Catkuliah PengStatMat2 PDF
Catkuliah PengStatMat2 PDF
disusun oleh
• Senin, 13.00-17.00
• Kamis, 08.00-12.00
B. Silabus:
• Distribusi diskrit
• Distribusi kontinu
C. Buku teks:
• Mathematical Statistics.
D. Penilaian:
3. PR/Kuis (10%)
2 Distribusi Diskrit 1
2.1 Distribusi Binomial . . . . . . . . . . . . . . . . . . . . . . . . . 1
2.2 Distribusi Geometrik . . . . . . . . . . . . . . . . . . . . . . . . 2
2.3 Distribusi Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.4 Lebih Jauh Tentang Distribusi Diskrit . . . . . . . . . . . . . . 4
3 Distribusi Kontinu 1
3.1 Peubah Acak Kontinu dan Transformasi . . . . . . . . . . . . . 1
3.2 Beberapa Distribusi Kontinu . . . . . . . . . . . . . . . . . . . . 2
3.3 Aplikasi Dalam Asuransi . . . . . . . . . . . . . . . . . . . . . . 6
3.4 Antrean Eksponensial . . . . . . . . . . . . . . . . . . . . . . . . 7
iii
BAB 1
Silabus: Peubah acak diskrit, peubah acak kontinu, fungsi distribusi, fungsi
peluang.
Tujuan yang ingin dicapai dalam mempelajari peubah acak dan distribusi
adalah:
1
Definisi
Peubah acak X dikatakan diskrit jika terdapat barisan terhitung dari bilangan
{ai , i = 1, 2, . . . } sedemikian hingga
(∪ ) ∑
P {X = ai } = P (X = ai ) = 1
i i
Catatan:
Sebuah peubah acak diskrit tidak selalu berasal ruang sampel diskrit.
dan
∑
FX (x) = pi
ai ≤x
pX (x) = pi = P (X = ai ),
dengan x = ai
Catatan:
• P (X ≤ b) ̸= P (X < b)
•
( { })
1
P (X < b) = P lim X ≤ b −
n→∞ n
( )
1
= lim P X ≤ b −
n→∞ n
( )
1
= lim F b −
n→∞ n
d
fX (x) = FX (x); f (x) ≥ 0, ∀x
dx
atau dengan kata lain
∫ x
FX (x) = fX (t) dt
−∞
Jika X adalah peubah acak sedemikian hingga fungsi (densitas) peluang ada
maka X dikatakan sebagai peubah acak kontinu.
Catatan:
∫ ∞
1 = FX (∞) = fX (t) dt
−∞
∫ b
P (a ≤ X ≤ b) = FX (b) − FX (a) = fX (t) dt
∫ a a
P (X = a) = fX (t) dt = 0
a
LATIHAN:
P (x1 ≤ X ≤ x2 ) = λ (x2 − x1 ),
P (a ≤ X ≤ b) = 1 = λ (b − a) ⇒ λ = 1/(b − a).
Fungsi distribusi berperan dalam kajian peluang pada peubah acak. Jika kita
memiliki fungsi distribusi maka fungsi peluang dapat (dengan mudah) diten-
tukan. Namun, hal sebaliknya tidak berlaku. Pada kajian statistika lanjut,
seperti konsep Copula, fungsi distribusi akan “lebih bermanfaat” dibandingkan
dengan fungsi peluang.
X = g −1 (Y ) = · · ·
FX (x) = · · ·
FY (y) = · · ·
Y ∼ ···
FY (y) = P (Y ≤ y) = P (g(X) ≤ y)
dimana dalam hal ini setiap solusi inverse x = g −1 (y) digunakan untuk menen-
tukan FY (y) dengan menggunakan FX (g −1 (y)). Untuk X ∼ U (−1, 2) dan
g(X) = Y = X 2 , kita dapatkan fungsi distribusi dari Y :
FY (y) = · · ·
LATIHAN:
Misalkan X peubah acak kontinu dengan fungsi peluang f (x) dan Y = g(X)
fungsi yang terdiferensial bernilai tunggal. Maka fungsi peluang dari Y :
d −1
fY (y) = fX (g (y)) g (y)
−1
dy
d −1
J(y) = g (y)
dy
adalah transformasi Jacobian.
f (y) = · · ·
1.3 Ekspektasi
Misalkan X peubah acak dengan fungsi peluang f (x). Nilai harapan atau
ekspektasi dari X, jika ada, adalah
∫ ∞
E(X) = µX = f (x)dx
−∞
Catatan: nilai ekspektasi dikatakan ada jika nilai integral adalah hingga.
