SKRIPSI
Oleh :
JURUSAN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM
MALANG
2009
ESTIMATOR TAK BIAS TERBAIK PADA FUNGSI DISTRIBUSI
KONTINU DENGAN TEOREMA BATAS BAWAH RAO CRAMER
SKRIPSI
Diajukan Kepada:
Fakultas Sains dan Teknologi
Universitas Islam Negeri (UIN)
Maulana Malik Ibrahim Malang
Untuk Memenuhi Salah Satu Persyaratan Dalam
Memperoleh Gelar Sarjana Sains (S.Si)
Oleh :
JURUSAN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM
MALANG
2009
ESTIMATOR TAK BIAS TERBAIK PADA FUNGSI DISTRIBUSI
KONTINU DENGAN TEOREMA BATAS BAWAH RAO CRAMER
SKRIPSI
Oleh :
Dosen Pembimbing ,
Usman Pagalay.M,Si
NIP. 150 327 240
Mengetahui,
Ketua Jurusan Matematika
Sri Harini, M. Si
NIP. 150 318 321
ESTIMATOR TAK BIAS TERBAIK PADA FUNGSI DISTRIBUSI
KONTINU DENGAN TEOREMA BATAS BAWAH RAO CRAMER
SKRIPSI
Oleh :
Tanggal:
28 Juli 2009
Mengetahui,
Ketua Jurusan Matematika
Sri Harini, M. Si
NIP. 150 318 321
Motto
6-8)
SURAT PERNYATAAN
ORISINALITAS PENELITIAN
NIM : 02510024
tulis ini tidak terdapat unsure-unsur penjiplakan karya penelitian atau karya ilmiah
yang pernah dilakukan atau dibuat oleh orang lain, kecuali yang secara tertulis
dikutip dalam naskah ini dan disebutkan dalam sumber kutipan dan daftar
pustaka.
menyelesaikan skripsi ini sebagai syarat untuk mendapatkan gelar sarjana sains
dengan judul ” Estimator Tak bias Terbaik Pada fungsi Distribusi kontinu
Muhammad SAW yang telah mengangkat kita dari jurang kenistaan menuju
yang telah membantu penulis dalam menyelesaikan skripsi ini. Berhasilnya proses
penyusunan skripsi ini juga tak lepas dari tanggung jawab, bimbingan, motivasi
dan segala macam bantuan dari mereka baik moril maupun materiil. Oleh karena
1. Bapak Prof. Dr. H. Imam Suprayogo selaku Rektor Universitas Islam Negeri
Malang.
2. Bapak Prof. Drs. Sutiman Bambang Sumitro, SU., D.Sc. selaku Dekan
Fakultas Saintek.
5. Kedua orang tua penulis yang senantiasa mendoakan kesuksesan bagi penulis.
6. Suami tercinta Mas’udin Eko Wahyudi tercinta dan putra tersayang Wani
Prasojo Rusyda Wahyudi, yang selalu memberi motivasi dan selalu menemani
7. Para sahabat khususnya Gus Ahmad Rodhi yang telah membantu dan
Kepada semua pihak yang telah membantu dalam penyelesaian laporan ini
khususnya bagi penulis dan pembaca pada umumnya. Amin Ya Rabbal Alamin.
