Metode Moments Perkiraan Distribusi Ketidakpastian
Xiaosheng Wang 1 , 2 , Zixiong Peng 3
1 Fakultas Sains, Jiangsu University, Zhenjiang 212013, Cina 2 College of Science, Hebei University of Engineering, Handan 056038, Cina 3 Departemen Ilmu Matematika, Tsinghua University, Beijing 100084, China wxiaosheng@126.com, pengzx07@mails.tsinghua.edu.cn Abstrak Teori Ketidakpastian adalah cabang matematika untuk pemodelan ketidakpastian manusia, dan tidak pasti Statistik adalah metodologi untuk mengumpulkan dan menafsirkan data ahli eksperimental dengan ketidakpastian teori. Dalam rangka untuk memperkirakan distribusi ketidakpastian melalui data eksperimen ahli ', makalah ini akan menyajikan metode saat dan merancang metode numerik untuk perkiraan saat nd tidak diketahui parameter. Kata kunci: teori ketidakpastian, distribusi ketidakpastian, statistik pasti, perkiraan saat 1 Pendahuluan Teori probabilitas adalah cabang matematika yang bersangkutan dengan analisis fenomena acak. Proba- The distribusi bility menggambarkan rentang nilai yang mungkin dan probabilitas dari variabel acak. Dalam rangka untuk menentukan distribusi probabilitas, statistik acak (yaitu, statistik klasik matematika) 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 dimulai oleh Zadeh [23] adalah model matematis dari data kualitatif atau kualitatif samar-samar, sering dihasilkan oleh berarti bahasa alam. Dalam rangka untuk menentukan fungsi keanggotaan, statistik kabur disajikan termasuk estimasi titik kabur oleh fuzzy pendekatan pengambilan keputusan [1], estimasi titik fuzzy pada gagasan sistem informasi kabur [6], [7], kabur estimasi interval [5], hipotesis kabur pengujian berdasarkan model diwakili oleh peristiwa kabur [2], regresi kabur [20], [21], statistik Bayesian kabur oleh kabur probabilitas mengukur [18], fuzzy-Bayes keputusan aturan [22], dan sebagainya. Namun, banyak survei menunjukkan bahwa beberapa informasi dan pengetahuan diwakili biasanya dengan manusia bahasa seperti \ tentang 1000km ", \ kira-kira 60kg", kecepatan \ tinggi ", dan ukuran \ kecil" adalah keacakan tidak atau ketidakjelasan. Sebagai contoh, diasumsikan bahwa jarak antara Beijing dan Shanghai adalah \ tentang 1 1000km ". Jika \ tentang 1000km" dianggap sebagai sebuah konsep fuzzy, maka kita dapat memperoleh jarak antara Beijing dan Shanghai adalah \ persis 1000km "dengan gelar keyakinan 1 dalam ukuran kemungkinan dengan milik fungsi keanggotaan. Namun, diragukan bahwa tingkat kepercayaan \ persis 1000km "hampir nol. Siapapun akal sehat tidak akan begitu naif untuk mengharapkan bahwa \ persis 1000km "adalah jarak yang benar antara Beijing dan Shanghai. Di sisi lain, \ persis 1000km ", dan \ tidak 1000km" memiliki keyakinan yang sama Gelar baik kemungkinan ukuran atau mengukur kredibilitas. Jadi kita harus menganggap mereka memiliki kemungkinan yang sama \ ". Tampaknya tidak ada yang dapat menerima kesimpulan ini. Paradoks ini menunjukkan bahwa mereka tidak tepat seperti jumlah \ Sekitar 1000km "tidak bisa quanti ed dengan kemungkinan ukuran (atau mengukur kredibilitas) dan kemudian mereka konsep tidak kabur.
