Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Statistika Matematika II
Nanda Arista Rizki, M.Si.Jurusan Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Mulawarman
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Referensi:
Hogg, R.V., McKean, J.W., dan Craig, A.T. (2013). Introduction to Mathematical Statistics, Edisi ke tujuh. New York: Pearson. Penilaian: tugas, UAS, dan kehadiran (min. 80%).
Konsep Dasar Bayesian
Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Konsep Monte Carlo
Mengulang Kembali
Misalkan A1dan A2masing-masing adalah kejadian tertentu. Jika A1dan A2
adalah kejadian yang saling lepas, maka
P(A1∪ A2) = P(A1) + P(A2)
Namun jika A1⊂ A2, maka
Konsep Dasar Bayesian
Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Konsep Monte Carlo
Peluang Bersyarat
Misalkan jumlah semua mahasiswa/i UNMUL yang sedang mengambil mata kuliah StatMat II adalah 15 pria dan 25 wanita. Diketahui bahwa terdapat 20 mahasiswi yang mengenakan jilbab. Jika dilakukan penyebutan nama yang ada pada absensi kelas secara acak, maka
1. peluang bahwa seseorang mahasiswa/i akan terpanggil adalah ...
2. peluang bahwa mahasiswa/i dengan nomor urut pertama yang
terpanggil adalah ...
3. peluang bahwa yang terpanggil mengenakan jilbab adalah ...
4. peluang yang terpanggil mengenakan jilbab, jika penyebutan nama
Konsep Dasar Bayesian
Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Konsep Monte Carlo
Konsep Peluang Bersyarat
Peluang bersyarat dari kejadian A jika kejadian B sudah terjadi adalah
P(A|B) = P(A ∩ B)
P(B) , (1)
jika P(B) > 0.
Konsep Dasar Bayesian
Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Konsep Monte Carlo
Perhatikan persamaan berikut:
P(A ∩ B) = P(A)P(B|A). (2)
Jika A = A1 ∩ A2 dan B = A3, maka ruas kanan persamaan (2) menjadi
P(A1∩ A2)P(A3|A1∩ A2).
Karena P(A1∩ A2) = P(A1)P(A2|A1), maka persamaan (2) bisa ditulis ulang
menjadi:
Konsep Dasar Bayesian
Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Konsep Monte Carlo
Soal Latihan
Misalkan Ω = {1, 2, 3, 4, 5, 6}. Diketahui Kejadian-kejadian berikut:
A={1, 2, 3, 4, 5} B={2, 4, 6} C={1, 2, 3, 4} D={2, 3, 4}. Maka A ∩ B = · · · Berarti P(A|B) = · · · P(C|B) = · · · P(D|B) = · · · .
Konsep Dasar Bayesian
Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Konsep Monte Carlo
Soal Latihan
Misalkan Ω = {1, 2, 3, 4, 5, 6}. Diketahui Kejadian-kejadian berikut:
A={1, 2, 3, 4, 5} B={2, 4, 6} C={1, 2, 3, 4} D={2, 3, 4}. Maka A ∩ B = · · · Berarti P(A|B) = · · · P(C|B) = · · · P(D|B) = · · · .
Konsep Dasar Bayesian
Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Konsep Monte Carlo
Soal Latihan
Misalkan Ω = {1, 2, 3, 4, 5, 6}. Diketahui Kejadian-kejadian berikut:
A={1, 2, 3, 4, 5} B={2, 4, 6} C={1, 2, 3, 4} D={2, 3, 4}. Maka A ∩ B = · · · Berarti P(A|B) = · · · P(C|B) = · · · P(D|B) = · · · .
Konsep Dasar Bayesian
Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Konsep Monte Carlo
Hukum Peluang Total
Misalkan A1, A2, A3merupakan partisi dari ruang sampel Ω atau dapat ditulis
sebagai
A1∪ A2∪ A3= Ω,
dan P(Ai) > 0, i = 1, 2, 3.
Kemudian ada kejadian lain, katakanlah B,
B= B ∩ (A1∪ A2∪ A3)
= (B ∩ A1) ∪ (B ∩ A2) ∪ (B ∩ A3),
Konsep Dasar Bayesian
Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Konsep Monte Carlo
Karena B ∩ Ai, i = 1, 2, 3 adalah kejadian saling lepas, maka
P(B) = P(B ∩ A1) + P(B ∩ A2) + P(B ∩ A3).
Selanjutnya untuk setiap i = 1, 2, 3; P(B ∩ Ai) = P(Ai)P(B|Ai). Sehingga
P(B) =P(A1)P(B|A1) + P(A2)P(B|A2) + P(A3)P(B|A3)
=
3
X
i=1
Konsep Dasar Bayesian
Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Konsep Monte Carlo
Teorema Bayes
Perhatikan persamaan berikut:
P(Aj|B) =
P(Aj∩ B)
P(B) , j= 1, 2, . . . , k.
Dengan menggunakan hukum peluang total, maka
P(Aj|B) = P(Aj∩ B) P(B) = P(Aj)P(B|Aj) Pk j=1P(Aj)P(B|Aj) . (4)
Konsep Dasar Bayesian
Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Konsep Monte Carlo
Dua Kejadian Yang Saling Bebas
Misalkan diketahui suatu kejadian A namun tidak mengubah nilai peluang kejadian B, dengan P(A) > 0,
P(B|A) = P(B).
Maka dalam kasus ini, kejadian A dan B saling bebas. Sehingga menghasilkan aturan perkalian berikut:
P(A ∩ B) = P(A)P(B|A) = P(A)P(B). (5)
Sebaliknya ketika P(B) > 0, maka
P(A|B) = P(A ∩ B)
P(B) =
P(A)P(B)
Konsep Dasar Bayesian
Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Konsep Monte Carlo
Dengan kata lain, jika P(A) > 0 dan P(B) > 0, serta berlaku: P(A ∩ B) = P(A)P(B),
maka kejadian A dan kejadian B saling bebas.
Bagaimana jika P(A) = 0 atau P(B) = 0? Maka ruas kanan bernilai 0.
Konsep Dasar Bayesian
Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Konsep Monte Carlo
Dengan kata lain, jika P(A) > 0 dan P(B) > 0, serta berlaku: P(A ∩ B) = P(A)P(B),
maka kejadian A dan kejadian B saling bebas. Bagaimana jika P(A) = 0 atau P(B) = 0?
Maka ruas kanan bernilai 0.
Konsep Dasar Bayesian
Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Konsep Monte Carlo
Dengan kata lain, jika P(A) > 0 dan P(B) > 0, serta berlaku: P(A ∩ B) = P(A)P(B),
maka kejadian A dan kejadian B saling bebas. Bagaimana jika P(A) = 0 atau P(B) = 0? Maka ruas kanan bernilai 0.
Konsep Dasar Bayesian
Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Konsep Monte Carlo
Soal Latihan
1. Misalkan Aj, j = 1, 2, 3, 4, 5 merupakan partisi dari ruang sampel Ω
dengan P(Aj) =15j dan P(B|Aj) =5−j15 , j = 1, 2, 3, 4, 5. Tentukan
Konsep Dasar Bayesian
Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Konsep Monte Carlo
Soal Latihan
2. Misalkan disediakan 10 cangkir kopi dan 2 diantaranya mengandung
’sinida’. Untuk mendapatkan secangkir kopi yang mengandung ’sinida’, dilakukan pengujian di Laboratorium Stastistika Kimia dengan cara mengambil dan menguji satu per satu secara acak tanpa pengembalian. Berapakah peluang diperoleh 2 cangkir kopi ’sinida’ pada dua
pengujian yang pertama?
