Jelajahi eBook
Kategori
Jelajahi Buku audio
Kategori
Jelajahi Majalah
Kategori
Jelajahi Dokumen
Kategori
Jika
.
Contoh 4.1:
Misal bahwa
dan []
. Menggunakan
momen pertama sampel
[]
.
Jadi estimasi dari adalah
.
Contoh 4.2:
Sebuah produsen sistem data wireless menggunakan sinar inframerah yang ditransmisikan
antara perangkat yang dipasang pada bagian luar gedung untuk menyediakan link data
kecepatan tinggi. Ukuran sinar inframerah memiliki efek langsung pada reliabilitas sistem
dan kemampuannya untuk mengurangi efek dari kondisi cuaca seperti salju dan kabut yang
menghalangi jalur sinar tsb. Data ditransmisikan secara kontinyu menggunakan sinar
inframerah dan waktu sampai terjadi kerusakan dalam jam (tidak menerima data yang
ditransmisikan) dicatat sebagai berikut:
47, 81, 127, 183, 188, 221, 253, 311, 323, 360, 489, 496, 511, 725, 772, 880,
1,509, 1,675, 1,806, 2,008, 2,026, 2,040, 2,869, 3,104, 3,205.
Dengan asumsi bahwa waktu kerusakan mengikuti distribusi eksponensial, tentukan
parameter distribusi menggunakan metode momen. Perkirakan reliabilitas sistem saat =
1000 jam. (Perhatikan bahwa data di atas dihasilkan dari sebuah distribusi eksponensial
dengan parameter 1/ = 1000).
Jawab:
Parameter dari distribusi Eksponensial adalah
atau
Ini sangat dekat dengan nilai parameter yang sama yang digunakan dalam menghasilkan
data. Jelas, selama meningkatnya jumlah observasi, parameter yang diestimasi (
) dengan
cepat mendekati parameter dari distribusi waktu kerusakan yang sebenarnya.
Contoh 4.3
Misal
()
Gunakan metode momen untuk mendapatkan estimasi parameter
Jawab:
Sebagaimana yang telah ditunjukkan dalam Bab 1, mean dan varians dari distribusi gamma,
berturut-turut adalah: [] dan ()
] ([])
.
[] diganti dengan estimator
dan [
, diperoleh
dan
.
Penyelesaian dua persamaan di atas secara simultan menghasilkan
)
Contoh 4.4:
Sebuah produsen komputer pribadi melakukan suatu uji burn-in pada 20 monitor komputer
dan mendapatkan (dalam jam) sebagai berikut: 130, 150, 180, 40, 90, 125, 44, 128,
55, 102, 126, 77, 95, 43, 170, 130, 112, 106, 93, 71.
Asumsikan bahwa populasi dari waktu kerusakan yang utama mengikuti distribusi gamma
dengan parameter . Tentukan estimasi parameter- parameter ini!
Jawab:
Mula-mula, tentukan
dan
sebagai berikut:
Selanjutnya, tentukan estimasi parameter-parameternya:
()
()
()
Jadi rata-rata suatu monitor hidup yang diharapkan adalah
jam.
Contoh 4.5:
Gunakan metode momen untuk mengestimasi parameter dan
Momen pertama
Dengan menggunakan transformasi
dan
sebagai berikut:
Jadi estimasi untuk parameter dan
adalah
Metode momen merupakan metode sederhana untuk memperkirakan parameter
distribusi waktu kerusakan yang tersedia yaitu distribusi yang mendasari diketahui.
Kesalahan dalam memperkirakan parameter adalah minimum ketika distri-
busi yang mendasari simetris dengan tidak ada skewness dan ketika waktu kerusakan tidak
tersensor atau terpotong.
Selang Kepercayaan
Setelah penentuan estimasi titik parameter distribusi, selanjutnya menentukan
selang kepercayaan yang mana parameter yang diperkirakan dekat dengan nilai-nilai
sebenarnya dari populasi. Selang kepercayaan untuk parameter adalah
[ ]
di mana LCL adalah batas bawah kepercayaan dan UCL adalah batas atas kepercayaan.
Misalkan sampel random
, atau
memiliki suatu distribusi normal standar. Untuk sembarang nilai dapat
ditemukan suatu nilai
sedemikian sehingga [
]
Atau dapat ditulis
*
+ [
]
[
]
Sehingga diperoleh selang
(
)
membentuk selang kepercayaan dari parameter yang diestimasi untuk dengan koefisien
kepercayaan .
Contoh 4.6:
Pandang waktu kerusakan dari contoh 4.4. Tentukan suatu selang kepercayaan untuk mean
waktu kerusakan dengan koefisien kepercayaan 0,95.
Jawab:
Dari data diperoleh dan adalah estimasi dari standar deviasi .
Karena ukuran sampel kecil (< 30), lebih tepat menggunakan distribusi t daripada
distribusi normal dalam menentukan selang kepercayaan. Jadi selang kepercayaan adalah
dan substitusi s
untuk , didapat
atau
(84,39 , 122,31).
