You are on page 1of 13

Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed

3.3 Distribusi Gamma


Pada subbab ini akan dikenalkan contoh distribusi kontinu yaitu distribusi gamma dan
distribusi-distribusi yang merupakan kasus khusus dari distribusi gamma, yaitu distribusi
eksponensial, distribusi khi-kuadrat, dan distribusi beta.
Fungsi Gamma. Penamaan gamma () pada distribusi gamma berasal dari fungsi
gamma yang didenisikan sebagai
() =
_

0
y
1
e
y
dy. (1)
Pada mata kuliah kalkulus telah dibuktikan bahwa integral tersebut ada untuk > 0.
Akibatnya, nilai fungsi selalu positif karena pengintegralan dilakukan untuk y > 0.
Jika = 1,
(1) =
_

0
e
y
dy = 1 (2)
dan jika > 1, dapat ditunjukkan melalui teknik integral parsial bahwa
() = ( 1)
_

0
y
2
e
y
dy = ( 1)( 1).
Dari hasil ini, dapat disimpulkan bahwa khusus untuk bilangan bulat positif yang
lebih besar dari 1 maka
() = ( 1)( 2) (3)(2)(1) = ( 1)! (3)
Dari persamaan (2) (1) = 1 dan dari persamaan (3) () = ( 1)! maka cukup
beralasan jika 0! dideinisikan bernilai 1.
Distribusi Gamma Misalkan y pada fungsi Gamma di persamaan (1) merupakan
variabel yang bergantung pada variabel x dan , yaitu y = x/, dengan > 0, maka
persamaan (1) menjadi
() =
_

0
_
x

_
1
e
x/
_
1

_
dx,
Jika masing-masing ruas dikalikan dengan 1/() maka persamaan tersebut akan ekivalen
dengan
1 =
_

0
1
()

x
1
e
x/
dx.
Karena > 0, > 0, dan () > 0, maka fungsi
g(w) =
_
1
()

x
1
e
x/
, 0 < x <
0, x lainnya
(4)
1
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
nilainya selalu nonnegatif dan total integralnya 1. Dengan kata lain fungsi tersebut
memenuhi syarat-syarat sebagai pdf. Variabel acak X dengan pdf seperti pada per-
samaan (4) disebut variabel acak yang berdistribusi gamma dengan parameter dan
, dinotasikan X Gamma(, ) atau X (, ). Parameter disebut juga parame-
ter bentuk (shape parameter), sedangkan disebut parameter skala (scale parameter).
Beberapa bentuk distribusi gamma diilustrasikan pada Gambar 1.
Dalam aplikasi, distribusi gamma dapat digunakan untuk memodelkan distribusi peluang
dari waktu tunggu atau masa hidup suatu objek atau individu. Pada proses Poisson
dengan intensitas , jika variabel acak W menyatakan waktu yang diperlukan sampai
diperoleh kejadian ke-k maka W berdistribusi gamma dengan = k dan = 1/. Hal
ini dapat dibuktikan sebagai berikut:
Akan ditentukan distribusi dari waktu tunggu W akan dicari dengan menggunakan teknik
cdf. Berdasarkan denisinya, cdf dari W adalah
G(w) = P(W w) = 1 P(W > w)
Tetapi, peristiwa {W > w} untuk w > 0 ekivalen dengan peristiwa bahwa pada inter-
val waktu (t, t + w] banyaknya kejadian yang muncul kurang dari k. Artinya, jika X
menyatakan banyaknya kejadian pada interval waktu (t, t +w] maka
P(W > w) =
k1

x=0
P(X = x) =
k1

x=0
(w)
x
e
w
x!
karena pada proses Poisson dengan intensitas , banyaknya kejadian pada interval (t, t +
w] dianggap berdistribusi Poisson dengan parameter w.
Dapat ditunjukkan pada Latihan 3.3.5 bahwa
_

w
z
k1
e
z
(k 1)!
dz =
k1

x=0
(w)
x
e
w
x!
0 5 10 15 20 25 30 35
0.00
0.02
0.04
0.06
0.08
0.10
0.12
x
f
(
x
)
Kurva distribusi Gamma (a,4)
a = 2
a = 3
a = 4
0 5 10 15 20 25 30 35
0.00
0.02
0.04
0.06
0.08
0.10
0.12
x
f
(
x
)
Kurva distribusi Gamma (4,b)
b = 2
b = 3
b = 4
Gambar 1: Beberapa bentuk kurva distribusi gamma dengan parameter a dan b
2
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
sehingga
G(w) = 1 P(W > w) = 1
_

