ESTIMASI STATISTIKA

Rachmawati Noviana Rahayu,S.Si,M.Si

 ESTIMASI PARAMETER

Populasi
Populasi memiliki ukuran yang kita se-
01 but sebagai parameter. Adapun jenis
parameter antara lain adalah : rata-rata
02
(),simpangan baku () dan proporsi (p).
Populasi
Namun dalam penelitian kita tidak
mungkin untuk mengukur populasi
karena membutuhkan biaya dan waktu
yang lebih banyak sehingga kita dapat
melakukan pengambilan sampel (sam-
pling) yang sifatnya deduktif.

Sampel Sampel
Dalam pengambilan sampel kita akan Yang perlu diingat dalam pengambilan
03 mendapatkan data statistik berupa rata-
rata(x), simpangan baku (s) dan pro-
04 sampel haruslah sama karakteristiknya
dengan populasi. Sampel yang mewakili
porsi () . populasi. Setelah kita menghitung statis-
tiknya barulah kita melakukan generali-
sai/induktif sebagai parameter populasi.
Statistika Inferensial : mengambil kesimpulan
populasi berdasarkan karakteristik pengambilan
sampel.
 DEDUKTIF
POPULASI
Tujuan Utama pengambilan sampel
adalah untuk memperoleh informasi
mengenai parameter populasi.

PARAMETER SAMPLING
SAMPEL

STATISTIK
 x s 

GENERALISASI/
INFERENSI

Sifat Parameter : abstrak,sering tidak diketahui

Sifat Statistik : empiris, nyata karena dapat dihitung dari sampel INDUKTIF
 KONSEP DASAR ESTIMASI (PENAKSIRAN)

ESTIMASI 01 02
Salah satu cara untuk mengetahui informasi
Menaksir harga PA-
mengenai parameter populasi.  Nilai parameter () dapat di-
RAMETER populasi
berdasarkan STATIS- hitung langsung, tetapi bi-
TIK sampel asanya () tidak diketahui.

Ditaksir dari statistik sampel

()
ˆ () digunakan untuk
 Statistik
menduga parameter ()
ESTIMASI
ˆ disebut Estimator = Penaksir/Penduga

Idealnya ˆ = 
Kenyataannya, dapat :
* Terlalu tinggi
  ˆ
Estimator yang
tidak baik
* Terlalu rendah
  
ˆ
Idealnya, estimator menaksir parameter populasi tanpa
kesalahan atau tidak menyimpang terlalu jauh.

CIRI-CIRI ESTIMATOR YANG BAIK :

1. Unbiased (Tidak bias)
2. Efisien
3. Konsisten
 (Unbiased) Tidak Bias
ˆ = 
 Estimator yang tidak bias akan memiliki E ()
ˆ mendekati nilai 
 Artinya adalah kita mengharapkan ekspektasi nilai ()
 Cara menghindari bias  Sample at random

ˆ = 
 Bias = E ()
* E () >ˆ   Bias positif (Overestimate)
* E () <ˆ   Bias negatif (Underestimate)
UNBIASED BIASED

ˆ = 
E () ˆ ≠ 
E ()

BIAS

 sebenarnya   sebenarnya ˆ
E () 
ˆ
= E ()
 EFISIEN
 Estimator yang efisien adalah estimator yang memiliki nilai variansi
terkecil
ˆ , ˆ , ... ,
 Bila ada beberapa penaksir (estimator) yang tidak bias (1 2
dst) terhadap po-pulasi ( yang sama), penaksir yang paling baik/
paling efisien adalah yang mempu-nyai VARIANS PALING KECIL
 Variansi merupakan alat ukur untuk melihat variasi suatu data
 ˆ
 1

