Professional Documents
Culture Documents
08 Mathematical Model
08 Mathematical Model
1. MATHEMATICAL MODEL
2. STOCHASTIC PROCESS
3. UNCERTAINTY
4. PROBABILITY DISTRIBUTION
Mathematical Model
2
System approach
System / goal
Validation ( step 4 )
adequate
Make changes Adequate mathematical model
Not adequate
Solution problem
Law
Postulate
Axiom
Theorem
Lemma
Corollary
Proposition
Conjecture
Compound statement
Conjunction dengan kata “and”
Disjuntion dengan kata “or” atau “xor”
Sederhana
Sederhana dan mudah dipahami oleh stakeholder meski tidak
mahir matematika
Complete
Mencantumkan semua aspek yang signifikan dalam situasi
masalah terhadap ukuran kinerja keluaran
Mudah dimanipulasi
Memungkinkan dipergunakan untuk mencari solusi yang
terbaik dan menjawab masalah
Adaptif
Perubahan struktur pada situasi masalah dapat dengan mudah
diadopsi model dengan modifikasi relatif minor untuk
adaptasi
Mudah dikomunikasikan
Pemikiran system analyst dalam model mudah dimengerti dan
interaktif dengan pengguna untuk mempersiapkan,
memperbarui, mengubah dan memperbaiki secara cepat.
BerdasarkanTujuan (purpose)
Optimasi
Model yang digunakan untuk mencari nilai optimal (terbaik =
maksimasi/minimasi)
Eksplanasi
Model yang digunakan untuk menunjukkan interaksi variabel
yang mempengaruhi perilaku sistem
Deskripsi
Model yang digunakan untuk menggambarkan perilaku sistem
Deterministik
Statik
Stokastik
Model
Deterministik
Dinamik
Stokastik
Fungsi Nonlinier
Regresi berganda
Heterogenous
Stokastik/probabilistik
Analisa Regresi
Regresi Linier
Regresi Nonlinier
Regresi Polinomial
Regresi Berganda
Optimasi
Turunan atau pendekatan Differensial
Maksimasi/minimasi dengan batasan kendala
Aljabar linier
Vektor
Matriks
Probabilitas kumulatif
Ekspektasi
Pendekatan kalkulus
Differensial
Integral
Probability on arrow
Model Empiris
Permodelan Simulasi
Formulasi :
Zk+1 = Jk ( Zk , Zk-1, …., Zk – nk ) :
Uk , U k – 1 , …., Uk – nk ; qk
Z = dependen variabel
K = nilai diskrit var independen t
Uj = { - ~ < j < ~ } merupakan urutan yang
diketahui
Qk = parameter
Jk = fungsi
Pemodelan Sistem 28/11/2018
Sistem Lingkungan
36
Angkat besi
Simplikasi / idealisasi
Oleh karena yang diperhatikan hanya gaya mengangkat, waktu
mengangkat tidak signifikan, sistem statik.
Oleh karena berat atlit yang dihubungkan dengan prestasi dapat
berulang maka sistem deterministik
Kompetisi tidak memperhatikan tinggi badan dan warna kulit
Karakteristik Sistem
Prestasi
Berat badan
Formulasi Matematik
Mendapatkan hambatan yang terjadi berdasarkan hubungan antara berat badan
dan hal angkatan, prestasi dapat dinyatakan berdasarkan faktor hambatan yang
terjadi
Identifikasi faktor relevan
L = berat angkatan / prestasi
W = berat badan
L’ = hambatan
Deskripsi Matematik
L = k w k , : suatu konstanta
Manipulasi matematik
L’ = k = L / w
Argumentasi fisik :
Asumsi : berat angkatan proporsional terhadap rata – rata
luas bidang potong otot atlit
Deskripsi Matematik
L = k1 A , A = luas
A = k2 l 2 , l = karasteristik panjang
W = k3 l 3 , berat proporsional terhadap
volume badan
Manipulasi Matematik
L= k1. k2. l2 = k1. k2 . ( W/k3 ) 2/3
k = k1 . k2 . k3 –2/3
L’ = k = L / W2/3
Deterministik
Goodness of fit (membandingkan nilai aktual dengan nilai
observasi/eksperimen)
Model stochastic
Statistical Comparison of Response
Pengujian Hipotesis
Notasi
X(t); t Є T : stage
T : set of index
t : parameter
X(t) : state of the process pada time t
State space
sample space pada stochastic process
Kumpulan Var. acak berindeks {Xt} dimana t berada pada him T yang diberikan.
