P. 1
Distribusi Gamma

Distribusi Gamma

|Views: 35|Likes:
Published by Adji J Prizonear

More info:

Published by: Adji J Prizonear on Sep 19, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

07/18/2013

pdf

text

original

Fitriani Agustina

Jurusan Pendidikan Matematika
UPI

1
DISTRIBUSI GAMMA

Ada beberapa distribusi penting dalam distribusi uji hidup, salah satunya adalah
distribusi gamma.

A. Fungsi kepadatan peluang (fkp)
Fungsi kepadatan peluang (fkp) dari distribusi gamma dengan dua parameter
yaitu p dan σ adalah sebagai berikut:
( )
( )
0 , 0 σ , 0 ,
σ
exp
σ
Γ
1
1
> > >
|
.
|

\
| ÷
=
÷
p x
x x
p
x f
p
p

dimana: Г(p) = (p-1)! adalah fungsi gamma.
 Nilai mean dari distribusi gamma adalah:
( ) ( )
( )
( ) ( )
( )
( ) ( )
( )
( )
p
p
p p
p
p
p
p
dx
x x
p
dx
x x
p
dx
x x
p
x
dx x f x x E
p
p
p
p
p
p
· =
÷
÷ ·
=
÷
·
=
+
=
|
.
|

\
| ÷
=
|
.
|

\
| ÷
=
|
.
|

\
| ÷
· =
· =
} }
}
}
· ·
·
÷
·
σ
! 1
! 1 σ
! 1
! σ
Γ
1 Γ σ
σ
exp
σ
Γ
1
σ
exp
σ
Γ
1
σ
exp
σ
Γ
1
0 0
0
1
0



( ) ( )
( )
( ) ( )
( )
( )
( )
( )
( ) ( )
( )
( ) 1 σ
! 1
1 ! 1 σ
! 1
! 1 σ
Γ
2 Γ σ
σ
exp
σ
Γ
1
σ
exp
σ
Γ
1
σ
exp
σ
Γ
1
0 0
1 1
0
1
2
0
2 2
+ · =
÷
+ · ÷ ·
=
÷
+ ·
=
+
=
|
.
|

\
| ÷
=
|
.
|

\
| ÷
=
|
.
|

\
| ÷
· =
· =
} }
}
}
· ·
+ +
·
÷
·
p p
p
p p p
p
p
p
p
dx
x x
p
dx
x x
p
dx
x x
p
x
dx x f x x E
p
p
p
p
p
p

 Nilai varians dari distribusi gamma adalah:
Fitriani Agustina
Jurusan Pendidikan Matematika
UPI

2
( ) ( ) ( ) | |
( ) | | ( )
| |
p
p p p
p p p
x E x E x Var
σ
σ σ σ
σ σ
2 2 2 2
2 2
2 2
=
÷ + =
· ÷ + · =
÷ =

B. Fungsi survivor
Fungsi survivor adalah peluang suatu individu atau objek masih tetap hidup
sampai dengan waktu t yang telah ditentukan. Fungsi survivor didefinisikan sebagai
berikut:

( ) ( ) ( )
( ) ( ) t F t S
t T P t T P t S
r r
÷ =
s ÷ = > =
1
1
dimana F(t) adalah fungsi distribusi.

( ) ( )
( )
( )
( )
( )
( ) ( ) x p I t S
dx
x x
p
t S
dx
x x
p
t S
dx x f t S
t
p
p
t
p
p
t
, σ , 1
σ
exp
σ
Γ
1
1
σ
exp
σ
Γ
1
0
1
1
÷ =
|
.
|

\
| ÷
÷ =
|
.
|

\
| ÷
=
=
}
}
}
÷
·
÷
·

Fungsi survivor distribusi gamma yang kita peroleh adalah suatu fungsi survivor
distribusi gamma dalam bentuk eksplisit. Kita membiarkan fungsi survivor distribusi
gamma dalam bentuk eksplisit karena untuk menyelesaikan pengintegralan yang ada
dalam rumus diatas pengintegralannya cukup rumit

C. Fungsi hazard
Karena fungsi survivor distribusi gamma tidak dalam bentuk eksplisit, maka
fungsi hazardnya juga tidak dalam bentuk eksplisit juga. Fungsi hazard didefinisikan
sebagai berikut:
Fitriani Agustina
Jurusan Pendidikan Matematika
UPI

