BAB I PENDAHULUAN

1.1 Latar Belakang

Metode statistik adalah prosedur-prosedur yang digunakan dalam pengumpulan, penyajian, analisis, dan penafsiran data. Dalam penggunaan statistika terdapat tiga bagian utama, yaitu statistika deskriptif, probabilitas (peluang) dan statistika inferensi. Statistika deskriptif bertujuan untuk menyajikan informasi data sebagai deskripsi fakta dalam bentuk numerik, tabel, grafik atau kurva distribusi, sehingga suatu fakta atau peristiwa dapat secara mudah untuk dipahami dan disimpulkan. Sedangkan statistika inferensi menggunakan

konsep probabilitas untuk membuat perkiraan, prediksi, peramalan, ataupun generalisasi dari suatu objek berdasarkan informasi data yang diambil fakta sebagai populasi atau sampel (Mustafid, 2003). Inferensi statistik dapat dibedakan menjadi dua yaitu estimasi parameter dan uji hipotesis. Estimasi parameter dibedakan menjadi dua yaitu estimasi parameter titik dan estimasi parameter berupa interval. Inferensi statistik dapat dicari dengan metode klasik dan metode Bayes (Walpole dan Myers, 1995). Pada suatu penelitian terkadang diamati karakteristik dari sebuah populasi. Beberapa macam ukuran statistik digunakan untuk mengetahui karakteristik dari populasi, misalnya rataan, varian, median, atau proporsi. Pada inferensi statistik ingin diperoleh kesimpulan mengenai populasi, meskipun tidak praktis untuk mengamati keseluruhan individu yang menyusun populasi atau tidak mungkin jika populasinya tak hingga. Dengan berbagai keterbatasan dan kendala, tidak dimungkinkan mengamati keseluruhan dari elemen populasi, maka dapat dilakukan langkah alternatif yaitu pendugaan populasi dengan menggunakan sampel yang diambil secara acak dari sebuah populasi. Pada teori estimasi titik dapat dilakukan dengan dua metode yaitu metode klasik dan metode Bayes. Metode klasik sepenuhnya mengandalkan proses inferensi pada data sampel yang diambil dari populasi, sedangkan metode Bayes disamping memanfaatkan data sampel yang diperoleh dari populasi juga memperhitungkan suatu distribusi awal yang disebut distribusi prior (Walpole dan Myers, 1995). Salah satu teknik yang digunakan dalam metode klasik adalah metode maksimum likelihood. Metode klasik memandang parameter sebagai besaran tetap yang tidak diketahui harganya, dan inferensi didasarkan hanya pada informasi dalam sampel. Metode Bayes memandang parameter sebagai variabel yang menggambarkan pengetahuan awal tentang parameter sebelum pengamatan dilakukan dan dinyatakan dalam suatu distribusi yang
1

disebut dengan distribusi prior (Bolstad, 2007). Setelah pengamatan dilakukan, informasi dalam distribusi prior dikombinasikan dengan informasi dengan data sampel melalui teorema Bayes, dan hasilnya dinyatakan dalam bentuk distribusi yang disebut distribusi posterior yang selanjutnya menjadi dasar untuk inferensi di dalam metode Bayes (Berger, 1990). Teorema Bayes memungkinkan seseorang untuk memperbaruhi keyakinannya mengenai sebuah parameter setelah data diperoleh. Sehingga dalam hal ini mengharuskan adanya keyakinan awal (prior) sebelum memulai inferensi. Pada dasarnya distribusi prior bisa diperoleh berdasarkan keyakinan subjektif dari peneliti itu sendiri mengenai nilai yang mungkin untuk parameter yang diestimasi, sehingga perlu diperhatikan bagaimana cara menentukan prior.

