TUGAS 2 MATEMATIKA STATISTIKA

BAB IX

Nama : Widiya Intan Ayu Haryono

Nrp : 06111540000109
9. Misalkan 𝑥1:𝑛 dan 𝑥𝑛:𝑛 adalah sampel acak n yang terkecil dan terbesar dari distribusi degan
pdf 𝑓(𝑥; 𝜃); 0 < 𝜃
a. Jika 𝑓(𝑥; 𝜃) = 1 untuk 𝜃 − 0,5 ≤ 𝑥 ≤ 𝜃 + 0.5, 0 untuk lainnya. Maka tunjukkan 𝜃̂ 𝑥𝑛:𝑛 −
0,5 ≤ 𝜃̂ ≤ 𝑥1:𝑛 + 0,5 adalah ML estimasi dari 𝜃
1
b. Jika 𝑓(𝑥; 𝜃) = , 𝜃 ≤ 𝑥 ≤ 2𝜃 untuk 0 untuk lainnya. Maka tunjukkan 𝜃̂ = 0,5 𝑥𝑛:𝑛 adalah
𝜃
ML estimasi dari 𝜃
Penyelesian :
Diketahui : 𝑥1:𝑛 (sampel acak terkecil)
𝑥𝑛:𝑛 (sampel acak terbesar)
𝑓(𝑥; 𝜃); 0 < 𝜃
a. Diberikan
1 , 𝑢𝑛𝑡𝑢𝑘 𝜃 − 0,5 ≤ 𝑥 ≤ 𝜃 + 0.5
𝑓(𝑥; 𝜃) {
0 , 𝑢𝑛𝑡𝑢𝑘 𝑙𝑎𝑖𝑛𝑛𝑦𝑎
Fungsi likelihoodnya adalah
𝐿(𝜃) = 1 ; 𝜃 − 0.5 ≤ 𝑥 ≤ 𝜃 + 0.5
𝐿(𝜃) = 0 ; 𝑋𝑖 < 𝜃 − 0.5; 𝑋𝑖 > 𝜃 + 0.5
Kita perlu menentukan untuk set tetap dari pengamatan 𝑋, berapa nilai 𝜃 maximum L.
Nilai maximum L adalah 1 ketika 𝜃 − 0.5 ≤ 𝑋𝑖 ≤ 𝜃 + 0.5.
Kondisi diatas berlaku untuk semua nilai pengamatan 𝑋, untuk nilai terkecil dan nilai
terbesar.
Jadi ,
𝜃 − 0.5 ≤ 𝑥1:𝑛 ≤ 𝜃 + 0.5
𝜃 − 0.5 ≤ 𝑥𝑛:𝑛 ≤ 𝜃 + 0.5
⟹ 𝜃 ≤ 𝑥1:𝑛 + 0.5; 𝜃 ≥ 𝑥1:𝑛 + 0.5
⟹ 𝜃 ≤ 𝑥𝑛:𝑛 + 0.5; 𝜃 ≥ 𝑥𝑛:𝑛 + 0.5
Dari dua persamaan diatas 𝑥𝑛:𝑛 ≥ 𝑥1:𝑛 menjadi,
 𝜃 ≤ 𝑥1:𝑛 + 0.5; 𝜃 ≥ 𝑥𝑛:𝑛 − 0.5
Jadi, nilai maksimum dari fungsi likelihood adalah 1 ketika
𝑥1:𝑛 + 0.5 ≤ 𝜃 ≤ 𝑥1:𝑛 + 0.5
Jadi, dengan demikian nilai 𝜃̂ yaitu 𝑥1:𝑛 + 0.5 ≤ 𝜃̂ ≤ 𝑥1:𝑛 + 0.5 adalah MLE dari 𝜃

b. Diberikan
1
, 𝑢𝑛𝑡𝑢𝑘 𝜃 ≤ 𝑥 ≤ 2𝜃
𝑓(𝑥; 𝜃) {𝜃
0 , 𝑢𝑛𝑡𝑢𝑘 𝑙𝑎𝑖𝑛𝑛𝑦𝑎

Fungsi likelihoodnya adalah

1
𝐿(𝜃) = 𝜃 ; 𝜃 ≤ 𝑥 ≤ 2𝜃
𝐿(𝜃) = 0 ; 𝑋𝑗 < 𝜃; 𝑋𝑗 > 2𝜃
Tunjukkan bahwa 𝜃̂ = 0,5 𝑥𝑛:𝑛 adalah ML estimasi dari 𝜃

Nama : Seagel Levin

11. Consider a random sample of size n from a Pareto distribution, 𝑥1 ~𝑃𝐴𝑅(𝜃, 2).
a. Find the ML equation (9.2.7).
b. From the data of Example 4.6.2, compute the ML estimate, 𝜃, to three decimal
places. Note: The ML equation cannot be solved explicitly for 𝜃, but it can be
solved numerically, by an iterative method, or by trial and error.
Jawab:
𝑘 𝑥
a. 𝑓(𝜃) = 𝜃 (1 + 𝜃)−(𝑘+1)

2 𝑥
𝑓(𝜃) = (1 + )−3
𝜃 𝜃
2 𝑥
𝐿(𝜃) = ∏∞
𝑖=1 𝜃 (1 + 𝜃)
−3

𝑛
𝑥
𝑙𝑛𝐿(𝜃) = 2 − ∑ −𝑙𝑛𝜃 − 3𝑙𝑛 (1 + )
𝜃
𝑖=1
𝑛
𝑑 𝑑 𝑑 𝑥
𝑙𝑛𝐿(𝜃) = 2− ∑ −𝑙𝑛𝜃 − 3𝑙𝑛 (1 + )
𝑑𝜃 𝑑𝜃 𝑑𝜃 𝜃
𝑖=1
𝑛
𝑑 𝑑 𝑥
0= 2− ∑ −𝑙𝑛𝜃 − 3𝑙𝑛 (1 + )
𝑑𝜃 𝑑𝜃 𝜃
𝑖=1
 𝑛
𝑛 𝑥𝑖
= ∑[ ]
3 𝑥𝑖 + 𝜃
𝑖=1

b. 𝜃̂ = 1,404

Nama : Navilah Rizqy Salam

Nrp : 06111540000041
Soal
12. Diberikan Y1, ... , Yn merupakan sebuah sampel acak dari sebuah distribusi log normal,
Y~LOGN(𝜇, 𝜎 2 ).
a. Tentukan MLEs dari 𝜇 dan 𝜎 2 .
b. Tentukan MLE dari E(Y).

Petunjuk : ingat bahwa Y~LOGN(𝜇, 𝜎 2 ) jika ln(Y)~N(𝜇, 𝜎 2 ), atau setara dengan Y=exp(X)
dimana X~ N(𝜇, 𝜎 2 ).
Jawab ;
Diketahui : Y1, ... , Yn merupakan sebuah sampel acak dari sebuah distribusi log normal
Y~LOGN(𝜇, 𝜎 2 ).
1 ln(𝑦)−𝜇 2
1
Pdf f(y) = 𝑒 −2 ( 𝜎
)
, untuk 0<y<∞.
𝑦𝜎√2𝜋

0 , untuk y yang lain.

Ditanya :
a. Tentukan MLEs dari 𝜇 dan 𝜎 2 .
b. Tentukan MLE dari E(Y).

Penyelesaian :
a. Tentukan MLEs dari 𝜇 dan 𝜎 2
1 ln(𝑦)−𝜇 2
1
f(y:𝜇, 𝜎)= 𝑦𝜎√2𝜋 𝑒 −2( 𝜎
)

fungsi likelihood dari sampel adalah :

1 ln(𝑦𝑖)−𝜇 2
1
L(𝜇, 𝜎) = ∏𝑛𝑖=1 𝑦𝑖𝜎√2𝜋 𝑒 −2( 𝜎
)

Logaritma dari fungsi likelihood adalah :

𝑛 1
Ln L(𝜇, 𝜎) = − 2 ln(2𝜋) − 𝑛 ln(𝜎) − ∑𝑛𝑖=1 𝑦𝑖 − 2𝜎2 ∑𝑛𝑖=1(ln(𝑦𝑖) − 𝜇)2
 Untuk menemukan MLEs pada 𝜇 dan 𝜎 2 kita gunakan turunan dari Ln L(𝜇, 𝜎) pada
masing-masing 𝜇 dan 𝜎 2 .
𝜕 1 1
ln L(𝜇, 𝜎) = − 2𝜎2 ∑𝑛𝑖=1(ln(𝑦𝑖) − 𝜇)(−2)= 𝜎2 ∑𝑛𝑖=1(ln(𝑦𝑖) − 𝜇).
𝜕𝜇
Dan,
𝜕 𝑛 1
ln L(𝜇, 𝜎) = − 𝜎 + 𝜎3 ∑𝑛𝑖=1(𝑦𝑖 − 𝜇)2
𝜕𝜎
𝜕 𝜕
Atur 𝜕𝜇 ln L(𝜇, 𝜎) = 0 dan 𝜕𝜎 ln L(𝜇, 𝜎) = 0 sehingga didapat penyelesaiannya adalah:
𝑛
1
𝜇 = ∑ 𝑦𝑖 = ӯ
𝑛
𝑖=1
Sehingga MLEs dari estimator 𝜇 adalah : Ӯ
Persis seperti yang kita lakukan untuk meneukan MLEs dari estimator 𝜇, kita dapatkan :
𝑛
𝑛 1
− + 3 ∑(𝑦𝑖 − 𝜇)2 = 0
𝜎 𝜎
𝑖=1
𝑛
1
𝜎2 = ∑(𝑦𝑖 − 𝜇)2
𝑛
𝑖=1
1
Dengan mensubstitusikan estimastor 𝜇, kita dapatkan MLEs dari 𝜎 2 adalah:𝑛 ∑𝑛𝑖=1(𝑌𝑖 −
Ӯ)2

Nama : Athyah Danni Surya Gama

NRP : 06111540000061

14. Misalkan X adalah jumlah percobaan independen dari beberapa komponen sampai ia gagal, dimana 1-
p adalah kemungkinan untuk gagal di tiap percobaan. Kita mencatat angka eksak dari percobaan, Y = X ,
jika X ≤ r; untuk lainnya kita catat Y = r+1, dimana r adalah bilangan bulat positif.
a) Show that the discrete pdf of Y is
(1 − 𝑝)𝑝 𝑦−1 𝑦 = 1, … . , 𝑟
𝑓(𝑦; 𝑝) { 𝑟
𝑝 𝑦 = 𝑟+1
b) Misalkan 𝑌1 , … , 𝑌𝑛 adalah sampel acak dari 𝑓(𝑦; 𝑝). Cari MLE dari p

Jawaban:
a) Peluang berhasil = p
Peluang gagal = 1-p

Misalkan percobaan dilakukan sebanyak y kali dan karena percobaan yang dilakukan akan
berhenti jika ada yang gagal, maka kita dapat menyimpulkan bahwa:
 P(gagal) = 1-p
P(berhasil) = py-1

sehingga diperoleh:
𝑓(𝑦) = (1 − 𝑝)1 𝑝 𝑦−1

kemudian untuk peluang y = r + 1

karena kita tahu bahwa dalam r kali perobaan terdapat hanya 1 kali gagal, sehingga jika terdapat r
+ 1 percobaan, maka percobaan ke r
+ 1 pasti berhasil. Dengan begitu, dapat disimpulkan:
0 (𝑟+1)−1
𝑓(𝑦) = (1 − 𝑝) 𝑝
𝑓(𝑦) = 𝑝𝑟
Jadi, terbukti bahwa
(1 − 𝑝)𝑝 𝑦−1 𝑢𝑛𝑡𝑢𝑘 𝑦 = 1, … . , 𝑟
𝑓(𝑦; 𝑝) { 𝑟
𝑝 𝑢𝑛𝑡𝑢𝑘 𝑦 = 𝑟 + 1

Nama : Ciko Pramuliasari

NRP : 06111540000064

𝑋
15. Misalkan 𝑋~𝐵𝐼𝑁(𝑛, 𝑝)𝑑𝑎𝑛 𝑝̂ = 𝑛

a) Dapatkan c konstan jika 𝐸(𝑐𝑝̂ (1 − 𝑝̂ ) = 𝑝(1 − 𝑝)

b) Dapatkan estimator unbias dari Var(x)
c) Anggap suatu sampel acak berukuran N dari 𝐵𝐼𝑁(𝑛, 𝑝). Dapatkan estimator unbias dari p
dan Var(x)

Penyelesaian
a) Karena diketahui adalah distribusi binomial, maka
𝐸(𝑥) = 𝑛𝑝
𝑉𝑎𝑟(𝑥) = 𝑛𝑝(1 − 𝑝), 𝑑𝑖𝑚𝑎𝑛𝑎 𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 ) − (𝐸(𝑥))2
𝐸(𝑥 2 ) = 𝑉𝑎𝑟(𝑥) + (𝐸(𝑥))2 = 𝑛𝑝(1 − 𝑝) + 𝑛2 𝑝2
Sehingga,
𝐸(𝑐𝑝̂ (1 − 𝑝̂ ) = 𝑝(1 − 𝑝)
𝐸(𝑐𝑝̂ − 𝑐𝑝̂ 2 ) = 𝑝(1 − 𝑝)
𝐸(𝑐𝑝̂ ) − 𝐸(𝑐𝑝̂ 2 ) = 𝑝(1 − 𝑝)
𝑐𝐸(𝑝̂ ) − 𝑐𝐸(𝑝̂ 2 ) = 𝑝(1 − 𝑝)
𝑋 𝑋2
𝑐𝐸 ( ) − 𝑐𝐸 ( 2 ) = 𝑝(1 − 𝑝)
𝑛 𝑛
 𝑐 𝑐
𝐸(𝑋) − 2 𝐸(𝑋 2 ) = 𝑝(1 − 𝑝)
𝑛 𝑛
𝑐 𝑐
𝑛𝑝 − 2 (𝑛𝑝(1 − 𝑝) + 𝑛2 𝑝2 ) = 𝑝(1 − 𝑝)
𝑛 𝑛
𝑐
𝑐𝑝 − (𝑝(1 − 𝑝) + 𝑛𝑝2 ) = 𝑝(1 − 𝑝)
𝑛
𝑐𝑝
𝑐𝑝 − ((1 − 𝑝) + 𝑛𝑝) = 𝑝(1 − 𝑝)
𝑛
1
𝑐 (1 − (1 − 𝑝 + 𝑛𝑝)) = 1 − 𝑝
𝑛
𝑛 − (1 − 𝑝 + 𝑛𝑝)
𝑐( )= 1−𝑝
𝑛
𝑛 − 1 + 𝑝 − 𝑛𝑝
𝑐( )=1−𝑝
𝑛
𝑛(1 − 𝑝) − (1 − 𝑝)
𝑐( )=1−𝑝
𝑛
(1 − 𝑝)(𝑛 − 1)
𝑐( )=1−𝑝
𝑛
𝑛
𝑐=
𝑛−1
𝑛
( )
Jadi, c konstan dari 𝐸(𝑐𝑝̂ 1 − 𝑝̂ = 𝑝(1 − 𝑝) adalah 𝑐 = 𝑛−1

b) Estimator unbias jika 𝐸(𝑇) = 𝜏(𝜃)

