STATMAT II

Kuliah 7:
Metode Evaluasi Penduga
 Kriteria Evaluasi Penduga (Estimator)

Kriteria untuk menilai Penduga (estimator):

• Metode MSE: menyangkut bias dan ragam
• Metode UMVUE: menyangkut ketakbiasan, ragam
minimum, dan batas bawah Cramer-Rao
• Apakah Penduga merupakan Penduga yang Efisien?
• Apakah Penduga merupakan Penduga yang
konsisten?
• Dalam model regresi atau model linear, apakah
Penduga bersifat BLUE?
• dll
 1. Kuadrat Tengah Galat
(Mean Square Error, MSE)

Penduga (estimator):
• Penduga merupakan fungsi dari peubah acak X, tidak
mengandung parameter
• Penduga 𝜃መ bersifat acak karena X peubah acak
• Karena 𝜃መ merupakan peubah acak, maka memiliki
nilai harapan 𝐸 𝜃መ
• 𝜃መ merupakan penduga tak bias jika 𝐸 𝜃መ = 𝜃 dan
memiliki ragam penduga:

𝑉𝑎𝑟 𝜃መ = 𝐸(𝜃መ − 𝜃)2

 1. Kuadrat Tengah Galat
(Mean Square Error, MSE)
Bias bagi penduga titik (B):

𝐵𝑖𝑎𝑠 = 𝐵 𝜃 = 𝐸 𝜃෠ − 𝜃 = 𝐸 𝜃෠ − 𝜃

2
෠ =𝐸
𝑀𝑆𝐸(𝜃) 𝜃෠ − 𝐸(𝜃)
෠ + 𝐸 𝜃෠ − 𝜃
2 2
=𝐸 𝜃෠ − 𝐸(𝜃)
෠ + 2 𝜃෠ − 𝐸(𝜃)
෠ 𝐸 𝜃෠ − 𝜃 + 𝐸 𝜃෠ − 𝜃
2
= 𝐸 𝜃 − 𝐸(𝜃) + 2 𝜃෠ − 𝐸(𝜃)
෠ ෠ ෠ 𝐵𝑖𝑎𝑠(𝜃) + 𝐵𝑖𝑎𝑠(𝜃) 2

= 𝑉𝑎𝑟 𝜃෠ + 0 + 𝐵𝑖𝑎𝑠(𝜃) 2
Jadi,
𝑀𝑆𝐸(𝜃) ෠ = 𝑉𝑎𝑟 𝜃෠ + 𝐵2 (𝜃)
• Bila 𝜃෠ merupakan penduga tak bias bagi 𝜽, maka 𝐵 𝜃 = 0.
Sehingga 𝑴𝑺𝑬(𝜽)෡ = 𝑽𝒂𝒓 𝜽 ෡
 1. Kuadrat Tengah Galat
(Mean Square Error, MSE)
Example:
Misal X1 , X2 , … , X𝑛 ~ 𝑁 𝜇, 𝜎 2 yang bebas stokastik dan identik.
Statistik 𝑋ത dan 𝑆 2 merupakan penduga tak bias masing-masing
bagi 𝜇 dan 𝜎 2 , karena 𝐸 𝑋ത = 𝜇 dan 𝐸 𝑆 2 = 𝜎 2 .
MSE bagi masing-masing statistik atau penduga tersebut adalah:
2
𝜎
𝐸(𝑋ത − 𝜇)2 = 𝑉𝑎𝑟 𝑋ത =
𝑛
2 2 2 2 2𝜎 4
𝐸(𝑆 − 𝜎 ) = 𝑉𝑎𝑟 𝑆 = 𝑛−1
Catatan:
2
σ𝑛
𝑖=1 𝑋𝑖 −𝑋 1 2
𝑉𝑎𝑟(𝑆 2 ) = 𝑉𝑎𝑟( ) = 𝑉𝑎𝑟 σ𝑛𝑖=1 𝑋𝑖 − 𝑋 ,
𝑛−1 (𝑛−1)2
2
1 2) 𝜎2
= 𝑉𝑎𝑟(𝑌𝜎 = (𝑛−1)2 𝑉𝑎𝑟(𝑌)
(𝑛−1)2
2
𝜎2 2𝜎 4
= 2(𝑛 − 1) =
𝑛−1 2 (𝑛−1)
 1. Kuadrat Tengah Galat
(Mean Square Error, MSE)

