Sifat-sifat yang Diperlukan oleh Suatu Penduga yang Baik(Pendugaan Statistik), yaitu:

1. TIDAK BIAS

Pertama disajikan cara menyatakan statistika acak dan target secara umum. Statistika
acak (penduga)dinyatakan dengan huruf Yunani dengan tanda topi (^) di atasnya atau tanda yang
lain (~ atau = misalnya)

Contoh 𝛼̂ atau 𝛽̂ yang lain, sedangkan untuk populasi tanpa tanda di atasnya. Untuk menyatakan
bahwa penduga statistik secara teoritis didasarkan pada Random Variabel (yang diperoleh dari
pengamatan atau percobaan yang berulang-ulang) dipakai konsep Ekspektasi Matematis (E) yang
sekaligus adalah juga konsep rata-rata. Jadi bila ingin menyatakan bahwa 𝛼̂ adalah penduga 𝛼
yang di dasarkan atas pengamatan berulang ulang maka di sajikan E (𝛼̂)= 𝛼. Tanda sama dengan
sekaligus menyatakan bahwa 𝛼 adalah penduga yang tidak bias untuk nilai populasi 𝛼.

4.1.1
Jadi 𝛼̂ adalah pendugaan yang tidak bias 𝛼 dan hanya jika E (𝛼̂) = 𝛼

Untuk menyatakan yang sebaliknya dipakai tanda tidak sama dengan E(𝛼̂) ≠ 𝛼. 𝛼̂ adalah penduga
yang bias untuk 𝛼. Nilai bias di hitung dengan:

Bias ≜ E (𝛼̂) – 𝛼

Tanda ≜ menyatakan menurut definisi sama dengan.

Contoh 1:
E( 𝑋̅ ) = E ( 𝜇̂ ) = 𝜇
Rata – rata sampel 𝑋̅, adalah penduga yang tidak bias untuk rata – rata populasi, 𝜇.
 Pada gambar A untuk menduga nilai 𝛼 nilai dipakai 𝛼̂ sebagai penduga, hasilnya tidak bias.
Sedangkan pada gambar B untuk menduga nilai 𝛼 yang sama dipakai penduga 𝛼̂ yang dalam
jangka panjang bias. Nilai E(𝛼̂) lebih besar dari 𝛼, selisihnya disebut Nilai Bias, dan penduga
disebut Over Estimate.

Contoh 2:

Untuk menduga nilai dipakai rata – rata simpangan kuadrat =

Nilai ini, dalam jangka panjang akan memberikan nilai dugaan yang lebih kecil dibanding target
σ2, varian populasi. Bila kita rubah sedikit, dengan membagi n-1, bukan dengan n maka didapat
Variance sample, S2.
S

Yang sudah dibuktikan tidak bias bila dipakai sebuah penduga nilai Varian Populasi σ 2. Apabila
kita memiliki dua penduga tidak bias 𝛼̂ dan 𝛼̿, misal rata – rata sampel dan median sampel untuk
menduga nilai populasi 𝜇, maka bagaimana cara memilihnya? Atau mana yang lebih baik? Untuk
menentukannya dipakai kriteria berikut ini.

B. VARIAN TERKECIL: EFISIENSI DARI PENDUGA TIDAK BIAS

Sifat yang diinginkan selain tidak bias adalah juga distribusi frekuensi penduga kita
hendaknya memiliki variasi yang kecil. Kedua hal ini bila digambarkan adalah sebagai berikut:

Penduga ̂𝛼 dinamakan lebih efisisen dibanding 𝛼̿ karena memiliki variasi yang lebih kecil
(dalam gambar keduanya tidak bias, akan tetapi dalam gambar (a) ̂𝛼 memiliki distribusi
frekuensi yang lebih padat/ramping). Besarnya efisiensi relative atau penduga ̂𝛼 dibanding
penduga yang lain, keduanya tidak bias, dihitung dengan:
Apabila kita memiliki penduga tidak bias yang lebih efisien di banding semua penduga tak bias
yang efisien dibanding semua penduga tak bias yang lain, maka penduga di atas dinamakan
penduga efisien.
Contoh 3:
Sudah dibuktikan3) bahwa bila kita mempunyai sampel yang berdistribusi normal, maka median
𝜋
sampel adalah penduga tak bias untuk 𝜇, dengan varian sebesar ( ⁄2) (𝜎2 ⁄𝑛). Penduga tak bias

𝜎^2
rata – rata sampel memiliki varian ⁄𝑛. Berapa efisiensi relatif rata – rata sampel dibanding
median sampel, pada distribusi yang normal. Rumus di atas dapat digunakan untuk menghitung
efisiensi relatif penduga rata – rata sampel, karena keduanya tak bias. Relatif efisiensi penduga
rata – rata sampel.

