Fitriani Agustina, Math,

UPI
1
Penaksiran Parameter
Statistika dibagi menjadi dua, yaitu:
1. Statistika Deskriftif
2. Statistik Inferensial
Penarikan kesimpulan dapat dilakukan dengan dua
cara, yaitu:
1. Penaksiran Parameter
2. Pengujian Hipotesis
Fitriani Agustina, Math,
UPI
2
Penaksiran Parameter
Terdapat dua jenis penaksiran, yaitu:
1. Penaksiran Titik
2. Penaksiran Interval
Sifat sifat penaksir parameter yang baik, yaitu:
1. Tak bias
2. Variansi Minimum
3. Konsisten
4. Statistik Cukup
Statistik cukup dengan Keluarga Eksponensial
Fitriani Agustina, Math,
UPI
3
Metode - Metode Penentuan Penaksir Titik, yaitu:
1. Metode Momen
2. Metode Maksimum Likelihood
3. Penaksir Bayes
Statistik inferensial : Statistik yang dengan segala
informasi dari sampel digunakan untuk menarik
kesimpulan mengenai karakteristik populasi dari
mana sampel itu diambil.
Fitriani Agustina, Math,
UPI
4
Penaksiran Titik
Penaksiran titik sebuah parameter : sebuah nilai yang
diperoleh dari sampel dan digunakan sebagai
penaksir dari parameter yang nilainya tidak diketahui.
Misalkan X
1
, X
2
, , X
n
merupakan sampel acak
berukuran n dari X, maka statistik
yang berkaitan dengan dinamakan penaksir dari .
Setelah sampel diambil, nilai-nilai yang dihitung dari
sampel itu digunakan sebagai taksiran titik bagi .
( )
n
X X X h , , ,

2 1
= u
Fitriani Agustina, Math,
UPI
5
Beberapa taksiran titik yang dihitung dari data
sampel untuk parameter populasi yang bersesuaian.
1. Rerata populasi , taksiran titiknya adalah
2. Variansi populasi
2
, taksiran titiknya adalah
3. Simpangan baku populasi , taksiran titiknya
adalah
4. Proporsi populasi , taksiran titiknya adalah
x =

2 2

s = o
s = o

N
X
= t
n
Y
p = = t
Fitriani Agustina, Math,
UPI
6
Tak Bias
dikatakan penaksir tak bias bagi parameter , jika
dikatakan penaksir bias bagi parameter , jika
Namun penaksir bias dapat diubah menjadi penaksir
tak bias jika ruas kanan dikalikan atau ditambahkan
dengan konstanta tertentu
u

( ) u u =

E
u

( ) u u =

E
Fitriani Agustina, Math,
UPI
7
Contoh 1:
Misalkan X adalah peubah acak dengan rerata dan variansi

2
. Jika X
1
, X
2
, , X
n
merupakan sampel acak berukuran n
dari X, apakah rerata sampel dan variansi sampel s
2
merupakan penaksir tak bias untuk dan
2
?
Contoh 2:
Misalkan X
1
, X
2
, , X
n
merupakan sampel acak berukuran n
dari X yang berdistribusi seragam,
Tunjukkan bahwa rerata sampel acak merupakan
penaksir tak bias bagi
X
( ) 1 , 1 ~ + u u UNIF X
i
X
Fitriani Agustina, Math,
UPI
8
Variansi Minimum
Apabila terdapat dua buah penaksir yang tak bias
Maka kedua penaksir tersebut akan dibandingkan
dalam hal variansinya.
Misalkan dua penaksir tak bias yaitu dan untuk
Jika mempunyai variansi yang lebih kecil dibanding
dengan ,maka dikatakan penaksir tak bias
bervariansi minimum
1

u
2

u
1

u
2

u
1

u
Fitriani Agustina, Math,
UPI
9
Sebuah penaksir tak bias akan mencapai variansi
minimum di antara semua penaksir tak bias lainnya,
jika variansi dari penaksir itu minimal sama dengan
batas bawah Cramer-Rao
Perumusan batas bawah Cramer-Rao untuk variansi
dari adalah
u