• Banyak penduga tak bias dapat menggambarkan

MSE, akan tetapi harus hati-hati bahwa pengendalian
terhadap bias bukan berarti mengendalikan MSE.
• Kadangkala terjadi trade off antara ragam dan bias.
Peningkatan sedikit pada bias mungkin saja di-
trade off oleh penurunan pada ragam, dan
menghasilkan MSE yang lebih kecil atau lebih baik.
Lihat example berikut di bawah ini:
 1. Kuadrat Tengah Galat
(Mean Square Error, MSE)
Example:
Misal 𝜎ො 2 merupakan penduga alternatif bagi 𝜎 2
𝑛
2
1 2
𝜎ො = ෍ 𝑋𝑖 − 𝑋𝑛
𝑛
𝑖=1

2 𝑛−1 2 𝑛−1
𝐸(𝜎ො )=𝐸 𝑛 𝑆 = 𝑛 𝐸 𝑆2
𝑛−1
= 𝑛 𝜎 2 ; ingat 𝐸 𝑆 2 = 𝜎 2 (𝑆 2 penduga tak bias bagi 𝜎 2 )

Sehingga, 𝜎ො 2 merupakan penduga berbias bagi 𝜎 2 , dan ragam 𝜎ො 2

dapat ditulis sebagai berikut:
𝑛−1 2 𝑛−1 2
𝑉𝑎𝑟 𝜎ො 2= 𝑉𝑎𝑟 𝑛 𝑆 = 𝑛 𝑉𝑎𝑟 𝑆2
𝑛−1 2 2𝜎4 2(𝑛−1)𝜎4
= 𝑛 𝑛−1
= 𝑛2
 1. Kuadrat Tengah Galat
(Mean Square Error, MSE)
Sehingga, MSE dari 𝜎ො 2 adalah

2(𝑛−1)𝜎 4 𝑛−1 2
𝐸(𝜎ො 2 − 𝜎 2 )2 = + 𝜎 2 − 𝜎2
𝑛2 𝑛
2𝑛−1
= 𝑛2 𝜎 4
2 2 2 2 2
sedangkan, MSE dari 𝑆 adalah 𝐸(𝑆 − 𝜎 ) = 𝑛−1
𝜎4
2𝑛−1 4 2
Padahal, 𝜎 < 𝜎4
𝑛2 𝑛−1
Berarti, MSE(𝜎ො 2 ) lebih kecil dari MSE(𝑆 2 ).
Jadi, dengan melakukan trading off antara ragam dan bias, MSE
dapat lebih kecil atau lebih baik (sedikit berbias tapi ragamnya lebih
kecil, sehingga MSE lebih kecil)
 2. Uniformly Minimum Variance Unbiased
Estimator (UMVUE)
Definisi:
Misalkan X1, X2, …, Xn merupakan sampel acak berukuran n
dari suatu distribusi dengan pdf f(x;θ) yang mengandung
parameter θ. Misal 𝜏 ∗ penduga bagi 𝜏(𝜃), 𝜏 ∗ dikatakan
sebagai penduga tak bias dengan ragam minimum seragam
atau uniformly minimum variance unbiased estimator
(UMVUE) bagi 𝜏(𝜃) jika:
1. 𝜏 ∗ merupakan penduga tak bias bagi 𝜏(𝜃), dan
2. Untuk sembarang penduga tak bias 𝜏, 𝑉𝑎𝑟 𝜏 ∗ ≤ 𝑉𝑎𝑟 𝜏
• Selanjutnya, untuk memperoleh penduga tak bias dengan ragam
minimum seragam (UMVUE) dapat dilakukan dengan
pertidaksamaan Cramer-Rao
 Pertidaksamaan Cramer-Rao

Pertidaksamaan Cramer-Rao
Salah satu cara untuk memperoleh penduga tak bias dengan ragam
minimum seragam adalah dengan pertidaksamaan Cramer-Rao.
• Pertidaksamaan Cramer-Rao didasarkan pada fungsi distribusi
yang memenuhi syarat-syarat keteraturan (regularity conditions),
yaitu:
1. Daerah pdf atau D tidak tergantung pada parameter θ
𝜕𝑓(𝑥,𝜃)
2. ada untuk semua θ ϵ Ω dan 𝑥 ∈ 𝐷, dan
𝜕𝜃
𝜕 ‫𝑥 𝑓 ׬‬,𝜃 𝑑𝑥 𝜕𝑓 𝑥,𝜃 𝑑𝑥
𝜕𝜃
= ‫𝜃𝜕 ׬‬ =0
3. Jika t(𝑥) fungsi dari peubah acak X , maka
𝜕 ‫𝑥 𝑓)𝑥(𝑡 ׬‬,𝜃 𝑑𝑥 𝜕𝑓 𝑥,𝜃 𝑑𝑥
= ‫)𝑥(𝑡 ׬‬
𝜕𝜃 𝜕𝜃
 Pertidaksamaan Cramer-Rao