Untuk model jenis ini dalam jumlah tepat, teori ketidakpastian didirikan oleh Liu [9] pada tahun 2007 dan re ned oleh Liu [15] pada tahun 2010 dan menjadi salah satu cabang matematika berdasarkan normalitas, monotonicity, self-dualitas, subadditivity dihitung, dan ukuran produk aksioma. Berdasarkan teori ketidakpastian Liu, beberapa pekerjaan teoritis dasar dan penting dari teori ketidakpastian seperti proses pasti [10], pasti kalkulus [12], di menentu persamaan erential [12], logika pasti [8], kesimpulan pasti [13], pasti analisis risiko [14] telah dibentuk. Sementara itu, sebagai aplikasi dari teori ketidakpastian, Liu [11] mengusulkan spektrum pemrograman pasti dan diterapkan pemrograman pasti untuk keandalan sistem desain, masalah lokasi fasilitas, routing masalah kendaraan, masalah penjadwalan proyek dan sebagainya. Lain referensi yang berkaitan dengan teori ketidakpastian adalah Gao [3], Gao, Gao dan Ralescu [4], Liu dan Xu [16], Peng dan Iwamura [19], Liu dan Ha [17]. Saat ini, teori ketidakpastian baik dikembangkan pada kedua teori bagian dan bagian praktek. Untuk menjelajahi perkembangan terakhir teori ketidakpastian, para pembaca dapat berkonsultasi buku [15]. Salah satu isu penting dalam teori ketidakpastian adalah bagaimana menentukan distribusi ketidakpastian tidak pasti variabel. Untuk menjawab pertanyaan ini, statistik yang pasti rstly disajikan oleh Liu [15] pada tahun 2010, dan metodologi untuk mengumpulkan dan menafsirkan ahli data eksperimen oleh teori ketidakpastian. Di statistik pasti, Liu [15] menyarankan distribusi ketidakpastian empiris dan mengusulkan prinsip kuadrat terkecil sebagai metode untuk memperkirakan parameter yang tidak diketahui berdasarkan ahli eksperimental data. Berdasarkan data eksperimen ahli 'dan distribusi ketidakpastian empiris, yang k th sampel mo- ment adalah de ned dalam makalah ini. Dan kemudian, sebuah metode momen untuk memperkirakan parameter yang tidak diketahui ketidakpastian distribusi diusulkan. Sisa dari makalah ini diorganisasikan sebagai berikut. Selanjutnya Bagian ini dimaksudkan untuk memperkenalkan beberapa konsep dalam teori ketidakpastian seperti yang diperlukan. Beberapa dasar konsep statistik pasti diperkenalkan dalam Bagian 3. metode momen pasti untuk memperkirakan parameter diusulkan dalam Pasal 4. Sebuah metode numerik untuk nd estimasi saat diketahui parameter dirancang dalam Pasal 5. Akhirnya, kesimpulan yang diambil dalam Pasal 6. 2 2 Pendahuluan Pada bagian ini, kami akan memperkenalkan beberapa berguna de nitions tentang ukuran pasti, variabel yang tidak pasti, saat-saat tidak menentu dan sebagainya. Mari menjadi set tidak kosong, dan L menjadi -aljabar lebih . Setiap elemen 2 L disebut sebuah acara. Sejumlah M () menunjukkan tingkat yang akan terjadi. Uncertain ukuran M diperkenalkan sebagai satu set fungsi memenuhi empat aksioma berikut (Liu [9]): . Aksioma 1 M f g = 1 : Aksioma 2. M f 1 g M f 2 g setiap kali 1 2 . Aksioma 3. M f g + M f c g = 1 untuk setiap acara . Aksioma 4. Untuk setiap urutan dihitung peristiwa f i g , kita memiliki M ( 1 [ i = 1 i )
