Pertemuan 10 - 11

Pemodelan
Aktuaria
Continuous Models
brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

Outline
01 Creating New
Distributions
02 Selected Distributions
and Their Relationships
03 The Linear Exponential

Family
brone.ub.ac.id
Outline - Creating New
Distributions
A Multiplication by a
Constant
B Raising to a Power
C Exponentiation
brone.ub.ac.id
Outline - Creating New
Distributions
D Mixing
E Frailty Models
F Splicing
brone.ub.ac.id
Creating New Distributions
• Dalam aplikasi aktuaria, distribusi kontinu yang digunakan memiliki nilai
support positif, yaitu nilai 𝐹 0 = 0. Distribusi dengan sifat yang familiar
adalah distribusi eksponensial, gamma, Pareto, dan lognormal.
• Untuk setiap distribusi, dimungkinkan untuk membangun suatu

distribusi baru yang lain dengan membuat transformasi atau dengan
menggunakan beberapa teknik matematika lainnya.
• Pada bagian ini metode tersebut akan diulas. Di samping itu, juga akan
dijelaskan beberapa hubungan antar distribusi serta keluarga dari
distribusi tersebut.

Multiplication by a
Constant

Multiplication by a Constant
• Transformasi ini setara dengan menerapkan inflasi secara seragam di
semua tingkat kerugian dan dikenal sebagai perubahan skala.
• Misalnya, jika kerugian tahun ini ditentukan oleh variabel acak 𝑋, maka
inflasi seragam sebesar 5% menunjukkan bahwa kerugian tahun depan
dapat dimodelkan dengan variabel acak 𝑌 = 1.05𝑋

• Teorema 1
Misalkan 𝑋 variabel acak kontinu dengan pdf 𝑓𝑋 𝑥 dan CDF 𝐹𝑋 𝑥 .
Diketahui 𝑌 = 𝜃𝑋 dengan 𝜃 > 0. Diperoleh
 y 1  y
FY ( y ) = FX   ; fY ( y ) = f X  
    
• Corollary 2
Parameter 𝜃 adalah parameter skala untuk variabel acak 𝑌

• Bukti
 y  y
FY ( y ) = Pr (Y  y ) = Pr ( X  y ) = Pr  X   = FX  
   
d 1  y
fY ( y ) = FY ( y ) = f X  
dy   

• Contoh 1
Misalkan 𝑋 memiliki pdf 𝑓 𝑥 = 𝑒𝑥𝑝 −𝑥 , 𝑥 > 0. tentukan cdf dan pdf
dari 𝑌 = 𝜃𝑋
FX ( x ) = 1 − exp ( − x )
 y  y
FY ( y ) = FX   = 1 − exp  − 
   
d 1  y 1  y
fY ( y ) = FY ( y ) = f X   = exp  − 
dy      
merupakan distribusi eksponensial dengan parameter 𝜃

Raising to a Power

Raising to a Power
• Teorema 3
Misalkan 𝑋 adalah variabel acak kontinu dengan pdf 𝑓𝑋 𝑥 dan CDF
𝐹𝑋 𝑥 dan dengan 𝐹𝑋 0 = 0. Misalkan 𝑌 = 𝑋 1Τ𝜏 . Jika 𝜏 > 0 maka
FY ( y ) = FX ( y ) ;

fY ( y ) =   y  −1
fX ( y 
)
sementara jika 𝜏 < 0
FY ( y ) = 1 − FX ( y ) ; 
fY ( y ) = −  y  −1
fX ( y 
)
Raising to a Power
• BuktiTeorema 3
Jika 𝜏 > 0 maka
FY ( y ) = Pr (Y  y ) = Pr ( X 1
 y ) = Pr ( X  y 
)= F (y )
X

sementara jika 𝜏 < 0
FY ( y ) = Pr (Y  y ) = Pr ( X −1 
 y ) = Pr ( X  y 
) = 1− F ( y )
X

untuk pdf dibuktikan dengan proses diferensiasi

Raising to a Power
• Lebih umum untuk tetap membuat nilai parameter menajdi positif
sehingga ketika 𝜏 bernilai negatif buatlah suatu parameter baru yaitu
𝜏 ∗ = −𝜏 sehingga
( );
FY ( y ) = 1 − FX y − 
fY ( y ) =   y
   −1
( )
fX y − 

