1.6 Metode Penelitian
Mengumpulkan teori-teori probabilitas yang mendukung dalam pelaksanaan penelitian sehingga dapat diperoleh estimasi parameter untuk distribusi gamma, kemudian
menggunakan estimasi maximum likelihood untuk mendapatkan estimasi parameter tersebut. Langkah terakhir dari penelitian ini adalah menarik kesimpulan dari seluruh
permasalahan yang telah dirumuskan dengan berdasarkan pada landasan teori dan hasil pemecahan masalah.
Universitas Sumatera Utara
BAB II
LANDASAN TEORI
2.1 Peubah Acak dan Distribusinya
2.1.1 Peubah Acak
Definisi 2.1: Peubah acak adalah suatu fungsi yang menghubungkan sebuah bilangan real dengan
setiap unsur di dalam ruang contoh, Walpole Dkk, 2003 : 74
Peubah acak dilambangkan dengan huruf kapital X dan huruf kecilnya dalam hal ini x, untuk menyatakan salah satu diantara nilai-nilainya. Dengan demikian suatu
bilangan X merupakan ukuran dari karakteristik yang diletakkan pada setiap kejadian dasar dari ruang contohnya. Peubah acak diklasifikasikan menjadi 2 macam, yaitu
peubah acak diskret dan peubah acak kontinu, Wibisono, 2005 : 222
Definisi 2.2 : X
disebut peubah acak diskret bila X peubah acak yang hanya mendapat nilai berhingga atau banyaknya terbilang, Dudewicz Mishra, 1995: 83
Contoh 2.1 :
Sebuah kantong berisi 10 kelereng yang terdiri dari 4 kelereng merah M dan 6 kelereng hitam H. Dalam kantong diambil 2 kelereng berturut-turut, hasil yang
mungkin untuk x sebagai peubah acak X yang menyatakan banyaknya kereng merah yang diambil. Jadi ruang contohnya { HH, MH,, HM, MM } dan peubah acak X = { 0,
1, 1, 2 }
Universitas Sumatera Utara
2.1.2 Distribusi Peubah Acak
2.1.2.1 Distribusi Peubah Acak Diskrit
Seringkali untuk memudahkan suatu perhitungan semua probabilitas peubah acak dinyatakan dalam suatu fungsi nilai-nilai X seperti fx yaitu fx=PX=x. Pada peubah
acak diskrit, setiap nilainya dikaitkan dengan probabilitas. Himpunan pasangan berurutan [x,fx] disebut distribusi probabilitas peubah acak X. Sebuah distribusi yang
mencantumkan semua kemungkinan nilai peubah acak diskrit berikut probabilitasnya disebut probabilitas diskrit, Wibisono, 2005: 224.
Suatu peubah acak diskrit dapat dinyatakan sebagai:
Fx=
x px
x
Definisi 2.2 : Himpunan pasangan terurut x,fx merupakan suatu fungsi peluang,
fungsimassa peluang, atau distribusi peluang peubah acak diskrit X bila, untuksetiap kemungkinan hasil x:
1. fx ≥0
2.
x
x f
1 3.
PX = x = fx Walpole Myers, 1995 :54
Definisi 2.3 : Jika peubah X dapat menerima suatu himpunan diskrit dari nilai-nilai X
1
, X
2
, . . . ,X
n
dengan probabilitas masing-masing P
1
,P
2
, . . . P
n
, dimana P
1
+P
2
+ . . . + P
n
= 1, maka suatu fungsi fX yang mempunyai nilai masingmasing P
1
,P
2
, . . . P
i
untuk X
1
, X
2
, . . . ,X
i
disebut fungsi probabilitas. Sehingga dapat dituliskan dengan fX = PX = X
i
, yaitu probabilitas P nilai peubah X ke-i yaitu X
i
sama dengan fX. Turmudi Harini, 2008: 176.
Universitas Sumatera Utara
2.1.2.2 Distribusi Peubah Acak Kontinu
Distribusi probabilitas bagi peubah acak kontinu tidak dapat disajikan dalam bentuk tabel, akan tetapi distribusinya dapat dinyatakan dalam persamaan yang merupakan
fungsi nilai-nilai peubah acak kontinu dan digambarkan dalam bentuk kurva. Wibisono,2005:226.