Teorema:
• Misalkan X1, X2, …, Xn merupakan sampel acak
berukuran n dari suatu distribusi dengan pdf f(x;θ), θ ϵ
Ω. Misal T = t(X1, X2, …, Xn) merupakan penduga tak
bias bagi 𝜏(𝜃) bila E(T(X1, X2, …, Xn)) = 𝜏(𝜃); untuk θ
ϵ Ω, maka batas bawah Cramer-Rao (Cramer-Rao
Lower Bound, RCLB) adalah
𝜏 ′ (𝜃) 2
𝑉𝑎𝑟 𝑇 ≥ 2
𝜕 ln 𝑓(𝑥, 𝜃)
𝑛𝐸
𝜕𝜃
 Pertidaksamaan Cramer-Rao

𝜏 ′ (𝜃) 2
𝑉𝑎𝑟 𝑇 ≥ 2
𝜕 ln 𝑓(𝑥, 𝜃)
𝑛𝐸
𝜕𝜃
atau
𝜏 ′ (𝜃) 2
𝑉𝑎𝑟 𝑇 ≥
𝑛𝐼 𝜃
𝜕 ln 𝑓(𝑥,𝜃) 2
𝐼 𝜃 =𝐸 , Informasi Fisher
𝜕𝜃

Catatan:
1
Bila 𝜏(𝜃) = θ, maka 𝑉𝑎𝑟 𝑇 ≥ 𝑛 𝐼 𝜃
 Pertidaksamaan Cramer-Rao

Bukti Teorema Pertidaksamaan Cramer-Rao

Bukti:
Misalkan didefinisikan suatu fungsi

𝜕 ln 𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ; 𝜃)
𝑢 𝑥1 , 𝑥2 , … , 𝑥𝑛 ; 𝜃 =
𝜕𝜃
Persamaan di atas dapat ditulis dalam bentuk:
1 𝜕𝑓(𝑥1 ,𝑥2 ,…,𝑥𝑛 ;𝜃)
𝑢 𝑥1 , 𝑥2 , … , 𝑥𝑛 ; 𝜃 = 𝑓(𝑥1 ,𝑥2 ,…,𝑥𝑛 ;𝜃) 𝜕𝜃
 Pertidaksamaan Cramer-Rao

Bila didefinisikan peubah acak 𝑈 = 𝑢 𝑋1 , 𝑋2 , … , 𝑋𝑛 ; 𝜃 ,

maka
𝐸(𝑈) = න … න 𝑢 𝑋1 , 𝑋2 , … , 𝑋𝑛 ; 𝜃 𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ; 𝜃) 𝑑𝑥1 𝑑𝑥2 … 𝑑𝑥𝑛

1 𝜕𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ; 𝜃)
= න…න 𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ; 𝜃) 𝑑𝑥1 𝑑𝑥2 … 𝑑𝑥𝑛
𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ; 𝜃) 𝜕𝜃
𝜕
= ‫׬‬… ‫𝑥(𝑓 ׬‬1 , 𝑥2 , … , 𝑥𝑛 ; 𝜃) 𝑑𝑥1 𝑑𝑥2 … 𝑑𝑥𝑛
𝜕𝜃
𝜕
= 1 = 0
𝜕𝜃
 Pertidaksamaan Cramer-Rao
Jika T = t(X1, X2, …, Xn) penduga tak bias bagi 𝜏(𝜃) maka
𝜏 𝜃 =𝐸 𝑇
= ‫𝑋 𝑡 ׬ …׬‬1 , 𝑋2 , … , 𝑋𝑛 𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ; 𝜃) 𝑑𝑥1 𝑑𝑥2 … 𝑑𝑥𝑛

