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 ,
dimana
adalah penyelesaian
dari masalah minimisasi,
Diberikan merupakan variabel yang tidak pasti dengan distribusi ketidakpastian
dimana
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.
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 .
(
(5)
Lalu untuk setiap bilangan positif integer k, variable ketidakpastian dengan distribusi
ketidakpastian empiris (2) memiliki momen kth
[
(6)
Bukti : untuk
dimana
(8)
Untuk [
( (
))
masing-masing.
Contoh 1. Asumsikan
(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 (
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
Dimana
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
,
dimana
Integral dalam persamaan dapat dihitung dengan beberapa metode numerik.
Langkah 4. Hitung
(16)
Langkah 5. Ulang langkah ketiga untuk langkah kelima ketika |
| dan k < M,
dimana dan M adalah bilangan positif.
Langkah 6. Tampilkan
|
Catatan 1. Jika distribusi (
.
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 ,
Untuk [
( (
))