Penaksiran Parameter

Statistika dibagi menjadi dua, yaitu:

1. Statistika Deskriftif
2. Statistik Inferensial
Penarikan kesimpulan dapat dilakukan dengan dua
cara, yaitu:
1. Penaksiran Parameter
2. Pengujian Hipotesis

Fitriani Agustina, Math, 1

UPI
 Penaksiran Parameter
Terdapat dua jenis penaksiran, yaitu:
1. Penaksiran Titik
2. Penaksiran Interval
Sifat – sifat penaksir parameter yang baik, yaitu:
1. Tak bias
2. Variansi Minimum
3. Konsisten
4. Statistik Cukup
Fitriani StatistikAgusina,Math,cukup dengan Keluarga Eksponensial
2
UPI
Metode - Metode Penentuan Penaksir Titik, yaitu:
1. Metode Momen
2. Metode Maksimum Likelihood
3. Penaksir Bayes

Statistik inferensial : Statistik yang dengan segala

informasi dari sampel digunakan untuk menarik
kesimpulan mengenai karakteristik populasi dari
mana sampel itu diambil.

Fitriani Agustina, Math, 3

UPI
 Penaksiran Titik
Penaksiran titik sebuah parameter : sebuah nilai yang
diperoleh dari sampel dan digunakan sebagai
penaksir dari parameter yang nilainya tidak diketahui.
Misalkan X1, X2, …, Xn merupakan sampel acak
ˆ
berukuran n dari X, maka statistik   hX1, X 2 , , X n 
yang berkaitan dengan θ dinamakan penaksir dari θ.
Setelah sampel diambil, nilai-nilai yang dihitung dari
sampel itu digunakan sebagai taksiran titik bagi θ.

Fitriani Agustina, Math, 4

UPI
Beberapa taksiran titik yang dihitung dari data
sampel untuk parameter populasi yang bersesuaian.
1. Rerata populasi μ, taksiran titiknya adalah ˆ  x
2
2. Variansi populasi σ , taksiran titiknya adalah ˆ 2  s2
3. Simpangan baku populasi σ, taksiran titiknya
adalah ˆ  s
X
4. Proporsi populasi   , taksiran titiknya adalah
ˆ Y N

p n

Fitriani Agustina, Math, 5

UPI
 Tak Bias
ˆ
 dikatakan penaksir tak bias bagi parameter θ, jika
ˆ
ˆ
 
E  
 dikatakan penaksir bias bagi parameter θ, jika
ˆ
 
E  
Namun penaksir bias dapat diubah menjadi penaksir
tak bias jika ruas kanan dikalikan atau ditambahkan
dengan konstanta tertentu

Fitriani Agustina, Math, 6

UPI
Contoh 1:
Misalkan X adalah peubah acak dengan rerata μ dan variansi
2
σ . Jika X1, X2, …, Xn merupakan sampel acak berukuran n
2
dari X, apakah rerata sampel X dan variansi sampel s
2
merupakan penaksir tak bias untuk μ dan σ ?
Contoh 2:
Misalkan X1, X2, …, Xn merupakan sampel acak berukuran
n dari X yang berdistribusi seragam, X i ~ UNIF  1, 1
Tunjukkan bahwa rerata sampel acak X merupakan
penaksir tak bias bagi θ

Fitriani Agustina, Math, 7

UPI
 Variansi Minimum
Apabila terdapat dua buah penaksir yang tak bias
Maka kedua penaksir tersebut akan dibandingkan
dalam hal variansinya.
ˆ ˆ
Misalkan dua penaksir tak bias yaitu  1 dan  2 untuk
θ Jika ˆ1 mempunyai variansi yang lebih kecil
ˆ ˆ
dibanding dengan 2 ,maka  1 dikatakan penaksir
tak bias bervariansi minimum

Fitriani Agustina, Math, 8

UPI
Sebuah penaksir tak bias akan mencapai variansi
minimum di antara semua penaksir tak bias lainnya,
jika variansi dari penaksir itu minimal sama dengan
batas bawah Cramer-Rao
Perumusan batas bawah Cramer-Rao untuk variansi
ˆ
dari  adalah
ˆ 1  1
 
