Bab 4 Estimasi Parameter
Bab 4 Estimasi Parameter
Metode Momen
Ide utama dari metode momen adalah menyamakan karakteristik sampel tertentu
seperti mean dan varians untuk nilai-nilai yang diharapkan populasi yang bersesuaian
dan kemudian menyelesaikan persamaan yang dihasilkan untuk mendapatkan nilai
perkiraan parameter tidak diketahui.
Jika
M k=
1
xk
n i=1 i
Jika 1 , 2 , , m adalah parameter yang tidak diketahui dari populasi, maka estimator
momen ^ 1 , ^ 2 , , ^ m diperoleh dengan menyamakan momen sampel m yang pertama
dengan momen populasi m yang pertama yang bersesuaian dan menyelesaikan untuk
1 , 2 , , m .
Contoh 4.1:
Misal bahwa
Jawab:
x
Pdf dari distribusi Eksponensial adalah f ( x )= e
dan
E [ X ]=
. Menggunakan
xi
1
M 1= i=1 =E [ X ]=
n
^= n
n
xi
i=1
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
^= n = 25 =0,00095387.
n
26209
xi
i=1
atau
1
=1048,36 .
^
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
mempunyai pdf :
f ( x )=
1
1 x /
x e
x>0, 0, > 0
( )
E [ X ] =
2
2
dan V ( X )= =E [ X ]( E [X ])
M 1=^ ^
dan
2
2
M 2M 1=^ ^ .
Contoh 4.4:
diperoleh
2
M 21
^= (M 2M 1) dan ^ =
.
M1
( M 2M 21)
M2 ,
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 dan . Tentukan estimasi parameter- parameter ini!
Jawab:
M 1 dan
Mula-mula, tentukan
M 2 sebagai berikut:
xi
2067
1
1
M 1= i=1 =
=103,35 dan M 2= x 2i = 244823=12241,15 .
n
20
20
20
Selanjutnya, tentukan estimasi parameter-parameternya:
2
(103,35)
^= 12241,15( 103,35 ) =15,09 dan ^ =
=6,847.
103,35
12241,15(103,35)2
Jadi rata-rata suatu monitor hidup yang diharapkan adalah ^ ^=103,3 jam.
Contoh 4.5:
Gunakan metode momen untuk mengestimasi parameter
normal.
Jawab:
Pdf dari distribusi normal:
1
f ( x )=
e
2
1 x
2
Momen pertama
( )
adalah
x
x
M 1=
e
x 2
1 x
dx
2
( )
x2
dan M 2=
e
x 2
1 x
dx
2
( )
z=
kembali catatan mata kuliah Statistika Matematika II) maka diperoleh nilai-nilai
M 1 dan
M 2 sebagai berikut:
n
1
1
2
2
2
xi dan M 2= + = x i .
n i=1
n i=1
M 1==
x 2i
dan 2 adalah
1
1
xi = ( x i x ) 2
n i=1
n i=1
n
^ =
1
1
x i dan ^ 2=
n i=1
n i=1
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 distribusi 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
P[ LCL UCL]=1
di mana LCL adalah batas bawah kepercayaan dan UCL adalah batas atas kepercayaan.
. Jika n besar
(n30),
maka
x
2
/n , atau Z =
/n
nilai
P [ Z /2 Z + Z / 2 ]=1 .
Atau dapat ditulis
1 =P Z /2
P x Z /2
] [
]
+ Z / 2 =P Z /2
x + Z /2
/ n
n
n
x + Z / 2
n
n
( xZ
/ 2
, x + Z / 2
n
n
untuk
dengan
koefisien kepercayaan 1 .
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
.
Karena ukuran sampel kecil (< 30), lebih tepat menggunakan distribusi t daripada
distribusi normal dalam menentukan selang kepercayaan. Jadi selang kepercayaan adalah
x t /2
40,52
atau103,35 18,96 atau
20
(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.
x1 , x2 , , xn
l ( )=f ( x 1 , ) f ( x n , ) = f ( x i , ) .
i=1
Jika adalah anggota suatu selang terbuka dan l ( ) terdiferensial dan mempunyai suatu
nilai maksimum pada selang tersebut, maka MLE adalah suatu penyelesaian dari persamaan
maksimum likelihood
d
l ( )=0 .
d
Beberapa nilai dari yang memaksimumkan l ( ) juga akan memaksimumkan log
likelihood
L ( ) , maka untuk perhitungan yang cepat, sebagai bentuk alternatif dari persamaan
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
P ( x )=
e x
x=0,1,2,
x!
[l ( x , )]
10
12
2 22
e
e
e
(
)
l x , =
=
.( x=10,12)
10 !
12 !
(10 ! 12!)
