PERTEMUAN KE 12

VIII. KRITERIA ESTIMATOR YANG BAIK

Ada tiga kriteria suatu estimator yang baik yaitu, tidak bias, efisien, dan konsisten.
1.1. Tidak Bias (Unbiased)

Definisi 8.1:
Misalkan Xi ; i = 1,2,3, .... n sampel random berukuran n dengan fungsi padat peluang
f X ( x /θ), dan misalkan statistik T =t n ( X i ) ;i=1, 2 , … n penduga (estimator) bagi parameter
θ . T dikatakan Estimator tidak bias bagi θ , jika E(T) = θ untuk semua θdalam ruang
paramaternya.

Contoh 8.1:
Dari contoh 7.2, misalkan T = Xmax penduga bagi paramaeter θ. Pertanyaan (a). apakah T bias
atau tidak bias bagi θ, (b). jika T bias tentukan penduga tak bias bagi θ yang dapat diturunkan
dari penduga bias tersebut.
Solusi :
θ θ
n n−1 n
a. E(T) = ∫ t g ( t ) dt =¿∫ t . n
t dt= θ ¿. Jadi E(T) ≠ θ, artinya T = Xmax adalah
0 0 θ n+1
penduga bias bagi parameter θ .
b. Katakan estimator tak bias bagi θ adalah T1, maka dari penduga bias T dapat
n+1
ditentukan penduga tak bias bagi θ yaitu, T 1= T , karena E(T1) =
n
n+1 n+1 n
E ( T )= . θ=θ.
n n n+1
Contoh 8.2:
n
1
Xi exp ( X /μ ) ; i=1 , 2 ,3 , … , n . Jika μ diduga dengan x= ∑ x , apakah x bias bagi μ..?
n i=1 i
Solusi
1 −x /μ
Xi exp ( X /μ ) ⟹ f X ( μ ; x )= e ; 0< x < ∞. Selanjutnya dihitung ekspektasi dari x yaitu,
μ
n ∞ ∞
1 1 1 −x / μ 1
E( x ) = ∑
n i=1
E (x i)= n∫ x i e
n 0 μ
d xi = ∫ xi e
i

μ 0
−x / μ
d x i ................ (1)
i

xi
Dalam (1), substitusi ¿ ⟹ d x i=μ dy .................. (2).
μ
 ∞ ∞
1
Jika (2) disubstitusikan ke (1) diperoleh, E( x ) = ∫ μy e μ dy=μ ∫ y e dy=μ Γ ( 2 )=μ,
−y −y
μ 0 0

artinya x adalah penduga tidak bias bagi parameter μ.

Definisi 8.2:
Bias of t N =E {t N ( X 1 , X 2 , … X N ) }−θ=b N (θ)
Definisi 8.3:

We say t N ( X 1 , X 2 , … X N ) is an asymtotically unbiased estimator of θ if, Nlim b N ( θ )=0; ∀ θ

→∞

1.2. Efisien
Definisi 8.4:
Misalkan Xi ; i = 1, 2, 3, ... , n sampel random berukuran n dengan fungsi padat peluang
f X (x i /θ). Jika Tj ; j = 1, 2, 3, ... , m adalah m penduga tidak bias bagi θ dengan variansi
i

masing-masing σ 2j . Maka :
a. Tj dikatakan lebih efisien dari Tk⇔ σ 2j <σ 2k ; ∀( j≠ k)
b. Khususnya jika j = 2, maka T1 dikatakan lebih efisien dari T2⇔
2 2
σ 1=Var ( T 1 ) < σ 2=Var (T 2) .
2
σ2
c. Efisiensi relatif T1 terhadap T2 didefinisikan sebagai 2
σ1

{
Var (T 2 ) ¿ 1⟹ T 1 lebih efisien dariT 2
2
σ2
Jika 2 = Var (T ) ¿ 1⟹ T 1 sama efisiendgn T 2
σ1 1
¿ 1⟹ T 2 lebih efisien dari T 1