HALAMAN JUDUL
HALAMAN PENGAJUAN
HALAMAN PERSETUJUAN
HALAMAN PENGESAHAN
HALAMAN MOTTO
HALAMAN PERNYATAAN ORISINALITAS TULISAN
HALAMAN PERSEMBAHAN
KATA PENGANTAR ....................................................................................... i
DAFTAR ISI ...................................................................................................... iii
ABSTRAK ......................................................................................................... v
BAB I PENDAHULUAN
1.1 Latar Belakang Masalah ........................................................................ 1
1.2 Rumusan Masalah ................................................................................. 3
1.3 Tujuan Penelitian .................................................................................. 3
1.4 Manfaat Penelitian ................................................................................ 3
1.5 Batasan Masalah ................................................................................... 4
1.6Metode Kajian ....................................................................................... 4
BAB II KAJIAN TEORI
2.1 Fungsi Distribusi ................................................................................... 6
2.1.1 Pengertian Fungsi Distribusi .................................................. 6
2.1.2 Jenis-Jenis Fungsi Distribusi .................................................. 8
2.1.2.1 Fungsi Distribusi Deskret........................................... 9
2.1.2.2 Fungsi Distribusi Kontinu .......................................... 10
2.2 Fungsi Distribusi Kontinu ..................................................................... 11
2.2.1. Distribusi Normal .................................................................. 11
2.2.2 Distribusi Eksponensial.......................................................... 11
2.3.2 Jenis-Jenis Metode Estimasi ................................................. 15
2.3.2.1 Metode Momen .......................................................... 16
2.3.2.2 Metode Maksimum Likelihood .................................. 17
2.4 Estimasi Tak Bias Terbaik (UMVUE) ................................................. 18
BAB III PEMBAHASAN
3.1 Distribusi Normal .................................................................................. 23
3.2 Distribusi Eksponensial......................................................................... 26
3.3 Distribusi Gamma ................................................................................. 29
BAB IV PENUTUP
4.1 Kesimpulan ........................................................................................... 34
4.2 Saran-saran ............................................................................................ 35
DAFTAR PUSTAKA
LAMPIRAN – LAMPIRAN
ABSTRAK
Rusyda, Izzah Fanani. 2009. Estimator Tak Bias Terbaik pada Fungsi Distribusi
Kontinu dengan Teorema Batas Bawah Cramer Rao, Jurusan Matematika
Fakultas Sains dan Teknologi Universitas Islam Negeri Maulana Malik
Ibrahim Malang. Pembimbing: Usman Pagalay, M.Si
PENDAHULUAN
tujuan dari pengunaan statistika adalah untuk mendapatkan kesimpulan dari populasi
yang diamati. Dalam hal ini statistika inferensial sangat dibutuhkan selain statistika
berdasarkan data yang ada dalam suatu bagian dari populasi tersebut (Djarwanto dan
Subagyo, 1996:1).
Pada ruang sampel suatu eksperimen dapat ditentukan probabilitas dari nilai-
nilai variabel acak X, yang selanjutnya dapat digunakan untuk menentukan fungsi
probabilitas X. Dari distribusi peluang tersebut, dapat ditetukan suatu fungsi distribusi
1
2
nilai estimasi likelihood pada distribusi keluarga eksponensial adalah estimator yang
baik dengan berpedoman pada kriteria estimator yang baik. Ada dua kriteria yang
harus dipenuhi untuk mendapatkan estimator terbaik yaitu tak bias dan mempunyai
variansi minimum.
Penaksir yang tak bias dan bervariansi mnimum dinamakan penaksir terbaik
berlaku VarT * ≤ VarT untuk setiap θ . T * disebut “estimator tak bias variansi
Untuk menentukan estimator tak bias terbaik bukanlah pekerjaan yang mudah,
diperlukan penanganan yang menyeluruh. Salah satunya adalah melalui batas bawah
Rao Cramer. Misalnya ingin dicari penaksir tak bias dengan ragam minimum dari
Cramer dapat ditentukan batas bawah variansi semua penaksir tak bias dari g (θ ) .
Jika kemudian dapat ditemukan suatu statistik yang nilai harapannya sama dengan
g (θ ) dan ragamnya sama dengan batas bawah variansi yang ditentukan dari
ketidaksamaan Rao Cramer, maka statistik ini adalah estimator tak bias dengan
Dengan demikian Teorema Batas Bawah Rao Cramer dapat juga di gunakan
untuk menentukan estimator tak bias terbaik pada keluarga eksponensial. Sehingga
berdasarkan uraian diatas, maka penulis mengambil judul ” Estimator Tak bias
Terbaik Pada Fungsi Distribusi Kontinu dengan Teorema Batas Bawah Rao
Cramer”.
bagaimana cara menentukan estimator tak bias terbaik pada fungsi distribusi kontinu
Dari rumusan masalah diatas, maka kajian ini bertujuan untuk menjelaskan atau
mengkaji cara menentukan estimator tak bias terbaik pada fungsi distribusi kontinu
masalah, serta tujuan penulisan diatas, maka kajian ini diharapkan bagi penulis dan
menentukan ekstimator tak bias terbaik pada fungsi distribusi kontinu dan juga
khususnya, serta bidang-bidang lain pada umumnya. Kajian ini juga dapat dijadikan
sebagai referensi bagi pembaca mengenai penentuan estimator tak bias terbaik pada
fungsi distribusi kontinu dengan menggunakan Teorema Batas Bawah Rao Cramer,
serta dapat digunakan sebagai tambahan wawasan disamping ilmu pengetahuan yang
Untuk membatasi permasalahan agar sesuai dengan yang dimaksud dan tidak
menimbulkan permasalahan yang baru, maka pada penelitian ini dibatasi pada fungsi
distribusi kontinu yang terdiri dari fungsi distribusi normal, eksponensial dan gamma.
