PERBANDINGAN METODE MAXIMUM LIKELIHOOD ESTIMATION (MLE) DAN METODE BAYES DALAM PENDUGAAN PARAMETER DISTRIBUSI EKSPONENSIAL

dokumen-dokumen yang mirip
SIFAT ASIMTOTIK NORMALITAS DAN KETAKBIASAN PENDUGA KEMUNGKINAN MAKSIMUM PARAMETER DISTRIBUSI GENERALIZED GAMMA

KAJIAN KONVERGENSI BARISAN RUANG NORM-(n-1) DENGAN n 2

BAB 1 HAMPIRAN TAYLOR DAN ANALISIS GALAT

ESTIMASI TITIK BAYESIAN OBYEKTIF

INTERVAL KREDIBEL BAYESIAN OBYEKTIF DARI PARAMETER POPULASI BERDISTRIBUSI POISSON DAN EKSPONENSIAL

MODEL LOGIT KUMULATIF UNTUK RESPON ORDINAL

BAB 2 SOLUSI NUMERIK PERSAMAAN

Persatuan Aktuaris Indonesia Dasar-dasar Matematika Asuransi Jiwa 28 November Untuk soal no. 1 s/d 3 di bawah, diketahui suatu survival function

S - 1 Penggunaan Metode Bayesian Obyektif dalam Analisis Pengukuran Tingkat Kepuasan Pelanggan Berdasarkan Kuesioner

TURUNAN FUNGSI. Definisi. 3.1 Pengertian Turunan Fungsi. Turunan fungsi f adalah fungsi f yang nilainya di c adalah. h asalkan limit ini ada.

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

PENGOPTIMUMAN PADA FUNGSI PRODUKSI CROPPES

3.1 Hubungan Dasar Probabilitas Probabilitas adalah harga perbandingan jumlah kejadian (A) yang mungkin dapat

ESTIMASI REGRESI MODEL LOGIT DENGAN METODE MAKSIMUM LIKELIHOOD SKRIPSI. Oleh: DINUL WAFA NIM

PENDUGAAN PARAMETER DISTRIBUSI GENERALIZED WEIBULL DENGAN MENGGUNAKAN METODE KEMUNGKINAN MAKSIMUM

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

PROSIDING ISBN :

PERLUASAN METODE NEWTON DENGAN PENDEKATAN PARABOLIK

JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) ( X Print) D-1

Penerapan Pendekatan Gabungan Grey Relational Analysis (GRA) dan Principal Component Analysis (PCA) Pada Metode Taguchi Multirespon

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

UJI CHI KUADRAT (χ²) 1.1. Pengertian Frekuensi Observasi dan Frekuensi Harapan

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data

ESTIMASI PARAMETER PADA DISTRIBUSI EKSPONENSIAL

BAB II PEMULIHAN SOLUSI METODE REP DAN ERROR ESTIMATOR Z 2

BAB II LANDASAN TEORI

TEORI ANTRIAN. Elemen Dasar Model Antrian. Distribusi Poisson dan eksponensial. =, t 0, dimana E { t}

UKURAN PEMUSATAN & PENYEBARAN

SKRIPSI. oleh: FARIDA KARUNIAWATI NIM

Transformasi Fourier Waktu Diskrit

Pengklasifikasian Penyakit Jantung Di RSUD Abdul Wahab Sjahranie Samarinda Dengan Menggunakan Regresi Logistik Biner

BAB II LANDASAN TEORI. kesetimbangan, linearisasi, bilangan reproduksi dasar, analisa kestabilan, kriteria

BAB II TINJAUAN PUSTAKA. penurunan akan permintaan pergerakan transportasi. [ 11]

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

METODE SECANT-MIDPOINT NEWTON UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR. Supriadi Putra

3/19/2012. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

3 Departemen Statistika FMIPA IPB

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

BAB III UKURAN PEMUSATAN DATA

Uji Statistika yangb digunakan dikaitan dengan jenis data

REGRESI LOGISTIK BINER

JURNAL SAINS DAN SENI POMITS Vol. 3, No.2, (2014) ( X Print) D-140

V. PENDEKATAN BAYES PADA MODEL ACAK

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL

PENDUGAAN RESIKO RELATIF PADA PENDUGAAN AREA KECIL 1. Kismiantini Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi

