Pendugaan Parameter

Statistika Matematika II
Semester Genap 2011/2012

25/06/2019 Dr. Rahma Fitriani, S.Si., M.Sc

 Pendugaan Parameter
Parameter: sifat atau ciri
populasi yang tidak
diketahui nilainya.  , dan  2 jika Y ~ N  ,  2 
Sampel berukuran n yang
berasal dari populasi dengan  jika Y ~ Exp 
sebaran tertentu  dan  jika Y ~ Gamma ,  
Y1 ,..., Yn

Statistik: Fungsi dari nilai  : parameter, ˆ : statistik

pengamatan di dalam
sampel tersebut, yang akan
digunakan untuk menduga ˆ  f  y1 ,..., yn 
nilai Parameter

25/06/2019 Dr. Rahma Fitriani, S.Si., M.Sc

 Pendugaan Parameter
• Bagaimana menduga parameter sehingga
diperoleh penduga dengan sifat-sifat yang
baik?

Tak Bias: Ragam kecil:

-Tepat -Akurat
-Mendekati nilai nilai -Nilai yang tidak jauh
yang sebenarnya berbeda dari satu sampel
ke sampel yang lain

25/06/2019 Dr. Rahma Fitriani, S.Si., M.Sc

 Metode Pendugaan Parameter
• Metode Moment
• Metode Maksimum Likelihood

Keduanya bertujuan membentuk statistik:

fungsi dari pengamatan dalam sampel

Keduanya bertujuan untuk membentuk

penduga dengan sifat-sifat yang baik

25/06/2019 Dr. Rahma Fitriani, S.Si., M.Sc

 Metode Moment
Memanfaatkan definisi moment ke k dari peubah
acak Y

M t 
 
k
 M 0   k  E Y k 
k  d Moment ke k
E Yk
dt k t 0 dari peubah
acak Y

Y1 ,..., Yn Sampel berukuran n yang berasal dari populasi dengan

sebaran yang ingin diduga nilai parameternya

1 n k
Definisi moment ke-k dari sampel adalah: ̂ k   Y
n i 1
ˆ k penduga dari k
25/06/2019 Dr. Rahma Fitriani, S.Si., M.Sc
 Langkah-langkah pendugaan dengan
metode moment
1. Memperoleh moment orde terendah yang
mungkin, nyatakan moment tsb dalam
parameter-parameter yang akan diduga:
– moment fungsi dari parameter
2. Mencari inverse dari persamaan di langkah 1,
sehingga diperoleh persamaan:
– parameter fungsi dari moment
3. Menggunakan moment sampel pada semua
moment yang digunakan di langkah 2

25/06/2019 Dr. Rahma Fitriani, S.Si., M.Sc

 Contoh 1, Sebaran Poisson:
Langkah 1 Moment pertama dari sebaran
Poisson: Y ~ Poisson 

1  EY    Moment fungsi dari λ

Langkah 2 Inverse dari fungsi di langkah 1

  1
Langkah 3 Gunakan moment sampel untuk pendugaan
n
1
ˆ  ˆ1   yi  y
n i 1

25/06/2019 Dr. Rahma Fitriani, S.Si., M.Sc

 Contoh 2, Sebaran Normal:
Sebaran normal mempunyai dua  , dan  2 : Y ~ N  ,  2 
parameter
Langkah 1 Dibutuhkan moment pertama dan moment
kedua dari sebaran normal

1  EY   
Dari definisi ragam  
Var Y   E Y 2  E Y 
2

2  E Y   Var Y   E Y 
2 2

Moment fungsi dari

parameter: 1   2   2   2
25/06/2019 Dr. Rahma Fitriani, S.Si., M.Sc
 Langkah 2 Inverse dari fungsi di langkah 1:
parameter fungsi dari moment

1     1

2   2   2  2  2   2  2  12

Langkah 3 Gunakan moment sampel untuk pendugaan

n
1
ˆ  ˆ 2  ˆ1   
n
1 2 2
ˆ  ˆ1   Yi  Y
2 2
Yi Y
n i 1 n i 1

ˆ   Yi  Y 
n
2 1 2

n i 1
25/06/2019 Dr. Rahma Fitriani, S.Si., M.Sc
 Data set I

Data set II

25/06/2019 Dr. Rahma Fitriani, S.Si., M.Sc

 Metode Kemungkinan Maksimum
(Maximum Likelihood)
• Penentuan nilai duga parameter sedemikian:
– Pada nilai duga tersebut data pengamatan paling
mungkin terjadi
• Digunakan fungsi likelihood
Fungsi kepekatan gabungan dari seluruh
nilai teramati peubah Y dalam sampel

Fungsi kepekatan Untuk seluruh nilai teramati dalam

gabungan adalah fungsi sampel, fungsi likelihood adalah
dari peuban Y fungsi dari parameter.