1 X i = 1 M f i g : Liu [12] disajikan aksioma ukuran produk dari teori ketidakpastian pada tahun 2009 sebagai berikut. . Aksioma 5 Mari k himpunan tidak kosong di mana M k adalah ukuran pasti, k = 1 , 2 , , n , masing- masing. Kemudian produk pasti ukuran M merupakan ukuran pasti pada produk -aljabar L 1 L 2 L n memuaskan M ( Y n k = 1 k ) = Min 1 k n M k f k g dimana k 2 L k , k = 1 , 2 , ; n . Konsep variabel pasti diperkenalkan oleh Liu [9] sebagai fungsi terukur dari ketidakpastian- ruang tian ( , L , M ) ke set dari bilangan real. Operator nilai yang diharapkan dari variabel tidak pasti adalah de didefinisikan oleh Liu [9] sebagai E [ ] = Z + 1 0 M f x g dx Z 0 1 M f x g dx asalkan setidaknya salah satu dari dua integral adalah nite. The k th saat variabel menentu adalah de didefinisikan oleh E [ k ], di mana k adalah bilangan bulat positif. Untuk setiap x 2 < , para function ( x ) = M f x g disebut distribusi ketidakpastian of uncertain variabel- mampu , Peng dan Iwamura [19] disajikan su sien dan kondisi yang diperlukan distribusi ketidakpastian bahwa fungsi : <! [0 ; 1] adalah distribusi ketidakpastian jika dan hanya jika itu adalah peningkatan fungsi kecuali ( x ) ' 0 dan ( x ) ' 1. Apalagi jika fungsi invers 1 ( ) ada dan unik untuk setiap 2 (0 , 1), maka ( x ) biasa disebut, dan fungsi invers 1 ( ) disebut ketidakpastian terbalik distribusi . 3 3 Awal Uncertain Statistik Statistik pasti didasarkan pada data eksperimen ahli daripada data historis. Satu pertanyaan adalah bagaimana untuk memperoleh data ahli eksperimen. Liu [15] dirancang survei kuesioner untuk mengumpulkan data eksperimen ahli. Artinya, kami mengundang satu atau lebih pakar domain yang diminta untuk menyelesaikan kuesioner tentang arti variabel menentu seperti \ tentang 1000km "individual. Kami rst meminta pakar domain untuk memilih nilai yang mungkin x bahwa variabel ketidakpastian dapat berlangsung. Dan kemudian, kita menanyainya \ bagaimana mungkin ini kurang dari x ? "Menunjukkan derajat keyakinannya dengan . Dengan demikian kita memperoleh Data ahli eksperimen ( x; ) dari pakar domain. Mengulangi proses di atas, kita memperoleh data eksperimen ahli. Biarkan ( x 1 , 1 ) ; ( x 2 ; 2 ) ; ; ( x n ; n ) menjadi data eksperimen ahli yang memenuhi kondisi berikut x 1 <x 2 < <x n , 0 1 2 n 1 : (1) Berdasarkan data di atas, Liu [15] disajikan distribusi ketidakpastian empiris berikut ( x ) = 8 >>>> < >>>>: 0 , jika x <x 1 i + ( i +1 i ) ( x x i ) x i +1 x i , jika x i x x i +1 ; 1 i <n 1 , jika x> x n : (2) Asumsikan bahwa distribusi ketidakpastian