Sedangkan cara menentukan estimator tak bias terbaiknya dikerjakan secara manual
mendapatkan materi atau bahan dalam bentuk informasi dari menghimpun literatur-
literatur yang termuat dalam teks book. Selanjutnya, penulis mempelajari semua
materi atau bahan yang terkumpul yaitu tentang fungsi distribusi kontinu, estimator
tak bias atau UMVUE estimator dan Teorema Batas Bawah Rao Cramer.
5
Adapun pengujian hasil pembahasan, dalam hal ini dilakukan dengan cara
BAB II
KAJIAN TEORI
Pada kajian teori akan dibahas beberapa teori yang menunjang pembahasan
Variabel acak X dibedakan menjadi dua jenis, yaitu varibel acak diskrit dan
variabel acak kontinu. Variabel acak diskrit adalah variabel acak yang mempunyai
Sedangkan variabel acak kontinu adalah variabel acak yang nilai-nilainya tak
terhingga. Jadi nilai-nilai vaiabel acak kontinu X dapat merupakan semua nilai dalam
satu interval terhingga, yaitu (-∞,∞), dimana banyaknya bilangan yang terkandung
pasangan nilai-pasangan nilai yang saling berhubungan tiap obyek dari variasi acak.
Dalam hal diskret suatu fungsi distribusi dapat dinyatakan sebagai jumlah yang
7
menyangkut fungsi peluang titik, sedangkan dalam hal kontinu suatu fungsi distribusi
dapat dinyatakan sebagai integral dari apa yang disebut fungsi padat peluang.
Pada ruang sampel S yang merupakan kumpulan semua hasil yang mungkin
terjadi, kita dapat menentukan probabilitas dari nilai-nilai variabel acak X, sebab titik
dari variabel acak X, yaitu P(X –x) di sebut distribusi probabilitas X atau fungsi
peluang dan disingkat distribusi X, yang dapat dituliskan dalam bentuk tabel atau
peluang peubah acak diskrit X jika untuk setiap kemungkinan hasil x memenuhi:
1. f(x) ≥ 0.
2 ∑ f ( x) = 1
x
3. P(X = x) = f(x)
Maka distribusi peluang dari X tersebut disebut distribusi peluang peubah àcak
Fungsi f(x) adalah distribusi peluang peubah acak kontinu X, yang didefinisikan
∞
2. ∫ f ( x)dx = 1
−∞
8
b
3. P( a < X < b) = ∫ f ( x) (Walpole dan Myers, 1995:85).
a
Dalam banyak soal diperlukan menghitung peluang bahwa nilai amatan peubah
acak X akan lebih kecil atau sama dengan suatu bilangan real x. bila F(x) = P(X≤ x)
untuk setiap bilangan real x, maka F(x) di sebut sebagai fungsi distribusi (kumulatif)
Distribusi kumulatif F(x) suatu peubah acak diskrit X dengan distribusi peluang
F(x) = P(X ≤ x ) = ∑ f (t )
t≤x
Distribusi kumulatif F(x) suatu peubah acak kontinu X dengan fungsi peluang
x
F(x) = P(X ≤ x) = ∫ f (t ) dt
−∞
yaitu:
9
⎡ n ⎤
f (x θ ) =h ( x ) c (θ ) exp ⎢∑ wi (θ )ti (x )⎥ (Dewi, 2005:19).
⎣ i =1 ⎦
yaitu: fungsi distribusi deskrit (terhingga), dan fungsi distribusi kontinu (tak
terhingga).