25/06/2019 Dr. Rahma Fitriani, S.Si., M.Sc

 Fungsi Likelihood
Y1 ,..., Yn Sampel acak berukuran n yang berasal dari populasi yang
menyebar dengan fungsi kepekatan peluang berikut ini:

f y    parameter dari sebaran

Jika diperoleh: Y1  y1 , Y2  y2 ..., Yn  yn

Fungsi likelihood: L   PY1  y1 , Y2  y2 ,..., Yn  yn 

 f Y1  y1   f Y1  y1  ... f Yn  yn  

L    f Yi  yi  
n

i 1
25/06/2019 Dr. Rahma Fitriani, S.Si., M.Sc
 X f(x|5, 1) f(x|3, 1) ln f(x|5,1) ln f(x|3,1)
5 0.241970725 0.053991 -1.41894 -2.91894
5.5 0.129517596 0.017528 -2.04394 -4.04394
6 0.053990967 0.004432 -2.91894 -5.41894
3 0.241970725 0.398942 -1.41894 -0.91894
6.5 0.0175283 0.000873 -4.04394 -7.04394
4 0.39894228 0.241971 -0.91894 -1.41894
4.5 0.352065327 0.129518 -1.04394 -2.04394
3.5 0.352065327 0.352065 -1.04394 -1.04394
6 0.053990967 0.004432 -2.91894 -5.41894
5 0.241970725 0.053991 -1.41894 -2.91894
Likelihood 4.63613E-09 3.86E-15 ln likelihood -19.1894 -33.1894

25/06/2019 Dr. Rahma Fitriani, S.Si., M.Sc

 Penduga Kemungkinan Maksimum
θ yang mana yang membuat
Untuk seluruh nilai teramati dalam nilai teramati tsb paling
sampel, fungsi likelihood adalah mungkin terjadi?
fungsi dari parameter.

θ yang mana
memaksimumkan fungsi
likelihood?

Penduga kemungkinan θ yang memaksimumkan

maksimum: fungsi likelihood


L ˆ  max L   max  f Yi  yi  
n

   
i 1

25/06/2019 Dr. Rahma Fitriani, S.Si., M.Sc

 Contoh 3, Sebaran Poisson
YY11,..., Poisson
,...,YYnn ~~ Poisson Secara bebas dan sama, iid

eeyy
ffyy ,,yy00,1,1,,22,... dan 00
,... dan
yy!!

e    yi n

L    f Yi  yi    
n
Fungsi
Fungsilikelihood:
likelihood:

i 1 i 1 yi !
n

 yi
e  n  i1
 n
 yi ! i 1

25/06/2019 Dr. Rahma Fitriani, S.Si., M.Sc

 n

 n
 yi
 i 1

L  
e
n

y!
i 1
i

 n


  n i1 
y i
Digunakan ln fungsi  e  
likelihood untuk me- l    ln L   ln  n 
linierkan fungsi likelihood:   yi ! 
 i 1 
  yi 
n

 i1 
n
 n  ln     ln  yi !
  i 1
 
n
 n  ln   yi  ln  yi !
n

λ yang memaksimumkan i 1 i 1
fungsi adalah solusi dari 1 n
l    n   yi  0
d 1 n
turunan pertama fs tsb thd  yi  n
d  i 1 ˆ
 i 1
λ yang disamadengankan
1 n
nol: ̂   yi  y
25/06/2019 Dr. Rahma Fitriani, S.Si., M.Sc n i 1
 Contoh 4, Sebaran Eksponensial
Y1 ,..., Yn ~ Exp 

f y 
1  1 y
e , y  0 dan   0


L    f Yi  yi     e
n n
1  1 yi
Fungsi likelihood:
i 1 i 1 

1 1
  yi
 e i 1

n
1 1 n
Digunakan ln fungsi
l    ln L   ln   yi
likelihood untuk me-  n
 i 1
linierkan fungsi likelihood: 1 n
  n ln    yi
25/06/2019 Dr. Rahma Fitriani, S.Si., M.Sc  i 1
 l    n ln  
1 n
 yi
 i 1

l      2  yi  0
θ yang memaksimumkan d n 1 n 1 n n
fungsi adalah solusi dari d   i 1  yi 
ˆ
 i 1
2
ˆ
turunan pertama fs tsb thd
θ yang disamadengankan
1 n
nol: ˆ   yi  y
n i 1
Penduga kemungkinan
maksimum bagi θ

25/06/2019 Dr. Rahma Fitriani, S.Si., M.Sc