PENDUGAAN METODE KEMUNGKINAN MAKSIMUM

MAKALAH
Untuk memenuhi tugas matakuliah
Statistika Matematika 2
yang dibina oleh Ibu Trianingsih Eni Lestari, S.Si., M.Si

Oleh
Firman Maula Syafi’i (150311604541)
Sofia Ashar (150311607448)
Sunarti (150311600727)

UNIVERSITAS NEGERI MALANG

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
JURUSAN MATEMATIKA
April 2019
A. PENDUGAAN PARAMETER DENGAN METODE KEMUNGKINAN
MAKSIMUM
Pendugaan parameter tidak hanya bisa dilakukan menggunakan metode
momen saja. Salah satu metode lain yang sering digunakan untuk menduga
parameter adalah metode kemungkinan maksimum. Ide dari metode tersebut adalah
menentukan nilai peluang maksimum berdasarkan data pengamatan untuk menduga
parameter yang tidak diketahui. Berikut disajikan Contoh 1 untuk memperjelas ide
metode kemungkinan maksimum.

Contoh 1
Misalkan terdapat sekeping uang logam yang tidak seimbang dengan purata
proporsi muncul muka adalah satu dari ketiga nilai 𝑝 = 0.2, 0.3, atau 0.8.
Kemudian, dilakukan percobaan melempar uang logam tersebut sebanyak dua kali
dan diamati banyak muka yang muncul.
Dari percobaan tersebut, dapat dibuat model matematika sebagai berikut.

Pada kejadian tersebut, hanya dipertimbangkan 2 kejadian yaitu sukses

(𝑝) yaitu dengan mendapatkan muka dan gagal (1 − 𝑝) dengan mendapatkan
belakang, sehingga kejadian tersebut merupakan kejadian Binomial, atau lebih
tepatnya Bernoulli. Oleh karena itu, dapat dimisalkan dua sampel acak yaitu 𝑋1 , 𝑋2
dengan 𝑋𝑖 ~𝐵𝐼𝑁(1, 𝑝), 𝑖 = 1,2 dengan ruang parameter Ω = {0.2, 0.3, 0.8}. Nilai
peubah acak 𝑥1 , 𝑥2 adalah 0 atau 1, yang menyatakan banyaknya muka yang
muncul.
Kita akan mencoba menduga parameter dengan metode momen (MME).
Oleh karena 𝑋𝑖 ~𝐵𝐼𝑁(1, 𝑝), maka 𝜇 = 𝜇1′ = 𝐸(𝑋) = 𝑝. Akibatnya, MME dari 𝑝
adalah 𝑋̅. Berdasarkan hasil berikut, MME tidak memberikan hasil yang diharapkan
karena dari percobaan tersebut diperoleh 𝑥̅ yaitu,

0 jika (𝑥1 , 𝑥2 ) = (0,0)

𝑥̅ = {0.5 jika (𝑥1 , 𝑥2 ) = (0,1), (1,0)
1 jika (𝑥1 , 𝑥2 ) = (1,1)

Perhatikan bahwa nilai tersebut bukanlah anggota dari ruang parameter Ω.

Oleh karena itu, diperlukan metode lain yang diharapkan dapat memberikan hasil
yang baik, yaitu metode kemungkinan maksimum.
 Oleh karena 𝑋1 , 𝑋2 sampel acak dan 𝑋𝑖 ~𝐵𝐼𝑁(1, 𝑝), 𝑖 = 1,2, diperoleh pdf
bersama dari 𝑋1 dan 𝑋2 sebagai berikut.
𝑓(𝑥1 , 𝑥2 ; 𝑝) = 𝑓(𝑥1 ; 𝑝)𝑓(𝑥2 ; 𝑝)

= 𝑝 𝑥1 (1 − 𝑝)1−𝑥1 ∙ 𝑝 𝑥2 (1 − 𝑝)1−𝑥2 𝐼(𝑥𝑖 = 0,1; 𝑖 = 1,2)

= 𝑝 𝑥1 +𝑥2 (1 − 𝑝)2−𝑥1 −𝑥2 𝐼(𝑥𝑖 = 0,1; 𝑖 = 1,2)

Dengan menggunakan rumus tersebut, diperoleh nilai-nilai 𝑓(𝑥1 , 𝑥2 ; 𝑝)

sebagai berikut.

