BAB-4-ESTIMASI-PARAMETER
-
Upload
anastasia-indrie -
Category
Documents
-
view
35 -
download
1
description
Transcript of BAB-4-ESTIMASI-PARAMETER
BAB 4. METODE ESTIMASI PARAMETER DARI DISTRIBUSI
WAKTU KERUSAKAN
Estimasi reliabilitas membutuhkan pengetahuan distribusi waktu kerusakan yang
mendasari dari komponen atau sistem yang dimodelkan. Untuk memprediksi reliabilitas
atau mengestimasi MTTF komponen atau sistem yang dikenai uji hidup dipercepat,
diperlukan estimasi parameter dari distribusi probabilitas yang menggambarkan waktu
kerusakan populasi yang dilakukan uji.
Keakuratan estimasi parameter tergantung pada ukuran sampel dan metode yang
digunakan untuk estimasi parameter. Statistik yang dihitung dari sampel yang digunakan
untuk estimasi parameter populasi disebut estimator. Suatu estimator yang baik mempunyai
sifat-sifat: tak bias, konsisten, efisien dan sufiisien. Statistik yang digunakan untuk estimasi
parameter populasi, θ, disebut suatu estimator titik untuk θ , dinotasikan θ̂. Ada 3 metode yang
banyak digunakan untuk estimasi parameter dari populasi yaitu metode momen, metode maximum
likelihood dan metode kuadrat terkecil.
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 x1 , x2 ,…, xn mewakili himpunan data, maka momen ke k sampel adalah
M k=1n∑i=1
n
xik
Jika θ1 , θ2 ,…,θm adalah parameter yang tidak diketahui dari populasi, maka estimator
momen θ̂1 , θ̂2 ,…, θ̂m diperoleh dengan menyamakan momen sampel m yang pertama
dengan momen populasi m yang pertama yang bersesuaian dan menyelesaikan untuk
θ1 , θ2 ,…,θm.
Contoh 4.1:
Misal bahwa x1 , x2 ,…, xn mewakili suatu sampel random dari suatu distribusi Eksponensial
dengan parameter λ. Bagaimana estimasi λ?
Jawab:
Pdf dari distribusi Eksponensial adalah f ( x )= λe−λx dan E [X ]=1λ
. Menggunakan momen
pertama sampel M 1=
∑i=1
n
xi
n=E [X ]=1
λ
.
Jadi estimasi dariλ adalah λ̂= n
∑i=1
n
xi .
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/λ = 1000).
Jawab:
Parameter dari distribusi Eksponensial adalah
λ̂= n
∑i=1
n
xi
= 2526209
=0,00095387.
atau 1
λ̂=1048,36 .
Ini sangat dekat dengan nilai parameter yang sama yang digunakan dalam menghasilkan
data. Jelas, selama meningkatnya jumlah observasi, parameter yang diestimasi (λ̂) dengan
cepat mendekati parameter dari distribusi waktu kerusakan yang sebenarnya.
Contoh 4.3
Misal x1 , x2 ,…, xn adalah suatu sampel random dari suatu distribusi gamma yang
mempunyai pdf :
f ( x )= 1
Γ (α) βαxα−1 e−x /β x>0 ,α ≥0 , β>0
Gunakan metode momen untuk mendapatkan estimasi parameter α dan β .
Jawab:
Sebagaimana yang telah ditunjukkan dalam Bab 1, mean dan varians dari distribusi gamma,
berturut-turut adalah: E [X ]=αβ dan V (X )=α β2=E [X2 ]− (E [X ])2.
E [X ] diganti dengan estimator M 1 danE [X2 ] diganti dengan estimator M 2, diperoleh
M 1=α̂ β̂ dan M 2−M 12=α̂ β̂2.
Penyelesaian dua persamaan di atas secara simultan menghasilkan
β̂=(M 2−M 1
2)M 1
dan α̂=M 1
2
(M 2−M 12).
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 α dan β. Tentukan estimasi parameter- parameter ini!
Jawab:
Mula-mula, tentukan M 1 dan M 2 sebagai berikut:
M 1=∑i=1
n
xi
n=2067
20=103,35danM 2=
120
∑ x i2= 1
20×244823=12241,15 .
Selanjutnya, tentukan estimasi parameter-parameternya:
β̂=12241,15−(103,35 )2
103,35=15,09dan α̂=
(103,35)2
12241,15−(103,35)2=6,847.
Jadi rata-rata suatu monitor hidup yang diharapkan adalah α̂ β̂=103,3 jam.
Contoh 4.5:
Gunakan metode momen untuk mengestimasi parameter μ dan σ 2 dari distribusi normal.
Jawab:
Pdf dari distribusi normal:
f ( x )= 1σ √2π
e−12 ( x−μ
σ )2
.
