x x
Taksiran untuk parameter p pada distribusi Binomial adalah dan ditulis pˆ
n n
Terlihat bahwa taksiran nilai parameter p berdasarkan data yang ada pada sampel acak.
(jika dikaitkan dengan peluang maka pendugaan di atas dikatakan sebagai peluang
obyektif).
Pendekatan Bayes untuk menduga parameter menggabungkan dua informasi :
- Informasi dari sampel acak
- Informasi lain yang telah ada sebelumnya (informasi tambahan)
x
Dari contoh di atas pˆ yang merupakan informasi dari sampel acak
n
Sedangkan informasi tambahan dari p misalkan parameter p bervariasi dengan fungsi
kepadatan peluang tertentu. ( yang biasanya disebut sebagai distribusi awal/distribusi
prior , dengan mean awal 𝜇0 dan variansi awal 𝜎02 ). Peluang yang berkaitan dengan
distribusi awal ini disebut peluang subyetif ( yakni mengukur tingkat kepercayaan
sesorang dari nilai parameternya)
Metode Bayes menggunakan distribusi awal dan dari sampel acak untuk mendapatkan
distribusi posterior bagi parameter p.
Secara umum distribusi posterior :
Distribusi posterior adalah fkp dari dengan syarat sampel acak observasi adalah :
𝑋𝑖 𝐼𝜃~𝐵𝑒𝑟𝑛𝑜𝑢𝑙𝑙𝑖(𝜃) 𝑖 = 1,2,3, … 𝑛
Dan diketahui distribusi prior : ~ U (0,1) dengan fkp f ( ) 1 0 1
f ( , x1 x 2 , x3 ,...x n ) f ( x1 x 2 , x3 ,...x n ) f ( )
f x ( )
f ( x1 x 2 , x3 ,...x n ) f(x x1 2 , x3 ,...x n ) f ( )d
f ( x1 ) f ( x 2 )... f ( x n ) f ( )
1
f (x ) f (x
0
1 2 )... f ( x n ) f ( )d
(1)
Ingat tentang fungsi Beta (m,n) dan peubah acak berdistribusi Beta (m,n)
1
B(m, n) x m 1 (1 x) n 1 dx
0
X ~ Beta(m, n)
fkp dari X adalah :
1
f ( x) x m 1 (1 x) n 1 0 x 1 0 selainnya
B(m, n)
m
E(X)
mn
E x
x i 1
x i 1
x i 1 (n xi 1) n2
CONTOH 2:
Distrbusi awal dari proporsi (p) barang cacat yang dihasilkan oleh mesin produksi botol
minuman soft drink mempunyai fkp sebagai berikut :
p 0.1 0.2
f(p) 0.6 0.4
Dugalah proporsi barang cacat yang dihasilkan mesin tersebut jika diambil sampel acak
sebanyak 2 dijumpai 1 barang yang cacat.
Jawab :
Untuk proporsi barang cacat p=0.1 (sesuai tabel), apabila diambil 2 barang dan tepat
dijumpai 1 yang cacat -> jelas berdistribusi Binomial B(2, 0.1) dengan n =2 dan p =0.1
Ingat p : peluang “sukses”
Jika didefinisikan X: banyaknya barang yang cacat maka
2
P( X 1) 0.110.91 0.18
1
Untuk proporsi barang cacat p=0.2 (sesuai tabel), apabila diambil 2 barang dan tepat
dijumpai 1 yang cacat -> jelas berdistribusi Binomial B(2, 0.2) dengan n =2 dan p =0.2
ingat p : peluang “sukses”
Jika didefinisikan X: banyaknya barang yang cacat maka
2
P( X 1) 0.210.81 0.32
1
Untuk menghitung distribusi posterior bagi parameter p, kita harus menggabungkan nilai
peluang 0.18 dan 0.32 pada Binomial dengan distribusi awal sesuai tabel.
Dengan menggunakan Kaidah Bayes (diingat kembali kaidah bayes pada mata kuliah
Pengantar statistika / Pengantar Peluang)
Untuk mempermudah didefinisikan terlebih dahulu kejadian kejadiannya.
