Distribusi Peluang Diskrit
Distribusi Peluang Diskrit
140110080043
DISTRIBUSI PELUANG DISKRIT
1.DISTRIBUSI BINOMIAL
Contoh:
3
1 Suatu suku cadang dapat menahan uji goncangan tertentu dengan peluang 4, Hitung
peluang bahwa tepat dua dari empat suku cadang yang di uji tidak akan rusak
Jawab:
3 3 3 4! 3 1 4.3 32 27
𝑏 (2: 4, ) = (42)( )2 (1 − )2 = ( )2 ( )2 = =
4 4 4 2!2! 4 4 2 43 128
Peluang seorang sembuh dari operasi jantung yang rumit adalah 0,7. Bila dari 10
2 orang menjalani operasi jantung. Tentukan peluang:
a. Tepat lima orang akan sembuh
1 b. Paling sedikit 3 orang akan sembuh
c. Kurang dari 3 orang akan sembuh
d. Antara 3 sampai 8 yang akan sembuh
Jawab:
Misal :L x p.a yang menyatakan jumlah orang yang akan sembuh
a. 𝑝(𝑋 = 5) = 𝑏(5; 10,0,7) = (10 5
)(0,7)5 (0,3)5
b. 𝑝(𝑥 > 3) = 1 − 𝑝(𝑥, 3) = 1 − ∑2𝑥=0 𝑏(𝑥; 10, 0,7)
= 1 − {𝑏(0; 10, 0,7) + 𝑏(1; 10, 0,7) + 𝑏(2; 10, 0,7)} = 1 − 0,0016
c. 𝑝(𝑥 < 3) = ∑2𝑥=0 𝑏(𝑥; 10, 0,7) = 0,0016
d. 𝑝(3 ≤ 𝑥 ≤ 8) = ∑8𝑥=3(10 𝑥
)(0,7)𝑥 (0,3)10−𝑥
8 2
1
Vera Oktarina
140110080043
Sepuluh persen produksi baut ternyata rusak. Baut-baut tersebut dijual dalam kotak.
4
Setiap kotak berisi 25 buah tentukan peluang sebuah kotak berisi:
1 a. Semua baut bagus
b. Tidak lebih dari 2 rusak
c. Paling sedikit tiga bagus
5 Tiap soal ujian pilihan ganda terdiri dari pilihan betul salah, semuanya ada 20 soal
tentukan peluang menerka secara benar paling sedikit 17 soal
1
Definisi:
Banyaknya usaha x untuk menghasilkan k sukses dalam percobaan Binomial Negatif disebut
p.a Binomial Negatif
Distribusi peluang Binomial Negatif (fmp): b* (x; k,p)=p(X=x)=(𝑥−1
𝑘−1
)𝑝𝑘 (1 − 𝑝)𝑥−𝑘
Dimana X=k, k+1, k+2,...
b* (x; k,p) =Banyaknya usaha yang berakhir tepat pada sukses ke k
p =peluang sukses
𝑠𝑖𝑓𝑎𝑡 𝑥~𝑏 ∗ (𝑥; 𝑘, 𝑝):
𝑘
𝐸(𝑥) =
𝑝
𝑘(1 − 𝑝)
𝜎2 =
𝑝2
Fungsi Pembangkit Momen (FPM) dari distribusi Binomial Negatif:
𝑀(𝑡) = 𝑝𝑘 (1 − (1 − 𝑝)𝑒 𝑡 )−𝑘 𝑢𝑛𝑡𝑢𝑘𝑡 < − ln(1 − 𝑝))
coba buktikan!!
Dengan FPM diatas buktikan:
𝑘 𝑘(1 − 𝑝)
𝐸(𝑥) = 𝑑𝑎𝑛 𝜎 2 =
𝑝 𝑝2
2
Vera Oktarina
140110080043
Carilah peluang bahwa seorang yang melantunkan 3 uang logam sekaligus akan
1 menghasilkan semuanya muka atau semuanya belakang untuk kedua kalinya pada
lantunan ke lima.
1
Jawab:
1
Distribusi Binomial Negatif dengan 𝑥 = 5; 𝑘 = 2; 𝑝 = 4
1 5 − 1 1 2 3 5−2 4 1 3 27
𝑏 ∗ (5; 2, ) = ( )( ) ( ) = ( ) ( )2 ( )3 =
4 2−1 4 4 1 4 4 256
Seorang peneliti menyuntik beberapa ekor tikus, satu demi satu dengan sejenis bibit
2 penyakit sampai ia mengumpulkan 2 ekor yng telah terserang penyakit tersebut. Bila
1
1 peluang terserang penyakit tersebut 6 . Berapakah peluang bahwa 8 ekor tikus yang
perlu disuntik?
Jawab:
Misal : p.a x-jumlah tikus yang perlu disuntik sehingga ditemukan 2 terserang
penyakit.
