4 0 452 KB
Pendugaan Parameter Distribusi Pareto Menggunakan Metode Maximum Likelihood dan Metode Bayes dengan Prior Konjugat Lut Wilianto1*, Khoirin Nisa2 Jurusan Matematika Universitas Lampung, Bandar Lampung Jl. Prof. Sumatri Brojonegoro No. 1 Bandar Lampung 35145 Penulis Korespodensi: [email protected]
Abstrak Pendugaan parameter merupakan dasar dari ilmu statistika yang sering digunakan khususnya dalam hal penelitian. Pendugaan parameter bertujuan untuk menjelaskan bagaimana karakteristik data pada populasi melalui statistik sampel. Pada penelitian ini, distribusi sampel yang digunakan adalah distribusi Pareto. Umumnya distribusi Pareto digunakan dalam bidang sosial, ekonomi, bisnis, asuransi, politik, dan mempelajari tingkat ozon di atmosfer. Metode pendugaan yang digunakan adalah metode klasik Maximum Likelihood dan metode Bayes. Metode Maximum Likelihood dilakukan dengan memaksimumkan fungsi likelihood dari distribusi sampel. Sedangkan, metode Bayes menggunakan konsep teorema peluang Bayes, yaitu menggabungkan distribusi sampel dan distribusi awal (prior) sehingga didapat distribusi posterior. Distribusi prior yang digunakan adalah prior konjugat dilihat dari distribusi pembentuk fungsi likelihoodnya yaitu distribusi Gamma. Penelitian ini dilakukan untuk mengetahui penduga dari parameter distribusi Pareto dengan menggunakan kedua metode pendugaan tersebut. Kemudian, dalam penelitian ini ingin juga bagaimana sifatsifat penduga dari kedua metode tersebut baik secara analitik maupun secara empirik dalam studi simulasi data. Menggunakan metode Maximum Likelihood diperoleh penduga titik bagi parameter π, yaitu πΜπΏ = π πΌ+π Μ Μ . Kemudian, dengan metode Bayes diperoleh πΜπ΅ = π₯π. Penduga ππΏ dan ππ΅ merupakan π βπ π=1(ππ π₯π βππ π
)
π½+βπ=1 ππ
π
penduga yang bias, namun secara asimtotik tak bias. Pada penelitian ini juga ditunjukkan bahwa kedua penduga tersebut merupakan penduga yang konsisten. Kata Kunci: Metode Maximum Likelihood, Metode Bayes, Prior Konjugat, Pareto, Gamma, Sifat-Sifat Penduga. 1. PENDAHULUAN Pada pengambilan sampel secara acak terdapat peluang-peluang untuk terambilnya sampel-sampel tersebut. Hal ini menunjukkan bahwa populasi tersebar membentuk suatu distribusi peluang tertentu (Sahoo, 2008). Dalam teori peluang, distribusi Pareto π(π₯; π, π) adalah salah satu dari distribusi peluang kontinu dengan parameter bentuk π dan parameter skala π dimana π > 0 dan π > 0. Distribusi Pareto berasal dari nama seorang ekonom yaitu Vilfredo Pareto (1848-1923) yang mengamati bahwa 80% kekayaan di Milan dimiliki oleh hanya 20% dari penduduknya. Distribusi Pareto disebut juga dengan distribusi power law. Distribusi Pareto sering dipakai pada persoalan uji hidup, seperti waktu sampai rusak atau umur suatu komponen yang diukur dari suatu waktu tertentu sampai rusak (Sugiarto, S., 2014). Jika X adalah variabel acak berdistribusi Pareto, maka fungsi kepadatan peluang dari variabel acak Pareto dengan parameter π
dan π adalah: π
π π ( π+1 ) ; π₯ β₯ π
π(π₯) = { (1) π₯ 0 ; π₯ 0 dan π
> 0 yaitu, π(π₯π |π, π
) = {
π(
π
π π₯π π+1
)
; π₯π β₯ π
0
; i = 1,2, β¦ , n
(2)
; π₯π < π
dari fungsi kepadatan peluang distribusi Pareto Persamaan (2), dibentuk fungsi likelihood πΏ(π, π
) Sehingga fungsi likelihood yang terbentuk adalah π
πΏ(π, π
) = β π=1
={
ππ
π π₯ππ+1 π
π π π
ππ β
1
; π₯β₯π
π₯ π+1 π=1 π
0
(3)
; π₯ 0)
(11)
π₯ 0, n pecahan negatif n bukan bilangan negatif, fungsi Gamma didefinisikan oleh
β
π€(π) = β« π₯ πβ1 π βπ₯ ππ₯
(12)
0
Dengan demikian dapat ditentukan fungsi bersama Pareto-Gamma seperti berikut. π π ππ
π(π₯1 , π₯2 , β¦ , π₯π , π) = π π
Μ
β π=1 Ξ±
=
1 π₯ππ+1
.
