Latihan 1
Qn -µe xi µ -nµ Σni xi
2. Pdf gabungan dari X1 , . . . Xn adalah f (x1 = e Qnµi xi! . Selain itu,
=1
i=1 xi!
, . . . , xn ; µ) =
=1
i.i.d. Σn
i=1 Xi ∼ POI(nµ). Dengan demikian, pdf dari
2. karena X1 , . . . Xn ∼ POI(µ) kita memiliki
S= S adalah f (s; µ) =
e-nµnsµs
s! . Pdf bersyarat
, e-nµµΣn
xi
i=1
f (x1,...,xn; µ)
=
Qn i
= 1 xi
! = Qn jika x=s
Σn
s!
� f (s;
e-nµnsµs
n s
i=1 xi! i = 1 i
fX|s = µ)
s!
,
0 sebaliknya,
Σn
tidak bergantung pada µ, maka S = Xi cukup untuk µ.
i=1
Latihan 6
Gabungan pdf dari X1 , . . . , Xn adalah #
Y "Yn m i n
p Σn
f (x , . . . , p) = n px (1 - p) m−x x (1 - p) i = 1 mi
x mi Σ
Σn
=
i i i i
i=1
1 n xi (1 - p) i = 1 xi
i=1 x i i=1
Σn " n #
(1 - p) i=1mi Y mi
=p s
,
(1 - p) s i=1 xi
` x`= ¸ x
=g˛(¸s;p) h(x1˛, ...,xn)
Σn
di mana s = xi . Dengan kriteria faktorisasi, S = Σn Xi cukup untuk p.
i=1 i=1
Latihan 11
Kita akan menggunakan kriteria faktorisasi untuk menjawab kedua sub-pertanyaan tersebut.
Perhatikan bahwa pdf gabungan dari
X1 , . . . Xn sama dengan
Y
n
1 1
f (x1 , . . . , xn ; θ1 , θ2 I (θ1, θ2) (xi) = I (x1: n) I(-∞, θ2)(xn: n).
)= i=1
θ2 - θ 1 (θ2 - θ )1 n (θ1, ∞)
(a) Jika θ2 diketahui, maka θ1 adalah satu-satunya parameter yang perlu dipertimbangkan.
Kami menulis
1
f (x1 , . . . , xn ; θ1 ) = (θ
2 1
I(θ1, ∞) (s) I(-∞, θ2) (xn:n)
- θ )n
1
` (˛s¸ x` ¸ x
=g ;θ1) =h(x1˛, ...,xn)
2
(b) Sekarang kita anggap θ1 dan θ2 sebagai parameter yang tidak diketahui. Faktorisasi yang
diperlukan sekarang adalah
1
f (x1 , . . . , xn ; θ1 , θ2 ) I(θ1, ∞)(s1) I(-∞, θ2)(s2) × 1 .
= 2
- θ )n
(θ
1
` , x ¸x
=g(s1 ˛s¸2;θ1,θ2) =h(x`1˛, .. .,xn)
Latihan 13
Gabungan pdf dari X1 , . . . , Xn dapat ditulis sebagai
n Yn !θ1-1 Yn !θ2-1
Γ +θ)
(θ1 2
(1 - x )i
= xi
Γ(θ1 )Γ(θ )2 i=1 i=1
Γ(θ + θ ) n sθ1-1sθ2-1 × 1 ,
= Γ(θ 1)Γ(θ2) 1
2
1 2
` , x ¸x
=g(s1 ˛s¸2;θ1,θ2) =h(x`1˛, .. .,xn)
Latihan 20
1-p
sedemikian rupa sehingga merupakan anggota dari
- REC dengan1 c(p) = 1 dan
p, h(x) = 1, q (p) = l n p
1-p
t1 (x) = x. Oleh karena n i
=1 (b) File pdf tersebut dapat ditulis sebagai
Σ 3
itu, S =
Xi adalah statistik yang cukup lengkap untuk p.
e-µµx
1 e-µ ex ln µ
x! = x!
f (x; µ) = ,
sedemikian sehingga merupakan anggota dari REC dengan c(µ) = e−µ , h(x) = 1 , q1 (µ)
= ln µ dan
x!