3

( ) ( )
( )
( ) ( )
( )
( )
( )
}
·
÷
÷
|
.
|

\
| ÷
÷
|
.
|

\
| ÷
=
· =
· =
0
1
1
σ
exp
σ
Γ
1
1
σ
exp
σ
Γ
1
1
1
'
t t
p
t t
p
t S
t f t h
t S
t F t h
p
p
p
p


D. Fungsi hazard kumulatif
Fungsi hazard kumulatif pun tidak bisa kita nyatakan dalam bentuk implisit, karena
fungsi hazardnya sendiri dinyatakan dalam bentuk eksplisit. Fungsi hazard kumulatif
didefinisikan sebagai berikut:

( ) ( )
( )
( )
( )
dx
t t
p
t t
p
t H
dx x h t H
t
t
p
p
p
p
t
}
}
}
|
.
|

\
| ÷
÷
|
.
|

\
| ÷
=
=
÷
÷
0
0
1
1
0
σ
exp
σ
Γ
1
1
σ
exp
σ
Γ
1


E. Estimasi
Misalkan ( )
n
X X X , , ,
2 1
 adalah variabel random dari waktu-waktu kegagalan
dan variabel random itu berdistribusi Gamma dengan parameter p dan σ.
1. Sampel lengkap
Suatu sampel dikatakan sampel lengkap apabila ada sebanyak n objek yang
ditempatkan pada pengujian dan pengujian dihentikan setelah semua item objek
mati.
o Fungsi kepadatan peluang (fkp) bersama dari ( )
n
X X X , , ,
2 1
 adalah:
( ) ( ) ( )
( )
( )
( )
[
=
=
n
i
i n
p x f n p x x x f
1
2 1
σ , ! σ , , , , 
o Fungsi likelihoodnya adalah:
Fitriani Agustina
Jurusan Pendidikan Matematika
UPI

4
( ) ( ) ( )
( )
( )
( )
( ) ( ) ( )
( )
( )
( ) ( ) ( )
( ) ( ) | |
[
¿
[
[
=
÷ = ÷ ÷
=
÷
=
|
|
|
|
|
.
|

\
|
÷
=
|
.
|

\
| ÷
=
=
n
i
p
i
n
i
i
np n
n
n
i
p
p
n
n
i
i n
x
x
p n x x L
x x
p
n x x p L
p x f n x x p L
1
1 1
2 1
1
1
2 1
1
2 1
σ
exp σ Γ ! , , , x σ p,
σ
exp
σ
Γ
1
! , , , x σ ,
σ , ! , , , x σ ,




( ) ( ) | |
( ) ( )
σ
ln 1 σ ln Γ ln ! ln
σ
exp σ Γ ! ln σ , ln
1
1
1
1
1
¿
¿
¿
[
=
=
=
=
÷ ÷ ÷
÷ ÷ + ÷ ÷ =
(
(
(
(
(
¸
(

¸

|
|
|
|
|
.
|

\
|
÷
=
n
i
i
n
i
i
n
i
i
n
i
p
i
np n
x
x p np p n n
x
x p n p L

Nilai maksimum dari ( )
i
x p L , σ akan dicapai apabila
( ) ( )
0
, σ ln
0
σ
, σ ln
=
c
c
=
c
c
p
x p L
atau
x p L
i i
.
( )
2
1
σ
σ σ
, σ ln
¿
=
+ ÷ =
c
c
n
i
i
i
x
np
x p L
sehingga
σˆ
0
σˆ
σˆ
0
1
2
1
¿ ¿
= =
+ ÷ = + ÷ =
n
i
i
n
i
i
x
np dan
x
np

dan kita peroleh
np
x
n
i
i ¿
=
=
1
σˆ .
Berdasarkan hasil estimasi tehadap σ yang kita peroleh diatas, maka kita dapat
membuktikan bahwa ( ) ( )
np
Var dan E
2
σ
σˆ σ σˆ = = . Distribusi dari σˆ merupakan
distribusi gamma dengan parameter
np
dan np
σ
.
Seperti kita ketahui ( )
n
X X X , , ,
2 1
 adalah distribusi identik independen (iid) yang
berdistribusi gamma dengan parameter p dan σ, oleh karena itu maka
¿
=
n
i
i
x
1