w
z
k1
e
z
(k)
dz =
_
w
0
z
k1
e
z
(k)
dz
untuk w > 0 dan G(w) = 0 untuk w 0.
Dengan memisalkan z = y, maka
G(w) =
_
w
0

k
y
k1
e
y
(k)
dy, w > 0
dan G(w) = 0 untuk w 0.
Jadi, pdf dari W
g(w) = G

(w) =
_

k
w
k1
e
w
(k)
, 0 < w <
0, w lainnya
Ketika k = 1, variabel acak W dapat dipandang sebagai waktu yang diperlukan sampai
diperoleh kejadian pertama. Fungsi densitas peluangnya adalah
g(w) =
_
e
w
, 0 < w <
0, w lainnya
Selanjutnya, variabel acak W untuk kasus k = 1 dikatakan berdistribusi eksponensial
dengan parameter , dinotasikan exp(). Dengan kata lain, distribusi exp() ekivalen
dengan distribusi (1, 1/).
Menghitung peluang pada distribusi gamma dan eksponensial dapat dihitung secara man-
ual berdasarkan fungsi densitasnya. Namun, akan lebih praktis jika dihitung melalui
bantuan komputer. Pada program R atau S-PLUS, jika X berdistribusi (a, b) maka
P(X x) dapat dihitung dengan perintah pgamma(x,shape=a,scale=b), sedangkan
nilai f(x) dapat dihitung dengan perintah dgamma(x,shape=a,scale=b). Sementara
itu, jika jika X berdistribusi exp(a) maka P(X x) dapat dihitung dengan perintah
pexp(x,rate=a), sedangkan nilai f(x) dapat dihitung dengan perintah dexp(x,rate=a).
Fungsi pembangkit momen dari distribusi gamma. Berikut ini akan ditentukan
bentuk mgf untuk distribusi gamma. Seandainya sudah diketahui maka penentuan mean
dan variansi dari distribusi gamma, dapat ditentukan dengan mudah.
Berdasarkan denisi mgf
M(t) = E[e
tx
] =
_

0
e
tx
1
()

x
1
e
x/
dx
=
_

0
e
tx
1
()

x
1
e
x(1t)/
dx
3
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
Melalui pemisalan y = x(1 t) dengan t < 1/, maka x = y/(1 t), sehingga
M(t) =
_

0
/(1 t))
()

_
y
1 t
_
1
e
y
dy
=
_

0
_
1
1 t
_

1
()
y
1
e
y
dy
=
_
1
1 t
_

_

0
1
()
y
1
e
y
dy
Karena fungsi yang ada di bawah integral adalah pdf dari distribusi gamma maka nilai
integralnya adalah 1. Akibatnya,
M(t) =
1
(1 t)

yang berlaku untuk t < 1/.


Karena turunan pertama dari M adalah
M

(t) = ()(1 t)
1
()
dan turunan keduanya
M

(t) = ()( 1)(1 t)


2
()
2
maka mean dan variansi untuk distribusi gamma adalah
= M

(0) =
dan

2
= M

(0)
2
= ( + 1)
2

2
=
2
.
Contoh 3.3.1. Misal waktu tunggu W berdistribusi gamma dengan = k dan =
1/. Tentukan ekspektasi waktu tunggu sampai muncul kejadian pertama.
Penyelesaian. Karena = k dan = 1/ maka mean dari W adalah E[W] = k/.
Akibatnya untuk k = 1, nilai ekspektasinya 1/.
Contoh 3.3.2. Misal momen ke-m variabel acak X adalah
E[X
m
] =
(m+ 3)!
3!
3
m
, m = 1, 2, 3, . . .
Tentukan distribusi dari X.
4
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
Penyelesaian. Pada Subbab 1.9 telah dibahas bahwa mgf M(t) dapat diuraikan seba-
gai deret MacLaurin sehingga M(t) dapat dinyatakan dalam bentuk momen-momennya,
yaitu
M(t) = 1 +
E[X]
1!
t +
E[X
2
]
2!
t
2
+. . . +
E[X
m
]
m!
t
m
+. . .
= 1 +
4!3
3!1!
t +
5!3
2
3!2!
t
2
+
6!3
3
3!3!
t
3
+
Tetapi, deret tersebut merupakan uraian deret Mac Laurin untuk (1 3t)
4
, dengan
syarat 1 < 3t < 1. Karena M(t) = (1 3t)
4
merupakan bentuk mgf dari distribusi
(4, 3) maka dapat disimpulkan bahwa X berdistribusi gamma dengan parameter = 4
dan = 3.
Distribusi Khi-Kuadrat. Distribusi khi-kuadrat dengan derajat bebas r, dinotasikan

