Method of Moments for Estimating Uncertainty

Distributions







Disusun Oleh :
Ade Rhinaldy 121100106



Dosen :
Dra. Farida Agustini W.,MS.

Institut Teknologi Sepuluh Nopember
Surabaya
2014

KATA PENGANTAR

Puji syukur penulis panjatkan kehadirat Allah SWT yang telah memberikan rahmat serta
karunia-Nya kepada penulis sehingga berhasil menyelesaikan makalah yang berjudul Method of
Moments for Estimating Uncertainty Distributions.
Makalah ini, berisikan tentang informasi mengenai Teori Ketidakpastian, Statistik yang
tidak pasti, Metode Momen Estimasi (MME), Metode Numerik. Penulis menyadari bahwa
makalah ini masih jauh dari sempurna, Oleh karena itu kritik dan saran dari semua pihak yang
bersifat membangun selalu kami harapkan demi kesempurnaan makalah ini untuk kedepannya.
Akhir kata, Penulis juga mengucapkan terimakasih kepada dosen mata kuliah
Matematika Statistika II ibu Dra. Farida Agustini W.,MS yang telah memberikan tugas ini,
sehingga penulis bertambah wawasannya tentang statistika. Penulis juga menyampaikan terima
kasih kepada semua pihak yang telah berperan serta dalam penyusunan makalah ini dari awal
sampai akhir. Semoga Allah SWT senantiasa meridhoi segala usaha kita.



Surabaya, 1 Januari 2014

Penulis





BAB 1
Pendahuluan
1.1 Latar Belakang
Teori probabilitas merupakan cabang matematika yang bersangkutan dengan analisis
fenomena acak. Distribusi probabilitas menggambarkan rentang dari nilai yang mungkin dan
probabilitas dari variabel acak. Dalam hal menentukan distribusi probabilitas, statistik acak
(yaitu, matematika statistik klasik) diusulkan sebagai metodologi untuk mengumpulkan dan
menginterpretasikan data uji dengan informasi korelatif dalam sistem oleh teori probabilitas. Di
sisi lain, teori himpunan fuzzy melalui fungsi keanggotaan adalah model matematis dari data
kualitatif atau kualitatif samar-samar, sering dihasilkan dengan menggunakan bahasa alami.
Dalam rangka untuk menentukan fungsi keanggotaan, statistik fuzzy disajikan termasuk estimasi
titik fuzzy oleh pendekatan fuzzy mengambil keputusan. Estimasi titik fuzzy didasarkan pada
gagasan sistem informasi fuzzy, interval estimasi fuzzy, pengujian hipotesis fuzzy didasarkan
pada model yang diwakili oleh peristiwa fuzzy, regresi Fuzzy, statistik Bayesian fuzzy dari
pengukuran probabilitas fuzzy. Aturan keputusan Bayes-Fuzzy.
Namun, banyak survei menunjukkan bahwa beberapa informasi dan pengetahuan
diwakili dengan bahasa yang sudah biasa digunakan oleh manusia seperti, sekitar 100
km,kira-kira 60 km Di dalam kehidupan sehari-hari, kita sering menemukan permasalahan
perbedaan persepsi pada setiap orang. Misalnya, kita membuat segelas teh manis untuk
seseorang. Bagi kita segelas teh manis itu sudah manis, namun bagi orang tersebut belum tentu
teh tersebut terasa pas dilidahnya. Bisa saja terlalu manis atau malah kurang manis. Kejadian
seperti ini merupakan salah satu contoh permasalahan cabang ilmu matematika, yaitu teori
ketidakpastian (sistem fuzzy).
Salah satu isu penting dalam teori ketidakpastian adalah bagaimana menentukan
distribusi ketidakpastian variable. Untuk menjawab pertanyaan ini kita menggunakan
ketidakpastian statistik dan untuk mengumpulkan dan menafsirkan data eksperimen yang rumit
menggunakan metodologi teori ketidakpastian.
Berdasarkan data eksperimen dan distribusi ketidakpastian empiris, saat sampel k
didefinisikan dalam makalah ini. Dan kemudian, sebuah metode momen untuk memperkirakan
parameter yang tidak diketahui distribusi ketidakpastian diusulkan. Sisa dari makalah ini
diorganisasikan sebagai berikut. Bagian berikutnya dimaksudkan untuk memperkenalkan
beberapa konsep dalam teori ketidakpastian seperti yang diperlukan. Beberapa konsep dasar
statistik diperkenalkan dalam Bagian 3. metode momen digunakan untuk memperkirakan
parameter yang akan dibahas dalam bagian 4. Sebuah metode numerik untuk menemukan
estimasi parameter yang tidak diketahui saat ini dibahas dalam Pasal 5. Akhirnya, kesimpulan
yang diambil dalam bagian 6.