dan bila didiferensialkan terhadap 𝜃, maka

′
𝜕𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ; 𝜃)
𝜏 𝜃 = න … න 𝑡 𝑋1 , 𝑋2 , … , 𝑋𝑛 𝑑𝑥1 𝑑𝑥2 … 𝑑𝑥𝑛
𝜕𝜃
= ‫𝑋 𝑡 ׬ …׬‬1 , 𝑋2 , … , 𝑋𝑛 𝑢 𝑋1 , 𝑋2 , … , 𝑋𝑛 ; 𝜃 𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ; 𝜃) 𝑑𝑥1 𝑑𝑥2 … 𝑑𝑥𝑛
= 𝐸(𝑇𝑈)
• Padahal 𝑉𝑎𝑟 𝑈 = 𝐸 𝑈 2 − (𝐸(𝑈))2 dan 𝐸 𝑈 = 0, sehingga
𝑉𝑎𝑟 𝑈 = 𝐸 𝑈 2 dan
𝐶𝑂𝑉 𝑇, 𝑈 = 𝐸 𝑇𝑈 − 𝐸 𝑇 𝐸 𝑈 = 𝐸 𝑇𝑈 − 0 = 𝐸(𝑇𝑈)
 Pertidaksamaan Cramer-Rao
Kita ketahui bahwa koefisien korelasi Pearson adalah
2
𝐶𝑜𝑣(𝑇, 𝑈)
𝜌 =
𝑉𝑎𝑟 𝑇 𝑉𝑎𝑟(𝑈)
−1 ≤ 𝜌 ≤ 1
Sehingga
2
𝐶𝑜𝑣(𝑇, 𝑈) ≤ 𝑉𝑎𝑟 𝑇 𝑉𝑎𝑟(𝑈)
atau
𝐸(𝑇𝑈) 2 ≤ 𝑉𝑎𝑟 𝑇 𝑉𝑎𝑟(𝑈)

Jadi,
𝜏 ′ (𝜃) 2
≤ 𝑉𝑎𝑟 𝑇 𝑉𝑎𝑟(𝑈)

≤ 𝑉𝑎𝑟 𝑇 𝐸 𝑈 2
 Pertidaksamaan Cramer-Rao
Dengan demikian,
𝜏 ′ (𝜃) 2
𝑉𝑎𝑟 𝑇 ≥
𝐸 𝑈2
Karena 𝑋1 , 𝑋2 , … , 𝑋𝑛 sampel acak, maka
𝑓 𝑥1 , 𝑥2 , … , 𝑥𝑛 ; 𝜃 = 𝑓 𝑥1 ; 𝜃 𝑓 𝑥2 ; 𝜃 … 𝑓 𝑥𝑛 ; 𝜃
Sehingga
𝑛
𝜕 ln 𝑓(𝑥𝑖 ; 𝜃)
𝑢 𝑥1 , 𝑥2 , … , 𝑥𝑛 ; 𝜃 = ෍
𝜕𝜃
𝑖=1
dan
𝑛
𝜕 ln 𝑓(𝑥𝑖 ; 𝜃)
𝐸 𝑈2 = 𝑉𝑎𝑟 𝑈 = 𝑉𝑎𝑟 ෍
𝜕𝜃
𝑖=1
𝜕 ln 𝑓(𝑥,𝜃) 𝜕 ln 𝑓(𝑥,𝜃) 2
= 𝑛 𝑉𝑎𝑟 𝜕𝜃
= 𝑛𝐸 𝜕𝜃
 Pertidaksamaan Cramer-Rao

Jadi,
2
𝜏′ (𝜃)
𝑉𝑎𝑟 𝑇 ≥ 𝜕 ln 𝑓(𝑥,𝜃) 2
𝑛𝐸 𝜕𝜃
atau
2
𝜏′ (𝜃)
𝑉𝑎𝑟 𝑇 ≥ 𝑛𝐼 𝜃
Jadi, Teorema Pertidaksamaan Cramer-Rao terbukti

Catatan:
Untuk kemudahan, kita bisa menggunakan persamaan berikut:
2
𝜕 ln 𝑓(𝑥, 𝜃) 𝜕 2 ln 𝑓(𝑥, 𝜃)
𝐸 = −𝐸
𝜕𝜃 𝜕𝜃 2
 Pertidaksamaan Cramer-Rao
Catatan:
Untuk kemudahan, kita bisa menggunakan persamaan berikut:
2
𝜕 ln 𝑓(𝑥, 𝜃) 𝜕 2 ln 𝑓(𝑥, 𝜃)
𝐸 = −𝐸
𝜕𝜃 𝜕𝜃 2
Bukti:
1 = න 𝑓 𝑥; 𝜃 𝑑𝑥