a. Untuk nilai 𝑝 = 0.2, diperoleh

1. 𝑓(0,0; 0.2) = 0.20 (1 − 0.2)2 = 0.64
2. 𝑓(0,1; 0.2) = 𝑓(1,0; 0.2) = 0.21 (1 − 0.2)1 = 0.16
3. 𝑓(1,1; 0.2) = 0.22 (1 − 0.2)0 = 0.04
b. Untuk nilai 𝑝 = 0.3, diperoleh
1. 𝑓(0,0; 0.3) = 0.30 (1 − 0.3)2 = 0.49
2. 𝑓(0,1; 0.3) = 𝑓(1,0; 0.3) = 0.31 (1 − 0.3)1 = 0.21
3. 𝑓(1,1; 0.3) = 0.32 (1 − 0.3)0 = 0.09
c. Untuk nilai 𝑝 = 0.8, diperoleh
1. 𝑓(0,0; 0.8) = 0.80 (1 − 0.8)2 = 0.04
2. 𝑓(0,1; 0.8) = 𝑓(1,0; 0,8) = 0.81 (1 − 0.8)1 = 0.16
3. 𝑓(1,1; 0.8) = 0.82 (1 − 0.8)0 = 0.64
Untuk mempermudah, berikut ini disajikan Tabel 1 yang menyatakan nilai-
nilai dari 𝑓(𝑥1 , 𝑥2 ; 𝑝).
Tabel 1. Nilai-Nilai 𝒇(𝒙𝟏 , 𝒙𝟐 ; 𝒑)
(𝑥1 , 𝑥2 )
𝑝
(0,0) (0,1) (1,0) (1,1)
0.20 0.64 0.16 0.16 0.04
0.30 0.49 0.21 0.21 0.09
0.80 0.04 0.16 0.16 0.64
 Ingat bahwa pada metode kemungkinan maksimum, dicari nilai peluang
maksimum, sehingga pada Tabel 1, akan dicari nilai 𝑝 yang mengakibatkan nilai
pdf nya terbesar untuk masing-masing nilai (𝑥1 , 𝑥2 ).
Misalkan percobaan tersebut menghasilkan pasangan (𝑥1 , 𝑥2 ) = (0,0). Dari
Tabel 1, 𝑝 = 0.20 memberikan nilai pdf yang lebih besar dibandingkan dua nilai 𝑝
yang lain. Oleh karena itu, diperoleh nilai penduga yaitu 𝑝̂ = 0.20, jika (𝑥1 , 𝑥2 ) =
(0,0).
Dengan cara serupa, diperoleh 𝑝̂ = 0.30, jika (𝑥1 , 𝑥2 ) = (0,1) atau (1,0).
Terakhir, didapatkan 𝑝̂ = 0.80, jika (𝑥1 , 𝑥2 ) = (1,1). Jadi, dugaan kemungkinan
maksimum dari 𝑝 berdasarkan pengamatan (𝑥1 , 𝑥2 ) adalah sebagai berikut.
0.20 jika (𝑥1 , 𝑥2 ) = (0,0)
𝑝̂ = {0.30 jika (𝑥1 , 𝑥2 ) = (0,1), (1,0)
0.80 jika (𝑥1 , 𝑥2 ) = (1,1)

Berikut ini disajikan Definisi 1 dan Definisi 2, yang masing-masing menyatakan

definisi dari fungsi kemungkinan dan dugaan kemungkinan maksimum.

Definisi 1. Suatu pdf bersama dari 𝑛 peubah acak 𝑋1 , 𝑋2 , … , 𝑋𝑛 yang

bergantung pada parameter 𝜃 disebut fungsi kemungkinan, ditulis

𝐿(𝜃) = 𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ; 𝜃)

Jika 𝑋1 , 𝑋2 , … , 𝑋𝑛 merupakan sampel acak, maka diperoleh

𝐿(𝜃) = 𝑓(𝑥1 ; 𝜃)𝑓(𝑥2 ; 𝜃) … 𝑓(𝑥𝑛 ; 𝜃)

Definisi 2. Misal 𝑥1 , 𝑥2 , … , 𝑥𝑛 adalah nilai pengamatan berturut-turut dari

peubah acak 𝑋1 , 𝑋2 , … , 𝑋𝑛 . Nilai 𝜃̂ dalam Ω yang merupakan fungsi dari
𝑥1 , 𝑥2 , … , 𝑥𝑛 disebut dugaan kemungkinan maksimum dari 𝜃, jika 𝐿(𝜃̂)
adalah nilai maksimum 𝐿(𝜃) untuk setiap 𝜃 dalam Ω.

Istilah padanan untuk dugaan kemungkinan maksimum yang umum

digunakan adalah maximum likelihood estimate (MLE). Sehingga, dugaan
kemungkinan makimum cukup ditulis sebagai MLE.
Jika Ω merupakan selang terbuka dan 𝐿(𝜃) dapat diturunkan dan memenuhi
asumsi maksimum pada Ω, maka MLE merupakan solusi dari persamaan
 𝑑
𝐿(𝜃) = 0
𝑑𝜃

Perhatikan bahwa penentuan solusi persamaan tersebut, sama saja dengan

menentukan solusi persamaan

𝑑
ln 𝐿(𝜃) = 0
𝑑𝜃

Hal tersebut dikarenakan ln merupakan fungsi naik sejati. Sehingga, nilai

𝜃̂1 yang menyebabkan 𝐿(𝜃) maksimum, sama dengan nilai 𝜃̂2 yang menyebabkan
ln 𝐿(𝜃) maksimum. Persamaan terakhir disebut persamaan kemungkinan, yang
sering digunakan untuk mempermudah proses penghitungan.