π½ πΌ π πΌβ1 π βπ½π Ξ(πΌ)
π½ Μπ
π π βπ½ π π+πΌβ1 ( π ) π βπ=1 π₯π Ξ(πΌ) βπ=1 π₯π
π
(13)
Fungsi marginal dapat diperoleh dengan mengintegrasi fungsi bersama π(π₯1 , π₯2 , β¦ , π₯π , π) terhadap parameter π seperti berikut. β
π
π½Ξ± Μπ
π π βπ½ π(π₯1 , π₯2 , β¦ , π₯π , π) = β« π π π+πΌβ1 ( π ) ππ βπ=1 π₯π Ξ(πΌ) βπ=1 π₯π 0
β
π
π½Ξ± Μπ
π = π β« π π+πΌβ1 π βπ½π ( π ) ππ βπ=1 π₯π Ξ(πΌ) βπ=1 π₯π 0 β
π
Μπ
π
ln( π ) π½ = π β« π π+πΌβ1 π βπ½π π βπ=1 π₯π ππ βπ=1 π₯π Ξ(πΌ) Ξ±
0
β
π½Ξ± βπ(π½+ln βπ π=1 π₯π = π β« π π+πΌβ1 π βπ=1 π₯π Ξ(πΌ) =
0 β
π½Ξ± βππ=1 π₯π
Ξ(πΌ)
β« π π+πΌβ1 π
β ln Μπ
π)
ππ
π₯π ) βπ(π½+βπ π=1 ln Μ π
ππ
0
πΌ+π
Ξ±
π½ 1 = π .( π₯) βπ=1 π₯π Ξ(πΌ) π½ + βππ=1 ln π Μπ
. Ξ(πΌ + π)
(14)
Sehingga posterior dapat dituliskan seperti berikut π(π|π₯1 , β¦ , π₯π ) =
=
π(π₯1 , π₯2 , β¦ , π₯π , π) π(π₯1 , π₯2 , β¦ , π₯π , π) π π½Ξ± π
π π βπ½ π+πΌβ1 Μ π ( ) βππ=1 π₯π Ξ(πΌ) βππ=1 π₯π πΌ+π
π½Ξ±
1 π₯) π½ + βππ=1 ln π Μπ
π βπ½ π Μ π
π π π+πΌβ1 ( π ) βπ=1 π₯π
βππ=1 π₯π Ξ(πΌ)
=
.(
. Ξ(πΌ + π)
πΌ+π
(
1 π½ + βππ=1 ln π π+πΌβ1 π
=
π₯π ) Μπ
. Ξ(πΌ + π)
π₯π ) βπ(π½+βπ π=1 ln Μ π
πΌ+π
(
1
. Ξ(πΌ + π) π₯π ) Μπ
π₯π πΌ+π π (π½ + βπ=1 ln ) π₯π ) βπ(π½+βπ Μπ
π=1 ln Μ π
= . π π+πΌβ1 π Ξ(πΌ + π) π½ + βππ=1 ln
(15)
Dapat dilihat distribusi posterior yang diperoleh yaitu pada Persamaan (15) memiliki bentuk yang sama dengan π₯ distribusi gamma namun dengan parameter πΌ dan π½ yang berbeda, yaitu πΌ β = πΌ + π dan π½ β = π½ + βππ=1 ln Μπ . π
π₯
Maka, dapat dikatakan juga π(π|π₯1 , β¦ , π₯π )~Gamma(πΌ + π , π½ + βππ=1 ln Μπ ). Sehingga dapat diperoleh π
penduga Bayes dari distribusi Pareto yang merupakan nilai harapan dari posteriornya adalah πΌ+π
πΜπ΅ = πΈ(π|π₯1 , β¦ , π₯π ) =
π½ + βππ=1 ln
(16)
π₯π Μπ
Kemudian sifat-sifat penduga πΜπ΅ adalah seperti berikut. A. Nilai Harapan Penduga πΜπ΅ πΈ(πΜπ΅ ) = πΈ (
πΌ+π
π₯) π½ + βππ=1 ln π Μπ
πΌ+π = π₯ π½ + πΈ (βππ=1 ln π ) Μπ
engan asumsi bebas stokastik identik, maka πΌ+π = π₯ π₯ π₯ π½ + (πΈ (ln ) + πΈ (ln ) + β― + πΈ (ln )) Μπ
Μπ
Μπ
ketika π₯π = π, maka πΌ+π = 1 π½ + (π β 1) π (πΌ + π) π πΈ(πΜπ΅ ) = ππ½ + (π β 1)
(17)
Karena πΈ(πΜπ΅ ) β π, maka πΜπ΅ merupakan penduga bias. Besar bias πΜπ΅ adalah seperti berikut. π΅πππ (πΜπ΅ ) = πΈ(πΜπ΅ ) β π =
(πΌ + π) π ( ππ½ + (π β 1))π β ππ½ + (π β 1) ππ½ + (π β 1)
=
(πΌ β ππ½ + 1) π ππ½ + (π β 1)
(18)
B. Varians Penduga πΜπ΅ Varians penduga πΜπ΅ yaitu seperti berikut. πππ(πΜπ΅ ) = πππ (
= (πΌ + π)2 πππ ( Karena sulit untuk mencari tahu apa distribusi dari
πΌ+π π½ + βππ=1 ln
π₯π ) Μπ
1 π½+
π₯ βππ=1 ln π Μπ
1 π₯ π
π π½+βπ π=1 ln Μ
)
, akibatnya πππ (
1 π₯ π
π π½+βπ π=1 ln Μ
) sulit juga untuk