𝜕𝑓(𝑥, 𝜃) 𝜕 ln 𝑓(𝑥, 𝜃)
0=න 𝑑𝑥 = න 𝑓(𝑥, 𝜃)𝑑𝑥
𝜕𝜃 𝜕𝜃
𝜕 𝜕 ln 𝑓(𝑥,𝜃)
= 𝜕𝜃 ‫׬‬ 𝑓(𝑥, 𝜃)𝑑𝑥
𝜕𝜃
𝜕 𝜕 ln 𝑓(𝑥,𝜃)
= ‫𝜃𝜕 ׬‬ 𝑓(𝑥, 𝜃)𝑑𝑥
𝜕𝜃
 Pertidaksamaan Cramer-Rao
𝜕 𝜕 ln 𝑓(𝑥,𝜃)
0= ‫𝜃𝜕 ׬‬ 𝜕𝜃
𝑓(𝑥, 𝜃)𝑑𝑥
𝜕2 ln 𝑓(𝑥,𝜃) 𝜕 ln 𝑓(𝑥,𝜃) 2
= ‫׬‬ + 𝑓(𝑥, 𝜃)𝑑𝑥
𝜕𝜃 2 𝜕𝜃
𝜕2 ln 𝑓(𝑥,𝜃) 𝜕 ln 𝑓(𝑥,𝜃) 2
=‫׬‬ 𝑓(𝑥, 𝜃)𝑑𝑥 + ‫׬‬ 𝑓(𝑥, 𝜃)𝑑𝑥
𝜕𝜃 2 𝜕𝜃
Sehingga,
2
𝜕 ln 𝑓(𝑥, 𝜃) 𝜕 2 ln 𝑓(𝑥, 𝜃)
න 𝑓(𝑥, 𝜃)𝑑𝑥 = − න 2 𝑓(𝑥, 𝜃)𝑑𝑥
𝜕𝜃 𝜕𝜃
𝜕 ln 𝑓(𝑥,𝜃) 2 𝜕 2 ln 𝑓(𝑥,𝜃)
𝐸 𝜕𝜃
= −𝐸 𝜕𝜃 2
 Pertidaksamaan Cramer-Rao

Definisi:
Misal T = t(X1, X2, …, Xn) merupakan penduga tak bias bagi 𝜃,
maka T merupakan penduga yang efisien bila memenuhi batas
bawah Cramer-Rao

Example:
Misalkan 𝑋1 , 𝑋2 , … , 𝑋𝑛 berdistribusi Poisson(λ) yang bebas
stokastik identik, dengan fungsi peluang:
𝑒 −λ λ𝑥
𝑝X 𝑥 = ൞ 𝑥! , 𝑥 = 0, 1, 2, …
0, selainnya
σ𝑛
𝑖=1 𝑥𝑖
Diketahui sebelumnya bahwa 𝑋ത = merupakan MLE bagi λ.
𝑛
Tunjukkan bahwa 𝑋ത merupakan penduga yang efisien!
 Pertidaksamaan Cramer-Rao
Jawab:
Harus ditunjukkan apakah ragam penduga 𝑋ത memenuhi batas bawah
Cramer-Rao
𝜕 ln 𝑝(𝑥, λ) 𝜕 𝑒 −λ λ𝑥
= ln
𝜕λ 𝜕λ 𝑥!
𝜕
= 𝑥 ln λ − λ − ln 𝑥!
𝜕λ
𝑥 𝑥−λ
= −1=
λ λ
2 2
𝜕 ln 𝑝(𝑋,λ) 𝑋−λ
Sehingga, 𝐸 =𝐸
𝜕λ λ
2 2
𝑋−λ 𝐸 𝑋−λ 𝑉𝑎𝑟(𝑋)
=𝐸 = =
λ λ2 λ2
λ 1
= λ2 =
λ
 Pertidaksamaan Cramer-Rao

Jadi, batas bawah Cramer-Rao akan sama dengan:

1 1 λ
= =
𝑛𝐼 λ 1 𝑛
𝑛
λ
ത λ 1
Padahal 𝑉𝑎𝑟 𝑋 = 𝑛 dan ini sama dengan di atas
𝑛𝐼 λ
Jadi ragam 𝑋ത memenuhi batas bawah Cramer-Rao, maka
𝑋ത merupakan penduga yang efisien bagi λ !
 Pertidaksamaan Cramer-Rao
Jawab:
Atau
𝜕 2 ln 𝑓(𝑥, λ) 𝑋 1 1 1
𝐸 2 = 𝐸 − 2 = − 2𝐸 𝑋 = − 2 λ = −
𝜕λ λ λ λ λ
𝜕2 ln 𝑓 𝑥,𝜆 1 𝑛
Sehingga, −𝑛 𝐸 = −𝑛 −λ =
𝜕λ2 λ