Suatu peubah acak kontinu dapat dinyatakan sebagai: fx =
dx x
f
x
Definisi 2. 4 : Fungsi fx adalah fungsi padat peluang peubah acak kontinu X, yang
didefinisikan atas himpunan semua bilangan real R, bila 1.
fx ≥
0 untuk semua x
R 2.
dx x
f
x
= 1
3. Pa x b =
b a
dx x
f Walpole Myers, 1995 :60
2.2 Ekspektasi dan Variansi
2.2.1 Ekspektasi
Ekspektasi peubah acak X, dinyatakan dengan EX sehingga definisi ekspektasi adalah:
Definisi 2. 5 : Misalkanlah X suatu peubah acaka dengna distribusi peluang fx, maka nilai
harapannya atau rataan X ialah: EX = µ =
x
x fx Walpole Myers, 1995 :94.
Universitas Sumatera Utara
Definisi 2. 6 : Jika X adalah suatu peubah acak kontinu dan fx adalah fungsi padat peluang
dari x, maka nilai ekspektasi dari peubah acak X adalah: Ex =
x
f
x
x dx Dudewich Mishra,1995: 246.
Definisi 2.7 : Misalkan X suatu peubah acak dengan fungsi padat peluang f dan g suatu
fungsi dari X. Nilai harapan dari X adalah:
E [ gx] =
x g
fx untuk X diskrit dan
2.5 E [gx] =
x g
fx dx untuk X kontinu
2.6 Barnes, 1994 : 100
Teorema 2. 1 : Bila a dan b konstanta, maka
E aX + b = a EX + b
2.7
Teorema 2. 2 : Sifat-sifat harapan matematika ekspektasi. Bila c suatu tetapan dan gX,
1
g X,
2
g X suatu fungsi yang harapannya ada, maka:
1. Ec = c 2. EcgX = cEgX
3. Eg
1
X + g
2
X = Eg
1
X + E g
2
X 4. Eg
1
X ≤ Eg
2
X jika g
1
x ≤ g
2
x untuk semua x 5. EgX
≤ E gX
Universitas Sumatera Utara
2.2.2 Variansi
Variansi peubah acak X atau variansi distribusi peluang X dengan Var X atau
2
bila tidak ada keraguan mengenai peubah acak yang dimaksud.
Definisi 2.8 : Misalkan X peubah acak dengan distribusi peluang fx dan rataan
, makaVar X =
2
adalah:
2
= E [x-
2
]=
x
x-
2
fx 2.8
bila X diskrit, dan
2
= E [x-
2
] =
x-
2
fx dx 2.9
bila X kontinu Walpole Myers, 1995 : 104
Teorema 2. 3 : X = EX
2
2
2.10
Teorema 2. 4 : Var aX + b = a
2
var X 2.11
2.3 Estimasi Parameter
Parameter didefinisikan sebagai hasil pengukuran yang menggambarkan karakteristik dari suatu populasi. Disisi lain karakteristik sampel didefinisikan sebagai statistik.
Sebagai contoh adalah rata-rata populasi population mean , varians populasi
population variance
2
, dan koefisian korelasi populasi population correlation coefficient
. Parameter biasanya tidak diketahui, dandengan statistiklah harga-harga parameter itu diduga ditaksir atau diestimasi. Sebagai contoh adalah rata-rata sampel
Universitas Sumatera Utara
x
digunakan untuk menaksir rata-rata populasi yang tidak diketahui dari
pengambilan sampel suatu populasi. Dalam statistik non-parametrik, parameter yang cukup menarik untuk dikaji adalah median populasi. Parameter ini sering digunakan
dalam analisis statistik nonparametric untuk menggantikan rata-rata populasi sebagai ukuran untuk lokasi atau tendensi sentral yang lebih disukai. Pendugaan estimasi
adalah proses yang menggunakan sampel statistik untuk menduga atau menaksir hubungan parameter populasi yang tidak diketahui.
Pendugaan merupakan suatu pernyataan mengenai parameter populasi yang diketahui berdasarkan populasi dari sampel, dalam hal ini sampel random, yang
diambil dari populasi yang bersangkutan. Jadi dengan pendugaan ini, keadaan parameter populasi dapat diketahui, Hasan, 2002: 111.
Menurut Yitnosumarto 1990:211-212, penduga estimator adalah anggota peubah acak dari statistik yang mungkin untuk sebuah parameter anggota peubah
diturunkan. Besaran sebagai hasil penerapan penduga terhadap data dari semua contoh disebut nilai duga estimate.