Raising to a Power
• Definisi 4
Ketika suatu distribusi dipangkatkan, jika 𝜏 > 0, distribusi yang
dihasilkan disebut bertransformasi; jika 𝜏 = −1 disebut invers; dan jika
𝜏 < 0 (tetapi bukan -1), disebut transformasi invers.
Untuk membuat distribusi pada appendix A dan mempertahankan 𝜃

sebagai parameter skala, distribusi dasar harus dipangkatkan sebelum
dikalikan dengan 𝜃.

Raising to a Power
• Contoh 2
Misalkan 𝑋 berdistribusi eksponensial. Tentukan cdf dari inverse,
transformed, dan inverse transformed dari distribusi eksponensial
Inverse dari distribusi eksponensial tanpa parameter skala

  1  1
F ( y ) = 1 − 1 − exp  −   = exp  − 
  y  y
dengan parameter skala
 
F ( y ) = exp  − 
 y
Raising to a Power
• Contoh 2
Transformed dari distribusi eksponensial tanpa parameter skala
F ( y ) = 1 − exp ( − y 
)
dengan parameter skala bentuknya lebih dikenal sebagai Distribusi
Weibull

  y 
F ( y ) = 1 − exp  −   
    
Raising to a Power
• Contoh 2
Inverse Transformed dari distribusi eksponensial tanpa parameter skala
( )
F ( y ) = 1 − 1 − exp  − y  = exp  − y 
− −
dengan parameter skala bentuknya lebih dikenal sebagai Distribusi

Inverse Weibull −
   
F ( y ) = exp  −   
  y  
Raising to a Power
• Distribusi dasar lainnya memiliki pdf
1
f ( x) = x  −1
exp ( − x )
 ( )
• Ketika parameter skala ditambahkan, bentuk tersebut menjadi distribusi

gamma. Distribusi tersebut memiliki versi invers dan transformasi yang
dapat dibuat menggunakan proses sebelumnya.
• Berbeda dengan distribusi yang diperkenalkan sampai saat ini,

distribusi ini tidak memiliki cdf bentuk tertutup. Hal terbaik yang bisa
dilakukan adalah mendefinisikan notasi untuk fungsi tersebut.

Raising to a Power
• Definisi 5
Fungsi incomplete gamma dengan parameter 𝛼 > 0 dinotasikan dan
ditentukan oleh
x
1
 ( ; x ) =   exp ( −t ) dt
t  −1
 ( ) 0
sedangkan fungsi gamma dinotasikan dan ditentukan oleh

 ( ) =  t  −1
 exp ( −t ) dt
0

Raising to a Power
• Catatan
 ( ) = ( − 1)   ( − 1)
untuk nilai bilangan bulat positif 𝑛 diperoleh
 ( n ) = ( n − 1) !

Exponentiation

Exponentiation
• Teorema 6
Misalkan 𝑋 variabel acak kontinu dengan pdf 𝑓𝑋 𝑥 dan CDF 𝐹𝑋 𝑥 dan
dengan 𝑓𝑋 𝑥 > 0 untuk semua 𝑥 bilangan real. Misalkan 𝑌 = 𝑒𝑥𝑝 𝑋 .
Sehingga untuk 𝑦 > 0 diperoleh
1
FY ( y ) = FX ln ( y )  ; fY ( y ) = f X ln ( y ) 
y
Bukti
FY ( y ) = Pr exp ( X )  y  = Pr  X  ln ( y )  = FX ln ( y ) 
untuk pdf dibuktikan dengan proses diferensiasi