Jadi, batas bawah Cramer-Rao akan sama dengan:

1 1 λ
2 =n =
𝜕 ln 𝑓 𝑥, 𝜆 𝑛
−𝑛 𝐸 λ
𝜕λ2
λ 1
Padahal 𝑉𝑎𝑟 𝑋ത = 𝑛 dan ini sama dengan 𝜕2 ln 𝑓 𝑥,𝜆
di atas
−𝑛 𝐸
𝜕λ2
Jadi ragam 𝑋ത memenuhi batas bawah Cramer-Rao, maka
𝑋ത merupakan penduga yang efisien bagi λ !
 Pertidaksamaan Cramer-Rao
Example: bsi
Misalkan 𝑋 ~ Normal(𝜇,𝜎 2 ), dengan pdf
1 1
− 2 (𝑥−𝜇)2
e 2𝜎 ; −∞ < 𝑥 < ∞
𝑓 𝑥 = ൞ 2π𝜎
0 ; selainnya
dan diketahui bahwa 𝑋ത penduga tak bias bagi 𝜇
Apakah Var 𝑋ത memenuhi batas bawah Cramer-Rao?
Jawab:
𝜎2
Kita ketahui bahwa 𝑉𝑎𝑟 𝑋ത = 𝑛
(𝑥 − 𝜇)2
ln 𝑓 𝑥 = − ln 2π𝜎 − 2
2
2𝜎
𝜕 ln 𝑓(𝑥,𝜇) 𝜕 (𝑥−𝜇)
= 𝜕𝜇 − ln 2π𝜎 − 2𝜎2
𝜕𝜇
𝜕 (𝑥−𝜇)2 2(𝑥−𝜇) (𝑥−𝜇)
= 𝜕𝜇 − 2𝜎2 = =
2𝜎 2 𝜎2
 Pertidaksamaan Cramer-Rao
𝜕 ln 𝑓(𝑥, 𝜇) (𝑥 − 𝜇)
=
𝜕𝜇 𝜎2
2 2
𝜕 ln 𝑓(𝑥, 𝜇) (𝑥 − 𝜇) (𝑥 − 𝜇)2
= 2 =
𝜕𝜇 𝜎 𝜎4
2
𝜕 ln 𝑓(𝑥, 𝜇) (𝑥 − 𝜇)2 𝑉𝑎𝑟(𝑋)
𝐸 =𝐸 4 =
𝜕𝜇 𝜎 𝜎4
𝜎2 1
= =
𝜎4 𝜎2
1 𝜎2
Sehingga batas bawah Cramer-Rao adalah 1 =
𝑛 2 𝑛
𝜎
𝜎2
Karena 𝑉𝑎𝑟 𝑋ത = , maka 𝑉𝑎𝑟 𝑋ത memenuhi batas bawah
𝑛
Cramer-Rao.
Jadi 𝑋ത merupakan penduga yang UMVUE dan efisien bagi 𝜇.
 Pertidaksamaan Cramer-Rao
Jawab:
Atau
𝜕 2 ln 𝑓(𝑥, 𝜇) 1 1
𝐸 2 =𝐸 − 2 =− 2
𝜕𝜇 𝜎 𝜎
𝜕2 ln 𝑓 𝑥,𝜇 1 𝑛
Sehingga, −𝑛 𝐸 = −𝑛 − 𝜎2 =
𝜕𝜇2 𝜎2

Jadi, batas bawah Cramer-Rao akan sama dengan:

1 1 𝜎2
2 = n =
𝜕 ln 𝑓 𝑥, 𝜇 𝑛
−𝑛 𝐸 𝜎2
𝜕𝜇2
𝜎2 1
Padahal 𝑉𝑎𝑟 𝑋ത = 𝑛 dan ini sama dengan 𝜕2 ln 𝑓 𝑥,𝜆
di atas
−𝑛 𝐸
𝜕λ2
Jadi ragam 𝑋ത memenuhi batas bawah Cramer-Rao, maka
𝑋ത merupakan penduga yang UMVUE dan efisien bagi 𝜇!