UNIFORMLY MINIMUM VARIANCE UNBIASED ESTIMATORS

(UMVUE)

Definisi.
Diberikan x1, x2,...., xn adalah suatu sampel acak berukuran n dari distribusi yang mempunyai pdf

f (x :  ) sebuah estimator  disebut UMVUE jika :

i)  adalah estimator tak bias dari 
  
ii) Untuk sebarang estimator tak bias dari  misal  + maka var (  )  var (  +).

 mempunyai variansi terkecil bila dibansingkan dengan variansi estimator tak bias untuk 
lainnya.

Contoh :
Diketahui : i ~ POI (  ) dengan
E ( i ) =  , var ( i ) = 
 1 2
1= x1  x 2
3 3
 1 3
2 = x1  x 2
4 4
 1 4
3 = x1  x 2
5 5
Ditanya : Manakah yang merupakan UMVUE ?

Jawab : Syarat UMVUE : I)  adalah estimator tak bias
 
2)  adalah astimator tak bias, var (  ) yang terkecil.

1 2
1 = x1  x 2
3 3
 
1 2  1 2 
E (  1) = E  x 1  x 2  var (  1) = var  x 1  x 2 
3 3  3 3 

1 2 1 4
= E( x1 )  E( x 2 ) = var( x 1 )  var( x 2 )
3 3 9 9
1 2 1 4
=   =  
3 3 9 9
5
=  (estimator tak bias) = 
9
 
1 3
 2= x1  x 2
4 4
 
1 3  1 3 
E (  2) = E  x 1  x 2  var (  2) = var  x 1  x 2 
4 4  4 4 

1 3 1 9
= E( x1 )  E( x 2 ) = var( x 1 )  var( x 2 )
4 4 16 16
1 3
=   = 1  9 
4 4 16 16

5
=  (estimator tak bias) = 
8
 1 4
 3 = x1  x 2
5 5
 1 4  
1 4 
E(  3) = E  x 1  x 2  var ( (3 ) = var  x 1  x 2 
5 5  5 5 

1 4 1 16
= E( x1 )  E( x 2 ) = var( x1 )  var( x 2 )
5 5 25 25
1 4 1 16
=   =  
5 5 25 25
17
=  (estimator tak bias) = 
25
Dari hasil perhitungan ternyata semuanya merupakan estimator tak bias dan variansi terkecil adalah
5
 yang dimiliki oleh 1 .
9
Jadi, 1 yang merupakan UMVUE.

CRAMER-RAO LOWER BOUND (CRLB)

Ketaksamaan CRLB

1
Var (  ) 
  ln f ( x ) 
nE 
  

Teorema : Jika  adalah suatu estimator tak bias dari  dan

1
Var (  ) =
  ln f ( x ) 
nE 
  

Maka  adalah suatu estimator tak bias UMVUE dari  .

Rumus :
CRLB cara 1

Var (T) =
'  2

2
  ln f ( x, ) 
nE 
  
CRLB cara 2

Var (T) =
 2

  2 ln f ( x, ) 
 nE 
  
Contoh :
Diketahui :  i ~ POI ( ) = -   x ln   ln x!
  ln f ( x, ) x
T =  = x estimator tak bias  1 
 
 =  2
  ln f ( x, )  x x2
   1 2  2

    
Ditanya : Apakah  merupakan UMVUE ?
Jawab :   ln f ( x, )  2   2x   x2 
E     E(1)  E   E 2 
CRLB cara 1         

' 
2
x 1
Var (T) = var ( x ) = = 1 – 2E    2 Ex 2 
 
2
  ln f ( x, ) 
nE 
  
= 1- .  2 (var( x )  E( x ) 2 
2 1
Ruas Kiri  
 n x 
Var (T) = var ( x ) = var   i 
1
=1–2+ (   2 )
 i 1 n  2

1 n 1
=
n2
 var x
i 1
i
=1–2+

1

1 n 1
=
n2

i 1
=


1   ln f ( x, )  2  1
= .n nE     n.
n2     

= ' 
2

=
1


n
  ln f ( x, ) 
2
n/ n
nE 
  
Ruas Kanan
Ruas kiri = Ruas kanan
'  2
1 
Jadi  merupakan UMVUE.
e .
 x

f x,  
x!
 e   . x 
ln f x,  = ln  
 x! 

ln f x,  = ln e   ln  x  ln x!
Diketahui :  i ~ EXP ()   ln f ( x, )  2  1
nE     n. 2
     
T =  = x estimator tak bias
 = 
' 
2

=
1

2
  ln f ( x, ) 
2
n / 2 n
 nE 
Ditanya : Apakah  merupakan UMVUE ?   
Jawab : Ruas kiri = Ruas kanan

Var (T) = var ( x ) =

' 
2 
Jadi  merupakan UMVUE.
2
  ln f ( x, ) 
nE 
  
Ruas Kiri
 n x 
Var (T) = var ( x ) = var   i 
 i 1 n 
n
1
=
n2
 var x
i 1
i

n 2
1
=
n2

i 1

1
= .n 2
n2
2
=
n
Ruas Kanan
'  2
1

1  x
F(x,  ) = e


 1 x 
ln f x,  = ln  e  
 

ln f x,  = -
x
 ln 

 ln f ( x, ) x 1
 2 
  

=
x   
2

  ln f ( x, )  2   x  2 
E     E 
     
4

2
=
4
1
=
2