METODE PENAKSIRAN BAYES

Metode penaksiran yang klasik yang telah dikaji sampai sejauh

ini hanya berdasarkan informasi yang diberikan oleh terok acak
.Metode ini pada dasarnya menafsirkan peluang sebagai
frekuensi nisbi. Sebagai contoh ,dalam menurunkan selang
kepercayaan 95% untuk µ,

Pernyataan P(-1.96<Z<1.96) berarti 95% dari waktu percobaan

Z akan berada antara -1.96 dan 1.96. Peluang jenis ini yang
dapat menafsirkan dalam bentuk frekuensi akan disebut
peluang objektif .Pendekatan bayes dalam metode penaksiran
titik menggabungkan informasi dari terok dan informasi yang
tersedia sebelumnya yang berkaitan dengan masalahnya.
 Dengan distribusi peluang f ( ) dan ingin ditaksir nilai
tertentu untuk populasi yang diambil teroknya. Peluang
yang dikaitkan dengan distribusi awal ini disebut peluang
pribadi, karena mengukur derajat keyakinan seseorang
mengenai letak parameter yang ingin ditaksir. Orang
tersebut menggunakan pengalaman dan pengetahuannya
sebagai dasar untuk memperoleh peluang pribadi yang
berasal dari distribusi awal


Teknik bayes menggunakan distribusi awal f( ) bersama
dengan distribusi gabungan terok f(x1,x2,...,xn; 
), untuk

menghitung dstribusi pasca f( | x1,x2,...,xn).
Tulislah f(x1,x2,...,xn| ) sebagai pengganti f(x1,x2,...,xn;  )
untuk distribusi peluang gabungan terok bilamana ingin
menunjukkan bahwa parameter juga merupakan peubah acak.

Distribusi gabungan terok x1,x2,...,xn dan parameter adalah:
  
f(x1,x2,...,xn; ) = f(x1,x2,...,xn| ) f( ).

Dari sini dengan mudah diperoleh distribusi marginal (plas):

  f ( x1 , x2 ,..., xn ; )
 
g ( x1 , x2 ,..., xn )   
  f ( x1 , x2 ,..., xn ; )d
 
Jadi distribusi pasca dapat ditulis sebagai :

f ( x1 , x2 ,..., xn ; )
f ( | x1 , x2 ,..., xn ) 
g ( x1 , x2 ,..., xn )
 x1 , x|2 ,..., xn )
Rataan distribusi pasca f( dinyatakan
dengan  *, disebut taksiran bayes untuk .
Contoh soal
Misalkanlah distribusi awal untuk proporsi banyaknya
yang cacat p, yang dihasilkan suatu mesin adalah

P 0,1 0,2

f(p) 0,6 0,4

Carilah taksiran bayes untuk proporsi yang cacat yang

dihasilkan mesin tadi bila terok acak berukuran 2
menghasilkan 1 yang cacat.
• Misalkan x menyatakan banyaknya yang cacat dalam
terok. Maka distribusi peluang terok diatas menjadi:
 2  x 2 x
f ( x | p)  b( x; n, p)  x = p0,q1, 2,
 x
• Bila p = 0,1 diperoleh:
 2
f (1 | 0,1)  b(1;2,0,1)   (0,1)(0,9)  0,18.
1
• Begitu juga dengan p=0.2 diperoleh

 2
f (1 | 0,2)  b(1;2,0,2)   (0,1)(0,8)  0,32.
1
 Karena f(x,p) = f(x|p) f(p), maka tabel berikut dapat
dibuat.

P 0,1 0,2

f(1,p) 0,108 0,128

 Dengan demikian diperoleh:

g (1)   f (1, p)  0,236

p
Distribusi pasca kemudian dapat diperoleh untuk proporsi yang
cacat, p, bila x=1, dari rumus

f(p|x) = f(x,p)/g(x). Jadi peroleh

P 0,1 0,2

f(p|x=1) 0,458 0,542

Sehingga taksiran bayes untu p, dinyatakan dengan p* menjadi

p* = (0,1)(0,458) + (0,2)(0,542) = 0,1542.

Perhatikan bahwa taksiran bayes jauh lebih kecil dari pada

nilai ½ yang dpeoleh dengan taksiran klasik x
pˆ  .
n
 Teorema :

Bila x menyatakan rataan terok acak berukuran n dari

suatu populasi normal dengan variansi yang diketahui,
dan distribusi awal dari rataan populasi adalah suatu
distribusi normal dengan rataan dan variansi maka
distribusi pasca dari rataan populasi juga berdistribusi
normal dengan rataan Dan simpangan baku , dengan:

2 2
n x 02   0 2 *  0
*   
n 02   2 n 02   2
 • Bukti
Kalikan fungsi padat dari terok xi ~ N (  ,  2 )

2
x1 ~ N (  ,  2 )
1  x 
2 1  
2  

x2 ~ N (  , 2 )
f ( x,  ,  )  e
2 
2 2
1  x   1  x  
1   1  1   2 
f ( x1 , x 2 ;  ,  2 )  e 2  
 e 2  

2  2 
 1  x   2   1  x  2 
  1     2  
1  2     2   
 2
e    
2
 1 n  x   2 
1

 2 
 i  
  
i 1 
 e 
2 2
Dari sini kita peroleh untuk f ( x1 , x2 ,..., xn ;  ,  2 )

  1  n  x  2 
     1  
1   2 11   
f ( x1 , x 2 ,..., x n |  )  n/2 n
e
(2 ) .