Contoh 8.3:
n+1
Dari contoh 8.1 telah diketahui bahwa T1= T , T2 = (n+1)Z, dan T3 = 2 X adalah penduga
n
tak bias bagi parameter θ. Tentukan efisiensi relatif dari
a. T1 terhadap T2, b. T1 terhadap T3 dan c. T2 terhadap T3.
Solusi
Telah diketahui fungsi densitas dari T dan Z berturut-turut adalah
n n−1
g ( t )=n
t ; 0<t <θ dan h ( z )= n ¿ .................. (1)
θ θ
θ θ
n n−1 n
E(T) = ∫ t g ( t ) dt=¿∫ t . n t dt= θ¿
0 0 θ n+1
θ θ θ
n n−1 n n +1
E ( T )=∫ t g ( t ) dt=¿∫ t . t dt=∫ n t dt ¿
2 2 2
n
0 0 θ 0 θ
 n 1 n+2 θ n 1
¿ [t ] = n [ θn +2−0 ] = n θ2
θ n+2 0 θ n+ 2 n+ 2
n

( )
2
n 2 n
Var ( T ) = θ− θ =¿
n+ 2 n+1
2
nθ
¿
( n+2 ) ( n+1 )2
2 2 2 2
n+1 n+1 nθ θ
Var ( T 1 ) = { } Var (T )={ } = ................ (2)
n n ( n+2 ) ( n+1 )2 n(n+2)

θ θ
n
E(Z) = ∫ z h ( z ) dz =¿∫ z . ¿ ¿ ¿
0 0 θ
1
¿ nθ ∫ w .¿ ¿
0
( n−1 ) ! θ
¿ nθ =
( n+1 ) n ( n−1 ) ! n+1
z
Substitusi =w ⟹ dz=θdw dan z=θw
θ
θ 1
2 n n
E Z =∫ z . ¿ ¿ ∫ θ w . ¿ ¿
( )
2 2 2

0 θ θ0
1
¿nθ
2
∫ w.¿¿
0

( )
2 2
θ θ 2
Var ( Z )= − =θ ¿ ¿
n+1 n+1
2
2 θ n 2 2
Var ( T 2) =(n+1) Var ( Z )=(n+1) 2
=θ n ....................... (3)
( n+1 )
Efisiensi relatif T 1 terhadap T 2 menjadi
Var (T 2) 2
θ n 2 n(n+2) 2
= =θ n =n ¿
Var (T 1) θ
2
θ
2
)
n(n+2)
Kesimpulan :
1. T 1 lebih efisien dari T 2 ⟺ n2 ( n+2 ) >1
2. T 1 sama efisien dengan T 2 ⟺ n2 ( n+2 ) =1
3. T 2 lebih efisien dari T 1 ⟺ n2 ( n+2 ) <1

Contoh 8.4:
−x
1
Jika Xi exp ( X /μ ) ⟹ f X ( μ ; x )= e μ ; 0< x< ∞ . Andaikan Xmax, Xmin dan X sebagai penduga
μ
bagi parameter μ. Periksa
a. Apakah Xmax, Xmin penduga bias atau tidak bias bagi μ
b. Jika Xmax, Xmin bias tentukan faktor koresksi bagi Xmax, Xmin sehingga ditemukan
penduga tidak bias bagi μ
c. Tentukan efisiensi relatif ketiga penduga tidak bias tersebut.
Solusi:
a. Sebut T = max ( X i ) dan nilai dari T adalah t, maka fungsi distribusi dari T adalah,
 P(T ≤ t) = P(x1 ≤ t, x2 ≤ t, ... , xn ≤ t) , karena Xi ; independen maka
= P(x1 ≤ t) . P( x2 ≤ t) ... P( xn ≤ t) ......................... (1).
Sebut fungsi distribusi dari T dan para X i berturut-turut G dan F dan karena para X i
identik maka (1) dapat ditulis menjadi,
G(t) = F(t) . F(t) ... F(t) = { F (t) }n .............. (2)
Berdasarkan (2), diperoleh fungsi densitas dari T yaitu,
d d
( G ( t ) ) =g (t )=n{ F( t)}n−1 { F ( t ) } =n {F (t)}n−1 f ( t ) ;
dt dt
x
d
d
dengan f ( t )= { F ( t ) } Ingat :
dx
{ F ( x ) } =f ( x ) dan F ( x ) = ∫ f (t )dt
dt −∞

Karena fungsi densitas dari X i exp ( μ ) ; i=1 ,2 , 3 , … , n adalah

−x
1
f ( x ∕ μ )= e μ
; 0< x <∞ maka fungsi distribusi dari X i menjadi,
μ
y y
x −t μ μ
1 1
F ( y ) =∫ e dt=∫ e− y μdy=∫ e− y dy =−¿
μ

