Guritno
ESTIMASI
Salah satu bentuk inferensi statistika (pengambilan kesimpulan)
terhadap parameter populasi adalah estimasi.
Dalam estimasi yang dilakukan adalah menduga/memperkirakan
parameter dengan penduga yang sesuai (“terbaik”).
Misalnya :
populasi sampel
mean µ x
peny. std σ s
variansi σ2 s2
proporsi p x
n
INTERVAL
ESTIMASI
TITIK
Estimasi titik
adalah statistik yang sesuai (“baik”) untuk
menduga/memperkirakan/mengestimasi parameter
Misalnya :
parameter statistik/penduga / estimasi
mean µ x
variansi σ2 s2
dev.std σ s
x
proporsi p
n
beda mean µ1- µ2 x1 − x 2
x1 x 2
beda proporsi p1-p2 −
n1 n 2
perbandingan σ
1
2
s12
variansi σ2
2 s22
Estimasi Interval
adalah suatu interval tertentu yang memuat parameter dengan
probabilitas/keyakinan cukup besar dan ditentukan oleh statistik yang
sesuai untuk parameter
* Interval yang diharapkan adalah yang terpendek
* Misalkan X1, X2, …, Xn adalah sampel random
yang diambil dari populasi dengan parameter θ.
Interval yang akan dicari adalah
a ≤ θ ≤ b dengan P(a ≤ θ ≤ b) = 1 - α
interval konfidensi
tingkat konfidensi / keyakinan dipilih
(1 – α) →100%
a,b harganya ditentukan oleh biasanya 90%, 95%, 99%
X1, X2, …, Xn 0 < α < 1, α → 0%
dibedakan dua macam estimasi interval, yaitu :
* Untuk sampel besar (n ≥ 30)
* Untuk sampel kecil (lebih dikenal sebagai
estimasi interval untuk parameter populasi dengan /ber-
distribusi tertentu)
ESTIMASI INTERVAL SAMPEL BESAR
* Estimasi interval untuk µ (n ≥ 30)
Penduga terbaik untuk µ adalah X
X berdistribusi normal dengan
σ2
σ
µx = µ dan σ2x = atau σx =
n n
Interval yang dicari adalah
a ≤ µ ≤ b dengan P(a ≤ µ ≤ b) = 1 - α
a,b tertentu oleh X1, X2, …, Xn dalam hal ini
1
X =n (X1 + X2 + … + Xn)
45 50
% %
c µ x d→
50% 45%
←c µ d x
47,5% 47,5%
c µ d x
diketahui/dapat dicari interval c ≤ X ≤ d terpendek yang
P(c ≤ X ≤ d) = 95%
yaitu Jarak µ x ke c harus
sama dengan jarak µ x
ke d
c µ d x
dengan transformasi
X − µx
X z=
σx
normal biasa normal mean = 0
standar variansi = 1
x −µ
P(-1,96 ≤ σ ≤ 1,96) = 95%
n
1,96 adalah angka dari tabel normal yang sesuai dengan tingkat
keyakinan 95% karena X berdistribusi normal
Dengan demikian, jika ukuran sampel cukup besar, tabel berikut dapat
digunakan untuk mencari interval konfidensi (1-α) untuk parameter yang
dikehendaki
Parameter Statistik Peny. Std. Dist. Samp. Harga Ket.
(=P) (=s) (= stat
σ) s
σ
1 μ X
n
σ
2 σ s
2n
3 p X x x
1 −
n n n
n
4 μ1 - μ 2 X1 − X 2 σ12 σ 22
−
n1 n2
5 p1 − p 2 X1 X2 x1
x1 x2
x2
−
n1 1 −n n 1 −n
n1 n2 1 + 2 2
n1 n2
σ12 σ2
6 σ1 − σ 2 s1 − s 2 2n 1
+ 2
2n 2
Kalau interval konfidensi (1-α) untuk P adalah
S − z α .σs ≤ P ≤ S + z α.σs
2 2
Dengan z α adalah harga yang sesuai dengan (1-α) dari tabel distribusi
2
Normal (1,96=z.025 sesuai dengan 95%).
maka interval konfidensi 90% untuk σ adalah
s – z.05 . σ ≤ σ ≤ s + z.05 . σ
2n 2n
s s
≤σ≤
z z
1 + .05 1 + .05
2n 2n
dan
Interval konfidensi 90% untuk σ 2 adalah
2 2
s ≤ σ2 ≤ s
z.05 z.05
1+ 1+
2 n 2 n
Estimasi parameter jika sampel berukuran kecil sangat bergantung pada
distribusi populasi dan juga parameter yang akan diestimasi
σ12
Sebagai contoh, untuk ,mengestimasi µ, σ , µ1- µ2 ,
2
σ22
σ2
karena X ~ N µ, n
jika σ tidak diketahui :
s s
X − tα . ≤ µ ≤ X + tα .
; ( n −1) n ; ( n −1) n
2 2
tα α
= persentil 1 − untuk distribusi t dengan
2 2
derajat bebas (n-1) (dicari dengan tabel t)
X−µ
karena : s ~ tn-1
n
distribusi t dengan der. bebas (n-
Interval konfidensi (1-α) untuk µ1-µ2 adalah :
jika σ1 dan σ2 diketahui :
σ 12 σ 22 σ 12 σ 22
( x1 − x 2 ) − z α . + ≤ µ 1 − µ 2 ≤ ( x1 − x 2 ) + z α . +
2
n1 n 2 2
n1 n 2
karena : x1 − x 2 ~ N( µ x − x , σ x − x )
2
1 2 1 2
µ x1 − x 2 = µ 1 − µ 2
σ 12 σ 22
σ x1 − x 2 = +
n1 n 2
sp =
( n1 − 1) s12 + ( n 2 − 1) s 22
n1 + n 2 − 2
sehingga
1 1
( x 1 − x 2 ) − t α ;( n + n − 2 ) . s p + ≤ µ1 − µ 2
2
1 2 n1 n 2
1 1
≤ ( x1 − x 2 ) + t α .sp +
;( n1 + n 2 − 2 ) n1 n 2
2
( x1 − x 2 ) − ( x1 − x 2 )
karena = ~ tn +n −2
1 1 1 2
sp +
n1 n 2
s12 s 22 s12 s 22
( x 1 − x 2 ) − t α;γ . + ≤ µ1 − µ2 ≤ ( x 1 − x 2 ) + t α . +
2
n 1 n 2 2
;γ n 1 n2
dengan
2
s12 s 22
+
n
1 n 2
ν= 2 2
s12 s 22
1 + n2
n
n1 n2
karena :
( x1 − x 2 ) − ( µ 1 − µ 2 )
2 2
~ tν
s s
1
+ 2
n1 n 2
* Untuk estimasi σ2, digunakan s2 tetapi jika sampel berukuran kecil
distribusi sampling harga-harga s2 tidak diketahui bentuknya. Jalan
keluarnya usahakan transformasi ke variabel baru yang distribusinya
sudah dikenal.
* Jika populasi berdistribusi normal,
χ2 α χ2α
1− ;( n −1) ;( n −1)
2 2
χ2 α χ2α
1− ;( n −1) ;( n −1)
2 2
2
P χ α ≤
( n − 1 ) s 2
≤ χ α = (1 − α )
2
1− σ 2
2 2
( n − 1) s 2 ≤σ 2
≤
( n − 1) s 2
χ 2
α χ 2 α
1−
2 2