Misalkan terdapat sebuah peubah acak X yang mengikuti sebaran tertentu dengan nilai yang diamati X
1
, X
2
, X
3
, . . . , Xn . jika nilai-nilai pengamatan mempunyai
peluang yang sama untuk diperoleh, maka nilai tengahnya:
X =
n 1
n
i 1
X
i
= n
Xi
n i
1
yang merupakan suatu penduga titik point estimate dari nilai tengah populasi .
Penduga titik ini seringkali dicatat dengan
ˆ
miu topi karena merupakan penduga dari m, Yitnosumarto, 1990: 212.
Universitas Sumatera Utara
2.3.1 Sifat-Sifat Penduga
1. Tak bias unbiased Satu hal yang menjadi tujuan dalam pendugaan adalah penduga harus mendekati nilai
sebenarnya dari parameter yang diduga tersebut. Misalkan terdapat parameter . Jika
ˆ merupakan penduga tak bias unbiased estimator dari parameter , maka Eˆ =
, Yitnosumarto,1990: 212.
2. Efisien Suatu penduga misalkan:
ˆ dikatakan efisien bagi parameter apabila penduga
tersebut mempunyai varians yang keci l. Apabila terdapat lebih dari satu penduga, penduga yang efisien adalah penduga yang mempunyai varian terkecil. Dua penduga
dapat dibandingkan efisiensinya dengan menggunakan efisiensi relative Relative efficiency
. Efisiensi relatif ˆ
2
terhadap ˆ
1
dirumuskan: R
ˆ
2,
ˆ
1
=
2 2
2 1
ˆ ˆ
ˆ ˆ
E E
=
2 2
2 2
1 1
ˆ ˆ
ˆ ˆ
E E
E E
=
2 1
ˆ var
ˆ var
R =
2 1
ˆ ˆ
, jika R 1 maka ˆ
1
ˆ
2
artinya secara relatif ˆ
2
lebih efisien daripada ˆ
1
, dan jika R 1 maka
ˆ
1
ˆ
2
artinya secara relatif ˆ
1
lebih efisien daripada ˆ
2.
3. Konsisten Suatu penduga dikatakan konsisten jika memenuhi syarat di bawah ini:
a Jika ukuran sampel semakin bertambah maka penduga akan mendekati
parameternya. Jika besar sampel menjadi tak terhingga maka penduga konsisten harus dapat memberi suatu penduga titik yang sempurna terhadap
Universitas Sumatera Utara
parameternya. Jadi
ˆ
merupakan penduga konsisten, jika dan hanya jika : E
ˆ ˆ
E
2
jika n
b Jika ukuran sampel bertambah besar maka distribusi sampling penduga akan
mengecil menjadi suatu garis tegak lurus diatas parameter yang sama dengan probabilitas sama dengan 1, Hasan, 2002: 113-115
2.4 Maksimum Likelihood
2.4.1 Fungsi Likelihood
Definisi 2.9 : Fungsi likelihood dari n variabel acak x
1
,x
2
,...,x
n
didefinisikan sebagai fungsi kepadatan bersama dari n variabel random. Fungsi kepadatan bersama
f
1
x
,…,
n
x
x
1
,...,x
n
; yang mempertimbangkan fungsi dari . Jika x
1
,...,x
n
adalah sampel random dari fungsi kepadatan f x;
,maka fungsi likelihoodnya adalah f x
1
; f x
2
; … fx
n
; . Mood, Graybill and Boes, 1986:278.
2.4.2 Estimasi Maksimum Likelihood
Suatu pendugaan bersifat unbias, efisien dan konsisten dapat diketahui dengan menggunakan suatu metode yaitu metode Maksimum Likelihood. Metode tersebut
sering memberikan hasil penaksir yang baik.
Definisi 2.10 : Misalkan X
1
,X
2
,...,X
n
peubah acak dengan fungsi distribusi Fx
1
,x
2
,...,x
n
|
dengan
yang tidak diketahui, maka fungsi likelihood ialah:
L =
|
,..., ,
| ,...,
,
2 1
2 1
n n
x x
x p
x x
x f
Universitas Sumatera Utara
Untuk Setiap ˆ =
n
ˆ x
1
,x
2
,…,x
n
L ˆ = sup{Lˆ :
ˆ ÎQ} disebut maximum likelihood estimation. Dudewicz dan Mishra, 1995: 412
2.5 Fungsi Gamma dan Distribusi Gamma
2.5.1 Fungsi Gamma
Defnisi 2.11 : Fungsi gamma didefinisikan :
=
1
x e
1
dx untuk α 0
2.12 Teorema 2.5 :
Jika
=
1
x e
1
dx maka: 1.