1.2 Rumusan Masalah Permasalahan-permasalahan yang akan dibahas dalam penulisan ini adalah : 1. Bagaimana teorema Bayes untuk normal mean dengan prior diskrit ? 2. Bagaimana teorema Bayes untuk normal mean dengan prior kontinu ? 3. Bagaimana memilih normal prior ? 4. Bagaimana Credible interval untuk normal mean ? 5. Bagaimana memprediksi kepadatan untuk pengamatan berikutnya ? 1.3 Tujuan Penelitian Tujuan dari pembuatan makalah ini adalah sebagai berikut : 1. Untuk mengetahui bagaimana teorema Bayes untuk normal mean dengan prior diskrit. 2. Untuk mengetahui bagaimana teorema Bayes untuk normal mean dengan prior kontinu. 3. Untuk mengetahui bagaimana memilih normal prior. 4. Untuk mengetahui bagaimana Credible interval untuk normal mean. 5. Bagaimana memprediksi kepadatan untuk pengamatan berikutnya.
2

BAB II PEMBAHASAN
Banyak variabel acak yang tampaknya berdistribusi normal, setidaknya mendekati. Alasan di balik teorema limit pusat menunjukkan mengapa demikian. Ada beberapa variabel acak yang mana jumlahnya mendekati tak hingga akan membentuk variabel acak yang independen yang menyebabkan dia mendekati distribusi normal. Bentuk dari setiap individu dari variabel acak "rata-rata yang dihasilkan" mendekati ke bentuk normal. Sampel data dari jumlah distribusi tersebut akan dilakukan pendekatan oleh distribusi normal. Dalam pembahasan ini kita menunjukkan bagaimana inferensi Bayesian pada sampel acak dari distribusi normal. 2.1 TEOREMA BAYES UNTUK RERATA NORMAL DENGAN PRIOR DISKRIT Pengamatan Tunggal Kita akan melakukan pengamatan tunggal dari fungsi kepadatan peluang (fkp) bersyarat distribusi normal kemungkinan nilai ,. . . , f(yl ) dengan varians diketahui . Ada sejumlah m

untuk mean. Kita akan memilih distribusi probabilitas prior parameter, sebelum kita melakukan

diskrit yang hasilnya akan kita gunakan sebagai

pengamatan. Jika kita sama sekali tidak memiliki informasi mengenai prior, kemungkinan kita akan memberikan kemungkinan yang sama untuk semua prior. Likelihood memberikan perbandingan bobot dari semua nilai-nilai parameter yang berdasarkan kemungkinan dari data observasi yang diberikan pada masing – masing nilai parameter. Posterior sebanding kali prior likelihood.

Likelihood dari Pengamatan Tunggal Pengamatan distribusi bersyarat dari y| adalah normal dengan mean diketahui. Fungsi kepadatan peluangnya adalah dan varians

3

Likelihood dari setiap nilai parameter adalah nilai dari pengamatan distribusi pada nilai yang telah diamati. Bagian yang tidak bergantung pada parameter sama untuk semua nilai parameter, sehingga dapat dimasukkan ke dalam konstanta proporsionalitas. Bagian yang membentuk fungsi dari parameter adalah bagian penting. Berikut bentuk likelihood yang diberikan.

di mana y adalah konstanta tetap pada nilai yang telah diamati dan dengan nilai yang mungkin. Tabel untuk menampilkan Teorema Bayes

boleh bervariasi sesuai

Kita menggunakan Tabel untuk membantu dalam menemukan distribusi posterior menggunakan teorema Bayes. Kolom pertama dan kedua berisi nilai-nilai yang mungkin dari parameter dan masing – masing probabilitas priornya. Kolom ketiga berisi likelihood, yang mana distribusi pengamatan telah dievaluasi untuk setiap nilai yang mungkin dari dimana y telah diyakini pada nilai yang telah diamati. Ada dua metode yang dapat kita gunakan untuk mengevaluasi likelihood. Berikut contoh soal yang mengandung kedua metode tersebut :

Mencari likelihood dari tabel "koordinat distribusi normal" Metode pertama adalah untuk mencari likelihood dari tabel "koordinat distribusi normal”. Diberikan

4

untuk setiap nilai yang mungkin dari . Z berdistribusi normal baku (0, 1). Likelihood dapat ditemukan dengan melihat f(z) pada "koordinat dari distribusi normal baku "yang diberikan pada Tabel distribusi normal. Berikut tabel teorema Bayesnya :

Mencari likelihood dari fungsi kepadatan normal. Metode kedua adalah dengan menggunakan rumus fungsi kepadatan peluang dari distribusi normal, dengan y adalah nilai kostan sesuai dengan yang diberikan, sedangkan bisa bervariasi sesuai dengan semua nilai yang mungkin.