TEORI ANTRIAN. A. Definisi dan Unsur-unsur Dasar Model Antrian

INTEGRAL FOURIER. DISUSUN OLEH : Kelompok III (Tiga)

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel

ESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION (GWOLR)

PERTIDAKSAMAAN AZUMA PADA MARTINGALE UNTUK MENENTUKAN SUPREMUM PELUANG

2.2.3 Ukuran Dispersi

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI

PENGHITUNGAN PREMI DENGAN MENGGUNAKAN METODE BAYESIAN ROBUST DAN METODE KREDIBILITAS ROBUST TITIES MELYASIH

Interpretasi Parameter dalam Model Regresi Logistik untuk Variabel Bebas Dikotomus

ESTIMASI SMALL AREA BERDASARKAN MODEL PADA RATA-RATA PENGELUARAN PERKAPITA RUMAH TANGGA DI KABUPATEN KEBUMEN

Analisis Pemodelan berdasarkan karakteristik dinamik

Konsistensi dan Asimtotik Normalitas Model Multivariate Adaptive Regression Spline (Mars) Respon Biner

PENDUGAAN PARAMETER BEBERAPA SEBARAN POISSON CAMPURAN DAN BEBERAPA SEBARAN DISKRET DENGAN MENGGUNAKAN ALGORITME EM ADE HARIS HIMAWAN

BAB III ISI. x 2. 2πσ

UKURAN GEJALA PUSAT DAN UKURAN LETAK

Ruang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA

TATAP MUKA III UKURAN PEMUSATAN DATA (MEAN, MEDIAN DAN MODUS) Fitri Yulianti, SP. Msi.

SIFAT-SIFAT LANJUT FUNGSI TERBATAS

b. peluang terjadinya peristiwa yang diperhatikan mendekati nol (p 0). c. perkalian n.p =, sehingga p = /n.

BAB I PENDAHULUAN. ANALISIS STATISTIK TERHADAP PENYAKIT KANKER PARU OLEH BAHAN KARSINOGENIK (Studi Kasus Pasien Kanker Paru RSUD Dr.

MODEL DINAMIS RANTAI MAKANAN TIGA SPESIES

BAB 5. ANALISIS REGRESI DAN KORELASI

BAB 2. Tinjauan Teoritis

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2

BAB 1 STATISTIKA RINGKASAN MATERI

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari:

KARAKTERISTIK FUNGSI DISTRIBUSI FOUR-PARAMETER GENERALIZED-t

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( )

UKURAN GEJALA PUSAT (UGP)

Ukuran Pemusatan Data. Arum Handini P., M.Sc Ayundyah K., M.Si.

BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM

MATEMATIKA INTEGRAL RIEMANN

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI

Metode Iterasi Tiga Langkah dengan Orde Konvergensi Enam untuk Menyelesaikan Persamaan Nonlinear

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah

Regresi Linier Sederhana Definisi Pengaruh

Estimasi Parameter dan Dalam Pemulusan Eksponensial Ganda Dua Parameter Dengan Metode Modifikasi Golden Section

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten

S2 MP Oleh ; N. Setyaningsih

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu

INTERPOLASI. FTI-Universitas Yarsi

FAKULTAS TEKNIK JURUSAN SIPIL UNIVERSITAS BRAWIJAYA MALANG

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai

KALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat.

Transkripsi:

Bult Ilmah Mat. Stat. a Trapaya (Bmastr) Volum, No. (3), hal. 5 56. PRBANDINGAN MTOD MAXIMUM LIKLIHOOD STIMATION (ML) DAN MTOD BAYS DALAM PNDUGAAN PARAMTR DISTRIBUSI KSPONNSIAL Dw Nurlala, Daa Kusaar, vy Sulstagsh INTISARI Plta mmbagka mto ML a mto Bays alam muga paramtr Dstrbus ksposal. Dstrbus pror utuk mto Bays yag guaka paa plta aalah prluasa strbus pror Jffry. Prbaga kua mto lakuka mlalu smulas ata paa brbaga kos paramtr a ukura sampl. valuas trhaap kua mto lakuka mlalu pgamata trhaap la bas a MS yag haslka. Plta mujukka bahwa mto Bays ga la kostata Jffry lbh kl ar satu slalu mghaslka la bas a MS yag lbh bak bagka ga mto Mamum Lklhoo stmato (ML). Kata ku: Dstrbus ksposal, Mto ML, Mto Bays. PNDAHULUAN Pugaa paramtr aalah baga ar statstk frs yag mrupaka suatu ara utuk mmprks karaktrstk ar suatu populas brasarka sampl yag ambl. Sara umum pugaa paramtr gologka mja ua yatu pugaa ttk a pugaa slag. Bbrapa mto pugaa ttk yag guaka utuk muga paramtr ataraya aalah mto mom, mto kuarat trkl, mto Mamum Lklhoo stmato (ML) a mto Bays. Mto mom muga paramtr ga ara myamaka k mom sampl ga k mom populas a mylsaka sstm prsamaa yag haslka []. Sagka mto kuarat trkl prsp krjaya aalah mmmumka jumlah kuarat pympaga atau rror la-la obsrvas trhaap rata-rataya. Slajutya mto ML mrupaka suatu mto pugaa paramtr yag mmaksmalka fugs lklhoo. Kmua mto Bays mrupaka mto pugaa yag mggabugka strbus pror a strbus sampl. Dstrbus pror aalah strbus awal yag mmbr formas ttag paramtr. Dstrbus sampl yag gabug ga strbus pror aka mghaslka suatu strbus baru yatu strbus postror yag myataka rajat kyaka ssorag mga ltak paramtr stlah sampl amat []. Al Kutub a Ibrahm [3] mlakuka plta mga pugaa paramtr Dstrbus ksposal ar ata waktu hup. Plta trsbut mgguaka mto Bays ga strbus pror Jffry a prluasa strbus pror Jffry. Plta mghaslka bahwa prluasa strbus pror Jffry mmbrka puga trbak bagka ga puga laya. Plta la mga mto Bays yag muga paramtr Dstrbus Gamma lakuka olh Praha a Kuu [4]. Plta trsbut mmbagka krja Bays ga ML srta mto mom mgguaka smulas Mot Carlo. Dar hasl smulas apat lhat bahwa puga Bays a puga ML lbh bak ar puga mom. Jka bagka puga Bays a puga ML maka apat smpulka bahwa paa saat puga Bays ga pror o-formatf mghaslka la yag sama ga ML, ttap paa saat mgguaka pror formatf puga Bays lbh bak bagka ML. Slajutya Shawky a Bakoba [5] juga mlakuka plta mga pugaa paramtr sbuah bag Dstrbus Gamma potat. 5

5 D NURLAILA, D KUSNANDAR, DAN SULISTIANINGSIH Plta trsbut mgguaka mto Bays a ML utuk mmprolh puga ar paramtr btuk, rlablty (kaala) a falur rat futos (fugs tgkat kgagala). Plta mgajurka pgguaa pkata Bays ga quarat loss futo (kuarat fugs khlaga) utuk muga paramtr btuk ar Dstrbus Gamma potat. Smtara ML lbh ajurka utuk muga kaala a fugs tgkat kgagala. Kmua Plta yag lakuka olh Yarmohamma a Pazra [6] mgguaka mto Bays a ML alam muga paramtr btuk, rlablty a falur rat futo paa Gralz potal Dstrbuto. Hasl yag prolh ar pgamata mujukka sara umum bahwa lbh bak mgguaka pkata Bays ga LINX loss futo utuk mmprkraka paramtr btuk ar Gralz potal Dstrbuto. Sagka utuk mmprkraka kaala a fugs tgkat kgagala mgguaka pkata Bays ga Prautoary loss futo. Pugaa paramtr paa Dstrbus Wbull juga mgguaka mto Bays a ML yag tlt olh Ahm t al [7]. Paa plta trsbut mto Bays mgguaka strbus pror Jffry a prluasa strbus pror Jffry utuk mmprkraka paramtr Dstrbus Wbull paa ata waktu hup. Plta mympulka bahwa mto Bays yag guaka alam muga paramtr Wbull tak lbh uggul bagka ga mto ML. Tujua plta aalah mmbagka tgkat fktftas mto Mamum Lklhoo stmato (ML) a mto Bays alam muga paramtr Dstrbus ksposal. Prbaga kua mto lakuka mlalu stu smulas yag mlbatka tga la paramtr a tga ukura sampl. Mto Bays yag guaka paa plta mgguaka prluasa strbus pror Jffry. Kmua prbaga kfktftasa kua mto lhat ar la bas a MS yag prolh. MTOD MAXIMUM LIKLIHOOD STIMATION Mto Mamum Lklhoo stmato aalah mto pugaa yag mmaksmumka fugs lklhoo. Dalam plta mto ML guaka utuk muga paramtr Dstrbus ksposal. Dstrbus ksposal mrupaka salah satu strbus kotu. Dstrbus guaka paa ata waktu hup ga kgagala kosta. Dstrbus ksposal ga paramtr mmlk fugs kpaata pluag sbaga brkut [8]: f,,, Aapu fugs lklhoo ar Dstrbus ksposal aalah sbaga brkut []: L f f... f. () Nla yag maksmum ar L() juga aka maksmum paa log-lklhoo. Aapu prsamaa loglklhoo ar Dstrbus ksposal aalah l L l l L l. ()