Exponentiation
• Contoh 3
Misalkan 𝑋 berdistribusi normal dengan mean 𝜇 dan varians 𝜎 2 .
Tentukan CDF dan pdf dari 𝑌 = 𝑒𝑥𝑝 𝑋
 ln ( y ) −  
FY ( y ) = FX ln ( y )  =   
  
1 1 1  ln ( y ) −   1  1  ln ( y ) −   
2
fY ( y ) = f X ln ( y )  =     = exp  −   
y y     y    2  2    
bentuknya lebih dikenal sebagai Distribusi Lognormal

Mixing

Mixing
• Konsep pencampuran (mixing) dapat diperluas dari mencampurkan
sejumlah variabel acak hingga mencampurkan sejumlah variabel acak
yang tak terhitung jumlahnya.
• Dalam teorema berikut, pdf 𝑓Λ 𝜆 berperan sebagai probabilitas diskrit

𝑎𝑗 , dalam campuran 𝑘-titik.

Mixing
• Teorema 7
Misalkan 𝑋 memiliki pdf 𝑓𝑋ȁΛ 𝑥 𝜆 dan CDF 𝐹𝑋ȁΛ 𝑥 𝜆 dimana 𝜆 adalah
suatu parameter dari 𝑋. Sementara 𝑋 mungkin memiliki parameter lain,
namun parameter tersebut tidak relevan. Misalkan 𝜆 merupakan nilai
realisasi dari variabel Λ dengan pdf 𝑓Λ 𝜆 . Sehingga, pdf tak bersyarat
dari 𝑋 adalah
f X ( x ) =  f X  ( x  ) f (  ) d 
dimana integral diambil dari semua nilai 𝜆 dengan peluang positif

Mixing
• Teorema 7 (lanjutan)
Distribusi yang dihasilkan adalah distribusi mixture. Fungsi distribusi
ditentukan oleh
FX ( x ) =  f X  ( y  ) f  (  ) d dy
x
− 
f X  ( y  ) f  (  ) dyd 
x
= 
−
=  FX  ( x  ) f  (  ) d 

Mixing
• Teorema 7 (lanjutan)
Moment dari distribusi mixture adalah
k 

k
(
E  X  = E E X  
 )
dan variansinya
Var ( X ) = E Var ( X  )  + Var  E ( X  ) 

Mixing
• Bukti
Integran, menurut definisi, adalah kepadatan gabungan dari 𝑋 dan Λ.
Integralnya kemudian adalah fungsi kepadatan marginal. Untuk nilai
ekspektasi (dengan asumsi urutan integrasi dapat dibalik)
E  X  =   x f X  ( x  ) f  (  ) d dx
 k
 k
=   x f X  ( x  ) dx  f  (  ) d 
 k
 
( )
=  E X  f (  ) d 
k
=E E X  


k
 ( )
Mixing
• Bukti
Untuk variansi
Var ( X ) = E  X  − ( E  X )
2 2
( ) (
= E  E X   − E  E ( X  )  )
2 2
 

( 
) (
= E Var ( X  ) + E  X  − E  E ( X  )  )
2 2
 
= E Var ( X  )  + Var  E ( X  ) 

Mixing
• Catatan
Jika 𝑓Λ 𝜆 diskret, integral harus diganti dengan sigma.
Penulisan alternatif dari
f X ( x ) = E  f X  ( x  )  ; FX ( x ) = E  FX  ( x  ) 
   
dengan subscript pada 𝐸 mengindikasikan variabel acaknya adalah Λ

Mixing
• Fenomena yang menarik adalah bahwa distribusi campuran cenderung
heavy tailed sehingga metode ini adalah cara yang baik untuk
menghasilkan model seperti itu.
• Khususnya,jika 𝑓𝑋ȁΛ 𝑥 𝜆 memiliki fungsi hazard rate yang menurun

untuk semua 𝜆, maka distribusi campuran juga akan memiliki fungsi
hazard rate yang turun.
• Contoh berikut menunjukkan bagaimana distribusi heavy tailed yang

sudah dikenal dapat diperoleh dengan mixing.