Fungsi distribusi dari suatu peubah acak X sembarang bermatra 1 sebagai Fx(x)
= P[X ≤ x] untuk semua x ∈ (− ∞,+∞ ) . Peubah acak seperti itu disebut diskret, pada
F (x ) = ∑ Px(x')
x
x '≤ x
dengan Px( x' ) > 0
Fungsi distribusi deskrit (terhingga) sendiri ada beberapa macam, antara lain:
a. Distribusi Bernoulli
random yang hanya menghasilkan dua keluaran yang biasanya dikategorikan sebagai
sukses {S} dan gagal {G}. untuk masing-masing percobaan kita mendapatkan :
Sj = {S,G}
10
b. Distribusi Binomial
sebanyak m kali
c. Distribusi Poisson
menyatakan banyaknya sukses yang terjadi dalam suatu selang waktu atau daerah
tertentu
Disebut peubah acak kontinu (mutlak) bila fungsi distribusi Fx(x) dapat
dinyatakan sebagai
Disini fx(y) menyatakan fungsi padat peluang (f.p.p) yakni menurut definisi,
∞
dan ∫ fx( y )dy = 1
−∞
Dalam hal ini fx(x) disebut fungsi distribusi kontinu (mutlak). Distribusi kontinu
a. Distribusi Normal
b. Distribusi Eksponensial
11
c. Distribusi Gamma
d. Distribusi Seragam
e. Distribusi Beta
h. Distribusi Weibul
Dalam penelitian ini difokuskan hanya pada fungsi distribusi kontinu yang
1 2
1 [( x − µ ) / σ ]
f ( x µ,σ ) =
2
e 2
−∞ < x < ∞
σ 2π
1 2
1 [( x − µ ) / σ ]
karena f ( x µ , σ ) =
2
e 2
σ 2π
⎡ n ⎤
f (x θ ) =h ( x ) c (θ ) exp ⎢∑ wi (θ )ti (x )⎥ (Dewi, 2005:25)
⎣ i =1 ⎦
Teorema:
1
Dimisalkan λ = dengan menyatakan variabel acak X mempunyai distribusi
θ
−x
1
f ( x) = eθ x≥0
θ
1
poisson mempunyai distribusi eksponensial dengan θ =
λ
−x
1
f (xθ ) = eθ x≥0
θ
karena
13
−x
1
f ( x) = eθ
θ
⎡ n ⎤
f (x θ ) =h ( x ) c (θ ) exp ⎢∑ wi (θ )ti (x )⎥ (Dewi, 2005:26)
⎣ i =1 ⎦
Teorema:
1 −x
f ( x) = α
x α −1e β x>0
β Γ(α )
1 −x
f ( x θ ,α ) = α
x α −1e θ x>0
θ Γ(α )
1 −x
f ( x θ ,α ) = α
x α −1e θ
θ Γ(α )
⎡ n ⎤
f (x θ ) =h ( x ) c (θ ) exp ⎢∑ wi (θ )ti (x )⎥ (Dewi, 2005:27)
⎣ i =1 ⎦
14
Teorema:
statistik. Dari sebuah populasi dapat diperoleh berbagai macam parameter, demikian
juga dari suatu sample juga dapat dihitung statistiknya. Oleh karena itu dengan
sebuah sample dapat ditaksir dengan berbagai macam parameter, yang perlu
diperhatikan adalah bahwa statistik penaksir itu harus sejenis dengan parameternya.
b. Memilih kerangka estimasi, yaitu distribusi sampling yang sejenis dengan besaran
d. Proses perhitungan
Statistik induktif atau inferensial adalah proses memperoleh informasi dari data
sampel yang digunakan untuk menarik kesimpulan tentang populasi dari sampel yang
dipilih. Teknik statistik induktif dapat dibagi dalam dua bagian besar, yaitu estimasi
parameter dan pengujian hipotesis. Namun, dalam pembahasan ini hanya mengenai
estimasi parameter. Cara-cara mengestimasi parameter ada tiga metode, yaitu metode
∧
Suatu estimasi dari suatu parameter populasi θ adalah suatu nilai tunggal θ
∧
dari suatu titik θ (Walpole dan Myers, 1995 : 226). Untuk lebih jelasnya, jika
∧
X1,X2,………..,Xn sebuah sampel random yang besarnya n dari X , maka statistik θ =
∧
bahwa estimator θ adalah sebuah variabel random, karena estimator tersebut
∧
merupakan sebuah fungsi data sampel. Setelah sampel di pilih, θ diperoleh
Proses penarikan kesimpulan dari suatu sampel disebut sampling. Salah satu
