(Point Estimation)
Minggu ke 1-3
2014
DAFTAR ISI
1 Minggu 1
Pertemuan 1 : Pendahuluan
Estimasi Titik
Beberapa Metode Estimator
Metode Moment
Metode Maksimum Likelihood
2 Minggu 2
Minggu 2 : Metode Evaluasi Estimator
Sifat Takbias (Unbias)
Sesatan Kuadrat Rata-rata / MSE
Estimator Takbias Terbaik
3 Minggu 3
Minggu 3 : Konsistensi
Minggu 3 : Konsistensi
Sifat Sifat Asimtotis dari MLE
Statistika Inferensial
Untuk mengetahui karakteristik yang bersifat numerik dari suatu populasi,
observasi terhadap satu atau lebih variabel acak yang terkait perlu
dilakukan. Hasil observasi ini kemudian dianalisis dengan menggunakan
teknik-teknik tertentu untuk mengestimasi karakteristik (dalam model
parametrik disebut parameter) populasi atau menguji hipotesis tentang
populasi. Bagian statistika yang membahas teori estimasi dan uji hipotesis
dinamakan statistika inferensial (inferential statistics).
Estimasi Titik
Kongsep dari estimasi titik sangat sederhana. bila sampling berasal dari
populasi yang digambarkan melalui densitas f (x | θ), pengetahuan tentang
θ menghasilkan karakteristik mengenai keseluruhan populasi. Dengan kata
lain Estimasi Titik adalah suatu nilai (suatu titik) yang digunakan untuk
menduga suatu parameter populasi.
Definisi
Dalam statistik T = t(X1 , X2 , ..., Xn ) yang digunakan untuk
memperkirakan nilai dari τ (θ) adalah estimator dari τ (θ) dan nilai yang
diamati dalam statistik , t(x1 , x2 , ..., xn ) disebut estimate dari τ (θ).
1 Metode Moment.
2 Metode Maksimum Likelihood.
Adalah Metode yang diciptakan oleh Karl Pearson pada tahun 1800 dan
merupakan metode tertua dalam menentukan estimator titik.Ide utama
dari metode momen adalah menyamakan karakteristik sampel tertentu
seperti mean dan varians untuk nilai-nilai yang diharapkan populasi yang
bersesuaian dan kemudian menyelesaikan persamaan yang dihasilkan untuk
mendapatkan nilai perkiraan parameter tidak diketahui
Definisi
jika X1 , X2 , ..., Xn adalah sampel random dari populasi dengan fungsi
densitas f (x; θ1 , θ2 , ..., θn ) , maka moment populasi ke k didifinisikan
sebagai µk = E (X k )
Definisi
Misalkan X1 , X2 , ..., Xn adalah sampel random dari populasi dengan fungsi
densitas f (x; θ1 , θ2 , ..., θk ). Estimator metode moment didapat dengan
menyamarkan k moment sampel pertama pada k moment sampel populasi
dan menyelesaikan sistem persamaan simultan yang dihasilkan (
diselesaikan untuk θ1 , θ2 , ..., θk ).
Contoh :
Misalkan X1 , X2 , ..., Xn adalah sampel random dari populasi yang
berdistibusi Poisson dengan parameter λ . Dengan metode moment
tentukan estimator untuk λ.
Karena hanya satu parameter yang akan diestimasi maka hanya diperlukan
satu pesamaan dan langsung diperolah estimator titiknya.
1 P
E (X ) = n Xi
Contoh :
Misalkan X1 , X2 , ..., Xn merupakan sampel acak dari sebarang distribusi
dengan mean µ dan Variansi σ 2 maka dengan mudah dapat ditunjukkan
bahwa
Σni=1 (Xi −Xn )2
µ̃ = X dan σ̃ 2 = n
n−1 2
Perhatikan bahwa σ̃ 2 = n S dimana S 2 adalah sampel varians.
Definisi
Misalkan L(θ) = f (x1 ; θ), ..., f (xn ; θ) = Πnn−1 f (xn ; θ), θΩ Adalah Fungsi
densitas bersama X1 , X2 , ..., Xn dan bila diberikan himpunan dari
pengamatan x1 , x2 , ..., xn nilai θ̂ dalam Ω yang memaksimumkan L(θ)
disebut penduga maksimum likelihood dari θ. Dalam hal ini θ̂ merupakan
nilai dari θ yang memenuhi f (x1 , x2 , ..., xn ; θ̂) = maxθΩ f (x1 , x2 , ..., xn ; θ)
Contoh :
Misalkan X1 , X2 , ..., Xn merupakan sampel acak dari distribusi
x −θ
Poisson,X ∼ POI (θ) dengan fungsi densitas f (x; θ) = θ Xe ! , x = 1, 2, ...