Misalkan S1dan S2masing-masing adalah kejadian diperoleh ’sinida’
pada pengujian pertama dan kedua.
Maka P(S1) = · · ·
P(S2|S1) = · · ·
Konsep Dasar Bayesian
Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Konsep Monte Carlo
Soal Latihan
2. Misalkan disediakan 10 cangkir kopi dan 2 diantaranya mengandung
’sinida’. Untuk mendapatkan secangkir kopi yang mengandung ’sinida’, dilakukan pengujian di Laboratorium Stastistika Kimia dengan cara mengambil dan menguji satu per satu secara acak tanpa pengembalian. Berapakah peluang diperoleh 2 cangkir kopi ’sinida’ pada dua
pengujian yang pertama?
Misalkan S1dan S2masing-masing adalah kejadian diperoleh ’sinida’
pada pengujian pertama dan kedua.
Maka P(S1) = · · ·
P(S2|S1) = · · ·
Konsep Dasar Bayesian
Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Konsep Monte Carlo
Soal Latihan
3. Ayu dan Ting Ting secara bersamaan menembak sasaran tertentu.
Peluang tembakan Ayu mengenai sasaran adalah 0, 7; sedangkan peluang tembakan Ting Ting (bebas dari tembakan Ayu) mengenai sasaran adalah 0, 4. Jika sebuah tembakan mengenai sasaran, berapa peluang bahwa itu tembakan Ayu?
Misalkan A= kejadian Ayu menembak sasaran, T= kejadian Ting Ting menembak sasaran, K=kejadian tembakan mengenai (kena) sasaran. Maka,
P(A|K) = P(A ∩ K)
Konsep Dasar Bayesian
Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Konsep Monte Carlo
Soal Latihan
3. Ayu dan Ting Ting secara bersamaan menembak sasaran tertentu.
Peluang tembakan Ayu mengenai sasaran adalah 0, 7; sedangkan peluang tembakan Ting Ting (bebas dari tembakan Ayu) mengenai sasaran adalah 0, 4. Jika sebuah tembakan mengenai sasaran, berapa peluang bahwa itu tembakan Ayu?
Misalkan A= kejadian Ayu menembak sasaran, T= kejadian Ting Ting menembak sasaran, K=kejadian tembakan mengenai (kena) sasaran. Maka,
P(A|K) = P(A ∩ K)
Konsep Dasar Bayesian
Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Konsep Monte Carlo
4. Direktur perusahaan mengundang para karyawan yang memiliki
setidaknya satu anak laki-laki (L) ke acara syukuran khitanan. Seorang karyawan memiliki dua anak. Berapa peluang bahwa kedua anak karyawan adalah laki-laki, jika karyawan tersebut diundang ke acara syukuran?
Misalkan L kejadian memiliki anak laki-laki; LK kejadian memiliki dua anak laki-laki; dan U kejadian diundang ke acara syukuran. Jadi,
P(LK|U) =P(LK ∩ U) P(U) =P({{LL} ∩ {LL, LL c, LcL}}) P({LL, LLc, LcL}) = · · ·
Konsep Dasar Bayesian
Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Konsep Monte Carlo
4. Direktur perusahaan mengundang para karyawan yang memiliki
setidaknya satu anak laki-laki (L) ke acara syukuran khitanan. Seorang karyawan memiliki dua anak. Berapa peluang bahwa kedua anak karyawan adalah laki-laki, jika karyawan tersebut diundang ke acara syukuran?
Misalkan L kejadian memiliki anak laki-laki; LK kejadian memiliki dua anak laki-laki; dan U kejadian diundang ke acara syukuran. Jadi,
P(LK|U) =P(LK ∩ U) P(U) =P({{LL} ∩ {LL, LL c, LcL}}) P({LL, LLc, LcL}) = · · ·
Konsep Dasar Bayesian
Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Konsep Monte Carlo
Studi Kasus Bayesian
Misalkan dihadapkan dua parameter yaitu θ1dan θ2. Perhatian terfokus pada
θ1yang mengandung θ2, namun θ2 merupakan suatu peubah acak. Apakah
Konsep Dasar Bayesian
Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Konsep Monte Carlo
Mengenang Kembali Konsep Monte Carlo
Membangkitkan pengamatan-pengamatan sampel dari suatu distribusi spesi-fik disebut pembangkitan Monte Carlo. Teknik pembangkitan ini untuk me-nyimulasikan proses-proses yang sulit dan meneliti sifat-sifat sampel tersebut.
Konsep Dasar Bayesian
Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Konsep Monte Carlo
Sebagai contoh, misalkan X adalah peubah acak yang bernilai 1 jika nilai angka sebuah dadu yang muncul adalah 1 atau 2. Namun jika tidak, maka X bernilai 0.
Perhatikan bahwa µ(X) = 1/3. (Kenapa?)
Jika U ∼ Uniform(0, 1), maka X dapat dinyatakan sebagai
X=
1, jika 0 < U ≤ 1/3
Konsep Dasar Bayesian
Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Konsep Monte Carlo
Sintaks Octave
n=10; u=unifrnd(n); x=zeros(n,1);
for i=1:n if (u(i)<=1/3) x(i)=1; x
Konsep Dasar Bayesian
Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Konsep Monte Carlo
Tabel:Contoh Hasil Output
ui 0.4743 0.7891 0.555 0.9693 0.0299
xi 0 0 0 0 1
ui 0.8425 0.6012 0.1009 0.0545 0.4677
xi 0 0 1 1 0
Berdasarkan pengamatan dari sampel-sampel acak berdistribusi X, bahwa
Konsep Dasar Bayesian
Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Distribusi Prior dan Distribusi Posterior
Prosedur Bayesian
Properti Fungsi Gamma
Γ(z) = ∞ Z 0 xz−1e−xdxjika z ∈ C, Re(z) ≥ 0 Γ(n) = (n − 1)! jika n ∈ Z, n ≥ 1 ∞ Z 0 xne−axdx= Γ(n + 1) an+1 jika n > −1, a > 0.
Konsep Dasar Bayesian
Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Distribusi Prior dan Distribusi Posterior
Intuisi Bayesian
Perhatikan kembali distribusi Poisson berikut:
P(X = x|θ) = e−θθx
x! , x= 1, 2, . . .
E(X) = θ, σ2(X) = θ.
Konsep Dasar Bayesian
Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Distribusi Prior dan Distribusi Posterior
Misalkan suatu sampel berasal dari distribusi Poisson. Lalu berdasarkan pe-nilaian subjektif, bahwa parameternya ada dua kemungkinan, yaitu θ = 2 atau θ = 3, dengan peluang prior:
P(Θ = 2) = 1
3, P(Θ = 3) =
2 3.
Namun ternyata ketika diambil sampel acak berukuran n = 2, diperoleh
Konsep Dasar Bayesian
Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Distribusi Prior dan Distribusi Posterior
Diberikan dua pengamatan tersebut, maka peluang posterior bahwa Θ = 2 adalah P(Θ = 2|x1= 4, x2= 2) = P(Θ = 2 dan {x1= 4, x2= 2}) P(x1= 4, x2= 2) = 1 3 e−224 4! e−222 2! 1 3 e−224 4! e−222 2! + 2 3 e−334 4! e−332 2! = 0, 245.
Lalu peluang posterior bahwa Θ = 3, jika diberikan dua pengamatan terse-but adalah
P(Θ = 3|x1 = 4, x2= 2) = 1 − P(Θ = 2|x1= 4, x2 = 2)
= 1 − 0, 245 = 0, 755.