2
(r), adalah kasus khusus dari distribusi gamma dengan parameter = r/2 dan = 2
dengan r bilangan bulat positif. Jika X berdistribusi
2
(r), maka pdf dari X
f(x) =
_
1
(r/2)2
r/2
x
r/21
e
x/2
, 0 < x <
0, w lainnya
dan mgf dari X
M(t) = (1 2t)
r/2
, t <
1
2
.
Berdasarkan rumus mean dan variansi distribusi (, ), maka mean dari distribusi
2
(r)
adalah
= = (r/2)2 = r,
sedangkan variansinya

2
=
2
= (r/2)2
2
= 2r.
Distribusi khi-kuadrat merupakan distribusi yang sangat penting dalam statistika dan
banyak digunakan terutama dalam pengujian hipotesis.
Contoh 3.3.3. Misal X mempunyai pdf
f(x) =
_
1
4
xe
x/2
0 < x <
0, x lainnya.
Tentukan mean, variansi, dan mgf dari X.
Penyelesaian Dari bentuk pdf dari X, dapat disimpulkan bahwa X berdistribusi
2
(4)
sehingga
= 4,
2
= 8, dan M(t) = (1 2t)
2
, t <
1
2

Contoh 3.3.4. Tentukan distribusi dari variabel acak X dengan mgf M(t) = (1
2t)
8
, t <
1
2
.
5
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
Penyelesaian Karena bentuk umum mgf distribusi
2
(r), adalah M(t) = (12t)
r/2
, t <
1
2
, maka X berdistribusi khi-kuadrat dengan derajat bebas r = 16.
Distribusi
2
(r) merupakan distribusi kontinu sehingga jika X berdistribusi
2
(r) maka
P(a < X < b) = P(a < X b) (karena P(X = b) = 0
= P(X b) P(X a) (sifat cdf di Teorema 1.5.2)
Secara manual, nilai P(X b), dapat ditentukan dengan menghitung integral
P(X b) =
_
b
0
1
(r/2)2
r/2
x
r/21
e
x/2
dx
Namun cara ini kurang praktis. Karena itu, dikenalkan tabel khi-kuadrat yang ter-
batas untuk derajat bebas r = 1, 2, . . . , 30 (Lampiran 1). Ketika derajat bebas yang
digunakan lebih dari 30, atau b yang digunakan tidak ada di tabel, maka dapat digu-
nakan software statistik. Untuk program R atau S-PLUS dapat digunakan perintah
pchisq(b,r) untuk menghitung P(X b) atau dchisq(b,r) untuk menghitung f(b)
atau nilai pdf di titik x = b.
Contoh 3.3.5. Misal X berdistribusi
2
(10). Tentukan (a) P(3, 25 X 20, 5); dan
(b) tentukan a yang memenuhi P(a < X) = 0, 05.
Penyelesaian.
(a) Dari tabel distribusi khi-kuadrat dengan derajat bebas r = 10 dapat diperoleh
P(X 20, 5) 0, 975 dan P(X 3, 25) 0, 025. Karena untuk kasus kontinu
berlaku sifat
P(a X b) = P(X b) P(X a)
maka
P(3, 25 X 20, 5) = P(X 20, 5) P(X 3, 25)
= 0, 975 0, 025 = 0, 95.
(b) Dari sifat peluang, P(a < X) = P(X > a) = 1 P(X a). Diketahui P(a <
X) = 0, 05 maka P(X a) = 0, 95. Dari tabel khi kuadrat dengan r = 10 dapat
diperoleh bahwa a yang memenuhi adalah a = 18, 3.
Contoh 3.3.6. Misal X berdistribusi gamma dengan = r/2, r > 0 dan > 0.
Tentukan pdf dari Y = 2X/.
Penyelesaian. Bentuk cdf dari Y adalah
G(y) = P(Y y) = P
_
2X

y
_
= P
_
X
y
2
_
=
_
y/2
0
1
(r/2)
r/2
x
r/21
e
x/
dx.
6
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
untuk y > 0 dan G(y) = 0 untuk y 0.
Sementara itu, pdf dari X
g(y) = G