1.2 Rumusan Masalah
Rumusan masalah dari makalah ini adalah sebagai berikut :
Bagaimana cara menemukan estimasi suatu parameter yang tidak pasti dengan
metode moment estimator (MME).
Bagaimana cara mendesain sebuah metode numeric untuk menemukan estimasi suatu
parameter yang tidak pasti dengan metode momen estimator (MME).

1.3 Tujuan
Tujuan dari makalah ini adalah sebgai berikut
Untuk mengetahui estimasi suatu parameter yang tidak pasti dengan metode moment
estimator (MME).
Mendesain sebuah metode numeric untuk menemukan estimasi suatu parameter yang
tidak parameter dengan metode momen estimator (MME).











BAB II
PEMBAHASAN

2.1 Teori Ketidakpastian
Pada makalah ini, kita akan membahas sebuah cara untuk mengestimasi suatu distribusi
dimana pada distribusi tersebut parameternya tidak pasti. Prameter yang tidak pasti tersebut bisa
didekati dengan suatu teori pada matematika yaitu teori ketidakpastian atau yang biasa dikenal
dengan teori fuzzy. Untuk ntuk memenuhi distribusi ketidakpastian maka kita memerlukan
ukuran yang tidak pasti, variable ketidakpastian, ketidakpastian momen.
Diberikan adalah sebuah himpunan tak kosong, dan adalah sebuah aljabar yang
lebih dari . Setiap adalah sebuah kejadian. Sebuah nilai mengindikasikan
banyaknya yang akan terjadi. Ukuran ketidakpastian merupakan kumpulan fungsi yang
memenuhi lima aksioma dibawah ini (Liu [9]):
Axiom 1.

Axiom 2. {

.

Axiom 3. {} {

}

Axiom 4. Untuk setiap urutan dari kejadian {

}, kita memiliki
{

} {

Axiom 5. Diberikan k adalah himpunan tak kosong yang mana k adalah ukuran
ketidakpastian, k = 1,2,,n, masing-masing. Lalu hasil ukuran ketidakpastian merupakan
sebuah ukuran ketidakpastian pada hasil

ditunjukkan oleh
{

}
Dimana

Konsep dari variable ketidakpastian telah dikenalkan oleh Liu [9] sebagai sebuah fungsi
terukur dari sebuah ruang ketidakpastian (, ) untuk himpunan bilangan real. Operator nilai
yang diharapkan dari variabel yang tidak pasti didefinisikan oleh Liu [9] sebagai
[] { } { }

Terdapat setidaknya satu dari dua integral terbatas. Momen kth dari sebuah varibel
ketidakpastian didefinisikan oleh [] dimana k adalah sebuah integer positif.
Untuk fungsi { } merupakan distribusi ketidakpastian dari
variable ketidakpastian Peng dan Iwamura [19] menyajikan suatu kondisi yang cukup dan
diperlukan distribusi ketidakpastian bahwa fungsi [] adalah sebuah distribusi
ketidakpastian jika dan hanya jika itu adalah peningkatan fungsi kecuali,
. Apalagi, jika fungsi inverse ,

tersedia dan khusus untuk setiap lalu

disebut regular, dan fungsi invers

disebut invers distribusi ketidakpastian dari .

2.2 Statistik yang tidak pasti
Statistik yang tidak pasti didasarkan pada data eksperimen yang rumit dan juga sejarah
dari data. Lalu bagaimana caranya untuk memperoleh data eksperimen yang rumit. Liu [15]
merancang kuesioner untuk mengumpulkan data eksperimen yang rumit. Artinya, kami
mengundang satu atau lebih pakar domain yang diminta untuk menyelesaikan kuesioner tentang
arti variabel menentu seperti "sekitar 1000km".
Diberikan adalah data eksperimen dengan kondisi
tertentu.
(1)
Berdasarkan data diatas, Liu[15] memberikan distribusi ketidakpastian empiris berikut ini.

