiliki distribusi beta dangan parameter

𝑎 dan 𝑏, jika fungsi kepadatannya adalah

1
𝑥 𝑎−1 (1 − 𝑥)𝑏−1 0 < 𝑥 < 1
𝑓(𝑥) = {𝐵(𝑎, 𝑏) (2.16)
0 yang lain

Dimana 𝐵(𝑎, 𝑏) merupakan fungsi beta yang didefinisikan sebagai

𝐵(𝑎, 𝑏) = ∫ 𝑥 𝑎−1 (1 − 𝑥)𝑏−1 𝑑𝑥 𝑎 > 0, 𝑏 > 0. (2.17)


0

2.2.8 Distribusi Binomial

Definisi 2.2.12 (Walpole dan Myers, 1995)

Suatu percobaan sering terdiri atas beberapa usaha dan tiap usaha dengan dua

kemungkinan yang diberi nama sukses dan gagal, percobaan tersebut dinamakan

percobaan binomial jika :

1. Percobaan terdiri atas n yang berulang

2. Tiap usaha memberikan hasil yang dapat ditentukan dengan sukses atau gagal

3. Peluang sukses dinyatakan dengan 𝜃, tidak berubah dari usaha yang satu ke

usaha yang berikutnya

4. Tiap usaha bebas dari usaha yang lain

Distribusi probabilitas variabel binomial X disebut distribusi binomial dan

dinyatakan dengan Binomial (𝑥; 𝑛, 𝜃) karena nilainya tergantung pada banyaknya

usaha (n) dan probabilitas sukses dalam usaha (𝜃) dan gagal dengan probabilitas
(1 − 𝜃). Maka distribusi probabilitas variabel random Binomial X yaitu banyaknya

sukses dalam n usaha bebas ialah

𝑛
𝐵𝑖𝑛(𝑥; 𝑛, 𝜃) = ( ) 𝜃 𝑥 − 𝜃 𝑥 , 𝑥 = 1,2, … , 𝑛 (2.18)
𝑥

Teorema 2.2.5

Distribusi Binomial (𝑥; 𝑛, 𝜃) mempunyai mean dan variansi

𝜇 = 𝑛𝜃 dan 𝜎 2 = 𝑛𝜃(1 − 𝜃)

2.2.9 Teorema Bayes

Definisi 2.2.13 (Soejoeti dan Soebanar, 1988)

Misal S adalah ruang sampel dari suatu eksperimen dan 𝐴1 , 𝐴2 , … , 𝐴𝑘 adalah

peristiwa-peristiwa di dalam S sedemikian sehingga 𝐴1 , 𝐴2 , … , 𝐴𝑘 saling asing dan

⋃𝑘𝑖 𝐴𝑘 = 𝑆 dikatakan bahwa 𝐴1 , 𝐴2 , … , 𝐴𝑘 membentuk partisi di dalam S.

2.2.10 Distribusi Prior

Dalam inferensi bayes untuk kasus binomial, parameter 𝜃 diperlukan sebagai

variabel, maka akan mempunyai nilai dalam sebuah domain dengan densitas 𝑓(𝜃), dan

densitas inilsh ysng dinamakan sebagai distribusi prior dari 𝜃, dengan adanya infofmasi

prior ini maka akan kombinasikan dengan kata sampel yang digunakan dalam

membentuk posterior.

Prior merupakan bentuk distribusi frequency yang merupakan representasi

objektif pada suatu parameter yang lebih rasional untuk dipercayai, atau prior

merupakan suatu representasi subjektifitas seseorang dalam memandang sebuah

parameter menurut penilaiannya sendiri. Sehingga permasalahan pokok agar prior dapat
interpretatif adalah bagaimana memilih distribusi prior untuk suatu parameter yang

tidak diketahui namun sesuai dengan permasalahan yang ada.

2.2.9 Distribusi Posterior

Definisi 2.2.14 (Soejoeti dan Soebanar, 1988)

Distribusi posterior adalah fungsi densitas bersyarat 𝜃 jika diketahui nilai

observasi x ini dapat ditulis sebagai :

𝑓(𝜃, 𝑥)
𝑓(𝜃|𝑥) = (2.19)
𝑓(𝑥)

Apabila 𝜃 kontinu, distribusi prior dan posterior 𝜃 dapat disajikan dengan fungsi

densitas. Fungsi densitas bersyarat satu variabel random jika diketahui nilai variabel

random kedua hanyalah fungsi kepadatan bersama dua variabel random itu dibagi

dengan fungsi densitas marginal variabel random kedua. Tetapi fungsi densitas bersama

𝑓(𝜃, 𝑥) dan fungsi densitas marginal 𝑓(𝑥) pada umumnya tidak diketahui, hanya

distribusi prior dan fungsi likelihood yang biasanya dinyatakan.

