BAB III

TEORI PENDUGAAN

3.1 Pendahuluan
Anggap bahwa himpunan 𝑛 peubah acak bebas, 𝑋1 , 𝑋2 , … , 𝑋𝑛 , masing-masing
pdf 𝑓(𝑥, 𝜃), akan diamati untuk menghasilkan himpunan data 𝑥1 , 𝑥2 , … , 𝑥𝑛 . Tentu ini
memungkinkan kita untuk menyatakan pdf bersama dari sampel acak seperti

𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ; 𝜃) = 𝑓(𝑥1 ; 𝜃)𝑓(𝑥2 ; 𝜃) … 𝑓(𝑥𝑛 ; 𝜃)

Pdf bersama ini menyediakan hubungan antara data pengamatan dan model
matematika untuk populasi.

Anggap bahwa sebaran dari populasi dapat dinyatakan dengan anggota dari
beberapa keluarga pdf, 𝑓(𝑥; 𝜃). Kita misalkan Ω sebagai ruang parameter, yaitu
semua nilai yang mungkin dari parameter 𝜃. Dan misal, 𝑋1 , 𝑋2 , … , 𝑋𝑛 sampel acak dari
sebaran dengan pdf 𝑓(𝑥; 𝜃), dan bahwa 𝜏(𝜃) adalah fungsi dari 𝜃.

Definisi 3.1.1 Suatu statistik 𝑇 = ℓ(𝑋1 , 𝑋2 , … , 𝑋𝑛 ) yang digunakan untuk

menuduga nilai dari 𝜏(𝜃) disebut penduga dari 𝜏(𝜃), dan nilai pengamatan dari statistik
ini, yaitu 𝑡 = ℓ(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) disebut dugaan dari 𝜏(𝜃).

Huruf 𝑇 menyatakan statistik yang merupakan penduga, 𝑡 menyatakan nilai

pengamatan dari statistik atau disebut dugaan, ℓ menyatakan fungsi yang dipakai
untuk peubah acak.

3.2 Pendugaan Metode Momen

Momen populasi ditaksir oleh momen sampel. Metode pendugaan ini disebut
sebagai penduga metode momen/method of moments estimators (MMEs), dan
hasil dari pendugaan dengan metode ini ditulis sebagai MME.

Perhatikan pdf dari populasi, 𝑓(𝑥; 𝜃1 , 𝜃2 , … , 𝜃𝑘 ), yang bergantung pada satu

atau lebih parameter 𝜃1 , 𝜃2 , … , 𝜃𝑘 . Momen ke 𝑗 disekitar nol, dinyatakan sebagai 𝜇𝑗
didefinisikan sebagai

𝜇𝑗 (𝜃1 , 𝜃2 , … , 𝜃𝑘 ) = 𝐸(𝑋𝑗 ), 𝑗 = 1,2, …

1
Secara khusus 𝜇𝑗 (𝜃1 , 𝜃2 , … , 𝜃𝑘 ) = 𝜇

Definisi 3.2.1 Misal 𝑋1 , 𝑋2 , … , 𝑋𝑛 sampel acak dari sebaran dengan pdf

𝑓(𝑥; 𝜃1 , 𝜃2 , … , 𝜃𝑘 ). Maka momen sampel ke j diberikan oleh

∑𝑛𝑖=1 𝑋1𝑗
𝑀𝑗 = , 𝑗 = 1,2,3, …
𝑛

Contoh 3.2.1 Misal 𝑋1 , 𝑋2 , … , 𝑋𝑛 suatu sampel acak dari sebaran dengan dua
parameter tidak diketahui, purata 𝜇 dan varians 𝜎 2 . Dari hasil sebelumnya kita peroleh
MME dari 𝜇 = 𝜇1′ adalah 𝜇̂ = 𝑋̅𝑛 . Sekarang perhatikan bahwa