(2)


Asumsikan bahwa distribusi ketidakpastian yang akan ditentukan memiliki bentuk
fungsional yang diketahui dengan satu atau banyak parameter diketahui seperti

dimana

adalah parameter yang diketahui. Bagaimana

memperkirakan parameter yang tidak diketahui? Liu [15] memberikan prinsip kuadrat terkecil
yang mengatakan bahwa parameter yang tidak diketahui

adalah penyelesaian
dari masalah minimisasi,



Diberikan merupakan variabel yang tidak pasti dengan distribusi ketidakpastian

dimana

adalah parameter yang tidak diketahui. Apabila

distribusi ketidakpastian

adalah regular, maka

merupakan invers
distribusi ketidakpastian . Diasumsikan bahwa kita memiliki beberapa data percobaan
yang memenuhi
kondisi (1). Lalu untuk semua

, kita memiliki {

Ini
menunjukkan bahwa prinsip kuadrat terkecil dapat diubah menjadi bentuk berikut.

Dimana parameter yang tidak diketahui.

adalah penyelesaian dari masalah

minimisasi.
Jika invers distribusi ketidakpastian dari variable sederhana dan mudah untuk
menghitung, kita harus memecahkan masalah optimisasi (4) bukan masalah optimisasi (3) untuk
memperkirakan parameter yang tidak diketahui. Contohnya, diberikan

merupakan data eksperimen, dan variabel ketidakpastian

ditentukan sebuah variabel tidak pasti normal, yang memiliki ketidakpastian berikut distribusi.


Dimana adalah dua parameter yang tidak diketahui. Invers distribusi ketidakpastian dari
normal ketidakpastian variable.

Dengan memecahkan masalah optimasi (4) , akan mudah untuk memperoleh nilai estimasi
berikut.

dan

dimana

2.3 Metode Momen Estimasi (MME)
Pada sub bab ini, metode momen yang didasarkan pada data eksperimen diusulkan untuk
mengestimasi parameter yang tidak diketahui. Pertama, kami menyajikan momen kth dari
distribusi ketidakpastian empiris (2), yang merupakan distribusi ketidakpastian beberapa variabel
yang tidak pasti .
(

) yang akan mengikuti kondisi di bawah ini

(5)
Lalu untuk setiap bilangan positif integer k, variable ketidakpastian dengan distribusi
ketidakpastian empiris (2) memiliki momen kth
[

(6)
Bukti : untuk

dengan persamaan (2), kita memiliki

Teorema terbukti.
Definisi 1. Diberikan adalah sebuah variable tidak pasti. Untuk setiap bilangan positif k, jika
momen kth dari tersedia, maka [

] disebut teori kth momen dari .

Definisi 2. Diberikan

adalah data eksperimen yang memenuhi

kondisi (5). Untuk setiap bilangan positif intejer k.


Disebut momen sampel kth.
Kedua, kami memperkenalkan metode momen untuk memperkirakan parameter yang
tidak diketahui, deskripsi dari metode ini disajikan sebagai berikut.
Metode Momen : Diberikan adalah sebuah variable tidak pasti dengan distribusi
ketidakpastian

dimana

adalah parameter yang tidak diketahui.

Diberikan

adalah data eksperimen yang memenuhi kondisi (5).

Diberikan [

merupakan teori kth dan sampel momen kth masing-

masing. Sebagai prosedur umum untuk memperkirakan parameter yang tidak diketahui

sebuah sistem dari persamaan ditampilkan.

[

(8)
Untuk [

( (

))

, sistem dari fungsi diatas ekuivalen

terhadap bentuk di bawah ini


Sebuah penyelesaian dari persamaan,

, disebut estimasi momen. Kami

menunjukkan nilai estimasi dengan

masing-masing.
Contoh 1. Asumsikan

adalah data dari eksperimen yang memenuhi kondisi

(5) dan distribusi ketidakpastian dari variable ketidakpastian memiliki sebuah bentuk fungsi
dengan satu parameter yang tidak diketahui

(10)
Dari persamaan (8), estimasi nilai dari parameter yang tidak diketahui a adalah penyelesaian dari
persamaan
[

Dimana didefinisikan dengan persamaan (7). Untuk [

, kita memiliki


Oleh karena itu kita memperoleh nilai estimasi parameter yang tidak diketahui


Asumsikan bahwa data percobaan diperoleh sebagai berikut:

Dengan persamaan (12), kita memiliki nilai perkiraan momen

Dan distribusi estimasi momen adalah

Contoh 2. Diberikan adalah sebuah variable tidak pasti dengan distribusi ketidakpastian
(13)
dimana a,b, adalah 2 parameter tidak diketahui. Asumsikan (

), i = 1,2, ,n adalah data

eksperimen yang memenuhi kondisi (5). Dari persamaan (8), kita akan memecahkan system
persamaan berikut.

