TUGAS AKHIR PERKULIAHAN

NO NAMA NPM
1 Rival Novanto 1860100109

UNIVERSITAS MUHAMMADIYAH BENGKULU

FAKULTAS TEKNIK 2018/2019

 DISTRIBUSI PELUANG DISKRIT

1.DISTRIBUSI BINOMIAL

Suatu percobaan disebut percobaan Binomial jika memenuhi syarat:

a. Percobaan terdiri dari n usaha yang berulang
b. Tiap usaha memberikan hasil yang dapat ditentukan saling sukses atau gagal
c. Peluang sukses yang dinyatakan dengan P, tidak berubah dari usaha yang satu ke
usaha yang berikutnya
d. Tiap usaha bebas dengan usaha yang lainnya
Definisi:
Banyaknya sukses x dalam n usaha suatu percobaan Binomial disebut: peubah acak
Binomial
Distribusi peluang p.a Binomial:
𝑛
𝑏(𝑥; 𝑛, 𝑝) = ( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 ; 𝑥 = 0,1,2, …
𝑥
Dengan x= Usaha sukses
p= Peluang Sukses
n= Jumlah Usaha

Contoh:

1 3
Suatu suku cadang dapat menahan uji goncangan tertentu dengan peluang , Hitung
4

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, 4) = (42)(4)2 (1 − 4)2 = 2!2! (4)2 (4)2 = = 128
2 43

2 Peluang seorang sembuh dari operasi jantung yang rumit adalah 0,7. Bila dari 10
orang menjalani operasi jantung. Tentukan peluang:
1
a. Tepat lima orang akan sembuh
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

= ∑ 𝑏(𝑥; 10; 0,7) − ∑ 𝑏(𝑥; 10; 0,7)

𝑥=0 𝑥−0

Peluang seorang mahasiswa yang baru masuk Universitas akan lulus tepat pada
3
waktunya 0,25, tentukn berapa peluang dari 28 mahasiswa akan lulus tepat pada
1
waktunya:
a. Tidak seorangpun
b.Seorang mahasiswa
c. Paling sedikit seorang
d.Tidak lebih dari seorang

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

Teorema (sifat binomial)

Distribusi Binomial mempunyai rataan dan varians : yaitu :
(𝑖) = 𝜇 = 𝐸(𝑥) = 𝑛. 𝑝
(𝑖𝑖) = 𝜎 2 = 𝑛𝑝(1 − 𝑝)
𝑐𝑜𝑛𝑡𝑜ℎ ∶
(𝑖) 𝜇 = 𝑛. 𝑝 = 10.0,7 = 7
(𝑖𝑖)𝜎 2 = 𝑛𝑝(1 − 𝑝) = 10(0,7)(0,3) = 2,1
2.DISTRIBUSI BINOMIAL NEGATIF

Suatu percobaan disebut percobaan Binomial negatif jika memenuhi syarat:

a. Usaha diulangi sampai terjadi sejumlah sukses tertentu
b. Tiap usaha memberikan hasil yang dapat ditentukan saling sukses atau gagal
c. Peluang sukses yang dinyatakan dengan P, tidak berubah dari usaha yang satu ke
usaha yang berikutnya
d. Tiap usaha bebas dengan usaha yang lainnya

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

Carilah peluang bahwa seorang yang melantunkan 3 uang logam sekaligus akan
1
menghasilkan semuanya muka atau semuanya belakang untuk kedua kalinya pada
1
lantunan ke lima.
 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

Atau dapat dikatakan

Jika k=1 pada p.a Binomial Negatif , maka x dikatakan p.a Geometrik (Banyaknya usaha
sampai terjadi sukses yang pertama kali)
Distribusi peluangnya dapat ditulis
𝑔(𝑥; 𝑝) = 𝑝(𝑋 = 𝑥) = 𝑝𝑄 𝑥−1 ; 𝑥 = 1,2, ..
𝑠𝑖𝑓𝑎𝑡 𝑥~𝑔(𝑥; 𝑝)
1
(𝑖)𝜇 = 𝐸(𝑥) =
𝑝
(1 − 𝑝)
(𝑖𝑖)𝜎 2 =
𝑝2

Fungsi Pembangkit Moment(FPM)

Dari FPM distribusi Binomial Negatif dengan k=1 maka FPM Distribusi geometri didapat:

∞ ∞
𝑡𝑥 ) 𝑡𝑥 𝑥−1
𝑝 𝑝. 𝑒 𝑡
𝑀(𝑡) = 𝐸(𝑒 = ∑𝑒 𝑄 . 𝑝 = ∑(𝑒 𝑡 𝑄)𝑥 =
𝑄 (1 − 𝑄𝑒 𝑡 )
𝑥=1 𝑥=1

1
𝑒𝑡 <
𝑄

𝑙𝑛𝑒 𝑡 < − ln 𝑄

𝑡 < −𝑙𝑛𝑄

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.