Mixing
• Contoh 4
Misalkan 𝑋ȁΛ berdistribusi eksponensial dengan parameter 1ΤΛ.
Misalkan Λ berdistribusi gamma. Tentukan distribusi tak bersyarat dari 𝑋
Diperoleh (perhatikan bahwa parameter dalam distribusi gamma telah

diganti dengan kebalikannya):  
fX ( x) =
 ( ) 0
  e −  x    −1  e −  d 
    −  ( + x )
= 
 ( ) 0
 e d
 
 ( + 1)   
diperoleh Distribusi Pareto =  =
 ( ) ( + x ) +1 ( + x )
 +1

Mixing
• Contoh 5
Misalkan Θ = 𝜃, 𝑋 berdistribusi normal dengan mean 𝜃 dan variansi 𝑣
 1 2
fX  ( x  ) =
1
exp  − ( x −  )  −  x  
2 v  2v 
dan Θ sendiri berdistribusi normal dengan mean 𝜇 dan variansi 𝑎
1  1 2
f  ( ) = exp  − ( −  )  −    
2 a  2a 
tentukan pdf marginal dari 𝑋

Mixing
• Contoh 5
Misalkan Θ = 𝜃, 𝑋 berdistribusi normal dengan mean 𝜃 dan variansi 𝑣
 1 2
fX  ( x  ) =
1
exp  − ( x −  )  −  x  
2 v  2v 
dan Θ sendiri berdistribusi normal dengan mean 𝜇 dan variansi 𝑎
1  1 2
f  ( ) = exp  − ( −  )  −    
2 a  2a 
tentukan pdf marginal dari 𝑋

Mixing
• Contoh 5
pdf marginal dari 𝑋
  1  1 2  1  1 2
fX ( x) =   exp  − ( x −  )     exp  − ( −  )   d
−
 2 v  2v    2 a  2a 
1   1 1 2
=  exp  − ( x −  ) − ( −  )  d
2
2 v  a −  2v 2a 
secara aljabar diperoleh
( x − ) ( − ) ax +v  (x − )
2 2 2
a+v
+ =  − +
v a va  a+v  a+v
Mixing
• Contoh 5
Sehingga dengan menyelesaikan kuadrat di 𝜃 diperoleh
 ( x −  )2 
exp  − 
 2 ( a + v )   a+v  a+v  ax +v  
2
fX ( x) =  exp  −  −   d
2 ( a + v ) − 2  v  a  2v  a  a + v  
dapat dilihat bahwa integran sebagao pdf (fungsi dari 𝜃) dari distribusi
𝑎𝑥+𝑣𝜇 𝑣𝑎
normal dengan mean dan variansi .
𝑎+𝑣 𝑎+𝑣

Mixing
• Contoh 5
Sehingga nilai integralnya adalah 1 sehingga
 ( x −  )2 
exp  − 
 2 ( a + v ) 
fX ( x) = −  x  
2 ( a + v )
Jadi, 𝑋 berdistribusi normal dengan mean 𝜇 dan variansi 𝑎 + 𝑣

Mixing
• Contoh 6
Dalam penilaian jaminan mobil, penting untuk menyadari bahwa jumlah
jarak yang ditempuh bervariasi dari pengemudi ke pengemudi. Bagi
pengemudi tertentu, jumlah jaraknya bervariasi dari tahun ke tahun.
Misalkan jumlah jarak untuk pengemudi yang dipilih secara acak
memiliki distribusi Inverse Weibull tetapi variasi parameter skala dari
tahun ke tahun memiliki distribusi transformed gamma dengan nilai 𝜏
yang sama. Tentukan distribusi jumlah jarak yang ditempuh dalam satu
tahun yang dipilih secara acak oleh pengemudi yang dipilih secara acak.