(y) =
/2
(r/2)
r/2
(y/2)
r/21
e
y/2
=
1
(r/2)
r/2
y
r/21
e
y/2
.
untuk y > 0 dan g(y) = 0 untuk y 0.
Jadi, Y berdistribusi
2
(r).
Teorema 1 Misal X berdistribusi
2
(r). Jika k > r/2 maka E[X
k
] ada dan
E[X
k
] =
2
k
(
r
2
+k)
(
r
2
)
, k >
r
2
Bukti. Dari denisi ekspektasi,
E[X
k
] =
_

x
k
f(x)dx =
_

0
1
(
r
2
)2
r/2
x
(r/2)+k1
e
x/2
dx
Dengan memisalkan u = x/2, maka
E[X
k
] =
_

0
1
(
r
2
)2
(r/2)1
2
(r/2)+k1
u
(r/2)+k1
e
u
du
=
2
k
(
r
2
)
_

0
u
(r/2)+k1
e
u
du
=
2
k
(
r
2
)
(
r
2
+k)
dengan syarat k > r/2.
Seperti distribusi binomial dan distribusi Poisson, distribusi gamma juga bersifat aditif.
Sifat ini dinyatakan pada teorema berikut:
Teorema 2 Diberikan variabel-variabel acak yang independen X
1
, X
2
, . . . X
n
dan untuk
setiap i = 1, 2, . . . , n, distribusi dari X
i
adalah gamma(
i
, ). Jika Y = X
1
+X
2
+ +X
n
maka Y berdistribusi (, ) dengan =
1
+
2
+ +
n
.
Bukti. Misal M
i
(t) mgf dari X
i
, i = 1, 2, . . . , n. Karena X
1
, X
2
, . . . , X
n
independen
maka mgf dari Y adalah
M
Y
(t) = M
1
(t)M
2
(t) . . . M
n
(t)
= (1 t)

1
(1 t)

2
. . . (1 t)
n
= (1 t)

n
i=1

i
.
7
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
Karena mgf bersifat unik maka dapat disimpulkan bahwa Y berdistribusi (, ) dengan
=
1
+
2
+ +
n
.
Akibat 3.3.1. Diberikan variabel-variabel acak yang independen X
1
, X
2
, . . . X
n
dan
untuk setiap i = 1, 2, . . . , n, distribusi dari X
i
adalah
2
(r
i
). Jika Y = X
1
+X
2
+ +X
n
maka Y berdistribusi
2
(r) dengan r = r
1
+r
2
+ +r
n
.
Distribusi Beta. Misal X
1
berdistribusi (, 1) dan X
2
berdistribusi (, 1). Variabel
acak X
1
dan X
2
independen sehingga pdf gabungannya
h(x
1
, x
2
) =
1
()()
x
1
1
x
1
2
e
x
1
x
2
, 0 < x
1
< , 0 < x
2
< ,
dan h(x
1
, x
2
) = 0 untuk x
1
, x
2
lainnya, dengan > 0 dan > 0. Jika Y
1
= X
1
+X
2
dan
Y
2
= X
1
/(X
1
+X
2
) maka pdf marjinal dari Y
1
disebut distribusi beta.
Berikut ini akan ditunjukkan bahwa Y
1
, Y
2
independen dan Y
2
berdistribusi ( +, 1).
Misalkan
y
1
= u
1
(x
1
, x
2
) = x
1
+x
2
y
2
= u
2
(x
1
, x
2
) =
x
1
x
1
+x
2
maka x
1
= y
1
y
2
dan x
2
= y
1
(1 y
2
) sehingga
J =

y
2
y
1
1 y
2
y
1

= y
1
= 0
Karena 0 < x
1
< dan 0 < x
2
< maka
D
Y
= {(y
1
, y
2
) : 0 < y
1
< , 0 < y
2
< 1}
Berdasarkan teknik transformasi, untuk 0 < y
1
< , 0 < y
2
< 1, pdf gabungan dari Y
1
dan Y
2
adalah
g(y
1
, y
2
) = |J|h(y
1
y
2
, y
1
(1 y
2
))
= (y
1
)
1
()()
(y
1
y
2
)
1
(y
1
(1 y
2
))
1
e
y
1
=
y
1
2
(1 y
2
)
1
()()
y
+1
1
e
y
1
dan g(y
1
, y
2
) = 0 untuk y
1
, y
2
lainnya. Karena g(y
1
, y
2
) dapat ditulis sebagai perkalian
fungsi dari y
1
dan fungsi dari y
2
maka Y
1
, Y
2
independen.
Untuk 0 < y
2
< 1, pdf marjinal dari Y
2
adalah
g
2
(y
2
) =
y
1
2
(1 y
2
)
1
()()
_