Dengan kata lain, dengan tingkat kepercayaan 95% bahwa mean waktu kerusakan yang
sebenarnya terletak antara 84,39 dan 122,31 jam.
Metode Maksimum Likelihood
Metode kedua dalam estimasi parameter dari suatu distribusi probabilitas
didasarkan pada fungsi likelihood. Misal dipunyai n pengamatan adalah
yang
masing-masing mempunyai suatu pdf (
) (
) (
Jika adalah anggota suatu selang terbuka dan () terdiferensial dan mempunyai suatu nilai
maksimum pada selang tersebut, maka MLE adalah suatu penyelesaian dari persamaan maksimum
likelihood
()
Beberapa nilai dari yang memaksimumkan () juga akan memaksimumkan log likelihood
(), maka untuk perhitungan yang cepat, sebagai bentuk alternatif dari persamaan maksimum
likelihood adalah
()
Contoh 4.7:
Banyak cacat dalam suatu lini produksi ditemukan mengikuti distribusi Poisson dengan
suatu rata-rata yang tidak diketahui. Dua sampel random diambil dan banyaknya unit-unit
yang cacat adalah 10 dan 12. Tentukan estimasi kemungkinan maksimum (MLE) dari ?
Jawab:
Probabilitas yang mempunyai x unit dari suatu distribusi Poisson adalah
()
Probabilitas yang mempunyai 10 dan 12 cacat berturut-turut adalah:
()
()
Fungsi likelihood [( )] adalah perkalian dari () (), yaitu:
( )
( )
( )
Evaluasi dari persamaan di atas untuk nilai-nilai yang berbeda dari dapat disederhanakan
dengan mengambil logaritma dari ( ). Misal
( ) ( )
dan logaritma dari fungsi likelihood adalah
() ( )
Derivatif dari () terhadap adalah
()
Jadi estimasi terbaik dari adalah 22/2=11.
Contoh 4.8:
Anggap bahwa pabrik Integrated Circuits mengambil 3 sampel random dari sekumpulan
yang sama dari ukuran 10, 15 dan 20 unit. Pada pemeriksaan ditemukan bahwa sampel-
sampel ini berturut-turut mempunyai 2, 3 dan 5 yang cacat. Bagaimana estimasi
kemungkinan maksimum (MLE) dari ?
Jawab:
Karena 3 sampel diambil dari sekumpulan produksi yang sama, distribusi probabilitas yang
mendasari mempunyai parameter yang sama Probabilitas 3 hasil adalah:
(
( )
( )
( )
Fungsi likelihood secara sederhana merupakan hasil kali dari 3 probabilitas:
() (
( )
( )
( )
( )
di mana adalah suatu konstan yang meliputi semua suku yang tidak melibatkan .
() ( )
()
Jadi estimasi terbaik dari
adalah 1/5.
MLE dari Distribusi Ekxponensial
Pdf dari distribusi eksponensial dengan parameter adalah ( )
.
Pdf dari n pengamatan
adalah ( )
.
Fungsi likelihood:
(
) (
) (
) (
) (
Logaritma dari fungsi likelihood:
(
Derivatif dari (
) terhadap adalah
(
Jadi estimasi terbaik dari
adalah n/
.
(Hasil MLE dari sama seperti estimasi yang diperoleh menggunakan metode momen).
Contoh 4.9:
Suatu uji reliabilitas dilakukan pada sampel yang terdiri dari 6 komponen elektronik untuk
mengestimasi MTTF. Berikut adalah waktu kerusakan dari komponen-komponen tersebut:
25, 75, 150, 230, 430 dan 700 jam. Bagaimana bentuk laju kerusakan dan tentukan MLE
dari parameter distribusi waktu kerusakan yang mendasari?
Jawab:
MTTF adalah 260 jam dan standar deviasi adalah 232 jam. Karenan mean dan deviasi
standar hampir sama, maka distribusi eksponensial dapat digunakan untuk mewakili
distribusi waktu kerusakan.
Jadi estimasi terbaik dari
adalah
MLE dari Distribusi Rayleigh
Distribusi Rayleigh digunakan untuk merepresentasikan distribusi waktu kerusakan dari
komponen yang menunjukkan laju kerusakan meningkat secara linier. Pdf dari distribusi
Rayleigh adalah
()
di mana adalah parameter dari distribusi Rayleigh.
Fungsi likelihood untuk n pengamatan
adalah
(
) (
) (
) (
di mana
Logaritma dari fungsi likelihood:
(
Derivatif dari (
) terhadap adalah
(
Contoh 4.10:
Waktu kerusakan berikut diamati ketika dilakukan suatu uji reliabilitas: 15, 21, 30, 39, 52
dan 68 jam. Anggap bahwa distribusi Rayleigh dipandang sebagai distribusi yang tepat
untuk merepresentasikan waktu kerusakan ini. Tentukan parameter dari distribusi ini.
Berapa mean dan deviasi standar dari waktu kerusakan?