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

𝑝(𝑥 < 7) = ∑ 𝑏(𝑥; 8000; 0,001) = ∑ 𝑝(𝑥; 8) =

𝑥=0 𝑥=0

Contoh lain:
Peluang seseorang akan meninggal karena suatu infeksi adalah 0,002. Carilah peluang bila
2000 orang yang terinfeksi tersebut kurang dari 5 orang yang akan meninggal?

5. DISTRIBUSI HIPERGEOMETRIK

Suatu percobaan disebut percobaan hipergeometrik jika:

1. Sampel acak berukuran n diambil dari N benda
2. Sebanyak k benda disebut sukses, dan N-k disebut gagal
Definisi: Banyaknya sukses x dipercobaan hipergeometrik disebut p.a hipergeometrik
Fungsi massa peluangnya (fmp)
(𝑘𝑥)(𝑁−𝑘
𝑛−𝑥
)
𝑝(𝑋 = 𝑥) = ℎ(𝑥; 𝑁, 𝑛, 𝑘) = , 𝑥 = 0,1, … 𝑛
(𝑁𝑛)
Karena nilainya bergantung pada banyaknya yang sukses k dalam n barang yang dipilih acak
dari sebanyak N
𝑠𝑖𝑓𝑎𝑡: 𝑥~ℎ(𝑥)
𝑛𝑘
(𝑖)𝐸(𝑥) = 𝜇 =
𝑁
𝑁−𝑛 𝑘 𝑘
(𝑖𝑖)𝜎 2 = 𝑉𝑎𝑟(𝑥) = = 𝑛. (1 − )
𝑁−1 𝑁 𝑁

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
4
)
𝑝(𝑋 = 1) = = 0,3011
(40
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.
(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

Distribusi peluangnya dapat dirumuskan:

(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

= ∑ 𝑏(𝑥; 10, 0,2) − ∑ 𝑏(𝑥; 10, 0,2) = 0,8791 − 0,6778 = 0,2013

𝑥=0 𝑥=0

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.

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

Distribusi kondisi B setelah kejadian I=1 adalah

 Pr(B = 25.000| I = 1) 0,002
Pr(B = 25.000| I = 1) = = = 0,8
Pr(I = 1) 0,0025
Pr(B = 50.000| I = 1) 0,0005
Pr(B = 50.000| I = 1) = = = 0,2
Pr(I = 1) 0,0025
Misal: X = IB
E(x) = E(E(X|I)
Var(X) = Var(E(X|I)) + E(Var(X|I)sekarang kita tulis
μ = E(B|I = 1)
σ2 = Var(B|I = 1)
𝑎. 𝐸(𝑋|𝐼 = 0) = 0 𝑑𝑎𝑛 𝑏. 𝐸(𝑋|𝐼 = 1) = 𝐸(𝐵|𝐼 = 1) = 𝜇
Dari persamaan a dan b dapat ditulis:
𝐸(𝑋|𝐼) = 𝜇. 𝐼
𝐸(𝑋|𝐼) = 𝜇. (𝐼) = 𝜇. 𝑄 𝑑𝑎𝑛 𝑉𝑎𝑟(𝐸(𝑋|𝐼) = 𝜇 2 𝑄(1 − 𝑄)
𝑘𝑎𝑟𝑒𝑛𝑎 𝑋 = 0 𝑑𝑎𝑛 𝐼 = 0 𝑚𝑎𝑘𝑎 𝑉𝑎𝑟(𝑋|𝐼 = 0) = 0 … … … . (𝑖)
𝑢𝑛𝑡𝑢𝑘 𝐼 = 1 𝑘𝑖𝑡𝑎 𝑑𝑎𝑝𝑎𝑡𝑘𝑎𝑛: 𝑋 = 𝐵 𝑑𝑎𝑛: 𝑉𝑎𝑟(𝑋|𝐼 = 1) = 𝑉𝑎𝑟(𝐵|𝐼 = 1) = 𝜎 2 … . . (𝑖𝑖)
𝑑𝑎𝑟𝑖 𝑝𝑒𝑟𝑠𝑎𝑚𝑎𝑎𝑛 (𝑖)𝑑𝑎𝑛 (𝑖𝑖)
𝑉𝑎𝑟(𝑋|𝐼) = 𝜎 2 . 𝐼
𝐸(𝑉𝑎𝑟(𝑋|𝐼) = 𝜎 2 . 𝑄
Dari pernyataan diatas didapat :
𝐸(𝑋) = 𝜇. 𝑄
𝑉𝑎𝑟(𝑋) = 𝜇 2 . 𝑄(1 − 𝑄) + 𝜎 2 . 𝑄