alasan dasar untuk sampling adalah bahwa informasi yang terkandung dalam sampel
Dalam estimasi parameter terdapat tiga metode estimasi, yaitu: metode momen,
Dalam metode momen sendiri terdiri dari dua macam, yaitu metode momen I
a. Metode momen 1
Misalkan x1, x2,… xn sampel random dari populasi dengan densitas f(x|θ1,… θk)
m1 = , µ1 = E(X)
m2 = , µ2 = E(X2)
mk = , µk = E(Xk)
b. Metode momen II
m1 = µ1(θ1,…,θK)
m2 = µ2(θ1,…,θK)
mk = µK(θ1,…,θK)
17
Sejauh ini metode maksimum likelihood adalah metode yang paling populer
n
= ∏ f ( X i θ1 ,.....,θ n )
i =1
Definisi:
Untuk setiap titik sampel, misalkan adalah harga parameter dimana L(θ X )
∧
estimasi maksimum likelihood dari parameter berdasarkan sampel X adalah θ
likelihood berimpit dengan jelajah dari parameter. Secara intuitif, estimasi maksimum
likelihood adalah estimasi yang masuk akal, karena estimasi maksimum likelihood
likelihood yang mungkin adalah harga-harga (Ө1, Ө 2,…, Өk) sedemikian hingga
∂ ln L(θ X )
= 0; i = 1,2,....., k
∂θ i
Suatu estimasi titik dari suatu parameter populasi θ adalah suatu nilai tunggal
∧
θ dari suatu titik θ (Walpole dan Myers 1995:226). Sehingga dapat dilakukan
estimasi dengan berbagai metode yang sudah tersedia. Tidak diharapkan suatu
estimator yang dihasilkan tidak terlalu jauh menyimpang. Agar dapat melakukan
pemilihan metode estimasi parameter yang baik, maka diberikan kriteria dan syarat-
syarat untuk mendapatkan estimator terbaik. Estimator terbaik adalah estimator yang
Definisi:
∧ ∧
Statistik θ dikatakan estimator tak bias parameter θ bila E( θ )= θ (Walpole
Definisi:
∧ ∧
semua estimator untuk parameter yang sama. Jika θ 1 dan θ 2 dua estimator
∧ ∧ ∧
untuk θ dimana variansi untuk θ 1 lebih kecil dari variansi untuk θ 2, maka θ 1
Definisi:
menyeluruh. Salah satunya adalah melalui batas bawah Rao Cramer (Cramer-Rao
variansi dari setiap estimator tak bias. Katakanlah b(θ ) , maka setiap estimator tak
bias yang mencapai batas bawah variansi ini adalah estimator tak bias terbaik dari
g (θ ) (Subanar, 1996:36).
20
Teorema:
Jika T adalah sebuah estimator tak bias dari g (θ ) , maka batas bawah Rao
Cramer atau Cramer-Rao Lower Bound (CRLB) untuk variansi T pada sebuah
[ g ' (θ )]2
Var (T ) ≥ 2
, g (θ ) = θ ; g ' (θ ) = 1
⎡∂ ⎤
− nE ⎢ ln f ( X θ )⎥
⎣ ∂θ ⎦
Bukti:
∂
u ( x1 ,......, x n θ ) = ln f ( x1 ,......, x n θ )
∂θ
1 ∂
u ( x1 ,......, x n θ ) = ln f ( x1 ,......, x n θ )
f ( x1 ,...., x n θ ) ∂θ
∂
= ∫ ...∫ f ( x1 ,...., x n θ )dx1 ...dx n
∂θ
∂
∂θ ∫ ∫
= ... f ( x1 ,...., x n θ )dx1 ...dx n
d
= 1
dθ
=0
21
Catat juga bahwa jika T =l (X1 ,...,Xn) adalah estimator tak bias untuk g (θ ) , maka
∂
g‘(Ө) = ∫…∫ l (x1 ,...,xn│Ө) f(x1 ,...,xn│Ө) dx1… dxn
∂θ
=E( TU )
Bila ketaksamaan itu disusun kembali, akan didapatkan batas bawah dari variasi T.
Var (T ) ≥
[Cov(T ,U )]2
Var (U )
[ g ' (θ )]2
Var (T ) ≥ 2
⎡∂ ⎤
E ⎢ ln f ( X 1 ,..., X n θ )⎥
⎣ ∂θ ⎦
Sehingga
n
∂
u(x1 ,...,xn│Ө ) = ∑ ∂θ ln f ( x θ )
i =1
i
22
2
⎡∂ ⎤ ⎡∂ ⎤
E (U 2 ) = Var (U ) = nVar ⎢ ln f ( X θ )⎥ = nE ⎢ ln f ( X θ )⎥
⎣ ∂θ ⎦ ⎣ ∂θ ⎦
[ g ' (θ )]2
Jadi Var (T ) ≥ 2
⎡∂ ⎤
E ⎢ ln f ( X 1 ,..., X n θ )⎥
⎣ ∂θ ⎦
[ g ' (θ )]2
Var (T ) ≥ 2
⎡∂ ⎤
E ⎢ ln f ( x θ )⎥
⎣ ∂θ ⎦
Teroma terbukti.