Momen pertama M 1 dan momen kedua M 2 dari distribusi di atas berturut-turut adalah
M 1=∫− x
xx
σ √2 πe
−12 ( x−μσ )
2
dx
danM 2=∫−x
xx2
σ √2 πe
−12 ( x−μσ )
2
dx
Dengan menggunakan transformasi z=x−μσ
, kemudian mengintegralkannya (lihat
kembali catatan mata kuliah Statistika Matematika II) maka diperoleh nilai-nilai M 1 dan
M 2 sebagai berikut:
M 1=μ=1n∑i=1
n
x idanM 2=μ2+σ 2=1
n∑i=1
n
x i2 .
Jadi estimasi untuk parameter μ dan σ 2 adalah
μ̂=1n∑i=1
n
x idan σ̂2=1n∑i=1
n
x i2−(1
n∑i=1
n
x i)2
=¿ 1n∑i=1
n
(x i−x )2¿
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 θ adalah
P[LCL≤θ≤UCL]=1−α
di mana LCL adalah batas bawah kepercayaan dan UCL adalah batas atas kepercayaan.
Misalkan sampel random x1 , x2 ,…, xn diambil dari suatu populasi dengan
mean μ dan varians σ 2. Misal x adalah estimator titik untuk μ. Jika n besar (n≥30),
maka x kira-kira memiliki suatu distribusi normal dengan meanμ dan varians σ 2/n, atau
Z= x−μσ /√n
memiliki suatu distribusi normal standar. Untuk sembarang nilai α dapat
ditemukan suatu nilai Zα /2 sedemikian sehingga P [−Zα /2≤Z≤+Zα /2 ]=1−α .
Atau dapat ditulis
1−α=P [−Zα /2≤x−μσ /√n
≤+Zα /2]=P [−Zα /2σ
√n≤ x−μ≤+Zα /2
σ
√n ]¿ P[ x−Zα /2
σ
√n≤μ≤ x+Zα /2
σ
√n ]Sehingga diperoleh selang
(x−Zα /2σ
√n, x+Zα /2
σ
√n )membentuk selang kepercayaan dari parameter yang diestimasi x untuk μ dengan koefisien
kepercayaan 1−α.
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 x=103,35 dan s=40,52 , sadalah estimasi dari standar deviasi σ .
Karena ukuran sampel kecil (< 30), lebih tepat menggunakan distribusi t daripada
distribusi normal dalam menentukan selang kepercayaan. Jadi selang kepercayaan adalah
x± t α /2σ
√n,dengan (1−α )=0,95 . Dari tabel diperoleh t 0,025=2,093 dan substitusi s untuk σ ,
didapat 103,35±2,093×40,52
√20atau 103,35±18,96 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 x1 , x2 ,…, xn yang
masing-masing mempunyai suatu pdf f (x i , θ ). Fungsi likelihood adalah suatu fungsi dari θ
yaitu
l (θ )=f (x1 , θ )…f (xn , θ )=∏i=1
n
f (x i , θ ) .
Jika θ adalah anggota suatu selang terbuka dan l (θ ) terdiferensial dan mempunyai suatu nilai
maksimum pada selang tersebut, maka MLE adalah suatu penyelesaian dari persamaan maksimum
likelihood
ddθl (θ )=0 .
Beberapa nilai dari θ yang memaksimumkan l (θ ) juga akan memaksimumkan log likelihood
L (θ ), maka untuk perhitungan yang cepat, sebagai bentuk alternatif dari persamaan maksimum
likelihood adalah
ddθ
log l (θ )=0 .
Contoh 4.7:
Banyak cacat dalam suatu lini produksi ditemukan mengikuti distribusi Poisson dengan
suatu rata-rata μ yang tidak diketahui. Dua sampel random diambil dan banyaknya unit-unit
yang cacat adalah 10 dan 12. Tentukan estimasi kemungkinan maksimum (MLE) dari μ?
Jawab:
Probabilitas yang mempunyai x unit dari suatu distribusi Poisson adalah
P ( x )= e−μμx
x !x=0,1,2 ,…
Probabilitas yang mempunyai 10 dan 12 cacat berturut-turut adalah:
P (10 )= e−μ μ10
10 !dan P (12 )= e−μ μ12
12!
Fungsi likelihood [ l (x , μ ) ] adalah perkalian dari P (10 )danP (12 ), yaitu:
l (x , μ )= e−μ μ10
10 !×e−μμ12
12!= e−2μμ22
(10 !12!).(x=10,12)
Evaluasi dari persamaan di atas untuk nilai-nilai yang berbeda dari μ dapat disederhanakan dengan mengambil logaritma dari l (x , μ ). Misal
L ( x , μ )=log l(x ,μ)
dan logaritma dari fungsi likelihood adalah
L (μ )=22 log μ−2 μ−log (10 !12 !)