dievaluasi atau ditentukan hasilnya. Dengan begitu, akan menjadi sulit untuk mencari varians dari penduga πΜπ΅ secara analitik. Oleh karena itu, varians dari penduga πΜπ΅ akan ditunjukan nilainya secara empiris melalui studi simulasi yang dilakukan dengan bantuan software R.
C. Konsistensi Penduga πΜπΏ 2 Penduga πΜπ΅ dapat dikatakan sebagai penduga yang bersifat konsisten apabila πΈ(πΜπ΅ β π) β 0, jika π β β. Hal ini akan diteliti dan dilihat secara empiris melalui simulasi dengan software R. Apabila pada simulasi tersebut ditunjukkan bahwa nilai Mean Square Error (MSE) semakin mengecil dan menuju ke nilai nol, ketika ukuran atau n semakin besar dan menuju tak hingga, maka dapat disimpulkan bahwa penduga Bayes (πΜπ΅ ) merupakan penduga yang konsisten.
4. STUDI SIMULASI Studi simulasi dilakukan dengan membangkitkan data berdistribusi Pareto dengan kombinasi parameter π
= 1, 3 dan π = 1,3, 5 serta besar sampel π = 20, 40, 100, 300, 500, 1000, 5000, 10000, 20000, dan 50000. Kemudian, akan dilihat bagaimana nilai dugaan dan sifat-sifat dari penduga Maximum Likelihood, dan penduga Bayes berdasarkan langkah-langkah studi simulasi data yang telah dijelaskan pada metode penelitian. Hasil simulasi yang menunjukkan nilai dugaan π untuk kedua metode pendugaan dapat dilihat pada lampiran. Selanjutnya, sifat-sifat dari kedua penduga yang ditunjukkan pada simulasi ini akan dibandingkan berdasarkan persamaan-persamaan yang telah didapatkan melalui studi analitik. Pada pendugaan parameter π, digunakan distribusi prior gamma, dengan parameter yang telah ditetapkan (fix), yaitu πΌ = 2 dan π½ = 5. Berikut adalah hasil dari simulasi-simulasi yang telah dilakukan. 4.1 Bias Penduga Maximum Likelihood dan Bayes Berdasarkan dari studi simulasi yang dilakukan, akan dilihat bagaimana bias antara kedua penduga ΞΈΜL dan ΞΈΜB sebagai berikut. Tabel 1. Bias Penduga ΞΈΜL dan ΞΈΜB , ketika ΞΊ = 1 dan ΞΈ = 1,3,5 n
π=π Μ π ) Bias (π Μπ) Bias (π
π=π Μ π ) Bias (π Μπ) Bias (π
π=π Μ π ) Bias (π Μπ) Bias (π
20
0,046005
0,095468
0,145889
1,087959
0,277047
2,529213
40
0,035657
0,039695
0,063340
0,685977
0,160667
1,726037
100
0,010152
0,019678
0,027560
0,320906
0,021158
0,912371
300
0,004238
0,005764
0,014408
0,111081
0,003800
0,358178
500
0,003717
0,002303
0,011621
0,064889
0,014989
0,205854
1000
0,001936
0,001070
0,002666
0,035877
0,002033
0,114247
5000
0,000620
0,000019
0,000302
0,008079
0,003419
0,019504
10000
0,000285
0,000585
0,000421
0,004314
0,000107
0,011579
20000
0,000286
0,000436
0,000822
0,002769
0,000119
0,005862
50000
0,000045
0,000015
0,000012
0,000768
0,000718
0,003016
Tabel 2. Bias Penduga ΞΈΜL dan ΞΈΜB , ketika ΞΊ = 3 dan ΞΈ = 1,3,5 n
π=π Μ Μπ) Bias (ππ ) Bias (π
π=π Μ Μπ) Bias (ππ ) Bias (π