Misalkan X p.a. dengan f.p. f (x). Maka nilai harapan/ekspektasi dari g(X),
jika ada, adalah
∫ ∞
E[g(X)] = g(x)f (x)dx.
−∞
Operator integral bersifat linier. Jika g1 (X) dan g2 (X) fungsi-fungsi yang
memiliki ekspektasi dan a, b, c konstanta, maka
LATIHAN:
asalkan ekspektasi ada untuk t disekitar 0. Jika semua momen dari X tidak
ada, maka fungsi pembangkit momen juga tidak ada. Fungsi pembangkit
momen berkaitan dengan fungsi pembangkit peluang
MX (t) = GX (et )
asalkan GX (t) ada untuk t disekitar 1. Jika MX (t) adalah fungsi pembangkit
peluang maka MX (0) = 1.
Contoh/Latihan:
MX (t) = · · ·
Ma+bX (t) = · · ·
3. Jika
∑ Xi , i = 1, . . . , n saling bebas, MXi (t) ada untuk setiap i, dan S =
Xi , maka
MS (t) = · · ·
Distribusi Diskrit
Fungsi peluang dan/atau fungsi distribusi dari suatu peubah acak seringkali
diberikan (tidak perlu ditentukan). Hal ini terjadi karena f.p. tersebut su-
dah dikenal atau dianggap sering dipakai/cocok dengan fenomena sehari-hari
(umum). Tiga diantara distribusi tersebut adalah binomial, geometrik dan
Poisson.
Tujuan yang ingin dicapai dalam mempelajari distribusi diskrit yang telah
dikenal adalah:
1
semua klaim yang masuk. Misalkan X ∼ B(n, θ), maka fungsi peluangnya
P (X = k) = Ckn θk (1 − θ)n−k , k = 0, 1, 2, . . . , n
∑
n
E(X m ) = xm P (X = k).
k=0
MX (t) = · · ·
Bagaimana dengan fungsi pembangkit peluang (fpp), manfaat apa yang da-
pat diperoleh dengan fpp? Bagaimana menentukan peluang secara rekursif?
Dapatkah ditentukan hubungan antara fpm dan fpp?
Distribusi lain yang dapat digunakan untuk memodelkan frekuensi klaim adalah
distribusi geometrik. Pertanyaannya, definisi peubah acak apakah yang tepat
untuk menggambarkan distribusi ini?
p(x) = (1 − α)x−1 α, x = 1, 2, . . .
Namun yang menarik untuk dikaji adalah apakah sifat khusus yang hanya
dimiliki distribusi geometrik? Jelaskan!
E(X) = V ar(X) = λ.
Dalam praktiknya, mungkinkah kita memperoleh data dengan nilai mean sama
dengan variansi? (selanjutnya nanti akan dipelajari konsep overdispersion dan
underdispersion)
Teorema
Jika X1 , . . . , Xn peubah acak-peubah acak yang saling bebas dengan Xi ∼
P OI(λi ) maka
X = X1 + · · · + Xn ∼ P OI(λ1 + . . . + λn ).
P (X = k|X + Y = n)
P (X = k, X + Y = n)
=
P (X + Y = n)
P (X = k, Y = n − k)
=
P (X + Y = n)
P (X = k) P (Y = n − k)
=
P (X + Y = n)
exp(−λ1 ) λk1 (k!)−1 exp(−λ2 ) λn−k
2 ((n − k)!)−1
=
exp(−(λ1 + λ2 )) (λ1 + λ2 )n (n!)−1
( )k ( )n−k
n! λ1 λ2
= .
k!(n − k)! λ1 + λ2 λ1 + λ2
e−λ λx
f (x) = , x = 0, 1, 2, . . .
x!
yang dapat dituliskan rekursif dengan memperhatikan fungsi peluang untuk
X = x − 1,
e−λ λx−1
f (x − 1) = .