Fitriani Agustina
Jurusan Pendidikan Matematika
UPI

5
berdistribusi gamma dengan parameternya σ dan np , sedangkan untuk
np
x
i ¿
= σˆ
merupakan distribusi gamma dengan parameternya
np
dan np
σ
. Sehingga kita peroleh
fungsi kepadatan peluang (fkp) dari σˆ adalah sebagai berikut:
( )
( )
1
σˆ
σ
σˆ
exp
σ
1
Γ
1
σ , σˆ
÷
·
|
|
|
.
|

\
|
÷
|
.
|

\
|
=
np
np
np
np
np
p g
diperoleh
( )
( )
( )
( ) | | ( )
1
1
1
1
σˆ
1
Γ
Γ
σ , σˆ
σ , , ,
÷
=
÷
[
=
np
n
i
p
i
np n
n
x
np p
np
p g
p x x L 
bebas dari parameter σ yang
tidak diketahui. Karena itu, σˆ adalah cocok untuk σ . Kelengkapan dari σˆ dapat
dibuktikan dengan menggunakan sifat unik dari transform Laplace dan mengacu pada
Lehmann dan Scheffe (1955). Sehingga kita memperoleh hasil bahwa σˆ tidak hanya
merupakan MLE tetapi juga merupakan UMVUE dari σ . Dalam model distribusi
gamma kita mengetahui bahwa rata-rata hidup adalah σ p dan jika kita mengestimasi
σ p maka MLE dan UMVUE dari σ p adalah sama untuk rata-rata sampel
¿
=
n
i
i
x
n
1
1
.
Besar dari parameter p dan σ tidak diketahui. Kita akan melakukan estimasi parameter
p dan σ. Berdasarkan perhitungan diatas kita telah memperoleh hasil estimasi
parameter σ yaitu
np
x
i ¿
= σˆ . Selanjutnya kita akan mengestimasi parameter p
berdasarkan pada estimasi σ yang telah kita peroleh.
o Fungsi kepadatan peluang (fkp) bersama dari ( )
n
X X X , , ,
2 1
 adalah:
( ) ( ) ( )
( )
( )
( )
[
=
=
n
i
i n
p x f n p x x x f
1
2 1
σ , ! σ , , , , 






Fitriani Agustina
Jurusan Pendidikan Matematika
UPI

6
o Fungsi likelihoodnya adalah:
( ) ( ) ( )
( )
( )
( )
( ) ( ) ( )
( )
( )
( ) ( ) ( )
( ) ( ) | |
[
¿
[
[
=
÷ = ÷ ÷
=
÷
=
|
|
|
|
|
.
|

\
|
÷
=
|
.
|

\
| ÷
=
=
n
i
p
i
n
i
i
np n
n
n
i
p
p
n
n
i
i n
x
x
p n x x L
x x
p
n x x p L
p x f n x x p L
1
1 1
2 1
1
1
2 1
1
2 1
σ
exp σ Γ ! , , , x σ p,
σ
exp
σ
Γ
1
! , , , x σ ,
σ , ! , , , x σ ,




( ) ( ) | |
( ) ( )
σ
ln 1 σ ln Γ ln ! ln
σ
exp σ Γ ! ln σ , ln
1
1
1
1
1
¿
¿
¿
[
=
=
=
=
÷ ÷ ÷
÷ ÷ + ÷ ÷ =
(
(
(
(
(
¸
(

¸

|
|
|
|
|
.
|

\
|
÷
=
n
i
i
n
i
i
n
i
i
n
i
p
i
np n
x
x p np p n n
x
x p n p L

Nilai maksimum dari ( )
i
x p L , σ akan dicapai apabila
( ) ( )
0
, σ ln
0
σ
, σ ln
=
c
c
=
c
c
p
x p L
atau
x p L
i i
.
( )
0
σ
σ σ
, σ ln
2
1
= + ÷ =
c
c
¿
=
n
i
i
i
x
np
x p L
,
( )
( ) 0 ln σ ln Γ ln
, σ ln
1
= + ÷
c
c
÷ =
c
c
¿
=
n
i
i
i
x n p
p
n
p
x p L

Fungsi ( ) p
p
Γ ln
c
c
sulit untuk dipecahkan sehingga untuk rumus diatas kita dapat
menyelesaikannya dengan menggunakan metode iterasi Newton-Raphson. Metode lain
yang dapat kita adalah dengan mensubstitusikan
p
x
np
x
i
= =
¿
σˆ ke dalam persamaan
( )
( ) 0 ln σ ln Γ ln
, σ ln
1
= + ÷
c
c
÷ =
c
c
¿
=
n
i
i
i
x n p
p
n
p
x p L
. Sehingga diperoleh persamaan
seperti dibawah ini:
Fitriani Agustina
Jurusan Pendidikan Matematika
UPI