𝐸(𝑐𝑝̂ (1 − 𝑝̂ ) = 𝑝(1 − 𝑝), 𝑙𝑎𝑙𝑢 𝑠𝑢𝑏𝑡𝑖𝑡𝑢𝑠𝑖𝑘𝑎𝑛 𝑛𝑖𝑙𝑎𝑖 𝑐
Maka,
𝑛
𝐸( 𝑝̂ (1 − 𝑝̂ )) = 𝑝(1 − 𝑝)
𝑛−1
𝑛
Sehingga 𝑛−1 𝑝̂ (1 − 𝑝̂ ) adalah estimator unbias dari 𝑝(1 − 𝑝).
Jika 𝑉𝑎𝑟(𝑥) = 𝑛𝑝(1 − 𝑝), maka supaya mendapatkan estimator unbias dari Var(x)
kalikan kedua ruas dengan n.
Sehingga,
𝑛
𝐸( 𝑝̂ (1 − 𝑝̂ )) = 𝑝(1 − 𝑝)
𝑛−1
𝑛2
𝐸( 𝑝̂ (1 − 𝑝̂ )) = 𝑛𝑝(1 − 𝑝) = 𝑉𝑎𝑟(𝑥)
𝑛−1
𝑛2
Jadi, estimator unbias dari Var(x) adalah 𝑛−1 𝑝̂ (1 − 𝑝̂ ).
𝑋
c) Misalkan diberikan 𝑋1 , 𝑋2 , … , 𝑋𝑁 𝑑𝑎𝑛 𝑝̂1 , 𝑝̂2 , … , 𝑝̂ 𝑁 . Sehingga jika 𝑝̂ = 𝑛 , maka
𝑋𝑖
𝑝̂𝑖 = ,1 ≤ 𝑖 ≤ 𝑁
𝑛
 Akan dicari estimator unbias untuk 𝑝 𝑑𝑎𝑟𝑖 𝑝̂ 𝑖
 𝑝̂1 + 𝑝̂ 2 + ⋯ + 𝑝̂𝑁 1
𝐸( ) = [𝐸(𝑝̂1 ) + 𝐸(𝑝̂ 2 ) + ⋯ + 𝐸(𝑝̂ 𝑁 )]
𝑁 𝑁
1 𝑋1 𝑋2 𝑋𝑁
= [𝐸 ( ) + 𝐸 ( ) + ⋯ + 𝐸 ( )]
𝑁 𝑛 𝑛 𝑛
11
= (𝑁. 𝑛𝑝) = 𝑝
𝑁𝑛
Jadi, estimator unbias untuk p adalah
𝑁 𝑁
𝑝̂𝑖 𝑋𝑖
∑ =∑
𝑁 𝑛𝑁
𝑖=1 𝑖=1
 Akan dicari estimator unbias untuk Var(x)
𝑛2
Sudah jelas diketahui bahwa estimator unbias dari Var(x) adalah 𝑛−1 𝑝̂ (1 − 𝑝̂ ).
𝑋𝑖 memiliki distribusi yang sama yaitu binomial, sehingga
𝑛2
𝐸( 𝑝̂ (1 − 𝑝̂ 𝑖 )) = 𝑉𝑎𝑟(𝑥)
𝑛−1 𝑖
𝑁 𝑛2 𝑁
[ ] 𝑝̂ (1 − 𝑝̂𝑖 ) 𝑛2
(𝑛 − 1) 𝑖 1
𝐸 (∑ ) = ∑ 𝐸 ([ ] 𝑝̂ (1 − 𝑝̂ 𝑖 ))
𝑁 𝑁 (𝑛 − 1) 𝑖
𝑖=1 𝑖=1

1
= (𝑁. 𝑉𝑎𝑟(𝑥))
𝑁
= 𝑉𝑎𝑟(𝑥)
Jadi, estimator unbias untuk Var(x) adalah
2 2
𝑁 [ 𝑛 ] 𝑝̂𝑖 (1 − 𝑝̂𝑖 ) 𝑁 [ 𝑛 𝑋 𝑋
] 𝑖 (1 − 𝑛𝑖 )
(𝑛 − 1) (𝑛 − 1) 𝑛
∑ =∑
𝑁 𝑁
𝑖=1 𝑖=1

Nama: Kholishun Nisa’

Nrp: 06111540000083

16. (Poisson terpotong). Misalkan 𝑋~𝑃𝑂𝐼(𝜇), dan diketahui bahwa kita tidak bisa mengamati X
= 0, sehingga variabel acak yang diamati, yaitu Y, mempunyai pdf diskrit
𝑒 −𝜇 𝜇 𝑦
𝑦 = 1,2, …
𝑓(𝑦; 𝜇) = {𝑦! (1 − 𝑒 −𝜇) }
0 𝑦 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛
Kita ingin untuk mengestimasi 𝑃[𝑋 > 0] = 1 − 𝑒 −𝜇 . Tunjukkan bahwa estimator unbias(tapi
tidak beralasan) dari 1 − 𝑒 −𝜇 adalah diberikan oleh 𝑢(𝑌) dimana 𝑢(𝑦) = 0 jika y adalah ganjil,
dan 𝑢(𝑦) = 2 jika y adalah genap.
Penyelesaian:
𝑒 −𝜇 𝜇 𝑦
Diketahui bahwa 𝑓(𝑦; 𝜇) = 𝑦!(1−𝑒 −𝜇) ;𝑦 = 1,2, … merupakan distribusi poisson terpotong dimana
𝜇
E(Y) = 1−𝑒 −𝜇

𝑢(𝑌) = 𝑃[𝑋 > 0] = 1 − 𝑒 −𝜇

Akan ditunjukkan bahwa estimator dari 𝑢(𝑌) merupakan estimator unbias dari 1 − 𝑒 −𝜇 .
Berdasarkan dari definisi 9.3.1, misalkan T merupakan estimator dari 𝑢(𝑌), maka T merupakan
estimator unbias dari 1 − 𝑒 −𝜇 jika E(T) = 1 − 𝑒 −𝜇 .
 Mencari estimator dari 𝑢(𝑌) dengan metode MLE
𝑛

𝐿(𝜇) = ∏ 𝑓(𝑦𝑖 ; 𝜇)
𝑖=1
𝑛

ln 𝐿(𝜇) = ln( ∏ 𝑓(𝑦𝑖 ; 𝜇))

𝑖=1
𝑒 −𝜇 𝜇 𝑦𝑖
= ln(∏𝑛𝑖=1 𝑦 !(1−𝑒 −𝜇) )
𝑖
= ∑𝑛𝑖=1 𝑙𝑛 𝑒 −𝜇 𝜇 𝑦𝑖 − 𝑙𝑛 ∏𝑛𝑖=1 𝑦𝑖 ! (1 − 𝑒 −𝜇 )
= ∑𝑛𝑖=1 ln 𝑒 −𝜇 + ∑𝑛𝑖=1 𝑙𝑛𝜇 𝑦𝑖 − ln ∏𝑛𝑖=1 𝑦𝑖 − ∑𝑛𝑖=1 𝑙𝑛(1 − 𝑒 −𝜇 )
= −𝑛𝜇 + ∑𝑛𝑖=1 𝑦𝑖 ln 𝜇 − 𝑛 𝑙𝑛(1 − 𝑒 −𝜇 )
𝜕 ln 𝐿(𝜇) ∑𝑛𝑖=1 𝑦𝑖 𝑛𝑒 −𝜇
= −𝑛 + −
𝜕𝜇 𝜇 (1 − 𝑒 −𝜇 )
∑𝑛
𝑖=1 𝑦𝑖 𝑒 −𝜇
0 = −1 + − (1−𝑒 −𝜇 )
𝑛𝜇
𝑦̅ 𝑒 −𝜇
0 = −1 + 𝜇 − (1−𝑒 −𝜇 )

𝑒 −𝜇 𝑦̅
−𝜇
= −1 +
(1 − 𝑒 ) 𝜇
𝑒 −𝜇 𝑦̅
(1−𝑒 −𝜇 )
+1=𝜇

𝑒 −𝜇 +1−𝑒 −𝜇 𝑦̅
=𝜇
1−𝑒 −𝜇
𝜇
1 − 𝑒 −𝜇 = 𝑦̅
𝜇
Sehingga estimator dari 𝑢(𝑌) = 𝑇 = 𝑦̅

 Mencari E(T)
𝜇
𝐸(𝑇) = 𝐸 ( )
𝑦̅
 1
= 𝜇𝐸 (𝑦̅)
𝐸(1)
=𝜇 𝑦
𝐸(∑𝑛 𝑖
𝑖=1 𝑛 )
1
=𝜇1
𝐸(𝑛𝑦)
𝑛

1
= 𝜇𝑛
𝐸(𝑌)
𝑛

𝜇
= 𝜇
1−𝑒−𝜇
= 1 − 𝑒 −𝜇
Dengan demikian, 𝐸(𝑇) = 1 − 𝑒 −𝜇
Jadi, T merupakan estimator unbias dari 1 − 𝑒 −𝜇 .

Nama : Hikmatul Ayu Maulydia

NRP : 06111540000031

17. Let 𝑋1 , … , 𝑋𝑛 be a random sample from a uniform distribution, 𝑋𝑖 ~ 𝑈𝑁𝐼𝐹(𝜃 − 1, 𝜃 + 1).

a. Show that the sample mean, 𝑋̅ , is an unbiased estimator of 𝜃.
b. Show that the “midrange” (𝑋1:𝑛 + 𝑋𝑛:𝑛 )/2, is an unbiased estimator of 𝜃.

Artinya :
17. Misalkan 𝑋1 , … , 𝑋𝑛 adalah sampel acak dari distribusi seragam, 𝑋𝑖 ~ 𝑈𝑁𝐼𝐹(𝜃 − 1, 𝜃 + 1).
a. Tunjukkan bahwa mean sampel, 𝑋̅, adalah estimator θ yang tidak bias.
b. Tunjukkan bahwa "midrange" (𝑋1:𝑛 + 𝑋𝑛:𝑛 )/2, adalah estimator tidak bias θ.

Jawab :
Diketahui :
𝑋𝑖 ~ 𝑈𝑁𝐼𝐹(𝜃 − 1, 𝜃 + 1).
a (batas bawah ) = 𝜃 − 1
b (batas atas) =𝜃+1
a. Tunjukkan 𝑋̅ adalah estimator θ yang tidak bias
𝑏+𝑎
𝐸(𝑋̅) =
2
𝜃+1+𝜃−1
=
2
2𝜃
=
2
=𝜃
𝐸(𝑋̅) = 𝜏(𝜃)

Terbukti bahwa 𝑋̅ adalah estimator θ yang tidak bias

b. Tunjukkan midrange (𝑋1:𝑛 + 𝑋𝑛:𝑛 )/2 adalah estimator tidak bias θ

𝑋1:𝑛 merupakan suatu order terkecil dengan kata lain 𝑋1:𝑛 merupakan batas bawah dari
distribusi uniform ini yaitu a (batas bawah ) = 𝜃 − 1
𝑋𝑛:𝑛 merupakan suatu order terbesar dengan kata lain 𝑋𝑛:𝑛 merupakan batas atas dari
distribusi uniform ini yaitu b (batas atas) = 𝜃 + 1
Maka,
𝑋1:𝑛 + 𝑋𝑛:𝑛
Midrange =
2
𝑎+𝑏
=
2
𝜃−1+𝜃+1
=
2
2𝜃
=
2
=𝜃
Terbukti bahwa midrange (𝑋1:𝑛 + 𝑋𝑛:𝑛 )/2 adalah estimator tidak bias θ

Nama : Rachmat Wahyudi Ismail

NRP : 06111540000028

18. Diketahui bahwa 𝑋 adalah pdf kontinu, 𝑓(𝑥; 𝜇), adalah simetrik terhadap 𝜇, 𝑓(𝜇 + 𝑐; 𝜇) =
𝑓(𝜇 − 𝑐; 𝜇) untuk semua c>0
 a. Tunjukkan bahwa untuk sebuah sampel acak dengan ukuran 𝑛, dimana 𝑛 is odd (𝑛 = 2𝑘 −
1), sampel median, 𝑋𝑘;𝑛 adalah unbiased estimator dari 𝜇.
b. Tunjukkan bahwa 𝑍 = 𝑋1:𝑛 + 𝜇 dan 𝑊 = 𝜇 − 𝑋𝑛:𝑛 memiliki distribusi yang sama, dan
thus that the midgrange, (𝑋1:𝑛 + 𝑋𝑛:𝑛) /2, adalah unbiased estimator dari 𝜇.