1
= 1 2.
2
1
=
2.5.2 Distribusi Gamma
Defnisi 2.12 : Misalkan X suatu peubah acak kontinu berdistribusi gamma dengan parameter
dan , bila bentuk fungsi padatnya
f x =
1
1
x
e x
dengan
0 dan 0, Walpole Myers, 1995: 190.
Pentingnya distribusi gamma dapat diketahui pada kenyataan bahwa distribusi gamma merupakan suatu keluarga distribusi yang distribusi lainnya merupakan hal
khusus. Terapan penting distribusi gamma ini pada teori reliabilitas uji keandalan
Universitas Sumatera Utara
dan waktu menunggu. Peubah acak yang fungsi padatnya diberikan distribusi gamma adalah waktu atau ruang terjadinya sesuatu sampai sejumlah tertentu kejadian poisson
terjadi, Walpole Myers, 1995: 193.
Teorema 2.6 : Bila X berdistribusi gamma X~ Gx|a, b, 0 maka rataan dan variansi distribusi
gamma adalah: = EX = dan
2
=
2
Universitas Sumatera Utara
BAB III
PEMBAHASAN
3.1 Penggunaan Metode Maksimum Likelihood dalam Menaksir Parameter
Distribusi Gamma
Distribusi gamma didapat dari fungsi gamma yang sudah dikenal luas, dan dipelajari dalam banyak bidang matematika.
Dari definisi 10, Fungsi gamma didefinisikan dengan :
=
1
x e
1
dx untuk α 0
yang dipakai dalam mendefinisikan distribusi gamma dan akan diaplikasikan pada suatu data umur baterai mobil. Distribusi gamma mempunyai
parameter α dan β yang belum diketahui dengan peubah acak bebas X yang berukuran n. Maka parameter
tersebut akan diestimasi dengan menggunakan metode Maksimum Likelihood yang mempunyai beberapa langkah estimasi.
Adapun Langkah-langkah estimasi dengan metode Maksimum Likelihood adalah:
Langkah I
: Menentukan fungsi padat peluang distribusi gamma Fungsi distribusi gamma adalah:
f x =
; 1
1
x e
x
x
,untuk x lainnya dengan α 0 dan β 0
Universitas Sumatera Utara
Fungsi distribusi gamma tersebut digunakan untuk mencari fungsi padat peluang peubah acak X
1
, X
2
, X
3
, . . . , X
n
, yaitu:
f x
i
= f
n
x x
x ,...,
,
2 1
=
1
e x
1
i
i
x
1 2
1 1
2 1
1 2
1
,..., ,
1 ...
,..., ,
1 ,...,
, 1
2 1
n x
n x
n x
x x
x e
x x
x e
x x
x e
n
=
n i
1
1
e
n i
i
x
1
1 2
1
,..., ,
n
x x
x 3.1
Langkah II
: Membentuk fungsi padat peluang 3.1 kedalam model Lx| α, β yang
dinamakan dengan fungsi likelihood. Sehingga fungsi likelihood dari fungsi padat peluang 3.1 adalah:
L
,
|
i
x = L
,
|
i
x f
=
1
e
1
x
1 2
1
,..., ,
n
x x
x
1
e
2
x
1 2
1
,..., ,
n
x x
x ….
1
e
n
x
1 2
1
,..., ,
n
x x
x
=
n
1
n
x x
x
e
...
2 1
n n
x x
x
1 2
1
,..., ,
=
n
1
e
n i
i
x
1
n n
x x
x
1 2
1
,..., ,
3.2
Langkah III
: Membentuk fungsi likelihood 3.2 kedalam model Ln Lx| α, βyang
dinamakan dengan fungsi maksimum likelihood log likelihood. Sehingga fungsi maksimum likelihood dari fungsi likelihood 3.2 dapat diperoleh:
Universitas Sumatera Utara
L
,
|
i
x = ln L
,
|
i
x
= ln
n n
x n
x x
x e
n i
i
1 2
1
,..., ,
1
1
= ln
n
e
n i
i
x
1
n n
x x
x
1 2
1
,..., ,
= -n ln
e
n i
i
x
1
n n
x x
x
1 2
1
,..., ,
= -n ln
e
n i
i
x
1
n n
n
x x
x
,..., ,
2 1
= -n ln
-
n
i i
x
1
+
n n
i
x ln
= -n ln
- n ln
-
n
i i
x
1
+
n n
i
x ln
=-n ln
- n ln
-
n
i i
x
1
+ n
i
x ln
- n
i
x ln
3.3
Langkah IV
: Memaksimumkan fungsi maksimum likelihood 3.3 dengan menurunkan fungsi maksimum likelihood 3.3 terhadap parameter yang
mengikutinya yakni α dan β, dan menyamakan dengan 0.
