Nama: Inda Mutmainna

NIM: H051191048
Matkul: Teori Peluang

Sumarry Video Pert. 13

Sifat estimator yang baik adalah tidak bias (unbiased) yang artinya nilai harapan dari
estimator sama dengan nilai parameter (E(X)=μ) Selain itu estimator yang digunakan
sebaiknya adalah estimator yang efisien, maksudnya estimator tersebut memiliki varian yang
paling kecil. Estimator yang baik juga harus konsisten, artinya semakin banyak sampel maka
estimator akan semakin mendekati parameter. Akan tetapi sering ditemukan suatu kondisi
estimatornya bias akan tetapi konsisten, dan begitupun sebaliknya estimatornya tak bias akan
tetapi tidak konsisten.

Pada video pertama dibahas mengenai contoh estimator yang tidak bias, contoh soalnya
yaitu:

Jika X adalah variabel acak kontinu dengan fungsi kepadatan probabilitas

( ) Temukan penduga yang tidak bias untuk .

Penyelesaian :

( ) ∫ ( )

( )

[( ) ]

( )

 Untuk

( ) ( )

( )
  Untuk

( ) ( )

( )

Jadi, adalah penduga yang tidak bias untuk

Pada video yang kedua dibahas mengenai defenisi konsistensi, dalam video ini disajikan
bebarapa contoh soal, dari contoh soal ini kamimenarik kesimpulan bahwa ada dua konsep
berbeda yaitu bias tidak menyiratkan konsistensi dan konsistensi tidak menyiratkan bias.
Untuk lebih jelasnya akan dilihat dicontoh soal:

Contoh pertama

Katakanlah kita menginginkan estimator dari mean sehingga kita tahu penduga yang sangat
terkenal 1 atas N jumlah

̅ ∑

( ̃) ( ̅ )

( ̅)

Nilai n akan menjadi nol saat n maka, kita memiliki sesuatu itu bias tetapi konsisten.

Contoh kedua

( )

Penduga = , ( )

Penduga sebenarnya tidak bias apakah itu akan konsisten dengan baik disini bahkan jika kita
punya sampel yang sangat besar dengan beberapa X. misalkan X sejuta. Kita lihat saja nilai
pertama dan kami mengatakan ini adalah penduga yang baik.

( )
Dikarenakan hanyalah tidak berubah dengan ukuran sampel maka ini dikatakan tidak
konsisten.

( )

Dari dua contoh tersebut kita bisa menyimpulkan bahwa Sebagian besar penduga atau
penaksir yang kami gunakan bias dan konsisten yang merupakan kasus terbaik.

Pada Video ketiga membahas mengenai konsep tidak bias VS konsisten, video ini
menyatakan bahwa kadang orang orang menyatukan keduanya padahal mereka adalah suatu
hal yang berbeda. Pada contoh pertama:

Nilai-nilai yang berbeda yang penaksir kami sebut saja ̂ sampel yang berbeda baik tidak
bias memberitahu kita bahwa ekspektasi penduga kami adalah nilai populasi sebenarnya jadi
nilai ini ( ) akan menjadi parameter populasi jadi inilah artinya untuk perkiraan
menjadi tidak bias dan ini adalah hal yang baik karena jika kita menerapkan penduga kita
sampel yang berbeda secara keseluruhan kita mendapatkan nilai perkiraan parameter
populasi. Kita mendapatkan parameter populasi dan konsisten artinya jika secara sembarang
meningkatkan ukuran sampel niali yang saya dapatkan dari penduga akan semakin dekat
dengan nilai populasi
Distribusi yang kita dapatkan dari penerapan estimator kita misalkan ̃. Data sampel yang
berbeda dan itu memiliki harapan kita misalkan yaitu ̃*. Dan katakanlah bahwa adalah
sedikit lebih rendah dari apa yang kami harapkan dari ̃ jadi dalam konteks ini kami melihat
bahwa ̃ agak naik dan bias seterusnya. Rata-rata kita akan mendapatkan nilai untuk
yang terlalu tinggi. Namun, mungkin terjadi jika saya meningkatkan ukuran sampel ( ) :
, , , . Apabila meningkatkan ukuran sampel ( )
maka akan semakin dekat dengan populasi dan parameter. Sehinggajika meningkatkan
ukuran sampel ( ) secara sembarang atau saat meningkatkannya sehinga semakin dekat dan
mendekati ukuran populasi perkiraan ̃ konsisten sehingga dengan artiaan keluaran ̃
semakin mendekati populasi parameter.

Misalkan berupa ̃̂ jadi ini berfungsi berapapun nilai sampelnya anda jadi
memasukkannya ke dalamnya hanya menghasilkan nilai 4 dan ini tidak terlalu perwakilan
dari apa yang sebenarnya terjadi pada populasi karena itu hanya menghasilkan konstanta
yang benar-benar tidak bergantung pada sampel