Konsep Dasar Bayesian
Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Distribusi Prior dan Distribusi Posterior
Diberikan dua pengamatan tersebut, maka peluang posterior bahwa Θ = 2 adalah P(Θ = 2|x1= 4, x2= 2) = P(Θ = 2 dan {x1= 4, x2= 2}) P(x1= 4, x2= 2) = 1 3 e−224 4! e−222 2! 1 3 e−224 4! e−222 2! + 2 3 e−334 4! e−332 2! = 0, 245.
Lalu peluang posterior bahwa Θ = 3, jika diberikan dua pengamatan terse-but adalah
P(Θ = 3|x1 = 4, x2= 2) = 1 − P(Θ = 2|x1= 4, x2= 2)
= 1 − 0, 245 = 0, 755.
Konsep Dasar Bayesian
Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Distribusi Prior dan Distribusi Posterior
P(Θ = 2|x1 = 4, x2 = 2) > P(Θ = 2|x1 = 4, x2 = 2), maka berdasarkan
dua pengamatan tersebut maka parameter Θ lebih mendekati nilai 3 dibanding
Konsep Dasar Bayesian
Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Distribusi Prior dan Distribusi Posterior
Mengenal lebih dekat lagi
Misalkan X1, X2, . . . , Xn iid
∼ Bernoulli (θ). Maka, MLE untuk θ adalah b
θ = · · · .
Namun, estimator apa yang cocok jika parameter θ juga berdistribusi terten-tu?
Misalkan
θ ∼ Beta(α, β)
Konsep Dasar Bayesian
Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Distribusi Prior dan Distribusi Posterior
Mengenal lebih dekat lagi
Misalkan X1, X2, . . . , Xn iid
∼ Bernoulli (θ). Maka, MLE untuk θ adalah b
θ = · · · .
Namun, estimator apa yang cocok jika parameter θ juga berdistribusi terten-tu? Misalkan
θ ∼ Beta(α, β)
Konsep Dasar Bayesian
Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Distribusi Prior dan Distribusi Posterior
Secara umum dapat ditulis sebagai berikut: X|θ ∼ f (x|θ)
Θ ∼ h(θ).
Misalkan θ adalah nilai yang mungkin dari peubah acak Θ. Maka fungsi peluang h(θ) disebut fungsi peluang prior dari Θ.
Misalkan X1, X2. . . , Xnadalah sampel acak dari distribusi X diberikan
(ber-syarat) Θ = θ dengan fungsi peluang f (x|θ). Fungsi peluang bersama untuk
X = (X2, X2, . . . , Xn) diberikan Θ = θ dapat ditulis menjadi
L(x|θ) = f (x1|θ)f (x2|θ) · · · f (xn|θ).
Maka fungsi peluang bersama dari X dan Θ adalah g(x, θ) = L(x|θ)h(θ).
Konsep Dasar Bayesian
Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Distribusi Prior dan Distribusi Posterior
Secara umum dapat ditulis sebagai berikut: X|θ ∼ f (x|θ)
Θ ∼ h(θ).
Misalkan θ adalah nilai yang mungkin dari peubah acak Θ. Maka fungsi peluang h(θ) disebut fungsi peluang prior dari Θ.
Misalkan X1, X2. . . , Xnadalah sampel acak dari distribusi X diberikan
(ber-syarat) Θ = θ dengan fungsi peluang f (x|θ). Fungsi peluang bersama untuk
X = (X2, X2, . . . , Xn) diberikan Θ = θ dapat ditulis menjadi
L(x|θ) = f (x1|θ)f (x2|θ) · · · f (xn|θ).
Maka fungsi peluang bersama dari X dan Θ adalah g(x, θ) = L(x|θ)h(θ).
Konsep Dasar Bayesian
Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Distribusi Prior dan Distribusi Posterior
Jika Θ adalah peubah acak kontinu, maka fungsi peluang bersama dari X adalah
g1(x) =
Z ∞
−∞
g(x, θ)dθ. (6)
Fungsi peluang bersyarat dari Θ diberikan X adalah
k(θ|x) = g(x, θ)
g1(x)
=L(x|θ)h(θ)
g1(x)
. Fungsi k(θ|x) disebut fungsi peluang posterior.
Distribusi prior mengambarkan keyakinan subjektif dari Θ sebelum sampel digunakan, sementara distribusi posterior adalah distribusi bersyarat dari Θ setelah sampel digunakan.
Konsep Dasar Bayesian
Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Distribusi Prior dan Distribusi Posterior
Perhatikan persamaan berikut:
k(θ|x) = L(x|θ)h(θ)
g1(x)
k(θ|x) ∝ L(x|θ)h(θ).
Seandainya terdapat statistik cukup Y = u(X) untuk parameter sedemikian sehingga L(x|θ) = g[u(X)|θ]H(x), maka
k(θ|x) ∝g[u(X)|θ]h(θ).
Selanjutnya jika statistik cukup Y ada, maka
k(θ|y) ∝ g[y|θ]h(θ). (7)
Dalam kasus statistik cukup Y, fungsi g1(y) dapat digunakan untuk
menyata-kan fungsi peluang marginal dari Y:
g1(y) =
Z ∞
−∞
Konsep Dasar Bayesian
Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Distribusi Prior dan Distribusi Posterior
Perhatikan persamaan berikut:
k(θ|x) = L(x|θ)h(θ)
g1(x)
k(θ|x) ∝ L(x|θ)h(θ).
Seandainya terdapat statistik cukup Y = u(X) untuk parameter sedemikian sehingga L(x|θ) = g[u(X)|θ]H(x), maka
k(θ|x) ∝g[u(X)|θ]h(θ). Selanjutnya jika statistik cukup Y ada, maka
k(θ|y) ∝ g[y|θ]h(θ). (7)
Dalam kasus statistik cukup Y, fungsi g1(y) dapat digunakan untuk
menyata-kan fungsi peluang marginal dari Y:
g1(y) =
Z ∞
−∞
Konsep Dasar Bayesian
Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Distribusi Prior dan Distribusi Posterior
Latihan Soal
1. Misalkan X|θ ∼ Binomial (20, θ). Peluang prior untuk Θ adalah
P(θ = 0, 3) = 2/3 dan P(θ = 0, 5) = 1/3. Jika x = 9, tentukan peluang posterior untuk θ = 0, 3 dan θ = 0, 5!
Konsep Dasar Bayesian
Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Distribusi Prior dan Distribusi Posterior
Latihan Soal
2. Misalkan X1, X2, . . . , Xn|λ iid
∼ Poisson(λ), dengan Λ ∼ Gamma(α, β).
a. Tentukan distribusi posterior dari Λ b. Hitung mean dan variansi dari posterior.
Konsep Dasar Bayesian
Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Distribusi Prior dan Distribusi Posterior
Latihan Soal
Jawab: Perhatikan bahwa Y = n P i=1 Xi|λ ∼ Poisson(nλ).a. Fungsi peluang massa marginal Y adalah
g1(y) = Z ∞ 0 (nλ)ye−nλ y! 1 Γ(α)βαλ α−1e−λ/βdλ = n y y!Γ(α)βα Z ∞ 0 λ(y+α)−1e−β/(nβ+1)λ dλ = n y y!Γ(α)βαΓ(y + α) β nβ + 1 y+α .