(x − 1)!
Diperoleh
X P (X = k)
0 0.216
1 0.432
2 0.288
3 0.064
Dalam aplikasi teori peluang, seringkali kita dihadapkan pada fenomena di-
mana peluang terjadinya “0” telah ditentukan, misalnya P (X = 0) = 0.3,
atau bahkan mungkin tidak ada, P (X = 0) = 0. Untuk itu, perlu adanya
modifikasi fungsi peluang diatas. Distribusi yang dihasilkan dikatakan sebagai
zero-modified and zero-truncated distributions.
Misalkan peubah acak X dari suatu distribusi (a, b, 0) memiliki fungsi pelu-
ang f (x). Misalkan f M (x) fungsi peluang yang merupakan modifikasi dari
f (x); f M (x) adalah fungsi peluang dari distribusi (a, b, 1). Untuk f M (0) yang
ditentukan, hubungan antara f M (x) dan f (x) adalah
f M (x) = c f (x), x = 1, 2, . . .
dengan c konstanta.
Catatan: Fungsi peluang f M (x) haruslah terdefinisi dengan baik; akibatnya,
c dapat diperoleh,
1 − f M (0)
c= .
1 − f (0)
Untuk distribusi Binomial dengan parameter (3, 0.4) diatas, kita dapat menghi-
1 − f M (0)
f M (1) = f (1)
1 − f (0)
1 − 0.3
= 0.432
1 − 0.216
= 0.386.
Dengan cara sama, kita peroleh f M (2) = 0.258 dan f M (3) = 0.056.
X P (X = k) Zero-Modified Zero-Truncated
0 0.216 0.3 0
1 0.432 0.386
2 0.288 0.258
3 0.064 0.056
Latihan:
1. Tentukan zero-modified distribution untuk X yang berdistribusi Poisson
dengan parameter 2.5
2. Misalkan X ∗ adalah zero-truncated distribution dari X. Diketahui, fungsi
peluang dan fungsi pembangkit peluang X, berturut-turut, adalah fX (x) dan
PX (t). Tentukan fungsi pembangkit peluang untuk X ∗
Distribusi Kontinu
Tujuan yang ingin dicapai dalam memahami distribusi kontinu dan aplikasi
dalam asuransi dan antrean adalah
1
Catatan:
∫ ∞
1 = FX (∞) = fX (t) dt
−∞
∫ b
P (a ≤ X ≤ b) = FX (b) − FX (a) = fX (t) dt
∫ a a
P (X = a) = fX (t) dt = 0
a
Latihan:
1. Diketahui
f (x) = k (1 − x2 ),
Beberapa cara dapat digunakan untuk memanipulasi suatu peubah acak men-
jadi peubah acak baru. Peubah acak baru ini diperoleh dengan membentuk
fungsi peubah acak. Sebagai contoh, diketahui peubah acak X dengan fungsi
distribusi tertentu. Kita dapat membentuk fungsi peubah acak
X 1
Y = ;Y = Xα,
λ
dsb. Contoh lain, misalkan X1 , . . . , Xn peubah acak dengan fungsi peluang
fX1 , . . . , fXn . Peubah acak baru X dapat dibentuk dengan fungsi peluang
Distribusi Uniform
Peubah acak kontinu X dikatakan berdistrbusi Uniform pada selang [a, b] jika
Misalkan U peubah acak Uniform(0, 1). Untuk setiap fungsi distribusi kontinu
F , jika kita definisikan peubah acak X sbb:
X = F −1 (U )
Contoh.