0
y
+1
1
e
y
1
dy
1
=
( +)
()()
y
1
2
(1 y
2
)
1
, (5)
8
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
dan g
2
(y
2
) = 0 untuk y
2
lainnya. Variabel acak dengan pdf seperti pada persamaan (5)
dikatakan variabel acak yang berdistribusi beta dengan parameter dan .
Karena g(y
1
, y
2
) = g(y
1
)(y
2
) maka pdf dari Y
1
adalah
g(y
1
) =
_
_
_
1
( +)
y
+1
1
e
y
1
, 0 < y
1
<
0, y
1
lainnya.
Jadi, Y
1
berdistribusi ( +, 1.)
Dapat dicoba sebagai latihan bahwa mean dan variansi dari berdistribusi beta dengan
parameter dan adalah
=

dan
2
=

( + + 1)( +)
2
.
Pada program R atau S-PLUS, menghitung peluang pada distribusi beta dengan para-
meter = a dan = b, dapat dilakukan dengan pbeta(x,a,b) untuk P(X x) dan
dbeta(x,a,b) untuk menghitung nilai fungsi densitas g(x).
Latihan
1. Jika (1 2t)
6
, t <
1
2
mgf dari variabel acak X, tentukan P(X < 5, 23).
2. Jika X berdistribusi
2
(5), tentukan konstanta c dan d sehingga P(c < X < d) =
0, 95 dan P(X < c) = 0, 025.
3. Tentukan P(3, 28 < X < 25, 2) jika X berdistribusi gamma dengan = 3 dan
= 4.
Petunjuk: Peristiwa {3, 28 < X < 25, 2} ekivalen dengan peristiwa {1, 64 < Y <
12, 6} dengan Y = 2X/4 = X/2.
4. Misal X variabel acak dengan momen ke-m diberikan oleh
E[X
m
] = (m+ 1)!2
m
, m = 1, 2, 3, . . .
Tentukan mgf dan distribusi dari X.
5. Tunjukkan bahwa
_

1
(k)
z
k1
e
z
dz =
k1

x=0
e

x
x!
, k = 1, 2, 3, . . .
Persamaan tersebut memperlihatkan hubungan antara cdf dari distribusi gamma
dan Poisson.
Petunjuk: Gunakan integral parsial sebanyak k1 kali atau dengan memperhatikan
bahwa anti turunan dari z
k1
e
z
adalah
z
k1
e
z
(k 1)z
k2
e
z
. . . (k 1)!e
z
9
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
6. Misal X
1
, X
2
, dan X
3
variabel-variabel acak yang iid, masing-masing dengan pdf
f(x) =
_
e
x
0 < x <
0, x lainnya.
Tentukan distribusi dari Y = min(X
1
, X
2
, X
3
).
Petunjuk: P(Y y) = 1 P(Y > y) = 1 P(X
i
> y, i = 1, 2, 3).
7. Misal X berdistribusi gamma dengan pdf
f(x) =
_
_
_
1

2
xe
x/
0 < x <
0, x lainnya.
Jika x = 2 modus distribusi, tentukan parameter dan P(X < 9, 49).
Petunjuk: Modus dari suatu distribusi variabel acak X adalah nilai x yang memak-
simumkan fungsi densitasnya.
8. Tentukan skewness dan kurtosis dari distribusi gamma dengan parameter dan .
9. Misal X berdistribusi gamma dengan parameter dan . Tunjukkan bahwa P(X
2) (2/e)