2
⎡∂ ⎤ ⎡ ∂2 ⎤
E ⎢ ln f ( X θ )⎥ = − E ⎢ 2 ln f ( X θ )⎥
⎣ ∂θ ⎦ ⎣ ∂θ ⎦
Sehingga
[ g ' (θ )]2
Var (T ) ≥ , g (θ ) = θ ; g ' (θ ) = 1
⎡ ∂2 ⎤
− nE ⎢ 2 ln f ( X θ )⎥
⎣ ∂θ ⎦
23
BAB III
PEMBAHASAN
Dalam bab ini akan dibahas tentang aplikasi Teorema Batas Bawah Rao
Cramer untuk menentukan estimator tak bias terbaik pada fungsi distribusi kontinu.
Fungsi distribusi kontinu yang diambil dalam penelitian ini terbatas pada distribusi
Pada bab sebelumnya telah dijelaskan bahwa fungsi distribusi peluang dari
1
1 − [( x − µ ) σ ]2
f ( x µ,σ 2 ) = e 2
−∞ < x < ∞
σ 2π
∑x i
µ̂ = i =1
=X
n
Untuk menentukan estimator tak bias terbaik (UMVUE) dari µ , terlebih dulu
[ g ' ( µ )]2
,
⎡ ∂2 ⎤
− nE ⎢ 2 ln f ( X µ )⎥
⎣ ∂µ ⎦
Jika estimator µ̂ adalah estimator tak bias, maka langkah selanjutnya adalah
diperoleh jika setiap estimator tak bias mencapai batas bawah variansi.
Batas Bawah Rao Cramer atau Cramer-Rao Lower Bound (CRLB) untuk
variansi µ adalah,
[ g ' ( µ )]2
Var ( µˆ ) ≥ , g (µ ) = θ ; g ' (µ ) = 1
⎡ ∂2 ⎤
− nE ⎢ 2 ln f ( X µ )⎥
⎣ ∂µ ⎦
1
1 − [( x − µ ) σ ]2
f ( x µ,σ ) =
2
e 2
−∞ < x < ∞
σ 2π
1
1 − [( x − µ ) σ ]2
f ( x µ , σ 2 ) = ln + ln e 2
σ 2π
( ) + ln e
1
−1 − [( x − µ ) σ ]2
= ln σ −1
+ ln 2π 2
= − ln σ − ln ( 2π ) − ⎢
⎡(x − µ) 2
⎤
⎥ ln e
2σ ⎣
2
⎦
∂ 2x 2µ
ln f ( x µ , σ 2 ) = 0 − 0 − 0 + −
∂µ 2σ 2
2σ 2
∂ x µ
ln f ( x µ , σ 2 ) = 2 − 2
∂µ σ σ
∂2 1
ln f ( x µ , σ 2 ) = − 2
∂µ 2
σ
⎡ ∂2 ⎤ ⎡ 1 ⎤
E ⎢ 2 ln f ( x µ , σ 2 )⎥ = E ⎢− 2 ⎥
⎣ ∂µ ⎦ ⎣ σ ⎦
25
1
=
σ2
[ g ' ( µ )]2 1
=
⎡ ∂2 ⎤ ⎡ 1 ⎤
− nE ⎢ 2 ln f ( X µ )⎥ − n ⎢− 2 ⎥
⎣ ∂µ ⎦ ⎣ σ ⎦
σ2
=
n
∑x i
µ̂ = i =1
=X
n
E ( µˆ ) = E ( X )
=µ
σ2
Var ( µˆ ) = Var ( X ) =
n
[ g ' ( µ )]2
Var ( µˆ ) ≥
⎡ ∂2 ⎤
− nE ⎢ 2 ln f ( X µ )⎥
⎣ ∂µ ⎦
σ2 σ2
=
n n
26
Sehingga
n
∑x i
µ̂ = i =1
= X estimator tak bias terbaik (UMVUE) dari µ.
n
Pada bab sebelumnya telah dijelaskan bahwa fungsi distribusi peluang dari
−x
1
f (xθ ) = eθ x≥0
θ
∑x i
θˆ = i =1
=X
n
Untuk menentukan estimator tak bias terbaik (UMVUE) dari θ , terlebih dulu
[ g ' (θ )]2
,
⎡ ∂2 ⎤
− nE ⎢ 2 ln f ( X θ )⎥
⎣ ∂θ ⎦
∧
kemudian dibuktikan bahwa estimator θ adalah estimator tak bias.
∧
Jika estimator θ adalah estimator tak bias maka langkah selanjutnya adalah
∧
menentukan variansi dari estimator θ . Estimator tak bias terbaik (UMVUE)
diperoleh jika setiap estimator tak bias mencapai batas bawah variansi.