Konsep Dasar Bayesian
Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Distribusi Prior dan Distribusi Posterior
Latihan Soal
Sehingga k(λ|y) = L(y|λ)h(λ) g1(y) = λ (y+α)−1e− λ β/(nβ+1) Γ(y + α)nβ+1β y+α ∼ Gamma y+ α, β nβ + 1 .Konsep Dasar Bayesian
Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Distribusi Prior dan Distribusi Posterior
Latihan Soal
b. Karena λ|y ∼ Gamma (y + α,nβ+1β ) maka
E(λ|y) = (y + α) β nβ + 1 = β nβ + 1y+ 1 nβ + 1(αβ) Var(λ|y) = (y + α) β 2 (nβ + 1)2.
Konsep Dasar Bayesian Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Fungsi Keputusan dan Fungsi Kerugian
Misalkan δ adalah sejumlah fungsi untuk memilih sedemikian sehingga δ(x) adalah nilai θ yang diprediksi (nilai eksperimental dari peubah acak Θ), ketika nilai x yang dihitung dan pdf bersyarat k(θ|x) diketahui.
Konsep Dasar Bayesian Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Misalkan Θ adalah peubah acak kontinu, maka suatu estimator Bayes adalah fungsi keputusan δ yang meminimalkan
E{L[Θ, δ(x)]|X = x} =
Z ∞
−∞
L[θ, δ(x)]k(θ|x)dθ, dengan L adalah fungsi kerugian. Artinya,
δ(x) = arg min
Z ∞
−∞
Konsep Dasar Bayesian Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Peubah acak terkait δ(X) disebut estimator Bayes dari θ. Ada dua fungsi
kerugian yang biasa digunakan, yaitu [θ − δ(x)]2dan |θ − δ(x)|.
Jika fungsi kerugian dinyatakan dengan L[θ, δ(x)] = [θ − δ(x)]2, maka
esti-masi Bayesnya adalah δ(x) = E(Θ|x). Perhatikan bahwa E[(W − b)2] (jika
ada) menjadi minimum ketika b = E(W).
Jika fungsi kerugian dinyatakan sebagai L[θ, δ(x)] = |θ −δ(x)|, maka median dari distribusi Θ bersyarat X = x menjadi solusi Bayes.
Namun jika L[θ, δ(x)] = a(ˆθ − θ)−+ b(ˆθ − θ)+, maka estimator Bayesnya
adalah kuantil ke a
Konsep Dasar Bayesian Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Peubah acak terkait δ(X) disebut estimator Bayes dari θ. Ada dua fungsi
kerugian yang biasa digunakan, yaitu [θ − δ(x)]2dan |θ − δ(x)|.
Jika fungsi kerugian dinyatakan dengan L[θ, δ(x)] = [θ − δ(x)]2, maka
esti-masi Bayesnya adalah δ(x) = E(Θ|x). Perhatikan bahwa E[(W − b)2] (jika
ada) menjadi minimum ketika b = E(W).
Jika fungsi kerugian dinyatakan sebagai L[θ, δ(x)] = |θ −δ(x)|, maka median dari distribusi Θ bersyarat X = x menjadi solusi Bayes.
Namun jika L[θ, δ(x)] = a(ˆθ − θ)−+ b(ˆθ − θ)+, maka estimator Bayesnya
adalah kuantil ke a
Konsep Dasar Bayesian Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Peubah acak terkait δ(X) disebut estimator Bayes dari θ. Ada dua fungsi
kerugian yang biasa digunakan, yaitu [θ − δ(x)]2dan |θ − δ(x)|.
Jika fungsi kerugian dinyatakan dengan L[θ, δ(x)] = [θ − δ(x)]2, maka
esti-masi Bayesnya adalah δ(x) = E(Θ|x). Perhatikan bahwa E[(W − b)2] (jika
ada) menjadi minimum ketika b = E(W).
Jika fungsi kerugian dinyatakan sebagai L[θ, δ(x)] = |θ −δ(x)|, maka median dari distribusi Θ bersyarat X = x menjadi solusi Bayes.
Namun jika L[θ, δ(x)] = a(ˆθ − θ)−+ b(ˆθ − θ)+, maka estimator Bayesnya
adalah kuantil ke a
Konsep Dasar Bayesian Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Peubah acak terkait δ(X) disebut estimator Bayes dari θ. Ada dua fungsi
kerugian yang biasa digunakan, yaitu [θ − δ(x)]2dan |θ − δ(x)|.
Jika fungsi kerugian dinyatakan dengan L[θ, δ(x)] = [θ − δ(x)]2, maka
esti-masi Bayesnya adalah δ(x) = E(Θ|x). Perhatikan bahwa E[(W − b)2] (jika
ada) menjadi minimum ketika b = E(W).
Jika fungsi kerugian dinyatakan sebagai L[θ, δ(x)] = |θ −δ(x)|, maka median dari distribusi Θ bersyarat X = x menjadi solusi Bayes.
Namun jika L[θ, δ(x)] = a(ˆθ − θ)−+ b(ˆθ − θ)+, maka estimator Bayesnya
Konsep Dasar Bayesian Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Untuk fungsi kerugian L, estimator Bayes dari l(θ) adalah fungsi keputusan δ yang meminimumkan
E{L[l(Θ), δ(x)]|X = x} =
Z ∞
−∞
L[l(θ), δ(x)]k(θ|x)dθ.
Ekspektasi bersyarat dari fungsi kerugian diberikan X = x dinotasikan seba-gai Z ∞ −∞ Z ∞ −∞ L[θ, δ(x)]k(θ|x)dθ g1(x)dx = Z ∞ −∞ Z ∞ −∞ L[θ, δ(x)]L(x|θ)dx h(θ)dθ.
Konsep Dasar Bayesian Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Contoh Soal
Pandang model distribusi berikut: Xi|θ
iid
∼ Binomial(1, θ), untuk i = 1, 2, . . . , n
Θ ∼ Beta(α, β),
dengan α dan β diketahui. Maka pdf priornya
h(θ) =
( Γ(α+β)
Γ(α)Γ(β)θ
α−1(1 − θ)β−1; 0 < θ < 1
0; lainnya,
dengan α dan β konstanta positif.
Ingat, estimator untuk distribusi prior ini
adalah bθ = α/(α + β). Selanjutnya dicari fungsi keputusan δ yang menjadi
Konsep Dasar Bayesian Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Contoh Soal
Pandang model distribusi berikut: Xi|θ
iid
∼ Binomial(1, θ), untuk i = 1, 2, . . . , n
Θ ∼ Beta(α, β),
dengan α dan β diketahui. Maka pdf priornya
h(θ) =
( Γ(α+β)
Γ(α)Γ(β)θ
α−1(1 − θ)β−1; 0 < θ < 1
0; lainnya,
dengan α dan β konstanta positif. Ingat, estimator untuk distribusi prior ini
adalah bθ = α/(α + β). Selanjutnya dicari fungsi keputusan δ yang menjadi
Konsep Dasar Bayesian Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Perhatikan bahwa statistik cukupnya adalah Y =
n
P
i=1
Xi|θ yang berdistribusi
Binomial(n, θ). Fungsi peluang bersyarat Y diberikan Θ = θ adalah g(y|θ) =
n
yθ
y(1 − θ)n−y; y= 0, 1, . . . , n
Konsep Dasar Bayesian Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Berdasarkan hukum Bayes (jika statistik cukup Y ada): k(θ|y) ∝ g[y|θ]h(θ), maka k(θ|y) ∝ θy(1 − θ)n−yθα−1(1 − θ)β−1, 0 < θ < 1. Sehingga k(θ|y) = Γ(n + α + β) Γ(α + y)Γ(n + β − y)θ α+y−1(1 − θ)β+n−y−1, 0 < θ < 1, dengan y = 0, 1, . . . , n.
