Makalah Statistik Matematik "Contoh Data Real Penaksir Bayes"
Makalah Statistik Matematik "Contoh Data Real Penaksir Bayes"
STATISTIK MATEMATIK
“CONTOH DATA REAL PENAKSIR BAYES”
Disusun oleh:
Alhamdulillah Puji dan syukur selalu saya panjatkan kepada Allah SWT.,
yang telah melimpahkan banyak berkah dan karunianya, sehingga saya bisa
menyelesaikan tugas makalah ini. Tak lupa shalawat serta salam selalu terlimpah
curahkan kepada junjungan Nabi besar kita, Muhammad SAW., kepada
keluarganya, sahabatnya, beserta para tabiin-tabiinya.
Penulis
1
DAFTAR ISI
KATA PENGANTAR............................................................................................i
DAFTAR ISI..........................................................................................................ii
BAB 1 PENDAHULUAN.....................................................................................1
A. Latar Belakang Masalah............................................................................1
B. Pembatasan Masalah.................................................................................1
C. Rumusan Masalah.....................................................................................2
D. Tujuan Penulisan.......................................................................................2
BAB 2 PEMBAHASAN.......................................................................................4
A. Landasan Teori..........................................................................................4
a. Peubah Acak (Variabel Acak)..............................................................4
b. Fungsi Distribusi Peluang....................................................................4
c. Fungsi densitas Peluang Bersama atau Gabungan..............................4
d. Distribusi Poisson................................................................................5
e. Distribusi Gamma................................................................................5
f. Distribusi Prior....................................................................................6
g. Distribusi Posterior..............................................................................7
B. Pengertian Metode Bayes..........................................................................8
C. Metode Penaksir Bayes.............................................................................8
a. Contoh Kasus Penaksiran Bayes.........................................................9
BAB 3 PENUTUP.................................................................................................12
A. Kesimpulan................................................................................................12
B. Saran..........................................................................................................12
DAFTAR PUSTAKA............................................................................................13
LAMPIRAN..........................................................................................................14
2
BAB 1
PENDAHULUAN
Pada makalah ini akan dibahas mengenai salah satu penaksir untuk
menaksir parameter rataan populasi. Penaksir-penaksir parameter rataan populasi
ada dengan berbagai macam penyelesaian dan bentuk formula yang berbeda satu
sama lain. Namun pada makalah ini akan dikhususkan untuk membahas mengenai
penaksir bayes pada parameter rataan populasi. Dengan menggunakan data real
akan dihitung dengan menggunakan penaksiran Bayes terhadap parameter rataan
pada populasi dengan sampel acak sesuai distribusi yang digunakan dan langkah-
langkah selengkapnya akan kita lihat pada pembahasan.
B. Pembatasan Masalah
1
3. Mengetahui tentang densitas gabungan yang bisa digunakan dengan
Metode Bayes.
4. Mengetahui tentang distribusi prior yang bisa digunakan dengan Metode
Bayes.
5. Mengetahui tentang penaksir bayes yang bisa digunakan dengan Metode
Bayes.
6. Mengetahui tentang distribusi posterior yang bisa digunakan dengan
Metode Bayes.
7. Mengetahui dengan jelas penerapan Metode Bayes dalam kehidupan
nyata.
C. Rumusan Masalah
D. Tujuan Penulisan
2
Tujuan dari penulisan makalah ini adalah:
BAB 2
PEMBAHASAN
3
A. Landasan Teori
a. Peubah Acak (Variabel Random)
Definisi 1.1 Peubah acak adalah suatu fungsi yang mengatakan suatu
bilangan real pada setiap unsur dalam ruang sampel.
1. f ( x ) ≥ 0,
2. ∑ f ( x ) =1,
x
3. P ( X=x )=f ( x ) .
Definisi 1.3 Fungsi f (x) adalah fungsi kepadatan peluang peubah acak
kontinu X , yang didefinisikan di atas himpunan semua bilangan real R
bila,
1. f ( x )≥ 0 ,
∞
2. ∫ f ( x ) dx=1,
−∞
b
4
d. Distribusi Poisson
e− λt ( λt ) x
p ( x ; λt )= ; x=0,1,2,3, …
x!