π=π Μ Μπ) Bias (ππ ) Bias (π
20
0,069727
0,079905
0,166251
1,079273
0,177233
2,547538
40
0,040201
0,036048
0,078310
0,678026
0,110915
1,744265
100
0,011820
0,018082
0,033886
0,316166
0,072775
0,879618
300
0,003205
0,006766
0,001809
0,122556
0,007917
0,348158
500
0,000293
0,005673
0,003929
0,072181
0,000041
0,219491
1000
0,002300
0,000709
0,001388
0,037115
0,007734
0,104943
5000
0,000573
0,000027
0,000388
0,008164
0,002526
0,020388
10000
0,000014
0,000314
0,000701
0,003195
0,001583
0,009897
20000
0,000164
0,000014
0,000134
0,002082
0,000245
0,005499
50000
0,000107
0,000167
0,000344
0,000436
0,000119
0,002418
Berdasarkan dari kedua tabel yaitu Tabel 1 dan Tabel 2, dapat dilihat bahwa terdapat perbedaan yang sama. Ketika nilai parameter π semakin besar, maka bias penduga πΜπΏ maupun πΜπ΅ akan semakin besar pula. Kemudian, jika dilihat dari sudut pandang parameter π
, ketika nilai π
semakin meningkat, untuk ukuran sampel yang tidak terlalu besar, yaitu n = 20 s.d. 300, bias πΜπΏ akan semakin besar, sedangkan bias πΜπ΅ akan semakin kecil. Namun, untuk ukuran sampel n = 500 s.d. 50000 perbedaannya tidak menentu. Untuk melihat lebih jelas bias kedua penduga secara asimtotik, maka dapat dilihat dalam bentuk grafik seperti berikut.
Bias (ΞΈ=1, ΞΊ=3)
Bias (ΞΈ=1, ΞΊ=1)
Bayes
ML
Bayes
Gambar 1. Bias penduga ML(πΜπΏ ) dan Bayes (πΜπ΅ ) ketika π = 1, π
= 1 dan 3
n=50000
n=20000
n=5000
n=10000
n=500
n=1000
n=300
n=100
n=40
n=20 n=40 n=100 n=300 n=500 n=1000 n=5000 n=10000 n=20000 n=50000 ML
n=20
0,100000 0,080000 0,060000 0,040000 0,020000 0,000000
0,120000 0,100000 0,080000 0,060000 0,040000 0,020000 0,000000
Bias (ΞΈ=3, ΞΊ=1)
Bias (ΞΈ=3, ΞΊ=3)
1,200000 1,000000 0,800000 0,600000 0,400000 0,200000 0,000000
ML
Bayes
n=50000
n=20000
n=5000
n=10000
n=500
ML
n=1000
n=300
n=100
n=40
n=20
n=20 n=40 n=100 n=300 n=500 n=1000 n=5000 n=10000 n=20000 n=50000
1,200000 1,000000 0,800000 0,600000 0,400000 0,200000 0,000000
Bayes
Gambar 2. Bias penduga ML(πΜπΏ ) dan Bayes(πΜπ΅ ) ketika π = 3, π
= 1 dan 3
Bias (ΞΈ = 5, ΞΊ=1)
Bias (ΞΈ=5, ΞΊ=3)
3,000000 2,500000 2,000000 1,500000 1,000000 0,500000 0,000000
ML
Bayes
ML
n=50000
n=20000
n=10000
n=5000
n=1000
n=500
n=300
n=100
n=40
n=20
n=50000
n=20000
n=5000
n=10000
n=500
n=1000
n=300
n=100
n=40
n=20
3,000000 2,500000 2,000000 1,500000 1,000000 0,500000 0,000000
Bayes
Gambar 3. Bias penduga ML(πΜπΏ ) dan Bayes(πΜπ΅ ) ketika π = 5, π
= 1 dan 3
Berdasarkan grafik yang telah disajikan dalam Gambar 15, 16 dan 17, dapat dilihat bahwa bias kedua penduga semakin kecil dan menuju nol seiring dengan semakin besarnya ukuran sampel n. Dengan demikian kedua penduga merupakan penduga yang tak bias secara asimtotik.
