ESTIMASI TITIK

TRIYANTO
PRODI PEND. MATEMATIKA
UNIVERSITAS 11 MARET
 STATISTIKA

DESKRIPTIF INFERENSIAL

ESTIMASI UJI HIPOTESIS

ESTIMASI TITIK

ESTIMASI INTERVAL
STATISTIKA INFERENSIAL

Statistika yang dengan segala informasi dari sampel

digunakan untuk menarik kesimpulan mengenai
karakteristik dari popupasi.

POPULASI
MEAN :µ
STA DEV : σ
PROPORSI : ρ

SAMPEL
MEAN :X
STA DEV : s
PROPORSI : p
ESTIMASI TITIK

Definisi
Misalkan X adalah variabel random dengan
fungsi densitas probabilitas f(x) dan
parameter populasi , maka untuk sampel
random X1, X2, …X n statistik
ˆ  g(X1, X 2 ,  X n ) dinamakan estimator dari .
METODE MOMEN
 Misalkan X adalah variabel random dengan
fungsi densitas probabilitas f(x ; 1, 2 …. k)
dengan 1, 2 …. k adalah k parameter
yang tidak diketahui, maka momen ke-t di
sekitar pusat didefinisikan sebagai :
t = E( Xt ) ; t = 1,2,… k momen
populasi
METODE MOMEN (lanjutan)

 Misalkan X1, X2 … Xn merupakan sampel

random berukuran n dari variabel random X,
maka momen ke-t di sekitar pusat
didefinisikan sebagai
t
mt  X ; t = 1,2,… k momen sampel
METODE MOMEN (lanjutan)
 Penyamaan dari momen sampel dan momen
populasi akan menghasilkan k buah
persamaan dalam k buah parameter yang
tidak diketahui i yaitu :
mt = t ; t = 1,2,… k
Solusi dari persamaan tersebut dinotasikan
dengan ˆ1,ˆ2 ....ˆk yang merupakan
estimator dari 1,2…k
CONTOH

Misalkan X 1 , X 2 ,.....X n merupakan sampel

random dari variabel random X yang
mempunyai fungsi densitas :
 
x
 1 e  ; x0
f ( x)  

0 ; x yang lain

Tentukan estimator untuk 
METODE MAXIMUM LIKELIHOOD

 Misalkan X adalah variabel random dengan

fungsi densitas probabilitas f(x; ) dengan 
adalah parameter yang tidak diketahui. Jika
X1, X2 … Xn merupakan sampel random
berukuran n dari variabel random X, maka
fungsi kemungkinan (likelihood function)
didefinisikan sebagai :

L( )  f ( x1; ). f ( x2 ; ).... f ( xn ; )

METODE MAXIMUM LIKELIHOOD

Estimator maximum likelihood dari

 adalah nilai  yang
memaksimumkan L().
METODE MAXIMUM LIKELIHOOD

CATATAN :
Jika fungsi kemungkinan mengandung k
parameter yang tidak diketahui, yaitu :
n
L(1, 2 ... k )   f ( xi ,1, 2 ... k )
i 1

Estimator kemungkinan maksimum

(maximum likelihood) dari 1, 2 …. k adalah
nilai-nilai 1, 2 …. k yang
memaksimumkan .
L(1, 2 ... k )
CONTOH

1. Misalkan X 1 , X 2 ,.....X n merupakan sampel

random dari variabel random X yang
mempunyai fungsi densitas :
 
x
 1 e  ; x0
f ( x)  

0 ; x yang lain

Tentukan estimator untuk 
CONTOH

2. Misalkan X 1 , X 2 ,.....X n merupakan sampel random

dari variabel random X berdistribusi B(1,). Maka
tentukan estimator untuk .

3. Misalkan X 1 , X 2 ,.....X n merupakan sampel random

dari variabel random X berdistribusi N(,2)
Maka tentukan estimator
untuk  dan 2.
KEBAIKAN ESTIMATOR

ˆ  g(X1, X 2 ,  X n )
merupakan estimator yang
“baik” dari , jika memenuhi kriteria :
 Tak Bias
 Konsisten
 Efisien
ILUSTRASI
Bias kecil dan variansi kecil Bias besar dan variansi kecil

Bias besar dan variansi besar

Bias kecil dan variansi besar

Fi
g
u
r
e

3
ESTIMATOR TAK BIAS

ˆ dikatakan estimator tak bias

bagi parameter  jika dipenuhi :

E[ˆ ]  
CONTOH
Misalkan X 1 , X 2 ,.....X n merupakan sampel random
dari variabel random X dengan rerata  dan variansi
2. Tentukan apakah

1 n 1 n
X   Xi dan s   ( X i  X ) 2
2
n i 1 n i 1
merupakan estimator tak bias bagi  dan 2.
ESTIMATOR KONSISTEN

ˆ dikatakan estimator konsisten bagi

parameter  jika dipenuhi :