λt menyatakan rata-rata banyaknya sukses yang terjadi per satuan waktu atau
daerah tersebut dan e=2.71828 … .
e. Distribusi Gamma
∞
Γ ( α )=∫ x α−1 e−x dx
0
Γ ( α )=( α −1 ) Γ ( α−1 ) ,
Γ ( α )=( α −1 ) ( α−2 ) Γ ( α −2 )
¿ ( α −1 )( α−2 )( α −3 ) Γ ( α −3 ) ,
Γ ( n )= ( n−1 ) ( n−2 ) , … , Γ ( 1 ) .
5
∞
Γ ( 1 )=∫ e−x dx=1
0
sehingga
Γ ( n )= ( n−1 ) ! .
{
−x
1 α −1 β
f ( x )= β α Γ ( α ) x e ; x >0
0; lainnya
f. Distribusi Prior
6
pola distribusi prior yang mempunyai bentuk konjugat dengan fungsi
densitas peluang pembangun likelihoodnya.
b) Distribusi prior tidak konjugat (non-conjugate), apabila pemberian
prior pada suatu model tidak mengindahkan pola pembentuk fungsi
likelihoodnya.
2. Berkaitan dengan penentuan masing-masing parameter pada pola
distribusi prior tersebut.
a) Distribusi prior informatif mengacu pada pemberian parameter dari
distribusi prior yang telah dipilih baik distribusi prior konjugat atau
tidak, pemberian nilai parameter pada distribusi prior ini akan sangat
mempengaruhi bentuk distribusi posterior yang akan didapatkan pada
informasi data yang diperoleh.
b) Distribusi prior non-informatif, pemilihannya tidak didasarkan pada
data yang ada atau distribusi prior yang tidak mengandung informasi
tentang parameter θ , salah satu pendekatan dari non-informatif
prior adalah metode Jeffrey’s.
g. Distribusi Posterior
g ( x 1 , x 2 , … , x n ; θ ) ⋅ λ(θ)
h ( θ|X =x )= ❑
∫ g ( x 1 , x 2 , … , x n ; θ ) ⋅ λ(θ) dθ
Ω
fungsi densitas posterior untuk variabel random kontinu. Distribusi posterior dapat
digunakan untuk menentukan estimator dan estimasi interval dari parameter yang
tidak diketahui.
7
Penaksiran Bayes adalah suatu metode penaksiran yang mendasarkan diri
pada pemilihan distribusi prior dan loss function. Dalam penaksiran dipilih
distribusi prior yang disesuaikan dengan distribusi yang digunakan pada sampel
acak tertentu yang nantinya akan mempunyai pengaruh minimum dari data pada
distribusi posterior. Penaksir Bayes akan memberikan estimasi tentang parameter
populasi yang hanya didasarkan pada anggapan distribusi populasi dan data.
Karena kejadian bencana ini sebenarnya hampir jarang terjadi, maka pada
penaksiran kali ini digunakan fungsi kepadatan peluang Poisson. Di mana
parameter θ tidak diketahui yang mana akan menjadi jumlah yang diharapkan
pada tahun tertentu.
8
Pada tabel berikut menunjukkan jumlah badai yang benar-benar datang
untuk 3 periode 50 tahun.
Penyelesaian:
e−θ θ x
f ( x ; θ )= ; x=1,2, 3 ; θ>0
x!
¿ 0 ; x lainnya
g ( x1 , x2 , … , x n ; θ ) =f ( x 1 ; θ ) ⋅ f ( x 2 ; θ ) ⋅… ⋅ f ( x n ; θ )
[ ][ ] [ ]
−θ x1 −θ x2 −θ xn
e θ e θ e θ
¿ ⋅ ⋅… ⋅
x1 ! x2 ! xn !