𝜎2⁄𝑛,

Jadi rata-rata sampel memiliki efisiensi relatif 157% dibanding median sampel. Dengan
kata lain bila diinginkan hasil yang sempurna (dengan rata-rata sampel), maka diperlukan 157%
lebih banyak sampel jika dipakai median sampel. Secara ekonomis maka rata-rata sampel lebih
murah ongkosnya dibanding median sampel.
Bila kita memiliki beberapa penduga, yang 1 tak bias dan yang lain bias, maka dipakai
kriteria berikut ini untuk memilih yang terbaik.

C. RATA-RATA SIMPANGAN YANG TERKECIL; EFISIEN DARI SETIAP PENDUGA

Bila kita mempunyai tiga (misal) penduga 𝛽̂1, 𝛽̂2, 𝛽̂3 seperti tergambar di bawah,

1. Target (𝛽̂). Di titik ini E(𝛽̂1) = 𝛽 atau penduga 𝛽̂1 tak bias (dengan varian terbesar)
2. Letak E(𝛽̂2). Selisih jarak dari 2 ke 1 merupakan nilai bias dari penduga 𝛽̂2
3. Letak E(𝛽̂3). Selisih jarak dari 3 ke 1 merupakan nilai bias dari 𝛽̂3
Dari gambar diatas terlihat bahwa kita membandingkan penduga yang tak bias dan yang bias.
Bila kita pakai kriteria varian terkecil maka penuh 𝛽̂3 memenuhi syarat ini, tapi memiliki nilai
bias terbesar. Bila kita pakai kriteria pertama "tak bias" maka penduga 𝛽̂1 memenuhi syarat ini,
tapi variannya terbesar. Terlihat bahwa penduga terbaik di sini adalah karena memiliki
kombinasi biasa yang kecil dan varian yang kecil. Intuisi sekitar untuk mengkombinasikan biasa
yang kecil dan varian yang kecil dapat dirumuskan untuk memiliki penduga terbaik di antara
semua macam penduga. Rumusan tersebut dinamakan rata-rata simpangan kuadrat (RSK).

4.1.3.A RSK ≜E(𝜷i – 𝜷)2

Di mana 𝛽 adalah target kita (nilai populasi yang diinginkan) dan 𝛽i, i bisa kita ganti dengan
sembarang angka positif, misal 1, 2, 3, dan sebagainya. (𝛽i – 𝛽) adalah nilai simpangan (bias).
Dikatakan di atas bahwa rumusan RSK menunjukkan pengukuran varian dan bias. Hal tersebut
ditunjukkan dengan
4.1.3.B RSK = 𝝈2 + (bias)2

Perumusan RSK yang terakhir ini mencakup dua kriteria terdahulu, yaitu bias yang terkecil dan
varian terkecil. Bila kita punya dua atau lebih penduga yang memiliki varian yang sama, maka
penduga yang memiliki bias terkecil (nol) adalah yang kita kehendaki. Sebaliknya bila kita
memiliki dua atau lebih varian penuh Gatak biasa atau nilainya sama maka penduga yang
memiliki varian terkecil yang kita pilih. Dengan memakai rumusan RSK dapat kita rumuskan
definisi umum tentang efisiensi relatif yang setiap dua penduga.

4.1.4 Efisiensi relatif dari 𝜷i terhadap

Rumusan ini dapat kita pakai sebagai penentu tunggal yang paling penting untuk memilih
penduga diantara penduduk penduduk yang ada.

D. KONSISTEN

Secara sederhana penduga yang konsisten adalah penduga yang secara sempurna nilainya
berkonsentrasi dinilai targetnya bila sampel kita diperbesar sampai tak terhingga (~). Dengan
memakai rumus 4.1.3.B suatu penduga 𝛽i dikatakan konsisten bila bias² = 0 dan 𝜎² = 0, bila n →
~ P(𝜃̂). Dengan gambar penduga ini di kasatmatakan.
Dari gambar diatas terlihat bahwa jumlah sampel 5 (n = 5) penduga 𝜃̂ adalah bias dan memiliki
varian yang terbesar. Dengan semakin besar jumlah sampel, dia semakin kecil (pada n = 200 bias
sudah = 0) dan varian juga semakin kecil. Pada n → ~ Distribusi frekuensi akan berbentuk garis
tegak lurus.

Contoh:

Apakah 𝑋̅ merupakan penduga yang konsisten untuk 𝜇

Seperti ditunjukkan di depan E(𝑋̅) = 𝜇, jadi bias = 0 dan varian , bila n → ~ varian = 0.
Jadi jelas X adalah penduga konsisten untuk 𝜇. Kriteria ini dalam praktek tidak bisa kita pakai
untuk memilih satu penduga terbaik di antara penduga yang ada, juga tidak memberi keterangan
seberapa cepat suatu penduga mencapai target. Alasan lain adalah seorang ahli statistik biasanya
hanya memiliki beberapa puluh pengamat saja

SUMBER REFERENSI: BMP ESPA4123/MODUL 6, halaman 6.4 – 6.11