Var  
d 2  d2 
nE  ln f x;  nE  2 ln f x; 
d   d  

Fitriani Agustina, Math, 9

UPI
Contoh 1:
Apakah rerata sampel X merupakan penaksir tak bias
bervariansi minimum untuk rerata distribusi normal dengan
variansi diketahui.
Contoh 2:
Misalkan X1, X2, …, Xn merupakan sampel acak berukuran
n dari X yang berdistribusi poisson, X i ~ POI 
Tentukan batas bawah Cramer-Rao untuk variansi penaksir
tak bias dari μ

Fitriani Agustina, Math, 10

UPI
 Konsisten
ˆ
Jika n adalah penaksir untuk θ yang didasarkan pada
ˆ
sampel acak berukuran n,maka  ndikatakan konsisten
bagi parameter θ, jika
 ˆ

lim P  n    1
n

Penentuan penaksir konsisten ini dapat dilakukan

dengan menggunakan ketidaksamaan Chebyshev ’s,

lim P X    k  1  1
n k2

Fitriani Agustina, Math, 11

UPI
Contoh 1:
2
Misalkan peubah acak X berdistribusi N(μ, σ ), dengan
2
σ diketahui. Apakan rerata sampel X merupakan
penaksir konsisten bagi rerata distribusi yaitu μ?

Fitriani Agustina, Math, 12

UPI
 Statistik Cukup
Statistik T = T(X1, X2, …, Xn) dikatakan cukup
bagi parameter    , jika fkp bersyarat:
PX1  x1, , X n  xn T X1, X 2 , ,Xn  t
tidak bergantung pada θ.
Contoh:
Misalkan X1, X2, …, Xn merupakan n peubah acak
n
Bernoulli yang saling bebas dengan P(Xi = 1) = p dan
P(Xi = 0) = (1 – p), i = 1, 2, …, n. Perlihatkan bahwa T  Xi
merupakan statistik cukup bagi p. i1

Fitriani Agustina, Math, 13

UPI
 Keluarga Eksponensial
Penetuan statistik cukup bagi suatu parameter dapat
dapat dilakukan dengan menggunakan keluarga
eksponensial.
Keluarga eksponensial yang akan dibahas di sini
adalah keluarga eksponensial untuk satu
parameter.

Fitriani Agustina, Math, 14

UPI
1. Suatu fkp dengan satu parameter dikatakan
termasuk ke dalam keluarga eksponensial, jika fkp
tersebut dapat diuraikan dalam bentuk:
f x;  C expQ T
xhx
x ,   
2. Jika X1, X2, …, Xn merupakan sampel acak yang
berasal dari distribusi dengan fkp gabungannya
dinotasikan dengan f(x1,x2,…,xn;θ)
f x1  n T x j

, , xn ;  C n   exp Q    hx1   hxn 
 j 1

 maka f(x;θ) dikatakan termasuk keluarga
Fitriani Agustina, Math, 15
eksponensial
UPI
Contoh:
Misalkan peubah acak X berdistribusi binomial
X
dengan parameter n dan θ. Apakah f(x;θ) termasuk
keluarga eksponensial?
Contoh:
Misalkan X1, X2, …, Xn merupakan sampel acak
dari distribusi B(n;θ). Apakah f(x;θ) termasuk
keluarga eksponensial?