Mixing
• Contoh 6
Dengan menggunakan parameterisasi dari appendix A, inverse Weibull
untuk jarak tempuh dalam satu tahun memiliki parameter Λ (sebagai
pengganti Θ) dan 𝜏, sedangkan distribusi transformed gamma untuk
parameter skala Λ memiliki parameter 𝜏, 𝜃, dan 𝛼.
pdf marjinalnya adalah
 

       −1   
f ( x ) =   +1 exp  −      exp  −    d 
0 x
  x     ( )     
  −1
 x
=
( x + )
   +1

Frailty Models

Frailty Models
• Jenis distribusi campuran yang penting adalah model frailty.
Meskipun motivasi fisik untuk jenis distribusi mixture khusus ini berasal
dari analisis distribusi seumur hidup dalam analisis survival,
• Kemudahan matematis yang dihasilkan menyiratkan bahwa

pendekatan tersebut juga dapat dipandang sebagai cara yang berguna
untuk menghasilkan distribusi baru melalui mixing.

Frailty Models
• Misalkan variabel acak frailty Λ > 0 dan definisikan nilai hazard rate
bersyarat (dengan Λ = 𝜆) dari 𝑋 menjadi ℎ𝑋ȁΛ 𝑥 𝜆 = 𝜆 ∙ 𝑎 𝑥 ,
di mana 𝑎 𝑥 adalah fungsi yang diketahui dari 𝑥 (yaitu 𝑎 𝑥 harus

ditentukan dalam aplikasi tertentu).
• Frailty ini dimaksudkan untuk mengukur ketidakpastian yang terkait

dengan hazard rate, yang berdasarkan spesifikasi hazard rate
bersyarat sebelumnya bertindak secara multiplikatif.

Frailty Models
• Fungsi survival bersyarat dari 𝑋ȁΛ adalah
S X  ( x  ) = exp  −  hX  ( t  ) dt  = exp  −  A ( x ) 
x
 0 
𝑥
dengan 𝐴 𝑥 = ‫׬‬0 𝑎 𝑡 𝑑𝑡

Frailty Models
• Untuk menentukan distribusi campuran (yaitu distribusi marjinal 𝑋),
didefinisikan fungsi pembangkit momen dari variabel acak frailty Λ
menjadi 𝑀Λ 𝑧 = 𝐸 𝑒 𝑍Λ .
• Maka, fungsi survival marjinalnya adalah
S X ( x ) = E exp  −  A ( x )   = M   − A ( x ) 
jelas 𝐹𝑋 𝑥 = 1 − 𝑆𝑋 𝑥

Frailty Models
• Jenis mixture yang akan digunakan menentukan pilihan 𝑎 𝑥 dan,
karenanya, 𝐴 𝑥 .
• Subkelas yang paling penting dari model frailty adalah kelas mixture
eksponensial dengan 𝑎 𝑥 = 1 dan 𝐴 𝑥 = 𝑥, sehingga 𝑆𝑋ȁΛ 𝑥 𝜆 =
𝑒 −𝜆𝑥 , 𝑥 > 0.
• Mixture yang cukup berguna lainnya termasuk Mixture Weibull dengan

𝑎 𝑥 = 𝛾 ∙ 𝑥 𝛾−1 dan 𝐴 𝑥 = 𝑥 𝛾

Frailty Models
• Contoh 7
Misalkan Λ berdistribusi gamma dan 𝑋ȁΛ berdistribusi Weibull dengan
fungsi survival bersyarat 𝑆𝑋ȁΛ 𝑥 𝜆 = 𝑒𝑥𝑝 −𝜆𝑥 𝛾 . Tentukan distribusi
marginal atau tak bersyarat dari 𝑋
−𝛼
Pada kasus ini mgf dari gamma adalah 𝑀Λ 𝑧 = 1 − 𝜃𝑧 dan 𝑋
memiliki fungsi survival
SX ( x) = M  (−x ) = (1 +  x )
  −

Frailty Models
• Contoh 7
Distribusi tersebut merupakan Distribusi Burr dengan parameter yang
biasanya 𝜃 diganti dengan 𝜃 −1Τ𝛾 . Ketika 𝛾 = 1 bentuk ini adalah
mixture eksponensial yang sebenarnya adalah distribusi Pareto

 ( x  )

 1 
F ( x) = 1−   ; f ( x) =
1 + ( x  )
  +1
x 1 + ( x  ) 


 
• Mixing cenderung membuat suatu distribusi heavy tailed, dan
khususnya mixture dari suatu distribusi yang semuanya memiliki hazard
rate yang turun juga memiliki hazard rate yang turun.