Jawab:
Parameter dari distribusi Rayleigh adalah
Mean dan deviasi standar dari waktu kerusakan adalah
)
MLE dari Distribusi Normal
Pdf dari pengamatan dari suatu distribusi normal dengan mean dan variansi
yang
tidak diketahui
()
Fungsi likelihood untuk n pengamatan
adalah
(
) (
Logaritma dari fungsi likelihood:
(
Derivatif dari (
) terhadap adalah
(
Derivatif dari (
) terhadap adalah
(
()
[
(
Hasil yang sama sebagaimana diperoleh dengan metode momen.
Contoh 4.11:
Anggap bahwa diterapkan penekanan pada komponen-komponen dan waktu kerusakan
yang sesuai membentuk pasangan pengamatan (
) (
di mana Y adalah variabel random berdistribusi normal dan independen. Gunakan
pendekatan maksimum likelihood untuk mengestimasi parameter dan .
Jawab:
Karena Y berdistribusi normal dan independen, maka log likelihood adalah
[(
) (
)]
Dua suku pertama dari sisi kanan dari persamaan tersebut di atas adalah independen
terhadap dan . Karena itu untuk meminimumkan log likelihood, cukup untuk
meminimumkan suku
(
Ambil derivatif parsial dari terhadap dan dan samakan derivatif dengan nol
mennghasilkan 2 persamaan linier dalam dan Penyelesaian persamaan tersebut adalah:
)
(
di mana
Kadang-kadang dalam menemukan estimator maksimum likelihood (MLE), tidak
diperoleh ekspresi bentuk tertutup untuk estimasi parameter, karena itu perlu menggunakan
metode lain, antara lain seperti: metode gradien likelihood dan metode iteratif Newton.
estimator maksimum likelihood adalah konsisten, efisien dan tak bias. Bias dari estimator
menurun seiring meningkatnya banyaknya pengamatan. Metode tersebut memerlukan
perhitungan yang sederhana untuk distribusi yang mempunyai parameter tunggal tetapi
mungkin memerlukan perhitungan yang panjang untuk distribusi yang mempunyai
parameter dua atau lebih. Lebih lanjut, metode tersebut dapat diaplikasikan untuk data
tersensor maupun data tidak tersensor.
Matriks Informasi dan Matriks Varians Kovarians
Salah satu manfaat utama dari penggunaan estimator maksimum likelihood untuk
mendapatkan parameter distribusi adalah bahwa logaritma dari fungsi likelihood dapat
dimanfaatkan dalam menyususn matriks informasi Fisher (atau matriks Hessian).
Kebalikan (invers) dari hasil matriks dikenal sebagai matriks Varians Kovarians.
Berikut adalah definisi matriks varians kovarians (atau secara sederhana disebut
matriks kovarians). Jika
), dimana
mempunyai k
komponen dan nilai yang sebenarnya, maka matriks kovarians didefinisikan sebagai
[
) (
) (
) (
)
(
) (
) (
) (
) (
)
(
)
]
di mana (
dan
dan (
.
Matriks kovarians ini dapat diperoleh dari matriks informasi.
Ketika ukuran sampel data meningkat, bias MLE menurun, estimator menjadi tak
bias secara asimptotis. Dengan kata lain
Untuk mendapatkan varians dan kovarians asimptotis dari estimator, pertama susun matriks
informasi I, berkenaan likelihood sebagai suatu fungsi variabel random yang diamati dalam
suatu sampel yang diberikan.
Elemen ke ij dari matriks informasi I adalah
( )
+
Matriks invers,
, sehingga
(
Contoh 4.12:
Suatu sampel random
Derivatif parsial dari L terhadap dan adalah
[
(
Dalam rangka menyusun matriks informasi, dari persamaan derivatif kedua dari L ditentukan nilai
harapannya, yaitu
*
Sehingga matriks informasi I disusun sebagai
(
)
Matriks varians dan kovarians,
adalah
(
( ) ( )
( ) ()
) (
)
Contoh 4.13:
Sebuah timbangan pemeriksa adalah sebuah peralatan yang memiliki tiga komponen utama:
skala, pengontrol, dan alat pengalih. Khususnya dalam sistem produksi kecepatan tinggi
seperti yang ditemukan dalam industri makanan kaleng atau industri manufaktur farmasi,
satu atau lebih timbangan pemeriksa biasanya dipasang dalam sistem untuk memastikan
bahwa bobot dari produk berada dalam batas spesifikasi yang dapat diterima. Jika produk
tidak memenuhi spesifikasi, itu dialihkan jauh dari produk diterima. Alat pengalih, menjadi
sistem mekanis, merupakan komponen yang paling rentan terhadap kegagalan. Berikut
waktu kegagalan (dalam minggu) dari alat pengalih yang diamati:
14, 18, 18, 20, 21, 22, 22, 20, 17, 17, 15, 13
Anggap bahwa pengamatan mengikuti suatu distribusi normal dengan mean dan variansi
Matriks varians dan kovarians adalah
) (
)
Jadi variansi adalah 0,700 dan variansi dari adalah 0,350.