Metode maksimum likelihood adalah metode yang sangat popular dalam menghasilkan
estimator. Misalkan X1, X2, … , Xn adalah sampel random dari populasi dngan densitas
f ( x | θ1 ,θ 2 , … , θk ), fungsi likelihood didefinisikan dengan :
n
L ( θ1 ,θ 2 , … , θk ∨ X )=∏ f (x i∨θ1 ,θ 2 , … , θk )
i=1
∂ L ( θ1 ,θ 2 , … , θk ∨ X )
Dalam banyak kasus dimana diferensi digunakan, akan lebih mudah bekerja pada logaritma
alam (ln) dari L ( θ1 ,θ 2 , … , θk ∨ X ) yaitu :
l=log L ( θ1 , θ2 ,… , θ k ∨X ). Hal ini dimungkinkan karena fungsi logaritma naik egas pada
(0 , ∞), yang artinya L ( θ1 ,θ 2 , … , θk ∨ X )dan l=log L ( θ1 , θ2 ,… , θ k ∨X ) mempunyai ekstrem
yang sama. Dalam estimator likelihood maksimum sifat yang terpenting adalah sifat invarian.
Untuk lebih jelas lagi, dalam menentukan estimator maksimum likelihood dari
θ=(θ ¿ ¿1 , θ2 , … ,θ k ) ¿ dengan langkah-langkah sebagai berikut :
n
1. Tentukan fungsi likelihood dahulu : L ( θ1 ,θ 2 , … , θk ∨ X )=∏ f ( x i∨θ1 ,θ 2 , … , θk )
i=1
Contoh soal :
1
f ( x ,θ )= e−x/ θ ,0< x < ∞
θ
Tentukan θ^ MLE .
Pembahasan :
¿ ( 1θ e ) …( 1θ e )
−x i / θ −x n /θ
n
n −1 ∑ x
()
1 i
θ
¿ e i=1
()
1 n
n
−1
= log + log θ ∑ x i
θ e i=1
n
1
= -n ln θ - ∑x
θ i=1 i
( )
n
1
d ( log L ( θ ) )
d −n ln θ− ∑x
θ i=1 i
=0↔
dθ dθ
n
n 1
↔− + 2 ∑ x i=0
θ θ i=1
n
n 1
↔ = 2 ∑ xi
θ θ i=1
n
∑ xi
i=1
↔ θ=
n
θ^ MLE =x
Langkah 4 : menentukn θ^
Pembahasan :
[( )
log L ( p , x )=log n p x ( 1− p )n− x
x ]
¿ log ( nx)+log p + log ( 1−p )
x n−x
d ( log L ( p , x ) )
=
( (nx)+ x log p+ ( n−x ) log (1−p))
d log
dp dp
1 −1 x ( n−x )
↔ 0+ x . + ( n−x ) . = −
p (1− p) p ( 1−p )
Kurva itu naik pada saat turunan > 0 dan sebaliknya. Atau dapat pula menggunakan turunan
kedua.
x−np
→ <0 , p ( 1− p ) selalu positif maka :
p ( 1− p )
x−np <0
x
−np<−x atau np> x → p> (maka kurva turu n)↓
n
x−np
→ >0
p ( 1− p )
x−np >0
x
−np>−x ↔ p < (maka kurna naik) ↑
n
x
Jadi, ^p MLE=
n