Splicing

Splicing
• Metode lain untuk membuat distribusi baru adalah dengan
penyambungan (splicing). Pendekatan ini mirip dengan mixing dimana
diyakini bahwa dua atau lebih proses terpisah bertanggung jawab atas
timbulnya kerugian.
• Dengan mixing, berbagai proses terjadi pada sebagian populasi.

Setelah subset teridentifikasi, model kerugian sederhana sudah cukup.
• Untuk splicing, prosesnya berbeda tergantung pada jumlah

kerugiannya. Artinya, satu model mengatur perilaku kerugian dalam
beberapa interval kemungkinan kerugian sementara model lainnya
mencakup interval lainnya.
Splicing
• Definisi 8
Suatu distribusi splicing 𝑘-komponen memiliki pdf sebagai berikut
a1 f1 ( x ) c0  x  c1

a2 f 2 ( x ) c1  x  c2
fX ( x) = 

ak f k ( x ) ck −1  x  ck

untuk 𝑗 = 1, … , 𝑘 dg tiap 𝑎𝑗 > 0 dan tiap 𝑓𝑗 𝑥 harus merupakan pdf

dengan peluang terjadi pada interval 𝑐𝑗−1 , 𝑐𝑗 . Selain itu 𝑎1 + ⋯ + 𝑎𝑘 = 1

Splicing
• Contoh 8
Tunjukkan bahwa model dengan fungsi survival berikut adalah model
penyambungan dua komponen.
1 − 0.01x 0  x  50
S ( x) = 
1.5 − 0.02 x 50  x  75
Diperoleh pdf
0.01 0  x  50
f ( x) = 
0.02 50  x  75

Splicing
• Contoh 8
Dari pdf model spliced dibentuk dari 𝑓1 𝑥 = 0.02, 0 ≤ 𝑥 < 50 yang
merupakan distribusi uniform pada interval 0 sampai 50 dan
𝑓2 𝑥 = 0.04, 50 ≤ 𝑥 < 75 uniform pada interval 50 sampai 75 dengan
koefisien 𝑎1 = 0.5 dan 𝑎2 = 0.5
0.01 0  x  50
f ( x) = 
0.02 50  x  75

Splicing
• Catatan
Cara lain untuk membentuk model spliced adalah dengan menggunakan
distribusi standar pada rentang 𝑐0 sampai 𝑐𝑘
Misalkan 𝑔𝑗 𝑥 adalah pdf ke-j. Kemudian, berdasarkan definisi

𝑔𝑗 𝑥
sebelumnya ganti 𝑓𝑗 𝑥 dengan
𝐺 𝑐𝑗 −𝐺 𝑐𝑗−1
• Formulasi ini memudahkan breakpoint menjadi parameter yang dapat

diperkirakan.

Splicing
• Contoh 9
Buat model spliced 2-komponen menggunakan distribusi eksponensial
dari 0 ke 𝑐 dan Pareto (ganti parameter 𝜃 dengan 𝛾) dari 𝑐 ke ∞
Diketahui
  −1e − x 
a1  −c 
0 xc
 1− e
fX ( x) = 
( )
 − −1
a   x + 
cx
  (c +  )
2  −

Splicing
• Contoh 9
Gambar menunjukkan pdf dengan nilai 𝑐 = 100; 𝑣 = 0.6; 𝜃 = 100;
𝛾 = 200; dan 𝛼 = 4. Menunjukkan bahwa pdf tersebut tidak kontinu