0 μ 0 μ 0

( )
−y
¿− e μ −e0 =1−e− y / μ
t
Substitusi = y ⟹ dt =μdy
μ
Jadi fungsi padat peluang dari T menjadi,
−t −t −t −t
μ n−1 1 μ n μ
g ( t )=n {1−e } e = e {1−e μ }n−1 ............... (1)
μ μ
Selanjutnya, hitung ekspektasi dari T yaitu,
∞ −t −t ∞ −t −t
n n
E ( T )=∫ t e μ {1−e μ } dt= ∫ t e μ {1−e μ } dt (coba lanjutkan!!)
n−1 n−1

0 μ μ0

Tugas pertemuan ke 12
1. Diketahui X i U ( θ ) ; i=1 ,2 , 3 , … , ( X i berdistribusi seragam dengan parameter θ) yang
terdistribusi secara independent, dan identik (i.i.d) dengan fungsi padat peluang
1
f ( x ∕ θ )= ; 0< x i <θ ; ∀ i.
θ
n
1
Jika θ diduga dengan x= ∑ x i , maka apakah x penduga bias atau tak bias bagi
n i=1
parameter θ.?
2. Diketahui X i U ( θ ) ; i=1 ,2 , 3 , … , ( X i berdistribusi seragam dengan parameter θ) yang
terdistribusi secara independent, dan identik (i.i.d) dengan fungsi padat peluang
1
f ( x ∕ θ )= ; 0< x i <θ ; ∀ i.
θ
Jika θ diduga dengan Z = Xmin, maka
a. Apakah Z = Xmin bias atau tidak bias bagi θ.
b. jika Z bias tentukan penduga tak bias bagi θ yang dapat diturunkan dari penduga bias
tersebut.
n
1
3. Apakah x= ∑ x i penduga bias atau tidak bias bagi setiap parameter dalam distribusi
n i=1
berikut.
−μ x
e μ
a. X ∼ Poisson (μ)⟹ p X ( x )= ; x=0 , 1 ,2 , 3 , …
x!
b. X ∼Bernouli (μ) ⟹ p X ( x )=μ x (1−μ)x−1 ; x=0 ,1

c. X ∼Binomial (μ) ⟹ p X ( x )= ( nx) μ n−x x

(1−μ) ; x=0 , 1 , 2, 3 , … , n

d. X ∼Eksponensial Negatif ⟹ f ( x , β )= β e− βx ; x> 0 dan β> 0

1
e. X ∼Seragam (a ,b)⟹ p X ( x )= ; a< x< b
b−a

{
x/ β
e
; x< 0 e−|x|/ β
f ( x : β ) = 2β = ;−∞ < x <∞
f. X ∼Laplace ( β ¿⟹
e
− x/ β
2β
; x≥0
2β
−1
1 ¿¿
g. X ∼ Normal ( μ , σ 2 ) ⟹ f X ( x ; , μ , σ 2 )= e 2

√2 π σ
−1 2
1 2
z
h. Z ∼Normal Standard ( 0 , 1 ) ⟹ f X ( x ; , 0 , 1 )= e
√2 π
1 α
i. X ∼Beta (α , λ ¿⟹ f ¿ X ( x ; α , λ )= x ¿
β ( α +1 , λ+1 ) 3
−x
1
j. X ∼Gamma (α , β ¿ ⟹ f ¿ X ( x ; α , β )= α +1 xα e β ; x ≥ 0
β Γ (α +1)
4. Misalkan Xj ; j = 1,2, ..., n sampel random berukuran n dan bersifat i.i.d. dengan rataan μ
dan variansi σ 2. Apakah statistik
X 1+ X 2 …+ X n
a . Xn= bias atau tidak bias bagi rataan populasi μ
n
 n
1
2
b. s =
n ∑
n−1 i=1
{x i−¿ X n }2 ¿ bias atau tidak bias bagi variansi populasi σ 2.

n
1
c .u 2n= ∑ { x −¿ X n }2 ¿ bias atau tidak bias bagi parameter populasi σ 2
n i=1 i
2 2
b . Berikom entar terhadap statistik un, dan tentukan bias dari un .