1
𝑥~𝑏 ∗ (𝑥; 2, 6)
1 8−1 1 2 5 6 1 5
𝑝(𝑥 = 8) = 𝑏 ∗ (8; 2, ) = ( ) ( ) ( ) = 7( )2 ( )6 = 0,065
6 2−1 6 6 6 6
3.DISTRIBUSI GEOMETRIK
Bila usaha yang saling bebas dilakukan brulang kali menghasilkan sukses dengan peluang p,
gagal dengan peluang Q=1-p, maka distribusi peluang p.a x yaitu banyakmya usaha sampai
saat terjadi sukses yang pertama
𝑙𝑛𝑒 𝑡 < − ln 𝑄
𝑡 < −𝑙𝑛𝑄
3
Vera Oktarina
140110080043
1 𝑄
Dengan menggunakan FPM tentukan dan buktikan 𝐸(𝑥) = 𝑝 𝑑𝑎𝑛 𝑉𝑎𝑟(𝑥) = 𝑝2
Contoh soal:
Dalam suatu proses produksi diketahui bahwa rata-rata 1 diantara 100 butir hasil produksi
cacat. Berapa peluang memeriksa 5 butir dan baru menemukan yang cacat pada yang kelima?
Jawab:
Distribusi geometri dengan x=5 , p=0,01
𝑔(5; 0,01) = (0,01)(1 − 0,01)5−1 = (0,01)(0,99)4 = 0,0096
4. DISTRIBUSI POISSON
Percobaan poisson adalah percobaan yang menghasilkan banyaknya sukses selama selang
waktu atau daerah tertentu.
𝑒 −𝜇 𝜇 𝑥
𝑝(𝑋 = 𝑥) = 𝑝(𝑥; 𝜇) = , 𝑥 = 0,1,2, ..
𝑥!
Dengan 𝜇 menyatakan rata-rata banyaknya sukses yang terjadi dalam selang waktu atau
daerah tertentu.
Sifat:
1. 𝐸(𝑥) = 𝜇
2. 𝑉𝑎𝑟(𝑥) = 𝜎 2 = 𝜇
∞
3. ∑ 𝑝(𝑋; 𝜇) = 1
𝑥=0
Contohnya :
Rata-rata banyaknya partikel radioaktif yang melewati suatu penghitung selama 1 millidetik
dalam suatu percobaan di lab adalah 4. Berapa peluang 6 partikel melewati penghitung dalam
suatu millidetik tertentu.
Jawab :
𝑥 = 6, 𝜇 = 4
6 4
𝑒 −4 46
𝑝(6; 4) = = ∑ 𝑝(𝑥; 4) − ∑ 𝑝(𝑥; 4) = 0,8893 − 0,7851 = 0,042
6!
𝑥=0 𝑥=0
Contoh percobaan poisson dapat menghasilkan pengamatan untuk p.a x yang menyatakan
-Banyaknya hubungan telepon perjam yang diterima suatu kantor
-Banyaknya hari sekolah yang ditutup karena banjir
-Banyaknya pertandingan sepakbola yang terpaksa di undurkan karena hujan selama musim
hujan
Daerah yang dimaksud dapat berupa: sepotong garis, suatu luas daerah, suatu isi benda,
sepotong benda,dll
X bisa menyatakan
-Banyaknya tikus sawah per hektar
-Banyaknya Bakteri dalam suatu kultur
Banyaknya hasil x dalam suatu percobaan poisson disebut p.a poisson, Distribusi peluangnya
distribusi Poisson
Beberapa Distribusi kontinu yang penting yang digunakan dalam teori keterandalan
(reabilitas) dan teori antrian bergantung pada proses Poisson.
4
Vera Oktarina
140110080043
Lanjutan Distribusi Poisson
Teorema: Misalkan x p.a Binomial dengan Distribusi peluang b(x;n,p).
bila 𝑛 → ∞, 𝑝 → 0 𝑑𝑎𝑛 𝜇 = 𝑛. 𝑝 𝑡𝑒𝑡𝑎𝑝 𝑠𝑎𝑚𝑎 𝑚𝑎𝑘𝑎 𝑏(𝑥; 𝑛, 𝑝) → 𝑝(𝑥; 𝜇)
Contoh:
Dalam suatu proses produksi menghasilkan barang dari gelas, terjadi gelumbung atau cacat
yang kadang-kadang menyebabkan barang tersebut sulit dipasarkan. Diketahui bahwa rata-
rata 1 dari 1000 barang yang dihasilkan mempunyai satu atau lebih gelembung. Berapakah
peluang bahwa dalam sampel acak sebesar 8000 barang akan berisi kurang dari 7 yang
bergelembung?