𝜎 2 = 𝐸(𝑋 2 ) − 𝜇2

Sehingga

𝐸(𝑋 2 ) = 𝜎 2 + 𝜇2

Karena (𝑋 2 ) = 𝜇2′ , maka MME nya adalah

∑𝑛𝑖=1 𝑋𝑖 2
𝜇̂ 2′ = 𝑀2′ =
𝑛

Oleh karena itu

∑𝑛𝑖=1 𝑋𝑖 2 2
= 𝜎̂ 2 + 𝑋̅𝑛
𝑛

Jadi

∑𝑛𝑖=1 𝑋𝑖 2 2
2
𝜎̂ = − 𝑋̅𝑛
𝑛

2
∑𝑛𝑖=1 𝑋𝑖 2 − 𝑛𝑋̅𝑛
=
𝑛

2 2
∑𝑛𝑖=1 𝑋𝑖 2 − 2𝑛𝑋̅𝑛 + 𝑋̅𝑛 𝑛
=
𝑛

2
∑𝑛𝑖=1 𝑋𝑖 2 − 2𝑛𝑋̅𝑛 𝑋̅𝑛 + ∑𝑛𝑖=1 𝑋̅𝑛
=
𝑛

2
∑𝑛𝑖=1 𝑋𝑖 2 − 2 ∑𝑛𝑖=1 𝑋𝑖 𝑋̅𝑛 + ∑𝑛𝑖=1 𝑋̅𝑛
=
𝑛

2
 2
∑𝑛𝑖=1( 𝑋𝑖 2 − 2𝑋𝑖 𝑋̅𝑛 + 𝑋̅𝑛 )
=
𝑛

∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅𝑛 )2
=
𝑛

Contoh 3.2.2 Misal 𝑋1 , 𝑋2 , … , 𝑋𝑛 suatu sampel acak dari sebaran eksponensial,

𝑋𝑖 ~ 𝐸𝑋𝑃(𝜃), dan misal kita ingin menentukan MME dari peluang

1
𝑝 = 𝑝(𝜃) = 𝑃(𝑋 ≥ 1) = 𝑒 −𝜃 .

Karena 𝑋𝑖 ~ 𝐸𝑋𝑃(𝜃), maka 𝜇1 ′(𝜃) = 𝜇 = 𝜃 sehingga MME-nya adalah 𝜃̂ = 𝑋̅𝑛 .

1
1
Karena 𝑝 = 𝑒 −𝜃 maka 𝜃 = .
ln 𝑝

1
Oleh karena itu dengan menggunakan MME 𝜃̂ = 𝑋̅𝑛 kita peroleh 𝑋̅ = ln 𝑝̂.

1 1
−̂
Jadi 𝑝̂ = 𝑒 −𝑋̅ = 𝑒 𝜃 = 𝑝(𝜃̂).

Dari hasil ini kita peroleh bahwa MME dari 𝑝 = 𝑝(𝜃) adalah 𝑝̂ = 𝑝̂ (𝜃) = 𝑝(𝜃̂). Secara
umum

𝜏̂ (𝜃1 , 𝜃2 , … , 𝜃𝑛 ) = 𝜏(𝜃̂1 , 𝜃̂2 , … , 𝜃̂𝑛 )

Sifat semacam ini disebut sebagai sifat invarians.

Contoh 3.2.3 Misal 𝑋1 , 𝑋2 , … , 𝑋𝑛 suatu sampel acak dari sebaran gamma,

𝑋𝑖 ~ 𝐺𝐴𝑀(𝜃, 𝜅). Karena 𝜇 = 𝜅𝜃, maka dengan MMEs dan sifat invariasi kita peroleh
bahwa 𝑋̅𝑛 = 𝜅̂ 𝜃̂, atau

𝑋̅𝑛
𝜅̂ = ̂
𝜃
(1)

Karena

𝜎 2 = 𝜅𝜃 2 = 𝐸(𝑋 2 ) − 𝜇2 = 𝐸(𝑋 2 ) − 𝜅 2 𝜃 2 ,

Maka

3
 𝐸(𝑋 2 ) = 𝜅𝜃 2 + 𝜅 2 𝜃 2 = 𝜅(1 + 𝜅)𝜃 2 .