yang akan ditentukan memiliki bentuk fungsional yang dikenal dengan satu atau parameter yang lebih dikenal seperti ( x , 1 , 2 , ; p ) di mana 1 , 2 , ; p adalah parameter yang tidak diketahui. Bagaimana memperkirakan parameter yang tidak diketahui? Liu [15] disajikan prinsip kuadrat terkecil yang mengatakan bahwa parameter yang tidak diketahui i , i = 1 , 2 , ; p adalah solusi dari masalah minimisasi, min 1 ; ; p X n i = 1 ( ( x i , 1 , 2 , ; p ) i ) 2 : (3) Biarkan menjadi variabel yang tidak pasti dengan ketidakpastian distribusi ( x , 1 , 2 , ; p ) di mana 1 , 2 , ; p adalah parameter yang tidak diketahui. Jika distribusi ketidakpastian ( x i , 1 , 2 , ; p ) yang teratur, maka 1 adalah in- ayat distribusi ketidakpastian . Asumsikan bahwa kita memiliki data beberapa ahli eksperimental ( x 1 , 1 ) ; ( x 2 ; 2 ) ; ; ( x n ; n ) yang memenuhi kondisi (1). Kemudian untuk setiap i , kita memiliki M f 1 ( i ) g = i , i = 1 , 2 , ; n . Ini berarti bahwa prinsip kuadrat terkecil dapat diubah menjadi bentuk berikut. min 1 ; ; p X n i = 1 ( 1 ( i , 1 , 2 , ; p ) x i ) 2 (4) di mana parameter yang tidak diketahui i , i = 1 , 2 , ; p adalah solusi dari masalah minimisasi. Jika distribusi ketidakpastian kebalikan dari variabel menentu sederhana dan mudah untuk menghitung, kita harus memecahkan masalah optimasi (4) bukan masalah optimisasi (3) untuk memperkirakan diketahui parameter. Sebagai contoh, mari ( x 1 , 1 ) ; ( x 2 ; 2 ) ; ; ( x n ; n ) menjadi data ahli eksperimental, dan 4 variabel tidak pasti yang akan ditentukan menjadi variabel tidak pasti normal, yang memiliki ketidakpastian berikut distribusi ( x ) =
1 + exp
( e x ) p 3 1 ; X 2 < dimana e dan dua parameter yang tidak diketahui. Distribusi ketidakpastian kebalikan dari yang normal pasti variabel adalah 1 ( ) = e + p 3
ln 1 ; 2 (0 ; 1) : Dengan memecahkan masalah optimisasi (4), mudah untuk mendapatkan nilai-nilai perkiraan berikut ^ e = x ^ p 3 n X ln i 1 i dan ^ = p 3 3 n x P ln i 1 i
P x i ln i 1 i P ln i 1 i ' 2 n P ln i 1 i ' 2 dimana x = ( x 1 + x 2 + + x n ) = n . 4 Metode Moments Pada bagian ini, metode momen berdasarkan data ahli eksperimen diusulkan untuk memperkirakan parameter yang tidak diketahui. Pertama, kami menyajikan k th saat distribusi empiris ketidakpastian (2), yang merupakan distribusi ketidakpastian beberapa variabel yang tidak pasti . Teorema 1. Misalkan ( x i ; i ) ; i = 1 , 2 , ; n menjadi data eksperimen ahli yang memenuhi berikut kondisi- tion 0 x 1 <x 2 < <x n , 0 1 2 n 1 : (5) Kemudian untuk setiap bilangan bulat positif k , variabel ketidakpastian dengan distribusi ketidakpastian empiris (2) memiliki k th saat E [ k ] = 1 x k 1 + 1 k + 1 n X 1 i = 1 X k j = 0 ( i +1 i ) x j i x k j i +1 + (1 n ) x k n : (6) Bukti: Karena 0 x 1 <x 2 < <x n , dengan (2), kita memiliki E
k = Z + 1 0 M