Oleh karena itu, distribusi untuk posterior adalah Beta(α + y, β + n − y). Selanjutnya, pilih fungsi kerugian error kuadrat,
L[θ, δ(y)] = [θ − δ(y)]2. Maka estimator Bayes dari θ adalah mean dari pdf
Beta,
δ(y) = α + y
Konsep Dasar Bayesian Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Berdasarkan hukum Bayes (jika statistik cukup Y ada): k(θ|y) ∝ g[y|θ]h(θ), maka k(θ|y) ∝ θy(1 − θ)n−yθα−1(1 − θ)β−1, 0 < θ < 1. Sehingga k(θ|y) = Γ(n + α + β) Γ(α + y)Γ(n + β − y)θ α+y−1(1 − θ)β+n−y−1, 0 < θ < 1,
dengan y = 0, 1, . . . , n. Oleh karena itu, distribusi untuk posterior adalah Beta(α + y, β + n − y). Selanjutnya, pilih fungsi kerugian error kuadrat,
L[θ, δ(y)] = [θ − δ(y)]2. Maka estimator Bayes dari θ adalah mean dari pdf
Beta,
δ(y) = α + y
Konsep Dasar Bayesian Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Estimator Bayes tersebut dapat ditulis menjadi δ(y) = n α + β + n y n+ α + β α + β + n α α + β,
yang merupakan rata-rata terboboti dari maksimum likelihood yang menges-timasi parameter distribusi Binomial dan estimator prior yang berdistribusi Beta. Untuk n yang besar maka estimator Bayes mendekati nilai MLE θ, sehingga δ(Y) merupakan estimator yang konsisten.
Perhatikan bahwa α dan β seharusnya dipilih sedemikian sehingga tidak ha-nya mean prior α/(α + β) yang diinginkan, tetapi juga penjumlahan α + β mengindikasikan nilai opini prior tergantung pada ukuran sampel n. Misal-kan opini prior bahwa ukuran sampelnya 20, maka α + β = 20. Jadi, jika
Konsep Dasar Bayesian Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Estimator Bayes tersebut dapat ditulis menjadi δ(y) = n α + β + n y n+ α + β α + β + n α α + β,
yang merupakan rata-rata terboboti dari maksimum likelihood yang menges-timasi parameter distribusi Binomial dan estimator prior yang berdistribusi Beta. Untuk n yang besar maka estimator Bayes mendekati nilai MLE θ, sehingga δ(Y) merupakan estimator yang konsisten.
Perhatikan bahwa α dan β seharusnya dipilih sedemikian sehingga tidak ha-nya mean prior α/(α + β) yang diinginkan, tetapi juga penjumlahan α + β mengindikasikan nilai opini prior tergantung pada ukuran sampel n. Misal-kan opini prior bahwa ukuran sampelnya 20, maka α + β = 20. Jadi, jika
Konsep Dasar Bayesian Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Contoh Soal
Pandang model berikut: Xi|θ
iid
∼ N(θ, σ2), (σ2diketahui)
Θ ∼ N(θ0, σ02), (θ0dan σ20diketahui).
a. Tentukan distribusi posterior dari Θ
Konsep Dasar Bayesian Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Misalkan Y = ¯Xadalah statistik cukup, maka
Y|θ ∼ N(θ, σ2 /n), (σ2diketahui) Θ ∼ N(θ0, σ20), (θ0dan σ20diketahui). Lalu k(θ|y) ∝ g[y|θ]h(θ) ∝√ 1 2πσ/√n 1 √ 2πσ0 exp −(y − θ) 2 2(σ2/n) − (θ − θ0)2 2σ0 ∝ exp − θ −yσ 2 0+ θ0(σ2/n) σ2 0+ (σ2/n) 2 2(σ2/n)σ02 [σ2 0+ (σ2/n)] .
Konsep Dasar Bayesian Prosedur Bayesian
Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif Gibbs Sampler Metode Bayesian Modern Bayes Empirik
TUGAS 1
Misalkan X1, X2, . . . , Xn|λ iid
∼ Poisson(λ), dengan Λ ∼ Gamma(α, β).
a. Tentukan distribusi posterior dari Λ
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Prior Konjugat Prior Non-Informatif
Fungsi Peluang Bersama (Marginal)
Misalkan X0= (X1, X2, . . . , Xn) menyatakan sampel acak dengan fungsi
like-lihood L(x|θ) dan peluang prior h(θ). Maka, fungsi peluang bersama dari X adalah
g1(x)=
Z ∞
−∞
L(x|θ)h(θ)dθ,
yang dikenal juga sebagai distribusi prediktif dari X, karena mengandung
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Prior Konjugat
Prior Non-Informatif
Definisi Keluarga Distribusi Konjugat
Definisi
Distribusi prior dan posterior disebut distribusi konjugat jika fungsi peluang posterior memiliki keluarga distribusi yang sama dengan prior. Lalu priornya disebut prior konjugat.
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Prior Konjugat
Prior Non-Informatif
Contoh Keluarga Distribusi Konjugat
1. Misalkan X1, X2, . . . , Xn|λ iid
∼ Poisson(λ), dengan Λ ∼ Gamma(α, β).
Selanjutnya Y =Pn
i=1Xi|λ ∼ Poisson(nλ). Sehingga diperoleh
k(λ|y) ∼ Gamma y+ α, β nβ + 1 .
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Prior Konjugat
Prior Non-Informatif
Contoh Keluarga Distribusi Konjugat
2. Pandang model berikut:
Xi|θ iid ∼ N(θ, σ2 ), (σ2diketahui) Θ ∼ N(θ0, σ02), (θ0dan σ20diketahui). Maka Y = ¯X|θ ∼ N(θ, σ2 /n), (σ2diketahui)
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Prior Konjugat
Prior Non-Informatif
Contoh Keluarga Distribusi Konjugat
3. Pandang model distribusi berikut:
Xi|θ iid
∼ Binomial(1, θ), untuk i = 1, 2, . . . , n
Θ ∼ Beta(α, β), dengan α dan β diketahui.
Lalu Y = n P i=1 Xi|θ ∼ Binomial(n, θ). Sehingga k(θ|y) ∼ Beta (α + y, β + n − y) .
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Prior Konjugat
Prior Non-Informatif
Secara intuisi, bahwa prior konjugat (secara transparan) menunjukkan bagai-mana fungsi likelihood memperbaharui distribusi prior.
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Prior Konjugat
Prior Non-Informatif
Prior Non-Informatif
Pandang kembali model distribusi berikut: Xi|θ
iid
∼ Binomial(1, θ), untuk i = 1, 2, . . . , n
Θ ∼ Beta(α, β), dengan α dan β diketahui.
Thomas Bayes (1763) mencoba nilai α = β = 1, maka diperoleh h(θ) = 1 untuk 0 < θ < 1. Artinya beliau mengatakan bahwa tidak punya banyak pengetahuan tentang θ. Lalu diperoleh
δ(y) = n α + β + n y n+ α + β α + β + n α α + β = n 2 + n y n + 2 2 + n 1 2.
Sehingga terjadi penyusutan karena estimator y/n ditarik ke arah rata-rata prior 1/2.
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Prior Konjugat
Prior Non-Informatif
Prior Non-Informatif
Pandang kembali model distribusi berikut: Xi|θ
iid
∼ Binomial(1, θ), untuk i = 1, 2, . . . , n
Θ ∼ Beta(α, β), dengan α dan β diketahui.