Derivatif dari L (μ ) terhadap μadalahdL(μ)dμ
=22μ
−2=0
Jadi estimasi terbaik dariμ̂ adalah 22/2=11.
Contoh 4.8:
Anggap bahwa pabrik IntegratedCircuits 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 θ?
Jawab:
Karena 3 sampel diambil dari sekumpulan produksi yang sama, distribusi probabilitas yang
mendasari mempunyai parameter yang sama θ . Probabilitas 3 hasil adalah:
(102 )θ2−(1−θ )8; (15
3 )θ3−(1−θ )12;(255 )θ5−(1−θ )20
Fungsi likelihood secara sederhana merupakan hasil kali dari 3 probabilitas:
l (θ )=(102 )θ2−(1−θ )8(15
3 )θ3−(1−θ )12(255 )θ5−(1−θ )20=K θ10(1−θ)40 ,
di mana K adalah suatu konstan yang meliputi semua suku yang tidak melibatkan θ.
L (θ )=logK+10 logθ+40 log(1−θ)
dL(θ)dθ
=0+ 10θ
− 401−θ
=0
Jadi estimasi terbaik dariθ̂ adalah 1/5.
MLE dari Distribusi Ekxponensial
Pdf dari distribusi eksponensial dengan parameter λ adalah f ( x , λ )= λe−λx.
Pdf dari n pengamatan x1 , x2 ,…, xn adalah f ( x , λ )= λe−λx i=1,2 ,…,n.
Fungsi likelihood:
l (x1 , x2 ,…, xn; λ )=f (x1 , λ ) f ( x2 , λ )…f (xn , λ )=∏i=1
n
f (x1, λ )=λn∏i=1
n
e− λ xi=λn e
−λ∑i=1
n
xi
Logaritma dari fungsi likelihood:
L (x1 , x2 ,…, xn; λ )=n log λ−λ∑i=1
n
x i
Derivatif dari L (x1 , x2 ,…, xn; λ ) terhadap λ adalah
∂ L (x1 , x2 ,…,xn ; λ )∂ λ
=nλ−∑
i=1
n
xi=0
Jadi estimasi terbaik dari λ̂ adalah n/∑i=1
n
x i .
(Hasil MLE dari λ 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 λ̂ adalah
λ̂= n
∑i=1
n
xi
= 61610
=3,726 x10−3 kerusakan per jam .
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
f ( x )= λxe− λ x2
2
di mana λ adalah parameter dari distribusi Rayleigh.
Fungsi likelihood untuk n pengamatan x1 , x2 ,…, xn adalah
l (x1 , x2 ,…, xn; λ )= f (x1 , λ ) f ( x2 , λ )… f (xn , λ )=∏i=1
n
λ xi e− λ x2
2 = λn X e−λ2∑i=1
n
x i2
di mana ∏i=1
n
xi=X
Logaritma dari fungsi likelihood:
L (x1 , x2 ,…, xn; λ )=n log λ+log X−¿ λ2∑i=1
n
x i2¿
Derivatif dari L (x1 , x2 ,…, xn; λ ) terhadap λ adalah
∂ L (x1 , x2 ,…,xn ; λ )∂ λ
=nλ−1
2∑i=1
n
x i2=0
λ̂= 2n
∑i=1
n
xi2
.
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
λ̂= 2n
∑i=1
n
xi2
= 2×610415
=0,00115 kerusakan per jam .
Mean dan deviasi standar dari waktu kerusakan adalah
μ̂=√ π2 λ̂
=36,92 jamdan σ̂=√ 2λ̂ (1−π
4 )=19,3 jam .
MLE dari Distribusi Normal
Pdf dari pengamatan x dari suatu distribusi normal dengan mean μ dan variansi σ 2 yang
tidak diketahui
f ( x )= 1σ √2π
e−12 ( x−μ
σ )2
Fungsi likelihood untuk n pengamatan x1 , x2 ,…, xn adalah
l (x1 , x2 ,…, xn; μ ,σ )=( 1σ √2π )
n
∏i=1
n
e−12 ( x1−μ
σ )2
Logaritma dari fungsi likelihood:
L (x1 , x2 ,…, xn; μ , σ )=n log1
σ √2 π−1
2∑i=1
n
( x−μσ )2
.
Derivatif dari L (x1 , x2 ,…, xn; μ , σ ) terhadap μ adalah
∂ L (x1 , x2 ,…,xn ;μ , σ )∂ μ
= 1σ2 (∑
i=1
n
x i−nμ)=0
μ̂=1n∑i=1
n
x i .