k x
dx = Z + 1 0 kx k 1 M f x g dx = Z + 1 0 kx k 1 (1 M f <x g ) dx = k Z x 1 0 x k 1 (1 M f <x g ) dx + k n X 1 i = 1 Z x i +1 x i x k 1 (1 M f <x g ) dx + k Z + 1 x n x k 1 (1 M f <x g ) dx 5 = k Z x 1 0 x k 1 dx + k n X 1 i = 1 Z x i +1 x i x k 1 (1 M f <x g ) dx = x k 1 + k n X 1 i = 1 Z x i +1 x i x k 1 (1 i ( i +1 i ) ( x x i ) x i +1 x i ) dx = k 1 + 2 k + 1 x k 1 + 1 k + 1 n X 1 i = 1 k X 1 j = 1 ( i +1 i ) x j i x k j i +1 + 1 k + 1 n X 1 i = 2 ( i +1 i 1 ) x k i + (1 1 k + 1 n 1 k k + 1 n ) x k n = 1 x k 1 + 1 k + 1 n X 1 i = 1 X k j = 0 ( i +1 i ) x j i x k j i +1 + (1 n ) x k n : Teorema tersebut terbukti. De Definisi 1. Misalkan menjadi variabel yang tidak pasti. Untuk setiap bilangan bulat positif k , jika k saat th ada, maka E
k
disebut k th saat teoritis . De Definisi 2. Misalkan ( x 1 , 1 ) ; ( x 2 ; 2 ) ; ; ( x n ; n ) menjadi data eksperimen ahli yang memenuhi kondisi (5). Untuk setiap bilangan bulat positif k k = 1 x k 1 + 1 k + 1 n X 1 i = 1 X k j = 0 ( i +1 i ) x j i x k j i +1 + (1 n ) x k n (7) disebut k th saat sampel. Kedua, kami memperkenalkan metode momen untuk memperkirakan parameter yang tidak diketahui, deskripsi dari metode ini disajikan sebagai berikut. Metode Moments: Biarkan menjadi variabel yang tidak pasti dengan distribusi ketidakpastian ( x , 1 , 2 , ; p ) di mana 1 , 2 , ; p adalah parameter yang tidak diketahui. Biarkan ( x 1 , 1 ) ; ( x 2 ; 2 ) ; ; ( x n ; n ) menjadi ahli pengalaman- ment Data kondisi memuaskan (5). Mari E
k
dan k , k = 1 , 2 , ; p menjadi k th teoritis dan k th sampel saat, masing-masing. Sebagai prosedur umum untuk memperkirakan parameter yang tidak diketahui 1 , 2 , ; p , sistem persamaan disajikan, E
k = k , k = 1 , 2 , p: (8) Sejak E
k
= k R + 1 0 x k 1 (1 ( x , 1 , 2 , ; p )) dx , sistem di atas persamaan setara dengan form berikut k Z + 1 0 x k 1 (1 ( x , 1 , 2 , ; p )) dx = k , k = 1 , 2 , p: (9) Sebuah solusi dari persamaan, 1 , 2 , ; p , disebut perkiraan saat. Kami menunjukkan nilai estimasi oleh ^ 1 ; ^ 2 , ; ^ p , masing-masing. . Contoh 1 Asumsikan ( x i ; i ) ; i = 1 , 2 , ; n adalah data ahli eksperimental kondisi memuaskan (5) dan distribusi ketidakpastian variabel menentu memiliki bentuk fungsional dengan satu tidak diketahui parameter a sebagai berikut. ( x , a ) = ax 1 2 , a> 0 : (10) 6 Dengan persamaan (8), nilai estimasi parameter yang tidak diketahui yang merupakan solusi dari persamaan E [ ] = mana adalah de didefinisikan oleh persamaan (7). Karena E [ ] = 1 3 a 2 , kita memiliki 1 3 a 2 = 1 + 2 2 x 1 + n X 1 i = 2 i +1 i 1 2 x i + (1 n 1 + n 2 ) x n : (11) Oleh karena itu kita memperoleh nilai estimasi parameter yang tidak diketahui a , ^ a = ( 3 " 1 + 2 2 x 1 + n X 1 i = 2 i +1 i 1 2 x i + (1 n 1 + n 2 ) x n #) 1 2 : (12) Asumsikan bahwa data percobaan ahli diperoleh sebagai berikut:
1 16 ; 1 4
;
1 4 ; 1 2
;
16 25 ; 4 5
: Dengan persamaan (12), kita memiliki perkiraan nilai saat ^ a = 1 : 0817 dan distribusi perkiraan saat ini ( x ) = 1 : 0817 x 1 2 : Contoh 2. Misalkan menjadi variabel yang tidak pasti dengan distribusi ketidakpastian ( x , a, b ) = ax + b; ( a> 0) (13) di mana a, b adalah dua parameter yang tidak diketahui. Asumsikan ( x i ; i ) ; i = 1 , 2 , ; n adalah ahli eksperimental Data kondisi memuaskan (5). Dengan persamaan (8), kita akan memecahkan sistem persamaan 8 < : E [ ] = E
2 = 2 mana dan 2 adalah de didefinisikan oleh persamaan (7). Dan distribusi ketidakpastian terbalik adalah 1 ( ) = b a . Kami memiliki E [ ] = Z 1 0 1 ( ) d = 1 2 b 2 a dan E [ 2 ] = Z 1 0 ( 1 ( )) 2 d = 1 + 3 b 2 3 b 3 a 2 : Dengan demikian kita memiliki sistem persamaan 8> < >: 1 2 b 2 a = 1 + 3 b 2 3 b 3 a 2 = 2 : 7 Maka solusi yang unik dari persamaan di atas 8> < >: ^ a = 1 2 p 3 2 ( ) 2 1 2 ^ b = 1 2 (1 2 ^ a ) : (14) adalah nilai estimasi saat parameter yang tidak diketahui a dan b , dan distribusi perkiraan saat ini ( x ) = ^ ax + ^ b: Asumsikan bahwa kita memiliki data ahli berikut ini eksperimental, (0 : 4 ; 0 : 1) ; (1 : 0 ; 0 : 2) ; (1 : 5 ; 0 : 3) ; (2 : 0 ; 0 : 4) ; (3 : 0 ; 0 : 7) ; (4 : 0 ; 0 : 9) : Dari persamaan (7) dan (14), kita punya waktu nilai estimasi ^ a = 0 : 2442, ^ b = 0 : 0519 dan saat distribusi estimasi adalah ( x ) = 0 : 2442 x 0 : 0519. 5 Metode Numerik Pada bagian ini, kami memperkenalkan metode Newton untuk memperkirakan nilai estimasi saat. Sebuah algoritma umum rithm diusulkan untuk memecahkan masalah estimasi parameter sebagai berikut. Asumsikan ( x i ; i ) ; i = 1 , 2 , ; n adalah data ahli eksperimental kondisi memuaskan (5) dan ( x , 1 , 2 , ; p ) adalah distribusi ketidakpastian variabel menentu dengan parameter yang tidak diketahui 1 , 2 , ; p . Metode numerik untuk memecahkan persamaan (8), E
k = k , k = 1 , 2 , ; p mana ; 2 ; ; p adalah saat-saat sampel, yang adalah konstanta dihitung dengan persamaan (7). Menunjukkan fungsi F : R p ! R p , F ( 1 , 2 , ; p ) = 0 Bbbbbb @ F 1 (
1 ;
2 ;
;
p ) F 2 ( 1 , 2 , ; p )
F p ( 1 , 2 , ; p ) 1 CCCCCCA dimana F k ( 1 , 2 , ; p ) = k Z + 1 0 x k 1 (1 ( x , 1 , 2 , ; p )) dx p , k = 1 , 2 , ; n: Persamaan (8) adalah setara dengan F ( 1 , 2 , ; p ) = 0. Jika fungsi F adalah di erentiable dan matriks Jacobian dari F mudah dihitung, prosedur dapat diringkas sebagai berikut. . Langkah 1 Perkirakan k th momen sampel dengan persamaan (7), k = 1 , 2 , ; p . Langkah 2. Berikan nilai awal parameter 0 = ( 0 1 ; 0 2 ; ; 0 p ). 8 . Langkah 3 Hitung matriks converse J F ( k ) 1 dari matriks Jacobian J F ( k ) , k = 0 ; 1 , 2 , , dimana J F ( k ) = 0 BBBBBBBBBB @ @ F 1 @ 1 @ F 1 @ 2
@ F 1 @ p @ F 2 @ 1 @ F 2 @ 2
@ F 2 @ p
@ F p @ 1 @ F p @ 2
