Penerapan selain sebaran Normal

Slides:



Advertisements
Presentasi serupa
DISTRIBUSI DISKRIT DAN KONTINYU
Advertisements

STATISTIKA DISTRIBUSI PROBABILITAS
Survival Analysis Hardius Usman.
SEKOLAH TINGGI ILMU STATISTIK
7 Sebaran Penarikan Contoh/Sampel dan Penduga Titik Bagi Parameter.
STATISTIKA NON PARAMETRIK
Metode Statistika (STK211)
Bab 4. Variabel Acak dan Distribusi Probabilitas
[MA 2513] PROBSTAT1 DISTRIBUSI UNIFORM/SERAGAM Dalam proses stokhastik, distribusi uniform ini banyak terkait, bahkan kontribusinya dalam engineering sangat.
Ekonometrika Metode-metode statistik yang telah disesuaikan untuk masalah-maslah ekonomi. Kombinasi antara teori ekonomi dan statistik ekonomi.
Distribusi Probabilitas
Proses Stokastik Semester Ganjil 2013/2014
Distribusi Probabilitas Weibull
Pengujian asumsi dalam ANOVA dan Transformasi Data
PENARIKAN SAMPEL & PENDUGAAN PARAMETER
Karakteristik Butir Model Logistik
Distribusi Variable Acak Kontinu
Karakteristik Butir Model Ojaif Normal
Pertemuan 3 Pengukuran Kehandalan Sistem
Distribusi Peluang Kuswanto, 2007.
Pertemuan 5 Hubungan Komponen terhadap Kehandalan Seri
PENGUJIAN HIPOTESIS (bagian 1)
Pembangkitan Proses Kedatangan
TABEL KONTINGENSI MULTI ARAH DAN MODEL LOG LINEAR
ANALISIS REGRESI DAN KORELASI
MODUL VIII STATISTIKA NON PARAMETRIK
Metode Statistika (STK211)
STATISTIK NON PARAMETRIK
PENGENDALIAN KUALITAS - pertemuan 05 -
DISTRIBUSI PROBABILITAS
REGRESI LOGISTIK BINER
Metode Statistika Pertemuan VIII-IX
Dr. Adji Achmad RF, S.Si, M.Sc
Pemeriksaan Asumsi Sebaran Data
Metode Statistika Pertemuan X-XI
DISTRIBUSI KONTINYU.
Analisa Data Statistik Chap 6: Distribusi Probabilitas Kontinu
PROBABILITAS dan DISTRIBUSI
Peubah Acak Oleh : Asep Ridwan Jurusan Teknik Industri FT UNTIRTA.
METODE PENDUGAAN TITIK – 1
RANDOM VARIATE DISTRIBUSI KONTINU
DISTRIBUSI NORMAL Data merupakan data kontinu (interval atau rasio)
SEBARAN PEUBAH ACAK KONTINU KHUSUS 2
Pertemuan 09 Peubah Acak Diskrit
PENCARIAN DISTRIBUSI.
SEBARAN PEUBAH ACAK KONTINU KHUSUS 1
Fundamental of Statistic
Pengantar Statistik Juweti Charisma.
Bagian 5 – DISTRIBUSI KONTINYU Laboratorium Sistem Produksi 2004
Pengujian asumsi dalam ANOVA dan Transformasi Data
Generalized Linear Model pada Data Berdistribusi Poisson (Studi kasus : Banyaknya Jumlah kecelakaan lalu lintas berdasarkan faktor jumlah pelanggaran.
Analisa Data Statistik Chap 6: Distribusi Probabilitas Kontinu
Distribusi Peluang Kontinu
PENDAHULUAN KELOMPOK I: Norjanah Ervi Febrianti Eka Wahyu Syahdawaty
PEUBAH ACAK & DISTRIBUSI PELUANG. PENGERTIAN PEUBAH ACAK STATISTIKA  Penarikan kesimpulan tentang (karakteristik dan sifat) populasi. Contoh : Pemeriksaan.
Oleh : Dr. Ardi Kurniawan, M.Si.
Distribusi Peluang Kontinu
DISTRIBUSI PELUANG STATISTIKA.
Peubah Acak (Random Variable) IV (kasus Peubah Kontinyu)
4. Pendugaan Parameter II
Metode Statistika (STK211)
Pendugaan Parameter Statistika Matematika II
PENGERTIAN DISTRIBUSI TEORITIS
Model-model untuk Analisis Sistem Pemeliharaan
Pendugaan Parameter Statistika Matematika II
OPERATIONS RESEARCH – I
Konsep Probabilitas.
Distribusi Weibull.
Statistika Matematika II Semester Genap 2011/2012
Transcript presentasi:

Penerapan selain sebaran Normal

Penerapan selain sebaran Normal : Waktu yang ditempuh sampai terjadinya sesuatu, dalam statistika dikenal sebagai masa-hidup (lifetime, survival time atau failure time). Beberapa pola sebaran yang umum dipakai untuk memodelkan masa hidup antara lain adalah eksponensial, Weibull atau log normal. Fungsi peluang eksponensial adalah : f (t) =  exp (-t) , untuk t > 0 dan  > 0 Sedangkan fungsi peluang Weibull: f (t) =  (t) -1 exp (-t) , untuk t > 0 dan  > 0 dan  > 0 Jika parameter  = 1 fungsi peluang Weibull akan menjadi fungsi peluang eksponensial.

Data merupakan hasil pengamatan terhadap waktu terjadinya kerusakan pada alat penyejuk (AC) dalam sebuah pesawat terbang Boeing 720. Pengamatan didasarkan pada 29 kali kegagalan yang terjadi berturut-turut. Pengamatan pertama adalah waktu (jam) antara saat mulai berfungsi hingga terjadi kegagalan pertama, dst. Ingin diperiksa apakah data tersebut merupakan kejadian bebas atau dapat domodelkan oleh fungsi peluang eksponensial?

Pola dalam plot Q-Q secara keseluruhan tidak menunjukkan adanya keanehan. kalaupun ada hal ini mungkin disebabkan oleh adanya pembulatan-pembulatan yang terjadi dalam penyusunan plot sehingga terlihat adanya beberapa titik yang mengumpul pada satu barisan.

Fungsi peluang Weibull adalah model parametrik yang cukup populer untuk memodelkan lama waktu munculnya tumor. Oleh karena fungsi eksponensial merupakan bentuk khusus dari fungsi Weibull dengan b=1 dan keduanya dapat dipakai untuk menerangkan perilaku data masa-hidup maka kita dapat memeriksa kesesuaian model dari suatu data tertenru dengan patokan salah satu dari kedua fungsi tersebut.

Sebagai ilustrasi, kita akan melihat data tentang lama waktu munculnya tumor pada tikus-tikus percobaan. Sejumlah tikus betina diberi zat Carcinogen pada hari ke-nol, kemudian dipelihara selama 60 hari dengan pemberian “retynil acetate” untuk mengurangi kemungkinan tumor. Pada hari ke-60 tikus-tikus yang masih bebas tumor dibagi menjadi dua grup secara acak, grup yang pertama tetap menerima perlakuan retinoid dan grup kedua tanpa perlakuan lagi, percobaan ini dihentikan pada hari ke-182. Selama masa percobaan dilakukan pengamatan terhadap perkembangan tumor baik jumlah maupun masa terjadinya.

Data berikut berasal dari 25 ekor tikus yang termasuk grup tanpa perlakuan dan hanya tentang waktu (dalam hari) munculnya tumor yang pertama

PLOT Q-Q UNTUK MODEL EKSPONENSIAL

PLOT Q-Q UNTUK MODEL WEIBULL Dengan patokan garis lurus yang terbentuk, nampak bahwa fungsi peluang eksponensial lebih cocok bagi data ini dibandingkan dengan model Weibull. Meskipun demikian kita harus hati-hati karena proses penetapan model yang terbaik memerlukan analisis yang lebih lanjut.

Fungsi peluang eksponensial dengan parameter skala  1/ t f Nilai Kuantil : pi = 1 - exp {- Q(pi)} atau Q(pi) = - -1 ln(1-pi)

Fungsi peluang Weibull dengan (  = 1.0 ;  = 0.5, 1.5, 3.0 ) 1 t f 2 3 3.0 1.5  =0.5 Nilai Kuantil : pi = 1 - exp {-(.Q(pi))} ln Q(pi) = -ln  +  -1 ln {-ln(1-pi)}