Untuk sampel acak dari Pengamatan Normal Biasanya kita memiliki sampel acak y1,. . . ,yn dari pengamatan kecuali pengamatan tunggal. Posterior selalu sebanding dengan prior likelihood. Pengamatan pada sampel acak

independen satu sama lain, sehingga likelihood marginal dari sampel adalah hasil dari observasi individual pada likelihood. Maka diberikan

5

Teorema Bayes dengan sebuah prior diskrit diberikan sebagai berikut.

Kita sedang mempertimbangkan kasus di mana distribusi dari masing-masing pengamatan yj| adalah normal dengan mean dan varians yang diketahui.

Mencari Probabilitas Posterior dengan Menganalisis Pengamatan secara Berurutan Satu per Satu. Kita dapat menganalisis suatu pengamatan satu per satu , secara berurutan y1,. . . ,yn dan biarkan posterior dari pengamatan sebelumnya menjadi prior untuk pengamatan selanjutnya. Likelihood dari pengamatan tunggal yj adalah kolom nilai dari distribusi pengamatan pada setiap nilai parameter yang mungkin pada saat sudah diamati. Perhatikan contoh soal berikut :

6

Mencari probabilitas posterior dengan menganalisis sampel bersama-sama dalam satu langkah. Posterior sebanding dengan prior likelihood, dan likelihood marginal dari sampel

adalah hasil dari likelihood dari masing – masing observasi. Masing-masing pengamatan adalah normal, sehingga memiliki likelihood normal. Berikut diberikan likelihood marginalnya.
7

Menjumlahkan pangkat pada eksponennya

Pangkat dari eksponen tersebut bisa dibentuk seperti berikut

Maka diperoleh.

Likelihood dari sampel acak normal y1,. . . ,yn sebanding dengan likelihood dari sampel mean ̅. Ketika kita memasukkan bagian yang tidak melibatkan ke perbandingan kita mendapatkan

Kita mengakui bahwa likelihood ini memiliki bentuk distribusi normal dengan ratarata dan varians . Mean sampel ̅ , biasanya didistribusikan dengan mean dan varians

. Jadi likelihood marginal dari sampel acak sebanding dengan likelihood sampel mean, sebagai berikut.

8

Berikut contoh soalnya :

Kita dapat menganggap ini sebagai penggambaran nilai tunggal dari sampel mean ̅ , dari distribusi normal dengan mean melakukan analisis sampel acak. 2.2 TEOREMA BAYES UNTUK NORMAL MEAN DENGAN PRIOR KONTINU Kita memiliki sampel acak y1,. . . ,yn dari distribusi normal dengan mean varians diketahui . Hal ini lebih realistis untuk dipercaya mengenai semua nilai dan yang dan varians . Ini akan memudahkan kita dalam

mungkin, setidaknya dalam interval. Ini berarti kita harus menggunakan prior kontinu. Kita ketahui bahwa teorema Bayes dapat diringkas yaitu “posterior sebanding dengan prior likelihood”.

Di sini kita ketahui g( ) menjadi prior kontinu. Ketika priornya adalah diskrit, kita mengevaluasi posterior dengan membagi prior likelihood oleh jumlah prior likelihood

untuk semua nilai parameter mungkin. Integrasi untuk variabel kontinu adalah analogi dari penjumlahan untuk variabel diskrit. Oleh karena itu kita dapat mengevaluasi posterior dengan membagi prior likelihood dengan integral dari prior likelihood atas semua kisaran nilai

parameter yang mungkin.
9

Untuk distribusi normal, likelihood dari sampel acak sebanding dengan likelihood dari sampel mean ̅ .

