Anda di halaman 1dari 14

BAB I PENDAHALUAN

A. Latar Belakang Statistik inferensi digunakan untuk memprediksi keadaan dari suatu populasi berdasarkan sampel yang diambil. Dalam statistika inferensi ini, seringkali diasumsikan bahwa distribusi populasi diketahui. Teknik yang digunakan untuk menaksir nilai parameter bila distribusi populasi diketahui adalah dengan Maximum Likelihood Estimation (MLE). Pada MLE, teknik penaksiran parameternya lebih mudah, sehingga orang banyak menggunakan teknik ini. Akan tetapi teknik ini hanya dapat digunakan bilamana distribusi populasi diketahui. Selain itu MLE sangat sensitif terhadap data ekstrim. Data ekstrim ini sangat berpengaruh terhadap nilai-nilai mean ataupun variansi.

B. Rumusan Masalah Adapun rumusan masalah kami dalam makalah ini yaitu: 1. Bagaimana Metode Maximum Likelihood? 2. Bagaimana sosulusi Metode Maximum Likelihood dalam penyelesaian beberapa contoh soal?

C. Tujuan Adapun tujuan dalam penulisan makalah ini yaitu untuk mengetahui: 1. Metode Maximum Likelihood. 2. Penerapan Metode Maximum Likelihood dalam beberapa contoh soal.

BAB II METODE MAXIMUM LIKELIHOOD (Metode Kemungkinan Maksimum)

A. Pendahuluan Berikut ini adalah metode yang cukup sering menghasilkan penaksir yang memiliki sifat-sifat tertentu yang diharapkan, khususnya sifat-sifat sampel besar. Penalarannya adalah menggunakan nilai parameter yang mungkin, yang bersesuaian dengan largest likelihood (peluang besar) bagi yang teramati, sebagai taksiran parameter yang tidak diketahui (besarnya). Maximum likelihood adalah teknik yang sangat luas dipakai dalam penaksiran suatu parameter distribusi data dan tetap dominan dipakai dalam pengembangan uji -uji yang baru (Lehmann, 1986). Berikut ini akan disinggung sedikit tentang penaksiran parameter ini. Andaikan
1 2

variabel

random

mempunyai

nilai-nilai

terbilang

, dengan

. Seseorang ingin menaksir nilai tersebut dari nilai-nilai observasi


1 2

yang sebenarnya dari Sehingga untuk setiap nilai nilai diketahui bahwa nilai

yang mungkin perlu dipertimbangkan probabiliti benar. Semakin tinggi peluangnya, maka seseorang dapat dijelaskan dengan , dan sebagai fungsi adalah yang untuk

akan semakin ingin menjelaskan bahwa nilai

akan semakin sering muncul. Karena itu ekspresi

fixed disebut likelihood dari . Simbol lain untuk likehood Misalkan ada terbilang banyaknya

keputusan-keputusan

diformulasikan dengan fungsi keuntungan (lawan dari fungsi kerugian) dimana fungsi tersebut bernilai kalau keputusannya salah dan benar. Likelihood bilamana diberi bobot tertentu nilai yang

keputusannya benar dengan nilai (yang dihasilkan bilamana nilai memaksimumkan .

benar), untuk menaksir

dan memilih keputusan yang benar. Kemudian benar. Penjelasan

juga akan dipilih fungsi keputusan yang benar dengan asumsi akan sama juga untuk

sebagai fungsi kepadatan (data kontinu).

Pada penaksiran parameter biasanya hal ini akan menggiring orang untuk menaksir

adalah bebas dari

Sehingga

dengan memaksimumkan nilai

yang dikenal dengan maximum likelihood estimate dari .

B. Metode Maximum Likelihood (Metode Kemungkinan Maksimum) Pada tulisan ini distribusi populasi data diambil berbentuk normal. Hal ini adalah untuk memenuhi syarat dalam penaksiran dengan MLE dan juga untuk memudahkan penurunan formula-formula matematiknya. Akan tetapi pada situasi yang sebenarnya, kalau distribusi data tidak diketahui maka bentuk distribusi ini haruslah ditaksir. Misalkan dengan . ( ) [ ] adalah sampel random dari distribusi

Dengan demikian, Statistik

adalah nilai

yang memaksimumkan

disebut maximum likelihood estimator untuk .