7
( ) x x
n
p p
dp
d
n
i
i
ln
1
ln Γ ln
1
÷ = ÷
¿
=
.
MLEnya adalah
p
x
ˆ
σˆ = dimana pˆ adalah hasil dari penyelesaian
( ) x x
n
p p
dp
d
n
i
i
ln
1
ln Γ ln
1
÷ = ÷
¿
=
. Persamaan ( ) x x
n
p p
dp
d
n
i
i
ln
1
ln Γ ln
1
÷ = ÷
¿
=
dapat
kita selesaikan dengan menggunakan metode interpolasi invers. Fungsi
( ) p
dp
d
Γ ln diketahui sebagai fungsi gamma dan perluasannya dapat dilihat pada tabel
dalam Abramowitz dan Stegun (1964) dan Pairman (1919). Untuk nilai p yang besar,
kita menggunakan aproksimasi

2. Sampel tersensor tipe I
3. Sampel tersensor tipe II

F. Estimasi reliabiliti
Misalkan ( ) ( ) σ , 1 p t F t S ÷ = adalah fungsi reliabiliti. Maka untuk distribusi
gamma dengan parameter p dan σ, fungsi reliabilitinya ( ) σ , p t S adalah sebagai berikut:
( )
( )
}
·
÷
|
.
|

\
| ÷
=
t
p
p
dx
x x
p
p t S
σ
exp
σ
Γ
1
σ ,
1

MLE dari ( ) σ , p t S dinotasikan dengan ( ) σˆ , ˆ p t S dimana σˆ ˆ dan p adalah MLE dari p
dan σ. Oleh karena itu untuk sampel lengkap diperoleh:

( ) ( )
( )
( )
( )
}
}
·
÷
·
÷
÷ =
|
.
|

\
| ÷
=
=
σˆ
1 ˆ
1 ˆ
ˆ
exp
ˆ Γ
1
σˆ
exp
ˆ Γ σˆ
1
σˆ , ˆ σ ,
ˆ
t
p
t
p
p
dy y y
p
dx
x
x
p
p t S p t S

Untuk nilai σˆ , ˆ , dan p t yang diketahui, hasil pengintegralannya dapat kita
peroleh dengan menggunakan tabel fungsi gamma tak lengkap [K. Pearson, 1968]

Fitriani Agustina
Jurusan Pendidikan Matematika
UPI

8
Pada kasus dimana p diketahui, MLE dari ( ) σ , p t S akan berubah menjadi
( ) σˆ ,
ˆ
p t S dimana
p
x
= σˆ . Karena itu rumus estimasi reliabiliti dimana p diketahui adalah
sebagai berikut:
( )
( )
( )
}
·
÷
÷ =
x
tp
p
dy y y
p
p t S exp
Γ
1
σ ,
ˆ
1

Seperti telah diketahui diatas bahwa apabila p diketahui maka
p
x
= σˆ adalah
UMVUE dari σˆ σ dan dapat ditunjukkan




Fungsi survivor didefinisikan sebagai berikut: S t   Pr T  t  1  Pr T  t  S t  1  F t   t  t dimana F(t) adalah fungsi distribusi. Kita membiarkan fungsi survivor distribusi gamma dalam bentuk eksplisit karena untuk menyelesaikan pengintegralan yang ada dalam rumus diatas pengintegralannya cukup rumit C. maka fungsi hazardnya juga tidak dalam bentuk eksplisit juga. S t    f  x  dx S t    1 x p 1  x exp  dx Γ p  σ p  σ  1 x p 1  x exp  dx p Γ p  σ  σ  0 t S t   1   S t   1  I  p. Fungsi survivor Fungsi survivor adalah peluang suatu individu atau objek masih tetap hidup sampai dengan waktu t yang telah ditentukan.Var  x   E x 2  E  x 2 2 2 2    σ   p  p   σ  p   σ p  σp  σ p  2 2 2  σp B. σ. x  Fungsi survivor distribusi gamma yang kita peroleh adalah suatu fungsi survivor distribusi gamma dalam bentuk eksplisit. Fungsi hazard Karena fungsi survivor distribusi gamma tidak dalam bentuk eksplisit. Fungsi hazard didefinisikan sebagai berikut: Fitriani Agustina Jurusan Pendidikan Matematika UPI 2 .