P ( ˆ     )  1 untuk n  
Untuk membuktikan suatu estimator konsisten
dapat digunakan pertidaksamaan
chebyshev’s sbb :
1
P ( X    k )  1 
k2
ESTIMATOR EFISIEN

Jika ˆ1 dan ˆ2 merupakan estimator tak bias

bagi  , maka ˆ1 dikatakan estimator
efisien bagi parameter  jika dipenuhi :

Var (ˆ1 )  Var (ˆ2 )

ESTIMATOR EFISIEN

Jika terdapat beberapa estimator tak bias

bagi  , maka estimator efisien ditentukan
yang mempunyai variansi minimum. Untuk
keperluan tersebut dapat memanfaatkan
batas bawah Cramer-Rao sbb :
1 1
Var (ˆ)  
2  2 
 
nE  ln f ( x)  nE  2 ln f ( x)
     
CONTOH

Misalkan X 1 , X 2 ,.....X n merupakan sampel

random dari variabel random X ~ N (  , 2 )
dengan 2 diketahui. Buktikan bahwa
1 n
X   Xi
n i 1
merupakan estimator tak bias, Konsisten
dan efisien bagi  .
Misalkan merupakan sampel random dari variabel
random X yang mempunyai fungsi densitas:

 
x
1 e  ; 0 x
f ( x)  

 0
 ; x yang lain

a. Tentukan estimator untuk

b. Apakah estimator yang diperoleh dari (a) merupakan
estimator yang “BAIK”
Misalkan merupakan sampel random dari variabel
random X yang mempunyai fungsi probabilitas:

 e  x
 ; x  0,1, 2,...
f ( x)   x !
 0 ; x yang lain


a. Tentukan estimator untuk 

b. Apakah estimator yang diperoleh dari (a) merupakan
estimator yang “BAIK”
STATISTIK CUKUP

Definisi
T  T ( X 1 , X 2 ,..., X n )
merupakan statistik cukup
untuk parameter  jika dipenuhi :
P[ X 1  x1 , X 2  x 2 ,...X n  x n T ( X 1 , X 2 ,...X n )  t ]

tidak bergantung pada .

CONTOH

Misalkan X 1 , X 2 ,..., X n merupakan sampel

random dari X yang mempunyai f.d.p
  x (1   )1 x ; x  0,1
f ( x , )  
0 ; x yang lain
n
Buktikan bahwa S   Xi merupakan
statistik cukup untuk 
i 1
CONTOH

Misalkan X 1 , X 2 ,..., X n merupakan sampel

random dari X yang mempunyai f.d.p

n
Buktikan bahwa S   X i merupakan statistik
i 1
cukup untuk 
KELUARGA EKSPONENSIAL

Cara lain menentukan statistik cukup adalah

dengan melalui keluarga eksponensial, yang
didefinisikan sbb :
Suatu fungsi densitas probabilitas dengan
satu parameter termasuk ke dalam keluarga
eksponensial jika fungsi densitas probabilitas
tersebut dapat diuraikan dalam bentuk :
C ( ). D ( x )
f ( x)  A( ).B ( x).e
Jika X1, X2, …Xn merupakan variabel random
yang saling bebas dan berdistribusi identik
dengan fungsi densitas probabilitas termasuk
ke dalam keluarga eksponensial dengan satu
parameter maka fdp gabungannya adalah :
n
C ( )  D ( xi ) n
f ( x1 , x2 ,...., xn )  A ( ).e
n i 1

i 1
B ( xi )

n
D   D ( xi )
i 1
merupakan statistik cukup untuk .
KELUARGA EKSPONENSIAL

Suatu fungsi densitas probabilitas dengan

k parameter termasuk ke dalam keluarga
eksponensial jika fungsi densitas
probabilitas tersebut dapat diuraikan dalam
bentuk :
k
 C j (1 , 2 ,...., k ). D j ( x )
f ( x)  A(1 , 2 ,....,  k ).B( x).e j 1
CONTOH

Misalkan X 1 , X 2 ,..., X n merupakan sampel random

dari X yang berdistribusi Binomial B(n , ). Buktikan
bahwa :
a. f.d.p nya merupakan keluarga eksponensial !
1 n
b. X   Xi merupakan statistik cukup untuk 
n i 1
KRITERIA FAKTORISASI NEYMAN

Misalkan X 1 , X 2 ,..., X n merupakan sampel

random dari VR X yang mempunyai fdp f(x,ө).
T  T ( X 1 , X 2 ,..., X n ) dikatakan statistik cukup jika fdp
gabungan X 1 , X 2 ,..., X n dapat difaktorisasi
menjadi :
f ( x1 , x2 ,..., xn )  g (T ( x1 , x2 ,..., xn ),  )h( x1 , x2 ,..., xn )

h( x1 , x2 ,..., xn ) adalah fg non negatif yg tdk memuat ө

g (T ( x1 , x2 ,..., xn ),  ) adalah fg non negatif yg memuat x
hanya pada T ( x1 , x2 ,..., xn )
LATIHAN