Ini berlaku untuk prior kontinu g( ). Namun, itu membutuhkan integrasi yang mungkin harus dilakukan secara numerik. Kemudian kita akan melihat beberapa kasus khusus di mana kita dapat menemukan posterior tanpa harus melakukan integrasi. Untuk kasus - kasus ini, kita harus mampu mengenali kapan kepadatan harus normal dari bentuk yang diberikan dalam persamaan. Kepadatan Prior Mentah untuk (Prior Jeffrey untuk Normal Mean)

Kita tahu bahwa nilai-nilai aktual yang diberikan oleh prior kepada setiap nilai yang mungkin adalah tidak penting. Mengalikan semua nilai-nilai prior oleh konstanta yang sama akan kalikan integral dari prior likelihood oleh konstanta yang sama, sehingga akan

mengkanselasi dan kita akan mendapatkan posterior yang sama. Prior mentah memberikan bobot yang sama kepada semua nilai yang mungkin yaitu g( ) = 1. Prior mentah ini bukan distribusi prior yang benar-benar tepat karena < <

sehingga tidak dapat diintegrasikan ke 1. Namun demikian, ketidaktepatan prior ini tidak perlu diperhatikan. Meskipun priornya tidak tepat, posterior akan mengintegrasikan ke 1, sehingga layak. Prior Jeffrey untuk mean dari distribusi normal ternyata menjadi prior mentah. Pengamatan Tunggal Normal Misalkan y menjadi pengamatan terdistribusi normal dengan mean diketahui . Maka likelihoodnya adalah seperti berikut. dan varians

10

Karena priornya selalu sama dengan 1, posterior sebanding dengan berikut.

Kita menyadari bahwa dari bentuk dari posterior ini adalah distribusi normal dengan mean y dan varians .

Sebuah sampel acak normal y1. . . yn. Pada bagian sebelumnya kita menunjukkan bahwa likelihood dari sampel acak dari distribusi normal sebanding dengan likelihood dari sampel mean ̅ . Kita tahu ̅ terdistribusi normal dengan mean itu likelihood memiliki bentuk sebagai berikut. dan varians . Oleh karena

Karena priornya selalu sama dengan 1, posterior sebanding dengan berikut.

Kita menyadari bahwa dari bentuk dari posterior ini adalah distribusi normal dengan mean ̅ dan varians .

Kepadatan prior normal untuk Pengamatan tunggal. Pengamatan y adalah variabel acak yang diambil dari distribusi normal dengan mean dan varians yang diasumsikan diketahui. Kita memiliki distribusi prior yang normal dengan mean m dan varians s2. Bentuk kepadatan priornya sebagai berikut.

Bentuk likelihoodnya adalah

11

Prior dikalikan likelihood maka :

Dapat dijabarkan sebagai berikut :

Kita menyadari bahwa dari bentuk ini posterior adalah distribusi normal yang memiliki mean dan varians yang diberikan sebagai berikut.

dan

Kita mulai dengan prior normal (m,s2) dan berakhir dengan posterior normal (m‟,(s‟)2). Hal ini menunjukkan bahwa distribusi normal adalah keluarga konjugat untuk distribusi observasi normal dengan varians diketahui. Teorema Bayes bergerak dari satu anggota keluarga konjugat ke anggota yang lain. Karena itu kita tidak perlu melakukan integrasi dalam rangka untuk mengevaluasi posterior.

12

Aturan sederhana untuk memperbaharui keluarga normal. Aturan memperbarui yang diberikan dalam persamaan sebelumnya dapat

disederhanakan. Pertama kita memperkenalkan ketepatan distribusi yang merupakan kebalikan dari varians. Posterior yang tepat sebagai berikut.

Dengan demikian posterior presisi sama dengan prior presisi ditambah presisi pengamatan. Mean posterior diberikan sebagai berikut.