@ F p @ p 1 CCCCCCCCCCA (15) Integral dalam persamaan dapat dihitung dengan beberapa metode numerik. Langkah 4. Hitung k +1 dengan persamaan berikut, k +1 = k J F ( k ) 1 F ( k ) : (16) Langkah 5. Ulangi langkah ketiga untuk FTH saat j k +1 k j > dan k <M , di mana dan M diberikan bilangan positif. . Langkah 6 Laporkan terakhir n sebagai solusi, jika j n n 1 j : Ucapan 1. Jika distribusi ( x , 1 , 2 , ; p ) adalah kontinu di erentiable parameter, kita memiliki @ R + 1 0 (1 ( x , 1 , 2 , ; p )) dx @ 1 = Z + 1 0 @ ( x , 1 , 2 , ; p ) @ 1 dx: Ucapan 2. Jika fungsi F tidak di erentiable atau matriks Jacobian sulit untuk menghitung, kita bisa menghitung F i ( 1 ; ; j + h j ; ; p ) F i ( 1 ; ; j , ; p ) h j alih-alih @ F i ( 1 ; ; j , ; p ) @ j i, j = 1 , 2 , , p, dan h 1 , h 2 , ; h p diberikan bilangan positif kecil. Contoh 3. Asumsikan bahwa distribusi ketidakpastian memiliki bentuk lognormal dengan dua parameter yang tidak diketahui ters e dan , yaitu, ( x j e, ) =
1 + exp
( e ln x ) p 3 1 dan data ahli eksperimen (0 : 6 ; 0 : 1) ; (1 : 0 ; 0 : 3) ; (1 : 5 ; 0 : 4) ; (2 : 0 ; 0 : 6) ; (2 : 8 ; 0 : 8) ; (3 : 6 ; 0 : 9) : Kami memiliki F ( e, ) = 0 BBBB @ Z + 1 0 1
1 + exp
( e ln x ) p 3 1 dx 1 : 86 2 Z + 1 0 x
1
1 + exp
( e ln x ) p 3 1 ! dx 3 : 56 1 CCCCA 9 dan J F ( e, ) = 0 BB @ R + 1 0 p f ( x j e; ) 3 (1 + f ( x j e; )) 2 dx R + 1 0 p ( e ln x ) f ( x j e; ) 3 2 (1 + f ( x j e; )) 2 dx 2 R + 1 0 x p f ( x j e; ) 3 (1 + f ( x j e; )) 2 dx 2 R + 1 0 x p ( e ln x ) f ( x j e; ) 3 2 (1 + f ( x j e; )) 2 dx 1 CCA dimana f ( x j e, ) = exp
( e p ln x ) 3 ' . Semua integral tersebut dihitung dengan rumus Simpson, dan awal Nilai adalah (0 : 6 ; 0 : 5). Sebuah menjalankan algoritma menunjukkan bahwa solusi perkiraan dari persamaan F ( e, ) = 0 adalah ^ e = 0 : 50 dan ^ = 0 : 47, yang mengarah ke distribusi perkiraan saat ( x j 0 : 50 ; 0 : 47) =
1 + exp
(0 : 50 ln x ) p 3 0 : 47 1 : 6 Kesimpulan Statistik pasti adalah suatu metodologi untuk mengumpulkan dan menafsirkan data ahli eksperimental dengan ketidakpastian- Teori tian. Metode momen dalam makalah ini adalah cara baru untuk memperkirakan parameter yang tidak diketahui dalam distribusi ketidakpastian. Metode ini tergantung pada data yang ahli eksperimental dan mudah untuk menjadi realistis dalam percobaan sesungguhnya. 7 Ucapan Terima Kasih Karya ini didukung oleh National Science Foundation Alam Cina No 60874038 dan Hebei Yayasan Ilmu Pengetahuan Alam No F2010001044. Referensi [1] Buckley J., keputusan Fuzzy membuat dengan data: aplikasi statistik, Fuzzy Set dan Sistem , Vol.16, No.2, pp.139-147, 1985. [2] M. Casals, Gil M., Gil P., Masalah keputusan kabur: Sebuah pendekatan untuk masalah pengujian statistik hipotesis dengan informasi fuzzy, European Journal of Riset Operasional , Vol.27, pp.371-382, 1986. [3] Gao X., Beberapa properti ukuran pasti terus menerus, International Journal