Dimana

didefinisikan dengan persamaan (7) dan invers distribusi ketidakpastiaan adalah

kita memiliki

dan

Dengan demikian kita memiliki sistem persamaan

Maka solusi yang khas dari persamaan di atas



adalah nilai estimasi saat parameter yang tidak diketahui a dan b, dan estimasi distribusi momen
adalah

Asumsikan bahwa kita memiliki data eksperimen seperti di bawah ini,

Dari persamaan (7) dan (14), kita memiliki nilai estimasi momen

dan estimasi distribusi momen adalah

2.4 Metode Numerik
Pada bagian ini, kami memperkenalkan metode Newton untuk memperkirakan nilai
estimasi momen. Sebuah algoritma umum diusulkan untuk memecahkan masalah estimasi
parameter sebagai berikut.
Asumsikan

), i = 1,2, ,n adalah data eksperimen yang memenuhi kondisi (5)

dan (

) adalah distribusi ketidakpastian dari variable yang tidak pasti dengan

parameter yang tidak diketahui

. Metode numeri untuk memecahkan persamaan (8),

[

Dimana

adalah sampel momen, yang mana konstanta tersebut dihitung dengan

persamaan (7).
Ditunjukkan sebuah fungsi

Dimana


Persamaan (8) ekuivalen terhadap

= 0.
Jika fungsi F adalah terdiferensial dan matriks Jacobian dari F mudah dihitung, prosedur
dapat diringkas sebagai berikut.
Langkah 1. Perkirakan momen sampel kth dengan persamaan (7),
Langkah 2. Berikan nilai awal parameter

)
Langkah 3. Hitung matriks yang berlawanan

dari matriks Jacobian

,

dimana






Integral dalam persamaan dapat dihitung dengan beberapa metode numerik.
Langkah 4. Hitung

oleh persamaan berikut,

(16)
Langkah 5. Ulang langkah ketiga untuk langkah kelima ketika |

| dan k < M,
dimana dan M adalah bilangan positif.
Langkah 6. Tampilkan

sebagai penyelesaian, jika |

|
Catatan 1. Jika distribusi (

) adalah turunan kontinu dari parameter, maka kita

memiliki


Catatan 2. Jika fungsi F tidak terdiferensiabel atau matriks Jacobian sulit untuk dihitung, kita
bisa menghitung

atau

diberikan bilangan positif kecil.

Contoh 3. Asumsikan bahwa distribusi ketidakpastian memiliki bentuk lognormal dengan dua
parameter yang tidak diketahui adalah


Dan datanya adalah
(0.6, 0.1), (1.0, 0.3), (1.5, 0.4), (2.0, 0.6), (2,8. 0.8), (3.6, 0.9).
Kita memiliki

Dan



Dimana | (

) Semua integral dihitung dengan menggunakan formula

Simpson, dan nilai inisial adalah (0.6,0.5).


Dalam menjalankan algoritma akan ditunjukkan penyelesaian aproksimasi dari persaman
0adalah =0.50 dan yang mengarah ke estimasi distribusi momen.






















BAB III
PENUTUP
3.1 Simpulan
Statistik yang tidak pasti adalah suatu metodologi untuk mengumpulkan dan menafsirkan
data eksperimen dengan menggunakan teori ketidakpastian. Metode momen dalam makalah ini
adalah cara baru untuk memperkirakan parameter yang tidak diketahui dalam distribusi
ketidakpastian. Berdasarkan uraian diatas dapat disimpulkan bahwa :
(1). Ukuran ketidakpastian merupakan kumpulan fungsi yang memenuhi lima aksioma
dibawah ini (Liu [9]):
Aksioma 1.
Aksioma 2. {

.
Aksioma 3. {} {

}
Aksioma 4. Untuk setiap urutan dari kejadian {

}, kita memiliki
{

} {

Aksioma 5. Diberikan k adalah himpunan tak kosong yang mana k adalah ukuran
ketidakpastian, k = 1,2,,n, masing-masing. Lalu hasil ukuran ketidakpastian
merupakan sebuah ukuran ketidakpastian pada hasil

ditunjukkan oleh
{

}
Dimana

(2). Statistik yang tidak pasti didasarkan pada data eksperimen yang rumit dan juga sejarah
dari data.Untuk fungsi { } merupakan distribusi ketidakpastian
dari variable ketidakpastian dan berikut adalah distribusi ketidakpastian empiris.




Jika fungsi inverse ,

tersedia dan khusus untuk setiap lalu disebut

regular, dan fungsi invers

disebut invers distribusi ketidakpastian dari .