MODEL RESIKO INDIVIDUAL JANGKA PENDEK

(INDIVIDUAL RISK MODELS FOR SHORT TIME)

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:
 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
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

Gambar . Fungsi Distribusi untuk B, diberikan I=1

 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

𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 ) − [𝐸(𝑥)]2

𝐸(𝑥 2 ) = (𝑥 2 |𝐼 = 0). 𝑝(𝐼 = 0) + 𝐸(𝑥 2 |𝐼 = 1). 𝑝(𝐼 = 1) = 0 + 𝐸(𝐵 2|𝐼 = 1). 𝑝(𝐼 = 1)
2
2 |𝐼 2 (0,9)
𝑥 2
0,9 3 0,9 𝑥 4 2
𝐸(𝐵 = 1) = ∫ 𝑥 (1 − ) 𝑑𝑥 + 2 𝑝(𝐵 = 2) = 𝑥 − | + 0,4
2 3 8 0
0
8
= 0,9 ( − 2) + 0,4 = 0,6 + 0,4 = 1
3

𝐸(𝑥 2 ) = 1.0,15 == 0,15

𝑉𝑎𝑟(𝑥) = 0,15 − (0,12)2 = 0,1356

𝐹𝐵(𝑥)

1
0,95
0,85

2 x
𝐹𝑋 (𝑥)] = 𝑝(𝑋 ≤ 𝑥) = 𝑝(𝐼𝐵 ≤ 𝑥) = 𝑝(𝐼𝐵 ≤ 𝑥|𝐼 = 0)𝑝(𝐼 = 0) + 𝑝(𝐵 ≤ 𝑥|𝐼 = 1)𝑝(𝐼 = 1)
𝑢𝑛𝑡𝑢𝑘 𝑥 < 0 → 𝐹𝑋 (𝑥) = 0. (0,85) + 0. (0,15) = 0
𝑥
0 ≤ 𝑥 < 2 → 𝐹𝑋 (𝑥) = 1. (0,85) + 0,9[1 − (1 − )2 ] . 0,15
2
𝑥 ≥ 2 → 𝐹𝑋 (𝑥) = 1. (0,85) + 1. (0,15) = 1

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.
 SUM OF INDEPENDENT RANDOM VARIABLE

Dalam model resiko individu, klaim-klaim dari pertanggungan dimodelkan sebagai:jumlah

dari klaim beberapa tertanggung individu. Klaim-klaim untuk individual-individual
diasumsikan independent dalam banyak aplikasi / praktek.
Dalam bab ini untuk menentukan Distribusi dari jumlah independent v.r yang dibahas.
Jumlah dari 2 v.r -> S=X+Y;sebagai contoh seperti gambar berikut:

{𝑥 + 𝑦 ≤ 𝑆}

Garis x+y=S dan daerah dibawah garis yang diwakili {𝑆 ≤ 𝑋 + 𝑌 ≤ 𝑆}

Fungsi Distribusi dari s adalah:
𝐹𝑆 (𝑠) = 𝑝𝑟 (𝑆 ≤ 𝑠) = 𝑝𝑟 (𝑋 + 𝑌 ≤ 𝑆) … (1)

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)

Bila X dan Y independent, persamaan (2) dapat ditulis

𝐹𝑆 (𝑠) = ∑ 𝐹𝑥 (𝑠 − 𝑦). 𝐹𝑌 (𝑦) … . (3)

∀

Fungsi peluang yang analog dengan F Distribusi dapat dihitung dengan

𝐹𝑆 (𝑠) = ∑ 𝐹𝑥 (𝑠 − 𝑦). 𝐹𝑦 (𝑌) … . (4)
∀

Untuk kontinu
𝑠

𝐹𝑆 (𝑠) = ∫ 𝑝𝑟 (𝑥 ≤ 𝑠 − 𝑦|𝑌 = 𝑦)𝑓𝑌 (𝑦)𝑑𝑦 … . (5)

0
𝑠

𝐹𝑆 (𝑠) = ∫ 𝐹𝑥 (𝑠 − 𝑦). 𝐹𝑦 (𝑌)𝑑𝑦 … … (6)

0
𝑠

𝑓𝑆 (𝑠) = ∫ 𝑓𝑥 (𝑠 − 𝑦). 𝐹𝑦 (𝑌)𝑑𝑦 … … (7)