Jawab:
𝑛 = 8000, 𝑝 = 0,001 → 𝑝 → 0, 𝜇 = 𝑛𝑝 = 8
6 6
5. DISTRIBUSI HIPERGEOMETRIK
Contoh:
1. Suatu kotak berisi 40 suku cadang yang dapat diterima bila terdapat paling banyak 3
yang cacat. Jika diambil sampel sebanyak 5 kotak, berapa peluang terdapat 1 yang
cacat dari sampel?
Jawab :
𝑁 = 40; 𝑘 = 3; 𝑛 = 5; 𝑥 = 1; 𝑁 − 𝑘 = 40 − 3 = 37; 𝑛 − 𝑥 = 5 − 1 = 4
(31)(37 )
𝑝(𝑋 = 1) = 404 = 0,3011
(58)
2. Suatu panitia 5 orang akan dipilih secara acak dari 3 Kimiawan dan 5 Fisikawan.
Hitung distribusi peluang banyaknya Kimiawan dalam panitia tersebut?
Jawab :
Misal: p.a x menyatakan banyaknya Kimiawan dalam panitia.
5
Vera Oktarina
140110080043
(30)(55) 1
𝑝(𝑋 = 0) = ℎ(0; 8,5,3) = =
(85) 56
(31)(54) 15
𝑝(𝑋 = 1) = ℎ(1; 8,5,3) = =
(85) 56
(32)(53) 30
𝑝(𝑋 = 2) = ℎ(2; 8,5,3) = =
(85) 56
(33)(52) 10
𝑝(𝑋 = 3) = ℎ(3; 8,5,3) = =
(85) 56
Distribusi Hipergeometrik x dalam bentuk tabel
x 0 1 2 3
h(x;8,5,3) 1 15 30 10
56 56 56 56
(𝑥3)(5−𝑥
5
)
ℎ(0; 8,5,3) = ; 𝑥 = 0,1,2,3
(85)
Jika n<<<N-> peluang tiap pengambilan hanya berubah sedikit. Jadi pada dasarnya
percobaan adalah binomial
Maka Distribusi Hipergeometrik dapat dihampiri dengan menggunakan Distribusi
𝑘
Binomial dengan 𝑝 = 𝑁
𝑘
(𝑥~ℎ(𝑥) ≈ 𝑏(𝑥; 𝑛, 𝑝)𝑑𝑒𝑛𝑔𝑎𝑛 𝑝 =
𝑁
𝑛𝑘
𝑟𝑎𝑡𝑎𝑎𝑛 𝐸(𝑥)𝑑𝑎𝑝𝑎𝑡 𝑑𝑖ℎ𝑎𝑚𝑝𝑖𝑟𝑖 𝑑𝑒𝑛𝑔𝑎𝑛 ∶ 𝜇 = 𝑛𝑝 =
𝑁
𝑘 𝑘
𝑣𝑎𝑟𝑖𝑎𝑛𝑠𝑖 𝑣(𝑥)𝑑𝑎𝑝𝑎𝑡 𝑑𝑖ℎ𝑎𝑚𝑝𝑖𝑟𝑖 𝑑𝑒𝑛𝑔𝑎𝑛 ∶ 𝜎 2 = 𝑛𝑝𝑄 = 𝑛. (1 − )
𝑁 𝑁
Contoh:
1. Sebuah pabrik ban melaporkan bahwa dari pengiriman sebanyak 5000 ban ke
suatu toko terdapat 1000 cacat. Jika seseorang membeli 10 ban ini secara acak dari
toko tersebut , berapa peluang tepat 3 yang cacat?
Jawab :
𝑘 1000
𝑁 = 5000; 𝑛 = 10; 𝑘 = 1000 𝑛 ≪< 𝑁 → 𝑝 = = → 𝑑𝑒𝑛𝑔𝑎𝑛 𝑑. 𝐵𝑖𝑛𝑜𝑚
𝑁 5000
10
𝑥~ℎ(𝑥) = 𝑏(𝑥; 𝑛, 𝑝) = 𝑏(3; 10,0,2) = ( ) (0,2)3 (0,8)7
3
3 2
2. Dari suatu kampung diperkirakan 4000 dari 10000 penduduk berhak memilih,
menginginkan pa Ali jadi Lurah. Bila 15 penduduk yang berhak memilih diambil
secara acak dan pilihannya ditanya : berapa peluang paling banyak 7 diantaranya
yang ingin memilih pak Ali sebagai Lurah.
6
Vera Oktarina
140110080043
MENENTUKAN DISTRIBUSI DARI I DAN B UNTUK SEBUAH MODEL
Plan term life insurance 1 tahun akan membayar ekstra benefit untuk kasus
meninggal karena kecelakaan, lebih spesifik jika meninggal kecelakaan benefit yang
diberikan adalah 50.000. Jika meninggal bukan karena kecelakaan benefit yang diberikan
25.000.