Nama : Inayah Eka F

NRP : 06111540000018

19. Sebuah sample acak berukuran n dari distribusi seragam, X~UNIF( -θ, θ); θ > 0 . Tentukan
nilai dari dari konstanta c dari c(𝑥𝑛:𝑛 - 𝑥1:𝑛 ) adalah estimator unbias θ.
Jawab:
1 1 1
pdf : f(x) = = = θ>0
𝑏−𝑎 𝜃+𝜃 2𝜃
∞ 𝜃 1 1 𝜃 1 1
CDF : F(x) = ∫−∞ 𝑓(𝑡)𝑑𝑡 = ∫0 2𝑡 𝑑𝑡 = 2 ln 𝑡 |0 = 2 ln 𝜃 − 2
𝑛−1
𝑥𝑛:𝑛 ∶ 𝑔𝑛 ( 𝑦𝑛 ) = 𝑛 (𝐹(𝑦𝑛 )) 𝑓(𝑦𝑛 )
1 1 𝑛−1 1
= 𝑛 (2 ln 𝑦𝑛 − 2) 2𝑦𝑛
1 𝑛 1
= 𝑛 (ln 𝑦𝑛 − 1)𝑛−1 (2) 𝑦𝑛

𝑛−1
𝑥1:𝑛 ∶ 𝑔1 ( 𝑦1 ) = 𝑛 (1 − 𝐹(𝑦1 )) 𝑓(𝑦1 )

1 1 𝑛−1 1
= 𝑛 (1 − 2 ln 𝑦1 + 2) 2𝑦1
1 𝑛 1
= 𝑛 (3 − ln 𝑦1 )𝑛−1 (2) 𝑦1

𝑛−1 1 1 𝑛−1 1 1
𝑐(𝑥𝑛:𝑛 − 𝑥1:𝑛 ) = c[𝑛 (ln 𝑦𝑛 − 1) ( )𝑛 − 𝑛 (3 − ln 𝑦1 ) ( )𝑛 ]
2 𝑦𝑛 2 𝑦1
𝑛−1 1 1 𝑛−1 1 1
𝐸(𝜃̂ ) = 𝑐[𝑛 (ln 𝑦𝑛 − 1) ( )𝑛 − 𝑛 (3 − ln 𝑦1 ) ( )𝑛 ]
2 𝑦𝑛 2 𝑦1

NAMA : VIRA DIANA ULNAZILLA

NRP : 06111540000067
DOSEN : Dra. Farida Agustini Widjajati, MS
KELAS :A
21. Misalkan sebuah sampel acak berukuran n berdistribusi Bernoulli , 𝑋𝑖 ~ 𝐵𝐼𝑁(1, 𝑝)
a. Dapatkan CRLB untuk varians dari estimator unbias 𝑝
b. Dapatkan CRLB untuk varians dari estimator unbias 𝑝(1 − 𝑝)
c. Dapatkan UMVUE dari 𝑝

Diketahui :

a. Sampel acak berukuran n berdistribusi Bernoulli , 𝑋𝑖 ~ 𝐵𝐼𝑁(1, 𝑝)

Pdf dari distribusi Bernoulli adalah sebagai berikut

𝑓(𝑥; 𝑝) = 𝑝 𝑥 (1 − 𝑝)1−𝑥 𝑑𝑒𝑛𝑔𝑎𝑛 𝑥 = 0,1

b. Mean dari sampel acak berukuran n berdistribusi Bernoulli adalah 𝐸(𝑥) = 𝑝

c. Varians dari sampel acak berukuran 𝑛 yang berdistribusi Bernoulli adalah
𝑉𝑎𝑟(𝑥) = 𝑝(1 − 𝑝)

Ditanyakan :
a. CRLB untuk varians dari estimator unbias 𝑝
b. CRLB untuk varians dari estimator unbias 𝑝(1 − 𝑝)
c. UMVUE dari 𝑝

Jawab :

Suatu estimator dikatakan mencapai CRLB

[𝜏 ′ (𝑝)]2
𝑉𝑎𝑟(𝑇) ≥ 2
𝛿
𝑛𝐸 [ ln 𝑓(𝑋; 𝑝)]
𝛿𝑝

Bila
[𝜏 ′ (𝑝)]2
𝑉𝑎𝑟(𝑇) = 2
𝛿
𝑛𝐸 [ ln 𝑓(𝑋; 𝑝)]
𝛿𝑝

 Akan dicari estimator dari 𝑝 terlebih dahulu dengan menggunakan MME

∑𝑛𝑖=1 𝑥𝑖𝑗
𝑀1′ = 𝑗 = 1,2,3, …
𝑛
𝐸(𝑥) = 𝑋̅
𝑝 = 𝑥̅
𝑝̂ = 𝑋̅
 Dicari ln 𝑓(𝑋; 𝑝)

ln 𝑓(𝑋; 𝑝) = ln 𝑝 𝑥 (1 − 𝑝)1−𝑥
= ln 𝑝 𝑥 + ln(1 − 𝑝)1−𝑥
= 𝑥 ln 𝑝 + (1 − 𝑥) ln(1 − 𝑝)

𝛿
 Dicari 𝛿𝑝 ln 𝑓(𝑋; 𝑝)

𝛿 𝛿
ln 𝑓(𝑋; 𝑝) = (𝑥 ln 𝑝 + (1 − 𝑥) ln(1 − 𝑝))
𝛿𝑝 𝛿𝜃
𝑥 (1 − 𝑥)
= −
𝑝 (1 − 𝑝)

𝛿
 Dicari 𝐸 [𝛿𝑝 ln 𝑓(𝑋; 𝑝) ]

𝛿 𝑥 (1 − 𝑥)
𝐸[ ln 𝑓(𝑋; 𝑝) ] = 𝐸 [ − ]
𝛿𝑝 𝑝 (1 − 𝑝)
𝑥(1 − 𝑝) − 𝑝(1 − 𝑥)
= 𝐸[ ]
𝑝(1 − 𝑝)
𝑥 − 𝑥𝑝 − 𝑝 + 𝑥𝑝
= 𝐸[ ]
𝑝(1 − 𝑝)
𝑥−𝑝
= 𝐸[ ]
𝑝(1 − 𝑝)

𝛿 2
 Dicari 𝐸 [𝛿𝑝 ln 𝑓(𝑋; 𝑝) ]
2
𝛿 𝑥−𝑝 2
𝐸 [ ln 𝑓(𝑋; 𝑝) ] = 𝐸 [ ]
𝛿𝑝 𝑝(1 − 𝑝)
𝑥 2 − 2𝑥𝑝 + 𝑝2
= 𝐸[ 2 ]
𝑝 (1 − 𝑝)2
𝑥2 2𝑥𝑝 𝑝2
= 𝐸[ 2 − + ]
𝑝 (1 − 𝑝)2 𝑝2 (1 − 𝑝)2 𝑝2 (1 − 𝑝)2
1 2]
2𝑝 𝑝2
= 2 𝐸[𝑥 − 𝐸(𝑥) +
𝑝 (1 − 𝑝)2 𝑝2 (1 − 𝑝)2 𝑝2 (1 − 𝑝)2

Untuk mencari 𝐸(𝑥 2 ), ingat bahwa :

𝑉𝑎𝑟(𝑥) = 𝑝(1 − 𝑝)
Maka,
𝐸(𝑥 2 ) − [𝐸(𝑥)]2 = 𝑝(1 − 𝑝)
𝐸(𝑥 2 ) = 𝑝(1 − 𝑝) + [𝐸(𝑥)]2
𝐸(𝑥 2 ) = 𝑝 − 𝑝2 + 𝑝2
𝐸(𝑥 2 ) = 𝑝

Substitusikan 𝐸(𝑥 2 ) = 𝑝 dan 𝐸(𝑥) = 𝑝 pada

2
𝛿 1 2]
2𝑝 𝑝2
𝐸 [ ln 𝑓(𝑋; 𝑝) ] = 2 𝐸[𝑥 − 2 𝐸(𝑥) + 2
𝛿𝑝 𝑝 (1 − 𝑝)2 𝑝 (1 − 𝑝)2 𝑝 (1 − 𝑝)2
2
𝑝 2𝑝. 𝑝 𝑝
= 2 − +
𝑝 (1 − 𝑝)2 𝑝2 (1 − 𝑝)2 𝑝2 (1 − 𝑝)2
𝑝 − 2𝑝2 + 𝑝2
= 2
𝑝 (1 − 𝑝)2
𝑝 − 2𝑝2 + 𝑝2
= 2
𝑝 (1 − 𝑝)2
𝑝 − 𝑝2
= 2
𝑝 (1 − 𝑝)2
𝑝(1 − 𝑝)
= 2
𝑝 (1 − 𝑝)2
1
=
𝑝(1 − 𝑝)

a. Akan dicari CRLB untuk varians dari estimator unbias 𝒑

2
𝑑
[𝜏 ′ (𝑝)]2 [ (𝑝)]
𝑑𝑝
2 =
𝛿 1
𝑛𝐸 [ ln 𝑓(𝑋; 𝑝)] 𝑛[ ]
𝛿𝑝 𝑝(1 − 𝑝)
1
=
1
𝑛[ ]
𝑝(1 − 𝑝)
𝑝(1 − 𝑝)
=
𝑛

b. Akan dicari CRLB untuk varians dari estimator unbias 𝒑(𝟏 − 𝒑)

𝜏(𝑝) = 𝑝(1 − 𝑝)
𝜏(𝑝) = 𝑝 − 𝑝2
𝑑
𝜏 ′ (𝑝) = (𝑝 − 𝑝2 )
𝑑𝑝
𝜏 ′ (𝑝) = 1 − 2𝑝
 Jadi, CRLB untuk varians dari estimator unbias 𝑝(1 − 𝑝) adalah

[𝜏 ′ (𝑝)]2 (1 − 2𝑝)2
2 =
𝛿 1
𝑛𝐸 [ ln 𝑓(𝑋; 𝑝)] 𝑛[ ]
𝛿𝑝 𝑝(1 − 𝑝)
𝑝(1 − 𝑝)(1 − 2𝑝)2
=
𝑛

c. Akan dicari UMVUE dari 𝒑

UMVUE akan tercapai apabila

[𝜏 ′ (𝑝)]2
𝑉𝑎𝑟(𝑇) = 2
𝛿
𝑛𝐸 [ ln 𝑓(𝑋; 𝑝)]
𝛿𝑝

Oleh karena itu perlu dicari 𝑉𝑎𝑟(𝑋̅) terlebih dahulu

∑𝑛𝑖=0 𝑥𝑖
𝑉𝑎𝑟(𝑋̅) = 𝑉𝑎𝑟 [ ]
𝑛
𝑛
1
= 2 𝑉𝑎𝑟 [∑ 𝑥𝑖 ]
𝑛
𝑖=0
1
= 2 𝑛 𝑉𝑎𝑟(𝑥)
𝑛
1
= 𝑝(1 − 𝑝)
𝑛
𝑝(1 − 𝑝)
=
𝑛
𝑝(1−𝑝)
Karena 𝑉𝑎𝑟(𝑋̅) = mencapai CRLB, maka UMVUE dari 𝑝 adalah 𝑋̅.
𝑛

Nama : Novita Puspitasari

NRP : 06111540000011

22. Diberikan sampel acak berukuran n dari sebuah distribusi normal , χ𝑖 ~ 𝑁(𝜇, 9)

a) Hitung CRLB untuk varian dari estimator unbias 𝜇

b) Apakah MLE , 𝜇̂ = 𝑋̅ merupakan UMVUE dari 𝜇 ?
c) Apakah MLE dari persentil ke 95 merupakan UMVUE ?
Penyelesaian :
Diketahui : χ𝑖 ~ 𝑁(𝜇, 9)

1 1 𝑥−𝜇 2
𝑒 −2( )
𝑓(𝑥) = 3
3√2𝜋
𝐸(𝜇̂ ) = 𝜇 , karena 𝜇 estimator unbias
𝑉𝑎𝑟(𝑥) = 𝜎 2 = 9
a) CRLB untuk 𝑉𝑎𝑟(𝜇̂ )
[𝜏 ′ (𝜇)]2
𝑉𝑎𝑟(𝜇̂ ) = 2
𝜕
𝑛𝐸 [ ln 𝑓(𝑥, 𝜇)]
𝜕𝜇

𝜏(𝜇) = 𝐸(𝜇̂ ) = 𝜇 sehingga didapat 𝜏 ′ (𝜇) = 1

1 1 𝑥−𝜇 2
𝑒 −2( )
ln 𝑓(𝑥, 𝜇) = 𝑙𝑛 [ 3 ]
3√2𝜋

1 1 𝑥−𝜇 2
] + 𝑙𝑛 [𝑒 −2( )
= 𝑙𝑛 [ 3 ]
3√2𝜋

1 1
= 𝑙𝑛 [ ]− (𝑥 − 𝜇)2
3√2𝜋 18

𝜕 𝜕 1 1 𝜕
ln 𝑓(𝑥, 𝜇) = 𝑙𝑛 [ ]− (𝑥 − 𝜇)2
𝜕𝜇 𝜕𝜇 3√2𝜋 18 𝜕𝜇

1
=0− (−2)(𝑥 − 𝜇)
18
1
= (𝑥 − 𝜇)
9
𝜕 1 1
ln 𝑓(𝑥, 𝜇) = 𝑥 − 𝜇
𝜕𝜇 9 9

𝜕2 1
ln 𝑓(𝑥, 𝜇) = −
𝜕𝜇 2 9
2
𝜕 𝜕2
𝐸 [ ln 𝑓(𝑥, 𝜇)] = −𝐸 [ 2 ln 𝑓(𝑥, 𝜇)]
𝜕𝜇 𝜕𝜇
 1
= −𝐸 [− ]
9
2
𝜕 1
𝐸 [ ln 𝑓(𝑥, 𝜇)] =
𝜕𝜇 9

Sehingga didapat
[𝜏 ′ (𝜇)]2
𝑉𝑎𝑟(𝜇̂ ) = 2
𝜕
𝑛𝐸 [ ln 𝑓(𝑥, 𝜇)]
𝜕𝜇
[1]2
𝑉𝑎𝑟(𝜇̂ ) =
1
𝑛
9
1 9
𝑉𝑎𝑟(𝜇̂ ) = 𝑛 =
𝑛
9
b) Apakah MLE , 𝜇̂ = 𝑋̅ merupakan UMVUE dari 𝜇 ?

Ya 𝜇̂ = 𝑋̅ merupakan UMVUE dari 𝜇, sebab 𝜇 merupakan estimator unbias dan 𝜇

memiliki varians lebih rendah dengan kata lain memenuhi CRLB ( point a)
c) Apakah MLE dari persentil ke 95 (𝑥0,95 ) merupakan UMVUE ?

𝑥0,95 − 𝜇
0,95 = 𝑃{𝑋1 ≤ 𝑥0,95 } = Φ ( )
3
𝑥0,95 − 𝜇
1,645 =
3

𝑥0,95 − 𝜇 = 1,645(3)

𝑥0,95 = 4,935 + 𝜇

Sehingga didapatkan MLE untuk 𝑥0,95 adalah sebagai berikut

𝑥̂0,95 = 4,935 + 𝑋̅

𝐸( 𝑥̂0,95 ) = 𝐸(4,935 + 𝑋̅) = 4,935 + 𝑋̅ = 𝑥0,95

Dan didapatkan

9
𝑉𝑎𝑟( 𝑥̂0,95 ) = 𝑉𝑎𝑟(4,935 + 𝑋̅) = 𝑉𝑎𝑟(𝑋̅) =
𝑛
Sehingga MLE dari 𝑥0,95 adalah UMVUE

Nama : Li’Izza Diana Manzil

NRP : 06111540000049

23. MIsalkan 𝑋1 , … , 𝑋𝑛 adalah variable acak dari distribusi normal, 𝑁(0, 𝜃).

a. Apakah MLE, 𝜃̂ adalah sebuah estimator unbias dari 𝜃?

b. Apakah 𝜃̂ adalah UMVUE dari ?