T : Integer non negatif
Xt : Sifat yang bisa diukur pada waktu –t
Contoh :
X1, X2…..Menggambarkan tk inventori pd suatu produk demand mingguan
Contoh :
Sebuah toko kamera menyediakan model kamera khusus yang bisa di order
mingguan mis. D1, D2, … menunjukkan permintaan kamera selama minggu 1, 2, …
dst.
Disini diasumsikan bahwa di mrp var acak yang berdistribusi sesuai dg dest.ttt.
X0 :
Kamera on hand
X1 : Kamera on hand akhir minggu 1
X2 : Kamera on hand akhir minggu 2, dst
Asumsi X0 = 3
Pd sabtu malam toko tsb melkk order yg akan dikirim pd pembukaan toko tsb pd
hari senin. Toko tsb menggunakan kebijakan pemesanan ( S, S )
Mis. (1, 3) OH < 1 pesan
ada tdk pesan
State = 0,1,2,3
( kamera yg mungkin ada ditangan )
{Xt} utk t = 0,1 … proses stokastik
Xo = 3
max { (3 – Dt + 1), 0 } jk Xt < 1
Xt + 1 =
max { (Xt – Dt + 1), 0 } jk Xt >= 1
P. Stokastik { Xt }
Mempunyai sifat markovian jika :
P { Xt + 1 = j | X0 = K0, X1 = K1, … = Xt – 1 = Kt –1 , Xt = i }
= P { Xt + 1 = j | X t = I } Conditional Probability
Pij
j 0
(n)
Contoh :
Cond prb. Bahwa mulai dari state -i ke state k setelah v- step dan menjadi state –j
dgn m-v langkah.
Misal : v=1 dan v = n-1
Pij(n) Pik Pkj (n - 1
Pij(n) Pik (n - 1) Pkj
n 2 Pij(2) Pik Pik
P2 = 0.08 … 0.0368
0.632 idem
0.264
0.080
= 0.249 0.286 0.3 0.165
0.283 0.252 0.233 0.233
0.357 0.319 0.233 0.097
0.249 0.286 0.300 0.165
1 1 1 1
P{X2 3} (0.165) (0.233) (0.097) (0.165) 0.165
4 4 4 4
• Absorption States
state – k dikatakan absorbis state jk Pkk = 1
Markovian D. Models
Alternatif Policy State 2,3 ganti
0 1 2 3
0 0 7/8 1/16 1/16
1 0 3/4 1/8 1/8
2 1 0 0 0
3 1 0 0 0
Rb Rd
St 0 1 2 3 St 0 1 2 3
0 0 7/8 1/16 1/16 0 0 7/8 1/16 1/16
1 0 3/4 2/8 1/8 1 1 0 0 0
2 0 1 0 0 2 1 0 0 0
3 1 0 0 0 3 1 0 0 0
• Tentukan dist peluang P{X0=1}
initial state dr sistem dan R
• Tentukan urutan keputusan (di (R) ) = K Markovian D. Models
• Tentukan Pij(K)
Step step diatas hanya menjelaskan policy bukan yg terbaik ???