Contoh 2
Misal 𝑋1 , 𝑋2 , … , 𝑋𝑛 sampel acak dari sebaran Poisson dengan parameter
𝜃, 𝑋𝑖 ~𝑃𝑂𝐼(𝜃). Kita akan menentukan MLE dari 𝜃. Pertama-tama kita tentukan
𝐿(𝜃). Karena 𝑋1 , 𝑋2 , … , 𝑋𝑛 sampel acak dari sebaran Poisson dengan parameter
𝜃, 𝑋𝑖 ~𝑃𝑂𝐼(𝜃), maka fungsi kemungkinannya adalah
𝑛
𝑒 −𝜃 𝜃 𝑥1 𝑒 −𝜃 𝜃 𝑥2 𝑒 −𝜃 𝜃 𝑥𝑛 𝑒 −𝑛𝜃 𝜃 ∑𝑖=1 𝑥1
𝐿(𝜃) = 𝑓(𝑥1 ; 𝜃)𝑓(𝑥2 ; 𝜃) … 𝑓(𝑥𝑛 ; 𝜃) = … =
𝑥1 ! 𝑥2 ! 𝑥𝑛 ! ∏𝑛𝑖=1 𝑥𝑖 !

Lambang ∏𝑛𝑖=1 𝑥𝑖 ! berarti perkalian dari 𝑥1 !, … , 𝑥𝑛 !. Logaritma dari fungsi

kemungkinannya adalah
𝑛
𝑒 −𝑛𝜃 𝜃 ∑𝑖=1 𝑥1
ln 𝐿(𝜃) = ln ( )
∏𝑛𝑖=1 𝑥𝑖 !

𝑛
𝑛
= −𝑛𝜃 + ∑ 𝑥𝑖 ln 𝜃 − ln (∏ 𝑥𝑖 !)
𝑖=1
𝑖=1

Lebih lanjut kita peroleh persamaan kemungkinan

𝑑 ∑𝑛𝑖=1 𝑥𝑖
ln 𝐿(𝜃) = −𝑛 + =0
𝑑𝜃 𝜃

Oleh karena itu, kita mendapatkan solusi

∑𝑛𝑖=1 𝑥𝑖
𝜃̂ = = 𝑥̅𝑛
𝑛
Jadi MLE dari 𝜃 adalah 𝜃̂ = 𝑥̅𝑛 .

Untuk menyelidiki bahwa solusi di atas memang memberikan hasil yang

maksimum untuk ln 𝐿(𝜃), maka secara kalkulus kita harus dapat menunjukkan
𝑑2
bahwa turunan kedua dari 𝑑𝜃2 ln 𝐿(𝜃) pada 𝜃 = 𝑥̅𝑛 negatif, seperti dapat kita lihat

berikut ini.

𝑛 𝑛
∑
𝑑2
ln 𝐿(𝜃)| = −
∑𝑛𝑖=1 𝑥𝑖
= −
∑𝑛𝑖=1 𝑥𝑖
= − 𝑛 𝑖=1 𝑥𝑖 = − 𝑛𝑥̅𝑛 = − 𝑛
𝑑𝜃 2 𝜃=𝑥̅
𝜃2 𝑥̅𝑛 2 𝑥̅𝑛 2 𝑥̅ 𝑛 2 𝑥̅𝑛
𝑛

Karena 𝑋1 , 𝑋2 , … , 𝑋𝑛 sampel acak dari sebaran Poisson, maka 𝑥̅𝑛 > 0. Oleh karena
itu,

𝑛 𝑑 2 ln 𝐿(𝜃)
− = <0
𝑥̅ 𝑛 𝑑𝜃 2

Contoh 3
Misal 𝑋1 , 𝑋2 , … , 𝑋𝑛 sampel acak dari sebaran dengan pdf
𝑓(𝑥; 𝜃) = 𝜃 𝑥 (1 − 𝜃)1−𝑥 𝐼(𝑥 = 0,1, 0 < 𝜃 < 1)

Maka kita peroleh fungsi kemungkinan

𝑛 𝑛
𝐿(𝜃) = 𝜃 ∑𝑖=1 𝑥𝑖 (1 − 𝜃)𝑛−∑𝑖=1 𝑥𝑖 𝐼(𝑥𝑖 = 0,1, 𝑖 = 1,2,3, … , 0 < 𝜃 < 1)

Logaritma dari fungsi kemungkinan ini adalah

𝑛 𝑛

ln 𝐿(𝜃) = (∑ 𝑥𝑖 ) ln 𝜃 + (𝑛 − ∑ 𝑥𝑖 ) ln(1 − 𝜃)
𝑖=1 𝑖=1

Sehingga kita peroleh persamaan kemungkinan

𝑑 ∑𝑛𝑖=1 𝑥𝑖 𝑛 − ∑𝑛𝑖=1 𝑥𝑖 ∑𝑛𝑖=1 𝑥𝑖 𝑛 − ∑𝑛𝑖=1 𝑥𝑖

ln 𝐿(𝜃) = + (−1) = − =0
𝑑𝜃 𝜃 1−𝜃 𝜃 1−𝜃

Persamaan ini ekuivalen dengan persamaan

𝑛 𝑛

(1 − 𝜃) ∑ 𝑥𝑖 = 𝜃 (𝑛 − ∑ 𝑥𝑖 )
𝑖=1 𝑖=1

yang solusinya merupakan MLE dari 𝜃, yaitu

 ∑𝑛𝑖=1 𝑥𝑖
𝜃̂ = = 𝑥̅𝑛
𝑛

Contoh 4
Misal 𝑋1 , 𝑋2 , … , 𝑋𝑛 sampel acak dari sebaran normal, 𝑋~𝑁(𝜇, 𝜃). Kita akan
menentukan MLE dari parameter 𝜇 dan 𝜃. Kita mempunyai pdf