Penyelesaian :
Diketahui : 𝑋𝑖 ~ 𝑁(0, 𝜃)
Ditanya :

a. Apakah 𝜃̂ adalah sebuah estimator unbias dari 𝜃?

b. Apakah 𝜃̂ adalah UMVUE dari ?
Jawab :
a. Pdf dari 𝑋~ 𝑁(𝜇, 𝜃) adalah
1 (𝑥−𝜇)2
𝑓(𝑥; 0, 𝜃) = 𝑒− 2𝜃
√2𝜋𝜃
Sehingga pdf dari 𝑋~𝑁(0, 𝜃) adalah

1 (𝑥)2
−
𝑓(𝑥; 0, 𝜃) = 𝑒 2𝜃
√2𝜋𝜃
Mencari 𝜃̂ dengan MLE
𝑛
1 (𝑥𝑖 )2
−
𝐿(0, 𝜃) = ∏ 𝑒 2𝜃
𝑖=1
√2𝜋𝜃
𝑛
1 (𝑥𝑖 )2
−
ln 𝐿(0, 𝜃) = ln ∏ 𝑒 2𝜃
𝑖=1
√2𝜋𝜃
𝑛
𝑛 (𝑥𝑖 )2
− −
= ln(2𝜋𝜃) 2 + ln ∑ 𝑒 2𝜃
𝑖=1
 𝑛
𝑛 (𝑥𝑖 )2
= − ln(2𝜋𝜃) + ∑ −
2 2𝜃
𝑖=1
𝑛
𝑛 1
= (ln 2𝜋 + 𝑙𝑛 𝜃) + ∑ −(𝑥𝑖 )2
2 2𝜃
𝑖=1
𝑛
𝑑 𝑑 𝑛 1
𝐿(0, 𝜃) = (ln 2𝜋 + 𝑙𝑛 𝜃) + ∑ −(𝑥𝑖 )2 )
𝑑𝜃 𝑑𝜃 2 2𝜃
𝑖=1
𝑛
𝑛 1
=− + 2 ∑ 𝑥𝑖2
2𝜃 2𝜃
𝑖=1

𝑑
𝐿(0, 𝜃) = 0
𝑑𝜃
𝑛
𝑛 1
− + 2 ∑ 𝑥𝑖2 = 0
2𝜃 2𝜃
𝑖=1
𝑛
1 𝑛
2
∑ 𝑥𝑖2 =
2𝜃 2𝜃
𝑖=𝑖
𝑛
1
∑ 𝑥𝑖2 = 𝑛
𝜃
𝑖=1
𝑛
1
𝜃 = ∑ 𝑥𝑖2
𝑛
𝑖=0

Sehingga,
𝑛
1
𝜃̂ = ∑ 𝑥𝑖2
𝑛
𝑖=0

Akan diselidiki apakah 𝜃̂ adalah estimator unbias dari 𝜃.

𝑛
1
𝐸(𝜃̂ ) = 𝐸 ( ∑ 𝑥𝑖2 )
𝑛
𝑖=0
𝑛
1
= 𝐸 (∑ 𝑥𝑖2 )
𝑛
𝑖=0

1
= [𝐸(𝑥12 ) + 𝐸(𝑥22 )+. . . +𝐸(𝑥𝑛2 )]
𝑛
 1
= 𝑛 𝐸(𝑥 2 )
𝑛
= 𝜇2 + 𝜎 2
= 0 + 𝜎2
= 𝜎2
=𝜃

Jadi 𝐸(𝜃̂ ) = 𝜃

Karena, 𝐸(𝜃̂) = 𝜃 maka 𝜃̂ adalah estimator unbias dari 𝜃.

b. Mennyelidiki 𝜃̂ adalah UMVUE dari 𝜃

Suatu estimator dikatakan UMVUE jika
𝑉𝑎𝑟(𝜃) ≥ 𝑉𝑎𝑟 (𝜃̂)

Akan dicari 𝑉𝑎𝑟(𝜃) dengan CRLB

[𝜏 ′ (𝜃)]
𝑉𝑎𝑟(𝜃) =
𝑑
𝑛𝐸( ln 𝑓(𝑥; 𝜃)) 2
𝑑𝜃
Maka,
𝑑 𝑛 1
 𝐿(0, 𝜃) = − + ∑𝑛𝑖=1 𝑥𝑖2
𝑑𝜃 2𝜃 2𝜃2
𝑑2 𝑑 𝑛 1
 𝐿(0, 𝜃) = 𝑑𝜃 (− 2𝜃 + 2𝜃2 ∑𝑛𝑖=1 𝑥𝑖2 )
𝑑𝜃2
𝑛 1
= 2𝜃2 − 𝜃3 ∑𝑛𝑖=1 𝑥𝑖2
𝑑 𝑛 1
 𝐸(𝑑𝜃 ln 𝑓(𝑥; 𝜃)) 2 = 𝐸(2𝜃2 − 𝜃3 ∑𝑛𝑖=1 𝑥𝑖2 )
𝑛
𝑛 1
= 𝐸 ( 2 ) − 𝐸 ( 3 ∑ 𝑥𝑖2 )
2𝜃 𝜃
𝑖=1
𝑛
𝑛 1
= 2
− 3 𝐸 (∑ 𝑥𝑖2 )
2𝜃 𝜃
𝑖=1
𝑛
𝑛 1
= 2
− 3 ∑ 𝐸(𝑥𝑖2 )
2𝜃 𝜃
𝑖=1
𝑛 1
= 2 − 3 𝑛(𝜇 2 + 𝜎 2 )
2𝜃 𝜃
𝑛 𝑛
= 2 − 3 (𝜎 2 )
2𝜃 𝜃
𝑛 𝑛
= 2 − 3 (𝜃)
2𝜃 𝜃
 𝑛 𝑛
= −
2𝜃 2 𝜃 2
𝑛 1
= 2 ( − 1)
𝜃 2
𝑛
=− 2
2𝜃

 𝜏(𝜃) = 𝐸(𝜃̂)
𝜏 ′ (𝜃) = 1
Sehingga,
[𝜏 ′ (𝜃)]
𝑉𝑎𝑟(𝜃) =
𝑑
𝑛𝐸( ln 𝑓(𝑥; 𝜃)) 2
𝑑𝜃
1
= 𝑛
𝑛(− 2 )
2𝜃
1
=
𝑛2
− 2
2𝜃
2𝜃 2
=− 2
𝑛
2𝜃 2
= 2
𝑛
 Untuk 𝑉𝑎𝑟(𝜃̂ )
𝑛
1
𝑉𝑎𝑟(𝜃̂ ) = 𝑉𝑎𝑟 ( ∑ 𝑥𝑖2 )
𝑛
𝑖=0
𝑛
1
= 2 𝑉𝑎𝑟 (∑ 𝑥𝑖2 )
𝑛
𝑖=1

1
= 𝜃
𝑛2
2𝜃2 𝜃
Jadi 𝑉𝑎𝑟(𝜃) ≥ 𝑉𝑎𝑟 (𝜃̂) = ≥ 𝑛2
𝑛2

Karena 𝑉𝑎𝑟(𝜃) ≥ 𝑉𝑎𝑟(𝜃̂), maka 𝜃̂ adalah UMVUE dari 𝜃.

Nama : Hayu Marta Febrian

NRP : 06111540000100
Absen : 30

24. misalkan 𝑋~𝑃𝑂𝐼 (𝜇) dan 𝜃 = 𝑃[𝑋 = 0] = 𝑒 −𝜇

a. Apakah 𝜃̂ = 𝑒 −𝑋 adalah estimator unbias dari ?
b. tunjukkan bahwa 𝜃̃ = 𝜇(𝑋) merupakan estimator unbias dari 𝜃, saat 𝜇(0) = 1 dan
𝜇(𝑥) = 0 untuk x = 1,2,3 ….
c. bandingkan MSE dari 𝜃̂ dan 𝜃̃ untuk mengestimasi 𝜃 = 𝑒 −𝜇 , saat 𝜇 = 1 dan 𝜇 = 2

Penyelesaian :
𝑡 −1)
a. 𝑋~𝑃𝑂𝐼 (𝜇) → 𝐸(𝑋) = 𝜇 , 𝑉𝑎𝑟(𝑋) = 𝜇, 𝑀(𝑡) = 𝑒 𝜇(𝑒

𝜃̂ = 𝑒 −𝑋
𝑀(𝑡) = 𝐸(𝑒 𝑡𝑋 )
𝐸(𝜃̂) = 𝐸(𝑒 −𝑋 )
= 𝑀(−1)
−1
= 𝑒 𝜇(𝑒 −1)
−1
= 𝜃 (𝑒 −1) ≠ 𝜃 , 𝑠𝑒ℎ𝑖𝑛𝑔𝑔𝑎 𝜃̂ 𝑏𝑢𝑘𝑎𝑛 𝑒𝑠𝑡𝑖𝑚𝑎𝑡𝑜𝑟 𝑢𝑛𝑏𝑖𝑎𝑠 𝑑𝑎𝑟𝑖 𝜃

b. 𝜃̃ = 𝜇(𝑋) merupakan estimator unbias dari 𝜃, 𝜇(0) = 1

𝜇(𝑥) = 0 , 𝑥 = 1,2, …
−𝜇
𝐸(𝜃) = 𝜃 = 𝑒

𝐸(𝜃̃) = 𝐸( 𝜇(𝑋))
= 𝑃[𝑋 = 0] + 𝑃[𝑋 = 1] + 𝑃[𝑋 = 2] + ⋯
= 𝑃[𝑋 = 0] + 0
= 𝑃[𝑋 = 0]
= 𝑒 −𝜇
Karena 𝐸(𝜃̃) = 𝐸(𝜃) = 𝑒 −𝜇 , maka 𝜃̃ = 𝜇(𝑋) merupakan estimator unbias dari 𝜃

c. MSE dari 𝜃̂ dan 𝜃̃ untuk mengestimasi 𝜃 = 𝑒 −𝜇 , saat 𝜇 = 1 dan 𝜇 = 2

2
𝑉𝑎𝑟(𝜃̂) = 𝐸(𝜃̂ 2 ) − [𝐸(𝜃̂)]
= 𝐸(𝑒 −2𝑋 ) − [𝐸(𝑒 −𝑋 )]2
= 𝑀(−2) − [𝑀(−1)]2
−2 −1) −1 −1) 2
= 𝑒 𝜇(𝑒 − [𝑒 𝜇(𝑒 ]
−2 −1) −1 −1)
= 𝑒 𝜇(𝑒 − 𝑒 2𝜇(𝑒
−2 +1) 2𝜇⁄
= 𝑒 −2𝜇 (𝑒 𝜇(𝑒 − 𝑒 𝑒)

−1 𝜇⁄
𝐵𝑖𝑎𝑠( 𝜃̂ ) = 𝐸(𝜃̂ ) − 𝐸(𝜃) = 𝑒 𝜇(𝑒 −1) − 𝑒 −𝜇 = 𝑒 −𝜇 (𝑒 𝑒 − 1)

2
̂ ) = 𝑉𝑎𝑟( 𝜃̂ ) + [𝐵𝑖𝑎𝑠 ( 𝜃̂ )]
𝑴𝑺𝑬 ( 𝜽
−2 +1) 2𝜇⁄ 𝜇⁄ 2
= 𝑒 −2𝜇 (𝑒 𝜇(𝑒 − 𝑒 𝑒) + [𝑒 −𝜇 (𝑒 𝑒 − 1)]
 −2 +1) 2𝜇⁄ 𝜇⁄ 2
= 𝑒 −2𝜇 [𝑒 𝜇(𝑒 − 𝑒 𝑒 + (𝑒 𝑒 − 1) ]
−2 +1) 2𝜇⁄ 2𝜇⁄ 𝜇⁄
= 𝑒 −2𝜇 [𝑒 𝜇(𝑒 − 𝑒 𝑒 +𝑒 𝑒 − 2𝑒 𝑒 + 1]
−2 +1) 𝜇⁄
= 𝑒 −2𝜇 [𝑒 𝜇(𝑒 − 2𝑒 𝑒 + 1]

𝜃̃ = 𝜇(𝑋), 𝜇(0) = 1
𝜇(𝑥) = 0 , 𝑥 = 1,2, …
2
𝑚𝑎𝑘𝑎 (𝜃̃) = 𝜃̃

2 2
𝑉𝑎𝑟 (𝜃̃) = 𝐸(𝜃̃ 2 ) − [𝐸(𝜃̃)] = 𝐸(𝜃̃) − [𝐸(𝜃̃ )] = 𝑒 −𝜇 − 𝑒 −2𝜇 = 𝑒 −2𝜇 (𝑒 𝜇 − 1)

𝐵𝑖𝑎𝑠(𝜃̃) = 𝐸(𝜃̃) − 𝐸(𝜃) = 𝑒 −𝜇 − 𝑒 −𝜇 = 0

̃) = 𝑉𝑎𝑟(𝜃̃) + [𝐵𝑖𝑎𝑠 (𝜃̃)]2 = 𝑒 −2𝜇 (𝑒 𝜇 − 1)

𝑴𝑺𝑬 (𝜽

Sehingga diperoleh rasio

−2 𝜇⁄
̂)
𝑴𝑺𝑬 ( 𝜽 𝑒 −2𝜇 [𝑒 𝜇(𝑒 +1) − 2𝑒 𝑒 + 1]
ℛ(𝜇) = =
𝑴𝑺𝑬 (𝜽̃) 𝑒 −2𝜇 (𝑒𝜇 − 1)
Untuk 𝜇 = 1
−2 1⁄
̂)
𝑴𝑺𝑬 ( 𝜽 𝑒 −2 [𝑒 (𝑒 +1) − 2𝑒 𝑒 + 1]
ℛ(1) = =
𝑴𝑺𝑬 (𝜽̃) 𝑒 −2 (𝑒 − 1)
−2 +1) 1⁄
[𝑒 (𝑒 − 2𝑒 𝑒 + 1]
= ≈ 0,7117 < 1
(𝑒 − 1)
Untuk 𝜇 = 2
−2 2
̂)
𝑴𝑺𝑬 ( 𝜽 𝑒 −4 [𝑒 2(𝑒 +1) − 2𝑒 ⁄𝑒 + 1]
ℛ(1) = =
𝑴𝑺𝑬 (𝜽̃) 𝑒 −4 (𝑒 2 − 1)
−2 +1) 2⁄
[𝑒 2(𝑒 − 2𝑒 𝑒 + 1]
= ≈ 1,0912 > 1
(𝑒 2 − 1)
sehingga 𝜃̃ lebih baik dari 𝜃̂ saat 𝜇 = 1, dan sebaliknya ketika 𝜇 = 2