Jika F (x) = 1 − e−x maka F −1 (u) adalah nilai x sedemikian hingga
1 − e−x = u
atau
x = − log(1 − u)
F −1 (U ) = − log(1 − U )
Distribusi Normal
Riset bidang psikologi melibatkan pengukuran perilaku. Hasil-hasil penguku-
ran akan berbeda antara individu satu dengan yang lainnya. Namun demikian,
sesungguhnya hasil-hasil tersebut dapat diprediksi sebagai kelompok individu.
Salah satu pola umum pada hasil pengukuran (tentunya berupa angka) adalah
bahwa kebanyakan pengukuran-pengukuran tersebut terkonsentrasi di sekitar
mean dari distribusi tersebut. Ada sedikit hasil pengukuran yang jauh dari
mean. Apabila distribusi frekuensi digambarkan, akan tampak kurva berben-
tuk bel (bell-shaped curve) yang disebut distribusi normal.
Peubah acak kontinu X adalah peubah acak normal atau Gauss dengan pa-
rameter µ dan σ 2 jika fungsi peluangnya adalah
( )
1 1
fX (x) = √ exp − 2 (x − µ) , 2
2πσ 2σ
untuk −∞ ≤ x ≤ ∞.
Latihan:
2. Tentukan mean dan variansi dari peubah acak Uniform pada selang nol
dan satu
Distribusi Gamma
Definisi Fungsi Gamma:
∫ ∞
Γ(t) = xt−1 e−x dx
0
Catatan:
Γ(t + 1) = t Γ(t), t > 0
Diskusi.
Γ(n) = (n − 1)! n = 1, 2, . . .
( )
1 (2n)! √
Γ n+ = π
2 n! 22n
Peubah acak kontinu X adalah peubah acak Gamma jika memiliki fungsi pelu-
ang (pdf)
λα α−1 −λx
f (x) = x e , x>0
Γ(α)
Diskusi.
• α=1
• α<1
• α>1
Catatan:
Severitas klaim atau claim severity menyatakan besar kerugian suatu klaim
asuransi. Umumnya, severitas klaim dimodelkan dengan distribusi kontinu
nonnegatif. Secara khusus, akan dibahas distribusi eksponensial dan Pareto
serta sifat-sifat yang menyertainya seperti sifat ekor dan kuantil.
Salah satu motivasi yang dapat digunakan dalam mempelajari sifat-sifat khusus
peubah acak seperti sifat ekor, kuantil dll adalah manfaat atau aplikasi dalam
bidang profesional seperti asuransi. Dalam hal ini, kajian aplikasi akan ditekankan
pada pembayaran klaim oleh perusahaan asuransi (insurer), khususnya pada
kasus adanya modifikasi cakupan polis (policy coverage).
Misalkan X menyatakan besar uang yang dibayar (amount paid) dalam suatu
kejadian kerugian (loss event) dimana tidak ada modifikasi cakupan atau dise-
but ground-up loss. Misalkan XL menyatakan besar uang yang dibayar dimana
ada modifikasi cakupan atau cost per loss; XP menyatakan besar uang yang
dibayar dalam suatu kejadian pembayaran (payment event) dimana ada mod-
ifikasi cakupan. Catatan: loss event terjadi jika terdapat kerugian, payment
event terjadi hanya jika pihak asuransi membayar kerugian.
Deductibles
Suatu polis asuransi dengan per-loss deductible d tidak akan menbayar pada
pemegang polis (the insured) jika kerugian X kurang dari atau sama dengan
d; akan membayar pemegang polis sebesar X − d jika kerugian X lebih dari d.
Jadi, besar uang yang dibayar dalam suatu kejadian kerugian, XL , adalah
XL = X − d, untuk X > d,
XP = X − d|X > d.
Latihan.
Misalkan X dan Y , dengan deductible d = 0.25. Hitung E(XL ), E(XP ), E(YL ), E(YP ),
jika X berdistribusi eksponensial dan Y berdistribusi lognormal.
Policy limit
Modifikasi lain dari cakupan polis adalah menentukan suatu nilai u yang di-
tentukan dari awal dengan aturan
XU = u, untuk X ≥ u,