Contoh 1: Andaikan tersedia mata uang logam yang tidak seimbang, yaitu mata ;

uang pertama, kalau dilambungkan, peluang munculnya sisi M adalah mata uang kedua,kalau dilambungkan, peluang munculnya sisi M adalah

; dan mata uang ketiga, kalau dilambungkan, peluang munculnya sisi M adalah . Ketiga mata uang itu, tidak dapat dibedakan berdasarkan wujud

maupun beratnya. Misalkan satu mata uang dipilih secra acak dari tiga mata uang tersebut, lalu dilambungkan dua kali. Jika muncul pada lambungan pertama, dan muncul pada lambungan kedua. Dalam hal ini ada sampel random dengan ruang parameter ketahui bahwa tetapi, MME untuk yaitu , dari distribusi Bernoulli, . Pada distribusi , maka MME untuk adalah , , kita . Akan menyatakan banyaknya sisi M yang menyatakan banyaknya sisi M yang

, tidak menghasilkan taksiran yang pantas untuk . , yang merupakan anggota dari ruang parameter

Ada tiga nilai saja, yaitu .

Untuk memperoleh taksiran dengan metode peluang terbesar, kita perhatikan fungsi densitas peluang bersama dari untuk densitas bersama itu sebagai berikut: ( P (0,0) 0,20 0,30 0,80 0,64 0,49 0,04 (0,1) 0,16 0,21 0,16 (1,0) 0,16 0,21 0,16 (1,1) 0,04 0,09 0,64 , dan , yaitu . Nilai-nilai fungsi

Taksiran yang akan memaksimalkan peluang adalah sebagai berikut: jika jika jika

Definisi 1: Fungsi densitas peluang bersama dari variabel random ,

yang tergantung pada satu parameter , yaitu fungsi , yang di nilainya Untuk pada disebut likelihood function (fungsi kemungkinan) konstan, . Apabila hanya tergantung )

, dan lazim dinyatakan dengan symbol

merupakan sampel random berukuran itu, maka

dari distribusi dengan fungsi densitas

Definisi 2: Misalkan ), adalah yang fungsi densitas pada peluang , bersama yaitu dari

tergantung

parameter

. Nilai dari

yang menghasilakn nilai maksimum untuk , dan dengan dinyatakan

disebut maximum Likelihood Estimate untuk dengan symbol Jadi, .

Perhatikan: 1) Jika setiap himpunan hasil pengamatan atau hasil pengukuran , maka cara fungsi

bersesuaian dengan tepat satu nilai dari memperoleh taksiran di atas menentukan suatu

, yang domainnya adalah himpunan semua himpunan hasil pengamatan atau pengukuran sampel. Fungsi itu disebut Maksimum Likelihood Estimator (MLE) utnuk .

2) Jika

merupakan suatu interval, dan jika

diferensiabel dan mencapai

maksimum di suatu nilai dalam persamaan [ Atau persamaan [ ] ]

, maka MLE merupakan selesaian dari

Karena fungsi logaritma merupakan fungsi naik. Dari selesaian (3) atau (4) itu harus dipilih yang menghasilkan nilai negative dari derivative kedua. Persamaan (3) dan (4) diesebut persamaan maximum likelihood (persamaan kemungkinan maksimum). Contoh 2: Misalkan Poisson, dengan parameter kemungkinannya adalah

adalah sampel random berukuran . Jadi,

dari distribusi

. Dalam hal ini, fungsi

Dan fungsi log-kemungkinannya adalah [ ]

Dengan mencari akar persamaan menghasilkan Maksimum). [

, dan memilih akar yang

], akan memperoleh MLE (Penaksir Kemungkinan

Teorema 1 (Sifat Invarians I): Jika adalah Maximum Likelihood Estimator (MLE) untuk , yaitu . dan adalah

fungsi dari untuk

, maka Maximum Likelihood Estimator (MLE)

adalah

Contoh 3: Misalkan adalah sampel random berukuran , untuk


[
( )

dari distribusi

Eksponensial, dengan parameter . Jadi,

Dalam hal ini, fungsi kemungkinannya adalah Terdapat [ ]

[ Pada nilai ekstrem dari [ [

], dipenuhi persamaan: ] [ ]

Berarti
( )

Untuk

, terdapat

Jadi, MLE untuk adalah

Untuk menaksir peroles MLE daari Contoh 4: Misalkan

] )

, kita gunakan Teorema (1) dan kita

adalah (

adalah sampel random berukuran . Jadi,

dari distribusi , untuk

Eksponensial Dua-parameter, dengan parameter . Fungsi kemungkinannya adalah [ ]

Fungsi itu dapat dinyatakan dalam bentuk lain, yaitu [ untuk ] . Jadi penaksir kemungkinan Maksimum

adalah statistic urutan pertama. Contoh ini menunjukkan bahwa MLE

tidak selalu sama besar dengan MME. Contoh 5: Tahap hidup suatu jenis komponen elektronik . Misalkan komponen berdistribusi eksponensial,

diambil secara acak, kemudian dicoba tahan

hidupnya. Jika tahan hidup

komponen pertama yang mati lebih dulu adalah

. Maka dapat diketahui bahwa fungsi densitas peluang bersama variabel yang bersangkutan adalah dengan aturan
( ) [ ]( )

Perhatikan bahwa tahan hidup

menyatakan jumlah keseluruhan

komponen yang dicoba, sapai akhir percobaan.