Pada distribusi gamma ini mempunyai dua parameter yang tidak diketahui yakni α dan β. Sehingga untuk nilai α dan β dapat dicari dengan mendiferensialkan
persamaan 3.3 terhadap parameter yang mengikutinya yakni:
ln L
,
|
i
x = 0 dan
ln L
,
|
i
x 3.4
Universitas Sumatera Utara
1. Diturunkan terhadap .
ln L
,
|
i
x = 0
i
n i
i
x n
n x
n n
ln ln
ln
1
= 0
i
i n
i i
x n
x n
x n
n ln
ln ln
ln
1
= 0
-n
ˆ
1
ln ˆ
ln ˆ
1
n
i i
x n
o n
-n
ˆ
1
n i
i
x n
n
1
ln ˆ
ln ˆ
= 0
ln ˆ
ln ˆ
ˆ
1
n
i i
x n
3.5
2. Diturunkan terhadap
ln L
,
|
i
x
i
n i
i
x n
n x
n n
ln ln
ln
1
= 0
Universitas Sumatera Utara
i
i n
i i
x n
x n
x n
n ln
ln ln
ln
1
= 0
ˆ ˆ
1 ˆ
2 1
n i
i
x n
ˆ ˆ
1 ˆ
2 1
n i
i
x n
ˆ 1
ˆ 1
ˆ
2 1
n i
i
x n
3.6
Langkah V
: Menentukan estimasi
ˆ ˆ
dari pada fungsi padat peluang distribusi
gamma. Dari persamaan 3.6, dapat diperoleh suatu estimasi
:
ˆ 1
ˆ 1
ˆ
2 1
n i
i
x n
ˆ ˆ
1 ˆ
1 ˆ
2 2
1
n i
i
x n
2
ˆ
ˆ ˆ
ˆ 1
ˆ
2 2
1
n i
i
x n
ˆ ˆ
1
n
i i
x n
ˆ ˆ
1
n x
n i
i
ˆ
ˆ
1
n x
n i
i
Universitas Sumatera Utara
Karena = EX =
n x
n i
i
1
Maka EX =
ˆ ˆ
Sehingga estimasi dari dengan menggunakan metode Maksimum
Likelihood adalah:
ˆ ˆ
Untuk nilai
ˆ
adalah : E
X =
ˆ ˆ
ˆ ˆ
X E
3.7
Untuk mengetahui bahwa nilai dari suatu
ˆ itu diharapkan sama atau sama dengan
, begitu juga nilai
ˆ
dengan , maka dapat dibuktikan dengan
mensubtitusikan persamaan 3.7 ke dalam persamaan 3.5 yang penyelesaiannya dilakukan secara numerik.
ln ln
1
n
i i
x n
n
n + n ln
ˆ X
E
ln
1
n
i i
x
n
1
n + n
n 1
ln
ˆ X
E
n
1
ln
1
n
i i
x
n
n
+
n n
ln
ˆ X
E
n
1
ln
1
n
i i
x
+ln
ˆ X
E
n
1
ln
1
n
i i
x
+ln
ˆ X
E n
1
ln ...
ln ln
2 1
n
x x
x
+ln
ˆ X
E n
1
,..., ,
ln
2 1
n
x x
x
+ln
1
ˆ
X E
n 1
,..., ,
ln
2 1
n
x x
x
Universitas Sumatera Utara
+ ln
ˆ
ln X
E
n 1
,..., ,
ln
2 1
n
x x
x
+ ln
ˆ
ln X
E
,..., ,
ln
1 2
1
n n
x x
x
ˆ
ln
+ln
X
E
,..., ,
ln
1 2
1
n n
x x
x
X E
x x
x
n 40
1 2
1
,.., ,
ln ˆ
ln
=ln
ˆ ln
X E
x x
x
n 40
1 2
1
,.., ,
Karena
=
1
1 1
n n
C
Dimana C adalah konstanta Euler yang bernilai 0.5772156649 dan dimisalkan
bahwa n = 40, maka dapat diketahui:
n
n n
i
X E
x x
x n
n C
1 2
1 1
,... ,
ln ˆ
ln 1
1 1
9 5577215664
,
n
n n
i
X E
x x
x n
n
1 2
1 1
,... ,
ln ˆ
ln 1
1 1
3.8 Dari persamaan 3.8 tersebut dapat diperoleh secara numerik suatu nilai
ˆ
dan
ˆ ˆ
X E
dengan menggunakan suatu aplikasi data umur baterai mobil yang telah ditentukan.