Dapat disederhanakan menjadi

Dengan demikian rata-rata posterior adalah rata-rata tertimbang dari prior mean dan pengamatan, di mana bobotnya sebanding dengan presisi dari presisi posterior. Aturan ini juga berlaku untuk memperbarui prior mentah. Prior mentah memiliki varians yang tak terbatas, sehingga memiliki presisi nol. Presisi posterior akan sama dengan presisi prior

dan varians posterior sama dengan varians pengamatan dengan baik oleh prior mean. Kita perhatikan bahwa

. Prior mentah tidak didefinisikan

sehingga mean posterior menggunakan prior mentah sama dengan observasi y. Variabel acak y1,. . . ,yn. Variabel acak y1,. . . ,yn diambil dari distribusi normal dengan mean varians s2 diberikan sebagai berikut
13

dan varians

yang diasumsikan diketahui. Kita memiliki distribusi prior yang normal dengan mean m dan

Kita menggunakan likelihood dari rata – rata sampel, ̅ yang biasanya didistribusikan dengan mean dan varians . Presisi dari ̅ adalah ( ).

Kita telah mengurangi masalah untuk memperbarui dengan diberikan pengamatan tunggal yang normal dari ̅ , yang telah kita dipecahkan. Presisi posterior sama dengan presisi prior ditambah presisi ̅ .

Varians posterior sama dengan kebalikan dari presisi posterior. Mean posterior sama dengan rata-rata tertimbang dari mean prior dan ̅ dimana bobotnya sebanding dengan presisi posterior :

2.3 MEMILIH PRIOR NORMAL Distribusi prior yang anda pilih harus sesuai dengan prior yang sebenarnya. Setelah mengamati dari distribusi normal dengan variansi yang diketahui. Keluarga konjugat dari prior µ adalah normal (m,s2). Jika kita dapat menemukan dari keluarga ini yang sesuai dengan prior yang sebenarnya, itu akan memudahkan dalam menemukan posterior dengan teorema bayes. Posterior akan menjadi anggota dari keluarga yang sama dimana parameter yang telah kita peroleh dari perumusan sebelumnya . Pertama, tentukan prior mean m anda. Ini adalah nilai prior yang sebenarnya terpusat. Kemudian kita putuskan standar deviasi kita misalkan s. Dugaan titik atas dan titik bawah yang anda pilih akan menjadi batas atas dan batas bawah dari nilai kemungkinan µ. Membagi jarak antara dua titik dengan 6 untuk emndapatkan prior standar deviasi s anda. Cara ini dilakukan dari peluang yang mungkin dari daerah yang anda duga. Adalah bermanfaat untuk mengecek prior anda adalah „equivalent sample size‟. Atur prior anda dengan varians s2 = σ2/neq and solve for neq. ini berlerasi dari prior yang anda putuskan dari sample. Keyakinan anda sangat menentukan ukuran jumlah sample neq. jika neq besar, itu menunjukan bahwa anda mempunyai prior yang sangat kuat tentang µ. Jika
14

samplenya kecil, prior yang anda yakini tidak kuat , dan dengan pasti akan mempengaruhi posterior anda yang kemungkinan kuat. Hal ini di pengaruhi oleh lebih sederhananya jumlah sample yang ada. Jika anda tidak dapat menemukan distribusi prior dari distribusi keluarga konjugat prior yang anda yakini, maka anda harus menentukan prior yang anda yakini dengan memilih titikatas dari daerah kemungkinan yang anda yakini, dan diinterpolasi secara liniear. kemudian anda akan menemukan posterior dengan distribusi.