27
Batas Bawah Rao Cramer atau Cramer-Rao Lower Bound (CRLB) untuk
∧
variansi θ adalah:
[ g ' (θ )] 2
Var (θˆ) ≥ , g (θ ) = θ ; g ' (θ ) = 1
⎡ ∂2 ⎤
− nE ⎢ 2 ln f ( X θ )⎥
⎣ ∂θ ⎦
−x
1
f (xθ ) = eθ x≥0
θ
−x
1
ln f ( x θ ) = ln + ln e θ
θ
−x
ln f ( x θ ) = − ln θ + ln e
θ
∂ 1 x
ln f ( x θ ) = − + 2
∂θ θ θ
∂ 2
1 2x
ln f ( x θ ) = 2 − 3
∂θ 2
θ θ
⎡ ∂2 ⎤ ⎡ 1 2x ⎤
E ⎢ 2 ln f ( x θ )⎥ = E ⎢ 2 − 3 ⎥
⎣ ∂θ ⎦ ⎣θ θ ⎦
1 2
= − E ( x)
θ 2
θ3
1 2
= − θ
θ 2
θ3
1 2
= −
θ 2
θ2
1
=−
θ2
28
[ g ' (θ )]2 1
=
⎡∂ 2
⎤ ⎡ 1⎤
− nE ⎢ 2 ln f ( X θ )⎥ − n ⎢− 2 ⎥
⎣ ∂θ ⎦ ⎣ θ ⎦
θ2
=
n
∧
Pembuktian ketakbiasan estimator θ :
∑x i
θˆ = i =1
=X
n
⎡ n ⎤
⎢ ∑ xi ⎥
E (θˆ) = E ⎢ i =1 ⎥
⎢ n ⎥
⎢⎣ ⎥⎦
= E( X )
=θ
∧
maka θ = X adalah estimator tak bias.
θ 2
Var (θˆ) = Var ( X ) =
n
∧
Estimator tak bias θ = X mencapai batas bawah variansi, yaitu
[ g ' (θ )] 2
Var (θˆ) ≥ , g (θ ) = θ ; g ' (θ ) = 1
⎡ ∂2 ⎤
− nE ⎢ 2 ln f ( X θ )⎥
⎣ ∂θ ⎦
29
θ2 θ2
= .
n n
Sehingga
n
∑x i
θˆ = i =1
= X estimator tak bias terbaik (UMVUE) dari θ .
n
Pada sub bab sebelumnya telah dijelaskan bahwa fungsi distribusi peluang
1
f ( x θ ,α ) = α
x α −1e − x θ x>0
θ Γ(α )
∑x i
θˆ = i =1
nαˆ
Untuk menentukan estimator tak bias terbaik (UMVUE) dari θ ,terlebih dulu
[ g ' (θ )]2
,
⎡ ∂2 ⎤
− nE ⎢ 2 ln f ( X θ )⎥
⎣ ∂θ ⎦
∧
kemudian dibuktikan bahwa estimator θ adalah estimator tak bias.
30
∧
Jika estimator θ adalah estimator tak bias maka langkah selanjutnya adalah
∧
menentukan variansi dari estimator θ . Estimator tak bias terbaik (UMVUE)
diperoleh jika setiap estimator tak bias mencapai batas bawah variansi.
Batas Bawah Rao Cramer atau Cramer-Rao Lower Bound (CRLB) untuk
∧
variansi θ adalah
[ g ' (θ )] 2
Var (θˆ) ≥ , g (θ ) = θ ; g ' (θ ) = 1
⎡ ∂2 ⎤
− nE ⎢ 2 ln f ( X θ )⎥
⎣ ∂θ ⎦
1
f ( x θ ,α ) = α
x α −1e − x θ x>0
θ Γ(α )
1
ln f ( x θ , α ) = ln α + ln x α −1 + ln e − x θ
θ Γ(α )
= ln θ −α + ln Γ(α ) −1 + ln x α −1 + ln e − x θ
x
= −α ln θ − ln Γ(α ) + (α − 1) ln x − ln e
θ
x
ln f ( x θ , α ) = −α ln θ − ln Γ(α ) + (α − 1) ln x −
θ
∂ α x
ln f ( x θ , α ) = − − 0 + 0 + 2
∂θ θ θ
∂ α x
ln f ( x θ , α ) = − + 2
∂θ θ θ
∂ 2
α 2x
ln f ( x θ , α ) = 2 − 3
∂θ 2
θ θ
⎡ ∂2 ⎤ ⎡ α 2x ⎤
E ⎢ 2 ln f ( x θ , α )⎥ = E ⎢ 2 − 3 ⎥
⎣ ∂θ ⎦ ⎣θ θ ⎦
31
α 2
= − 3 E ( x)
θ 2
θ
α 2
= 2 − 3 θα
θ θ
α 2α
= −
θ2 θ2
α
=− 2
θ
[ g ' (θ )]2 1
=
⎡∂ 2
⎤ ⎡ α ⎤
− nE ⎢ 2 ln f ( X θ )⎥ − nE ⎢− 2 ⎥
⎣ ∂θ ⎦ ⎣ θ ⎦
1
=
nα
θ2
θ2
=
nα
∧
Pembuktian ketakbiasan estimator θ :
∑x i
θˆ = i =1
nαˆ
⎡ n ⎤
⎢ ∑ xi ⎥
ˆ
E (θ ) = E ⎢ i =1 ⎥
⎢ nαˆ ⎥
⎢⎣ ⎥⎦
32
⎡ n ⎤
∑x
1 ⎢ i =1 i ⎥
= E⎢ ⎥
α ⎢ n ⎥
⎢⎣ ⎥⎦
1
= E( X )
α
1
= αθ
α
=θ
∧
maka θ adalah estimator tak bias.