Sekalai lagi dengan MMEs dan sifat invarians kita peroleh

∑𝑛𝑖=1 𝑋𝑖2 = 𝜅̂ (1 + 𝜅̂ )𝜃̂ 2 (2)

Subtitusi persamaan (1) ke persamaan (2) diperoleh

𝑛
𝑋̅𝑛 𝑋̅𝑛 𝑋̅𝑛 2
∑ 𝑋𝑖2 = (1 + ) 𝜃̂ 2 = 𝑋̅𝑛 (1 + ) 𝜃̂ = 𝑋̅𝑛 𝜃̂ + 𝑋̅𝑛
𝜃̂ 𝜃̂ 𝜃̂
𝑖=1

Persamaan tersebut ekivalen dengan

𝑛
∑𝑛𝑖=1 𝑋𝑖2 2 (𝑋𝑖 − 𝑋̅𝑛 )2
𝑋̅𝜃̂ = − 𝑋̅𝑛 = ∑
𝑛 𝑛
𝑖=1

Sehigga diperoleh penyelesaian

𝑛
(𝑋𝑖 − 𝑋̅𝑛 )2
𝜃̂ = ∑ ,
𝑛 𝑋̅𝑛
𝑖=1

Dan

2
𝑋̅𝑛 𝑛 𝑋̅𝑛
𝜅̂ = = 𝑛
𝜃̂ ∑𝑖=1(𝑋𝑖 − 𝑋̅𝑛 )2

4
Latihan

3.2.1 Tentukan MME dari 𝜃 berdasarkan pada 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 𝑥 (1 − 𝜃)1−𝑥 𝐼(𝑥 = 0,1; 0 ≤ 𝜃 ≤ 1)

Jawab

a) Peluang 𝑋1 = 𝑥1 , 𝑋2 = 𝑥2 , … , 𝑋𝑛 = 𝑥𝑛 adalah pdf bersama

𝜃𝑥1 𝜃−1 , 𝜃𝑥2 𝜃−1 , … , 𝜃𝑥𝑛 𝜃−1 = 𝜃 𝑛 ∑ 𝑥𝑖 𝜃−1 , dimana (0 < 𝑥1 < 1) dan 𝑖 =
1,2, … , 𝑛.
𝑛

𝐿(𝜃) = 𝜃 𝑛 ∑ 𝑥𝑖 𝜃−1
𝑖=1
𝑛

ln 𝐿(𝜃) = ln 𝜃 ln ∑ 𝑥𝑖 𝜃−1 𝑛

𝑖=1
𝑛

ln 𝐿(𝜃) = 𝑛 ln 𝜃 + (𝜃 − 1) ln ∑ 𝑥𝑖
𝑖=1
𝑑 ln 𝐿(𝜃) 𝑛 (𝜃−1)
= 𝜃 + ∑𝑛 𝜃−1
= 0, dengan syarat 𝜃≠0
𝑑𝜃 𝑖=1 𝑥𝑖
(𝜃 − 1) 𝑛
𝑛 = −
∑𝑖=1 𝑥𝑖 𝜃−1 𝜃
−𝑛
solusi untuk 𝜃 adalah ∑𝑛 𝜃−1
𝑖=1 𝑥𝑖
−𝑛
𝜃̂ =
ln(𝑋1 , 𝑋2 , … , 𝑋𝑛 )

b) Peluang 𝑋1 = 𝑥1 , 𝑋2 = 𝑥2 , … , 𝑋𝑛 = 𝑥𝑛 adalah pdf bersama 𝜃 𝑥1 (1 −

𝜃)1−𝑥1 , 𝜃 𝑥2 (1 − 𝜃)1−𝑥2 , … , 𝜃 𝑥𝑛 (1 − 𝜃)1−𝑥𝑛 = 𝜃 ∑ 𝑥𝑖 (1 − 𝜃)𝑛−∑ 𝑥𝑖 , dimana
(𝑥 = 0 atau 𝑥 = 1) dan 𝑖 = 1,2, … , 𝑛.
𝐿(𝜃) = 𝜃 ∑ 𝑥𝑖 (1 − 𝜃)𝑛−∑ 𝑥𝑖
ln 𝐿(𝜃) = 𝑙𝑛 𝜃 ∑ 𝑥𝑖 + ln (1 − 𝜃)𝑛−∑ 𝑥𝑖 , 0≤𝜃≤1
n n