Prbaga Mto ML a Mto Bays alam Pugaa Paramtr Dstrbus ksposal 53 Nla puga prolh ga muruka Prsamaa () trhaap ga ol, yatu: shgga prolh, l., Dga mka puga Mamum Lklhoo stmato bag aalah. a myamaka turuaya MTOD BAYS Dasar ar mto Bays aalah probabltas brsyarat, shgga utuk mlakuka pugaa prluka sbuah formas awal ar paramtr yag sbut ga strbus pror. Dstrbus pror apat otaska ga ( ), yag maa aalah paramtr ar strbus sampl. Salah satu strbus pror aalah strbus pror Jffry [3] yatu ( ) ( ), maa l, f I. Dalam aplkasya, strbus pror Jffry prluas mja prluasa strbus pror Jffry yatu I, utuk smua. Shgga prluasa strbus pror Jffry utuk Dstrbus ksposal yatu k, ga k aalah kostata,, a aalah jumlah sampl. Dstrbus pror kmua kombas ga strbus sampl yag aka mghaslka strbus baru yatu strbus postror. Dstrbus postror prolh ga ara mmbag fugs kpaata brsama ga fugs margal. Utuk mghaslka fugs kpaata brsama a fugs margal lakuka ga ara brkut [9]: Fugs kpaata brsama ar,...,, yatu: Fugs margal ar ( H ) yatu:,...,, L ~ k, P,..., H,...,. (3)

54 D NURLAILA, D KUSNANDAR, DAN SULISTIANINGSIH k k,..., P Dar Prsamaa (3) a Prsamaa (4) strbus postror apat tuls sbaga brkut:,,..., H,,..., H,..., Pugaa Bays aalah rata-rata ar strbus postror []. 3,..., Dga mka puga Bays bag aalah. Puga yag prolh mgguaka mto ML a mto Bays aka bagka mgguaka smulas. Smulas ata lakuka ga mmbagktka brbaga js kos ata yag mlbatka tga la yatu,5; a,5 srta tga maam ukura sampl yatu = 5, = 5 a =. Kmua lakuka prulaga sbayak. kal utuk stap kombas a. Data yag prolh trsbut aalss utuk muga paramtr mgguaka mto ML a mto Bays. Puga paramtr ga mto Bays mgguaka prluasa strbus pror Jffry yag mlbatka bbrapa la kostata Jffry yatu =,;,3;,5;,7. Slajutya htug la bas a MS ar kua mto trsbut ga rumus sbaga brkut: Bas MS Smulas paa plta lakuka ga program R. Kmua la bas a MS yag htug mgguaka rumus paa prsamaa (5) a Prsamaa (6) tamplka paa Tabl a. (4) (5) (6)