Berikut contoh soalnya :

15

2.4 CREDIBLE INTERVAL UNTUK NORMAL MEAN

Distribusi posterior g(µly1, . . . , yn) adalah kesimpulan kita untuk µ dari hasil pengamatan. Kesimpulannya dari masukan dari semua parameter yang anda yakini. Kadang kita akan menyimpulkan posterior yang kita yakini menjadi rentang dari nilai yang kita miliki ,terkadang ini tidak dapat dirubah dari beberapa jenis probabilitas, bergantung dari sampel data yang diberikan. Interval seperti ini disebut interval bayes kredibel. kesimpulanya daerah hasil yang mungkin kredibel pada batas tertentu.Akan ada banyak kemungkinan yang muncul dari interval kredibel sesuai dengan probabilitasnya.pada umumnya , yang paling pendek lebih disukai. Akan tetapi ,dalam beberapa kasus untuk mencari interval kredibel yang mudah adalah dengan menyamakan ekor probabilitasnya. Untuk varians yang diketahui Ketika y1 , . . . , yn adalah sample acak dari distribusi normal (µ,σ2) ,distribusi sampel dari ӯ, merupakan sampel mean dengan distribusi normal (µ, σ2 /n) .ini mean untuk pengamatan tunggal dari distribusi,dan varians nya sama dengan varians pengamatan tunggal yang dibagi oleh ukuran data.menggunakan salahsatu dari prior seragam , atau normal [m‟,(s‟)],dimna kita akan memperbaharuinya dengan aturan berikut:

16

1. presisi berbanding terbalik dengan varians. 2. presisi posterior sama dengan presisi prior ditambahkan dengan presisi mean data. 3. mean posterior berbobot dari penjumlahan mean dan mean sampel, dimana bobot dari proporsi presisi untuk presisi Posterior . Interval bayes kita (1 - x 100% ) untuk µ adalah :

Yang mana mean posterior positif atau negative dengan z dikali posterior standar deviasi, dimana nilai z ditentukan dengan melihat table normal standard. Peluang distribusi Posterior kita adalah normal dan pasti simetris. Interval kredibel yang digunakan lihat dalam persamaan 11.7 , dengan mudah kita peroleh peluang ekornya. Untuk varian yang tidak diketahui Jika kita tidak mengetahui varian, kita tidak dapat mengetahui presisinya, jadi kita tidak dapat melakukan yang seharusnya. Untuk itu kita dapat menghitungnya dari sampel varian Dari data.

Kemudian kita gunakan persamaan sebelumnya untuk menemukan (s‟)2 dan m‟ dimana kita akan menggunakan sampel varian dimana kita mengetahui varian σ 2 .
2

Terdapat beberapa hal yang salah, yaitu munculnya nilai estimasi σ

. kita dapat

meperlebar interval kredibel untuk memperbaiki hal ini. Kita akan menggunakan nilai dari distribusi t dimana . Kita dapat mengambil nilainya dari tabel distribusi Student‟s t. Interval Bayesian yang benar adalah :

Non normal prior Ketika kita mulai dengan non normal kita menemukan distribusi posterior untuk µ menggunakan teorema bayes dimana kita memperolehnya dengan mengintegralkanya.

17

Distribusi posterior yang tidak normal kita dapat mencarinya dengan (1-α) X 100% interval kredibel dengan menemukan batas bawah µ1 dan batas atas µ v yaitu:

disana pasti banyak angka-angka yang muncul. Pilihan yang tepat untuk µ1 dan µ v adalah dengan kemungkinan interval kredibel.

Berikut contoh soalnya :

2.5 MEMPREDIKSI KEPADATAN UNTUK OBSERVASI SELANJUTNYA Statistik Bayesian telah memperumum metode untuk mengumpulkan berbagai kondisi distribusi untuk distribusi berikutnya,yang diperoleh dari sampel data sebelumnya.hal ini disebut distribusi prediksi. Ini ditentukan This is a clear advantage over frequentist statistics, yang mana dapat

dengan distribusi prediksi untuk berbagai situasi .masalanya adalah bagaimana

menggabungkan ketidakpastian dari sampel yang sebelumnya yang belum pasti.pendekatan bayes ini dapat disebut marginality ,diperlukan untuk mencari posterior gabungan untuk pengamatan berikutnya dan parameternya.diberikan untuk sampel acak. Parameter yang diperlakukan sebagai parameter pengganggu, dan distribusi marginal dari pengamatan berikutnya yang diberikan dari sampel acak yang dapat dicari dengan mengintegralkan parameter dari distribusi gabungan.

