EVALUASI ESTIMATOR

SIFAT TAK BIAS

  Estimator dari θ ditulis  =

 Jika E() ≠ θ maka   = merupakan

estimator yang bias untuk θ.
 Besarnya bias b = E() - θ
Contoh
   distribusi Poisson

Jawab :
X~P(θ) maka E()=λ
SR dari P(θ) maka E()=λ
  

=
Karena maka merupakan estimator tak bias
untuk
Contoh distrubusi normal
  
Jawab :
X~N(μ, σ2) maka E()= μ dan var(X)= σ2
, i = 1,2,...,n SR dari N(μ, σ2) maka E()= μ dan

var()= σ2

i)
E(

Karena E( maka tak bias untuk

  ii)

nol
 
 = +
 = +

 𝜒 2❑  𝜒 2❑
(𝑛 −1 )  𝜒 2❑
(𝑛) (1)
  
=
 E( ) = ()

= σ2 ≠ σ2

Karena E( maka
merupakan estimator yang bias untuk σ2
  
Besarnya bias :
b = E(= σ2 - σ2 =

Catatan :
Untuk estimator tak bias, besarnya bias = 0
  
Petanyaannya adalah estimator mana yang
merupakan estimator tak bias untuk σ2?
 Jawab :

E( σ2

E(

Jadi merupakan estimator tak bias untuk

=
2. Ukuran MSE

 =
  

=E

= var () +

Estimator yang baik mempunyai MSE kecil

Contoh
  

Jawab :
= var () +
,  i
= 1,2,...,n SR dari N(μ, σ2) maka E()= μ dan
var()= σ2

= = n σ2

Karena tak bias untuk μ maka bias ( )=0

sehingga MSE( )= Var ( )=
   =
ii)
var()=var
= var
= ()

= 2(n-1) =

Bias ()= =
  = var () +
= + ==
3. Konsisten
 Menurut ketaksamaan chebycev :
 
=

 Sehingga

 Ekivalen dengan

  𝑀𝑆𝐸 =0
 Sehingga
 
Konsisten untuk jika
memenuhi :
Contoh :

tersebut bersifat konsisten?

  
Jawab :
1. . Dari contoh terdahulu
Var ( )= dan bias ( )=0
Sehingga :
i)
 ( )= 0

ii)
 Var  ( ^𝜇  )=  = 0

Jadi estimator yang konsisten untuk μ.

2.
  

Dari contoh terdahulu Bias ()=

dan var()= , sehingga:

i)

( )=
  =0
 
ii)

 var() = untuk =
Jadi konsisten
 
σ20