.
Petunjuk: Gunakan sifat bahwa jika X variabel acak dengan mgf M(t), h < t < h
maka
P(X a) e
at
M(t), 0 < t < h.
10. Gunakan program R untuk mendapatkan plot pdf dari distribusi khi-kuadrat de-
ngan derajat bebas r = 1, 2, 5, 10, 20. Berikan penjelasan dari plot pdf yang di-
hasilkan.
11. Gunakan program R untuk mendapatkan plot pdf dari distribusi beta dengan = 5
dan = 1, 2, 5, 10, 20.
12. Gunakan program R untuk mendapatkan plot cdf dari (5, 4). Gunakan plot terse-
but untuk menerka mediannya. Untuk memeriksa keakuratan terkaan yang diper-
oleh, gunakan perintah qgamma(0.5,shape=5,scale=4).
13. Berikan denisi yang cukup beralasan dari distribusi khi-kuadrat dengan derajat
bebas nol.
Petunjuk: Gunakan mgf dari
2
(r) untuk r = 0.
14. Misal X berdistribusi Poisson dengan parameter m. Jika m nilai eksperimental dari
variabel acak berdistribusi gamma dengan = 2 dan = 1, hitung P(X = 0, 1, 2).
Petunjuk: Tentukan terlebih dahulu distribusi gabungan dari X dan m. Kemudian
tentukan distribusi marjinal dari X.
15. Misal X berdistribusi dengan pdf f(x) = 1, 0 < x < 1, dan 0 untuk x lainnya.
Tentukan cdf dan pdf dari Y = log X.
16. Tentukan distribusi uniform pada interval (b, c) dengan mean dan variansi yang
sama dengan distribusi
2
(8). Dengan kata lain tentukan b dan c.
10
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
17. Tentukan mean dan variansi dari distribusi beta.
Petunjuk: Dari pdf distribusi beta, diketahui
_
1
0
y
1
(1 y)
1
dy =
()()
( +)
untuk setiap > 0 dan > 0
18. Tentukan konstanta c supaya fungsi
f(x) =
_
cx(3 x)
4
, 0 < x < 3
0, x lainnya.
mendenisikan suatu pdf.
19. Tunjukkan bahwa jika = , kurva distribusi beta simetris di sekitar garis vertikal
yang melalui x =
1
2
.
20. Tunjukkan bahwa untuk k = 1, 2, . . . , n
_
1
p
n!
(k 1)!(n k)!
z
k1
(1 z)
nk
dz =
k1

x=0
_
n
x
_
p
x
(1 p)
nx
.
Persamaan tersebut memperlihatkan hubungan antara cdf dari distribusi beta de-
ngan distribusi binomial.
21. Misal X
1
dan X
2
dua variabel acak yang independen. Misalkan pula X
1
berdis-
tribusi
2
(r
1
) dan Y = X
1
+ X
2
berdistribusi
2
(r), dengan r
1
< r. Tunjukkan
bahwa X
2
berdistribusi
2
(r r
1
).
Petunjuk: Tulis M(t) = E[e
t(X
1
+X
2
)
] dan gunakan sifat independen dari X
1
dan
X
2
.
22. Misal X
1
berdistribusi (3, 3) dan X
2
berdistribusi (5, 1).
(a) Tentukan mgf dari Y = 2X
1
+ 6X
2
(b) Tentukan distribusi Y.
23. Misal X berdistribusi eksponensial.
(a) Tunjukkan bahwa distribusi eksponensial mempunyai sifat memoryless seperti
pada distribusi geometrik. Dengan kata lain,
P(X > x +y|X > x) = P(X > y)
(b) Misal F(y) cdf kontinu dari variabel acak Y. Asumsikan bahwa F(0) = 0 dan
0 < F(y) < 1 untuk y > 0. Jika sifat memoryless berlaku untuk Y, tunjukkan
bahwa F(y) = 1 e
y
untuk y > 0.
Petunjuk: Tunjukkan bahwa g(y) = 1 F(y) memenuhi persamaan
g(y +z) = g(y)g(z).
11
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
24. Misal variabel acak kontinu X mempunyai cdf F(x) dan pdf f(x). Hazard rate
dari X didenisikan sebagai
r(x) = lim
0
P(x X < x + |X x)

