ESTIMASI TITIK

• Setiap karakteristik dari distribusi populasi

disebut dengan parameter.
• Statistik adalah variabel random yang hanya
tergantung pada harga observasi sampel.
• Statistik merupakan bentuk dari estimasi titik.
• Metode untuk menemukan estimasi
titik/estimator dari suatu parameter adalah
1. Metode Likelihood Maksimum (MLE)
2. Metode Momen (MME)
3. Metode Kuadrat Terkecil
A. METODE MENCARI
ESTIMATOR
1. Metode Likelihood Maksimum

• Definisi:
Jika x1 , x2 ,..., xn adalah sampel random dari populasi
dengan parameter  , maka fungsi Likelihood didefinisikan

L   f  x1 , x 2 ,..., x n   f  x1  f  x 2 ... f x n 

n
  f  xi 
i 1

dengan  sebagai parameter

• Cara mencari estimator
a. Tentukan fungsi Likelihood L(θ), dengan θ
sebagai parameter.
Karena fungsi Likelihood sangat kompleks,
maka untuk mempermudah dilakukan
transformasi ke bentuk logaritma natural.

dL  
b. Mencari nilai maksimum 0
d
d ln L 
ln L   0
d
Contoh:
1. X adalah variabel random berdistribusi Bernoulli
dengan parameter p. Carilah estimator untuk p
dengan MLE.

2. Jika X variabel random berdistribusi eksponensial

dengan parameter θ, maka carilah estimator untuk θ
dengan MLE.

3. Jika x1 , x 2 ,..., x n adalah variabel random yang

independen masing-masing berdistribusi Bernoulli
dengan parameter p. Carilah estimator untuk p
dengan MLE.
4. Jika x1 , x2 , x3 ,..., xn adalah variabel random
yang independen masing-masing
berdistribusi eksponensial dengan parameter
θ. Carilah estimator untuk θ dengan MLE.

5. Jika X adalah variabel random berdistribusi

binomial dengan parameter p. Carilah
estimator untuk p dengan MLE.
Contoh:
1. X adalah variabel random berdistribusi Bernoulli
dengan parameter p. Carilah estimator untuk p
dengan MLE.

2. Jika X variabel random berdistribusi

eksponensial dengan parameter θ, maka carilah
estimator untuk θ !
3. Jika X variabel random berdistribusi normal
dengan parameter μ dan σ2 carilah estimator
untuk μ dan σ2 .
3. Jika x1, x2 , x3 ,..., xn adalah variabel random yang
independen masing-masing berdistribusi
eksponensial dengan parameter θ. Carilah
estimator untuk θ !
4. Jika x1 , x2 ,..., xn adalah variabel random yang
independen masing-masing berdistribusi
binomial dengan parameter p. Carilah estimator
untuk p !
5. Jika x1 , x2 ,..., xn adalah variabel random yang
independen dan mempunyaai fungsi densitas
f xi   p1  p  i
x 1

carilah estimator untuk p dengan MLE.

2. Metode Momen
• Definisi:
Mean sampel ke k dari suatu observasi x1 , x2 ,..., xn adalah
mean dari pangkat ke k yang disajikan dengan mk' , dimana
n

 i
x k

mk'  i 1
 xk
n
Pada dasarnya metode momen tert umpu pada penyelesaian
dari mk'   k'
 
dimana  k'  E X k , k  1,2,..., p (k  banyaknya parameter)

 
Sehingga untuk k  1  m1'  E X 1  E  X 
x  EX 
 
k  2  m2'  E X 2
x2  E X 
2

dan seterusnya.
• Catatan:
karena tidak semua distribusi mempunyai
momen, maka metode ini belum tentu dapat
digunakan untuk semua distribusi.
Soal:
1. Jika x1 , x2 ,..., xn variabel random yang
independen berdistribusi eksponensial
dengan parameter θ. Carilah estimator untuk
θ dengan MME.
Soal:
Jika x1 , x2 ,..., xn sampel random dengan fungsi
densitas
2  x 
f x   , untuk 0  x  
 2

carilah estimator untuk θ dengan MME!

Soal:
Jika x1 , x2 ,..., xn sampel random dengan fungsi
densitas
f x    x , untuk 0  x  1
 1

carilah estimator untuk θ dengan MME!

Soal:
Jika x1 , x2 ,..., xn sampel random dengan fungsi
densitas
f x     1 x , untuk 0  x  1
carilah estimator untuk θ dengan MME!
Soal:
Jika x1 , x2 ,..., xn sampel random dengan fungsi
densitas
  1  1
f x   x , untuk 0  x  1
 
carilah estimator untuk θ dengan MME!
Soal:
Jika x1 , x2 ,..., xn sampel random yang
independen dengan distribusi yang
mempunyai fungsi densitas
xi

f  xi  
1 
xi e , untuk x  0
 2

carilah estimator untuk β dengan MLE dan

MME !
B. SIFAT ESTIMATOR
1. Estimator Unbiased
• Definisi:
Suatu estimator ˆ dikatakan estimator unbiased atau

estimator tak bias dari  jika E ˆ  
• Diketahui x adalah estimator dari μ.
Buktikan bahwa x merupakan estimator
unbiased dari μ !
Contoh:
Jika x1 , x2 ,..., xn adalah variabel random yang
independen dan xi  Eksp( ) , dengan i  1,2,..., n
Selidiki apakah estimator θ unbiased !
2. Varian Minimum
• Definisi:
ˆ dikatakan estimator unbiased dengan varian minimum
dari  , apabila varian dari ˆ memenuhi ketidaksamaan
Cramer - Rao, yaitu


Var ˆ 
1
2
 d ln f ( x) 
nE 
 d 
• Teorema
Jika ˆ estimator unbiased dari  dan memenuhi


Var ˆ 
1
2
 d ln f ( x) 
nE 
 d 
maka ˆ merupakan UMVUE untuk  .
UMVUE = Uniform Minimum Variance
Unbiased Estimator.
1
CRLB untuk   2
 d ln f ( x) 
nE 
 d 
CRLB = Cramer Rao Lower Bound.
Contoh:
Jika x1 , x2 ,...xn adalah variabel random yang
independen dan xi  Eksp( ) , dengan i  1,2,..., n
a. Carilah CRLB untuk θ !
b. Apakah ˆ merupakan UMVUE untuk θ !
3. Estimator Konsisten
• Definisi:

ˆ suatu estimator dikatakan konsisten dari

parameter  jika :
a. ˆ unbiased

b. lim Var ˆ  0
n 
Contoh:
Dari contoh di atas, selidiki apakah ˆ
merupakan estimator yang konsisten !
Diketahui x1 , x2 ,..., xn masing-masing adalah
sampel random yang independen dengan
fungsi densitas

f  xi  
1 x
 i
xi e untuk xi  0
 2

a. Carilah estimator untuk α dengan MME.

b. Selidiki apakah ˆ unbiased.
c. Apakah ˆ merupakan UMVUE untuk  ?
d. Apakah ˆ merupakan estimstor konsisten?
Diketahui x1 , x2 ,..., xn masing-masing adalah
sampel random yang independen dengan
fungsi densitas
f  xi  
1 x
 i
untuk 0  xi  
2
xi e
2 3

a. Carilah estimator untuk α dengan MLE.

b. Carilah estimator untuk α dengan MME.
c. Selidiki apakah ̂ unbiased.
d. Apakah ̂ merupakan UMVUE untuk α?
e. Apakah ̂ merupakan estimstor konsisten?