Prbaga Mto ML a Mto Bays alam Pugaa Paramtr Dstrbus ksposal 55 Tabl. Nla Bas yag Dhaslka olh Puga ML a Puga Bays ar Paramtr Dstrbus ksposal 5 5 ML Bas Bays =, =,3 =,5 =,7 =,3,5,9838 -,759 -,977 -,9553,736,3343,4477 -,34983 -,3788,938,96483,697949,5,637863 -,48863 -,37857,348,6554,37,5,799 -,76756 -,35899,4957,4584,68385,736 -,64 -,78445,34,84873,3985,5,73758 -,7697 -,5397 -,377,9473,45743,5,4988 -,4599 -,4 -,5,899,79584,998 -,8994 -,4595 -,96,394,64,5,853 -,976 -,53,3698,948,7368 Tabl. Nla MS yag Dhaslka olh Puga ML a Puga Bays ar Paramtr Dstrbus ksposal 5 5 ML MS Bays =, =,3 =,5 =,7 =,3,5,9779,857,49,677,89,393,48653,463,47635,4333,44859,537898,5,97739,93437,947635,97494,386,5,5,5657,595,5493,533,543,59598,358,634,7789,599,477,35456,5,5334,468377,478,47676,4848,5867,5,67,57,53,56,55,677,4834,86,4,77,749,766,5,43369,398,33454,35355,38,544 Tabl a mujukka la bas a MS yag brba-ba ar masg-masg mto. Trlhat bahwa kua mto mmlk pola yag sama yatu smak bsar ukura sampl la bas a MS yag haslka smak kl. Hal trja utuk smua ukura. Mto Bays ga la kostata Jffry yag lbh kl ar satu mghaslka la bas a MS yag lbh kl bagka ga mto ML. Aka ttap sbalkya mto Bays ga la kostata Jffry yag lbh bsar ar satu mghaslka la bas a MS yag lbh bsar ar mto ML. Kua mto trsbut mmlk la bas yag rlatf kl yatu ar la paramtr. Nla bas trkl prolh ktka kostata Jffry sama ga,5, kaaa kosst alam brbaga kos ata. Sla tu mto Bays ga kostata Jffry, mghaslka la MS yag lbh kl ar yag la. Smak bsar la kostata Jffry maka la bas a MS yag haslka smak bsar. Dar aalss yag lakuka ktahu bahwa

56 D NURLAILA, D KUSNANDAR, DAN SULISTIANINGSIH mto Bays ga prluasa strbus pror Jffry lbh bak bagka ga mto ML. Namu hal trsbut tak brlaku sara umum, kara hal trsbut ttuka olh la yag mrupaka kostata Jffry. PNUTUP Plta mghaslka bahwa utuk muga paramtr Dstrbus ksposal, Mto Bays ga prluasa strbus pror Jffry lbh fktf bagka ga mto ML. Aka ttap hal haya brlaku ktka sbaga kostata Jffry kurag ar satu. Kara mghaslka la bas a MS yag lbh kl bagka ga mto ML. DAFTAR PUSTAKA []. Ba LJ, glhart M. Itrouto to Probablty a Mathmatal Statsts. Bosto: Dubury Prss; 99. []. Walpol R, Myrs RH. Ilmu Pluag a Statstka utuk Isyur a Ilmuwa. Baug: Prbt ITB; 995. [3]. Al-Kutub HS, Ibrahm NA. Bays stmator for potal Dstrbuto wth tso of Jffry Pror Iformato. Malaysa Joural of Mathmatal Ss. 9; 3():97-33. [4]. Praha B, Kuu D. Bays stmato a Prto of th Two-Paramtr Gamma Dstrbuto. Joural Statstal Computato a Smulato. ; 8:87-98. [5]. Shawky AI, Bakoba RA. Baysa a No-Baysa stmatos o th potat Gamma Dstrbuto. Appl Mathmatal Ss. 8; (5):5-53. [6]. Yarmohamma M, Pazra H. Classal a Baysa stmatos o th Gralz potal Dstrbuto Usg Csor Data. It.Joural of Math.Aalyss. ; 4(9):47-43. [7]. Ahm AM, Al-Kutub HS, Ibrahm NA. Comparso of th Baysa a Mamum Lklhoo stmato for Wbull Dstrbuto. Joural of Mathmats a Statsts. ; 6():-4. [8]. Forbs C, vas M, Hastgs N, Paok B. Statstal Dstrbutos. Hobok, NJ: Joh Wly & Sos;. [9]. Subaar. Statstka Matmatka. Yogyakarta: Graha Ilmu;. []. Caslla G, Brgr RL. Statstal Ifr. Bosto: Dubury Prss;. Dw Nurlala Daa Kusaar vy Sulstagsh : Fakultas MIPA Uvrstas Tajugpura, Potaak, lla_azka88@yahoo.om : Fakultas MIPA Uvrstas Tajugpura, Potaak, aa_kusaar@mpa.uta.a. : Fakultas MIPA Uvrstas Tajugpura, Potaak, v_sulsta@yahoo.om