Fungsi densitas bersama yang diperlukan dapat ditulis dalam bentuk distribusi

prior dan fungsi likelihood sebagai berikut

𝑓(𝜃, 𝑥) = 𝑓(𝜃|𝑥)𝑓(𝜃) (2.20)

Dimana 𝑓(𝜃|𝑥) merupakan fungsi likelihood dan 𝑓(𝜃) merupakan fungsi densitas

distribusi prior. Selanjutnya fungsi densitas marginal dapat dinyatakan sebagai berikut

∞ ∞

𝑓(𝑥) = ∫ 𝑓(𝜃, 𝑥)𝑑𝜃 = ∫ 𝑓(𝜃) 𝑓(𝜃, 𝑥)𝑑𝜃 (2.21)


−∞ −∞
Sehingga dari persamaan (2.19), (2.20) dan (2.21), fungsi densitas posterior untuk

variabel random kontinu dapat ditulis sebagai

𝑓(𝜃)𝑓(𝜃|𝑥)
𝑓(𝜃|𝑥) = ∞ (2.22)
∫−∞ 𝑓(𝜃)𝑓(𝜃|𝑥)𝑑𝜃

Distribusi posterior dapat digunakan untuk menentukan estimator dan estimasi interval

dari parameter yang tidak diketahui.

2.2.10 Metode Evaluasi Estimator

Estimator yang telah diperoleh dengan metode pendekatan bayes dalam hal ini

Prior Uniform dan prior Beta akan menghasilkan estimator yang berbeda. Estimator

terbaik yang memenuhi sifat tertentu, diantaranya sifat Bias dan MSE.

2.2.11 Sifat-Sifat Estimator yang Baik

Suatu penduga 𝛿 dikatakan baik jika memiliki sifat-sifat sebagai berikut :

1. Tidak Bias

Definisi 2.2.15 (Bain dan Engelhardt, 1992)

Suatu estimator dikatakan tidak bias terhadap parameter 𝜃 jika 𝐸(𝛿) =

𝜃. Jadi penduga tersebut secara tepat menduga nilai dari parameternya.

Sebaliknya, suatu penduga dikatakan bias bagi parameter jika nilai penduga

tersebut tidak sama dengan nilai yang diduganya (parameternya), atau dapat

ditulis:

[𝑏𝑖𝑎𝑠(𝛿)] = 𝐸(𝛿) − 𝜃

Dengan 𝐸(𝛿) dikatakan kuadrat galat tengah, dan [𝛿 − 𝜃] disebut galat

penduga.
2. Efisien

Definisi 2.2.16 (Bain dan Engelhardt, 1992)

Suatu estimator dikatakan efisien bagi parameternya apabila estimator

tersebut memiliki variansi yang lebih kecil, dan apabila terdapat lebih dari satu

estimator, estimator yang efisien adalah penduga yang memiliki variansi

terkecil.

3. Konsisten

Definisi 2.2.17 (Bain dan Engelhardt, 1992)

Jika {𝛿𝑛 } merupakan estimator dari parameter 𝜃, estimator ini dikatakan

konsisten dari 𝜃 jika untuk setiap 𝜀 > 0,

lim 𝑃[|𝛿𝑛 − 𝜃| < 𝜀] = 1 untuk setiap 𝜃𝜖Ω


𝑛→∞

Suatu estimator dikatakan konsisten apabila memenuhi syarat sebagai berikut:

a. Jika ukuran sampel semakin bertambah maka estimator akan mendekati

parameternya, jika besarnya sampel menjadi tak berhingga maka estimator

konsisten harus dapat memberi suatu dugaan titik yang sempurna terhadap

parameternya, jadi 𝛿 merupakan estimator konsisten jika dan hanya jika

𝐸(𝛿 − 𝜃)2 → 0 jika 𝑛 → ~

b. Jika ukuran sampel bertambah tak berhingga maka distribusi sampling

estimator akan mengecil.