4.6.1
Varians Penduga Maximum Likelihood dan Bayes
Berdasarkan dari studi simulasi yang dilakukan, akan dilihat lebih lanjut bagaimana varians antara kedua penduga πΜπΏ dan πΜπ΅ yang akan ditampilkan dalam tabel sebagai berikut.
Tabel 3. Varians Penduga πΜπΏ dan πΜπ΅ , ketika π
= 1 dan π = 1,3,5 n
π=1 Μ Var (ππΏ ) Var (πΜπ΅ )
π=3 Μ Var (ππΏ ) Var (πΜπ΅ )
π=5 Μ Var (ππΏ ) Var (πΜπ΅ )
20
0,057335
0,025522
0,556936
0,058595
1,543663
0,059135
40
0,027818
0,018275
0,244768
0,070703
0,695133
0,099537
100
0,011274
0,009581
0,090571
0,052946
0,238908
0,099895
300
0,003447
0,003267
0,029245
0,024344
0,081312
0,059740
500
0,002084
0,002019
0,017066
0,015271
0,052498
0,043447
1000
0,001026
0,001010
0,009794
0,009263
0,024344
0,022137
5000
0,000206
0,000205
0,001777
0,001757
0,004916
0,004823
10000
0,000093
0,000093
0,000927
0,000922
0,002270
0,002248
20000
0,000048
0,000048
0,000460
0,000458
0,001258
0,001252
50000
0,000020
0,000020
0,000176
0,000176
0,000530
0,000529
Tabel 4. Varians Penduga πΜπΏ dan πΜπ΅ , ketika π
= 3 dan π = 1,3,5
4.6.2
n
π=1 Μ Var (ππΏ ) Var (πΜπ΅ )
π=3 Μ Var (ππΏ ) Var (πΜπ΅ )
π=5 Μ Var (ππΏ ) Var (πΜπ΅ )
20
0,064224
0,027844
0,514254
0,055463
1,406091
0,054816
40
0,028728
0,019027
0,250544
0,072203
0,647155
0,094250
100
0,010022
0,008533
0,094219
0,055267
0,271530
0,113138
300
0,003200
0,003034
0,027468
0,022875
0,083550
0,061343
500
0,002128
0,002061
0,018592
0,01664
0,046849
0,038840
1000
0,001051
0,001034
0,008718
0,008246
0,026670
0,024251
5000
0,000190
0,000189
0,001739
0,001719
0,004861
0,004768
10000
0,000090
0,000090
0,000943
0,000938
0,002562
0,002537
20000
0,000048
0,000048
0,000449
0,000448
0,001285
0,001279
50000
0,000021
0,000021
0,000179
0,000179
0,000545
0,000544
Mean Square Error (MSE) Penduga Maximum Likelihood dan Bayes Tabel 5. MSE Penduga πΜπΏ dan πΜπ΅ , ketika π
= 1 dan π = 1,3,5 n
π=1 MSE MSE (πΜπΏ ) (πΜπ΅ )
20
0,059451
40
0,029090
100
π=3
π=5 MSE MSE (πΜπΏ ) (πΜπ΅ )
MSE (πΜπΏ )
MSE (πΜπ΅ )
0,034636
0,578219
1,242250
1,620418
6,456054
0,019851
0,248780
0,541267
0,720947
3,078743
0,011377
0,009969
0,091330
0,155927
0,239355
0,932316
300
0,003465
0,003300
0,029452
0,036683
0,081326
0,188031
500
0,002098
0,002024
0,017201
0,019481
0,052722
0,085823
1000
0,001030
0,001011
0,009801
0,010550
0,024348
0,035190
5000
0,000206
0,000205
0,001777
0,001822
0,004928
0,005203
10000
0,000093
0,000093
0,000927
0,000941
0,002270
0,002382
20000
0,000048
0,000048
0,000460
0,000466
0,001258
0,001286
50000
0,000020
0,000020
0,000176
0,000177
0,000530
0,000538