̂2

 
sebenarnya
Kurva ˆ
1 dan ˆ2  penaksir tidak bias terhadap 
ˆ ˆ2, karena varians-nya lebih kecil
1 penaksir lebih efisien daripada 
sebab keberagamannya lebih sedikit dari ˆ 2
 KONSISTEN
 Estimator semakin baik sejalan dengan ukuran sampel yang semakin
besar.
 Sampel semakin besar maka variansinya semakin kecil, dan akan
menghasilkan estimator yang baik.
 Bila ukuran sampel diperbesar sampai  artinya n = 
 n=200
Estimator Terbaik
n=50

n=10

n=5

 sebenarnya ˆ
 LANGKAH-LANGKAH ESTIMASI
Estimasi Titik Estimasi Interval

 Nilai tunggal dari data sampel  Memperkirakan parameter  pada populasi

 Mengajukannya sebagai parameter yang akan
diduga menggunakan beberapa nilai statistik yang ada pada
suatu interval
misalkan :
ˆ1 <ˆ < ˆ2

 lebar interval, maka semakin besar tingkat

Semakin
kepercayaannya.
 Kelemahan Estimasi Titik : Tidak ada derajat
kepercayaan atas nilai estimasi yang diperoleh dari
sampel
 PENAKSIRAN HARGA MEAN POPULASI ()
MELALUI HARGA X

1. Bila  diketahui

Sampling distribution of the mean :

x - 
Z = ----------
SE
 = x  Z . SE

tanda + dan - menyatakan batas atas dan batas

bawah penaksiran
• Untuk 95% kemungkinan kejadian akan terdapat :
- batas bawah - Z = -1,96
- batas atas +Z = +1,96

• Jarak kedua batas = Confidence Interval atau Confidence Level

• Confidence Level (Derajat Kepercayaan) 95% artinya dengan probabili-
tas 95% maka interval tersebut akan memuat mean populasi 

• Di luar batas-batas interval tersebut area ketidakpercayaan

* Derajat Kepercayaan 0,95 artinya :
bila percobaan dilakukan berulang-ulang (replikatif), maka dari tiap 100
percobaan akan ada 95 yang mengandung  populasi dengan interval
x  Z . SE , sisanya (5%) akan berada di luarnya dan tidak dapat ditaksir
 LOWER UPPER
CONFI- CONFI-
DENCE LIMIT DENCE LIMIT

CONFIDENCE INTERVAL
= DERAJAT KEPERCAYAAN

-1,96 0 +1,9
CONFIDENCE INTERVAL 6
= (1- ) 100%
AREA KETIDAKPER- AREA KETIDAKPER-
CAYAAN = /2 CAYAAN = /2
 RUMUS
(1-) 100% Confidence Interval untuk  :

x + Z/2 . /n <  < x + Z1-/2 . /n

Contoh :
Dari sampel random n = 100 diperolehx = 9,5 dan s = 0,5 .
Bila  = 0,25 , dengan Confidence Interval 95%, berapakah
taksiran untuk  ?

95% Confidence Interval untuk  :

9,5 + Z0,025 . 0,25/100 <  < 9,5 + Z0,975 . 0,25/100

9,5 - 1,96 . 0,25/10 <  < 9,5 + 1,96 . 0,25/10
9,451 <  < 9,549
2. Bila  tidak diketahui

- Kenyataannya sering  tidak diketahui

 digunakan SD sampel dan tabel t untuk menentukan
batas kepercayaan atas dan bawah sesuai dengan
Confidence Intervalnya

Rumus :
x - 
t = ---------
s/n
 < x + t1-/2 (df=n-1) . s/n
 < 12 + t0,975 (df=24) . 1,5/25
Contoh :
 < 12 + 2,064 . 1,5/5
 < 12,6192
PENAKSIRAN PROPORSI () DI POPULASI

* Sampel random (n) dipilih dari populasi (N) di

mana terdapat proporsi  untuk peristiwa A
dalam populasi.
Selanjutnya, terdapat sejumlah x peristiwa A di
sampel

p = x/n
q = 1 - p = 1 - x/n

Titik penaksiran  adalah x/n

Untuk (1-) 100% Confidence Interval

p + Z/2 .  p (1-p) / n <  < p + Z1-/2 .  p (1-p) / n

 Contoh :

 < 0,2 + Z0,975 .0,2. 0,8/625

 < 0,231