θx θ x θx
( )
1 2 n
¿ ( e−nθ ) ⋅ ⋅… ⋅
x1 ! x2 ! xn !
−nθ
e ( nθ )w
¿ .
w!
n
Dengan w=∑ x i .
i=1
μ α α−1 −μθ
λΘ ( θ ) = θ e ; 0 <θ<∞
Γ (α )
9
¿ 0 ; lainnya.
Perhatikan data pada periode awal pada tahun 1851-1900 dan asumsikan
α
fungsi densitas gamma mempunyai E ( Θ )= , yakni jumlah rata-rata sampel
μ
88
badai per tahun adalah =1.6 . Kemudian atur bahwa E (Θ)
50
memungkinkan α =88 dan μ=50 untuk digunakan pada parameter gamma
sebagai distribusi prior sehingga diperoleh,
Karena distribusi prior yang digunakan adalah distribusi yang bersifat kontinu
maka formula untuk penaksir Bayes digunakan,
∫ θ⋅ g ( x 1 , x 2 , … , x n ; θ ) ⋅ λ(θ) dθ
δ ( x 1, x 2 , … , x n )= Ω❑ .
∫ g ( x 1 , x 2 , … , x n ; θ ) ⋅ λ (θ)dθ
Ω
Setelah analisis matematik formula dari distribusi prior, maka dihasilkan suatu
formula penaksir Bayes untuk parameter θ ,
w+α i=1
∑ x i+α
δ ( x 1, x 2 , … , x n )= = .
μ+n μ+ n
g ( x 1 , x 2 , … , x n ; θ ) ⋅ λ(θ)
h ( θ|X =x )= ❑
∫ g ( x 1 , x 2 , … , x n ; θ ) ⋅ λ(θ) dθ
Ω
10
n
(∑ x i +α ) n
( μ+n) i=1
∑ x i+α −1
¿ n
θ i=1
e−(μ+n )θ .
Γ ( ∑ x i +α )
i=1
Kemudian, masukkan nilai asumsi awal pada penaksir Bayes dan pada distribusi
posterior yakni α =88 dan μ=50 dan akan menjadikan fakta bahwa
w=92+72=164 badai terjadi selama n=100 tahun terkini yang termasuk
pada database. Oleh karena itu diperoleh penaksir Bayes,
∑ x i+ α
δ ( x 1, x 2 , … , x n )= i=1 .
μ+ n
( 92+72 ) +88
δ ( x 1, x 2 , … , x n )=
50+100
252
δ ( x 1, x 2 , … , x n )= =1.68 .
150
11
BAB 3
PENUTUP
A. Kesimpulan
1. Penaksiran Bayes mempunyai nilai E ( θ^ ) ≠ θ , sehingga penaksir bersifat
tak bias. Namun, penaksir bisa menjadi tak bias jika ruas kanan dikalikan
dengan konstanta tertentu.
2. Penaksiran Bayes mempunyai dua faktor utama dalam menjalankan
prosesnya yakni adanya distribusi prior dan informasi sebelumnya dari
sampel data yang diberikan.
3. Pemilihan distribusi prior (distribusi awal) disesuaikan besarnya dengan
distribusi yang bersesuaian dengan sampel acak yang diberikan.
4. Distribusi posterior dihitung jika nilai θ tidak diketahui dan
menghasilkan suatu distribusi prior dalam bentuk formula yang diperluas.
5. Nilai taksiran yang dihasilkan oleh penaksiran Bayes mempunyai nilai
yang tak berbeda jauh dengan dengan nilai aslinya. Sehingga tidak salah
jika mencoba metode penaksiran Bayes dalam menaksir suatu parameter
θ .
B. Saran
Dari kesimpulan yang penulis bisa tuliskan, bahwa ini hanyalah gambaran
sederhana dari contoh kasus pada Penaksiran Bayes dengan menggunakan
distribusi-distribusi yang sudah ada. Maka penulis harapkan agar pembaca untuk
senantiasa selalu meningkatkan pemahamannya mengenai Penaksiran Bayes ini.