Nama : DASILVA AYU CARINDRA

NRP : 1215100044

26. Diketahui:
PDF:
 1
𝑓(𝑥; 𝜃) = {𝜃 , 0<𝑥≤𝜃
0, 0<𝜃
Ditanya: a) MLE?
b) MME?
c) apakah a) unbias?
d) apakah b) unbias?
Penyelesaian:
a) 𝐿 𝑓(𝑥; 𝜃) = ∏𝑛𝑖=1 𝑓(𝑥; 𝜃)
1
𝐿 𝑓(𝑥; 𝜃) = ∏𝑛𝑖=1 𝜃
1
𝑙𝑛 𝐿 𝑓(𝑥; 𝜃) = 𝑙𝑛 ∏𝑛𝑖=1 𝜃
1
𝑙𝑛 𝐿 𝑓(𝑥; 𝜃) = ∑𝑛𝑖=1 𝑙𝑛 𝜃
1
𝑙𝑛 𝐿 𝑓(𝑥; 𝜃) = 𝑙𝑛 𝜃
𝑑 𝑑 1
𝑙𝑛 𝐿 𝑓(𝑥; 𝜃) = 𝑛 𝑙𝑛 𝜃
𝑑𝜃 𝑑𝜃
0=𝑛𝜃
𝜃̂ = 0
∞
b) 𝐸(𝑋) = ∫−∞ 𝑥 𝑓(𝑥; 𝜃) 𝑑𝑥
𝜃 1
𝐸(𝑋) = ∫0 𝑥 𝑑𝑥
𝜃
1 𝜃
𝐸(𝑋) = 𝜃 ∫0 𝑥 𝑑𝑥
11
𝐸(𝑋) = 𝑥 2 ] 𝜃0
𝜃2
11
𝐸(𝑋) = 𝜃 2 (𝜃 2 )
𝜃
𝐸(𝑋) = 2
𝜃̃ = 2𝑥
c) 𝜃̂ bias, bukan unbias karena 𝜃̂ = 0 ≠ 𝜃
𝜃
d) 𝜃̃ bias, bukan unbias karena 𝜃̃ = 2𝑥 ≠ 2

Nama : Rudat Ilaina

Nrp : 06111540000058

31. Jika 𝜃̂ dan 𝜃̃ masing-masing adalah MLE dan MME dari soal no 26
a. Tentukan 𝜃̂ adalah MSE konsisten.
b. Tentukan 𝜃̃ adalah MSE konsisten.
Penyelesaian :
Dari soal no 26 diketahui
 1
𝑢𝑛𝑡𝑢𝑘 0 ≤ 𝑥 ≤ 𝜃
𝑓(𝑥; 𝜃) = { 𝜃
0 𝑢𝑛𝑡𝑢𝑘 𝑥 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛
Pdf diatas adalah pdf dari distribusi uniform dengan
𝑋~𝑈𝑁𝐼𝐹(0, 𝜃)
Dimana
𝜃
𝐸(𝑋) =
2
𝜃2
𝑉𝑎𝑟 (𝑋) =
12
a. Mencari estimator 𝜃̂ dengan MLE
𝑛

𝐿(𝜃) = ∏ 𝑓(𝑥𝑖 ; 𝜃)
𝑖=1
𝑛

𝐿(𝜃) = (∏ 𝑓(𝑥𝑖 ; 𝜃))

𝑖=1

𝑛
1
=∏ 0 > 𝑥𝑖 (𝑖 = 1,2,3, … … . . 𝑛)
𝜃
𝑖=1
1 𝑛
= ( ) 𝜃 > 𝑚𝑎𝑥{𝑥1, 𝑥2, 𝑥3, 𝑥4, … … . 𝑥𝑛 }
𝜃
Oleh karena itu parameter 𝜃 terpenuhi untuk 𝐿(𝜃)dengan
Ω = {θϵR|xmax < θ < ∞} = (xmax , ∞)
Selanjutnya Memaksimumkan 𝐿(𝜃) 𝑝𝑎𝑑𝑎 Ω
1 𝑛
𝑙𝑛𝐿(𝜃) = ( )
𝜃
𝑙𝑛𝐿(𝜃) = −𝑛𝑙𝑛(𝜃)
𝑑 𝑛
𝑙𝑛𝐿(𝜃) = − < 0
𝑑𝜃 𝜃
Oleh karena 𝑙𝑛𝐿(𝜃) adalah sebuah fungsi turunan dari 𝜃 dan maksimum dari 𝑙𝑛𝐿(𝜃)
terjadi pada titik paling ujung sebelah kiri dalam interval (xmax , ∞). Sehingga pada 𝜃 =
xmax fungsi likelihood mencapai maksimum. Oleh karena itu estimator 𝜃 dengan MLE
diperoleh
𝜃̂ = 𝑋(𝑛)
Dimana 𝑋(𝑛) adalah order statistik ke n dari sebuah sampel acak

𝑉𝑎𝑟( 𝜃̂) = 𝑉𝑎𝑟(𝑋(𝑛) )

1
lim 𝑉𝑎𝑟(𝜃̃ ) = lim 𝑋𝑚𝑎𝑥 = 0
𝑛→∞ 𝑛→∞ 𝑛
̂
Bias (𝜃, 𝜃) diberikan oleh
lim 𝐵(𝜃̂, 𝜃) = lim 𝐸(𝜃̂) − 𝜃 = 0
𝑛→∞ 𝑛→∞
 ̂𝜃 adalah MSE konsisten
b. Mencari estimator 𝜃̂ dengan MME
𝜃

𝐸(𝑋) = ∫ 𝑥 𝑓(𝑥)
0
𝜃
1
𝐸(𝑋) = ∫ 𝑥
𝜃
0

𝑥2 𝜃
𝐸(𝑋) = ]
2𝜃 0
𝜃
𝐸(𝑋) =
2
𝜃
̅𝑋 =
2
𝜃 = 2𝑋̅
𝜃̃ = 2𝑋̅
𝑉𝑎𝑟(𝜃̃) = 𝑉𝑎𝑟(2𝑋̅)
𝑛
4
𝑉𝑎𝑟(𝜃̃) = 2 𝑉𝑎𝑟 ∑ 𝑋𝑖
𝑛
𝑖=1
4 𝑛𝜃 2
𝑉𝑎𝑟(𝜃̃) = 2 .
𝑛 12
𝜃2
𝑉𝑎𝑟(𝜃̃) =
3𝑛

𝜃2
lim 𝑉𝑎𝑟(𝜃̃) = lim =0
𝑛→∞ 𝑛→∞ 3𝑛

Bias (𝜃̃, 𝜃) diberikan oleh

𝐵(𝜃̃ , 𝜃) = 𝐸(𝜃̃ ) − 𝜃
𝐵(𝜃̃, 𝜃) = 𝐸(2𝑋̅) − 𝜃
𝑛
2
= 𝐸 ∑ 𝑋𝑖 − 𝜃
𝑛
𝑖=1
𝑛
2
= 𝐸 ∑ 𝑋𝑖 − 𝜃
𝑛
𝑖=1
2 𝑛𝜃
=. −𝜃
𝑛 2
=𝜃−𝜃 =0
𝜃2
Karena lim 𝑉𝑎𝑟(𝜃̃) = lim 3𝑛 = 0 dan lim Bias (𝜃̃, 𝜃) juga = 0 jadi ̃𝜃 adalah MSE konsisten
𝑛→∞ 𝑛→∞ 𝑛→∞
Nama : Retno Ayu Purborini
NRP : 06111540000075

Tugas BAB 9 Halaman 332 Buku L.J.Bain

27. Diketahui sebuah sampel acak dengan ukuran n = 2 dari sebuah ditribusi normal,
𝑋𝑖 ~𝑁(𝜃, 1), dimana 𝛀 = {𝜃|0 ≤ 𝜃 ≤ 1}. Tentukan estimator-estimator berikut : ̂𝜃1 =
1 1 1 3 2 2
𝑋1 + 𝑋2 , 𝜃̂2 = 𝑋1 + 𝑋2 , 𝜃 ̂3 = 𝑋1 , 𝜃
̂4 = 𝜃 ̂1 . Jika squared error loss 𝐿(𝑡; 𝜃) =
2 2 4 4 3 3
(𝑡 − 𝜃)2
a) Bandingkan fungsi resiko untuk estimator tersebut
b) Bandingkan estimator oleh prinsip minimax
c) Cari resiko Bayes dari estimator, menggunakan 𝜃 ~ 𝑈𝑁𝐼𝐹(0,1)
d) Cari resiko Bayes dari estimator, menggunakan 𝜃 ~ 𝐵𝐸𝑇𝐴(2,1)
PENYELESAIAN :
Diketahui : 𝑋𝑖 ~𝑁(𝜃, 1) dengan 𝜇 = 𝜃 dan 𝜎 2 = 1 ⟶ 𝜎 = 1
𝛀 = {𝜃|0 ≤ 𝜃 ≤ 1}
n=2
1 𝑥−𝜇 2 1 𝑥−𝜃 2 1
1 − ( ) 1 − ( ) 1 (𝑥−𝜃)2
𝑓(𝑥) = 𝜎√2𝜋 𝑒 2 𝜎 = 𝑒 2 1 = 𝑒 −2
1√2𝜋 √2𝜋

a) Estimator : ̂1
𝜃 ̂2
𝜃 ̂3
𝜃 ̂4
𝜃
1 5 4+𝜃2 2+𝜃2
Resiko : 2 8 9 9
1 5 5 1
b) Resiko Max : ̂4 adalah minimax)
(𝜃
2 8 9 3
1 5 5 1
c) Resiko Bayes : (ditribusi uniform)
2 8 9 3
1 5 5 1
d) Resiko Bayes : (distribusi beta)
2 8 9 3

Nama : Persitarini ayu Rahmawati

NRP : 06111540000088
34. Diketahui sebuah sampel acak dengan ukuran n dari sebuah distribusi dengan pdf
𝑝(1 − 𝑝)𝑥 , 𝑥 = 0,1,2, …
𝑓(𝑥; 𝑝) = {
0, 𝑥 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛
a. Tentukan MLE dari p
 (1−𝑝)
b. Tentukan MLE dari 𝜃 = 𝑝
c. Tentukan CRLB untuk varians estimator unbias 𝜃
d. Apakah MLE dari 𝜃 merupakan sebuah UMVUE?
e. Apakah MLE dari 𝜃 adalah MSE konsisten?
f. Tentukan asimtotik distribusi dari dari MLE 𝜃
𝑛𝑋̅
g. Diberikan 𝜃̃ = (𝑛+1). Carilah risk function (fungsi resiko) dari 𝜃̃ dan 𝑋̅ dengan
(𝑡−𝜃)2
menggunakan loss function 𝐿(𝑡; 𝜃) = (𝜃2 +𝜃).

Penyelesaian :
Diketahui :
Distribusi Geometri (distribusi pada soal) yang mempunyai pdf sebagai berikut :
𝑝(1 − 𝑝)𝑥 , 𝑥 = 0,1,2, …
𝑓(𝑥; 𝑝) = {
0, 𝑥 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛
1
𝐸 (𝑥) =
𝑝
1−𝑝
𝑉𝑎𝑟 (𝑥) =
𝑝2
Ditanya : a, b, c, d, e, f, dan g...?
Jawab :
a. MLE dari p
Penyelesaian :
Diketahui pdf dari distribusi Geometri (pada soal) adalah sebagai berikut :
𝑓(𝑥) = 𝑝(1 − 𝑝)𝑥
Lalu kita cari fungsi Likelihoodnya dengan rumus sebagai berikut :
𝑛

𝐿(𝑝) = ∏ 𝑓(𝑥; 𝑝)
𝑖=1
𝑛

𝑙(𝑝) = ln 𝐿(𝑝) = ∏ 𝑓(𝑥; 𝑝)

𝑖=1
𝑛

𝑙(𝑝) = ln (∏ 𝑝(1 − 𝑝)𝑥 )

𝑖=1
𝑛
𝑙(𝑝) = ln(𝑝)𝑛 + ln(1 − 𝑝)∑𝑖=1 𝑋𝑖
 𝑛

𝑙(𝑝) = 𝑛. ln 𝑝 + ∑ 𝑋𝑖 . ln(1 − 𝑝)
𝑖=1

𝑑𝑙 𝑛 ∑𝑛𝑖=1 𝑋𝑖
= + . (−1)
𝑑𝑝 𝑝 (1 − 𝑝)
𝑛 ∑𝑛𝑖=1 𝑋𝑖
0= −
𝑝 (1 − 𝑝)
∑𝑛𝑖=1 𝑋𝑖 𝑛
( )=
(1 − 𝑝) 𝑝
∑𝑛𝑖=1 𝑋𝑖 1 − 𝑝
=
𝑛 𝑝
1−𝑝
𝑥̅ =
𝑝
𝑝𝑥̅ = 1 − 𝑝
𝑝𝑥̅ + 𝑝 = 1
𝑝(𝑥̅ + 1) = 1
1
𝑝=
𝑥̅ + 1
1
𝑝̂ =
𝑥̅ + 1
1
Jadi, MLE dari distribusi Geometri (pada soal) adalah 𝑝̂ = 𝑥̅ +1

(𝟏−𝒑)
b. MLE dari 𝜽 = 𝒑
Penyelesaan :
1 𝑥̅ + 1 − 1
1 − 𝑥̅ + 1 𝑥̅
𝜃= = 𝑥̅ + 1 = (𝑥̅ + 1) = 𝑥̅
1 1 𝑥̅ + 1
𝑥̅ + 1 𝑥̅ + 1

𝜃̂ = 𝑥̅
𝑥̅ = 𝜃̂
(1−𝑝)
Jadi, MLE dari 𝜃 = 𝑝 adalah 𝑥̅ = 𝜃̂

c. CRLB untuk varians estimator unbias 𝜽

Penyelesaian :
[𝜏′(𝜃)]
𝑉𝑎𝑟(𝜃̂) = 2
𝜕
𝑛. 𝐸 [
ln 𝑓(𝑥; 𝜃)]
𝜕𝜃
1−𝑝
𝜏(𝜃) = 𝐸(𝜃) =
𝑝
1
Dan diketahui nilai 𝑝 = 𝜃+1