C : Banyaknya barang yang cacat sejumlah 1 (sesuai pertanyaan pada contoh soal)
B1: Proporsi barang yang cacat sebesar 0.1
B2: Proporsi barang yang= sebesar 0.2
Jika diketahui barang yang cacat pada contoh sejumlah 1, maka peluang bahwa barang
tersebut berasal dari mesin yang proporsi barang cacat sebesar 0.1
Maka ekspresi di atas merupakan peluang bersyarat yaitu
P( B1C )
P( B1 C )
P(C )
P( B1 ) P(C B1 )
P( B1 ) P(C B1 ) P( B2 ) P(C B2 )
(0.6)(0.18)
(0.6)(0.18) (0.4)(0.32)
0.46
𝐶 ⁄𝐵1 ~𝐵(2,0.1)
𝐶 ⁄𝐵2 ~𝐵(2,0.2)
Sehingga distribusi posteriornya untuk proporsi barang yang cacat adalah p dengan X;
banyaknya yang cacat adalah 1 sebagai berikut :
p 0.1 0.2
f (𝑝|𝑥 = 1) 0.46 0.54
Nilai tengah atau ekspektasi dari distribusi posteriornya adalah:
P* = (0.1)(0.46) +(0.2)(0.54) = 0.154
P* merupakan estimator titik untuk prporsi barang yang cacat pada populasi.
SOAL LATIHAN :
1. Sampel acak ukuran n dari distribusi eksponensial dengan
E(X/ϴ)=1/ 𝑋 𝐼 𝜃 ~ exp(𝜃)
x
Dengan fkp besyarat f ( x ) e x0 0 selainnya
Diketahui juga bahwa distribusi prior adalah eksponensial dengan mean atau
E( )= 1/𝛽
𝜃~exp(𝛽)
𝑓(𝜃) = 𝛽 𝑒 −𝛽𝜃 𝜃>0
2. Distrbusi awal dari proporsi (p) barang cacat yang dihasilkan oleh mesin produksi
botol minuman soft drink mempunyai fkp sebagai berikut :
p 0.1 0.2
f(p) 0.6 0.4
Dugalah proporsi barang cacat yang dihasilkan mesin tersebut jika diambil sampel
acak sebanyak 2 dijumpai semua barangnya cacat.
Teori Keputusan :
Pada estimasi titik dengan metode momen maupun maksimum likelihood, kulaitas
estimator yang baik ditentukan oleh ketidakbiasan dan efisien (variansi kecil). Dalam teori
keputusan kita juga memasukkan sebagai bahan pertimbangan keuntungan apabila
keputusan yang kita lakukan benar dan kerugian akibat dari keputusan yang kita lakukan
salah. Hal tersebut akan membawa pada kriterium baru yaitu :
fungsi keputusan yang akan meminimumkan kerugian jika keputusan yang kita ambil
salah.
Kita definisikan dahulu fungsi kerugian.
Fungsi kerugian adalah fungsi yang nilai nilainya bergantung pada nilai parameter
sebenarnya yaitu dan nilai dugaannya .
ˆ , )
Notasi dari fungsi kerugian adalah L(
ˆ , ) E L(
Notasi dari fungsi risiko adalah R( ˆ , )
Jika kita harus memilih salah satu dari ˆ1 dan ˆ2 sebagai estimator bagi maka kita
akan menggunakan Kriterium Minimaks yaitu : menentukan nilai maksimum dari
R(ˆ , ) dan R(ˆ , ) pada ruang parameter tersebut selanjutnya memilih fungsi
1 2
keputusan yang memberikan nilai minimum di antara kedua risiko maksimum tersebut.
Kadangkala ada informasi tambahan tentang parameter yang tak diketahui. Parameter
tersebut dipandang sebagai peubah acak dengan fungsi kepadatan peluangnya adalah
f ( ) . Risiko Bayes akibat pendugaan oleh ˆ adalah :
ˆ ) E R (
B ( ˆ , )
R ((ˆ , ) f ( )
i i
KRITERIUM BAYES
Misalkan parameter merupakan nilai bagi peubah acak dan f ( ) adalah fungsi
kepadatan peluang dari .
