Estimasi Titik.

Presentasi berjudul: "Estimasi Titik."— Transcript presentasi:

1 Estimasi Titik

2 First Group of Mathematic
Tita Azizah Nunung nurjanah Iah solikhah Eka damayanti First Group of Mathematic PRESENT

3 Statistik inferensial
kesimpulan Pengujian hipotesis Penaksiran parameter Penaksiran interval Penaksiran titik

4 Penaksiran titik Pengertian Metode-metode Hakikat Contoh

5 Metode maksimum likelihood
Metode-metode Metode maksimum likelihood Metode momen Estimator bayes

6 STATISTIK INFERENSIAL
Statistik inferensial adalah ststistika yang dengan segala informasi dari sample digunakan untuk menarik kesimpulan mengenai karakteristik populasi dari mana sample itu di ambil.

7 Parameter adalah karakteristik dari suatu populasi
 = mean = rata-rata ^2 = varian = keseragaman  d = mean differensial = perbedaan rata-rata  = Proporsi  d =Proporsi rata-rata Statistik adalah karakteristik dari data sample = mean = rata-rata S ^2 = varian = keseragaman d = mean differensial = perbedaan rata-rata P = Proporsi P d =Proporsi rata-rata

8 Statistik digunakan unutk menduga parameter
penduga titik untuk  penduga titik untuk 2 penduga titik untuk P

9 Estimasi Titik Estimasi adalah keseluruhan proses yang menggunakan sebuah estimator untuk menghasilkan sebuah estimate dari suatu parameter. Sebuah estimasi titik dari sebuah parameter  adalah sesuatu angka tunggal yang dapat dianggap sebagai nilai yang masuk akal dari .

10 Estimator adalah fungsi sample, sedangkan
Estimate adalah nilai terealisasi dari estimator, yaitu bilangan yang didapat bila sample benar-benar diambil.

11 Hakikat Estimasi Estimasi adalah taksiran, dan yang diestimasi adalah parameter populasi Data yang digunakan untuk melakukan estimasi parameter populasi adalah statistik sampel sebagai estimator Terdapat prosedur tertentu untuk melaksanakan estimasi

12 Contoh Seorang ahli sosial ekonomi ingin mengestimasi rata-rata penghasilan buruh di suatu kota. Sebuah sampel dikumpulkan menghasilkan rata-rata Rp ,-. Dalam hal ini telah dilakukan estimasi titik, dengan menggunakan estimator berupa statistic mean ( ) untuk mengestimasi parameter mean populasi (μ). Nilai sampel Rp ,- sebagai nilai estimate dari mean populasi.

13 Metode Momen (Methode of Moment Estimator / MME)
“Metode moment diciptakan oleh Karl Pearson pada tahun Metode ini merupakan metode tertua dalam menentukan estimator titik.”

14 Misal X1, X2, ...., Xn adalah sampel random dari populasi dengan fungsi densitas f(x I θ), estimator metode momen didapatkan dengan menyamakan momen sampel ke-k pada momen populasi ke-k, dan menyelesaikan sistem persamaan simultan yang dihasilkan. Estimator metode momen dan didapatkan dengan menyelesaikan sistem persamaan dalam bentuk m1,m2,...,mk yaitu: = m1 = m2 . = mk

15 Contoh Soal Misalkan x1, x2, x3, ....., xn adalah sample random dari populasi yang berdistribusi X  N (, ^2). Dengan menggunakan metode momen, tentukan estimator titik untuk  dan ^2

16 Penyelesaian X  N (, ^2) berarti E(X) =  dan Var(Z) = ^2
Var (X) = E (X^2)-(E(X))^2 ^2 = E (X^2) - ^2 E (X^2) = ^2 + ^2 Sehingga memperoleh persamaan seperti berikut: E(X) = sehingga ^ = E (X^2) = maka ^^2 + ^^2 =

17 ^^2 = - = -X^2 =

18 Metode Kemungkinan Maksimum (Likelihood)
Metode kemungkinan maksimum merupakan metode untuk memperoleh estimator titik dengan cara memaksimumkan fungsi kemungkinan. Misalkan X adalah peubah acak kontinu / diskrit dengan fungsi kepadatan peluang f(x;θ), dengan θ adalah suatu parameter yang tidak diketahui, dan X1, X2,...,Xn sampel acak berukuran n,maka fungsi kemungkinan maksimum θ adalah:

19 Contoh: Misalkan X1, X2, ... , Xn adalah sampel acak berukuran n dari distribusi B (1; ), dengan tidak diketahui. Tentukan penaksir titik untuk dengan menggunakan metode kemungkinan Maksimum.

20 Penyelesaian : = 0 ; lainnya Fungsi kepadatan peluang dari X adalah:
f (x; ) x = 0,1 = ; lainnya Fungsi kemungkinan dari sampel acak berukuran n adalah :

21 Kemudian kedua ruas diberi ln, sehingga akan diperoleh: ln ln +
Kemudian kedua ruas diberi ln, sehingga akan diperoleh: ln ln + .ln Selanjutnya kita turunkan ln terhadap Yaitu:

22 Jadi, penaksir kemungkinan meksimum untuk
Jadi, penaksir kemungkinan meksimum untuk adalahX, yang merupakan rerata sampel.

23 ESTIMATOR BAYES

24 Langkah-langkah untuk menentukan taksiran Bayes bagi θ adalah:
Tentukan fungsi kepadatan peluang gabungan dari X1,X2,…, Xn (dinotasikan) dengan g(X1,X2,… Xn) yang didefinisikan berikut: g(X1,X2,… Xn : θ ) = f(X1 ; θ ). F(X2 ; θ ). … f(Xn ; θ ) 2. Tentukan fungsi densitas dari , yang besarnya diambil atau dipilih dan disesuaikan dengan g(X1,X2,… Xn : θ ) . Distribusi yang mempunyai fungsi densitas dari , dan dinotasikan dengan λ (θ), dinamakan distribusi prior.

25 3. Penaksir Bayes untuk θ ditentukan oleh:
a. jika λ (θ)dari peubah acak berbentuk diskrit, maka:  (x1,x2,…,xn) = b. jika λ (θ)dari peubah acak berbentuk diskrit, maka:

26 Contoh: Misalkan x1,x2,…,xn merupakan sebuah sampel acak dari disrtibusi B(1 ; θ), θϵΩ = (0,1). Tentukan penaksir Bayes untuk θ

27 Penyelesaian: Fungsi kepadatan peluang dari X adalah:
f(x;θ) = θk(1-θ)1-x ; x = 0,1 = = lainya. Fungsi densitas gabungan dari X1,X2,…,Xn adalah: = f(x1 ; θ). F(X2 ; θ ). … f(Xn ; θ ) = [ ] [ ] = [ ] =