Asumsikan bahwa untuk usia , kesehatan, occupational meninggal karena kecelakaan
dalam 1 tahun adalah : 0,0005, peluang meninggal bukan karena kecelakaan 0,0020. Jadi
Pr(I=1 dan B=50.000) = 0,0005
Pr(I=1 dan B=25.000) = 0,0020
Jumlah dari kemungkinan B adalah:
Pr(I=1) = 0,0005+0,002 = 0,0025
Pr(I=0) = 1- Pr(I=1)=0,9975
Asuransi adalah suatu cara proteksi terhadap kerugian atau akibat suatu kerugian (loss).
Model resiko individual : tiap resiko dalam portofolio hanya menimbulkan claim. Misalkan x
menyatakan besarnya kerugian yang diasuransikan atau sering dinamakan besarnya claim
Asuransi. (loss an insured unit i=xi)
X merupakan suatu variable acak. Karena besarnya maupun kejadiannya tidak pasti.
Model resiko individual : 𝑆 = 𝑥1 + 𝑥2 + ⋯ . . +𝑥𝑛
n= jumlah unit resiko tertanggung
Sebagai contoh:
7
Vera Oktarina
140110080043
Dalam jangka 1 tahun dari asuransi jiwa , Perusahaan Asuransi menyetujui akan
membayar sebesar b jika yang diasuransikannya meninggal dalam jangka 1 tahun dan tidak
membayar jika yang diasuransikan tetap hidup pada tahun tersebut.
Peluang selama terjadi claim dalam tahun dinotasikan dengan Q. Claim random variable x
mempunyai sebuah Distribusi yang dinyatakan dengan fungsi peluang f(x) yaitu:
1 − 𝑄, 𝑥=0
𝑓(𝑥) = 𝑝𝑟 (𝑋 = 𝑥) = 𝑓(𝑥) = { 𝑄, 𝑥=𝑏
𝑥 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛𝑛𝑦𝑎
𝑑𝑎𝑛 𝑓𝑢𝑛𝑔𝑠𝑖 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑠𝑖 𝐹(𝑥):
0, 𝑥<0
𝐹𝑥 (𝑥) = 𝑝𝑟 (𝑋 ≤ 𝑥) = 𝑓(𝑥) = {1 − 𝑄 0 ≤ 𝑥 < 𝑏
1, 𝑥≥𝑏
E(X)=E(IB)=BE(I)=B.Q
E(X2)=E(I2B2)=B2 E(I2)=B2.Q
Var(X)=E(X2)-[E(X)]2=B2 Q(1-Q)
Atau rumus diatas dapat ditulis x=Ib pada asuransi jiwa besarnya claim adalah tertentu.
Misalnya dengan benefit sebesar b, jika meninggal maka dapat dinyatakan dengan x=Ib
1, 𝑗𝑖𝑘𝑎 𝑘𝑙𝑎𝑖𝑚 𝑡𝑒𝑟𝑗𝑎𝑑𝑖 𝑑𝑎𝑛,
dengan 𝑥 = {
0, 𝑗𝑖𝑘𝑎 𝑘𝑙𝑎𝑖𝑚 𝑡𝑖𝑑𝑎𝑘 𝑡𝑒𝑟𝑗𝑎𝑑𝑖
Sehingga :
p(x=b)=p(I=1)=Q
p(x=0)=p(I=0)=1-Q
E(x)=E(Ib)=E(I).b=Q.b
Var(x)=Var(I.b)=b2 Var(I)=b2 Q(1-Q)
Besarnya benefit dapat pula bervariasi seperti dalam asuransi kerugian. Misalnya benefitnya
ditulis dengan B. B dapat pula dianggap sebagai Variabel acak dan x=IB
Contoh 1
Asuransi kecelakaan dengan santunan 5 juta , jika meninggal dan 1 juta jika hanya luka(
1