Untuk mendapatkan estimasi yang baik, maka untuk hasil estimasi parameter diatas harus memenuhi sifat unbias, konsisten dan efisien.
Universitas Sumatera Utara
1. Unbias takbias
Suatu penaksir dikatakan unbias takbias dari a dan b, dimana
n
X X
X ,...,
,
2 1
suatu peubah acak bebas mengikuti distribusi gamma dengan parameter dan
tidak diketahui, jika EX =
ˆ ˆ
. Jika peubah acak Xi berdistribusi gamma, maka fungsi fx adalah:
x
e x
x f
1
1
dx x
f x
X E
x r
r
=
dx e
x x
x r
1
1
=
dx e
x x
x r
r
1
1
Misalkan
1
x y
, sehingga
r
X E
=
y r
e y
1
1
dy
=
y r
r
e y
1 1
1
dy
=
y r
r
e y
1 1
dy
=
y r
r
e y
1 1
1
dy
=
y r
r
e y
1 1
1
dy
=
y r
r
e y
1 1
1
dy
=
y r
r
e y
1 1
1
dy
Universitas Sumatera Utara
=
y r
r
e y
1
=
y r
r
e y
1
=
r
r
=
r
r
Ambil r =1, maka:
X
E
1
=
1
=
1 1
=
=
3.9 Dari pembuktian 3.9 diketahui bahwa
ˆ ˆ
Jadi,
ˆ ˆ
merupakan penduga tak bias bagi
Jika r =2, maka:
2
X E
=
2
2
=
1 1
2
=
1 1
1 1
2
=
1 1
1 1
1 1
1
2
=
1 2
1 1
2
Universitas Sumatera Utara
=
1 1
1
2
=
1
2
=
2 2
=
2 2
2
3.10
Karena Var X =
2 2
ˆ ˆ
, maka :
2 2
2
X E
X E
X Var
=
2
2 2
2
=
2
2 2
2 2
=
2
2 2
2 2
=
2
Dari pembuktian tersebut, diketahui bahwa
2
ˆ ˆ
2
Jadi,
2
ˆ ˆ
merupakan penduga takbias bagi
2
2. Efisien
Suatu penaksir dikatakan efisien apabila penduga tersebut mempunyai variansi yang kecil. Dengan menggunakan rumus efisiensi relatif, maka dapat diketahui:
R =
2 2
2 2
2 1
2 1
X E
X E
X E
X E
=
2 2
2 2
1 1
X E
X E
X E
X E
=
2 1
X Var
X Var
=
2 2
1 2
ˆ ˆ
ˆ ˆ
Jika R 1, Maka :
1 2
2 2
ˆ ˆ
ˆ ˆ
3.11
Universitas Sumatera Utara
Sehingga VarX
2
=
2 2
ˆ ˆ
secara relatif lebih efisien daripada VarX
1
=
1 2
ˆ ˆ
3.
Konsisten selaras Suatu penduga dikatakan konsisten adalah jika
ˆ
2
E E
untuk n
Sehingga untuk peubah acak
n
X X
X ,...,
,
2 1
dengan parameter dan yang tidak
diketahui dapat dituliskan :
ˆ ˆ
2
E E
untuk n
Karena nilai ekspektasi
ˆ ˆ
E
merupakan ekspektasi sama dengan , maka dapat
diperoleh :
ˆ
ˆ E
Dimana nilai
2
ˆ ˆ
E E
itu akan mendekati nol untuk n
, sehingga dapat dituliskan dengan :
2
ˆ ˆ
lim
E E
n
= 0 3.12
Karena
2
ˆ ˆ
lim
E E
n
= 0, maka
2
ˆ ˆ
merupakan penduga yang konsisten.
Dari persamaan 3.9, 3.10, 3.11 dan 3.12 dapat diketahui bahwa
X E
merupakan penduga bagi parameter
dan karena memiliki sifat takbias, efisien
dan konsisten pada Metode Maksimum Likelihood.
Universitas Sumatera Utara
3.2 Contoh Kasus