Adapun penulis sadari bahwa adanya kekurangan pada makalah ini dan penulis
harapkan bisa lebih memahamkan diri kembali akan materi yang telah dituliskan.
Oleh sebab itu penulis sarankan untuk tidak terpaku pada satu sumber saja, tetapi
12
carilah kembali sumber-sumber referensi yang relevan. Dan semoga makalah ini
bisa membantu para pembaca dalam memecahkan masalah mengenai Penaksiran
Bayes dalam bentuk data asli.
DAFTAR PUSTAKA
[3] Walpole, Ronald E, And Myers, Raymond H. 1995. “Ilmu Peluang dan
Statistika Untuk Insinyur dan Ilmuwan” Ed. 4. ITB: Bandung.
[4] Siska, Ade Chandra. 2011. “Inferensi Statistik Distribusi Binomial dengan
Metode Bayes Menggunakan Priot Konjugat”. Skripsi FMIPA Universitas
Diponegoro: tidak diterbitkan.
13
LAMPIRAN
Bukti:
∫ θ⋅ g ( x 1 , x 2 , … , x n ; θ ) ⋅ λ(θ) dθ
δ ( x 1, x 2 , … , x n )= Ω❑ .
∫ g ( x 1 , x 2 , … , x n ; θ ) ⋅ λ (θ)dθ
Ω
∞ w
e−nθ ( nθ ) μα α −1 −μθ
¿∫ θ e dθ
0 w! Γ (α )
w ∞
( n ) μα
¿ ∫
w ! Γ (α ) 0
θ w+α−1 e−(μ+ n)θ dθ
¿ G [ w+α ; (μ+n)(w +α ) ]
( n )w μα Γ ( w+α )
L2 = .
w ! Γ (α ) ( μ+n)(w +α )
∞ w
e−nθ ( nθ ) μα α −1 −μθ
¿∫ θ θ e dθ
0 w! Γ (α )
w ∞
( n ) μα
¿ ∫
w ! Γ (α ) 0
θ w+α+1−1 e−(μ +n)θ dθ
14
( n )w μα Γ (w+α +1)
L1 = .
w ! Γ (α ) (μ +n)(w+ α +1)
Sehingga diperoleh,
L1
δ ( x 1, x 2 , … , x n )= .
L2
( n )w μα Γ (w +α +1)
w ! Γ (α ) ( μ+ n)(w+α +1)
δ ( x 1, x 2 , … , x n )=
( n )w μ α Γ (w+ α )
w ! Γ (α ) ( μ+n)(w+α )
Γ ( w+α +1)
(μ+n)(w +α +1)
δ ( x 1, x 2 , … , x n )=
Γ (w+ α )
( μ+ n)(w+α )
(w +α )
Γ (w+ α +1) ( μ+n)
δ ( x 1, x 2 , … , x n )=
(μ+ n)(w+α +1 ) Γ (w+α )
(w +α )
Γ (w+ α +1) ( μ+n) w+α
δ ( x 1, x 2 , … , x n )=
(μ+ n)(w+α +1 )
Γ (w+ α +1)
w+α
δ ( x 1, x 2 , … , x n )=
μ+n
∑ x i+ α
δ ( x 1, x 2 , … , x n )= i=1 .
μ+ n
Bukti :
g ( x 1 , x 2 , … , x n ; θ ) ⋅ λ(θ)
h ( θ|X =x )= ❑
∫ g ( x 1 , x 2 , … , x n ; θ ) ⋅ λ(θ) dθ
Ω
15
e−nθ ( nθ )w μ α α −1 −μθ
. θ e
w! Γ(α)
¿
( n )w μα Γ (w +α )
w ! Γ (α ) ( μ+ n)(w+ α )
( n )w μ α w +α −1 −( μ+n)θ
θ e
w! Γ ( α )
¿
( n )w μ α Γ (w+α )
w ! Γ (α ) (μ+n)(w +α )
( μ+n)(w +α ) w +α −1 −( μ+n)θ
¿ θ e
Γ (w+α )
16
10