MLE untuk , dapat dihitung dari data tersebut, dengan jalan sebagai berikut , untuk suatu konstan . Dari persamaan , didapat . Jadi . . Jadi,
( )

Kalau seluruh anggota sampel dicoba, maka Persamaan

Untuk

disebut persamaan kemungkinan maksimum.

Teorema 2 (Sifat Invarians II): Jika ( ) adalah Maximim Likelihood Estimate , sedangkan maka untuk adalah ( ( ). ),

(MLE) untuk untuk Contoh 6: Misalkan normal, . Misalkan

adalah sampel random berukuran , maka dari adalah

dari distribusi

MLE untuk

dari

dapat dicari sebagai berikut: ( )

[[

[ [

] ]

( ) (

, untuk suatu konstan , sehingga [ ] ( )

Dari pasangan persamaan

dan (

, diperoleh

Jadi,

Contoh 7: Misalkan

adalah sampel random dari populasi yang utnuk

berdistribusi ekspoonensial dua-parameter, yaitu , dengan parameter densitas peluang populasi adalah Fungsi lemungkinannya adalah Untuk Sehingga Seperti pada contoh 4, .

dan

yang tidak diketahui besarnya. Fungsi ( ) ( ) *

, utnuk +

, jika

. . Jadi,

mencapai nilai maksimum jika

. Untuk memperoleh taksiran untuk , kitaa selesaikan persamaan [ ]

Haislnya

10

Sehingga,

Jadi, Contoh 8: Kita akan mencari MME (Penaksir Kemungkinan Maksimum, PKM) untuk parameter distribusi gamma, Misalkan sampel acak itu , berdasarkan sampel acak berukuran . . Kita ketahui

Persamaan Kemungkinan Maksimumnya adalah

Misalkan [ [ ] ]

11

Yaitu rata-rata aritetik sampel, Dan

( )

) dan dalam

Yaitu rata-rata geometric sampel, maka terdapatlah pernyataan implicit sebagai berikut: Contoh 9: Misalkan Weibull, dan ( ) ( ) ( ).

adalah sampel random dari populasi yang berdistribusi , dengan dan yang tidak diketahui besarnya. Fungsi

densitas peluang populasi adalah , dengan aturan ( )( ) [ ( ) ] untuk .

Fungsi log-likelihood ybs adalah ( ) ( ) [( ) ]

Persamaan-persamaan Kemungkinan Maksimumnya adalah: [ Dan [ ] ( ) ] ( ) [( ) ]

12

BAB III PENUTUP

A. Kesimpulan 1. Untuk populasi yang distribusinya diketahui, penaksiran parameter akan lebih mudah bila menggunakan MLE. 2. Fungsi likelihood adalah ukuran yang menyatakan sebarapa sering nilai , diberikan bahwa peluang. 3. Jika dua percobaan, yang melibatkan model dengan parameter memberikan likelihood yang sama, maka inferensi terhadap sama. 4. Misalkan adalah fungsi likelihood (fungsi dari parameter ). Kita yang memaksimumkan . Penaksir untuk haruslah telah terobservasi. Fungsi likelihood BUKAN suatu

dapat menentukan nilai

, yaitu disebut Penaksir Likelihood Maksimum (maximum likelihood estimator, MLE). Penaksir suatu parameter adalah fungsi dari peubah acak.

B. Saran Penulis mengharapkan agar makalah ini dapat digunakan untuk menunjang pembelajaran Mata Kuliah Statistika Matematika pada khususnya dan pembelajaran matematika pada umumnya.

13

DAFTAR PUSTAKA

Hogg, Robert V. & Allen T. Craig. 1995. Introduction to Mathematical Statistics (Fifth Edition). Hong Kong & Macau: Pearson Education Asia Limited & Higher Education Press.
http://www.scribd.com/doc/52880907/Teori-Peluang-Bab-9 diakses pada 28 Mei 2011.

14

Anda mungkin juga menyukai