(6)
Kata hazard di sini dapat diartikan suatu keadaan yang berdampak buruk atau
negatif seperti bahaya, bencana, kegagalan, atau kecelakaan.
Pada kasus ini, X dapat menyatakan waktu kegagalan suatu individu/objek, se-
dangkan peluang bersyarat
P(x X < x + |X x) (7)
dapat diartikan peluang terjadinya kegagalan dalam interval waktu [x, x +], jika
diketahui bahwa individu/objek tersebut masih bertahan sampai waktu x. Semen-
tara itu, r(x) pada persamaan (6) dapat diinterpretasikan sebagai laju kegagalan
sesaat.
Sebagai contoh, dalam aktuaria (matematika asuransi), X dapat menyatakan usia
seseorang, peluang bersyarat pada persamaan (7) menyatakan peluang atau resiko
kematian seseorang berusia x dalam selang waktu , dan r(x) pada persamaan (6)
menyatakan laju kematian sesaat bagi seseorang berusia x. Fungsi ini disebut juga
laju mortalitas.
Terkait dengan hazard rate r(x),
(a) Tunjukkan bahwa
r(x) =
f(x)
1 F(x)
.
(b) Jika r(x) = k dengan k konstanta positif, tunjukkan bahwa variabel acak X
berdistribusi eksponensial.
(c) Jika r(x) = cx
b
dengan c dan b konstanta positif, tunjukkan bahwa X berdis-
tribusi Weibull, dengan kata lain pdf dari X
f(x) =
_
cx
b
exp
_

cx
b+1
b+1
_
, 0 < x <
0, x lainnya.
(d) Jika r(x) = ce
bx
dengan c dan b konstanta positif, tunjukkan bahwa X berdis-
tribusi Gompertz, dengan cdf
F(x) =
_
1 exp{
c
b
(1 e
bx
)}, 0 < x <
0, x lainnya.
12
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
Lampiran 1. Tabel Distribusi Khi Kuadrat
Pada tabel berikut diberikan nilai kuantil dari distribusi khi-kuadrat, yaitu nilai x yang
memenuhi
P(X x) =
_
x
0
1
(r/2)2
r/2
w
r/21
e
w/2
dw
untuk suatu derajat bebas r.
P(X x)
r 0.010 0.025 0.050 0.100 0.900 0.950 0.975 0.990
1 0.000 0.001 0.004 0.016 2.706 3.841 5.024 6.635
2 0.020 0.051 0.103 0.211 4.605 5.991 7.378 9.210
3 0.115 0.216 0.352 0.584 6.251 7.815 9.348 11.345
4 0.297 0.484 0.711 1.064 7.779 9.488 11.143 13.277
5 0.554 0.831 1.145 1.610 9.236 11.070 12.833 15.086
6 0.872 1.237 1.635 2.204 10.645 12.592 14.449 16.812
7 1.239 1.690 2.167 2.833 12.017 14.067 16.013 18.475
8 1.646 2.180 2.733 3.490 13.362 15.507 17.535 20.090
9 2.088 2.700 3.325 4.168 14.684 16.919 19.023 21.666
10 2.558 3.247 3.940 4.865 15.987 18.307 20.483 23.209
11 3.053 3.816 4.575 5.578 17.275 19.675 21.920 24.725
12 3.571 4.404 5.226 6.304 18.549 21.026 23.337 26.217
13 4.107 5.009 5.892 7.042 19.812 22.362 24.736 27.688
14 4.660 5.629 6.571 7.790 21.064 23.685 26.119 29.141
15 5.229 6.262 7.261 8.547 22.307 24.996 27.488 30.578
16 5.812 6.908 7.962 9.312 23.542 26.296 28.845 32.000
17 6.408 7.564 8.672 10.085 24.769 27.587 30.191 33.409
18 7.015 8.231 9.390 10.865 25.989 28.869 31.526 34.805
19 7.633 8.907 10.117 11.651 27.204 30.144 32.852 36.191
20 8.260 9.591 10.851 12.443 28.412 31.410 34.170 37.566
21 8.897 10.283 11.591 13.240 29.615 32.671 35.479 38.932
22 9.542 10.982 12.338 14.041 30.813 33.924 36.781 40.289
23 10.196 11.689 13.091 14.848 32.007 35.172 38.076 41.638
24 10.856 12.401 13.848 15.659 33.196 36.415 39.364 42.980
25 11.524 13.120 14.611 16.473 34.382 37.652 40.646 44.314
26 12.198 13.844 15.379 17.292 35.563 38.885 41.923 45.642
27 12.879 14.573 16.151 18.114 36.741 40.113 43.195 46.963
28 13.565 15.308 16.928 18.939 37.916 41.337 44.461 48.278
29 14.256 16.047 17.708 19.768 39.087 42.557 45.722 49.588
30 14.953 16.791 18.493 20.599 40.256 43.773 46.979 50.892
13