Σn
t1(x) = x. Oleh karena itu, X
S=
i=1 i adalah statistik yang cukup lengkap
untuk µ.
4
(c) File pdf tersebut dapat ditulis sebagai
x-1
f (x; p) = pr (1 - p)x−r = x -1pr (1 - p)x
r- 1 r-1 1-p
r
x-1p ex ln(1-p),
=
r-1 1-p
1
1-p r-1
dan t1 (x) = x. Oleh karena Xi adalah statistik yang cukup lengkap
i=1
itu, S = Σn untuk p.
r
p x-1
sedemikian rupa sehingga merupakan anggota dari REC dengan c(p) = , h(x) =
, q (p) = ln(1 - p),
c(µ, σ2 ) = √ 1
2
sedemikian sehingga merupakan anggota dari REC dengan
µ
e− 2σ2 ,
h(x) = 1, q (µ, σ2 ) =µ , 1 2πσ2 σ2
q2(µ, σ2 ) = -1 ,2σ2
t (x) 1= x, dan t (x) = 2x2 . Oleh karena Σ X dan S 2 = Σn X2i
1 = ni=1 i i=1
itu S adalah
secara bersama-sama melengkapi statistik yang cukup untuk µ dan σ2 .
(e) File pdf tersebut dapat ditulis sebagai 1 x 1 1
f (x; θ) = e−θ = e−θ x,
θ θ
sedemikian
1
rupa sehingga merupakan anggota REC dengan c(θ) =1 , h(x) = 1, q1 (θ)
= - , dan t1 (x) = x.
θ θ
Oleh karena itu S = Σn
i=1 Xi adalah statistik yang cukup lengkap
untuk θ.
1 1 1 e- 1x+(κ-1) ln(x)
(f) File pdf dapat ditulis sebagai
xκ-1e- x θ
= e(κ-1) ln(x) e- θ =
x
,
f (x; θ, κ) = θκΓ θκΓ(κ) θκΓ(κ)
θ
(κ)
1
sedemikian sehingga merupakan anggota REC (κ) , h(x) = 1, q1 (θ, κ) = - ,
θκΓ1
dengan c(θ, κ) =
q2 (θ, κ) = κ - 1, t1 (x) = x, dan t2 (x) = ln(x). Oleh karena itu, S1 = Σn Xi dan
θ
Σn i=1 i=1
S2 = ln(X )i
secara bersama-sama merupakan statistik yang cukup lengkap untuk θ dan κ.
(g) File pdf tersebut dapat ditulis sebagai
( + ) ( + )
f (x; θ , θ ) = Γ θ1 θ2 xθ1-1(1 - x)θ2-1 = Γ θ1 θ2 e(θ1-1) ln(x) e(θ2-1) ln(1 - x)
12 Γ(θ1 )Γ(θ Γ(θ1 )Γ(θ )2
)2
( + )
= Γ θ1 θ2 e(θ1-1) ln(x) + (θ2-1) ln(1-x),
Γ(θ1 )Γ(θ )2
5
sedemikian rupa sehingga merupakan anggota REC dengan c(θ1 , θ2 ) = Γ(θ 1+θ2) , h(x)
= 1, q1 (θ1 , θ2 ) = θ1 -1, Γ(θ1) Γ(θ2)
q2 (θ1 , θ2 ) = θ2 - 1, t1 (x) = ln(x), dan t2 (x) = ln(1 - x). Oleh karena itu, S1 = Σnln(Xi ) dan
i=1
S2 = Σ n i
ln(1 - Xi ) secara bersama-sama merupakan statistik yang
(h) Perhatikan=1
bahwacukup
β dianggap diketahui.
lengkap untuk θPdf dapat. ditulis sebagai
1 dan θ 2
β ) = β x eβ−1− 1 xβ ,
(x β
f (x; θ) = x e β−1−
θβ
θ
θβ θβ
6
sedemikian sehingga merupakan anggota dari REC dengan c(θ) =β , h(x) = xβ−1 , q1 (θ)
= -1 , dan
θβ θβ
t1 (x) = xβ . Oleh Xβi adalah statistik yang cukup lengkap untuk θ.