ln 𝐿(𝜃) = ∑ 𝑥i ln 𝜃 + (𝑛 − ∑ 𝑥i ) ln(1 − 𝜃)
i=1 i=1
𝑑 ln 𝐿(𝜃) ∑ 𝑥𝑖 𝑛−∑ 𝑥𝑖
= − = 0, dengan syarat 𝜃 ≠ 0, 𝜃 ≠ 1
𝑑𝜃 𝜃 1−𝜃
∑ 𝑥𝑖 𝑛 − ∑ 𝑥𝑖
=
𝜃 1−𝜃

5
 (1 − 𝜃) ∑ 𝑥𝑖 = 𝜃 (𝑛 − ∑ 𝑥𝑖 )

(1 − 𝜃) ∑ 𝑥𝑖 = 𝜃𝑛 − 𝜃 ∑ 𝑥𝑖
𝜃𝑛
(1 − 𝜃) ∑ 𝑥𝑖 = ∑ 𝑥𝑖 ( − 𝜃)
∑ 𝑥𝑖
𝜃𝑛
(1 − 𝜃) = −𝜃
∑ 𝑥𝑖
∑ 𝑥𝑖
𝜃=
𝑛
∑ 𝑥𝑖
solusi untuk 𝜃 adalah
𝑛
1
𝜃̂ = ∑ 𝑥𝑖
𝑛

6
3.2.2 Tentukan MME dari parameternya berdasarkan pada sampel acak
𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝑛 untuk masing-masing sebaran berikut ini:

a) 𝑋𝑖 ∼ 𝐵𝐼𝑁(1, 𝑝)
b) 𝑋𝑖 ∼ 𝑁𝐵(3, 𝑝)
c) 𝑋𝑖 ∼ 𝐺𝐴𝑀(2, 𝜅)
1
d) 𝑋𝑖 ∼ 𝑊𝐸𝐼(𝜃, 2)

e) 𝑋𝑖 ∼ 𝑃𝐴𝑅(𝜃, 𝜅) , 𝜃 dan 𝜅 kedua duanya tidak diketahui.

Jawab

a) Karena 𝑋𝑖 ∼ 𝐵𝐼𝑁(1, 𝑝) maka 𝜇1′ = 𝜇 = 𝑝, 𝜇̂ = 𝑝̂ sehingga MME nya adalah 𝑝̂ =

𝑋̅.

𝜎 2 = 𝑝𝑞 = 𝐸(𝑋 2 ) − 𝜇2
𝐸(𝑋 2 ) = 𝑝𝑞 + 𝑝2
Karena (𝑋 2 ) = 𝜇2′ maka MME nya

𝜇̂ 2′ = 𝑀2′ = 𝑋̅ 2

Diperoleh
𝑋̅ 2 = 𝑝̂ 𝑞̂ + 𝑝̂ 2

= 𝑋̅𝑞̂ + 𝑋̅ 2

𝑞̂ = 0

Jadi 𝑝̂ = 𝑋̅
b) Karena 𝑋𝑖 ∼ 𝑁𝐵(3, 𝑝) maka 𝜇1′ = 𝜇 = 3, 𝜇̂ = 3
𝜎 2 = 𝑝 = 𝐸(𝑋 2 ) − 𝜇2
𝐸(𝑋 2 ) = 𝑝 + 9
Karena (𝑋 2 ) = 𝜇2′ maka MME nya