Tabel 6. MSE Penduga πΜπΏ dan πΜπ΅ , ketika π
= 3 dan π = 1,3,5 n
π=1 MSE MSE (πΜπΏ ) (πΜπ΅ )
20
0,069086
40
π=3
π=5 MSE MSE (πΜπΏ ) (πΜπ΅ )
MSE (πΜπΏ )
MSE (πΜπ΅ )
0,034229
0,514254
0,055463
1,437502
6,544764
0,030344
0,020326
0,250544
0,072203
0,659457
3,136711
100
0,010162
0,008860
0,094219
0,055267
0,276826
0,886866
300
0,003210
0,003079
0,027468
0,022875
0,083612
0,182557
500
0,002128
0,002093
0,018592
0,016640
0,046849
0,087016
1000
0,001056
0,001035
0,008718
0,008246
0,026729
0,035264
5000
0,000190
0,000189
0,001739
0,001719
0,004867
0,005184
10000
0,000090
0,000090
0,000943
0,000938
0,002564
0,002635
20000
0,000048
0,000048
0,000449
0,000448
0,001285
0,001309
50000
0,000021
0,000021
0,000179
0,000179
0,000545
0,000550
Berdasarkan dari Tabel 5 dan Tabel 6, dapat dilihat perbedaan nilai MSE-nya. Untuk kedua nilai parameter π
, baik ketika π
= 1 maupun ketika π
= 3, ketika parameter π semakin besar nilainya, maka MSE kedua penduga juga akan semakin besar. Kemudian, dapat dilihat juga perbandingannya antara ketika π
= 1 dan π
= 3. Untuk semua nilai parameter π, ketika parameter π
semakin besar, maka MSE untuk kedua penduga juga semakin besar.
ML
Bayes
ML
n=50000
n=20000
0,000000
n=5000
0,000000
n=10000
0,020000
n=500
0,040000
0,020000
n=1000
0,040000
n=300
0,060000
n=100
0,060000
n=20
0,080000
n=20 n=40 n=100 n=300 n=500 n=1000 n=5000 n=10000 n=20000 n=50000
0,080000
n=40
MSE (ΞΈ=1, ΞΊ=3)
MSE (ΞΈ=1, ΞΊ=1)
Bayes
Gambar 41. MSE penduga ML(πΜπΏ ) dan Bayes (πΜπ΅ ) ketika π = 1, π
= 1, 3
ML
Bayes
ML
Bayes
Gambar 42. MSE penduga penduga ML(πΜπΏ ) dan Bayes(πΜπ΅ ) ketika π = 3, π
= 1, 3
n=50000
n=20000
n=10000
n=5000
n=1000
n=500
n=300
n=100
n=40
n=50000
n=20000
n=5000
0,000000
n=10000
0,000000
n=500
0,500000
n=1000
0,500000
n=300
1,000000
n=100
1,000000
n=40
1,500000
n=20
1,500000
n=20
MSE (ΞΈ=3, ΞΊ=3)
MSE (ΞΈ=3, ΞΊ=1)
MSE (ΞΈ=5, ΞΊ=1)
MSE (ΞΈ=5, ΞΊ=3)
7,000000 6,000000 5,000000 4,000000 3,000000 2,000000 1,000000 0,000000
8,000000 6,000000 4,000000 2,000000
ML
n=20 n=40 n=100 n=300 n=500 n=1000 n=5000 n=10000 n=20000 n=50000
n=50000
n=20000
n=5000
n=10000
n=500
n=1000
n=300
n=40
n=100
n=20
0,000000
Bayes
ML
Bayes
Gambar 43. MSE penduga penduga ML(πΜπΏ ) dan Bayes(πΜπ΅ ) ketika π = 5, π
= 1, 3
Berdasarkan grafik yang telah disajikan dalam Gambar 39, 40 dan 41, dapat dilihat bahwa MSE kedua penduga semakin kecil dan menuju nol seiring dengan semakin besarnya ukuran sampel n. Dengan demikian, dapat dikatakan bahwa penduga ML dan Bayes terhadap π merupakan penduga yang konsisten.