Thomas Bayes (1763) mencoba nilai α = β = 1, maka diperoleh h(θ) = 1 untuk 0 < θ < 1. Artinya beliau mengatakan bahwa tidak punya banyak pengetahuan tentang θ. Lalu diperoleh δ(y) = n α + β + n y n+ α + β α + β + n α α + β = n 2 + n y n + 2 2 + n 1 2.
Sehingga terjadi penyusutan karena estimator y/n ditarik ke arah rata-rata prior 1/2.
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Prior Konjugat
Prior Non-Informatif
Prior Non-Informatif
Pandang kembali model distribusi berikut: Xi|θ
iid
∼ Binomial(1, θ), untuk i = 1, 2, . . . , n
Θ ∼ Beta(α, β), dengan α dan β diketahui.
Thomas Bayes (1763) mencoba nilai α = β = 1, maka diperoleh h(θ) = 1 untuk 0 < θ < 1. Artinya beliau mengatakan bahwa tidak punya banyak pengetahuan tentang θ. Lalu diperoleh
δ(y) = n α + β + n y n+ α + β α + β + n α α + β = n 2 + n y n + 2 2 + n 1 2.
Sehingga terjadi penyusutan karena estimator y/n ditarik ke arah rata-rata prior 1/2.
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Prior Konjugat
Prior Non-Informatif
Lalu Haldane (1948) mencoba prior Beta jika α = β = 0, maka penyu-sutan estimator akan berkurang ke MLE y/n. Dan tentu saja fungsi peluang Beta(0,0) bukanlah suatu fungsi peluang.
Kemudian diambillah
h(θ) ∝ 1
θ(1 − θ), 0 < θ < 1.
Ketika prior digunakan, lalu dikombinasikan dengan likelihood diperoleh fung-si peluang posterior yang proper. Sehingga dipadukan dengan konstanta po-sitif, menghasilkan fungsi peluang posterior berikut.
f(θ|y) ∝ θy−1(1 − θ)n−y−1, n > y > 0.
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Prior Konjugat
Prior Non-Informatif
Lalu Haldane (1948) mencoba prior Beta jika α = β = 0, maka penyu-sutan estimator akan berkurang ke MLE y/n. Dan tentu saja fungsi peluang Beta(0,0) bukanlah suatu fungsi peluang. Kemudian diambillah
h(θ) ∝ 1
θ(1 − θ), 0 < θ < 1.
Ketika prior digunakan, lalu dikombinasikan dengan likelihood diperoleh fung-si peluang posterior yang proper. Sehingga dipadukan dengan konstanta po-sitif, menghasilkan fungsi peluang posterior berikut.
f(θ|y) ∝ θy−1(1 − θ)n−y−1, n > y > 0.
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Prior Konjugat
Prior Non-Informatif
Definisi Improper
Definisi
Misalkan X0 = (X1, X2, . . . , Xn) sampel acak dari suatu distribusi dengan
fungsi peluang f (x|θ). Suatu prior h(θ) ≥ 0 dikatakan improper jika bukan suatu fungsi peluang, namun membuat k(θ|x) ∝ L(x|θ)h(θ) proper.
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Prior Konjugat
Prior Non-Informatif
Prior Non-Informatif
Suatu prior dapat dikatakan prior non-informatif jika θ memiliki kesempat-an ykesempat-ang sama (secara uniform) untuk semua kemungkinkesempat-an. Praktisnya, prior
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Prior Konjugat
Prior Non-Informatif
Misalkan distribusi N(θ1, θ2) dengan θ1, θ2 > 0 tidak diketahui.
Lalu prior
informatif untuk θ1adalah
h1(θ1) = 1, −∞ < θ1< ∞.
Jelas ini bukan fungsi peluang. Kemudian prior improper untuk θ2adalah
h2(θ2) = c2/θ2, 0 < θ2< ∞.
Dalam hal ini, −∞ < log θ2 < ∞.
Selanjutnya jika diasumsikan bahwa kedua parameter tersebut saling bebas, maka prior bersama juga improper:
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Prior Konjugat
Prior Non-Informatif
Misalkan distribusi N(θ1, θ2) dengan θ1, θ2 > 0 tidak diketahui. Lalu prior
informatif untuk θ1adalah
h1(θ1) = 1, −∞ < θ1< ∞.
Jelas ini bukan fungsi peluang. Kemudian prior improper untuk θ2adalah
h2(θ2) = c2/θ2, 0 < θ2< ∞.
Dalam hal ini, −∞ < log θ2 < ∞.
Selanjutnya jika diasumsikan bahwa kedua parameter tersebut saling bebas, maka prior bersama juga improper:
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Prior Konjugat
Prior Non-Informatif
Misalkan distribusi N(θ1, θ2) dengan θ1, θ2 > 0 tidak diketahui. Lalu prior
informatif untuk θ1adalah
h1(θ1) = 1, −∞ < θ1< ∞.
Jelas ini bukan fungsi peluang. Kemudian prior improper untuk θ2adalah
h2(θ2) = c2/θ2, 0 < θ2< ∞.
Dalam hal ini, −∞ < log θ2 < ∞.
Selanjutnya jika diasumsikan bahwa kedua parameter tersebut saling bebas, maka prior bersama juga improper:
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler Metode Bayesian Modern Bayes Empirik Prior Konjugat Prior Non-Informatif
TUGAS 2
1. Tunjukkan bahwa X1, X2, . . . , Xn|θ iid ∼ Eksponensial(θ)Θ ∼ Gamma(α, β), (α dan β diketahui), adalah keluarga distribusi konjugat!
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Prior Konjugat
Prior Non-Informatif
TUGAS 2
2. Tentukan distribusi posterior, jika diketahui model Bayesian berikut.
X1, X2, . . . , Xn|θ iid
∼ Bernoulli(θ), 0 < θ < 1 Θ ∼ h(θ) = 1.
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian
Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler Metode Bayesian Modern Bayes Empirik
Prior Konjugat
Prior Non-Informatif
INFO TUGAS
Kumpulkan TUGAS 1 dan TUGAS 2, paling lambat tanggal 27 November 2017 jam 09.10.
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik
Pendahuluan Gibbs Sampler
Integrasi menggunakan Monte Carlo
Misalkan ingin menghitung1
R
0
x dx. Dalam hal ini, yang dihitung adalah luas dibawa kurva y = x ketika dibatasi x = 0 dan x = 1.
Sintaks Octave
% integrasi Monte Carlo clc; clear all; N=10000; x1=0; x2=1;
y1=0; y2=1;
x=unifrnd(x1,x2,N,1); y=unifrnd(y1,y2,N,1);
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik
Pendahuluan Gibbs Sampler
Sintaks Octave (Lanjutan)
for i=1:N
if y(i)<x(i) hitung di bawah kurva(i)=1; endif;
endfor;
peluang luas=sum(hitung di bawah kurva)/N; luas di bawah kurva=peluang luas*(x2-x1)*(y2-y1); luas di bawah kurva
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik Pendahuluan Gibbs Sampler
Contoh ke 2:
2R
−2x
2dx
Sintaks Octave% integrasi Monte Carlo (2) close all; clc; clear all; N=10000; x1=-2; x2=2;
y1=0; y2=max(x1ˆ2,x2ˆ2); x=unifrnd(x1,x2,N,1); y=unifrnd(y1,y2,N,1);
hitung di bawah kurva=zeros(N,1); for i=1:N
if y(i)<x(i)*x(i) hitung di bawah kurva(i)=1; endif;
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik
Pendahuluan Gibbs Sampler
Sintaks Octave (Lanjutan)
peluang luas=sum(hitung di bawah kurva)/N; luas di bawah kurva=peluang luas*(x2-x1)*(y2-y1); luas di bawah kurva
xxx=x1:0.01:x2; yyy=xxx.ˆ2;
plot(x,y,’b.’,xxx,yyy,’r-’,’linewidth’,2);
title(’Integrasi Monte Carlo pada kurva y=xˆ2’); xlabel(’x’); ylabel(’y’);
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik
Pendahuluan Gibbs Sampler
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik
Pendahuluan Gibbs Sampler
Tabel:Simulasi Integrasi Menggunakan Teknik Monte Carlo
N b R a f(x)dx 100 1000 10000 100000 f(x) = x 0,4700 0,4890 0,5074 0,4982 1/2 f(x) = x2 4,4800 5,4240 5,2976 5,3794 16/3 Ket: a= 0, b = 1 a= −2, b = 2.