o Fungsi kepadatan peluang (fkp) bersama dari  X 1 .. Estimasi Misalkan  X 1 . Fungsi hazard kumulatif didefinisikan sebagai berikut: H t    h x  dx 0 t t H t    1 t p 1 t  exp  Γ p  σ p  σ  t 1 t p 1 t  0 1  exp  Γ p  σ p  σ  0 dx E. x2  . karena fungsi hazardnya sendiri dinyatakan dalam bentuk eksplisit. Sampel lengkap Suatu sampel dikatakan sampel lengkap apabila ada sebanyak n objek yang ditempatkan pada pengujian dan pengujian dihentikan setelah semua item objek mati.ht   F ' t   1 S t  1 ht   f t   S t   1 t p 1 t  exp  p Γ p  σ  σ  1   1 t p 1 t  exp  p Γ p  σ  σ  0 D.. xn  p. 1. Fungsi hazard kumulatif Fungsi hazard kumulatif pun tidak bisa kita nyatakan dalam bentuk implisit.. X 2 . X n  adalah: f x1 . X 2 . σ i 1   n   o Fungsi likelihoodnya adalah: Fitriani Agustina Jurusan Pendidikan Matematika UPI 3 . σ  n! f xi  p. X n  adalah variabel random dari waktu-waktu kegagalan dan variabel random itu berdistribusi Gamma dengan parameter p dan σ.

x2  . X n  adalah distribusi identik independen (iid) yang berdistribusi gamma dengan parameter p dan σ. x2  . xn   n! i 1      n   i 1 n 1 x p 1  x exp  Γ p  σ p  σ     n p 1   xi  i 1    n    xi   n  np L p.  . np Berdasarkan hasil estimasi tehadap σ yang kita peroleh diatas. p xi  0.L p. Distribusi dari σ merupakan np  xi n distribusi gamma dengan parameter np dan σ . p xi  σ  ln Lσ. X 2 .  . xn   n! f xi  p. σ x 1 . σ x 1 . akan  ln Lσ. p xi  σ np i 1   2 σ σ  xi np i 1 sehingga 0    2 ˆ σ ˆ σ  xi n dan 0   np   xi i 1 n ˆ σ ˆ dan kita peroleh σ  i 1 . p xi  p n  ln Lσ. oleh karena itu maka Fitriani Agustina Jurusan Pendidikan Matematika UPI  xi i 1 n 4 . x2  . σ L p. xn   n!Γ p  σ exp i 1  σ      n    xi  n  ln L p. np Seperti kita ketahui  X 1 .. σ   ln n!Γ p n σ np  xip 1 exp i 1  i 1  σ      n         ln n! n ln Γ p   np ln σ   p  1  ln xi  i 1 σ i 1 Nilai maksimum  0 atau  xi dicapai apabila n dari Lσ. maka kita dapat ˆ ˆ membuktikan bahwa E σ   σ dan Var σ   σ2 ˆ . σ x 1 .  .

sedangkan untuk σ   xi np merupakan distribusi gamma dengan parameternya np dan ˆ fungsi kepadatan peluang (fkp) dari σ adalah sebagai berikut: σ . xn  p. Sehingga kita memperoleh hasil bahwa σ tidak hanya merupakan MLE tetapi juga merupakan UMVUE dari σ . Karena itu. Selanjutnya kita akan mengestimasi parameter p berdasarkan pada estimasi σ yang telah kita peroleh. σ adalah cocok untuk σ . σ  n! f xi  p.. x2  . X n  adalah: f x1 . o Fungsi kepadatan peluang (fkp) bersama dari  X 1 . σ  ˆ Γ p  np np σ np1  xip1 bebas dari parameter σ yang n diperoleh ˆ ˆ tidak diketahui. n i 1 Besar dari parameter p dan σ tidak diketahui. X 2 .. Dalam model distribusi gamma kita mengetahui bahwa rata-rata hidup adalah pσ dan jika kita mengestimasi pσ maka MLE dan UMVUE dari pσ adalah sama untuk rata-rata sampel 1 n  xi . x n p. Kelengkapan dari σ dapat dibuktikan dengan menggunakan sifat unik dari transform Laplace dan mengacu pada ˆ Lehmann dan Scheffe (1955).ˆ berdistribusi gamma dengan parameternya np dan σ . σ  exp σ Γnp   σ  np  σ np   np      Lx1 . Sehingga kita peroleh np     σ  np1 ˆ 1 1 ˆ ˆ g σ p. σ  Γnp  1 i 1  n ˆ g σ p. σ  n i 1 Fitriani Agustina Jurusan Pendidikan Matematika UPI 5 . Berdasarkan perhitungan diatas kita telah memperoleh hasil estimasi ˆ parameter σ yaitu σ   xi np .. Kita akan melakukan estimasi parameter p dan σ .