untuk biaya rumah sakit-pengobatan). Jika terjadi kecelakaan. Misalkan peluang meninggal 4
3
dan peluang hanya luka 4
1
P(B=5 juta|I=1)= 4
3
P(B=1 juta|I=1)= 4
1 1 9
Peluang kecelakaan adalah 10 p(I=1)= 10 dan p(I=0)= 10
𝑉𝑎𝑟(𝑋) = 𝑏 2 𝑄 − [𝑏𝑄]2 = 𝑏 2 𝑄[1 − 𝑄]
1 1 1
𝑝(𝐵 = 𝑅𝑝. 5 𝑗𝑢𝑡𝑎) = 𝑝(𝐼 = 1, 𝐵 = 5𝑗𝑢𝑡𝑎) = 𝑝(𝐵 = 5 𝑗𝑢𝑡𝑎|𝐼 = 1). 𝑝(𝐼 = 1) = . =
4 10 40
3 1 3
𝑝(𝐵 = 𝑅𝑝. 1 𝑗𝑢𝑡𝑎) = 𝑝(𝐼 = 1, 𝐵 = 1𝑗𝑢𝑡𝑎) = 𝑝(𝐵 = 1 𝑗𝑢𝑡𝑎|𝐼 = 1). 𝑝(𝐼 = 1) = . =
4 10 40
Contoh 2:
Pada asuransi kendaraan B mempunyai Distribusi kontinu dengan fungsi densitas (satuan
dalam jutaan rupiah)
𝑥
0,9 (1 − ) , 0 < 𝑥 < 2
𝑓𝐵|𝐼 (𝑥|𝐼) = { 2
0, 𝑥 𝑙𝑎𝑖𝑛𝑛𝑦𝑎
8
Vera Oktarina
140110080043
P(B=2)=0,1
2 2 𝑥
Catatan : 𝑝(0 < 𝐵 < 2) = ∫0 𝑓𝐵|𝐼 (𝑥|𝐼)𝑑𝑥 = 0,9 ∫0 (1 − 2) 𝑑𝑥 = 0,9
Jika sebenarnya B mempunyai Distribusi campuran yaitu 0<B<2 berdistribusi kontinu dan
untuk B=2 berdistribusi diskrit
𝐹𝐵(𝑥)
0,9
2 x
0, 𝑥 ≤ 0
𝑥
𝐹𝐵(𝑥) = 𝑝(𝐵 ≤ 𝑥|𝐼 = 1) = {0,9[1 − (1 − )2 ], 0<𝑥<2
2
1, 𝑥≥2
0
{ 1
0,9 𝑥 − 0,9 𝑥 2
4
𝑗𝑖𝑘𝑎 𝑝(𝐼 = 1) = 0,15, 𝑚𝑎𝑘𝑎 𝐸(𝑥|𝐼 = 0) = 0
2
𝑥
𝐸(𝑥|𝐼 = 1) = 𝐸(𝐵|𝐼 = 1) = ∫ 𝑥. 0,9 (1 − ) 𝑑𝑥 + 2. 𝑝(𝐵 = 2) = 0,6 + 0,2 = 0,8
2
0
𝐸(𝑥) = (𝑥|𝐼 = 0). 𝑝(𝐼 = 0) + 𝐸(𝑥|𝐼 = 1). 𝑝(𝐼 = 1) = 0 + [0,8 𝑥 0,15] = 0,12
9
Vera Oktarina
140110080043
𝐹𝐵(𝑥)
1
0,95
0,85
2 x
Jika dalam menentukan E(x) dan Var (x), kita akan langsung menggunakan distribusi
dari x, tentukan lebih dahulu distribusi dri x . x juga merupakan distribusi campuran yang
diskrit di x=0 dan x=2, sehingga:
P(x=0)=p(I=0)=0,85
P(x=2)=p(B=2|I=1).p(I=1)=0,1 x 0,15=0,015
𝑥 𝑥
𝑑𝑎𝑛 𝑓𝑋 (𝑥) = 𝑓𝐵|𝐼 (𝑥|𝐼). 𝑝(𝐼 = 1) = 0,9 (1 − ) . 0,15 = 0,135 (1 − ) … . 𝑢𝑛𝑡𝑢𝑘 0 < 𝑥 < 2
2 2
𝑎𝑡𝑎𝑢 𝑓𝑋 (𝑥)
𝑥 1 0,8 𝑥 𝑥
𝐹𝑥′ (𝑥) = [0,9.2. (1 − ) . − ] . 0,15 = . (1 − ) 2.0,15 = 0,0135 (1 − ) , 0 < 𝑥 < 2
={ 2 2 2 2 2
0, 𝑥 𝑙𝑎𝑖𝑛𝑛𝑦𝑎
2
𝑥
𝑠𝑒ℎ𝑖𝑛𝑔𝑔𝑎 𝐸(𝑥) = 0,135 ∫ 𝑥 (1 − ) 𝑑𝑥 = 0,12
2
0
2
𝑥
𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 ) − [𝐸(𝑥)]2 = 0,135 ∫ 𝑥 2 (1 − ) 𝑑𝑥 + 22 𝑝(𝑥 = 2) = 0,1356
2
0
Misalkan suatu perusahaan asuransi menanggung n unit Resiko dan 𝑆 = 𝑥1 + 𝑥2 + ⋯ . . +𝑥𝑛
adalah jumlah besarnya risiko yang ditanggung perusahaan tersebut. Diasumsikan bahwa
𝑥1 , 𝑥2 , … . . , 𝑥𝑛 saling bebas. Asumsi ini diambil pertama untuk memudahkan dari segi
matematikanya. Kedua tidak jelas bagaimana bentuk relasi yag wajar apabila tidak saling
bebas.