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik
Pendahuluan Gibbs Sampler
Integrasi Monte Carlo
Misalkan g adalah fungsi tertutup dan terbatas pada interval [a, b]. Maka
b Z a g(x)dx = (b − a) b Z a g(x) 1 b− adx= (b − a)E[g(x)],
dengan X ∼ U(a, b). Selanjutnya menggunakan teknik Monte Carlo:
1 bangkitkan sampel acak X1, X2, . . . , Xndari U(a, b)
2 hitung Yi= (b − a)g(Xi) untuk i = 1, 2, . . . , n
3 hitung ¯Y yang merupakan estimator tak bias dari
b
R
a
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik
Pendahuluan
Gibbs Sampler
Model Bayesian
Teknik integrasi memainkan peranan penting dalam inferensi Bayesian. Tek-nik Monte Carlo dapat digunakan untuk integrasi dalam inferensi Bayesian.
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik
Pendahuluan
Gibbs Sampler
Misalkan sampel acak berasal dari distribusi N(θ, σ2), dengan parameter σ2
diketahui. Misalkan juga Y = ¯Xadalah suatu statistik cukup. Lalu pandang
model Bayes berikut:
Y|θ ∼ N(θ, σ2/n)
Θ ∼ h(θ) ∝1
b
exp{−(θ−a)b }
(1 + exp{−(θ−a)b })2, −∞ < θ < ∞,
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik
Pendahuluan
Gibbs Sampler
Karena prior Θ berdistribusi Logistik, maka fungsi peluang posteriornya yaitu
k(θ|y) = 1 √ 2πσ/√nexp n −1 2 (y−θ)2 σ2/n o b−1e−(θ−a)/b/(1 + e−[(θ−a)/b])2 ∞ R −∞ 1 √ 2πσ/√nexp n −1 2 (y−θ)2 σ2/n o b−1e−(θ−a)/b/(1 + e−[(θ−a)/b])2dθ .
Selanjutnya dengan asumsi kerugian error kuadrat, maka estimator Bayes adalah mean dari distribusi posterior.
Namun perhitungannya melibatkan dua integral, yangtidak dapat
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik
Pendahuluan
Gibbs Sampler
Solusinya? Teknik Integrasi Monte Carlo?
Karena fungsi likelihood f (y|θ) juga merupakan fungsi dari θ maka dapat dimisalkan bahwa w(θ) = f (y|θ) = √ 1 2πσ/√nexp −1 2 (y − θ)2 σ2/n .
Sehingga diperoleh estimator Bayes
δ(y) = R∞ −∞θw(θ)b−1e−(θ−a)/b/(1 + e−[(θ−a)/b]) 2dθ R∞ −∞w(θ)b−1e−(θ−a)/b/(1 + e−[(θ−a)/b])2dθ = E[Θw(Θ)] E[w(Θ)] .
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik
Pendahuluan
Gibbs Sampler
Langkah selanjutnya adalah mengestimasi menggunakan Monte Carlo. Hal
ini dilakukan dengan cara membangkitkan Θ1, Θ2, . . ., Θm dari distribusi
Logistik yang berfungsi peluang h(θ).
Lalu gunakan metode transformasi invers. Adapun invers dari fungsi kumu-latif Logistik, yaitu:
a+ b log
u
1 − u
, 0 < u < 1.
Kemudian dibentuk peubah acak baru,
Tm= m−1 m P i=1 Θiw(Θi) m−1 m P i=1 w(Θi) .
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik Pendahuluan Gibbs Sampler δ(y) = E[Θw(Θ)] E[w(Θ)] , Tm= 1 m m P i=1 Θiw(Θi) 1 m m P i=1 w(Θi)
Dengan hukum lemah dari bilangan besar dan Teorema Slutsky, bahwa
Tm
P
→ δ(y).
Dengan menggunakan bootstrap, maka dapat diperoleh interval kepercayaan untuk E[Θw(Θ)]/E[w(Θ)].
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik
Pendahuluan
Gibbs Sampler
Teorema
Teorema
Misalkan dibangkitkan peubah acak dengan mengikuti algoritma berikut:
1. bangkitkan Y ∼ fY(y)
2. bangkitkan X ∼ fX|Y(x|Y).
Maka X memiliki fungsi peluang, yaitu fX(x).
Bukti: Untuk menghindari kesalahpahaman, misalkan T adalah peubah acak yang dibangkitkan oleh algoritma tersebut. Maka akan dibuktikan bahwa T
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik
Pendahuluan
Gibbs Sampler
Teorema
Teorema
Misalkan dibangkitkan peubah acak dengan mengikuti algoritma berikut:
1. bangkitkan Y ∼ fY(y)
2. bangkitkan X ∼ fX|Y(x|Y).
Maka X memiliki fungsi peluang, yaitu fX(x).
Bukti: Untuk menghindari kesalahpahaman, misalkan T adalah peubah acak yang dibangkitkan oleh algoritma tersebut. Maka akan dibuktikan bahwa T
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik Pendahuluan Gibbs Sampler Bukti Teorema ∀t ∈ R, P(T ≤ t) = E[FX|Y(t)] = ∞ Z −∞ t Z −∞ fX|Y(x|y)dx fY(y)dy = t Z −∞ ∞ Z −∞
fX|Y(x|y)fY(y)dy
dx = t Z −∞ ∞ Z −∞ fX,Y(x, y)dy dx = t Z −∞ fX(x)dx.
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik
Pendahuluan
Gibbs Sampler
Ketika ingin menentukan nilai E[W(X)] untuk beberapa fungsi W(x),
di-mana E[W2(X)] < ∞. Maka dapat dibangkitkan pasangan secara bebas
(Y1, X1), (Y2, X2), . . ., (Ym, Xm), dengan Yiberasal dari fY(y) dan Xiberasal
dari fX|Y(x|Y).
Lalu dengan menggunakan hukum lemah dari bilangan besar,
¯ W = 1 m m X i=1 W(Xi) P → ∞ Z −∞ W(x)fX(x)dx = E[W(X)].
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik
Pendahuluan
Gibbs Sampler
Dengan Teorema Limit Pusat, √
m( ¯W− E[W(X)])→ N(0, σD 2
W), dimana σ
2
W = Var(W(X)),
atau diperoleh interval kepercayaan untuk E[W(x)] yaitu ¯ w± zα/2√sW m, dimana s2W= (m − 1)−1 m P i=1 (wi− ¯w)2.