0

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

Fi: Fungsi Distribusi dari xi

F(k): Fungsi distribusi dari 𝑥1 + 𝑥2 + ⋯ . . +𝑥𝑘

Prosesnya

F(2) = F2 * F(1)=F2 * F1
F(3) = F3 * F(2)
F(4) = F4 * F(3)
:
:
F(n) = Fn * F(n-1)
𝑓 2 (𝑥) = ∑ 𝑓1 (𝑥 − 𝑦)𝑓2 (𝑦)
𝑦≤𝑥

𝑓 3 (𝑥) = ∑ 𝑓 2 (𝑥 − 𝑦)𝑓3 (𝑦)

𝑦≤𝑥

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

Ruang sampel X,Y digambarkan sebgai berikut:

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:

2, 3
3
𝑠

𝐹𝑆 (𝑠) = ∫ 𝐹𝑋 (𝑥)𝐹𝑌 (𝑠 − 𝑥)𝑑𝑥

0

2 𝐹𝑆 (𝑠) = ∫ 𝐹𝑌 (𝑦)𝐹𝑋 (𝑠 − 𝑦)𝑑𝑦

0
 0, 𝑠 < 0 − −−→ 𝑔𝑎𝑟𝑖𝑠 𝐴
𝑠
𝑠−𝑦 1
∫ 𝑑𝑦 = , 0 ≤ 𝑠 < 2 − −−→ 𝑔𝑎𝑟𝑖𝑠 𝐵
2 3
0
𝑠−2 𝑠
1 1 𝑠−𝑦 1 𝑠−1
𝐹𝑆 (𝑠) = ∫ (2. ). 𝑑𝑦 + ∫ . 𝑑𝑦 = , 2 ≤ 𝑠 < 3 − −→ 𝑔𝑎𝑟𝑖𝑠 𝐶
2 3 2 3 3
0 𝑠−2
𝑠−2 3
1 1 𝑠−𝑦 1 1 − (5 − 𝑠)2
∫ (2. ). 𝑑𝑦 + ∫ . 𝑑𝑦 = , 3 ≤ 𝑠 < 5 − −→ 𝑔𝑎𝑟𝑖𝑠 𝐷
2 3 2 3 12
0 𝑠−2
{ 1 , 𝑠 ≥ 5 − −−→ 𝑔𝑎𝑟𝑖𝑠 𝐸

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

𝑘 𝑝(𝑥 = 𝑘) 𝑝(𝑌 = 𝑘) 𝑝(𝑋 + 𝑌) = 𝑘 𝐹𝑋 (𝑘) 𝑝(𝑌 = 𝑘) 𝐹𝑋+𝑌 (𝑘)

0 0,3 0,1 0,03 0,3 0,1 0,03
1 0,2 0,3 0,11 0,5 0,3 0,14
2 0,5 0,6 0,29 1,0 0,6 0,43
3 0 0 0,27 1,0 0 0,7
4 0 0 0,03 1,0 0 1,00
𝑝(𝑥 + 𝑌) = 0

𝑝(𝑋 + 𝑌 = 𝑘) = ∑ 𝑝(𝑥 = 𝑠 − 𝑦)𝑝(𝑌 = 𝑦)

𝑦

𝑝(𝑆 = 𝑘) = ∑ 𝑝(𝑥 = 𝑘 − 𝑦)𝑝(𝑌 = 𝑦)

𝑦

𝑝(𝑆 = 0) = 𝑝(𝑥 = 0 − 0)𝑝(𝑌 = 0) = (0,3)(0,1) = 0,03

𝑝(𝑆 = 1) = 𝑝(𝑥 = 1 − 0)𝑝(𝑌 = 0) + 𝑝(𝑥 = 1 − 1)𝑝(𝑌 = 1) = (0,2)(0,1) + (0,3)(0,3)

= 0,02 + 0,09 = 0,11
𝑝(𝑆 = 2) = 𝑝(𝑥 = 2 − 0)𝑝(𝑌 = 0) + 𝑝(𝑥 = 2 − 1)𝑝(𝑌 = 1) + 𝑝(𝑥 = 2 − 2)𝑝(𝑌 = 2)
= (0,5)(0,1) + (0,2)(0,3) + (0,3)(0,6) = 0,05 + 0,06 + 0,18 = 0,29

𝑝(𝑆 = 3) = 𝑝(𝑥 = 3 − 0)𝑝(𝑌 = 0) + 𝑝(𝑥 = 3 − 1)𝑝(𝑌 = 1) + 𝑝(𝑥 = 3 − 2)𝑝(𝑌 = 2)

+ 𝑝(𝑥 = 3 − 3)𝑃(𝑌 = 3) = 0(0,1) + (0,5)(0,3) + (0,2)(0,6) + (0,3). 0
= 0,15 + 0,12 = 0,27