⎡ n ⎤
⎢ ∑ xi ⎥
ˆ
Var (θ ) = Var ⎢ i =1 ⎥
⎢ nαˆ ⎥
⎢⎣ ⎥⎦
⎡1 ⎤
= Var ⎢ X ⎥
⎣αˆ ⎦
1
= 2 Var ( X )
α
1 ⎡αθ 2 ⎤
=
α 2 ⎢⎣ n ⎥⎦
θ2
=
nα
33
∧
Estimator tak bias θ mencapai batas bawah variansi, yaitu
[ g ' (θ )]2
Var (θˆ) ≥
⎡ ∂2 ⎤
− nE ⎢ 2 ln f ( X θ )⎥
⎣ ∂θ ⎦
θ2 θ2
=
nα nα
Sehingga
n
∑x i
θˆ = i =1
estimator tak bias terbaik (UMVUE) dari θ .
nαˆ
34
BAB IV
PENUTUP
4.1 Kesimpulan
bahwa:
⎡ n ⎤
f (x θ ) =h ( x ) c (θ ) exp ⎢∑ wi (θ )ti (x )⎥ (Subanar, 1996:3).
⎣ i =1 ⎦
Jika diberikan sampel random X1, X, ,..., Xn,n sampel dan populasi yang
Untuk menentukan ukuran kebaikan suatu estimator, yaitu estimator tak bias
terbaik (UMVUE) pada distribusi fungsi kontinu, dapat digunakan Teorema Cramer-
[ g ' (θ )]2 ,
⎡∂ 2
⎤
− nE ⎢ 2 ln f ( X θ )⎥
⎣ ∂θ ⎦
35
Jika estimator θ adalah estimator tak bias, maka langkah selanjutnya adalah
diperoleh jika setiap estimator tak bias mencapai batas bawah variansi.
Batas bawah Rao Cramer atau Cramer-Rao Lower Bound (CRLB) untuk variansi θ
adalah,
[ g ' (θ )] 2
Var (θˆ) ≥ , g (θ ) = θ ; g ' (θ ) = 1
⎡ ∂2 ⎤
− nE ⎢ 2 ln f ( X θ )⎥
⎣ ∂θ ⎦
parameter mencapai batas bawah Rao Cramer sehingga merupakan estimator tak bias
4.2 Saran
Pada distribusi fungsi kontinu dapat ditentukan estimator tak bias terbaik
kemungkinan ada anggota baru yang merupakan distribusi fungsi kontinu selain yang
tertera pada pembahasan dan distribusi yang lain yang juga dapat ditentukan
estimator tak bias terbaiknya dengan teorema Cramer-Rao Lower Bound. Selain itu
untuk anggota keluarga eksponensial yang bukan merupakan estimator tak bias
Oleh karena itu, jika ada yang tertarik untuk mengkajinya, maka disarankan
untuk membahasnya pada anggota baru yang merupakan keluarga eksponensial, pada
dengan metode lain untuk anggota keluarga eksponensial yang bukan merupakan
estimator tak bias terbaik (UMVUE) dan anggota baru yang merupakan distribusi
keluarga eksponensial.
37
DAFTAR PUSTAKA
Boediono dan Koster, Wayan. 2002. Teori dan Aplikasi Statistika dan Probabilitas.
Bandung: Remaja Rosdakarya.
Walpole dan Myers. 1995. Ilmu Peluang dan Statistika untuk Insinyur dan ilmuwan.
Bandung: ITB.