(3) Metode Momen Estimasi(MME) yang didasarkan pada data eksperimen diusulkan untuk
mengestimasi parameter yang tidak diketahui.
Definisi 1. Diberikan adalah sebuah variable tidak pasti. Untuk setiap bilangan positif
k, jika momen kth dari tersedia, maka [

] disebut teori kth momen dari .

Definisi 2. Diberikan

adalah data eksperimen yang

memenuhi kondisi (5). Untuk setiap bilangan positif intejer k.

Disebut momen sampel kth.
Sebagai prosedur umum untuk memperkirakan parameter yang tidak diketahui

sebuah sistem dari persamaan ditampilkan.

[

Untuk [

( (

))

, sistem dari fungsi diatas

ekuivalen terhadap bentuk di bawah ini


(4) Memperkenalkan metode Newton untuk memperkirakan nilai estimasi momen. Sebuah
algoritma umum diusulkan untuk memecahkan masalah estimasi parameter.





REFERENSI
[1] Buckley J., Fuzzy decision making with data: applications to statistics, Fuzzy Sets and
Systems, Vol.16,No.2, pp.139-147, 1985.
[2] Casals M., Gil M., Gil P., The fuzzy decision problem: An approach to the problem of testing
statistical hypotheses with fuzzy information, European Journal of Operational Research,
Vol.27, pp.371-382, 1986.
[3] Gao X., Some properties of continuous uncertain measure, International Journal of
Uncertainty, Fuzziness and Knowledge-Based Systems, Vol.17, No.3, pp.419-426, 2009.
[4] Gao X., Gao Y., Ralescu D., On Liu's inference rule for uncertain systems, International
Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, Vol.18, No.1, pp.1-11,
2010.
[5] Corral N., Gil M., A note on interval estimation with fuzzy data, Fuzzy Sets and Systems,
Vol.28, No.2,pp.209-215, 1988.
[6] Gil M., Fuzziness and loss of information in statistical problems, IEEE Transactions on
Systems Man and Cybernetics, Vol.17, pp.1012-1025, 1987.
[7] Gil M., Corral N., Gil P., The fuzzy decision problem: an approach to the point estimation
problem with fuzzy information, European Journal of Operational Research, Vol.22, pp.26-
34, 1985.
[8] Li X., Liu B., Hybrid logic and uncertain logic, Journal of Uncertain Systems, Vol.3, No.2,
pp.83-94, 2009.
[9] Liu B., Uncertainty Theory, 2nd ed, Springer-Verlag, Berlin, 2007.
[10] Liu B., Fuzzy process, hybrid process and uncertain process, Journal of Uncertain Systems,
Vol.2, No.1,pp.3-16, 2008.
[11] Liu B., Theory and Practice of Uncertain Programming, 2nd ed, Springer-Verlag, Berlin,
2009.
[12] Liu B., Some research problems in uncertainty theory, Journal of Uncertain Systems, Vol.3,
No.1, pp.3-10,2009.
[13] Liu B., Uncertain set theory and uncertain inference rule with application to uncertain
control, Journal of Uncertain Systems, Vol.4, No.2, pp.83-98, 2010.
[14] Liu B., Uncertain risk analysis and uncertain reliability analysis, Journal of Uncertain
Systems, Vol.4, No.3,pp.163-170, 2010.
[15] Liu B., Uncertainty Theory: A Branch of Mathematics for Modeling Human Uncertainty,
Springer-Verlag, Berlin, 2010.
[16] Liu W., Xu J, Some properties on expected value operator for uncertain variables,
Information: An Intertnational Interdisciplinary Journal, Vol.13, 2010.
[17] Liu Y., Ha M., Expected value of function of uncertain variables, Journal of Uncertainty
Systems, Vol.4,No.3, 2010.
[18] Piasecki K., On the Bayes formula for fuzzy probability measures, Fuzzy Sets and Systems,
Vol.18, No.2,pp.183-185, 1986.
[19] Peng Z., Iwamura K., A suicient and necessary condition of uncertainty distribution,
Journal of Interdisciplinary Mathematics, to be published.
[20] Tanaka H., Uejima S., Asai K., Fuzzy linear regression model, Transactions on Systems
Man and Cybernetics,Vol.10, pp.2933-2938, 1980.
[21] Tanaka H., Uejima S., Asai K., Linear regression analysis with fuzzy model, Transactions
on Systems Man and Cybernetics, Vol.12, pp.903-907, 1982.
[22] Uemura Y., A decision rule on fuzzy events, Japanese Journal Fuzzy Theory and Systems,
Vol.3, pp.291-300,1991.
[23] Zadeh L., Fuzzy sets, Information and Control, Vol.8, pp.338-353, 1965.