𝑝(𝑆 = 4) = 𝑝(𝑥 = 4 − 0)𝑝(𝑌 = 0) + 𝑝(𝑥 = 4 − 1)𝑝(𝑌 = 1) + 𝑝(𝑥 = 4 − 2)𝑝(𝑌 = 2)

+ 𝑝(𝑥 = 4 − 3)𝑃(𝑌 = 3) + 𝑝(𝑥 = 4 − 4)𝑝(𝑌 = 4)
= 0 + 0 + (0,5)(0,6) + 0 = 0,3
Contoh 4:
X dan Y berdistribusi Eksponensial.
𝑓𝑋 (𝑥) = 2𝑒 −2𝑥 𝑥 > 0
𝐹𝑌 (𝑥) = 5𝑒 −5𝑦 , 𝑦 > 0
𝑠 𝑠
−2𝑥 −𝑠(𝑠−𝑥)
10 −5𝑠 3𝑠
𝑓𝑋+𝑌 (𝑠) = ∫ 10. 𝑒 . 𝑒 𝑑𝑥 = 10 ∫ 𝑒 −5𝑠 . 𝑒 3𝑥 𝑑𝑥 = 𝑒 (𝑒 − 1)
3
0 0

10 −2𝑠
= (𝑒 − 𝑒 −5𝑠 )
3
Contoh 5:
Misal 3 peubah acak yang saling bebas 𝑋1, 𝑋2 , 𝑋3 , 𝑖 =
1 1 1
1,2,3, 𝑋𝑖 𝑚𝑒𝑟𝑢𝑝𝑎𝑘𝑎𝑛 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑠𝑖 𝐸𝑘𝑠𝑝𝑜𝑛𝑒𝑛𝑠𝑖𝑎𝑙 𝐸(𝑋𝑖 ) = 𝑖 , 𝐸(𝑋1 ) = 𝜃 = 1, 𝐸(𝑋2 ) = 𝜃 =
1
𝑡𝑒𝑛𝑡𝑢𝑘𝑎𝑛 𝑝𝑑𝑓 𝑑𝑎𝑟𝑖 𝑆 = 𝑋1 + 𝑋2 + 𝑋3 𝑑𝑒𝑛𝑔𝑎𝑛 𝑝𝑟𝑜𝑠𝑒𝑠 𝑘𝑜𝑛𝑣𝑜𝑙𝑢𝑠𝑖 𝑑𝑎𝑛 𝑀𝐺𝐹
2

Jawab:
𝑓𝑢𝑛𝑔𝑠𝑖 𝐸𝑘𝑠𝑝𝑜𝑛𝑒𝑛𝑠𝑖𝑎𝑙 𝑓𝑋 (𝑥) = 𝜃𝑒 −𝜃𝑥 , 𝑥 > 0, 𝜃 > 0
𝑓1 (𝑥) = 𝑒 −𝑥 , 𝑥 > 0
𝑓2 (𝑥) = 2𝑒 −2𝑥 , 𝑥 > 0
𝑓3 (𝑥) = 3𝑒 −3𝑥 , 𝑥 > 0
𝑠

𝑑𝑒𝑛𝑔𝑎𝑛 𝑚𝑒𝑛𝑔𝑔𝑢𝑛𝑎𝑘𝑎𝑛 𝑓𝑆 (𝑠) = ∫ 𝑓𝑥 (𝑠 − 𝑦)𝑓𝑌 (𝑦)𝑑𝑦

0
𝑑𝑢𝑎 𝑘𝑎𝑙𝑖 𝑑𝑖𝑑𝑎𝑝𝑎𝑡: 𝑓 2 (𝑥)
𝑥

= ∫ 𝑓1 (𝑥 − 𝑦)𝑓2 (𝑦)
0
𝑥 𝑥
−(𝑥−𝑦) −2𝑦 −𝑥
= ∫𝑒 2𝑒 𝑑𝑦 = 2𝑒 ∫ 𝑒 −𝑦 𝑑𝑦 = 2𝑒 −𝑥 − 2𝑒 −2𝑥 , 𝑥 > 0
0 0
𝑥 𝑥

𝑓𝑠 (𝑥) = 𝑓 3 (𝑥) = ∫ 𝑓 2 (𝑥 − 𝑦)𝑓3 (𝑦)𝑑𝑦 = ∫ 2𝑒 −(𝑥−𝑦) − 2𝑒 −(𝑥−𝑦) − 3𝑒 −3𝑦 𝑑𝑦

0 0
−𝑥 −3𝑥 −3𝑥
= 3𝑒 − 6𝑒 + 3𝑒
Metoda lain menghitung Distribusi dari jumlah p.a dengan MGF; 𝑀𝑋 (𝑡) = 𝐸(𝑒 𝑡𝑥 )
𝑚𝑖𝑠𝑎𝑙: 𝑆 = 𝑋1 + 𝑋2 + 𝑋3 + ⋯ . +𝑋𝑛
𝑡𝑠 𝑡(𝑋1 ) 𝑡(𝑋2 )
𝑀𝑆 (𝑡) = 𝐸(𝑒=𝐸[𝑒 𝑡(𝑋1 +𝑋2 + 𝑋3 +⋯.+𝑋𝑛 ) ] = 𝐸[𝑒 .𝑒 … . 𝑒 𝑡(𝑋𝑛)

