Review
Overview
Dunia nyata dari sudut pandang modeler adalah probabilistik, bukan deterministik
Beberapa model statistik bisa memodelkan variasinya
Model yang cocok bisa dibuat dengan melihat fenomena terkait
Dipilih distribusi yang ada dari dugaan Dibuat perkiraan parameter
Variable Random Diskret
X adalah variabel random diskret jika jumlah kemungkinan nilai X terbatas
Contoh: X : jumlah pelanggan yang datang pada antrian tunggal
Rx : nilai yang mungkin untuk X = {0,1,2,3,...}
p(xi) : probabilitas nilai random adalah xi = P(X=xi) p(xi), i=1,2,3,... harus memenuhi:
p(xi) > 0, untuk semua i
Himpunan dari pasangan [Xi, p(xi)], i=1,2,... Dinamakan
probability distribution function dari X, dan p(xi) disebut
probability mass function dari X
∑
∞Variabel Random Kontinu
X adalah variabel random kontinu, jika range space dari X (Rx) adalah interval
Probabilitas X berada dalam interval [a,b] adalah
f(x) dinyatakan sebagai pdf dari X, memenuhi:
, , untuk x dalam Rx
, untuk x diluar Rx
∫
=
≤
≤
>
∫
=Variabel random kontinu
Contoh : umur suatu perangkat tertentu
, x > 0
f(x) = 0, untuk nilai lainnya
X mempunyai distribusi exponensial dengan mean 2 tahun Probabilitas bahwa perangkat hidup antara 2 dan 3 tahun
−
=
=
=
≤
Cummulative Distribution Function
Cdf dinyatakan sebagai F(x), dimana F(x) = P(X≤x)
Jika x diskret maka
Jika x kontinu maka
∑
≤
=
∫
∞ −Sifat CDF
F(X) adalah non decreasing function, a < b, F(a) < F(b) limx→∞ F(x) = 1
Contoh CDF
Umur perangkat
Probabilitas umur perangkat kurang dari 2 tahun
Probabilitas umur antara 2 sampai 3 tahun
Ekspektasi
Ekspektasi nilai dari X dinyatakan E(x)
Jika X diskret
Jika X kontinu
∑
=
∫
∞∞ −
Variansi dan deviasi
Varian dari X dinyatakan V(X)
Definisi :V(X) = E[X - E[X]2]
Juga : V(X) = E(X2) – [E(x)]2
Ukuran dari sebaran nilai kemungkinan nilai x di sekitar mean
Standard Deviasi dari X
Model Statistik
Antrian
Sistem inventori dan suply chain
Kehandalan dan maintainability
Sistem Antrian
Waktu antar kedatangan dan lama waktu layanan probabilistik Contoh model
Distribusi eksponensial: jika layanan random Distribusi normal: normal dengan variasi Potongan normal: normal dengan batasan
Inventori dan Suply Chain
Umumnya tiga variabel random
Unit yang diminta per order atau per waktu Waktu antar order
Lead time
Contoh model lead time
Gamma
Contoh model statistik untuk distribusi permintaan:
Poisson
Kehandalan dan
Maintainability
TTF (time to failure)
Eksponensial : Random failure
Gamma: untuk stanby redundancy jika setiap komponen adalah exponensial
Area lain
Untuk kasus keterbatasan data, distribusi yang lain:
Uniform, triangular, dan beta
Distribusi lain:
Diskusi Kelompok
Bahas masing-masing distribusi berikut:
Bernoulli, binomial, Hyperexponential Uniform, triangular, dan beta
Berikan penjelasan, fungsi, contoh.
Bahas tentang simulasi sistem inventori sederhana
Model
Distribusi Diskret
Variabel random diskret dipakai untuk memodelkan fenomena random yang hanya menggunakan nilai integer
Percobaan Bernoulli dan distribusi Bernoulli Distribusi binomial
Percobaan Bernoulli dan distribusi
bernoulli
Misalkan dilakukan n percobaan, masing-masing percobaan bisa sukses dan gagal:
Xj = 1 jika sukses Xj = 0 jika gagal
Distribusi Bernoulli (satu percobaan)
Dimana E(Xj)=p dan V(Xj)=p(1-p)=pq
Bernoulli process:
N percobaan Bernoulli dimana masing-masing bebas: P(x1,x2,x3,...,xn)=p1(x1)p2(x2)p3(x3)...pnxn
Distribusi binomial
Jumlah sukses dalam n percobaan Bernoulli , X, mempunyai distribusi binomial
Mean : E(x) = p + p + ... + p = n*p
Varians : V(X) = pq + pq + ... + pq = n*pq
Distribusi binomial negatif dan
geometric
Distribusi geometric
Jumlah percobaan Bernoulli X untuk mendapatkan sukses pertama
E(X)=1/p, V(X)=q/p2
Distribusi binomial negatif
Jumlah percobaan Bernoulli sampai sukses ke k
Jika Y adalah distribusi binomial negatif dengan parameter p dan k maka:
E(Y)=k/p dan V(X)=kq/p
Distribusi Poisson
Bisa dipakai untuk memodelkan distribusi banyak proses dengan baik dan secara matematis sederhana
Jika α > 0, pdf dan cdf
E(X) = α =V(X)
=
=
−α
α
∑
=
−
Distribusi Poisson
Seorang technical support mendapat permintaan per jam dengan distribusi Poisson (α = 2 per jam)
Probabilitas 3 permintaan dalam jam berikutnya
p(3)=(e-223)/3!=0.18
P(3)=F(3)-F(2)=0.857-0.677=0.18
Probabilitas 2 atau lebih permintaan dalam tiap jam
Distribusi kontinu
Uniform Exponential
Normal
Distribusi uniform
Variabel random disktret mempunyai distribusi uniform dalam interval (a,b),U(a,b) jika pdf dan cdfnya
Sifat
E(X)=(a+b)/2, V(X)=(b-a)2/12
Distribusi eksponensial
Variabel random X terdistribusi eksponensial dengan parameter λ> 0 jika pdf dan cdfnya
E(X) = 1/λ, V(X) = 1/λ2
>
=
−λ
λ
≥ −
= =
Distribusi Normal
Variabel random dengan distribusi normal mempunyai pdf
Distribusi Weibull
Variabel random mempunyai distribusi Weibull dengan pdf
3 parameter
Location parameter v
Scale parameter β
Shape parameter α
Distribusi lognormal
Variable random dengan distribusi lognormal mempunyai pdf
(
)
−
−
Distribusi Poisson
Sifat
=
≥
=