1 (𝑥−𝜇)2
𝑓(𝑥; 𝜇, 𝜃) = 𝑒− 2𝜃
√2𝜋𝜃

Oleh karena itu, fungsi kemungkinannya

1 −
(𝑥1 −𝜇)2 1 −
(𝑥𝑛 −𝜇)2 𝑛 ∑𝑛𝑖−1(𝑥𝑖 − 𝜇)2
𝐿(𝜇, 𝜃) = 𝑒 2𝜃 … 𝑒 2𝜃 = (2𝜋𝜃)− 2 exp [− ]
√2𝜋𝜃 √2𝜋𝜃 2𝜃

Logaritma fungsi kemungkinan ini adalah

−
𝑛 ∑𝑛𝑖−1(𝑥𝑖 − 𝜇)2
ln 𝐿(𝜇, 𝜃) = ln(2𝜋𝜃) 2 + ln (exp [− ])
2𝜃

𝑛 𝑛 ∑𝑛𝑖−1(𝑥𝑖 − 𝜇)2
= − ln(2𝜋) − ln 𝜃 −
2 2 2𝜃

Oleh karena terdapat dua parameter yang akan kita duga, maka kita perlukan
prosedur turunan parsial. Mula-mula kita turunkan terhadap 𝜇, kemudian terhadap
𝜃, dan masing-masing turunan tersebut kita buat nol. Solusi dari kedua persamaan
tersebut merupakan MLE dari 𝜇 dan 𝜃. Perhatikan bahwa,

𝜕 ln 𝐿(𝜇, 𝜃) 2 ∑𝑛𝑖=1(𝑥𝑖 − 𝜇)
= =0
𝜕𝜇 2𝜃
Dari persamaan ini, kita peroleh MLE dari 𝜇
𝜇̂ = 𝑥̅𝑛
Persamaan kemungkinannya ketika diturunkan terhadap 𝜃 adalah
𝜕 ln 𝐿(𝜇, 𝜃) 𝑛 ∑𝑛𝑖=1(𝑥𝑖 − 𝜇)2
=− + =0
𝜕𝜃 2𝜃 2𝜃 2

Persamaan tersebut ekuivalen dengan

∑𝑛𝑖=1(𝑥𝑖 − 𝜇)2
𝑛=
𝜃
Dari persamaan ini dan dari hasil 𝜇̂ = 𝑥̅ , kita peroleh MLE dari 𝜃 adalah
 ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅𝑛 )2
𝜃̂ =
𝑛

Dari ketiga contoh di atas, kita mendapatkan kesan bahwa untuk

mendapatkan MLE, maka prosedur yang dipakai adalah dengan cara penurunan.
Meskipun demikian tidak selalu prosedur tersebut yang digunakan, terutama untuk
parameter yang bergantung pada data pengamatan. Berikut ini adalah contoh bahwa
untuk mendapatkan MLE tidak menggunakan proses penurunan.

Contoh 5
Misal 𝑋1 , 𝑋2 , … , 𝑋𝑛 sampel acak dari sebaran dengan pdf
1
𝑓(𝑥; 𝜃) = 𝐼(0 < 𝑥 ≤ 𝜃)
𝜃
maka, fungsi kemungkinannya adalah
1
𝐿(𝜃) = 𝐼(0 < 𝑥𝑖 ≤ 𝜃, 𝑖 = 1,2, … , 𝑛)
𝜃𝑛
Dari persyaratan bahwa fungsi tersebut terdefinisi pada 𝑥𝑖 ≤ 𝜃, untuk
masing-masing 𝑖 = 1,2, … , 𝑛, maka 𝜃̂ haruslah maksimum dari 𝑥𝑖 . Dengan kata
lain, penduga dari 𝜃 adalah statistik urutan terbesar dari 𝑋1 , 𝑋2 , … , 𝑋𝑛 .
Seperti halnya pada MME, pada MLE berlaku pula sifat invarians, yaitu
𝜏̂ (𝜃1 , 𝜃2 , … , 𝜃𝑛 ) = 𝜏(𝜃̂1 , 𝜃̂2 , … , 𝜃̂𝑛 )

Contoh 6
Misal 𝑋1 , 𝑋2 , … , 𝑋𝑛 sampel acak dari sebaran Poisson dengan parameter 𝜃,
𝑋𝑖 ~𝑃𝑂𝐼(𝜃). Kita akan menentukan MLE dari
𝜏 = 𝜏(𝜃) = 𝑃[𝑋 = 0] = 𝑒 −𝜃
Dari contoh 2, sudah kita peroleh bahwa 𝜃̂ = 𝑥̅𝑛 . Oleh karena itu, menggunakan
sifat invarians kita dapatkan
𝜏̂ = 𝜏(𝜃̂) = 𝑒 −𝜃 = 𝑒 −𝑥̅ 𝑛

Misal 𝜃0 menyatakan nilai benar dari 𝜃. Teorema 1 memberi alasan pada

kemaksimuman fungsi kemungkinan. Untuk membuktikannya, diperlukan suatu
asumsi yang disebut sebagai kondisi kereguleran (regularity conditions).