2.2.12. Mean Square Eror

Teorema 2.2.10 (Berger, 1990)

Jika W merupakan sebuah estimator untuk 𝜃, maka Mean Square Eror (MSE)

dari estimator W merupakan fungsi 𝐸(𝑊 − 𝜃)2 , MSE mengukur rataan kuadrat dari

selisih estimator W dengan parameter 𝜃 yang didefinisikan sebagai


𝐸(𝑊 − 𝜃)2 = 𝑉𝑎𝑟 𝑊 + (𝐸(𝑊) − 𝜃)2

= 𝑉𝑎𝑟 (𝑊) + (𝑏𝑖𝑎𝑠 (𝑊))2

Bukti Persamaan 2.2.13

𝑀𝑆𝐸(𝑊) = 𝐸(𝑊 − 𝜃)2

= 𝐸(𝑊 − 𝐸(𝑊) − 𝐸(𝑊) − 𝜃)2

= 𝐸((𝑊)2 + 2𝑊𝐸(𝑊) − (𝐸(𝑊))2 ) + 𝐸((𝐸(𝑊))2 − 2𝐸(𝑊)𝜃 − 𝜃 2 )

= (𝐸((𝑊)2 ) − 2𝐸 ((𝑊)(𝐸(𝑊))) + 𝐸(𝐸(𝑊)2 ) + ((𝐸(𝐸(𝑊)))2

− 2𝐸(𝐸(𝑊))𝐸(𝜃) + (𝐸(𝜃))2 )

= ((𝐸(𝑊)2 ) − 2 (𝐸(𝑊)𝐸(𝐸(𝑊))) + 𝐸((𝑊))2 ) + (((𝐸(𝑊)))2

− 2(𝐸(𝑊))(𝜃) + (𝜃)2 )

= ((𝐸(𝑊)2 ) − 2(𝐸(𝑊))(𝐸(𝑊)) + (𝐸(𝑊))2 ) + (𝑏𝑖𝑎𝑠(𝑊))2

= ((𝐸(𝑊)2 ) − 2(𝐸(𝑊))2 + (𝐸(𝑊))2 ) + (𝑏𝑖𝑎𝑠(𝑊))2

= (𝐸(𝑊)2 − (𝐸(𝑊))2 ) + (𝑏𝑖𝑎𝑠(𝑊))2

= 𝑉𝑎𝑟(𝑊) + (𝑏𝑖𝑎𝑠(𝑊))2 (2.23)


2 KESIMPULAN

a) Distribusi sampel yang digunakan adalah distribusi binomial dan prior yang

digunakan adalah prior uniform dan prior beta.

b) Dari kedua prior yang digunakan akan ditentukan nilai mean square eror

(MSE) terkecil dan dianggap sebagai hasil terbaik.


DAFTAR PUSTAKA

Bain, L. J, 1992. Introduction to Probability and Mathematical Satistics. PWS-KENT

Publishing Company

Bain, L. J dan Engelhardt, M. 1992. Introduction to Probability and Mathematical

Statistics. Second Edition . Duxbury Press. California

Berger, C. 1990. Statistical Inference. Pasific Grove. New York

Bolstad, W.M. 2007. Introduction to Bayesian Statistics Second Edition. A John Wiley

& Sons. Inc. America

Candra, Ade. 2011. Inferensi Statistik Dari Distribusi Binomial Dengan Metode Bayes

Menggunakan Prior Konjugat. Prog. Studi Statistika FMIPA UNDIP. Semarang

Lokollo, P, D. 2012. Estimator Bayes Distribusi Binomial dengan Prior Beta. Prog.

Studi Matematika FMIPA UNPATTI. Ambon

Mustafid. 2003. Statistika Elementer. Universitas Diponegoro. Semarang

Soejoeti, Z dan Soebanar .1988. Inferensi Bayesian. Karunika Universitas Terbuka.

Jakarta

Spiegel, M.R, Schiller, J.J dan Srinivasan, R.A. 2004. Probabilitas dan Statistik. Alih

Bahasa Oleh Wiwid, K dan Irzam H. Jakarta. Erlangga

Walpole, R. E dan Myers, R.H. 1995. Ilmu Peluang dan Statistik untuk Insinyur dan

Ilmuwan Edisi ke-4. Alih Bahasa oleh Sembiring, R.K. Penerbit. ITB Bandung.

Wattimanela, H.J. 2005. Buku Ajar Statistika Matematika I. Fakultas Matematika Dan

Ilmu Pengetahuan Alam. Universitas Pattimura. Ambon