( )
( )
( )
( )
(

=
(

>
u
u
u
u
u
; ln
1
; ln
1

2
2
2
x f
d
d
E n x f
d
d
E n
Var
Fitriani Agustina, Math,
UPI
10
Contoh 1:
Apakah rerata sampel merupakan penaksir tak bias
bervariansi minimum untuk rerata distribusi normal dengan
variansi diketahui.
Contoh 2:
Misalkan X
1
, X
2
, , X
n
merupakan sampel acak berukuran n
dari X yang berdistribusi poisson,
Tentukan batas bawah Cramer-Rao untuk variansi penaksir
tak bias dari
X
( ) POI X
i
~
Fitriani Agustina, Math,
UPI
11
Konsisten
Jika adalah penaksir untuk yang didasarkan pada
sampel acak berukuran n,maka dikatakan konsisten
bagi parameter , jika
Penentuan penaksir konsisten ini dapat dilakukan
dengan menggunakan ketidaksamaan Chebyshevs,
n
u

n
u

( ) 1

lim = <

c u u
n
n
P
( )
2
1
1 lim
k
k X P
n
> <

o
Fitriani Agustina, Math,
UPI
12
Contoh 1:
Misalkan peubah acak X berdistribusi N(,
2
), dengan
2
diketahui. Apakan rerata sampel merupakan penaksir
konsisten bagi rerata distribusi yaitu ?
X
Fitriani Agustina, Math,
UPI
13
Statistik Cukup
Statistik T = T(X
1
, X
2
, , X
n
) dikatakan cukup bagi
parameter , jika fkp bersyarat:
tidak bergantung pada .
Contoh:
Misalkan X
1
, X
2
, , X
n
merupakan n peubah acak
Bernoulli yang saling bebas dengan P(X
i
= 1) = p dan
P(X
i
= 0) = (1 p), i = 1, 2, , n. Perlihatkan bahwa
merupakan statistik cukup bagi p.
( ) ( ) t X X X T x X x X P
n n n
= = = , , , , ,
2 1 1 1

O e u

=
=
n
i
i
X T
1
Fitriani Agustina, Math,
UPI
14
Keluarga Eksponensial
Penetuan statistik cukup bagi suatu parameter dapat
dapat dilakukan dengan menggunakan keluarga
eksponensial.
Keluarga eksponensial yang akan dibahas di sini
adalah keluarga eksponensial untuk satu
parameter.
Fitriani Agustina, Math,
UPI
15
1. Suatu fkp dengan satu parameter dikatakan
termasuk ke dalam keluarga eksponensial, jika fkp
tersebut dapat diuraikan dalam bentuk:
2. Jika X
1
, X
2
, , X
n
merupakan sampel acak yang
berasal dari distribusi dengan fkp gabungannya
dinotasikan dengan f(x
1
,x
2
,,x
n
;)
maka f(x;) dikatakan termasuk keluarga
eksponensial
( ) ( ) ( ) ( ) | | ( ) x h x T Q C x f = u u u exp ;
( ) 9 c O e 9 e u , x
( ) ( ) ( ) ( ) ( ) ( )
n
n
j
j
n
n
x h x h x T Q C x x f
(

=

=

1
1
1
exp ; , , u u u
Fitriani Agustina, Math,
UPI
16
Contoh:
Misalkan peubah acak X berdistribusi binomial
dengan parameter n dan . Apakah f(x;) termasuk
keluarga eksponensial?
Contoh:
Misalkan X
1
, X
2
, , X
n
merupakan sampel acak dari
distribusi B(n;). Apakah f(x;) termasuk keluarga
eksponensial?
X
Fitriani Agustina, Math,
UPI
17
Metode Momen
Misalkan X adalah peubah acak kontinu (diskrit)
dengan fkp berbentuk f(x;
1
,,
k
), dengan
1
,,
k
adalah k buah parameter yang tidak diketahui.
Misalkan X
1
, X
2
, , X
n
merupakan sebuah sampel
acak berukuran n dan didefinisikan k buah momen
sekitar pusat sampel pertama:
Selanjutnya k buah momen sekitar populasi pertama:
k t x
n
m
n
i
t
i t
, , 2 , 1 ;
1
'
1
= =