Asumsi 1 Kondisi Kereguleran (Regularity Conditions)

(R0): pdf-pdf adalah berbeda, yaitu, 𝜃 ≠ 𝜃 ′ ⇒ 𝑓(𝑥𝑖 ; 𝜃) ≠ 𝑓(𝑥𝑖 ; 𝜃 ′ ).
 (R1): pdf-pdf terdefinisi pada daerah yang sama untuk semua 𝜃.
(R2): titik 𝜃0 adalah titik dalam dari 𝛺.

Teorema 1
Misal 𝜃0 adalah parameter benar. Di bawah asumsi (R0) dan (R1),
lim 𝑃𝜃0 [𝐿(𝜃0 , 𝚾) > 𝐿(𝜃, 𝚾)] = 1, untuk semua 𝜃 ≠ 𝜃0 .
𝑛→∞

Bukti
Logaritma dari ketaksamaan 𝐿(𝜃0 , 𝚾) > 𝐿(𝜃, 𝚾) adalah ekivalen dengan
𝑛
1 𝑓(𝑋𝑖 ; 𝜃)
∑ ln [ ]<0
𝑛 𝑓(𝑋𝑖 ; 𝜃0 )
𝑖=1

Karena jumlah-jumlah tersebut identik dengan ekspektasi terhingga dan

𝜙(𝑥) = −ln(𝑥) adalah cembung sempurna, maka menggunakan Hukum Bilangan
Besar dan Ketaksamaan Jensen (Susiswo, Teori Peluang: Teorema 6.5.8), bahwa,
jika 𝜃0 parameter benar, maka
𝑛
1 𝑓(𝑋𝑖 ; 𝜃) 𝑝 𝑓(𝑋𝑖 ; 𝜃) 𝑓(𝑋𝑖 ; 𝜃)
∑ ln [ ]→ 𝐸𝜃0 [ln ] < ln 𝐸𝜃0 [ ]
𝑛 𝑓(𝑋𝑖 ; 𝜃0 ) 𝑓(𝑋𝑖 ; 𝜃0 ) 𝑓(𝑋𝑖 ; 𝜃0 )
𝑖=1

Tetapi
𝑓(𝑋𝑖 ; 𝜃) 𝑓(𝑋𝑖 ; 𝜃)
𝐸𝜃0 [ ]=∫ 𝑓(𝑋𝑖 ; 𝜃0 )𝑑𝑥 = 1
𝑓(𝑋𝑖 ; 𝜃0 ) 𝑓(𝑋𝑖 ; 𝜃0 )
Karena ln 1 = 0, maka bukti selesai.
Teorema 1 mengatakan bahwa keasimtotan fungsi kemungkinan maksimum
pada nilai benar 𝜃0 .

LATIHAN SOAL
1. Tentukan MLE dari 𝜃 berdasarkan sampel acak 𝑋1 , 𝑋2 , … , 𝑋𝑛 untuk masing-
masing pdf berikut ini.
a. 𝑓(𝑥; 𝜃) = 𝜃𝑥 𝜃−1 𝐼(0 < 𝑥 < 1, 0 < 𝜃)
b. 𝑓(𝑥; 𝜃) = (𝜃 + 1)𝑥 −𝜃−2 𝐼(1 < 𝑥, 0 < 𝜃)
c. 𝑓(𝑥; 𝜃) = 𝜃 2 𝑥𝑒 −𝜃𝑥 𝐼(0 < 𝑥, 0 < 𝜃)

Solusi:
a. 𝑓(𝑥; 𝜃) = 𝜃𝑥 𝜃−1 𝐼(0 < 𝑥 < 1, 0 < 𝜃)
Maka fungsi kemungkinannya adalah
 𝐿(𝜃) = 𝑓(𝑥1 ; 𝜃)𝑓(𝑥2 ; 𝜃) … 𝑓(𝑥𝑛 ; 𝜃)
= 𝜃𝑥1𝜃−1 𝜃𝑥2𝜃−1 … 𝜃𝑥𝑛𝜃−1
= 𝜃 𝑛 (𝑥1 𝑥2 … 𝑥𝑛 )𝜃−1
𝑛