 .o Fungsi likelihoodnya adalah: L p. p xi  p Fungsi  ln Γ p  sulit untuk dipecahkan sehingga untuk rumus diatas kita dapat p menyelesaikannya dengan menggunakan metode iterasi Newton-Raphson.  . p xi  σ  ln Lσ. p xi  p  n n  ln Γ p   n ln σ   ln xi  0 . σ x 1 . σ x 1 . x2  . p xi  σ  xi np i 1   2 0 .  . akan  ln Lσ. σ   ln n!Γ p n σ np  xip 1 exp i 1  i 1  σ      n         ln n! n ln Γ p   np ln σ   p  1  ln xi  i 1 σ i 1 Nilai maksimum  0 atau  xi dicapai apabila n dari Lσ. σ σ  n n  ln Γ p   n ln σ   ln xi  0 p i 1  ln Lσ. xn   n! f xi  p. σ x 1 . σ L p. p i 1 Sehingga diperoleh persamaan seperti dibawah ini: Fitriani Agustina Jurusan Pendidikan Matematika UPI 6 . x2  . p xi  p n  ln Lσ. xn   n!Γ p n σ np exp i 1  σ      n    xi  n  ln L p. p xi  0 . x2  . xn   n! i 1      n   i 1 n 1 x p 1  x exp  p Γ p  σ  σ     n p 1   xi  i 1    n    xi  L p. Metode lain ˆ yang dapat kita adalah dengan mensubstitusikan σ   xi np x p ke dalam persamaan  ln Lσ.

1968] Fitriani Agustina Jurusan Pendidikan Matematika UPI 7 . Pearson. σ  adalah fungsi reliabiliti. d ln Γ p  diketahui sebagai fungsi gamma dan perluasannya dapat dilihat pada tabel dp dalam Abramowitz dan Stegun (1964) dan Pairman (1919). Maka untuk distribusi gamma dengan parameter p dan σ. σ  dinotasikan dengan S t p. σ  dimana p dan σ adalah MLE dari p dan σ. kita menggunakan aproksimasi 2. dan σ yang diketahui. σ  adalah sebagai berikut: S t p. σ    ˆ σ ˆ p x ˆ Γ p  t  ˆ σ 1  ˆ p 1  x exp  dx ˆ  σ  1 ˆ p 1  y exp y  dy ˆ Γ p  t ˆ ˆ Untuk nilai t . hasil pengintegralannya dapat kita peroleh dengan menggunakan tabel fungsi gamma tak lengkap [K. Sampel tersensor tipe I 3. Persamaan dp n i 1 kita selesaikan dengan menggunakan d 1 n ln Γ p   ln p   xi  ln x dp n i 1 metode interpolasi invers. dp n i 1 MLEnya adalah ˆ σ x ˆ p dimana ˆ p adalah hasil dari penyelesaian dapat Fungsi d 1 n ln Γ p   ln p   xi  ln x . p. σ   S t p. fungsi reliabilitinya S t p. Oleh karena itu untuk sampel lengkap diperoleh: ˆ ˆ ˆ S t p. Untuk nilai p yang besar. Estimasi reliabiliti Misalkan S t  1  F t p.d 1 n ln Γ p   ln p   xi  ln x . Sampel tersensor tipe II F. σ    t  1 x p 1  x exp  dx Γ p  σ p  σ  ˆ ˆ ˆ ˆ MLE dari S t p.

σ   y exp y  dy Γ p  tp x ˆ Seperti telah diketahui diatas bahwa apabila p diketahui maka σ  x p adalah ˆ UMVUE dari σ dan σ dapat ditunjukkan Fitriani Agustina Jurusan Pendidikan Matematika UPI 8 . σ dimana σ  .Pada kasus dimana p diketahui. σ  akan berubah menjadi x ˆ ˆ ˆ S t p. Karena itu rumus estimasi reliabiliti dimana p diketahui adalah p sebagai berikut:  1 p 1 ˆ S t p. MLE dari S t p.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->