10
Vera Oktarina
140110080043
SUM OF INDEPENDENT RANDOM VARIABLE
{𝑥 + 𝑦 ≤ 𝑆}
Untuk 2 diskrit, non negative v.r dapat digunakan Hukum Total probability untuk menulis
𝑝𝑟
Sebagai: 𝐹𝑆 (𝑠) = ∑∀𝑦≤𝑆 𝑃𝑟 (𝑋 + 𝑌 ≤ 𝑆|𝑌 = 𝑦). 𝑃𝑟 (𝑌 =
𝑦) = ∑∀𝑦≤𝑆 𝑃𝑟 (𝑋 ≤ 𝑠 − 𝑦|𝑌 = 𝑦). 𝑃𝑟 (𝑌 = 𝑦). . (2)
11
Vera Oktarina
140110080043
Dalam prakteknya pers (3) dan pers (6) dinamakan KONVOLUSI dari pasangan Distribusi
Fungsi 𝐹𝑋 (𝑥)𝑑𝑎𝑛 𝐹𝑌 (𝑦)𝑑𝑎𝑛 𝑑𝑖𝑛𝑜𝑡𝑎𝑠𝑖𝑘𝑎𝑛 𝑠𝑒𝑏𝑎𝑔𝑎𝑖 𝐹𝑥 𝑑𝑎𝑛 𝐹𝑦
Conclusion dapat juga didefinisikan untuk pasangan fungsi peluang atau fungsi padat peluang
dalam persamaan (4) dan (7). Untuk menentukan Distribusi dari jumlah lebih dari dua v.r
digunakan Convolution proses I untuk 𝑆 = 𝑥1 + 𝑥2 + ⋯ . . +𝑥𝑛 dimana 𝑥𝑖 adalah
independent r.v
Prosesnya
F(2) = F2 * F(1)=F2 * F1
F(3) = F3 * F(2)
F(4) = F4 * F(3)
:
:
F(n) = Fn * F(n-1)
Contoh 2:
Misalkan X merupakan distribusi Uniform pada (0,2) Y independent dengan distribusi
Uniform pada (0,3), tentukan df dari S=X+Y
Jawab:
Karena X dan Y kontinu
0, 𝑥<0 1
𝑥 , 0<𝑥<2
𝐹𝑋 (𝑥) = { , 0≤𝑥<2 𝑓𝑋 (𝑥) = {2
2
1, 𝑦 ≥ 2 0, 𝑥𝑙𝑎𝑖𝑛𝑛𝑦𝑎
0, 𝑦<0 1
𝑦 , 0<𝑦<3
𝐹𝑌 (𝑦) = { , 0≤𝑦<3 𝑓𝑌 (𝑦) = {3
3
1, 𝑦 ≥ 3 0, 𝑦𝑙𝑎𝑖𝑛𝑛𝑦𝑎
12
Vera Oktarina
140110080043
Kejadian trsebut termasuk pada 𝑋 + 𝑌 ≤ 𝑆 yang ilustrasi dalam gambar untuk 5 nilai dari S ,
untuk setiap nilai, garis yang beririsan dengan sumbu y di S dan X=2 di S-2. Jadi nilai dari 𝐹𝑆
untuk 5 jenis adalah:
𝑠
2, 3 𝐹𝑆 (𝑠) = ∫ 𝐹𝑋 (𝑥)𝐹𝑌 (𝑠 − 𝑥)𝑑𝑥
3
0
Contoh 3:
X dan Y berditribusi diskrit:
𝑝(𝑥 = 0) = 0,3 ; 𝑝(𝑥 = 1) = 0,2 ; 𝑝(𝑥 = 2) = 0,5
𝑝(𝑦 = 0) = 0,1 ; 𝑝(𝑦 = 1) = 0,3 ; 𝑝(𝑦 = 2) = 0,6
𝐹𝑋 (0) = 0,3 ; 𝐹𝑋 (1) = 0,5 ; 𝐹𝑋 (2) = 1
13
Vera Oktarina
140110080043
= ∫ 𝑓1 (𝑥 − 𝑦)𝑓2 (𝑦)
0
𝑥 𝑥
14
Vera Oktarina
140110080043
Contoh 6:
Dengan contoh diatas tentukan pdf 𝑆 = 𝑋1 + 𝑋2 + 𝑋3 + ⋯ . +𝑋𝑛 dengan menggunakan MGF
dari S”
𝑀𝑆 (𝑡) = 𝑀𝑋1 (𝑡). 𝑀𝑋2 (𝑡). 𝑀𝑋3 (𝑡) = 𝑒 𝑡(𝑋1 ) . 𝑒 𝑡(𝑋2 ) . 𝑒 𝑡(𝑋3 )
∞ ∞ ∞
= [∫ (𝑒 𝑡𝑋1 −𝑥 )𝑑𝑥[
𝑒 ∫ (2. 𝑒 𝑡𝑋2 −2𝑥 )𝑑𝑥][∫ (𝑒 𝑡𝑋3 −3𝑥 )(3)𝑑𝑥
𝑒 𝑒
0 0 0
∞ ∞ ∞ 1 2 3
= [∫0 (𝑒 (𝑡−1)𝑥 )𝑑𝑥[ ∫0 (2. 𝑒 (𝑡−2)𝑥 )𝑑𝑥][∫0 3(𝑒 (𝑡−3)𝑥 )𝑑𝑥 = 𝑡−1 𝑒 (𝑡−1)𝑥 |∞.