= 𝜃 𝑛 ∏(𝑥𝑖 )𝜃−1
𝑖=1

Logaritma fungsi kemungkinannya

𝑛

ln 𝐿(𝜃) = 𝑛 ln 𝜃 + (𝜃 − 1) ln ∏ 𝑥𝑖
𝑖=1

Persamaan kemungkinannya adalah

𝑛
𝑑 𝑛
ln 𝐿(𝜃) = + ln ∏ 𝑥𝑖 = 0
𝑑𝜃 𝜃
𝑖=1
𝑛
𝑛
= − ln ∏ 𝑥𝑖
𝜃
𝑖=1
𝑛
𝜃̂ = −
ln ∏𝑛𝑖=1 𝑥𝑖
Jadi, MLE dari 𝜃 adalah
𝑛
𝜃̂ = −
ln ∏𝑛𝑖=1 𝑥𝑖
b. 𝑓(𝑥; 𝜃) = (𝜃 + 1)𝑥 −𝜃−2 𝐼(1 < 𝑥, 0 < 𝜃)
Maka fungsi kemungkinannya
𝐿(𝜃) = (𝜃 + 1)𝑥1−𝜃−2 (𝜃 + 1)𝑥2−𝜃−2 … (𝜃 + 1)𝑥𝑛−𝜃−2
𝑛

= (𝜃 + 1) ∏(𝑥𝑖 )−𝜃−2
𝑛

𝑖=1

Logaritma kemungkinannya adalah

𝑛

ln 𝐿(𝜃) = 𝑛 ln(𝜃 + 1) + (−𝜃 − 2) ln ∏ 𝑥𝑖

𝑖=1

Persamaan kemungkinannya
𝑛
𝑑 𝑛
ln 𝐿(𝜃) = − ln ∏ 𝑥𝑖 = 0
𝑑𝜃 𝜃+1
𝑖=1

Sehingga diperoleh
 𝑛
𝜃̂ = −1
ln ∏𝑛𝑖=1 𝑥𝑖
Jadi, MLE dari 𝜃 adalah
𝑛
𝜃̂ = −1
ln ∏𝑛𝑖=1 𝑥𝑖
c. 𝑓(𝑥; 𝜃) = 𝜃𝑥𝑒 −𝜃𝑥 𝐼(0 < 𝑥, 0 < 𝜃)
Maka fungsi kemungkinannya adalah
𝐿(𝜃) = 𝜃𝑥1 𝑒 −𝜃𝑥1 𝜃𝑥2 𝑒 −𝜃𝑥2 … 𝜃𝑥𝑛 𝑒 −𝜃𝑥𝑛
𝑛 𝑛
2𝑛
=𝜃 ∏ 𝑥𝑖 exp (𝜃 ∑ 𝑥𝑖 )
𝑖=1 𝑖=1

Logaritma kemungkinannya adalah

𝑛 𝑛

ln 𝐿(𝜃) = 2𝑛 ln 𝜃 − 𝜃 ∑ 𝑥𝑖 + ln ∏ 𝑥𝑖
𝑖=1 𝑖=1

Persamaan kemungkinannya
𝑛
𝑑 2𝑛
ln 𝐿(𝜃) = − ∑ 𝑥𝑖 = 0
𝑑𝜃 𝜃
𝑖=1

Sehingga diperoleh
2
𝜃̂ =
𝑥̅𝑛
Jadi, MLE dari 𝜃 adalah
2
𝜃̂ =
𝑥̅𝑛
2. Tentukan MLE dari 𝜃 berdasarkan sampel acak 𝑋1 , 𝑋2 , … , 𝑋𝑛 untuk masing-
masing sebaran berikut ini.
a. 𝑋𝑖 ~𝐵𝐼𝑁(3, 𝑝)
1
b. 𝑋𝑖 ~𝑊𝐸𝐼 (𝜃, )
2

c. 𝑋𝑖 ~𝑃𝐴𝑅(1, 𝜅)
Solusi:
a. Karena 𝑋1 , 𝑋2 , … , 𝑋𝑛 sampel acak dan 𝑋𝑖 ~𝐵𝐼𝑁(3, 𝑝), 𝑖 ∈ ℕ, maka fungsi
kemungkinannya adalah
 3 3
𝐿(𝑝) = ( ) 𝑝 𝑥1 (1 − 𝑝)3−𝑥1 ∙ ( ) 𝑝 𝑥2 (1 − 𝑝)3−𝑥2 ∙ …
𝑥1 𝑥2
3
∙ ( ) 𝑝 𝑥𝑛 (1 − 𝑝)3−𝑥𝑛
𝑥𝑛
𝑛
3 𝑛 𝑛
= ∏ ( ) 𝑝∑𝑖=1 𝑥𝑖 (1 − 𝑝)∑𝑖=1 3−𝑥𝑖
𝑥𝑖
𝑖=1

Diperoleh logaritmanya
𝑛 𝑛 𝑛
3
ln 𝐿(𝑝) = ln ∏ ( ) + ∑ 𝑥𝑖 ln 𝑝 + (∑ 3 − 𝑥𝑖 ) ln(1 − 𝑝)
𝑥𝑖
𝑖=1 𝑖=1 𝑖=1

Persamaan kemungkinannya adalah

𝑑 ∑𝑛𝑖=1 𝑥𝑖 ∑𝑛𝑖=1(3 − 𝑥𝑖 )
ln 𝐿(𝑝) = − =0
𝑑𝑝 𝑝 1−𝑝
∑𝑛𝑖=1 𝑥𝑖 ∑𝑛𝑖=1(3 − 𝑥𝑖 )
=
𝑝 1−𝑝
𝑛 𝑛