1
𝜏 ′(𝜃) = − 2
= −(𝜃 + 1)2
𝑝
𝑓(𝑥; 𝜃) = 𝑝(1 − 𝑝)𝑥
1 1 𝑥
𝑓(𝑥; 𝜃) = (1 − )
𝜃+1 𝜃+1
1 𝜃+1−1 𝑥
𝑓(𝑥; 𝜃) = ( )
𝜃+1 𝜃+1
1 𝜃 𝑥
𝑓(𝑥; 𝜃) = ( )
𝜃+1 𝜃+1
ln 𝑓(𝑥; 𝜃) = − ln(𝜃 + 1) + 𝑥 (ln 𝜃 − ln 𝜃 + 1)
ln 𝑓(𝑥; 𝜃) = − ln(𝜃 + 1) + 𝑥 ln 𝜃 − 𝑥 ln(𝜃 + 1)
𝜕 1 𝑥 𝑥
ln 𝑓(𝑥; 𝜃) = − + −
𝜕𝜃 𝜃+1 𝜃 𝜃+1
𝜕 −𝜃 + 𝜃𝑥 + 𝑥 − 𝑥𝜃
ln 𝑓(𝑥; 𝜃) =
𝜕𝜃 𝜃(𝜃 + 1)
𝜕 𝑥−𝜃
ln 𝑓(𝑥; 𝜃) =
𝜕𝜃 𝜃(𝜃 + 1)
2
𝜕 (𝑥 − 𝜃)2
[ ln 𝑓(𝑥; 𝜃)] = 2
𝜕𝜃 𝜃 (𝜃 + 1)2
2
𝜕 𝑥 2 − 2𝑥𝜃 + 𝜃 2
[ ln 𝑓(𝑥; 𝜃)] =
𝜕𝜃 𝜃 2 (𝜃 + 1)2
2
𝜕 1
𝐸[ ln 𝑓(𝑥; 𝜃)] = 2 (𝐸(𝑥)2 − 2𝜃𝐸(𝑥) + 𝜃 2 )
𝜕𝜃 𝜃 (𝜃 + 1)2
Kita cari nilai dari 𝐸(𝑥)2 terlebih dahulu, sebagai berikut :
𝐸(𝑥)2 = 𝑉𝑎𝑟(𝑥) + (𝐸(𝑥))2
 1−𝑝 1
𝐸(𝑥)2 = 2
+ 2
𝑝 𝑝
2−𝑝
𝐸(𝑥)2 =
𝑝2
1
2−𝜃+1
𝐸(𝑥)2 =
1
(𝜃 + 1)2
2𝜃 + 2 − 1
𝐸(𝑥)2 = 𝜃+1
1
(𝜃 + 1)2
2𝜃 + 1
𝐸(𝑥)2 =
𝜃+1
2𝜃+1
Lalu setelah kita ketahui nilai dari 𝐸(𝑥)2 = maka bisa kita substitusikan
𝜃+1
2
𝜕 1 2𝜃 + 1
𝐸[ ln 𝑓(𝑥; 𝜃)] = 2 2
( − 2𝜃(𝜃 + 1) + 𝜃 2 )
𝜕𝜃 𝜃 (𝜃 + 1) 𝜃 + 1
2
𝜕 1 2𝜃 + 1 − 2𝜃(𝜃 + 1)2 + 𝜃 2 (𝜃 + 1)
𝐸 [ ln 𝑓(𝑥; 𝜃)] = 2 ( )
𝜕𝜃 𝜃 (𝜃 + 1)2 𝜃+1
2
𝜕 2𝜃 + 1 + 2𝜃 3 − 4𝜃 2 − 2𝜃 + 𝜃 3 + 𝜃 2
𝐸[ ln 𝑓(𝑥; 𝜃)] =
𝜕𝜃 𝜃 2 (𝜃 + 1)2
2
𝜕 −𝜃 3 − 3𝜃 2 + 1
𝐸 [ ln 𝑓(𝑥; 𝜃)] =
𝜕𝜃 𝜃 2 (𝜃 + 1)2
[𝜏′(𝜃)]
𝐶𝑅𝐿𝐵 = 2
𝜕
𝑛. 𝐸 [ ln 𝑓(𝑥; 𝜃)]
𝜕𝜃
−(𝜃 + 1)2
𝐶𝑅𝐿𝐵 =
−𝜃 3 − 3𝜃 2 + 1
𝑛. ( 2 )
𝜃 (𝜃 + 1)2
−𝜃 2 (𝜃 + 1)4
𝐶𝑅𝐿𝐵 =
𝑛. (−𝜃 3 − 3𝜃 2 + 1)
−𝜃2 (𝜃+1)4
Jadi, nilai CRLB untuk varians estimator unbias 𝜃 adalah 𝐶𝑅𝐿𝐵 = 𝑛.(−𝜃3 −3𝜃2 +1)
 d. Apakah MLE dari 𝜽 merupakan sebuah UMVUE?
Penyelesaian :
MLE dari 𝜃 tidak UMVUE, hal ini dikarenakan nilai ekspetasi tidak sama dengan nilai
estimator.

e. Apakah MLE dari 𝜽 adalah MSE konsisten?

Penyelesaian :
lim 𝐸[𝑇𝑛 − 𝜏(𝜃)]2 = 0
𝑛→∞
2 2
1−𝑝 2
2𝑥(1 − 𝑝) (1 − 𝑝)2
𝐸 [𝑥̅ − ] = 𝐸 [𝑥 − + ]
𝑝 𝑝 𝑝2
𝐸[𝑥̅ − (𝜃 + 1)]2 = 𝐸[𝑥 2 − 2𝑥(𝜃 + 1) + (1 − 𝜃)2 ]
𝐸[𝑥̅ − (𝜃 + 1)]2 = 𝐸(𝑥 2 ) − 2(𝜃 + 1)𝐸(𝑥) + (1 − 𝜃)2
2𝜃 + 1 (𝜃 + 1)
𝐸[𝑥̅ − (𝜃 + 1)]2 = − 2(𝜃 + 1) + (1 − 𝜃)2
𝑛(𝜃 + 1) 𝑛
2
2𝜃 + 1 2(𝜃 + 1)3 𝑛(𝜃 + 1)3
𝐸[𝑥̅ − (𝜃 + 1)] = − +
𝑛(𝜃 + 1) 𝑛(𝜃 + 1) 𝑛(𝜃 + 1)
(𝜃 3
2𝜃 + 1 + + 1) (𝑛 − 2)
𝐸[𝑥̅ − (𝜃 + 1)]2 =
𝑛(𝜃 + 1)

2
2𝜃 + 1 + (𝜃 + 1)3 (𝑛 − 2)
lim 𝐸[𝑇𝑛 − 𝜏(𝜃)] = lim
𝑛→∞ 𝑛→∞ 𝑛(𝜃 + 1)

lim 𝐸[𝑇𝑛 − 𝜏(𝜃)]2 = 0

𝑛→∞
Karena nilai lim 𝐸[𝑇𝑛 − 𝜏(𝜃)]2 = 0 , maka benar bahwa MLE dari 𝜃 adalah
𝑛→∞
MSE konsisten.

NAMA : NURDIA DWI CAHYANI

NRP : 06111540000055
33. Sebuah sampel acak berukuran 𝑛 dari distribusi Poisson, 𝑋𝑖 ~ 𝑃𝑂𝐼 (𝜇).
a. Tentukan CRLB untuk variansi dari estimator unbias 𝜇.
b. Tentukan CRLB untuk variansi dari estimator unbias 𝜃 = 𝑒 −𝜇 .
c. Tentukan UMVUE dari 𝜇.
d. Tentukan MLE 𝜃̂ dari 𝜃.
e. Apakah 𝜃̂ estimator unbias dari ?
f. Apakah 𝜃̂ unbias asimtotik ?
𝑛−1 𝑋𝑖
g. Tunjukkan bahwa 𝜃̃ = [ 𝑛 ] adalah estimator unbias dari 𝜃

( Petunjuk : 𝑌 = ∑ 𝑋𝑖 ~ 𝑃𝑂𝐼 (𝑛𝜇) dan 𝐸(𝜃̃) dan 𝑉𝑎𝑟 (𝜃̃) adalah berelasi ke MGF dari 𝑌
Penyelesaian :
Diketahui : 𝑋𝑖 ~ 𝑃𝑂𝐼 (𝜇)
𝑒 −𝜇 𝜇 𝑥
𝑢𝑛𝑡𝑢𝑘 𝑥 ≥ 0
Pdf = { 𝑥!
0 𝑢𝑛𝑡𝑢𝑘 𝑥 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛

Jawab :
a. CRLB untuk variansi dari estimator unbias 𝜇.
[𝜏 ′ (𝜇)]2
𝑉𝑎𝑟 (𝜇̂ ) ≥ 2
𝜕
𝑛𝐸 [ ln 𝑓(𝑥, 𝜇)]
𝜕𝜇
𝜏(𝜇) = 𝐸(𝜇̂ ) = 𝜇 maka 𝜏 ′ (𝜇) = 1
𝑒 −𝜇 𝜇 𝑥
𝑓(𝑥, 𝜇) =
𝑥!
𝑒 −𝜇 𝜇 𝑥
ln 𝑓(𝑥, 𝜇) = 𝑙𝑛 [ ]
𝑥!
= ln 𝑒 −𝜇 + 𝑙𝑛 𝜇 𝑥 − ln 𝑥!
= −𝜇 + 𝑥 ln 𝜇 − ln 𝑥!
𝜕 𝜕
ln 𝑓(𝑥, 𝜇) = [−𝜇 + 𝑥 ln 𝜇 − ln 𝑥!]
𝜕𝜇 𝜕𝜇
𝑥
= −1 +
𝜇
𝜕2 𝑥
ln 𝑓(𝑥, 𝜇) = − 2
𝜕𝜇 2 𝜇
Karena
[𝜏 ′ (𝜇)]2 [𝜏 ′ (𝜇)]2
2 =
𝜕 𝜕2
𝑛𝐸 [ ln 𝑓(𝑥, 𝜇)] −𝑛𝐸 [ ln 𝑓(𝑥, 𝜇)]
𝜕𝜇 𝜕𝜇 2
Maka,

𝜕2 𝑥
𝐸 [ 2 ln 𝑓(𝑥, 𝜇)] = 𝐸 (− 2 )
𝜕𝜇 𝜇
1
= − 2 𝐸(𝑥)
𝜇
1
= − 2 𝜇
𝜇
1
=−
𝜇
Jadi , didapat
[1]2
𝑉𝑎𝑟 (𝜇̂ ) ≥
1
−𝑛 [− 𝜇 ]
 𝜇
𝑉𝑎𝑟 (𝜇̂ ) ≥
𝑛
b. Tentukan CRLB untuk variansi dari estimator unbias 𝜃 = 𝑒 −𝜇 .
Karena = 𝑒 −𝜇 , maka :
𝜏(𝜇) = 𝑒 −𝜇 → 𝜏′(𝜇) = − 𝑒 −𝜇
Sehingga,
[𝜏 ′ (𝜇)]2
𝑉𝑎𝑟 (𝜇̂ ) ≥ 2
𝜕
𝑛𝐸 [ ln 𝑓(𝑥, 𝜇)]
𝜕𝜇
[− 𝑒 −𝜇 ]2
𝑉𝑎𝑟 (𝜃̂) ≥
1
−𝑛 [− 𝜇 ]
𝑒 −2𝜇
̂
𝑉𝑎𝑟 (𝜃) ≥
𝑛/𝜇
𝜇 𝑒 −2𝜇
̂
𝑉𝑎𝑟 (𝜃) ≥
𝑛
c. Tentukan UMVUE dari 𝜇
𝐿(𝜇) = 𝑓(𝑥, 𝜇)
𝑛

ln 𝐿(𝜇) = ln [∏ 𝐿(𝜇)]
𝑖=1
𝑛
𝑒 −𝜇 𝜇 𝑥
= ∑ ln [ ]
𝑥!
𝑖=1
𝑛 𝑛 𝑛

= ∑ ln 𝑒 −𝜇 + ∑ ln 𝜇 𝑋𝑖 − ∑ 𝑋𝑖 !
𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛

= −𝑛𝜋 + ∑ 𝑋𝑖 ln 𝜇 − ∑ 𝑋𝑖 !
𝑖=1 𝑖=1
𝑛 𝑛
𝑑 ln 𝐿(𝜇) 𝑑
= [−𝑛𝜋 + ∑ 𝑋𝑖 ln 𝜇 − ∑ 𝑋𝑖 !]
𝑑𝜇 𝑑𝜇
𝑖=1 𝑖=1
𝑛
1
= −𝑛 + ∑ 𝑋𝑖
𝜇
𝑖=1
𝑑 ln 𝐿(𝜇)
=0
𝑑𝜇
𝑛
1
∑ 𝑋𝑖 =𝑛
𝜇
𝑖=1
𝑛

∑ 𝑋𝑖 = 𝑛𝜇
𝑖=1
 ∑𝑛𝑖=1 𝑋𝑖
𝜇=
𝑛
𝜇̂ = 𝑋̅
d. Tentukan MLE 𝜃̂ dari 𝜃.
Telah diketahui pada jawaban (b) 𝜇̂ = 𝑋̅ , sehingga
𝜃̂ = 𝑒̂−𝜇
̂
= 𝑒 −𝜇
̂
= 𝑒 −𝑋
e. Apakah 𝜃̂ estimator unbias dari ?
Akan ditunjukkan bahwa 𝐸(𝑇) = 𝜏(𝜃)
̂̅̅̅̅
𝐸 ( 𝑒 −𝑋 ) = 𝑒 −𝜇
∞
̅̅̅̅
̂
−𝑋
𝑒 −𝑥 𝑒 −𝜇 𝜇 𝑥
𝐸 (𝑒 )= ∑
𝑥!
𝑥=0
∞
−𝜇
(𝑒 −1 𝜇)𝑥
=𝑒 ∑
𝑥!
𝑥=0
𝑒 −1𝜇
=𝑒
−1
Selanjutnya dikalikan dengan 𝑒 −𝜇 , diperoleh 𝑒 −𝜇(1−𝑒 )
−1
Karena 𝑒 −𝜇(1−𝑒 ) tidak sama dengan 𝑒 −𝜇 sehingga 𝜃̂ bukan estimator unbias dari 𝜃.
f. Apakah 𝜃̂ unbias asimtotik ?
Akan ditunjukkan bahwa lim 𝐸(𝑇𝑛 ) = 𝜏(𝜃)
𝑛→∞
̅̅̅̅ 𝑛
lim 𝐸( 𝑒 −𝑋 ) = 𝑒 −𝜇
𝑛→∞

𝑛−1 𝑋𝑖
g. Tunjukkan bahwa 𝜃̃ = [ ] adalah estimator unbias dari 𝜃.
𝑛
𝑛−1 𝑋𝑖
Akan ditunjukkan bahwa 𝐸 ([ ] ) = 𝑒 −𝜇
𝑛
∞
𝑛 − 1 𝑋𝑖 𝑛 − 1 𝑋𝑖 𝑒 −𝜇 𝜇 𝑥
𝐸 ([ ] ) = ∑[ ]
𝑛 𝑛 𝑥!
𝑥=0
= 𝑒 −𝜇
𝑛−1 𝑋𝑖 𝑛−1 𝑋𝑖
Karena 𝐸 ([ ] ) = 𝑒 −𝜇 sehingga dapat dikatakan 𝜃̃ = [ ] adalah estimator unbias
𝑛 𝑛
dari 𝜃.
𝑛−1 𝑋𝑖
Karena 𝜃̃ = [ 𝑛 ] , maka :
𝜏(𝜇) = 𝑒 −𝜇 → 𝜏′(𝜇) = − 𝑒 −𝜇
Sehingga,

Nama : Christina Anaztasia Gita P.