Cost Structure
Sistem pd state –i dan decision di (R) = K konsekuensi biaya = Cik ( expected )
Cik = biaya yg diperkirakan akan terjadi selama transisi berikutnya jika sistem dlm
status –i dan keputusan K telah di buat.
penjualan penjualan
grup 1
aktual
prediksi
grup 2
(a) (b)
Variabel Acak
Distribusi
Fungsi probabilitas
Probability Mass Function, p(x)
Probability Density Function, f(x)
Cumulative Distribution Function, F(x)
Ekspektasi
p(x) F(x)
Pemodelan Sistem 28/11/2018
Distribusi Kontinyu
103
f(x) F(x)
Pemodelan Sistem 28/11/2018
Distribusi Probabilitas Gabungan
104
Joint distribution Y2 X 2 Y2 X 2
P( X 1 x X 2 , Y1 y Y2 ) p( x, y) f ( x, y )dxdy
y Y1 x X 1 Y1 X 1
Marginal distribution
g ( x ) f ( x, y ) f ( x, y)dy
y 0
h( y) f ( x, y ) f ( x, y)dx
x 0
Conditional distribution
f ( x, y )
f ( y | x) di mana g ( x) 0
g ( x)
f ( x, y )
f ( x | y) di mana h( y ) 0
h( y )
Pemodelan Sistem 28/11/2018
Distribusi Bernoulli
105
Parameter p
Probability Mass Function, p(x)
p x 1
p
(1-p)
p( x) (1 p) x 0
0 0 1
other p(x)
p
F ( x) (1 p) 0 x 1 1
(1-p)
1 x 1
F(x)
Pemodelan Sistem 28/11/2018
Distribusi Bernoulli
106
Parameter p
Mean
p
Variance
2 p(1 p)
Parameter p dan n
Probability Mass Function, p(x)
n x
p (1 p) n x x 0,1,..., n
p( x) x
0
other
p(x)
Parameter p dan n
Mean
n. p
Variance
n. p(1 p)
2
Parameter p dan r
Probability Mass Function, p(x)
x 1 r
p (1 p) x r x r , r 1,...,
p( x) r 1
0 p(x)
other
Parameter p dan r
Mean
r
p
Variance
r (1 p )
2
2
p
Parameter p
Probability Mass Function, p(x)
p.(1 p) x 1 x 1,2,...,
p ( x)
0 other
p(x)
F(x)
Pemodelan Sistem 28/11/2018
Distribusi Geometrik
112
Parameter p
Mean
1
p
Variance
(1 p )
2
p2
Parameter N, D dan n
Probability Mass Function, p(x)
D N D
.
x n x x 0,1,..., min(n, D) p(x)
p( x) N
n
0 other
Cumulative Distribution Function, F(x)
0 x0
x
F ( x) p (i )
x0
i 0
F(x)
Pemodelan Sistem 28/11/2018
Distribusi Hipergeometrik
114
Parameter N, D dan n
Mean
D
n
N
Variance
D D N n
n 1
2
N N N 1
Parameter
Probability Mass Function, p(x)
e x
x 0,1,...,
p ( x) x!
0 other p(x)
Parameter
Mean
Variance
2
Parameter a dan b
Probability Mass Function, p(x)
1
x a, a 1,..., b
p( x) (b a) 1
0 other p(x)
Parameter a dan b
Mean
ab
2
Variance
(b a 1) 12
2
12
Parameter a dan b
Probability Density Function, f(x)
1
a xb
f ( x) b a
0 other
f(x)
Cumulative Distribution Function, F(x)
0 xa
( x a)
F ( x) a xb
(b a)
1 xb
F(x)
Pemodelan Sistem 28/11/2018
Distribusi Uniform Kontinyu
120
Parameter a dan b
Mean
ab
2
Variance
(b a ) 2
2
12
Parameter a, b dan c
Probability Density Function, f(x)
2( x a)
(c a)(b a) a x b
2(c x)
f ( x) bxc
( c a )(c b )
f(x)
0 other
Cumulative Distribution Function, F(x)
0 xa
( x a) 2
(c a)(b a) a xb
F ( x)
(b x) 2
1 bxc
( c a )( c b )
1 xc
F(x)
Pemodelan Sistem 28/11/2018
Distribusi Triangular
122
Parameter a dan b
Mean
abc
3
Variance
a b c ab ac bc
2 2 2
2
18
Parameter = 1/
Probability Density Function, f(x)
.e . x x0
f ( x)
0 other f(x)
Parameter = 1/
Mean
1
Variance
1
2 2
2
Parameter dan
Probability Density Function, f(x)
x 1e x /
x0
f ( x) ( )
0 other
f(x)
di mana ( ) x 1e x dx dan jika bulat positif ( ) ( 1)!