(1 − 𝑝) ∑ 𝑥𝑖 = 𝑝 ∑(3 − 𝑥𝑖 )
𝑖=1 𝑖=1
𝑛 𝑛 𝑛

∑ 𝑥𝑖 = 𝑝 [∑(3 − 𝑥𝑖 ) + ∑ 𝑥𝑖 ]
𝑖=1 𝑖=1 𝑖=1
𝑛

∑ 𝑥𝑖 = 𝑝(3𝑛)
𝑖=1

Solusinya adalah MLE dari 𝑝, yaitu 𝑝̂ , yaitu

∑𝑛𝑖=1 𝑥𝑖 1
𝑝̂ = = 𝑥̅𝑛
3𝑛 3
b. Fungsi kemungkinannya adalah
1
1 𝑛 𝑛 −
2 1
1 (2) ∑𝑛
𝑥𝑖 2
𝐿 (𝜃, ) = 𝑛 (∏ 𝑥𝑖 ) 𝑒 − 𝑖=1( 𝜃 )
2 𝜃2 𝑖=1

Logaritmanya adalah
𝑛 𝑛 1
1 𝑛 1 𝑥𝑖 2
ln 𝐿 (𝜃, ) = −𝑛 ln 2 − ln 𝜃 − ln (∏ 𝑥𝑖 ) − ∑ ( )
2 2 2 𝜃
𝑖=1 𝑖=1

Persamaan kemungkinannya
 1 1
𝑑 ln 𝐿 (𝜃, 2) 𝑛 ∑𝑛𝑖=1(𝑥𝑖 )2
=− + =0
𝑑𝜃 2𝜃 2𝜃√𝜃
1
∑𝑛𝑖=1(𝑥𝑖 )2
𝑛=
√𝜃
1
∑𝑛𝑖=1(𝑥𝑖 )2
√𝜃 =
𝑛
Sehingga diperoleh penduga dari 𝜃, yaitu 𝜃̂ dengan
2
(∑𝑛𝑖=1 √𝑥𝑖 )
̂
𝜃=
𝑛2
c. Fungsi kemungkinannya adalah
𝜅𝑛
𝐿(1, 𝜅) = 𝑛
[∏𝑖=1(1 + 𝑥𝑖 )]𝜅+1
Logaritmanya adalah
𝑛

ln 𝐿(1, 𝜅) = 𝑛 ln 𝜅 − (𝜅 + 1) ln ∏(1 + 𝑥𝑖 )
𝑖=1

Persamaan kemungkinannya adalah

𝑛
𝑑 ln 𝐿(1, 𝜅) 𝑛
= − ln ∏(1 + 𝑥𝑖 ) = 0
𝑑𝜅 𝜅
𝑖=1
𝑛
𝑛
= ln ∏(1 + 𝑥𝑖 )
𝜅
𝑖=1

Sehingga diperoleh penduga untuk 𝜅, yaitu 𝜅̂ , dengan

𝑛
𝜅̂ = 𝑛
ln ∏𝑖=1(1 + 𝑥𝑖 )

3. Misal 𝑋1 , 𝑋2 , … , 𝑋𝑛 sampel acak dari sebaran eksponensial dua parameter,

𝑋𝑖 ~𝐸𝑋𝑃(𝜃, 𝜂). Tentukan MLE dari 𝜂 dan 𝜃.

Solusi:
Fungsi kemungkinannya adalah
1 ∑𝑛𝑖=1(𝑥𝑖 − 𝜂)
𝐿(𝜃, 𝜂) = 𝑛 exp [− ]
𝜃 𝜃
Logaritmanya adalah
 ∑𝑛𝑖=1(𝑥𝑖 − 𝜂)
ln 𝐿(𝜃, 𝜂) = −𝑛 ln 𝜃 −
𝜃
Karena terdapat dua parameter yang akan diduga, maka akan digunakan turunan
parsial.
Persamaan kemungkinan dengan turunan parsial terhadap 𝜂 adalah
𝜕 ln 𝐿(𝜃, 𝜂) ∑𝑛𝑖=1(𝑥𝑖 − 𝜂)
= =0
𝜕𝜂 𝜃
Dari persamaan tersebut, diperoleh MLE dari 𝜂,
∑𝑛𝑖=1 𝑥𝑖
𝜂̂ = = 𝑥̅𝑛
𝑛
Sementara itu, persamaan kemungkinan dengan turunan parsial terhadap 𝜃
adalah
𝜕 ln 𝐿(𝜃, 𝜂) 𝑛 ∑𝑛𝑖=1(𝑥𝑖 − 𝜂)
=− + =0
𝜕𝜃 𝜃 𝜃2
yang ekivalen dengan
∑𝑛𝑖=1(𝑥𝑖 − 𝜂)
𝑛=
𝜃
Dari persamaan tersebut dan dari hasil 𝜂̂ = 𝑥̅𝑛 , diperoleh MLE dari 𝜃, yaitu
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅𝑛 )
𝜃̂ =
𝑛
4. Misal 𝑋1 , 𝑋2 , … , 𝑋𝑛 sampel acak dari sebaran geometrik, 𝑋𝑖 ~𝐺𝐸𝑂(𝑝).
Tentukan MLE dari:
1
a. 𝐸(𝑋) = 𝑝
1−𝑝
b. 𝑉𝑎𝑟(𝑋) = 𝑝2