∑𝑛𝑖=1 𝑋𝑖 2
𝜇̂ 2′ = 𝑀2′ =
𝑛

Diperoleh

7
 ∑𝑛𝑖=1 𝑋𝑖 2
= 𝑝̂ + 9
𝑛

∑𝑛𝑖=1 𝑋𝑖 2
𝑝̂ = −9
𝑛

Jadi MME nya adalah

∑𝑛𝑖=1 𝑋𝑖 2
𝑝̂ = −9
𝑛
̂
𝜇
c) Karena 𝑋𝑖 ∼ 𝐺𝐴𝑀(2, 𝜅) maka 𝜇1′ = 𝜇 = 2𝑘, 𝜇̂ = 2𝑘̂ sehingga diperoleh 𝑘̂ = ,
2

dari sebelumnya diketahui 𝜇̂ = 𝑋𝑛 maka

𝑋̅𝑛
𝑘̂ =
2
Jadi MME nya adalah
𝑋̅𝑛
𝑘̂ =
2
1 ̂
𝜇
d) Karena 𝑋𝑖 ∼ 𝑊𝐸𝐼(𝜃, 2) maka 𝜇1′ = 𝜇 = 3𝜃Γ, 𝜇̂ = 3𝜃̂Γ̂ sehingga diperoleh 𝜃̂ = 3Γ̂,

dari sebelumnya diketahui 𝜇̂ = 𝑋̅𝑛 maka

𝑋̅𝑛
𝜃̂ =
3Γ̂

Karena 𝜎 2 = 5Γ𝜃 2 − 3Γ 2 𝜃 2 = 𝐸(𝑋 2 ) − 9Γ 2 𝜃 2

𝐸(𝑋 2 ) = 5Γ𝜃 2 − 3Γ 2 𝜃 2 + 9Γ 2 𝜃 2

= 5Γ𝜃 2 + 6Γ 2 𝜃 2

= 𝜃 2 Γ(5 + 6Γ)

Diperoleh

∑𝑛𝑖=1 𝑋𝑖 2
= 𝜃̂ 2 Γ̂(5 + 6Γ̂)
𝑛

2
∑𝑛𝑖=1 𝑋𝑖 2 𝑋̂𝑛
= (5 + 6Γ̂)
𝑛 9

∑𝑛𝑖=1 𝑋𝑖 2 9
5 + 6Γ̂ = . 2
𝑛 𝑋̂ 𝑛

8
 9 ∑𝑛𝑖=1 𝑋𝑖 2
5 + 6Γ̂ =
∑𝑛𝑖=1 𝑋𝑖 2

5 + 6Γ̂ = 9

6Γ̂ = 4

4
Γ̂ =
6

2
Γ̂ =
3

𝑋̅
Jadi 𝜃̂ = 2𝑛

e) Karena 𝑋𝑖 ∼ 𝑃𝐴𝑅(𝜃, 𝜅) maka

𝜃
𝜇1′ = 𝜇 =
𝑘−1
𝜃̂
𝜇1′ =
𝑘̂ − 1
𝜃̂
𝑘̂ − 1 = ′
𝜇1
𝜃̂
𝑘̂ = +1
𝜇1′

Dari sebelumnya dari sebelumnya diketahui 𝜇̂ = 𝑋𝑛 maka

𝜃̂
𝑘̂ = +1
𝑋̅𝑛
𝜃̂ − 𝑋̅𝑛
=
𝑋̅𝑛

Diperoleh

2
𝜃2𝑘 2)
𝜃2
𝜎 = = 𝐸(𝑋 −
(𝑘 − 2)(𝑘 − 1)2 (𝑘 − 1)2
𝜃 2𝑘 𝜃2
𝐸(𝑋 2 ) = +
(𝑘 − 2)(𝑘 − 1)2 (𝑘 − 1)2
𝜃 2 𝑘 + 𝜃 2 (𝑘 − 2)
=
(𝑘 − 2)(𝑘 − 1)2

9
 2𝜃 2
=
(𝑘 − 2)(𝑘 − 1)