Misalkan yn+l adalah peubah acak berikutnya menggambarkan variable acak setelah y1, . . . , yn. Kepadatan predictive dari yn+l Iy1, . . . , yn yang mana kepadatan bersyaratnya

Hal ini akan dapat ditemukan dengan teorema bayes . y1, . . . , yn, yn+l adalah peubah acak sampel dari f(yIµ), yang mana distribusi normal dengan mean µ dan varians σ 2 . distribusi bersyarat dari peubah acak y1, . . . , yn dan observasi berikutnya yn+l diberikan sebagai berikut: 18

Misalkan distribusi prior g(µ) (dari prior seragam atau prior normal(m,s2)) distribusi gabungan dari pengamatan dan parameter dari µ adalah:

kepadatan bersyarat dari yn+l dan µ diberikan y1, . . . , yn adalah :

kita telah menemukan posterior normal (µ|y1,. . . , yn, ) dengan posterior presisi yang sama dengan prior presisi ditambah dengan ӯ presisi dan mean sama dengan bobot rata-rata dari prior mean dan ӯ dimana bobot proporsi posterior presisi. Katakanlah itu normal dengan mean m n dan varian sn2. Distribusi dari yn+1 diperoleh dari µ dan y1,. . . , yn yang hanya bergantung pada µ, karena yn+l adalah gambaran yang dari distribusi(y|µ).ini posterior gabungan observasi) distribusinya adalah: (dari pertama sampai ke n

distribusi yang kita inginkan diperoleh dengan mengintegralkan terhadap µ dari posterior gabungan. Inilah distribusi marginal posteriornya.

keduanya adalah normal sesuai model yang kita asumsikan jadi:

menambahkan dengan eksponen dan mengabungkanya seperti ini:

19

mengeluarkan factor (

dari eksponentnya dan menyelesaikan pangkat kuadratnya

baris yang pertama bagian yang hanya bergantung pada µ, dan kita mengaturnya sedemikian sehingga menjadikanya proporsi kepadatan normal , jadi kita dapat mengintegralkan yang ada dalam kurung dan dapat diperoleh suatu konstanta. Dengan mengaturnya lagi sedemikian rupa kita peroleh

dengan kita peroleh

kita mengaturnya menjadi fungsi kepadatan peluang normal mean dengan m’=mn dan varian (s’)2=σ2+sn2 . mean prediksi untuk observasi yn+1 adalah posterior mean dari µ yang diberikan dari observasi y1, . . . , y., prediksi variansi yang di observasi adalah varian observasi σ 2 ditambah dengan variansi posterior yang diberikan dari observasi y1 ,. . . , y. inilah salah satu keuntungan dari pendekatan bayes . hal ini memberikan gambaran yang jelas bahwa pendekatan marginal akan selalu dapat digunakan untuk membanggun distribusi prediksi . tidak ada jalan lain untuk mencari hal ini dengan statistic frekuensi .walaupun dalam banyak kasus kita pandang sebagai normal seperti yang telah kita lakuakan , maka hasilnya akan sama kita peroleh.

20

BAB III PENUTUP

3.1 Kesimpulan Dari pembahasan yang telah dikaji mengenai inferensi bayes untuk normal mean diperoleh beberapa hal sebagai berikut : 1. Teorema Bayes untuk normal mean dengan prior diskrit ada 2 kategori yaitu untuk pengamatan tunggal dan untuk sampel acak dari pengamatan normal. Cara memperoleh likelihood pada pengamatan tunggal ada dua metoda yaitu dengan menggunakan tabel distribusi normal atau dengan menggunakan fungsi kepadatan distribusi normal, sementara untuk peubah acak dari distribusi normal likelihoodnya didapat dengan menghitung menggunakan fungsi kepadatan distribusi normal. 2. Dalam teorema Bayes untuk normal mean dengan prior kontinu berbeda pada posteriornya, dimana bila pada diskrit rumus posteriornya adalah

sementara pada prior kontinu, rumus posteriornya adalah

selain itu juga pada prior kontinu ini, priornya memiliki fungsi kepadatan yang sama dengan fungsi kepadatan dari distribusi normal, sehingga membutuhkan teknik pengintegrasian yang cukup sulit, maka dari itu dalam kasus ini dipilih prior Jeffrey dimana nilai priornya selalu sama dengan 1.