0
Cumulative Distribution Function, F(x)
0 x0
x
F ( x) f (i )di x 0
0
Pemodelan Sistem F(x) 28/11/2018
Distribusi Gamma
126
Parameter dan
Mean
Variance
2 2
Parameter m dan
Probability Density Function, f(x)
m x m 1e x /
x0
f ( x) ( m)
0 other f(x)
Parameter m dan
Mean
m
Variance
Parameter dan
Probability Density Function, f(x)
. x 1e ( x / )
x0
f ( x)
0 other
f(x)
F(x)
Pemodelan Sistem 28/11/2018
Distribusi Weibull
130
Parameter dan
Mean
1
Variance
2
2 1 1
2
2 2
Parameter = 2 dan
Probability Density Function, f(x)
2. 2 x.e ( x / ) x0
2
f ( x)
0 other
f(x)
F(x)
Pemodelan Sistem 28/11/2018
Distribusi Rayleigh atau Weibull (2,)
132
Mean
1
2 2
Variance
2
2
2
2 2
Pemodelan Sistem 28/11/2018
Distribusi Beta
133
Parameter 1 dan 2
Probability Density Function, f(x)
x1 1 (1 x) 2 1
0 x 1
f ( x) (1 , 2 )
0 other
f(x)
(1 ).( 2 )
di mana (1 , 2 )
(1 2 )
Cumulative Distribution Function, F(x)
0 x0
x
F ( x) f (i )di x 0
0
Pemodelan Sistem F(x) 28/11/2018
Distribusi Beta
134
Parameter 1 dan 2
Mean
1
1 2
Variance
1 2
2
1 2 1 2 1
2
Parameter dan
Probability Density Function, f(x)
( x ) 2 /( 2 2 )
e
f ( x)
2 . 2
f(x)
F(x)
Pemodelan Sistem 28/11/2018
Distribusi Normal atau Gaussian
136
Parameter dan
Mean
Variance
2 2
Parameter dan
Probability Density Function, f(x)
e (ln( x ) ) /( 2
2 2
)
x0
f ( x) x. 2 . 2
0
other f(x)
F(x)
Pemodelan Sistem 28/11/2018
Distribusi Lognormal
138
Parameter dan
Mean
2 / 2
e
Variance
2 2 2
e2
(e 1)
F(x)
Pemodelan Sistem 28/11/2018
Distribusi Chi-Square atau Gamma (/2,2)
140
Mean
Variance
2
2
Chi-Square Test
Kolmogorov Smirnov Test
Geary Test
Lilliefors Test
Shapiro-Wilk Test
Moment Generating Function
Maximum Likelihood Estimation
Least Square Error
2
k f observed f expected
2 0,3
0,25
i 1 f expected 0,2
pdf f(x)
0,15
0,05
0
16,5 19,5 22,5 25,5 28,5 31,5 x
p Distribusi sesuai 0
10 15 20 25 30 x
35
Ekspektasi rata-rata
E ( x) x. p( x) x. f ( x)dx
x 0
Ekspektasi variansi
E ( x ) E ( x) x 2 . p( x) 2 x 2 . f ( x)dx 2
2 2 2
x 0
Fungsi Likelihood
n
L( x1 , x2 ,..., xn ) f ( xi )
i 1
Ekspektasi rata-rata
n
x i
i 1
x
n
Ekspektasi variansi
n
(x x)i
2 i 1
S2
n
Pemodelan Sistem 28/11/2018
Least Square Error
146
Sum Square Error
0,3
pdf f(x)
i 1 0,15
0,1
0,05
1
0
16,5 19,5 22,5 25,5 28,5 31,5 x
0,75
CDF F(x)