Evaluasi dari persamaan di atas untuk nilai-nilai yang berbeda dari dapat disederhanakan
dengan mengambil logaritma dari l ( x , ) . Misal
L ( x , )=log l (x , )
Derivatif dari
L ( ) terhadap
adalah
dL() 22
= 2=0
d
12
20
( )
( )
( )
8
12
20
l ( )= 10 2 (1 ) 15 3( 1 ) 25 5 (1 ) =K 10 (1) 40 ,
2
3
5
di mana
adalah suatu konstan yang meliputi semua suku yang tidak melibatkan
x 1 , x 2 , , x n adalah
f ( x , )= e x .
adalah
f ( x , )= e x i=1,2, , n .
Fungsi likelihood:
n
l ( x 1 , x 2 , , x n ; ) =f ( x 1 , ) f ( x 2 , ) f ( x n , )= f ( x 1 , )=
i =1
L ( x 1 , x 2 , , x n ; ) =n log x i
i=1
Derivatif dari
L ( x 1 , x 2 , , x n ; ) terhadap
adalah
n
n
x i
i=1
xi
= e
i=1
L ( x1, x2 , , xn; )
n
= x i=0
i=1
^ adalah n/
xi
i=1
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
x
2
x 1 , x 2 , , x n adalah
l ( x 1 , x 2 , , x n ; ) =f ( x 1 , ) f ( x 2 , ) f ( x n , )= x i e
x
2
= X e
x 2i
2 i=1
i =1
di mana
x i= X
i=1
x2
2 i=1 i
L ( x 1 , x 2 , , x n ; ) =n log
+log X
Derivatif dari
L ( x 1 , x 2 , , x n ; ) terhadap
adalah
L ( x1 , x2 , , xn ; ) n 1 n 2
= x i =0
2 i=1
^= 2n .
n
x 2i
i=1
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
^= 2n = 2 6 =0,00115 kerusakan per jam .
n
10415
x 2i
i=1
1
f ( x )=
e
2
1 x
2
( )
x 1 , x 2 , , x n adalah
) e
1 x1
2
i=1
1
1
x 2
.
2 2 i=1
L ( x 1 , x 2 , , x n ; , )=n log
Derivatif dari
( )
L ( x 1 , x 2 , , x n ; , ) terhadap
L ( x1 , x2 , , xn ; , ) 1
= 2
adalah
x in =0
i=1
1
^= xi .
n i=1
Derivatif dari
L ( x 1 , x 2 , , x n ; , ) terhadap
n
1
1
x 2
n log
2 i=1
2
n log
L ( x1 , x2 , , xn ; , )
=
( )
( x i )
(x )
n
1
(2 )= n+ i 2
=0
3
2
i =1
1
( x )2 atau ^ 2= 1n ( x i ^ )2 .
n i=1 i
i=1
adalah
dan variansi
dan
Jawab:
Karena Y berdistribusi normal dan independen, maka log likelihood adalah
L [ ( x1 , y 1 ) , , ( x n , y n) ]=
n
1
log 2 n log 2 ( y i x i )2 .
2
2
Dua suku pertama dari sisi kanan dari persamaan tersebut di atas adalah independen
terhadap
dan
meminimumkan suku
n
K= ( y i x i ) .
2
i =1
terhadap
1
1
x i dan y = y i .
n
n
dan
dan
f ( x , 0 ) , dimana 0 mempunyai k
komponen dan nilai yang sebenarnya, maka matriks kovarians didefinisikan sebagai
Var (1 )
Cov (1 , 2) Cov( 1 , 3 ) Cov( 1 , k )
Cov( 1 , 2 )
Var ( 2)
Cov( 2 , 3 ) Cov( 2 , k )
Cov (2 , k )
Cov( 1 , k )
Var ( k )
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
I ij =E
L( ; X)
.
i j
Matriks invers,
ij
Contoh 4.12:
Suatu sampel random
dan
^ dan ^ .
Jawab:
1
1
x 2
n log
.
2 i=1
2
L ( x 1 , x 2 , , x n ; , )=n log
( )
dan
adalah
2
(x )
x in dan L = 1 n+ i 2
i=1
i=1
2 L n L2 2
=
;
=
2 2 3
2
xi n dan L2 = n2 34
i=1
(
i=1
x in
Dalam rangka menyusun matriks informasi, dari persamaan derivatif kedua dari L ditentukan nilai
harapannya, yaitu
[ ]
[ ]
L n
L
L
2 n
11
12
21
22
= 2 =l ; E
= 0=l =l dan E
= 2 =l .
2
2
I=
n/ 2
0
2 /n
0
1
dan
I
=
0
2 n / 2
0
2 /2 n
I 1 adalah
2
0
Var ( ^ )
Cov( ^ , ^ ) = /n
.
2
Cov ( ^ , ^ )
Var ( ^ )
0
/2n
)(
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
2
variansi . Tentukan
^ , ^
Jawab:
^ , dan
^=
1
x = 1 217=18,08 dan ^ 2= 1n ( x i )2=8,409 atau ^ =2,9.
n i=1 i 12
i=1
dan
I 1 =
2 /n
0
0 .
= 0,700
0
0,350
0
2 /2 n
Jadi variansi
)(
adalah 0,350.