Karena (𝑋 2 ) = 𝜇2′ maka MME nya

∑𝑛𝑖=1 𝑋𝑖 2
𝜇̂ 2′ = 𝑀2′ =
𝑛

Diperoleh
∑𝑛𝑖=1 𝑋𝑖 2 2𝜃̂ 2
=
𝑛 𝜃̂ − 3𝑋̅ 𝜃̂ − 2𝑋̅
( ̅ 𝑛 )( ̅ 𝑛 )
𝑋𝑛 𝑋𝑛
2
∑𝑛𝑖=1 𝑋𝑖 2 2𝜃̂ 2 𝑋̅𝑛
=
𝑛 (𝜃̂ − 3𝑋̅𝑛 )(𝜃̂ − 2𝑋̅𝑛 )
∑𝑛𝑖=1 𝑋𝑖 2 2 2 2
(𝜃̂ − 2𝜃̂𝑋̅𝑛 − 3𝜃̂𝑋̅𝑛 + 6𝑋̅𝑛 ) = 2𝜃̂ 2 𝑋̅𝑛 𝑛
𝑛
∑𝑛𝑖=1 𝑋𝑖 2 2 2 ∑𝑛𝑖=1 𝑋𝑖 2
(𝜃̂ − 5𝜃̂𝑋̅𝑛 + 6𝑋̅𝑛 ) = 2𝜃̂ 2
𝑛 𝑛
2
(𝜃̂ 2 − 5𝜃̂𝑋̅𝑛 + 6𝑋̅𝑛 ) = 2𝜃̂ 2
2
−𝜃̂ 2 − 5𝜃̂𝑋̅𝑛 + 6𝑋̅𝑛 = 0
2
𝜃̂ 2 + 5𝜃̂𝑋̅𝑛 − 6𝑋̅𝑛 = 0
(𝜃̂ − 𝑋̅𝑛 )(𝜃̂ + 6𝑋̅𝑛 ) = 0

𝜃̂ = 𝑋̅𝑛 (memenuhi) atau 𝜃̂ = −6𝑋̅𝑛 (tidak memenuhi karena 𝜃̂ < 0)

Jadi MME nya 𝜃̂ = 𝑋̅𝑛 dan 𝑘̂ = 0

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

𝑋𝑖 ~ 𝐸𝑋𝑃(1, 𝜂). Tentukan MME dari 𝜂. Catatan: Jika 𝑋 ~ 𝐸𝑋𝑃(1, 𝜂), maka 𝜇 = 1 + 𝜂.

Jawab:

Karena 𝑋𝑖 ~ 𝐸𝑋𝑃(1, 𝜂) maka

𝜇 =1+𝜂 ⇔𝜂 =𝜇−1

MME dari 𝜇 = 𝜇′ adalah 𝜇̂ = 𝑋̅𝑛 sehingga

10
 𝜂̂ = 𝜇̂ − 1

⇔ 𝜂̂ = 𝑋̅𝑛 − 1

Sehingga MME dari 𝜂 adalah 𝜂̂ = 𝑋̅𝑛 − 1

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

𝑋𝑖 ~ 𝐸𝑋𝑃(𝜃, 𝜂). Tentukan MME dari 𝜂 dan 𝜃. Catatan: Jika 𝑋 ~ 𝐸𝑋𝑃(𝜃, 𝜂), maka

𝜇 = 𝜃 + 𝜂 dan 𝜎 2 = 𝜃 2.

Jawab:

Karena 𝑋𝑖 ~ 𝐸𝑋𝑃(𝜃, 𝜂) maka

𝜇 = 𝜃 + 𝜂 dan 𝜎 2 = 𝜃 2

MME dari 𝜇 = 𝜇′ adalah 𝜇̂ = 𝑋̅𝑛 sehingga

𝜇̂ = 𝜃̂ + 𝜂̂

⇔ 𝑋̅𝑛 = 𝜃̂ + 𝜂̂

⇔ 𝜃̂ = 𝑋̅𝑛 − 𝜂̂

Karena 𝜎 2 = 𝜃 2 dan 𝜎 2 = 𝐸(𝑋 2 ) − 𝜇2 maka

𝐸(𝑋 2 ) = 𝜃 2 + 𝜇2

Karena 𝐸(𝑋 2 ) = 𝜇2 ′, maka MME-nya adalah

∑𝑛𝑖=1 𝑋𝑖2
𝜇̂ 2′ = 𝑀2′ =
𝑛

Sehingga diperoleh penyelesaian

∑𝑛𝑖=1 𝑋𝑖2
= 𝜃̂ 2 + 𝜂̂ 2
𝑛

∑𝑛𝑖=1 𝑋𝑖2
= (𝑋̅𝑛 − 𝜂̂ )2 + 𝜂̂ 2
𝑛

11
 ∑𝑛𝑖=1 𝑋𝑖2
= 𝑋̅𝑛2 − 2𝑋̅𝑛 𝜂̂ + 𝜂̂ 2 + 𝜂̂ 2
𝑛

∑𝑛𝑖=1 𝑋𝑖2
− 𝑋̅𝑛2 = −2𝑋̅𝑛 𝜂̂ + 2𝜂̂ 2
𝑛

∑𝑛𝑖=1 𝑋𝑖2
− 𝑋̅𝑛2 = 𝜂̂ (−2𝑋̅𝑛 + 2𝜂̂ )
𝑛

∑𝑛𝑖=1 𝑋𝑖2 ̅ 2
𝑛 − 𝑋𝑛
= 𝜂̂
(2𝜂̂ − 2𝑋̅𝑛 )

Dan

∑𝑛𝑖=1 𝑋𝑖2
= 𝜃̂ 2 + 𝜂̂ 2
𝑛

∑𝑛𝑖=1 𝑋𝑖2
= 𝜃̂ 2 + (𝑋̅𝑛 − 𝜃̂)2
𝑛

∑𝑛𝑖=1 𝑋𝑖2 2
= 𝜃̂ 2 + 𝑋̅𝑛 − 2𝑋̅𝑛 𝜃̂ + 𝜃̂ 2
𝑛

∑𝑛𝑖=1 𝑋𝑖2 2
− 𝑋̅𝑛 = 2𝜃̂ 2 − 2𝑋̅𝑛 𝜃̂
𝑛

∑𝑛𝑖=1 𝑋𝑖2 2
− 𝑋̅𝑛 = 𝜃̂(2𝜃̂ − 2𝑋̅𝑛 )
𝑛

∑𝑛𝑖=1 𝑋𝑖2 ̅ 2
𝑛 − 𝑋𝑛
= 𝜃̂
(2𝜃̂ − 2𝑋̅𝑛 )

3.2.5 Misal 𝑋1 , 𝑋2 , … , 𝑋𝑛 sampel acak dari sebaran geometric, 𝑋𝑖 ~𝐺𝐸𝑂(𝑝). Tentukan

MME dari:

(a) E(x) = 1/p

(b) Var(x) = (1-p)/p2

(c) P[X>k] = (1-p)k, k=1, 2, …

12
 Jawab:

1 1 1
(a) Karena 𝑋𝑖 ∼ 𝐺𝐸𝑂(𝑝) maka 𝜇1′ = 𝜇 = 𝑝, 𝜇̂ = 𝑝̂ sehingga MME nya adalah 𝑝̂ = 𝑋̅.
1 1 1
(b) Karena 𝑋𝑖 ∼ 𝐺𝐸𝑂(𝑝) maka 𝜇1′ = 𝜇 = , 𝜇̂ = serta = 𝑋̅ maka,
𝑝 𝑝̂ 𝑝̂

1−𝑝 1 1
𝜎2 = = −
𝑝2 𝑝2 𝑝
1
Karena = 𝑋̅ maka MME nya
𝑝̂

1 1
𝜎̂ 2 𝑀𝑀 = − = 𝑋̅ 2 − 𝑋̅
𝑝̂ 2 𝑝̂

1 1 1
(c) Karena 𝑋𝑖 ∼ 𝐺𝐸𝑂(𝑝) maka 𝜇1′ = 𝜇 = 𝑝, 𝜇̂ = 𝑝̂ sehingga MME nya adalah 𝑝̂
= 𝑋̅

maka,
𝑃[𝑋 > 𝑘] = (1 − 𝑝)𝑘

Sehingga berlaku,

𝑃[𝑋̂
> 𝑘 ] = (1 − 𝑝̂ )𝑘
1
Karena = 𝑋̅ maka MME nya
𝑝̂

1
𝑃[𝑋̂
> 𝑘 ] = (1 − )𝑘
𝑋̅

13