Derivatif dari L (x1 , x2 ,…, xn; μ , σ ) terhadap σ adalah
∂ L (x1 , x2 ,…,xn ;μ , σ )∂σ
= ∂∂σ
¿
¿−nσ−∑ (xi−μ )2
2σ3(−2 )=1
σ [−n+∑i=1
n (x i−μ)2
σ 2 ]=0
σ 2=1n∑i=1
n
(x i−μ )2atau σ̂2=1
n∑i=1
n
(x i− μ̂ )2 .
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 (x1 , y1 ) ,…, (xn , yn ) yang mengikuti model
E (Y )=α+βx danVar (Y )=σ2 .
di mana Y adalah variabel random berdistribusi normal dan independen. Gunakan
pendekatan maksimum likelihood untuk mengestimasi parameter α dan β.
Jawab:
Karena Y berdistribusi normal dan independen, maka log likelihood adalah
L [ (x1 , y1 ) ,…, (xn , yn ) ]=¿−n2
log 2π−n log σ− 1
2σ 2∑ ( y i−α−β xi )2.
Dua suku pertama dari sisi kanan dari persamaan tersebut di atas adalah independen
terhadap α dan β. Karena itu untuk meminimumkan log likelihood, cukup untuk
meminimumkan suku
K=∑i=1
n
( y i−α−β xi )2.
Ambil derivatif parsial dari K terhadap α dan β dan samakan derivatif dengan nol
mennghasilkan 2 persamaan linier dalam α dan β . Penyelesaian persamaan tersebut adalah:
β̂=∑ y i(x i−x)
∑ (x i−x )2 dan α̂= y− β̂ x .
di mana
x=1n∑ x idan y=
1n∑ y i .
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 X1 , X2 ,…, X k adalah variabel random berdistribusi identik dan
independen satu dengan yang lain dengan suatu pdf f (x , θ0 ), dimana θ0 mempunyai k komponen
dan nilai θ yang sebenarnya, maka matriks kovarians didefinisikan sebagai
¿
di mana Cov (θi ,θ j) adalah kovarians dari θi dan θ j dan Var (θ i) adalah variansi dari θi.
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
limn→x
E [ θ̂i ]=θ i i=1,2 ,…,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[−∂2L(θ ; X)∂θi∂θ j ] .
Matriks invers, I−1, dengan elemen ke ij ditunjukkan oleh I ij adalah matriks varians
kovarians dari θ̂, sehingga
Var (θ̂i )=I iidanCov (θ̂ i , θ̂ j )=I ij .
Contoh 4.12:
Suatu sampel random x1 , x2 ,…, xn mengikuti suatu distribusi normal dengan parameter μ dan σ 2
. Gunakan matriks informasi untuk mendapatkan estimasi variansi dari μ̂ dan σ̂ .
Jawab:
Logaritma dari fungsi likelihood dari distribusi normal adalah
L (x1 , x2 ,…, xn; μ , σ )=n log1
σ √2 π−n log σ−¿ 1
2∑i=1
n
( x−μσ )2
.¿
Derivatif parsial dari L terhadap μ dan σ adalah
∂ L∂ μ
= 1
σ 2 (∑i=1
n
x i−nμ)dan ∂ L∂σ =1σ [−n+∑i=1
n (x i−μ)2
σ 2 ]∂2L∂ μ2 =
−nσ2 ;
∂ L2
∂ μ∂σ=−2σ3 (∑
i=1
n
x i−nμ)dan ∂L2
∂σ2 =nσ2 −
3σ4 (∑
i=1
n
x i−nμ)2
Dalam rangka menyusun matriks informasi, dari persamaan derivatif kedua dari L ditentukan nilai
harapannya, yaitu
E [ ∂2 L∂ μ2 ]=−n
σ2 =−l11 ;E [ ∂ L2
∂ μ∂σ ]=0=−l12=−l21 danE [ ∂ L2
∂σ2 ]=−2nσ2 =−l22 .
Sehingga matriks informasi I disusun sebagai
I=(n/σ 2 00 2n/σ2)dan I−1=(σ 2/n 0
0 σ2/2n)
Matriks varians dan kovarians, I−1 adalah
( Var ( μ̂) Cov ( μ̂ , σ̂ )Cov ( μ̂ , σ̂ ) Var ( σ̂ ) )=(σ2/n 0
0 σ2/2n) .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 μ dan variansi
σ 2. Tentukan μ̂, σ̂ dan matriks varians kovarians!
Jawab:
μ̂, dan σ̂ diperoleh sebagai berikut:
μ̂=1n∑i=1
n
x i=1
12×217=18,08dan σ̂2=1
n∑i=1
n
(x i−μ )2=8,409 atauσ̂=2,9.
Matriks varians dan kovarians adalah
I−1=(σ2/n 00 σ2/2n)=(0,700 0
0 0,350).Jadi variansi μ̂ adalah 0,700 dan variansi dari σ̂ adalah 0,350.