NRP : 06111540000014
Kelas : Matematika Statistika A

35. Find the asymptotic distribution of the MLE of p in Exercise 4(a).

Exercise 4(a) : 𝑋𝑖 ~𝐵𝐼𝑁(1, 𝑝)
Terjemahan:
Temukan distribusi asimtotik MLE dari p pada Latihan 4(a).
Latihan 4(a) : 𝑋𝑖 ~𝐵𝐼𝑁(1, 𝑝)

Penyelesaian:
Diketahui : Terdapat sampel acak dari distribusi Binomial 𝑋𝑖 ~𝐵𝐼𝑁(1, 𝑝)
dimana p tidak diketahui.
Ditanya : Nilai asimtotik = ......
Jawab :
Bentuk umum dari 𝑋𝑖 ~𝐵𝐼𝑁(1, 𝑝) adalah
𝑓(𝑥𝑖 , 𝑝) = 𝑝 𝑥𝑖 (1 − 𝑝)1−𝑥𝑖 , 𝑖 = 1, 2, … , 𝑛
Maka fungsi LikeLihoodnya:
𝑛

𝐿(𝑝) = ∏ 𝑓(𝑥𝑖 , 𝑝)
𝑖=1
𝑛

= ∏ 𝑝 𝑥𝑖 (1 − 𝑝)1−𝑥𝑖
𝑖=1
𝑛 𝑛
= 𝑝∑𝑖=1 𝑥𝑖 (1 − 𝑝)𝑛 − ∑𝑖−1 𝑥𝑖
Akan dicari MLE:
𝑛 𝑛

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

d ln 𝐿(𝑝) ∑𝑛𝑖=1 𝑥𝑖 (𝑛 − ∑𝑛𝑖=1 𝑥𝑖 )

= −
𝑑𝑝 𝑝 (1 − 𝑝)

Persamaan LikeLihood:
 ∑𝑛𝑖=1 𝑥𝑖 (𝑛 − ∑𝑛𝑖=1 𝑥𝑖 )
− =0
𝑝̂ (1 − 𝑝̂ )
𝑛 𝑛

𝑝̂ (𝑛 − ∑ 𝑥𝑖 ) = (1 − 𝑝̂ ) (∑ 𝑥𝑖 )
𝑖=1 𝑖=1
𝑛 𝑛 𝑛

̂𝑝𝑛 − 𝑝̂ ∑ 𝑥𝑖 = ∑ 𝑥𝑖 − 𝑝̂ ∑ 𝑥𝑖
𝑖=1 𝑖=1 𝑖=1
𝑛

𝑝̂ 𝑛 = ∑ 𝑥𝑖
𝑖=1

∑𝑛𝑖=1 𝑥𝑖
𝑝̂ =
𝑛
Didapat MLE
∑𝑛𝑖=1 𝑥𝑖
𝑝̂ =
𝑛
Untuk mencari CRLB
ln 𝐿(𝑥, 𝑝) = 𝑥 ln 𝑝 + (1 − 𝑥) ln(1 − 𝑝)
𝜕𝐿(𝑥, 𝑝) 𝜕(𝑥𝑝 + (1 − 𝑥) ln(1 − p))
=
𝜕𝑝 𝜕𝑝
𝑥 1−𝑥
= −( )
𝑝 1−𝑝
Sehingga
𝜕 2 𝐿(𝑥, 𝑝)
𝐶𝑅𝐿𝐵 = 1/𝑛𝐸 ( )
𝜕 2𝑝

𝑥 1−𝑥
𝐶𝑅𝐿𝐵 = 1/𝑛𝐸 [ 2
+( )]
𝑝 (1 − 𝑝)2

𝐸(𝑥) 𝐸(1 − 𝑥)
= 1/𝑛 ( + )
𝑝2 (1 − 𝑝)2

𝑝 (1 − 𝑝)
= 1/𝑛 ( 2
+ )
𝑝 (1 − 𝑝)2

1 (1 − 𝑝)
= 1/𝑛 ( + )
𝑝 (1 − 𝑝)2
 (1 − 𝑝)2 + 𝑝 − 𝑝2
= 1/𝑛 ( )
𝑝(1 − 𝑝)2

1−𝑝
= 1/𝑛 ( )
𝑝(1 − 𝑝)2

1
= 1/𝑛 ( )
𝑝(1 − 𝑝)

𝑝(1 − 𝑝)
=
𝑛

𝑝(1 − 𝑝)
𝑝̂ ~ 𝑁 (𝑝, )
𝑛
𝑝(1−𝑝)
Jadi, nilai asimtotik dari estimator persamaan diatas adalah 𝑁 (𝑝, )
𝑛

NAMA : M. FIAN FACHRY A.

NRP : 1214100068

No. 36

Diketahui :
𝑿𝒊 = 𝑵(𝟎, 𝜽)
Ditanya :
Distribusi asimpotik dari MLE
Penyelesaian :
𝟏 𝟏 𝒙−𝝁 𝟐
− ( )
𝒇(𝒙) = 𝒆 𝟐 𝜽
√𝟐𝝅𝝈
𝟏 𝒙𝟐
−
𝒇(𝒙) = 𝒆 𝟐𝜽
√𝟐𝝅𝜽
MLE :
𝒏

𝑳(𝜽) = ∏ 𝒇(𝒙)
𝒊=𝟎
𝒏
𝟏 𝒙𝟐
− 𝒊
𝑳(𝜽) = ∏ 𝒆 𝟐𝜽
√𝟐𝝅𝜽
𝒊=𝟎
𝟏 𝟏
− ∑𝒏 𝟐
𝒊=𝟏 𝒙𝒊
𝑳(𝜽) = 𝒏 𝒆 𝟐𝜽
(𝟐𝝅𝜽)𝟐
 𝒏
𝟏 𝟏
𝐥𝐧(𝑳(𝜽)) = 𝐥𝐧 ( 𝒏) − ∑ 𝒙𝟐𝒊
(𝟐𝝅𝜽)𝟐 𝟐𝜽
𝒊=𝟏
𝒏
𝒅(𝐥𝐧(𝑳(𝜽))) 𝟏
= −𝒏𝝅𝜽 + 𝟐 ∑ 𝒙𝟐𝒊 = 𝟎
𝒅𝜽 𝟐𝜽
𝒊=𝟏

∑𝒏𝒊=𝟏 𝒙𝟐𝒊
𝟑
𝜽= √ − 𝒏𝝅
𝟐

Nama : Atika Marasabessy

Nrp : 06111540000025
37. Misalkan 𝑋1 , … , 𝑋𝑛 dinyatakan sebagai suatu sampel acak yang berukuran ganjil
(𝑛 = 2𝑘 − 1).
a. Jika 𝑋𝑖 ~𝐷𝐸(1, 𝜂), tentukan asymptotic relative efficiency, seperti yang didefinisikan
oleh persamaan (9.4.6), untuk 𝜂̂ 𝑛 = 𝑋̅𝑛 relatif ke 𝜂̃𝑛 = 𝑋𝑘:𝑛 .
b. Jika 𝑋𝑖 ~𝑁(𝜇, 1), tentukan asymptotic relative efficiency, seperti yang didefinisikan oleh
persamaan (9.4.6), untuk 𝜇̃𝑛 = 𝑋𝑘:𝑛 relatif ke 𝜇̂ 𝑛 = 𝑋̅𝑛 .
Penyelesaian :
a. Distribusi Double Eksponensial 𝑿𝒊 ~𝑫𝑬(𝜽, 𝜼)
1 − |𝑥−𝜂|
𝑝𝑑𝑓 ∶ 𝑓(𝑥) = 𝑒 𝜃
2𝜃
𝐸(𝑋) =𝜂, 𝐸(𝑋̅) = 𝜂
2𝜃 22 2𝜃2 2
𝑉𝑎𝑟(𝑋) = 2𝜃 2 , 𝑉𝑎𝑟(𝑋̅) = 𝑛 = 𝑛 , 𝑉𝑎𝑟(𝑋𝑘:𝑛 ) = = 3𝑛
3𝑛

𝑘 ∗ (𝜃)
𝑎𝑟𝑒(𝑇𝑛 , 𝑇𝑛 ∗ ) = , (pers. 9.4.6)
𝑘(𝜃)

Berdasarkan persamaan 9.4.6, diperoleh :

2
𝑉𝑎𝑟(𝜂̃𝑛 ) 𝑉𝑎𝑟(𝑋𝑘:𝑛 ) 3𝑛 1
𝑎𝑟𝑒(𝜂̂ 𝑛 , 𝜂̃𝑛 ) = = = =
𝑉𝑎𝑟(𝜂̂ 𝑛 ) 𝑉𝑎𝑟(𝑋̅) 2 3
𝑛
1
Sehingga di dapatkan asymptotic relative efficiency adalah 3 .

b. Distribusi Normal 𝑿𝒊 ~𝑵(𝝁, 𝟏)

 1 (𝑥−𝜇)2
𝑝𝑑𝑓 ∶ 𝑓(𝑥) = 𝑒− 2
√2𝜋
𝐸(𝑋) =𝜇, 𝐸(𝑋̅) = 𝜇
𝜎 1 2 1 1
𝑉𝑎𝑟(𝑋) = 𝜎 2 , 𝑉𝑎𝑟(𝑋̅) = 𝑛 = 𝑛 , 𝑉𝑎𝑟(𝑋𝑘:𝑛 ) = 3𝑛 𝜎 3 = 3𝑛
𝑘 ∗ (𝜃)
𝑎𝑟𝑒(𝑇𝑛 , 𝑇𝑛 ∗ ) = , (pers. 9.4.6)
𝑘(𝜃)

Berdasarkan persamaan 9.4.6, diperoleh :

1
𝑉𝑎𝑟(𝜇̃𝑛 ) 𝑉𝑎𝑟(𝑋𝑘:𝑛 ) 3𝑛 1
𝑎𝑟𝑒(𝜇̂ 𝑛 , 𝜇̃𝑛 ) = = = =
𝑉𝑎𝑟(𝜇̂ 𝑛 ) 𝑉𝑎𝑟(𝑋̅) 1 3
𝑛
1
Sehingga di dapatkan asymptotic relative efficiency adalah 3 .

Nama : Asrul Noris Shobakh

NRP : 06111540000052

38. Suatu estimator 𝜃̂ dikatakan median unbiased jika 𝑃[𝜃̂ < θ] = 𝑃[𝜃̂ > θ]. Berdasarkan
sampel acak berukuran 𝑛 dari distribusi eksponensial, 𝑋𝑖 ~𝐸𝑋𝑃(𝜃).
a. Tentukan estimator median unbiased dari 𝜃 yang memiliki bentuk 𝜃̂ = c𝑋̅.
b. Tentukan efisiensi relatif dari 𝜃̂ dibandingkan dengan 𝑋̅.
c. Bandingkan MSEs dari 𝜃̂ dan 𝑋̅ ketika 𝑛 = 5.

Penyelesaian:

Diketahui
𝑋𝑖 ~𝐸𝑋𝑃(𝜃)
Sehingga
1 −𝑥
𝑓(𝑥, 𝜃) =
𝑒 𝜃 untuk 𝑥 > 0
𝜃
Pertama akan dicari estimator 𝜃̂, dengan menggunakan metode MLEs
𝑛

𝐿(𝜃) = ∏ 𝑓(𝑥, 𝜃)
𝑖=1
𝑛
1 𝑥
= ∏ 𝑒 −𝜃
𝜃
𝑖=1
 1 −𝑥 1 −𝑥 1 −𝑥
= 𝑒 𝜃 . 𝑒 𝜃 . 𝑒 𝜃 .…
𝜃 𝜃 𝜃
𝑛
1 −∑𝑖=1 𝑥𝑖
= 𝑛𝑒 𝜃
𝜃
∑𝑛 𝑥
−𝑛 − 𝑖=1 𝑖
ln 𝐿(𝜃) = ln 𝜃 + ln 𝑒 𝜃
∑𝑛𝑖=1 𝑥𝑖
= −𝑛 ln 𝜃 −
𝜃
𝜕(ln 𝐿(𝜃)) 𝑛 ∑𝑛𝑖=1 𝑥𝑖
=− +
𝜕𝜃 𝜃 𝜃2
𝑛 ∑𝑛𝑖=1 𝑥𝑖
0 =− +
𝜃 𝜃2
𝑛
𝑛 ∑𝑖=1 𝑥𝑖
=
𝜃 𝜃2
2 𝑛
𝜃 ∑𝑖=1 𝑥𝑖
=
𝜃 𝑛
𝜃̂ = 𝑋̅
Jadi estimator 𝜃̂ = 𝑋̅
Ditanya
a. Tentukan estimator median unbiased dari 𝜃 yang memiliki bentuk 𝜃̂ = c𝑋̅.
b. Tentukan efisiensi relatif dari 𝜃̂ dibandingkan dengan 𝑋̅.
c. Bandingkan MSEs dari 𝜃̂ dan 𝑋̅ ketika 𝑛 = 5.