𝑗𝑖𝑘𝑎 𝑋1 , 𝑋2 , 𝑋3 … . 𝑋𝑛 𝑏𝑒𝑏𝑎𝑠 𝑚𝑎𝑘𝑎 𝐸𝑘𝑠𝑝𝑒𝑘𝑡𝑎𝑠𝑖 𝑑𝑎𝑝𝑎𝑡 𝑑𝑖𝑡𝑢𝑙𝑖𝑠: 𝐸[𝑒 𝑡(𝑋1 ) . 𝑒 𝑡(𝑋2 ) … . 𝑒 𝑡(𝑋𝑛) 𝑠𝑒ℎ𝑖𝑛𝑔𝑔𝑎
𝑀𝑆 (𝑡) = 𝑀𝑋1 (𝑡). 𝑀𝑋2 (𝑡) … . . 𝑀𝑋𝑛 (𝑡)
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)

Dimana dapat kita tulis dengan metode pecahan parsial

𝐴 2𝐵 3𝐶
𝑀𝑆 (𝑡) = + +
1−𝑡 2−𝑡 3−𝑡
Solusinya A=3; B=-3, C=1
MGF Dari Distribusi Eksponensial:
𝑓𝑆 (𝑥) = 3𝑒 −𝑥 − 3(2𝑒 −2𝑥 ) + 3𝑒 −3𝑥
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

𝑀𝑋 (𝑡) = (𝑒 𝑡𝑥 ) = ∑ 𝑒 𝑡𝑥 𝑝(𝑋 = 𝑥) = 𝑒 0 (0,3) + 𝑒 1 (0,2) + 𝑒 2 (0,5)

𝑥=0

Y berdstribusi diskrit p(Y=0)=0,1; p(Y=1)=0,3; p(Y=2)=0,6

2

𝑀𝑌 (𝑡) = (𝑒 𝑡𝑦 ) = ∑ 𝑒 𝑡𝑦 𝑝(𝑌 = 𝑦) = 𝑒 0 (0,1) + 𝑒 1 (0,3) + 𝑒 2 (0,6)

𝑦=0

Jika X dan Y saling bebas maka:

𝑀𝑋+𝑌 (𝑡) = 𝑀𝑋 (𝑡)𝑀𝑌 (𝑡)

Sehingga X, Y dan X+Y apakah merupakan distribusi yang sama

DISTRIBUSI DARI JUMLAH VARIABEL ACAK SALING BEBAS (KONVOLUSI)

Misal jumlah 2 p.a, S=X+Y

𝑠 𝑠

𝐹𝑆 (𝑠) = ∫ 𝐹𝑋 (𝑠 − 𝑦)𝐹𝑌 (𝑦)𝑑𝑦 𝑓𝑆 (𝑠) = ∫ 𝑓𝑋 (𝑠 − 𝑦)𝑓𝑌 (𝑦)𝑑𝑦

0 0

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

𝑥 𝑓1 (𝑥) 𝑓2 (𝑥) 𝑓3 (𝑥) 𝑓 2 (𝑥) 𝑓 3 (𝑥) 𝐹1 (𝑥) 𝐹 3 (𝑥) 𝐹 3 (𝑥)

0 0,4 0,5 0,6 0,12 0,4 0,2 0,120
1 0,3 0,2 0,6
2 0,2 0,1 0,1
3 0,1 0,1 0,1
4 0,1 0,1
5
6
7
8
9
10
11
12

𝑓 2 (𝑥) = ∑ 𝑓1 (𝑥 − 𝑦)𝑓2 (𝑦)

𝑦≤𝑥

𝑓 3 (𝑥) = ∑ 𝑓 2 (𝑥 − 𝑦)𝑓3 (𝑦)

𝑦≤𝑥

𝐹 2 (𝑥) = ∑ 𝐹1 (𝑥 − 𝑦)𝑓2 (𝑦)

𝐹 3 (𝑥) = ∑ 𝐹 2 (𝑥 − 𝑦)𝑓3 (𝑦)

𝐹2 (𝑥) = ∑ 𝑓1 (𝑥)

Catatan
 𝑛 𝑛

𝑝(𝑥 = 𝑘) = 𝑝𝑘 𝑢𝑛𝑡𝑢𝑘 𝑘 = 0,1,2,3 … 𝑛 𝑑𝑒𝑛𝑔𝑎𝑛 ∑ 𝑝𝑛 𝑑𝑎𝑛 𝑀𝑋 (𝑡) = ∑ 𝑝𝑘 𝑒 𝑘𝑡

𝑘=1 𝑘=0

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.

