Oleh
Rizqy Agung (23621018)
Solusi :
a. Maximum Likelihood (MLE) adalah suatu metode untuk mengestimasi atau mendapatkan
nilai parameter (𝜃) dengan prinsip dasarnya yaitu memilih nilai parameternya (𝜃) sehingga
berada dalam jangkauan yang mengakibatkan 𝑝(𝑧|𝜃) menjadi maksimum. 𝑝(𝑧|𝜃) adalah
probabilitas dari data hasil pengukuran z dari parameter (𝜃) yang kita berikan. Metode ini
utamanya dikembangkan oleh Sir Raynold Aylmer Fisher dan menjadi salah satu metode
statistik yang sangat berkembang pada abad ke-20.
Solusi :
a. Sebanyak 100 sampel dari data yang diberikan, ditampilkanlah datanya seperti berikut ini.
Dengan menggunakan Brute Force Method dengan prinsip Maximum Likelihood, pengujian
terhadap expected value (parameter) dilakukan dengan ∆𝛩 = 0.1 dengan jumlah 𝛩 yang diuji
tidak lebih dari 25 (dengan rentang nilai 2 hingga 4). Code program dengan bahasa python
terlampir seperti berikut.
Sehingga hasil pengujiannya diketahui seperti berikut ini
c. Berdasarkan hasil pada bagian sebelumnya, dapat diketahui bahwa 𝛩 yang dapat
merepresentasikan expected value dari populasinya adalah 2.5 dengan nilai likelihood
terbesarnya yaitu 3.28E-97.
Nomor 3
Sama seperti pertanyaan nomor 2, lakukan estimasi baik expected value maupun standard
deviasinya yang memberikan nilai likelihood maksimum. Sebagai petunjuk, standar deviasinya
terletak dalam rentang 1-5
Solusi :
Berbeda dengan soal nomor 2, data yang digunakan berbeda dengan sebelumnya. Sehingga
apabila ditampilkan dengan code akan tersaji seperti berikut.
Dengan menggunakan Brute Force Method dengan prinsip Maximum Likelihood, pengujian
terhadap expected value (parameter) dilakukan dengan ∆𝛩 = 0.1 dengan jumlah 𝛩 yang diuji
tidak lebih dari 25 (dengan rentang nilai 4 hingga 6). Tetapi untuk kasus di soal nomor 3 ini
nilai standar deviasinya divariasikan dari 1 sampai 5. Code program dengan bahasa python
terlampir seperti berikut.
Berdasarkan pertanyaan nomor 2 dan 3, jelaskan perbedaan mendasar Least Square Method
dengan prinsip Maximum Likelihood dalam meakukan estimasi parameter suatu model.
Solusi :
Berdasarkan referensi [1] dan kutipan Paul Chiou (Professor at Mathematical Departement of
Lamar University) [2], perbedaan mendasar dari Metode Least Square dengan prinsip
Maximum Likelihood adalah jenis model yang diestimasi. Dimana Metode Least Square
digunakan untuk mengestimasi koefisien pada sebuah regresi linier dengan meminimumkan
jumlah kuadrat dari nilai yang diestimasi dengan nilai yang berasal dari observasi terlepas dari
apapun bentuk distribusi galatnya. Selain itu, metode ini juga dapat digunakan untuk
meminimumkan nilai residualnya. Sehingga metode ini menghasilkan estimator linier yang
paling baik pada koefisien yang diestimasi. Sementara itu apabila distribusi galatnya diketahui,
maka prinsip Maximum Likelihood dapat digunakan untuk melakukan estimasinya. Prinsip
Maximum Likelihood adalah suatu metode dengan pendekatan melalui menghitung
probabilitasnya dengan mencari nilai parameter yang memberikan nilai peluang yang paling
besar sehingga itu dapat merepresentasikan kondisi sebenarnya.
Apabila ingin disimpulkan lebih detail, dari penjelasan diatas dapat diambil beberapa
perbedaan mendasar dari kedua metode tersebut, yaitu:
1. Jenis model, dimana Metode Least Square digunakan untuk model regresi linier dan
Maximum Likelihood dapat dilakukan pada model secara general.
2. Distribusi galat, dimana Metode Least Square tidak mempertimbangkan apapun jenis
distribusinya sedangkan pada Maximum Likelihood perlu diketahui dengan
mengasumsikan jenis distribusinya
3. Probabilitas, dimana Metode Least Square tidak mempertimbangkan probabilitas
sedangkan pada Maximum Likelihood merupakan metode yang mengestimasi suatu
parameter dari suatu model statistik sehingga probabilits perlu diperhitungkan.
Referensi
df = pd.read_csv("data_01.csv")
df
fig,ax = plt.subplots(1,1)
ax.hist(df.z_sampling)
df = pd.read_csv("data_02.csv")
df
fig,ax = plt.subplots(1,1)
ax.hist(df.z_sampling)
# Brute Force
theta_test = np.linspace(4,6,25)
sdev_test = np.linspace(1,5,25)
# Storage
likelihood = []
testedsdev = []
testedmu = []