=
( )
t
t
X E = '
Fitriani Agustina, Math,
UPI
18
Contoh:
Misalkan X peubah acak berdistribusi B(1;) dengan
tidak diketahui. Tentukan penaksir titik untuk
dengan menggunakan metode momen?
Contoh:
Dengan menggunakan metode momen, tentukan
estimator untuk berdasarkan sampel acak X
1
, X
2
,
, X
n
yang mempunyai fkp:
( )

> < <

=

lainnya
x x
x f
, 0
0 , 1 0 ,
;
1
u u
u
u
Fitriani Agustina, Math,
UPI
19
Metode Maksimum Likelihood
Metode maksimum likelihood merupakan metode
terbaik yang dapat digunakan dalam menentukan
penaksir titik sebuah parameter.
Misalkan X adalah peubah acak kontinu (diskrit)
dengan fkp berbentuk f(x;), dengan adalah suatu
parameter yang tidak diketahui.
Fitriani Agustina, Math,
UPI
20
Misalkan X
1
, X
2
, , X
n
merupakan sebuah sampel
acak berukuran n, fungsi likelihood dari sampel acak
itu adalah:
Fungsi likelihood adalah fungsi dari parameter yang
tidak diketahui . Untuk memudahkan dalam
menganalisa maka fungsi likelihood L() diberi ln.
Penaksir maksimum likelihood dari adalah nilai
yang memaksimumkan fungsi likelihood L().
( ) ( ) ( ) u u u , ,
1 n
x f x f L =
Fitriani Agustina, Math,
UPI
21
Contoh:
Misalkan X
1
,X
2
,,X
n
adalah sampel acak berukuran
n dari distribusi B(1,), dengan tidak diketahui.
Tentukan penaksir titik untuk denganmenggunakan
metode maksimum likelihood?
Contoh:
Dengan menggunakan metode maksimum likelihood
Tentukan estimator untuk berdasarkan sampel
acak X
1
, X
2
,, X
n
yang berdistribusi
( ) p GEO X
i
~
Fitriani Agustina, Math,
UPI
22
Pada MME dan MLE parameter-parameter yang
akan diestimasi adalah konstanta-konstanta yang
tidak diketahui.
Pada Bayesian parameter-parameter yang akan
diestimasi dipandang sebagai variabel-variabel
random yang mempunyai distribusi awal yaitu
distribusi prior ().
Fitriani Agustina, Math,
UPI
23
Penaksir Bayes
Misalkan X
1
,X
2
,,X
n
merupakan sebuah sampel
acak berukuran n yang berasal dari distribusi dengan
fkp f(x;);
Langkah-langkah untuk menentukan penaksir Bayes
bagi adalah:
1. Tentukan fkp gabungan dari sampel acak, yaitu
2. Tentukan distribusi prior, dengan fkpnya ()
diambil/dipilih dan disesuaikan dgn g(x
1
,,x
n
;)
9 c O e u
( ) ( ) ( ) u u u ; ; ; , ,
1 1 n n
x f x f x x g =
Fitriani Agustina, Math,
UPI
24
3. Penaksir Bayes untuk ditentukan sbb:
a.Jika () dari peubah acak berasal dari
peubah acak diskrit, maka penaksir bayes
ditentukan dengan rumus sbb:
( )
( ) ( )
( ) ( )

O
O

=
u u
u u u
u o
; , ,
; , ,
; , ,
1
1
1
n
n
n
x x g
x x g
x x

Fitriani Agustina, Math,

UPI
25
b.Jika () dari peubah acak berasal dari
peubah acak kontinu, maka penaksir bayes
ditentukan dengan rumus sbb:
Sedangkan penentuan distribusi posteriornya
digunakan rumus:
( )
( ) ( )
( ) ( )
}
}
O
O

=
u u u
u u u u
u o
d x x g
d x x g
x x
n
n
n
; , ,
; , ,
; , ,
1
1
1

( )
( ) ( )
( ) ( )
}
O

=
u u u
u u
u
d x x g
x x g
x h
n
n
; , ,
; , ,
1
1

Fitriani Agustina, Math,

UPI
26
Contoh:
Misalkan X
1
,X
2
,,X
n
adalah sampel acak berukuran
n dari distribusi B(1,), dengan tidak diketahui.
Tentukan penaksir Bayes untuk .