2. X dan Y merupakan distribusi Eksponensial

𝑓𝑋 (𝑥) = 2𝑒 −2𝑥 , 𝑥 > 0
𝑓𝑌 (𝑦) = 5𝑒 −5𝑥 , 𝑦 > 0
𝑡𝑒𝑛𝑡𝑢𝑘𝑎𝑛 𝑀𝑋 (𝑡), 𝑀𝑌 (𝑡), 𝑀𝑋+𝑌 (𝑡) dan apakah X+Y berdistribusi Eksponensial

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

4. Jika x merupakan distribusi Gamma dengan

𝛽 𝛼1
𝑓(𝑥) = 𝜏(𝛼) . 𝑥 𝛼1 −1 𝑒 −𝛽𝑥 , 𝑥 > 0

Y merupakan distribusi Gamma dengan

𝛽 𝛼2 𝛼 −1 −𝛽𝑥
𝑓(𝑥) = .𝑥 2 𝑒 ,𝑥 > 0
𝜏(𝛼)
Tentukan 𝑀𝑋+𝑌 (𝑡) dan apakah X+Y berdistribusi Gamma? Dengan parameter apa
Catatan:
Jika 𝑋1 , 𝑋2 . . . 𝑋𝑛 saling bebas dan mempunyai distribusi yang identik yaitu Eksponensial
dengan 𝑓(𝑥) = 𝛽𝑒 −𝛽𝑥 maka 𝑆 = 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛
 𝛽𝑛
Berdistribusi Gamma dengan 𝑓𝑆 (𝑠) = (𝑛−1)! 𝑠 𝑛−1 𝑒 −𝛽𝑠 𝑑𝑒𝑛𝑔𝑎𝑛 𝑠 > 0

TEOREMA LIMIT PUSAT

Cara lain untuk menentukan distribusi dari untuk n yang besar adalah dengan menggunakan
teorema limit pusat. Distribusi yang kita dapat hanya distribusi aproksimasi.
𝑆−𝐸(𝑠)
Jika n besar: , 𝑚𝑒𝑟𝑢𝑝𝑎𝑘𝑎𝑛 𝑙𝑖𝑚𝑖𝑡 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑠𝑖 𝑁(0,1)
√𝑣𝑎𝑟 𝑠

Catatan:
Teorema limit pusat ang asli sebenarnya untuk 𝑋1 , 𝑋2 …yang saling bebas dan
mempunyai Distribusi identik. Tapi dalam aplikasi sering digunakan untuk Distribusi yang
tidak identik juga

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

𝐸(𝑠) = ∑ 𝐸(𝑋𝑗 ) = ∑ 𝑛𝑘 𝑏𝑘 𝑄𝑘 = 160

𝑗=1 𝑘=1
1800 4

𝑉𝑎𝑟(𝑠) = ∑ 𝑣𝑎𝑟(𝑥𝑗 ) = ∑ 𝑛𝑘 𝑏𝑘2 𝑄𝑘 (1 − 𝑄𝑘 ) = 256

𝑗=1 𝑘=1

𝜃𝐸(𝑠) = 1,645. √𝑣𝑎𝑟(𝑠)

1,645. √𝑣𝑎𝑟(𝑠)
𝜃=
𝐸(𝑠)
1,645. √256
𝜃= = 0,1645 = 16,45%
160
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

𝐸(𝑠) = ∑ 𝑏𝑖 𝑄𝑖 = ∑ 𝑛𝑘 𝑏𝑘 𝑄𝑘 = (8.000)(1)(0,02) + (8.000)(2)(0,02) = 480

𝑖=1 𝑘=1
16.000 2

𝑉𝑎𝑟(𝑠) = ∑ 𝑏𝑖2 𝑄𝑖 (1 − 𝑄𝑖 ) = ∑ 𝑛𝑘 𝑏𝑘2 𝑄𝑘 (1 − 𝑄𝑘 )