21

3. Keluarga konjugat prior dari observasi normal dengan variansinya adalah keluarga normal (m,s2 ) . 4. Jika kita mempunyai peubah acak dari pengamatan normal dan menggunakan prior normal (m,s2 ) posteriornya normal(m‟,(s‟)2), dimana m‟ dan (s‟)2 dapat ditemukan dengan mengikuti aturan dibawah ini: a. Presisi adalah sebanding terbalik dengan varian b. Posterior presisi adalah jumlah prior presisi dan presisi dari sampel c. Mean posterior adalah bobot rerata dari prior mean dan sampel mean, dimana bobot proporsi dari presisi ke presisi posterior Cara yang sama untuk memperbaharui dari prior mentah, ingatlah bahwa prior

mentah adalah presisi yang sama dengan nol. Interval Bayesian kredibal untuk µ dapat ditemukan dengan distribusi posterior. Jika varians σ2 tidak diketahui , kita gunakan estimasi untuk varians dihitung dari sampel, ̂ dan menggunakan nilai kritis dari bistribusi t . menggunakan titik kritis distribusi t mengantinya dari ketidak pastian dimana yang diketahuinya σ 2 .( hal ini sebenarnya memberikan interval yang kredibel ketika kita menggunakan g(σ2 ) posterior gabungan). 5. Distribusi prediksi dari pengamatan adalah normal(m‟,(s‟)2), dimana mean m‟=mn, posterior , dan (s‟)2= σ2 + sn2 , varian observasi ditambah posterior varian.(posterior varian sn2 mengikuti untuk ketidakpastian dalam mengestimasi µ). Distribusi prediksi dapat ditemukan dengan memarginalkan keluar µ dari distribusi gabungan ) dan mengeluarkan σ
2

keluar dari

22

3.2 Saran 1. Pada penulisan ini mengedepankan Inferensi Bayesian untuk Normal Mean dan tidak terlalu memperhatikan aspek – aspek lainnya. 2. Berdasarkan hasil pembuatan makalah yang telah dilakukan maka penulis memberikan saran untuk makalah selanjutnya menambah teori – teori dan pembuktian rumus mengenai pembahasan ini.

23

DAFTAR PUSTAKA
Sumber Buku : Bolstad ,William M.2007 introduction to Bayesian statistic second edition, united state of America: wiley- interface Ajhon wiley and sons,inc publication Koch, K. R .2007.Introduction to Bayesian Statistics. Berlin : Almas Schimmel. Siska ,Ade Candra.(2011). Inferensi Statistik Distribusi Binomial Dengan Metode Bayes Menggunakan Prior Konjugat. Skripsi Sarjana Sains Pada Program Studi Statistika Jurusan Matematika Universitas Dipenogoro Semarang: tidak diterbitkan.

Sumber Lain :
http://www.google.com/url?sa=t&rct=j&q=inferensial+bayes&source=web&cd=1&cad=rja&ved=0C CoQFjAA&url=http://repository.usu.ac.id/bitstream/123456789/31979/4/Chapter%2520I.pdf&ei=Er kdUdLpL6-5iAfgtoBA&usg=AFQjCNEhY-ppAHL9uBDZI3raxArjuo2jQQ&bvm=bv.42553238,d.aGc

(Inferensial Bayes) , 15 Maret 2013 Jam 16.45 WIB

24

Sign up to vote on this title
UsefulNot useful