0 𝑡−2 𝑒
(𝑡−2)𝑥
. 𝑡−3
𝑒 (𝑡−3)𝑥 |∞
0
1 2 3
= (1−𝑡) (𝑡−2)( 𝑡−3)
Contoh 7:
Inverse Gaussian Distribution.
𝛼 −3 (𝛽𝑥 − 𝛼)2
𝑓𝑋 (𝑥) = 𝑥 2 exp [− ],𝑥 > 0
√2𝜋𝐵 2𝛽𝑥
2𝑡
𝑀𝑋 (𝑡) = 𝑒𝑥𝑝[𝛼(1 − √1 − )]
𝛽
Tentukan Distribusi: 𝑆 = 𝑋1 + 𝑋2 + 𝑋3 + ⋯ . +𝑋𝑛
2𝑡
𝑀𝑆 (𝑡) = [𝑀𝑋 (𝑡)]𝑛= 𝑒𝑥𝑝[𝑛𝛼(1 − √1 − )]
𝛽
Parameter Inverse Gaussian Distribution : 𝑛𝛼 𝑑𝑎𝑛 𝛽
Contoh 8: MGF
X berdistribusi diskrit p(x=0)=0,3 ; p(x=1)=0,2; p(x=2)=0,5
2
15
Vera Oktarina
140110080043
DISTRIBUSI DARI JUMLAH VARIABEL ACAK SALING BEBAS (KONVOLUSI)
Contoh 1:
Peubah acak 𝑋1 , 𝑋2 , 𝑑𝑎𝑛 𝑋3 adalah saling bebas dengan distribusi di definisikan pada kolom
1,2 , 3, dan tentukan p.f dan d.f dari 𝑆 = 𝑋1 + 𝑋2 + 𝑋3
𝐹2 (𝑥) = ∑ 𝑓1 (𝑥)
Catatan
𝑛 𝑛
16
Vera Oktarina
140110080043
Latihan
1. X dan Y merupakan distribusi uniform (seragam) dengan
𝑥~𝑈[0,2]𝑑𝑎𝑛 𝑦~𝑈[0,3], 𝑡𝑒𝑛𝑡𝑢𝑘𝑎𝑛 𝑀𝑋 (𝑡), 𝑀𝑌 (𝑡), 𝑀𝑋+𝑌 (𝑡) apakah X+Y berdistribusi
seragam.
3. Distribusi Gamma
𝛽𝛼
𝑓(𝑥) = 𝜏(𝛼) . 𝑥 𝛼−1 𝑒 −𝛽𝑥 , 𝑥 > 0
𝑗𝑖𝑘𝑎 𝛼 = 1−→ 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑠𝑖 𝐺𝑎𝑚𝑚𝑎 𝑚𝑒𝑛𝑗𝑎𝑑𝑖 𝐸𝑘𝑠𝑝𝑜𝑛𝑒𝑛𝑠𝑖𝑎𝑙
𝛽 𝛼
𝑀𝑋 (𝑡) = ( ) 𝑏𝑢𝑘𝑡𝑖𝑘𝑎𝑛
𝛽−𝑡
17
Vera Oktarina
140110080043
CONTOH APLIKASI..
1. Suatu perusahaan asuransi jiwa menjual produk Term Insurance dengan perode 1
tahun. Benefit yang ada adalah 1 dan 2 unit dengan probabilitas 0,02 dan 0,01. Tabel
berikut memberikan jumlah individu 𝑛𝑘 . Benefit amount dan probabilitas claim 𝑄𝑘 .
Seperti pada tabel berikut:
𝑘 𝑄𝑘 𝑏𝑘 𝑛𝑘
1 0,02 1 500
2 0,02 2 500
3 0,1 1 300
4 0,1 2 500
Perusahaan asuransi jiwa ini ingin mengumpulkan sejumlah “Amount” dari populasi
1800 individu yang sama dengan 95% dari distribusi total klaim, selanjutnya
perusahaan tersebut menginginkan bagian dari masing-masing individu dari
“Amount” ini proporsional terhadap Expeted Claim individu-individu tersebut.
Bagian untuk setiap individu-individu j dengan mean 𝐸(𝑋𝑗 ) adalah:
𝜃𝐸(𝑋𝑗 ) + 𝐸(𝑋𝑗 )𝑎𝑡𝑎𝑢 (1 + 𝜃)𝐸(𝑋𝑗 )
Ekstra Amount 𝜃𝐸(𝑋𝑗 ) adalah; Security loading dan 𝜃 adalah relative security
loading ∈ penambahan premi dari tertanggung untuk fluktusi yang besar.