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik Pendahuluan Gibbs Sampler
Soal Latihan
Diketahui: fX(x) = 2e−x(1 − e−x), 0 < x < ∞0, untuk x yang lainnya
fY(y) =
2e−2y, 0 < y < ∞
0, untuk y yang lainnya
fX|Y(x|y) =
e−(x−y), y< x < ∞
0, untuk kondisi lainnya
Misalkan cara membangkitkan peubah acaknya, mengikuti algoritma:
1. Bangkitkan Y ∼ fY(y)
2. Bangkitkan X ∼ fX|Y(x|Y)
F−1Y (u) = · · · F−1X|Y(u) = · · ·
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik Pendahuluan Gibbs Sampler
Soal Latihan
Diketahui: fX(x) = 2e−x(1 − e−x), 0 < x < ∞0, untuk x yang lainnya
fY(y) =
2e−2y, 0 < y < ∞
0, untuk y yang lainnya
fX|Y(x|y) =
e−(x−y), y< x < ∞
0, untuk kondisi lainnya
Misalkan cara membangkitkan peubah acaknya, mengikuti algoritma:
1. Bangkitkan Y ∼ fY(y)
2. Bangkitkan X ∼ fX|Y(x|Y)
F−1Y (u) = · · · F−1X|Y(u) = · · ·
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik Pendahuluan Gibbs Sampler
Soal Latihan
Diketahui: fX(x) = 2e−x(1 − e−x), 0 < x < ∞0, untuk x yang lainnya
fY(y) =
2e−2y, 0 < y < ∞
0, untuk y yang lainnya
fX|Y(x|y) =
e−(x−y), y< x < ∞
0, untuk kondisi lainnya
Misalkan cara membangkitkan peubah acaknya, mengikuti algoritma:
1. Bangkitkan Y ∼ fY(y)
2. Bangkitkan X ∼ fX|Y(x|Y)
F−1Y (u) = · · · F−1X|Y(u) = · · ·
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik Pendahuluan Gibbs Sampler FY(t) = Z t 0 fY(y)dy = · · · FX|Y(t) = Z t y fX|Y(x|y)dx = · · · FY−1(u) = · · · FX|Y−1(u) = · · · .
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik
Pendahuluan
Gibbs Sampler
Gibbs Sampler
Algoritma sebelumnyalah yang memotivasi untuk menggunakan algoritma lainnya yang disebut Gibbs Sampler.
Misalkanpasangan peubah acak(X, Y) memiliki fungsi peluang bersama
f(x, y).Tujuannya adalah membangkitkan peubah-peubah acakyang iid,
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik
Pendahuluan
Gibbs Sampler
Gibbs Sampler
Algoritma Gibbs Sampler
Misalkan m dan X0 masing-masing menyatakan bilangan bulat positif dan
nilai inisial (yang diberikan). Maka untuk i = 1, 2, . . . , m,
1. Bangkitkan Yi|Xi−1∼ f (y|x)
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik
Pendahuluan
Gibbs Sampler
Algoritma Gibbs Sampler (Lanjutan)
Maka untuk i → ∞ Yi D →Y ∼ fY(y) Xi D →X ∼ fX(x) dan untuk m → ∞ 1 m m X i=1 W(Xi) P → E[W(X)].
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik
Pendahuluan
Gibbs Sampler
Perhatikan bahwa untuk menghitung pasangan (Xk+1, Yk+1) hanya
memer-lukan pasangan (Xk, Yk), tanpa pasangan-pasangan dari 1 sampai ke k − 1.
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik
Pendahuluan
Gibbs Sampler
Soal Latihan
Misalkan (X, Y) memiliki fungsi peluang yang merupakan campuran dari diskrit dan kontinu berikut
f(x, y) = 1 Γ(α) 1 x!y α+x−1e−2y, α > 0; y > 0; x = 0, 1, 2, . . . 0, kondisi lainnya. Maka f(y|x) ∝ · · · f(x|y) ∝ · · ·
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik
Pendahuluan
Gibbs Sampler
Maka algoritma Gibbs Samplernya adalah, untuk i = 1, 2, . . . , m,
1. Bangkitkan Yi|Xi−1∼ Γ(α + Xi−1, 2)
2. Bangkitkan Xi|Yi∼ Poi(Yi).
Sehingga dengan membesarnya nilai m dan n > m, ¯ Y = 1 n− m n X i=m+1 Yi P → E(Y) ¯ X= 1 n− m n X i=m+1 Xi P → E(X).
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik
Pendahuluan
Gibbs Sampler
Dalam hal ini, dapat dibuktikan bahwa
Y ∼ Γ(α, 1)
X∼ Binomial Negatif(α, 1/2).
Dapat dibuktikan juga nilai ekspektasi untuk X dan Y adalah E(Y) = E(X) = α.
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik Pendahuluan Gibbs Sampler Sintaks R gibbser2 = function(alpha,m,n){ x0 = 1 yc = rep(0,m+n) xc = c(x0,rep(0,m+n-1)) for(i in 2:(m+n)){ yc[i] = rgamma(1,alpha+xc[i-1],2) xc[i] = rpois(1,yc[i]) } y1=yc[1:m] y2=yc[(m+1):(m+n)] x1=xc[1:m] x2=xc[(m+1):(m+n)] list(y1 = y1,y2=y2,x1=x1,x2=x2) }
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik Pendahuluan Gibbs Sampler Sintaks R (Lanjutan) library(stats) n<-10000; alpha<-8; coba simulasi<-gibbser2(alpha,5000,n); y topi<-mean(coba simulasi$y2) x topi<-mean(coba simulasi$x2) sigma2 y<-var(coba simulasi$y2) sigma2 x<-var(coba simulasi$x2)
ba y<-mean(coba simulasi$y2)+1.64*sd(coba simulasi$y2)/sqrt(n) bb y<-mean(coba simulasi$y2)-1.64*sd(coba simulasi$y2)/sqrt(n) ba x<-mean(coba simulasi$x2)+1.64*sd(coba simulasi$x2)/sqrt(n) bb x<-mean(coba simulasi$x2)-1.64*sd(coba simulasi$x2)/sqrt(n) dibuat tabel y<-data.frame(alpha,y topi,sigma2 y,bb y,ba y) dibuat tabel x<-data.frame(alpha,x topi,sigma2 x,bb x,ba x)
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik
Pendahuluan
Gibbs Sampler
Tabel:Interval Kepercayaan 99% untuk Peubah Acak X dan Y
Parameter Estimasi sampel Variansi sampel Interval kepercayaan
E(Y) = α = 8 ¯y= 7.908535 s2(y) = 7.693978 (7.854168, 7.962901) E(X) = α = 8 ¯x= 7.8694 s2(x) = 15.86193 (7.791339, 7.947461) E(Y) = α = 10 ¯y= 9.990611 s2(y) = 9.735782 (9.929455, 10.05177) E(X) = α = 10 ¯x= 10.0196 s2(x) = 19.58697 (9.932856, 10.10634) E(Y) = α = 30 ¯y= 30.06515 s2(y) = 30.20128 (29.95743, 30.17286) E(X) = α = 30 ¯x= 30.0674 s2(x) = 58.79374 (29.91711, 30.21769)
Konsep Dasar Bayesian Prosedur Bayesian Fungsi Keputusan dan Fungsi Kerugian Prior Konjugat dan Prior Non-Informatif
Gibbs Sampler
Metode Bayesian Modern Bayes Empirik
Pendahuluan
Gibbs Sampler