i=1
karena itu, S = Σn
Latihan 21
Pada bagian (a) dan (b) kita diminta untuk mencari UMVUE. Pendekatannya adalah sebagai
berikut. Dari Latihan
Σn
20(a) kita tahu bahwa S = i=1 Xi adalah statistik yang cukup lengkap untuk p. Hal ini juga
mudah untuk ditunjukkan
bahwa MLE untuk p sama dengan pˆ =nX¯ =1 S. Oleh karena itu, kita akan membuat
tebakan untuk
estimator. Jika estimator yang diusulkan ini tidak bias, maka kita segera menemukan UMVUE.
Jika pendekatan ini menghasilkan estimator yang bias, maka kami mencoba transformasi
untuk menghilangkan bias tersebut.
Juga perhatikan bahwa S = Σn Xi ∼ BIN(n, p) sedemikian hingga E(S) = np dan
i=1
Var(S) = np(1 - p).
(a) Kita coba penaksir pˆ(1 - pˆ) =S 1 - S . Ekspektasinya adalah
n n
S E E (S )2 Var (S) + (E
E pˆ(1 - pˆ) S 1- = =p-
n (S) n2
=E - (S))2
n n n2
-
np (1 p) + (np)2 np - p(1 - p) - np2 n np (1 - p) - p (1 - p)
= p- n2 = =
n
n-1
= p(
). n - 1p
Oleh karena
n1 - S =nS 1 - S n-1
tidak biasn untuk p(1 - p) sehingga juga merupakan
S
n-1
itu T = n
UMVUE.
(b) Perhatikan bahwa p2 = p - p(1 - p) adalah kombinasi linear dari suku-suku p dan p(1 - p).
Jadi estimator yang tidak bias untuk kedua nbagian
n-1 1 - S n (lihat bagian sebelumnya),
tersebut adalah S dan S
Oleh karena itu, kamin akan mencoba S masing-masing.
- 1 - . Linier dari
S S
ekspektasi tersebut
n-1 n
memberikan
S- S S S S S
E 1 - = E - E 1 - = p - p(1 - p) = p2 .
nn - 1 n nn - 1 n
Oleh karena itu, T =S - (1 - )
S S
=S(S−1) tidak bias untuk p2 sehingga juga merupakan
UMVUE.
n n-1 n n(n-1)
Latihan 22
Σ
Kita telah melihat pada Latihan 20(b), bahwa Si=1 Xi adalah statistik yang cukup lengkap
= n
untuk µ.
Menurut Lehmann-Scheff´e, Teorema 10.4.1 pada halaman 346 dari B&E, kita dapat
menemukan UMVUE jika
kita dapat menemukan penaksir tak bias untuk e−µ yang merupakan fungsi dari S saja. Pada
latihan 33(g) kita memiliki Σ
n-1
7
n
terlihat bahwa nE S = e−µ . dengan demikian merupakan UMVUE untuk e−µ .
i = 1
) Xi
n
(n−1
Latihan 25
File pdf tersebut dapat ditulis sebagai
f (x; θ) = θxθ-1 = θe(θ-1) ln(x) = θe(1-θ)(- ln x),
sedemikian rupa sehingga merupakan Σ suatu anggota REC dengan c(θ) = θ, h(x) = 1,
ni
Oleh karena = 1 ln(Xi ) adalah statistik yang cukup lengkap
q1 (θ) = 1 - θ, dan t1 (x) = - ln(x).
itu S = - untuk θ.
(a) Dengan menggunakan petunjuk ini, kita menemukan E(S) = Σn E-
i=1 θ n i=1
1 Σn
ln(Xi ) penaksir
adalah =n . Kita yang
simpulkan
tidak bahwa - ln(X )i
bias u n t u k 1 θ dan hanya merupakan fungsi dari S. Menurut Lehmann-
Teorema 10.4.1 pada halamanScheff´e,
346 dari B&E, ini juga merupakan sebuah UMVUE.