Fitriani Agustina, Math, 16

UPI
 Metode Momen
Misalkan X adalah peubah acak kontinu (diskrit)
dengan fkp berbentuk f(x;θ1,…,θk), dengan θ1,…,θk
adalah k buah parameter yang tidak diketahui.
Misalkan X1, X2, …, Xn merupakan sebuah sampel acak berukuran n dan didefinisikan k buah momen sekitar pusat
sampel pertama:
n
1
mt '
n
xit ; t  1, 2, , k
i1

Selanjutnya k buah momen sekitar populasi pertama:

Fitriani Agustina, Math,

 t '  EX t 
17
UPI
Contoh:
Misalkan X peubah acak berdistribusi B(1;θ) dengan
θ tidak diketahui. Tentukan penaksir titik untuk θ
dengan menggunakan metode momen? Contoh:

Dengan menggunakan metode momen, tentukan

estimator untuk θ berdasarkan sampel acak X1, X2,
…, Xn yang mempunyai fkp:

  1
 x
f x;   , 0  x 1,   0
 0 , lainnya
Fitriani Agustina, Math, 18
UPI
 Metode Maksimum Likelihood
Metode maksimum likelihood merupakan metode
terbaik yang dapat digunakan dalam menentukan
penaksir titik sebuah parameter.
Misalkan X adalah peubah acak kontinu (diskrit)
dengan fkp berbentuk f(x;θ), dengan θ adalah suatu
parameter yang tidak diketahui.

Fitriani Agustina, Math, 19

UPI
Misalkan X1, X2, …, Xn merupakan sebuah sampel
acak berukuran n, fungsi likelihood dari sampel acak
itu adalah:
L  f x1,  f xn , 
Fungsi likelihood adalah fungsi dari parameter yang
tidak diketahui θ. Untuk memudahkan dalam
menganalisa maka fungsi likelihood L(θ) diberi ln.
Penaksir maksimum likelihood dari θ adalah nilai θ
yang memaksimumkan fungsi likelihood L(θ).

Fitriani Agustina, Math, 20

UPI
Contoh:
Misalkan X1,X2,…,Xn adalah sampel acak berukuran
n dari distribusi B(1,θ), dengan θ tidak diketahui.
Tentukan penaksir titik untuk θ denganmenggunakan
metode maksimum likelihood? Contoh:

Dengan menggunakan metode maksimum likelihood

Tentukan estimator untuk θ berdasarkan sampel
acak X1, X2,…, Xn yang berdistribusi
21
X i ~ GEOp
Fitriani Agustina, Math,
UPI
Pada MME dan MLE parameter-parameter yang
akan diestimasi adalah konstanta-konstanta yang
tidak diketahui.
Pada Bayesian parameter-parameter yang akan
diestimasi dipandang sebagai variabel-variabel
random yang mempunyai distribusi awal yaitu
distribusi prior λ(θ).

Fitriani Agustina, Math, 22

UPI
 Penaksir Bayes
Misalkan X1,X2,…,Xn merupakan sebuah sampel
acak berukuran n yang berasal dari distribusi dengan
 
fkp f(x;θ);
Langkah-langkah untuk menentukan penaksir Bayes
bagi θ adalah:

1. Tentukan fkp gabungan dari sampel acak, yaitu

gx1, , xn ;  f x1;   f xn ; 

2. Tentukan distribusi prior, dengan fkpnya λ(θ)

Fitriani diambil/dipilihAgustina,Math, dan disesuaikan dgn g(x1,…,xn;θ) 23
UPI
3. Penaksir Bayes untuk θ ditentukan sbb:
a.Jika λ(θ) dari peubah acak Θ berasal dari
peubah acak diskrit, maka penaksir bayes
ditentukan dengan rumus sbb:

 x , , x ;     gx1, , xn ;  

1 n
gx1, , xn ;  


Fitriani Agustina, Math, 24

UPI
 b.Jika λ(θ) dari peubah acak Θ berasal dari
peubah acak kontinu, maka penaksir bayes
ditentukan dengan rumus sbb:
   gx1 , , xn ;  d
x , , x ;  
  1 n   gx1 , , xn ;  d


Sedangkan penentuan distribusi posteriornya

digunakan rumus:
h x gx1, , xn ;   
gx1, , xn ;   d
Fitriani Agustina, Math, 
25
UPI
Contoh:
Misalkan X1,X2,…,Xn adalah sampel acak
berukuran n dari distribusi B(1,θ), dengan θ tidak
diketahui. Tentukan penaksir Bayes untuk θ.

Fitriani Agustina, Math, 26

UPI