𝑖=1 𝑘=1

= (8000)(12 )(1 − 0,02) + (8.000)(22 )(1 − 0,02) = 784

√𝑣𝑎𝑟(𝑠) = √784 = 28
Resiko rasuransi=resiko total asuransi jiwa-resiko yang ditahan asuransi jiwa
Resiko total asuransi
jiwa=(1)(8.000)+(2)(3.500)+(3)(2.500)+(5)(1.500)+(10)(500)=35.000
Resiko yang ditahan Asuransi jiwa=(1)(8000)+(2)(8000)=24.000
*biaya reasuransi=0,025 x 11.000=275
𝑆 − 𝐸(𝑠) 825 − 275 − 480
𝑝𝑟 ( )≥( )
√𝑣𝑎𝑟 𝑠 28
𝑆 − 𝐸(𝑠) 𝑆 − 𝐸(𝑠)
𝑝𝑟 [( ) ≥ 2,5] = 1 − 𝑝𝑟 ( ) ≤ 2,5 = 1 − 0,9938 = 0,0062
√𝑣𝑎𝑟 𝑠 √𝑣𝑎𝑟 𝑠
= 0,62%
*Coba untuk latihan
Misalkan batas retensi =30.000 dari soal diatas (2) dengan pertanyaan yang sama.

Benefit Amount Number Covered

10.000 8.000
20.000 3.500
30.000 2.500
50.000 1.500
100.000 500

*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

𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑠𝑖 𝑡𝑟𝑢𝑛𝑐𝑎𝑡𝑒𝑑 𝐸𝑘𝑠𝑝𝑜𝑛𝑒𝑛𝑠𝑖𝑎𝑙:

0, 𝑥 < 0
𝐹𝑥 = {1 − 𝑒 −𝜆𝑥 , 0 ≤ 𝑥 < 𝐿
1, 𝑥 ≥ 𝐿

Tentukan 𝜃 (relative security loading) agar p(s<premi)=95%

DISTRIBUSI KERUGIAN KONTINU YANG SERING DIGUNAKAN

1. DISTRIBUSI EKSPONENSIAL
𝑓(𝑥) = 𝜆𝑒 −𝜆𝑥 , 𝑥 > 0
2. DISTRIBUSI PARETO
𝛼𝜆𝛼
𝑓(𝑥) = ,𝑥 > 0
(𝜆 + 𝑥)𝛼+1

3. DISTRIBUSI LOG NORMAL

1 1⁄ {log 𝑥−𝜇 }2
𝑓(𝑥) = 𝑒− 2 𝜎 ,𝑥 >0
√2𝜋𝜎𝑥
4. DISTRIBUSI GAMMA
𝜆𝛼
𝑓(𝑥) = . 𝑥 𝛼−1 𝑒 −𝜆𝑥 , 𝑥 > 0
𝜏(𝛼)

5. INVERSE GAUSSIAN
𝜇 −(𝛽𝑥 − 𝜇)2
𝑓(𝑥) = 𝑒𝑥𝑝 ( ) ,𝑥 > 0
√2𝜋𝛽𝑥 3 2𝛽𝑥
𝐸(𝑠) = 𝐸(𝑠1 ) + 𝐸(𝑠2 ) + 𝐸(𝑠3 ) + 𝐸(𝑠4 ) = 160
𝑣𝑎𝑟(𝑠) = 𝑣𝑎𝑟(𝑠1 ) + ⋯ + 𝑣𝑎𝑟(𝑠4 ) = 256
𝑝(𝑠 < (1 + 𝜃)𝐸(𝑠)) = 0,95
𝑆 − 𝐸(𝑠) 𝜃𝐸(𝑠)
𝑝( )≤( ) = 95%
√𝑣𝑎𝑟 𝑠 √𝑣𝑎𝑟 𝑠
𝜃𝐸(𝑠) 1,645√256
= 1,645 → 𝜃 = = 0,1645
√𝑣𝑎𝑟 𝑠 160

Contoh truncated Exponensial distribusi

0, 𝑥<0
𝐹𝑥 = { 1 − 𝑒 −(𝜆)𝑥 ,0 ≤ 𝑥 < 𝐿
1, 𝑥 ≥ 𝐿
𝑗𝑎𝑑𝑖 𝑓(𝑥) = (𝜆)𝑒 −(𝜆)𝑥 , 0 < 𝑥 < 𝐿
𝑝(𝑥 = 𝐿) = 𝑒 −(𝜆)𝐿
𝐿
1 − 𝑒 −(𝜆)𝐿
𝜇 = 𝐸(𝐵|𝐼 = 1) = ∫ 𝑥 (𝜆) 𝑒 −(𝜆)𝑥 𝑑𝑥 + 𝐿. 𝑒 −(𝜆)𝐿 =
(𝜆)
0

1 − 2(𝜆)𝐿𝑒 −(𝜆)𝐿 − 𝑒 −2(𝜆)𝐿

𝜎 2 = 𝑣𝑎𝑟(𝐵|𝐼 = 1) =
(𝜆)2