8
(b) Setelah menemukan S = - 1 Σn ln(Xi ) sebagai UMVUE untuk1 , kita dapat mencoban
n n i=1 θ S
sebagai UMVUE
for θ. This estimator is still a function of S only but it is no longer clear that it is unbiased.
Kita harus menghitung SEn . Jika X memiliki pdf f (x; θ), maka Y = - ln(X) memiliki pdf
dukungannya
harus sama dengan 1. Perhitungan ini menunjukkan bahwa
ˆ n-1n n-1 n-1
,
θ= = = -Σ n
n S S i=1 ln(X )i
adalah penaksir untuk θ yang (1) tidak bias, dan (2) merupakan fungsi dari S saja.
Menurut Lehmann-Scheff´e, Teorema 10.4.1 pada halaman 346 dari B&E, ini juga
merupakan sebuah UMVUE.
memberikan penaksir yang bias untuk θ. Oleh karena itu, sudah jelas dari awal bahwa
koreksi diperlukan.
Latihan 31
(a) Likelihood dan log-likelihood adalah L(θ) = Qn f (x ; θ) = θn (Qn i )-(1+θ)
i=1
(1 + x)
i dan i=1
Σn i=1
ln L(θ) = n ln(θ) - (1 + θ)
log-likelihood-nya adalah: ln(1 + xi ), masing-masing. Turunan pertama dan kedua
d dari n Σ n
ln L(θ) = - ln (1 + x )
i
dθ θ
i=1
d n2
dθ2 ln L(θ) = - θ2 < 0, untuk semua θ.
9
Karena turunan kedua selalu negatif, kita menemukan estimator ML sebagai berikut:
n Σ
n n
- ln(1 + X)
i = 0 ⇒ ˆ= Σ
θ .
ni
θˆ i=1 =1 ln(1 + X )i
1
0
(b) File pdf tersebut dapat ditulis sebagai
- (1 + θ) =
f (x; θ) = θ (1 + x) θe- (1 + θ) ln (1 + x),
sedemikian sehingga ia adalah anggota dari tΣthe REC dengan c(θ) = θ, h(x) = 1, q1 (θ)
ni
t (x) = ln(1 + x). Oleh = 1 ln(1 + Xi ) adalah statistik yang cukup
=1 -(1 + θ), dan
karena itu S = lengkap untuk θ.
= = nθ2 .
∂2 n
, ln f (X; θ)
-n E ∂θ2 θ2
CRLB untuk 1/θ diturunkan pada bagian (c). Distribusi asimtotik dari MLE
τ (θˆn) = 1 dari τ (θ) =1 dengan demikian
θˆn θ
1 1 1 1
-θ -θ
θˆn d
= θˆn
-→ Z ∼ N(0, 1).
√CRLB √1
nθ
(f) Latihan ini mirip dengan Latihan 25(b). Mengingat bahwa Tn =S = 1 Σn ln(1 + Xi ) adalah
n i=1
1
1
UMVUE untuk 1/θ, tampaknya masuk akal untuk mengetahui apakah n/S dapat menjadi
UMVUE untuk
θ. Ini jelas merupakan fungsi dari statistik yang cukup lengkap sehingga hanya tinggal
memeriksa apakah itu tidak bias. Karena pdf dari S diberikan oleh
1 n-1 - s1 1 n-1 -θs
fS (s) = 1n s e θ = 1n s e s > 0,
θ Γ(n) θ Γ(n)
1
2
kami menemukan
∫∞ ∫∞ Γ
n n1 (n - 1) 1 s(n-1)-1e-θsds
E = 1
n s en−1−θs ds = n 1
n
S 0 s θ Γ(n) 0 Γ(n - 1) θ Γ(n)
∫∞ (n-1)-1e-θs
(n - 1) 1 s ds
= nθ Γ n-1 Γ
Γ(n) 0 1 (n - 1)
θ x
` G A ˛θM ¸
(n - 1) n θ pdf dari
= n θΓ = . (1 ,n-1)
Γ(n) n-1
n-1
Dengan demikian, UMVUE
S ln(1+Xi) .
i=1
untuk θ adalahn−1 = Σn
1
3