Fungsi likelihood
Pn
θ i=1 x e −θn
L(θ) = Πni=1 f (x; θ) = Πni=1 X !
∂ Pn xi
∂θ ln L(θ) = i=1 θ −n =0
Jawab:
Probabilitas yang mempunyai x unit dari suatu distribusi Poisson adalah
x −µ
P(x) = µ Xe ! , x = 1, 2, ...
Probabilitas yang mempunyai 10 dan 12 cacat berturut-turut adalah:
10 e −µ 12 e −µ
P(10) = µ 10! dan P(12) = µ 12!
Fungsi likelihood l[x, µ] adalah perkalian dari P(10) dan P(12), yaitu:
10 e −µ µ12 e −µ 22 e 2−µ
l[x, µ] = µ 10! x 12! = µ10!12!
Evaluasi dari persamaan di atas untuk nilai-nilai yang berbeda dari µ dapat
disederhanakan dengan mengambil logaritma dari l[x, µ]. Misal
L[x, µ] = logl[x, µ]
22
Jadi estimasi terbaik dari µ̂ adalah 2 = 11
Sifat takbias ini merupakan sifat baik dari suatu estimator yang dipeoleh
melalui pendekatan klasik, dalam pemilihan estimator terbaik salah
satunya harus memenuhi sifat takbias ini.
Definisi
Sebuah estimator T dikatakan estimator tak bias untuk τ (θ) , Jika
E (T ) = τ (θ)
untuk semua θΩ Jika tidak demikian T dikatakan estimator bias untuk
τ (θ).
Definisi
kesalahan kuadrat rata-rata (MSE) dari estimator T [x] dari parameter θ
adalah fungsi θ yang didifinisikan dengan Eθ [T (x) − θ]2 . dengan mudah
dapat kita lihat bahwa Eθ [T (x) − θ]2 = varT (x) + (Bias(T (x)))2 dengan
Bias(T (x)) = Eθ T (x) − θ
Meskipun banyak estimator takbias yang masuk akal dari pandagan MSE ,
kita harus berhati hati bahwa pengontrolan bias tika otomatis menjadi
pengontrolan bias. Pada khususnya, sering terjadi timbal balik antara
variansi dan bias sedemikian hingga sedikit kenaikan bias dapat ditukar
dengan penurunan yang lebih besar dari variansi , yag hasilnya dapat
diperbaiki pada MSE .
Pada umumnya , MSE adalah fungsi dari parameter. sehingga tidak ada
estimator terbaik untuk θ .
Salah satu penyebab adalah MSE dari estimator saling berpotongan yang
berati kebaikan dari estimator hanya bersifat lokal . salah satu cara untuk
mengatasi tidak adanya estimator terbaik adalah melalui pembatasan pada
kelas estimator. salah satu pembatasan yang kita bahas adalah melalui
kelas takbias.
Teorema ( CRLB )
Jika T adalah estimator tak bias untuk τ (θ), maka :
[τ 0 (θ)]2
Var (T ) ≥ ∂
nE [ ∂θ ] ln f (X ;θ)]
Contoh :
Misalkan X1 , X2 , ..., Xn merupakan sampel acak dari sebarang distribusi
eksponensial, X ∼ EXP(θ) dan τ (θ) = θ Karena
∂ x−θ
∂θ ln f (X ; θ) = θ2
maka dapat ditunjukkan bahwa
∂ 2
E [ ∂θ ] = θ12
2
sehingga CRLB untuk τ (θ) sama dengan θn jelas bahwa X merupakan
estimator tak bias untuk τ (θ) = θ Selanjutnya dapat ditunjukkan bahwa
2
Var (X ) = θn Kesimpulannya X merupakan UMVUE untuk τ (θ)
Minggu 3 : Konsistensi
Sejauh ini kreteria yang kita bahas adalah kreteria sampel berhingga.
sebaliknya konsistensi adalah sifat asimtotis , yaitu mengambarkan sifat
astimator bila ukuran sampel menjadi tak berhingga. ini hanya satu dari
kreteria yang kita bahas.
ekuvalen dengan
Difinisi
Barisan estimator Tn untuk τ (θ) dikatakan MSE konsisten jika
Teorema
Bila Tn barisan estimator dari parameter θ. misalkan a1 , a2 , ... dan
b1 , b2 , ... barisan konstante yang memenuhi :
i. limn→∞ an = 0
ii. limn→∞ bn = 0.