ANALISIS DATA UJI HIDUP

KELOMPOK 15
DISUSUN OLEH :
1. Marlina Nur Aisyah

(4112313002)

2. Ahmad Madarijul Falah (4112313004)

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI SEMARANG
2015

METODE SENSOR DAN STATISTIK

1.4.1 Jenis sensor
Waktu hidup sering muncul dengan keistimewaan yang menciptakan masalah khusus
dalam analisis data. Keistimewaan ini dikenal sebagai sensor dan dibicarakan secara garis besar,
terjadi ketika waktu hidup hanya dipelajari dari individu-individu di dalam proses pembelajaran,
sisa waktu hidup dipelajari untuk melampaui nilai-nilai tertentu. Sensor muncul dalam berbagai
cara: beberapa contoh telah diberikan dalam bagian 1.1. Dalam bagian ini sensor dikaji lebih erat
dan sejumlah ide-ide baru diperkenalkan. Secara khusus kami mempertimbangkan bentuk
kemungkinan fungsi di bawah jenis sampel yang disensor.
Secara formal, pengamatan dikatakan tersensor di kanan L jika nilai yang tepat dari
pengamatan tidak diketahui tetapi lebih besar dari atau sama dengan L. Demikian pula,
pengamatan dikatakan salah tersensor di kiri L jika pengamatan diketahui kurang dari atau sama
untuk L. Tepat sensor umum untuk data waktu hidup, tapi salah sensor jarang ditemui.
Untuk kenyamanan Anda sensor yang benar akan dibahas di sini, meskipun banyak ideide dengan cara yang jelas untuk kasus salah sensor. Selain itu, istilah "sensor" akan
digunakan, dalam semua kasus, "tepat menyensor" dan ketika seorang individu hidupnya di
sensor di L. Kami akan sebut L waktu sensor untuk individu.
Untuk mendiskusikan sensor kita harus mempertimbangkan cara untuk memperoleh data.
Pada kenyataan, sensor muncul dalam berbagai alasan, dan akibatnya kita membedakan antara
beberapa jenis proses sensor dalam diskusi. Masalah mendasar adalah menentukan
distribusi sampling dan fungsi kemungkinan sesuai dengan proses tertentu dan kemudian
menentukan sifat-sifat metode Statistik yang berasal dari sini. Kita menemukan bahwa
dalam situasi yang relatif sederhana kita harus bergantung pada metode sampel besar
dan sifat asimtotiknya. Dalam situasi yang rumit bahkan mungkin sulit untuk menuliskan
kemungkinan, apa lagi menentukan sifat asimtotik. Untuk sebagian besar, hanya model kontinu
dan data dipertimbangkan dibagian ini. Dikelompokkan atau data diskrit disebutkan
di bagian 1.4.1d di bawah dan dibahas secara lebih rinci dalam Bab 2.
1.4.1a Sensor tipe II
Pertama kami menjelaskan apa yang muncul untuk tersensor tipe II. Data tersensor tipe II adalah
suatu data waktu hidup yang terdapat r buah observasinya dalam sampel random yang berukuran
n dengan (1 r n ). Penyensoren tipe II lebih sering digunakan, misalnya, dalam uji hidup
total n item ditempatkan pada tes, tetapi tidak semua n gagal, tes dihentikan ketika observasi
mengalami kegagalan ke-r. Tes tersebut dapat menghemat waktu dan biaya,
karena bisa memakan waktu yang sangat lama untuk semua item gagal dalam beberapa kasus.
Akan terlihat bahwa perlakuan statistik data tersensor tipe II, setidaknya langsung pada
prinsipnya.
Perlu ditekankan bahwa dengan sensor tipe II jumlah observasi r ditentukan sebelum data
dikumpulkan. Secara formal, data terdiri dari r terkecil waktu hidup T(1) T(2) T(r) dari

sampel acak n waktu hidup T1,,Tn dari distribusi hidup dalam pertanyaan. Jika T1,,Tn i.i.d.
dan memiliki distribusi kontinu dengan fkp. f(t) dan fungsi survival S(t), maka hasil umum pada
urutan Statistik [lihat (D2) lampiran d] fkp bersama dari T(1),,T(r) adalah
nr
n!
f ( t (1) ) f ( t (r) ) [ S ( t (r ) ) ] (1.4 .1)
( nr ) !

Untuk setiap model parametrik diberikan statistic inferensi didasarkan pada (1.1.1), yang
memberikan fungsi kemungkinan dari mana seseorang dapat memperoleh sifat sampling
prosedur. Analisis data sensor tipe II adalah sederhana, setidaknya pada prinsipnya. Metode
statistik untuk data dari berbagai distribusi dibahas dalam buku ini. Beberapa pernyataan umum
yang dibuat di bagian 1.4.2.
Contoh 1.4.1
Perhatikan sampel acak T1,,Tn dari distribusi eksponensial dengan fkp. f(t) = exp(- t)
dan fungsi survivor S(t) = exp(- t). Kemudian (1.4.1) menjadi

[ (

n!
n!
exp t (i) exp [ ( nr ) t (r) ]=
exp
( nr ) !
( nr ) !
i=1

i=1

t (i) +(nr)t (r)

)]

Itulah fkp bersama dari pengamatan r terkecil T(1) T(r). Statistic Inferensi ini sangat
sederhana dalam situasi ini, yang dibahas secara rinci bagian 3.1. Misalnya :
r

T = t (i) + ( nr ) t (r)
i=1

Terlihat ; estimasi maksimum likelihood (m.l.e) / adalah = r/T, dan dapat ditunjukkan bahwa
2 T x2(2 r)