*karena diinginkan 𝑝𝑟 (𝑆 ≤ (1 + 𝜃)𝐸(𝑠) = 95%, maka tentukan berapa besar 𝜃
(relatif security loading)
Solusi:
𝑆 = 𝑥1 + 𝑥2 + ⋯ + 𝑥1800
𝑝𝑟 (𝑆 ≤ (1 + 𝜃)𝑒(𝑠) = 95%
𝑆 − 𝐸(𝑠) 𝜃𝐸(𝑠)
𝑝𝑟 ( )≤( ) = 95%
√𝑣𝑎𝑟 𝑠 √𝑣𝑎𝑟 𝑠
𝑆 − 𝐸(𝑠) 𝜃𝐸(𝑠)
𝑘𝑎𝑟𝑒𝑛𝑎 ~𝑁(0,1) → 𝑚𝑎𝑘𝑎 𝑛𝑖𝑙𝑎𝑖 → 𝑑𝑎𝑝𝑎𝑡 𝑙𝑖ℎ𝑎𝑡 𝑡𝑡𝑎𝑏𝑒𝑙 𝑁(0,1)
√𝑣𝑎𝑟 𝑠 √𝑣𝑎𝑟 𝑠
𝜃𝐸(𝑠)
𝑚𝑎𝑘𝑎 = 1,645 → 𝜃𝑑𝑎𝑝𝑎𝑡 𝑑𝑖𝑡𝑒𝑛𝑡𝑢𝑘𝑎𝑛 𝑑𝑒𝑛𝑔𝑎𝑛
√𝑣𝑎𝑟 𝑠
1800 4
18
Vera Oktarina
140110080043
2. Perusahaan asuransi jiwa menutup 16.000 polis individu untuk produk term insurance
2 tahun dengan benefit sebgai berikut:
Benefit Amount Number Covered
10.000 8.000
20.000 3.500
30.000 2.500
50.000 1.500
100.000 500
Probabilitas klaim untuk setiap orang dari 16.000 adalah 0,02. Perusahaan asuransi
jiwa terebut ingin menetapkan batas retensi untuk batas retensi adalah 20.000.
perusahaan asuransi jiwa menahan/retain resiko sampai dengan benefit amount
20.000. Selebihnya dibelikan reasuransi. Kriteria keputusan, perusahaan asuransi jiwa
ingin meminimalkan bahwa klaim ang di tahan + jumlah premi ang dibayarkan ke
reasuransi lebih besar dari 8.250.000 atau minimal 8.250.000, sedangkan biaya premi
reasuransi adalah 0,025 perunit/penutupan / benefit amount.
Ditanyakan: 𝑝𝑟 (𝑠 + 𝑝𝑟𝑒𝑚𝑖 𝑦𝑎𝑛𝑔 𝑑𝑖𝑏𝑎𝑦𝑎𝑟 𝑘𝑒 𝑟𝑒𝑎𝑠𝑢𝑟𝑎𝑛𝑠𝑖 ≥ 8.250.000)
Jawab:
Resiko yang ditahan perusahaan asuransi jiwa
k Retained Amount Number Covered
1 1 8.000
2 2 8.000
𝑝𝑟 (𝑠 + 𝑘 ≥ 8.250.000)
𝑝𝑟 (𝑠 ≥ 8.250.000 − 𝑘)
𝑆 − 𝐸(𝑠) 8.250.000 − 𝑘 − 𝐸(𝑠)
𝑝𝑟 ( )≥( )
√𝑣𝑎𝑟 𝑠 √𝑣𝑎𝑟 𝑠
16.000 2
19
Vera Oktarina
140110080043
*Coba untuk latihan
Misalkan batas retensi =30.000 dari soal diatas (2) dengan pertanyaan yang sama.
*soal latihan
Pemegang polis Asuransi dari perusahaan Asuransi kendaraan (mobil) terbagi atas 2
kelas
Kelas(k) Jumlah Probabilitas Distribusi dari Parameter dari
individu Claim (𝑄𝑘 ) besar klaim truncated
dalam kelas (𝐵𝑘 ) eksponensial
(𝑛𝑘 ) 𝜆 L
1 500 0,10 1 2,5
2 2.000 0,05 2 5,0
1. DISTRIBUSI EKSPONENSIAL
𝑓(𝑥) = 𝜆𝑒 −𝜆𝑥 , 𝑥 > 0
2. DISTRIBUSI PARETO
𝛼𝜆𝛼
𝑓(𝑥) = ,𝑥 > 0
(𝜆 + 𝑥)𝛼+1
5. INVERSE GAUSSIAN
𝜇 −(𝛽𝑥 − 𝜇)2
𝑓(𝑥) = 𝑒𝑥𝑝 ( ) ,𝑥 > 0
√2𝜋𝛽𝑥 3 2𝛽𝑥
20
Vera Oktarina
140110080043
21