Jawab
a. estimator 𝜃̂ dikatakan median unbiased jika 𝑃[𝜃̂ < θ] = 𝑃[𝜃̂ > θ] dimana 𝜃̂ = c𝑋̅
maka akan dicari nilai 𝑐 sehingga 𝑃[𝜃̂ < θ] = 𝑃[𝜃̂ > θ]. Berdasarkan rumus CDF
𝑥
𝑃[𝑋 ≤ 𝑥] = ∫ 𝑓(𝑡) 𝑑𝑡
−∞
maka
𝜃
1 −𝑥̂
𝑃[𝜃̂ < θ] = ∫ 𝑒 𝜃 𝑑𝑥
0 𝜃̂
𝜃
1 −𝑥
=∫ 𝑒 c𝑋̅ 𝑑𝑥
0 c𝑋̅
1 𝜃 −𝑥
= ∫ 𝑒 c𝑋̅ 𝑑𝑥
c𝑋̅ 0
𝑥 1
Misalkan 𝑢 = c𝑋̅ maka 𝑑𝑢 = c𝑋̅ 𝑑𝑥 sehingga 𝑑𝑥 = 𝑐𝑋̅ 𝑑𝑢, jadi
1 𝜃 −𝑢
𝑃[𝜃̂ < θ] = ∫ 𝑒 𝑐𝑋̅ 𝑑𝑢
c𝑋̅ 0
𝑐𝑋̅ 𝜃 −𝑢
= ∫ 𝑒 𝑑𝑢
c𝑋̅ 0
 𝑥
− ̅ 𝜃
= −𝑒 c𝑋 ]
0
𝜃
−
=1− 𝑒 c𝑋̅
Sehingga 𝑃[𝜃̂ > θ] = 1 − 𝑃[𝜃̂ < θ]
𝜃
−
𝑃[𝜃̂ > θ] = 1 − (1 − 𝑒 c𝑋̅ )
𝜃
−
= 𝑒 c𝑋̅
Syarat suatu estimator adalah median unbias ketika 𝑃[𝜃̂ < θ] = 𝑃[𝜃̂ > θ]
𝜃 𝜃
− ̅ − ̅
1−𝑒 c𝑋 =𝑒 c𝑋
𝜃
− ̅
−2𝑒 c𝑋 = −1
−
𝜃 1
𝑒 c𝑋̅ =
2
𝜃
−
ln 𝑒 c𝑋̅ = ln 2−1
𝜃
− = − ln 2
𝑐𝑋̅
𝜃
𝑐𝑋̅ =
ln 2
𝜃
𝑐 =
𝑋̅ ln 2
𝜃
Sehingga estimator median unbiased dari 𝜃 adalah 𝜃̂ = ln 2
b. Tentukan efisiensi relatif dari 𝜃̂ dibandingkan dengan 𝑋̅
Suatu estimator unbias 𝜃̂1 dikatakan lebih efisien dari estimator unbias 𝜃̂2 apabila
̂
𝑉𝑎𝑟(𝜃 )
𝑉𝑎𝑟(𝜃̂1 ) < 𝑉𝑎𝑟(𝜃̂2 ) dan efisiensi relatif nya adalah 𝑟𝑒(𝜃̂2 , 𝜃̂1 ) = 𝑉𝑎𝑟(𝜃̂1 )
2

Maka langkah pertama harus ditunjukkan bahwa estimator 𝜃̂ dan 𝑋̅ adalah unbias
𝐸(𝜃̂ ) = 𝐸(𝑐𝑋̅)
= 𝑐𝐸(𝑋̅)
𝑛
1
= 𝑐𝐸 ( ∑ 𝑥𝑖 )
𝑛
𝑖=1
𝑛
𝑐
= 𝐸 (∑ 𝑥𝑖 )
𝑛
𝑖=1
𝑛
𝑐
= ∑ 𝐸(𝑥𝑖 )
𝑛
𝑖=1
𝑐
= 𝑛𝜃
𝑛
= 𝑐𝜃 untuk 𝑐 = 1 maka estimator 𝜃̂ adalah estimator unbias
 𝑛
1
𝐸(𝑋̅) = 𝐸 ( ∑ 𝑥𝑖 )
𝑛
𝑖=1
𝑛
1
= 𝐸 (∑ 𝑥𝑖 )
𝑛
𝑖=1
𝑛
1
= ∑ 𝐸(𝑥𝑖 )
𝑛
𝑖=1
1
= 𝑛𝜃
𝑛
=𝜃 jadi 𝑋̅ adalah estimator unbias
Berikutnya mencari 𝑉𝑎𝑟(𝜃̂) dan 𝑉𝑎𝑟(𝑋̅)
𝑉𝑎𝑟(𝜃̂) = 𝑉𝑎𝑟(𝑐𝑋̅)
𝑛
𝑐
= 𝑉𝑎𝑟 ( ∑ 𝑥𝑖 )
𝑛
𝑖=1
𝑛
2
𝑐
= 𝑉𝑎𝑟 (∑ 𝑥𝑖 )
𝑛2
𝑖=1
𝑛
2
𝑐
= ∑ 𝑉𝑎𝑟(𝑥𝑖 )
𝑛2
𝑖=1
𝑐2 2
= 𝜃
𝑛
𝑛
1
𝑉𝑎𝑟(𝑋̅) = 𝑉𝑎𝑟 ( ∑ 𝑥𝑖 )
𝑛
𝑖=1
𝑛
1
= 𝑉𝑎𝑟 (∑ 𝑥𝑖 )
𝑛2
𝑖=1
𝑛
1
= ∑ 𝑉𝑎𝑟(𝑥𝑖 )
𝑛2
𝑖=1
1
= 𝜃2
𝑛
Karena 𝑉𝑎𝑟(𝑋 < 𝑉𝑎𝑟(𝜃̂) maka 𝑋̅ lebih efisien dari 𝜃̂ = 𝑐𝑋̅ sehingga
̅ )
1 2
𝑉𝑎𝑟(𝑋̅) 𝑛 𝜃 1
𝑟𝑒(𝜃̂, 𝑋̅) = = 2 = 2
𝑉𝑎𝑟(𝜃̂) 𝑐 𝜃 2 𝑐
𝑛
c. Bandingkan MSEs dari 𝜃̂ dan 𝑋̅ ketika 𝑛 = 5
𝜃̂ = 𝑐𝑋̅ dan 𝑋̅ adalah estimator dari 𝜃. Sehingga dapat digunakan rumus
2 2
MSEs = 𝐸[𝜃̂ − 𝜃] = 𝐸(𝜃̂ 2 ) − (𝐸(𝜃))
2
= 𝐸(𝑐 2 𝑋̅ 2 ) − (𝐸(𝜃))
 = 𝑐 2 𝐸(𝑋̅ 2 ) − 𝜃 2
𝑛 2
1
= 𝑐 2 𝐸 (( ∑ 𝑥𝑖 ) ) − 𝜃 2
𝑛
𝑖=1
𝑛
𝑐2
= ∑ 𝐸(𝑥𝑖2 ) − 𝜃 2
𝑛2
𝑖=1
𝑐2 2
= 𝜃 − 𝜃2
𝑛
𝑐2
= ( − 1) 𝜃 2
𝑛

2
MSEs = 𝐸[𝑋̅ − 𝜃]2 = 𝐸(𝑋̅ 2 ) − (𝐸(𝜃))
2
= 𝐸(𝑋̅ 2 ) − (𝐸(𝜃))
= 𝐸(𝑋̅ 2 ) − 𝜃 2
𝑛 2
1
= 𝐸 (( ∑ 𝑥𝑖 ) ) − 𝜃 2
𝑛
𝑖=1
𝑛
1
= 2
∑ 𝐸(𝑥𝑖2 ) − 𝜃 2
𝑛
𝑖=1
1
= 𝜃2 − 𝜃2
𝑛
1
= ( − 1) 𝜃 2
𝑛
𝑐2 1
̂ ̅
Jadi MSEs 𝜃 : MSEs 𝑋 adalah ( 𝑛 − 1) 𝜃 2 : (𝑛 − 1) 𝜃 2
𝑐2 1
( − 1) : ( − 1)
𝑛 𝑛

Nama : Safir Takhrizuddin

NRP : 06111540000021

39. Diberikan 𝜃̂𝑖 , 𝑖 = 1, … , 𝑛 adalah estimator unbiased saling bebas dari 𝜃 dengan 𝑉𝑎𝑟(𝜃̂𝑖 ) =
𝜎𝑖2 . Mengingat mengombinasikan estimator 𝜃̂𝑐 = ∑𝑛𝑖=1 𝑎𝑖 𝜃̂𝑖 dimana ∑𝑛𝑖=1 𝑎𝑖 = 1.

a. Tunjukkan bahwa 𝜃̂𝑐 adalah unbiased

1 1
b. Dapat ditunjukkan bahwa 𝑉𝑎𝑟(𝜃̂𝑐 ) adalah minimized dengan 𝑎𝑖 = (𝜎2 ) / ∑𝑛𝑖=1 (𝑎2 ).
𝑖 𝑖
perikasalah untuk case 𝑛 = 2.
Penyelesaian :
 a. Dikatakan unbiased jika 𝐸(𝜃̂) = 𝜃

Nama: Ajeng Puspitaningrum

NRP:06111540000005
40. Misalkan 𝑋 merupakan sebuah peubah acak dengan CDF 𝐹(𝑥).

(a) Tunjukkan bahwa 𝐸[(𝑋 − 𝑐)2 ] terminimalisir oleh nilai 𝑐 = 𝐸(𝑋)

(b) Dengan mengasumsikan 𝑋 kontinu ,tunjukkan bahwa 𝐸[|𝑋 − 𝑐|] adalah minimum jika 𝑐
merupakan median ,dimana nilai 𝐹(𝑐) = 1⁄2

Penyelesaian :

(a) Diketahui 𝐸[(𝑋 − 𝑐)2 ] dapat kita jabarkan menjadi

𝐸[(𝑋 − 𝑐)2 ] = 𝐸[𝑋 2 − 2𝑋𝑐 + 𝑐 2 ]
𝐸[(𝑋 − 𝑐)2 ] = 𝐸[𝑋 2 ] − 𝐸[2𝑋𝑐] + 𝑐 2
Menurut teorema “Misalkan X adalah fungsi peubah acak dengan pdf 𝑓(𝑥),apabila 𝑎 dan 𝑏
merupakan dua bilangan rill maka
𝐸(𝑎𝑋 + 𝑏) = 𝑎𝐸(𝑥) + 𝑏
Sehingga,dapat kita tuliskan menjadi:
𝐸[(𝑋 − 𝑐)2 ] = 𝐸[𝑋 2 ] − 2𝑐𝐸[𝑋] + 𝑐 2
Untuk menentukan titik kritis dari suatu fungsi dapat diperoleh pada turunan pertama terhadap 𝑐
disamadengankan 0,
𝑑
𝐸[(𝑋 − 𝑐)2 ] = 0 − 2𝐸[𝑋] + 2𝑐 = −2𝐸[𝑋] + 2𝑐 = 0
𝑑𝑐
−2𝐸[𝑋] + 2𝑐 = 0
𝒄 = 𝑬[𝑿]
𝐸[(𝑋 − 𝑐)2 ] mempunyai titik kritis di 𝑐 = 𝐸[𝑋] dimana minimum jika 𝑐 > 𝐸[𝑋] dan maksimum
jika 𝑐 < 𝐸[𝑋].
Untuk mencari nilai minimum dari suatu fungsi dapat diperoleh dari turunan kedua terhadap 𝑐,
Misal sehingga
𝑑2 𝑑
𝑑2 𝑐
𝐸[(𝑋 − 𝑐)2 ] = 𝑑𝑐 (−2𝐸[𝑋] + 2𝑐) = 2 karena bernilai positif maka terbukti bahwa

𝐸[(𝑋 − 𝑐)2 ] mempunyai nilai milimal dari titik kritis 𝑐 = 𝐸(𝑋)

(b) Diketahui :
X kontinu
 𝐹(𝑐) = 1⁄2
Akan ditunjukkan 𝐸[|𝑋 − 𝑐|] adalah minimum jika 𝑐 merupakan median

𝐸(𝑋) = ∫ 𝑥𝑓(𝑥) 𝑑𝑥
−∞
∞

𝐸[|𝑋 − 𝑐|] = ∫ |𝑋 − 𝑐| 𝑓(𝑡) 𝑑𝑡

−∞
∞

(𝑥 − 𝑦) = ∫ ⌈𝑡 ≤ 𝑥⌉ 𝑑𝑡
𝑦

|𝑥 − 𝑐| = ((−𝑥) − (−𝑐)) + (𝑥 − 𝑐)) 𝑠𝑒ℎ𝑖𝑛𝑔𝑔𝑎

𝑐 ∞

|𝑥 − 𝑐| = ∫|𝑥 ≤ 𝑡| 𝑑𝑡 + ∫ |𝑥 ≥ 𝑡| 𝑑𝑡
−∞ 𝑐

𝑐 ∞

𝐸[|𝑋 − 𝑐|] = ∫ 𝑃(𝑋 ≤ 𝑡)𝑑𝑡 + ∫ 𝑃(𝑋 ≥ 𝑡)𝑑𝑡

−∞ 𝑐

Oleh karena itu, 𝑢: 𝑐 → 𝐸[|𝑋 − 𝑐|] dapat diturunkan hampir di semua titik ,

𝑢′ (𝑐) ada dimana 𝑢′ (𝑐) = 𝑃(𝑋 ≤ 𝑐) − 𝑃(𝑋 ≥ 𝑐)

Sehingga, 𝑢′ (𝑐) ≤ 0 jika 𝑐 mempunyai nilai yang lebih kecil dari setiap median

𝑢′ (𝑐) = 0 jika c adalah sebuah median

𝑢′ (𝑐) ≥ 0 jika 𝑐 mempunyai nilai yang lebih besar dari setiap median

Nama :Amelia Margaretha

NRP : 06111540000002
TUGAS MATSTAT BAB 9
41. Buktikan Teorema 9.5.2. Petunjuk: Gunakan Latihan 40(a) pada distribusi posterior untuk x
tetap.

Penyelesaian:
Teorema 9.5.2
Estimator Bayes 𝑇 dari 𝜏(𝜃) dibawah fungsi kerugian kuadrat,
 2
𝐿(𝑇, 𝜃) = (𝑇 − 𝜏(𝜃))
Merupakan mean kondisional dari 𝜏(𝜃) relative terhadap distribusi posterior,
𝑇 = 𝐸𝜃|𝑥 [𝜏(𝜃)] = ∫ 𝜏(𝜃)𝑓𝜃|𝑥 (𝜃)𝑑𝜃

Bukti:
Jika
2
𝐿(𝑇, 𝜃) = (𝑇 − 𝜏(𝜃))

Maka resiko kondisional Bayes dapat ditulis

𝑅𝜃|𝑥 = ∫ 𝐿(𝑇, 𝜃)𝑓𝜃|𝑥 (𝜃)𝑑𝜃
2
= ∫(𝑇 − 𝜏(𝜃)) 𝑓𝜃|𝑥 (𝜃)𝑑𝜃
Dimana 𝑓𝜃|𝑥 (𝜃) adalah pdf posterior

Maka,
𝑑
𝑅𝜃|𝑥 = 0
𝑑𝑇
𝑑 2
𝑑𝑇
(∫(𝑇 − 𝜏(𝜃)) 𝑓𝜃|𝑥 (𝜃)𝑑𝜃) = 0
2 ∫(𝑇 − 𝜏(𝜃))𝑓𝜃|𝑥 (𝜃)𝑑𝜃 = 0
∫(𝑇 − 𝜏(𝜃))𝑓𝜃|𝑥 (𝜃)𝑑𝜃 = 0
∫ (𝑇𝑓𝜃|𝑥 (𝜃) − 𝜏(𝜃)𝑓𝜃|𝑥 (𝜃)) 𝑑𝜃 = 0
∫ 𝑇𝑓𝜃|𝑥 (𝜃)𝑑𝜃 − ∫ 𝜏(𝜃)𝑓𝜃|𝑥 (𝜃)𝑑𝜃 = 0
∫ 𝑇𝑓𝜃|𝑥 (𝜃)𝑑𝜃 = ∫ 𝜏(𝜃)𝑓𝜃|𝑥 (𝜃) 𝑑𝜃
𝑇 = ∫ 𝜏(𝜃)𝑓𝜃|𝑥 (𝜃)𝑑𝜃

Ingat bahwa 𝐸(𝑥) = ∫ 𝑥 𝑓(𝑥) 𝑑𝑥, maka 𝐸𝜃|𝑥 [𝜏(𝜃)] = ∫ 𝜏(𝜃)𝑓𝜃|𝑥 (𝜃)𝑑𝜃
Sehingga
𝑇 = ∫ 𝜏(𝜃)𝑓𝜃|𝑥 (𝜃)𝑑𝜃
= 𝐸𝜃|𝑥 [𝜏(𝜃)]
(terbukti)