5. KESIMPULAN Berdasarkan hasil pembahasan maka dapat diambil kesimpulan sebagai berikut: 1. Estimasi atau penduga titik bagi parameter π
dan π pada distribusi Pareto dengan menggunakan metode Maximum Likelihood adalah sebagai berikut: Untuk parameter π
yaitu: π
Μ = min π₯π dan untuk parameter π yaitu: π πΜπΏ = π βπ=1 (ln π₯π β ln π
Μ ) 2. Pada pendugaan parameter distribusi Pareto menggunakan metode Bayes, diasumsikan bahwa parameter π
telah diketahui atau diasumsikan π
Μ = min π₯π , seperti pada pendugaan dengan metode Maximum Likelihood dan jika dilihat berdasarkan grafik sebaran Pareto. Sehingga didapat penduga titik bagi parameter π yaitu sebagai berikut: πΌ+π πΜπ΅ = π₯ π½ + βππ=1 ln π Μπ
Μ Μ 3. Secara analitik ditunjukkan bahwa penduga ππΏ dan penduga ππ΅ keduanya merupakan penduga yang bias. Namun, kedua peduga tersebut secara asimtotik akan menjadi tak bias. Besar bias kedua penduga memiliki nilai yang bervariasi dan dipengaruhi oleh parameter π. Selain pengaruh dari π, bias penduga πΜπ΅ juga dipengaruhi oleh besar nilai parameter dari distribusi priornya. Penduga πΜπ΅ memiliki varians yang lebih kecil dari penduga πΜπΏ . MSE dari kedua penduga akan dipengaruhi oleh biasnya. Baik secara analitik maupun empirik, telah ditunjukkan bahwa penduga πΜπΏ dan πΜπ΅ keduanya merupakan penduga yang konsisten.
DAFTAR PUSTAKA Bain, L.J. & Engelhardt, M. 1992. Introduction to Probability and Mathematical Statistics. 2nd Edition. Duxbury Press, California. Berger, C. 1990. Statistical Inference. Pasific Grove, New York. Bolstad, W.M. 2007. Introduction to Bayesian Statistics. 2nd Edition. John
Wiley & Sons, New York.
Box, G.E.P. & Tiao, G.C. 1973. Bayesian Inference In Statistical Analysis. Addision-Wesley, Massachusetts.
Harinaldi. 2005. Prinsip-Prinsip Statistik untuk Teknik dan Sains. Erlangga, Jakarta. Hogg, R.V., & Craig, A.T. 2005. Introduction to Mathematical Statistics. 6th Edition. Pearson Prentice Hall, New Jersey. Hogg, R.V., McKean, Joseph W. & Craig, A.T. 2012. Introduction to Mathematical Statistics. 7th Edition. Prentice Hall International, United States of America. Malik, M. 2011. Estimasi Parameter Distribusi Pareto dengan Metode Kuadrat Terkecil, Maximum Product of Spacing dan Regresi Ridge. Skripsi. Jurusan Matematika FMIPA Universitas Sumatera Utara, Medan. Mukhopadhyay, N. & Ekwo, M.E. 1987. Sequental Estimation Problems for the Scale Parameter of Pareto Distribution. Scandinavian Actuarial Journal. 83-103. Sahoo, P. 2008. Probability and Mathematical Statistics. Department of Mathematics University of Louisville, Louisville. Saibagki, W. 1952. Theory and Applications of Gamma Function. Iwanami Syoten, Tokyo. Soejoeti, Z. & Soebanar. 1988. Inferensi Bayesian. Karunika Universitas Terbuka, Jakarta Spiegel, M.R., Schiller, J.J., & Srinivasan, R.A. 2004. Probabilitas dan Statistik. Diterjemahkan oleh Ratna Indriasari. Erlangga, Jakarta. Sugiarto, S. 2014. Penduga Interval Parameter Bentuk dari Distribusi Pareto Berdasarkan Metode Momen dan Maksimum Likelihood. Skripsi. Jurusan Matematika FMIPA Universitas Riau, Pekanbaru. Walpole, E.R. 1995. Pengantar Statistika. Ed. ke-3. Gramedia, Jakarta. Walpole, E.R. & Myers, H.R. 1995. Ilmu Peluang dan Statistika untuk Insinyur ITB, Bandung.
dan Ilmuwan. Ed. ke-4.