Untuk < < dan i=1,2,...,n dengan fungsi padat awal

2
 (   0 ) 
1  (1 / 2 ) 


f ( )  e  0 
,
2  0

Maka diperoleh fungsi padat gabungan dari terok acak

dan rataan populasi asal terok yaitu:
f ( x1 , x2 ,..., xn ;  )  f ( x1 , x2 ,..., xn |  ) f (  )

  1  n  x  2   (   0 ) 
2
     1  
1 2
  11    1  (1 / 2 ) 
 0 

f ( x1 , x 2 ,..., x n ;  )  n/2 n
e  e
(2 ) . 2  0

  1  n  x    2    1   (    )  2 
0
     1        
1   2 11      2    0  
  n 1 
e
 
(2 )  2 
. n 0
Di pasal diatas telah dibuktikan identitas
n n

 i
( x
i 1
  ) 2
  i
[( x
i 1
 x )  ( x   ) ] 2

n
  [( xi  x) 2  2( xi  x)( x   )  ( x   ) 2 ]
i 1

n
  ( xi  x ) 2  0  n( x   ) 2 ]
i 1

n
  ( xi  x ) 2  n( x   ) 2 ]
i 1

n
 n 

i 1
( x i  x )( x   )  ( x   ) 
 i 1
x i  x 

Catatan
 ( x   )( nxi  nxi )
0
 Sehingga dapat kita tulis

1 1 
n   1     2 
 . 2 ( xi  x ) 2  n ( x   ) 2     0  
1 2   i 1 
  2  0  
 
f ( x1 , x2 ,..., xn ;  )  ( n 1) / 2 n
e ,
(2 )  0
2 2
1   x      1    0  
n 2
 xi  x 
1
 
2      
    n      2    
    0  

i 1   
f ( x1 , x2 ,..., xn ;  )  ( n 1) / 2 n
e 
,
(2 )  0
 Bila bentuk kuadrat pada eksponen yang kedua
dilengkapi maka fungsi padat gabungan dari terok acak dan
rataan populasi dapat ditulis dalam bentuk.
 (1 / 2 ) (    *) /  *2
f ( x1 , x2 ,..., xn ,  )  ke ,

Dengan:
n x 02   0 2  02 2
*  dan * 
n   2
2
0
n 02   2
 Dan K suatu fungsi dari nilai terok dan parameter
yang diketahui.Distribusi pias dari terok menjadi:
 1  (1/ 2 ) (    *) /  *2
g ( x1 , x2 ,..., xn )  k 2  *  e d

2  *
 k 2  *,

Dan distribusi pasca adalah:

f ( x1 , x 2 ,..., x n ;  )
f (  | x1 , x 2 ,..., x n ) 
g ( x1 , x 2 ,..., x n )

1  (1 / 2 ) (    *) /  *2
 e ,
2  *
 Untuk menghitung dan menurut rumus pada
Teorema, kita misalkan diketahui. Karena hal ini
biasanya tidak berlaku , maka diganti dengan variansi
terok bila n 30 . Rataan pasca adalah adalah
taksiran Bayes dari rataan populasi dan selang Bayes (1
) 100% untuk dapat dibuat dengan menghitung selang

 *  z / 2 *     *  z / 2 *
Yang dipusatkan pada rataan pasca dan mengandung (1
)100% dari peluang pasca.
Contoh Soal

Suatu perusahaan listrik membuat bola lampu yang

panjang umurnya berdistribusi hampir normal dengan
simpangan baku 100 jam.Dari pengalaman sebelumnya
dapat dianggap bahwa merupakan suatu nilai peubah
acak normal dengan rataan = 800 jam dan simpangan
baku = 10 jam.Bila terok acak berukuran 25 bola lampu
mempunyai rata-rata umur 780 jam,carilah selang Bayes
95% untuk
Penyelesaian
Menurut Teorema, distribusi pasca dari rataan juga
berdistribusi normal dengan rataan
(25)(780)(10) 2  (800)(100) 2 (10) 2 (100) 2
*    796 *  2 2
 80
2
(25)(10)  (100) 2
(25)(10)  (100)

Selang Bayes 95% untuk jadinya adalah

796  1,96 80   796  1,96 80
Atau 778,5  813,5
Menghitung selang kepercayaan 95% klasik

 100   100 

780  (1,96)   780  (1Atau
 ,96)  740,8  819,2
 25   25 
 KESIMPULAN
Dengan distribusi peluang f( ) 
dan ingin ditaksir nilai
tertentu untuk populasi yang diambil teroknya. Teknik
bayes menggunakan distribusi awal f( ) bersama
dengan distribusi gabungan terok f(x1,x2,...,xn;  ), untuk

menghitung dstribusi pasca f( | x ,x ,...,x ).
1 2 n

Distribusi marginal untuk metode penaksiran bayes

  f ( x1 , x2 ,..., xn ; )
adalah:  
g ( x1 , x2 ,..., xn )   
  f ( x1 , x2 ,..., xn ; )d
 