of Ketidakpastian, ketidakjelasan dan Sistem Berbasis Pengetahuan , vol.17, No.3, pp.419-426, 2009. [4] Gao X., Gao Y., Ralescu D., On inferensi aturan Liu untuk sistem pasti, International Journal of ketidakpastian- tian, ketidakjelasan dan Sistem Berbasis Pengetahuan , vol.18, No.1, pp.1-11, 2010. [5] Corral N., M. Gil, Catatan tentang estimasi selang dengan data fuzzy, Fuzzy Set dan Sistem , Vol.28, No.2, pp.209-215, 1988. [6] Gil M., ketidakjelasan dan hilangnya informasi dalam masalah statistik, IEEE Transaksi pada Sistem Man dan Cybernetics , vol.17, pp.1012-1025, 1987. 10 [7] Gil M., N. Corral, Gil P., Masalah keputusan kabur: suatu pendekatan terhadap masalah estimasi titik dengan informasi fuzzy, European Journal of Riset Operasional , Vol.22, pp.26-34, 1985. [8] Li X., Liu B., Hybrid logika dan logika tidak pasti, Journal of Uncertain Sistem , Vol.3, No.2, pp.83-94, 2009. [9] Liu B., Teori Ketidakpastian , 2nd ed, Springer-Verlag, Berlin, 2007. [10] Liu B., proses Fuzzy, proses hibrida dan proses yang tidak pasti, Journal of Uncertain Sistem , Vol.2, No.1, h.3-16, 2008. [11] Liu B., Teori dan Praktek Uncertain Programming , 2nd ed, Springer-Verlag, Berlin, 2009. [12] Liu B., Beberapa masalah penelitian dalam teori ketidakpastian, Journal of Uncertain Sistem , Vol.3, No.1, h.3- 10, 2009. [13] Liu B., teori set Uncertain dan aturan inferensi pasti dengan aplikasi untuk kontrol pasti, Jurnal Sistem Uncertain , Vol.4, No.2, pp.83-98, 2010. [14] Liu B., analisis risiko dan analisis keandalan Uncertain pasti, Journal of Uncertain Sistem , Vol.4, No.3, pp.163-170, 2010. [15] Liu B., Ketidakpastian Teori: Sebuah Cabang Matematika untuk Modeling Ketidakpastian Manusia , Springer- Verlag, Berlin, 2010. [16] Liu W., Xu J, Beberapa properti pada operator nilai yang diharapkan untuk variabel yang tidak pasti, Informasi: An Inter- nasional Interdisciplinary Journal , Vol.13, 2010. [17] Liu Y., M. Ha, nilai yang diharapkan dari fungsi variabel tidak pasti, Jurnal Sistem Ketidakpastian , Vol.4, No.3, 2010. [18] Piasecki K., Pada formula Bayes untuk kemungkinan langkah-langkah fuzzy, Fuzzy Set dan Sistem , vol.18, No.2, pp.183-185, 1986. [19] Peng Z., Iwamura K., A su icient dan kondisi yang diperlukan distribusi ketidakpastian, Journal of Interdis- ciplinary Matematika , yang akan diterbitkan. [20] Tanaka H., S. Uejima, Asai K., model regresi linier Fuzzy, Transaksi pada Sistem Man dan Cybernetics , Vol.10, pp.2933-2938, 1980. [21] Tanaka H., S. Uejima, Asai K., analisis regresi linier dengan model yang kabur, Transaksi pada Sistem Man dan Sibernetika , Vol.12, pp.903-907, 1982. [22] Uemura Y., Aturan keputusan tentang peristiwa fuzzy, Journal Jepang Teori Fuzzy dan Sistem , Vol.3, pp.291- 300, 1991. [23] Zadeh L., set Fuzzy, Informasi dan Pengawasan , vol.8, pp.338-353, 1965. 11