c. 𝑃[𝑋 > 𝑘] = (1 − 𝑝)𝑘 , 𝑘 = 1,2,3, …

Petunjuk: Gunakan sifat invarians
Solusi:
a. Terlebih dahulu akan dicari MLE dari 𝑝. Fungsi kemungkinannya adalah
𝑛
𝐿(𝑝) = 𝑝𝑛 (1 − 𝑝)∑𝑖=1(𝑥𝑖 −1)
Logaritmanya adalah
𝑛

ln 𝐿(𝑝) = 𝑛 ln 𝑝 + ∑(𝑥𝑖 − 1) ln(1 − 𝑝)

𝑖=1

Persamaan kemungkinannya adalah

 𝑑 ln 𝐿(𝑝) 𝑛 ∑𝑛𝑖=1(𝑥𝑖 − 1)
= − =0
𝑑𝑝 𝑝 1−𝑝
𝑛

(1 − 𝑝)𝑛 = 𝑝 ∑(𝑥𝑖 − 1)
𝑖=1
𝑛

𝑛 − 𝑝𝑛 = 𝑝 ∑ 𝑥𝑖 − 𝑝𝑛
𝑖=1
𝑛

𝑛 = 𝑝 ∑ 𝑥𝑖
𝑖=1

Dari persamaan tersebut, diperoleh penduga untuk 𝑝, yaitu

𝑛 1
𝑝̂ = =
∑𝑛𝑖=1 𝑥𝑖 𝑥̅𝑛
1
Dengan menggunakan sifat invarians, diperoleh MLE untuk 𝐸(𝑋) = 𝑝, yaitu

1 1
𝜏̂ = 𝜏(𝑝̂ ) = = = 𝑥̅𝑛
𝑝̂ ( 1 )
𝑥̅𝑛
1−𝑝
b. Dengan menggunakan cara serupa, diperoleh MLE untuk 𝑉𝑎𝑟(𝑋) = ,
𝑝2

1 − 𝑝̂ 1 1
𝜏̂ = 𝜏(𝑝̂ ) = = − = 𝑥̅ 𝑛2 − 𝑥̅𝑛
𝑝̂ 2 𝑝̂ 2 𝑝̂
c. Kembali menggunakan sifat invarians, diperoleh MLE untuk 𝑃[𝑋 > 𝑘] =
(1 − 𝑝)𝑘 , yaitu
1 𝑘
𝜏̂ = 𝜏(𝑝̂ ) = (1 − 𝑝̂ )𝑘 = (1 − )
𝑥̅𝑛
5. Misal 𝑋1 , 𝑋2 , … , 𝑋𝑛 sampel acak dari sebaran dengan pdf 𝑓(𝑥; 𝜃) =
𝑥
1
𝑒 −𝜃 𝐼(0 < 𝑥 < ∞). Tentukan MLE dari 𝑃(𝑋 ≤ 2).
𝜃

Solusi:
2
1 𝑥
𝑃(𝑋 ≤ 2) = ∫ 𝑒 −𝜃 𝑑𝑥
𝜃
0
𝑥 2
= [−𝑒 −𝜃 ]
0
2
= −𝑒 −𝜃 +1
Selanjutnya, akan dicari penduga dari 𝜃
Fungsi kemungkinannya adalah
1 ∑𝑛𝑖=1 𝑥𝑖
𝐿(𝜃) = 𝑛 exp [− ]
𝜃 𝜃
Sehingga, logaritmanya
∑𝑛𝑖=1 𝑥𝑖
ln 𝐿(𝜃) = −𝑛 ln 𝜃 −
𝜃
Persamaan kemungkinannya adalah
𝑑 ln 𝐿(𝜃) 𝑛 ∑𝑛𝑖=1 𝑥𝑖
=− + =0
𝑑𝜃 𝜃 𝜃2
𝑛

𝜃𝑛 = ∑ 𝑥𝑖
𝑖=1

sehingga, penduga dari 𝜃 adalah

∑𝑛𝑖=1 𝑥𝑖
𝜃̂ = = 𝑥̅𝑛
𝑛
Dengan menggunakan sifat invarians, diperoleh MLE dari 𝑃(𝑋 ≤ 2) yaitu
2 2
𝜏̂ = 𝜏(𝜃̂) = − exp (− ) + 1 = − exp (− ) + 1
𝜃̂ 𝑥̅𝑛
 DAFTAR RUJUKAN

Bain, L.E., & Engelhardt, M. 1992. Introduction to Probability and Mathematical

Statistics, Second Edition. Canada: Brooks/Cole Cengage Learning.
Susiswo. 2017. Pengantar Statistika Matematis. Malang: Universitas Negeri
Malang.