ˆ dan
ˆ adalah penduga bagi . Bila B (
ˆ ) B(
ˆ ) maka
ˆ terpilih sebagai penduga terbaik b
1 2 1 2 1
CONTOH 3:
Misalkan Ani mempunyai 3 uang logam dengan kriteria:
1. Uang logam yang ke-1 : kedua sisinya adalah Gambar
2. Uang logam yang ke-2 : kedua sisinya adalah Angka
3. Uang logam ke-3 : bersisi Gambar dan Angka (setimbang/fair)
Ani melakukan pelemparan salah satu dari uangnya tersebut sebanyak dua kali, dan kita
akan menerka uang mana yang dilempar oleh Ani.
Misal : menyatakan banyaknya sisi Gambar pada uang yang dilempar tadi.
ˆ dan
Kita misalkan dua fungsi keputusan yaitu ˆ , dimana :
1 2
ˆ : penduga yang menyatakan banyaknya sisi Gambar bila uang tsb dilempar 2 kali
1
ˆ : penduga yang memberi nilai 1 pada bagaimanap un juga hasil ke dua lemparan tsb
2
ˆ , ) (
L ( ˆ )2
L(0,0) 0
L(2,2) 0
Dengan mudah dapat disimpulkan bahwa :
ˆ ,0) 0
R (1
𝑅(𝜃̂, 𝜃) = 𝐸[𝐿(𝜃,
̂ 𝜃)] = ∑ 𝐿(𝜃,
̂ 𝜃) 𝑓(𝜃̂, 𝜃) =
ˆ ,2) 0
R ( 1
c. Namun apabila nilai = 1 ( terjadi jika yang terambil adalah mata uang yang
isinya Gambar dan Angka /mata uang ke -3 )
- mungkin kita mendapatkan sisi Gambar 0 kali dari dua kali lemparan mata uang
tersebut dengan peluang ¼.
- Mungkin kita mendapatkan sisi Gambar 1 kali dari dua kali lemparan mata uang
tersebut dengan peluang 2/4.
- Mungkin kita mendapatkan sisi Gambar 2 kali dari dua kali lemparan mata uang
tersebut dengan peluang ¼.
Sehingga dari 3 kemungkinan di atas diperoleh :
L ( ˆ , ) (
ˆ )2
L(0,1) 1
L(1,1) 0
L(2,1) 1
Sehingga :
ˆ ,1) (1x 1 ) (0 x 1 ) (1x 1 ) 1
R ( (1)
1
4 2 4 2
Untuk menduga ̂ 2 yang memberi nilai 1 untuk menduga , maka fungsi kerugian
ˆˆ
ˆ , ) (
berbentuk L( 2 ) (1 ) , dengan demikian
2 2
2
ˆˆ
ˆ , ) (
L ( 2 ) (1 )
2 2
2
L(1,0) 1
L(1,1) 0
L(1, 2) 1
ˆˆ
ˆ , ) E L (
R (
2 , )
2
RL(1,0) R11
RL(1,1) R0 0 (2)
RL(1, 2) R1 1
Perhatikan bahwa :
ˆ , ) untuk penduga/estimator ̂ adalah ½ (lihat pers. 1.)
Risiko maksimum R(1 1
CONTOH 4 :
Dari soal di atas, ada tambahan informasi bahwa :
Peluang saat melempar uang yang setimbang (fair) adalah 0.8 , dan peluang melempar
mata uang yang pertama dan ke-2 masing masing 0.1.
Manakah yang dipilih sebagai estimator terbaik menurut kriterium Bayes, ̂1 atau ̂ 2
JAWAB :
Parameter diperlakukan sebagai peubah acak dengan fkp :
0 1 2
f( ) 0.1 0.8 0.1
Untuk estimator ̂1 , risiko Bayes
ˆ ) E R (
B ( 1 ˆ , )
1
R ((
ˆ , ) f ( ) R(
1 i i
ˆ 0) f (0) R(
1
ˆ 1) f (1) R(
1
ˆ 2) f (2)
1
1
(0)(0.1) ( )(0.8) (0)(0.1) 0.4
2
Untuk estimator ̂ 2 , risiko Bayes
ˆ ) E R (
B ( 2 ˆ , )
2
R ( (
ˆ , ) f ( ) R(
2 i i
ˆ 0) f (0) R(
2
ˆ 1) f (1) R(
2
ˆ 2) f (2)
2
ˆ ) B(
Karena B ( ˆ ) maka
ˆ terpilih sebagai penduga terbaik bagi
2 1 2