Splicing
• Contoh 9
bagaimanapun harus dibuat integral dari pdf bernilai 1. Sehingga
misalkan 𝑎1 = 𝑣 dan 𝑎2 = 1 − 𝑣 maka
−1 − x 
  e
v  −c 
0 xc
 1 − e
fX ( x) =  ;  ,  ,  , c  0;0  v  1
( )

(1 − v )   c + 
cx
 (x + )
 +1


Selected Distributions
and Their Relationships

Selected Distributions and Their Relationships
• Sebagaimana ketika mendefinisikan keluarga parametrik, banyak
distribusi yang disajikan merupakan kasus khusus dari distribusi lain.
• Misalnya, distribusi Weibull dengan 𝜏 = 1 dan 𝜃 merupakan distribusi

eksponensial. Melalui proses ini, sebagian besar distribusi dapat
disusun menjadi beberapa kelompok
• Keluarga beta yang ditransformasi mencakup dua kasus khusus yang

sifatnya berbeda. Distribusi paralogistik dan paralogistik invers dibuat
dengan menetapkan dua parameter nonskala dari distribusi Burr dan
invers Burr sama satu sama lain dan bukan pada nilai yang ditentukan.




The Linear
Exponential Family

The Linear Exponential Family
• Definisi 9
Variabel acak 𝑋 (diskrit atau kontinu) mempunyai distribusi dari keluarga
eksponensial linier jika pdfnya dapat diparameterisasi dalam bentuk
parameter 𝜃 dan dinyatakan sebagai
p ( x)
f ( x; ) = exp  r ( )  x 
q ( )
Fungsi 𝑝 𝑥 hanya bergantung pada 𝑥 (bukan pada 𝜃), dan fungsi 𝑞 𝜃

adalah konstanta normalisasi. Selain itu, dukungan variabel acak tidak
boleh bergantung pada 𝜃. Parameter 𝑟 𝜃 disebut parameter kanonik
distribusi.

The Linear Exponential Family
• Kelompok parametrik cukup banyak yang berkaitan dengan analisis dan
kepentingan aktuaris dan memiliki kegunaan khusus salah satunya
dalam analisis Bayesian dan Kredibilitas.
• Tunjukkan bahwa distribusi normal termasuk dalam linear exponential

family
 1 2
f ( x; ) = ( 2 v ) exp  − ( x −  ) 
−1 2
 2v 
 x 2 + 2 x −  2 
= ( 2 v )
−1 2
exp  − 
 2 v 
  x2   x 
( )
−1 2
2 v exp  −  exp  v 
  2 v 
=
 2 
exp  
brone.ub.ac.id  2v  Universitas Brawijaya - Building Up Noble Future
Terima Kasih
brone.ub.ac.id

Pertemuan 10 - 11

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Pertemuan 10 - 11

Uploaded by

Copyright:

Available Formats

Pemodelan

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

03 The Linear Exponential

• Untuk setiap distribusi, dimungkinkan untuk membangun suatu

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

sementara jika 𝜏 < 0

untuk pdf dibuktikan dengan proses diferensiasi

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

Untuk membuat distribusi pada appendix A dan mempertahankan 𝜃

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

Inverse dari distribusi eksponensial tanpa parameter skala

Transformed dari distribusi eksponensial tanpa parameter skala

Inverse Transformed dari distribusi eksponensial tanpa parameter skala

dengan parameter skala bentuknya lebih dikenal sebagai Distribusi

• Ketika parameter skala ditambahkan, bentuk tersebut menjadi distribusi

• Berbeda dengan distribusi yang diperkenalkan sampai saat ini,

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

sedangkan fungsi gamma dinotasikan dan ditentukan oleh

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

untuk nilai bilangan bulat positif 𝑛 diperoleh

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

untuk pdf dibuktikan dengan proses diferensiasi

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

bentuknya lebih dikenal sebagai Distribusi Lognormal

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

• Dalam teorema berikut, pdf 𝑓Λ 𝜆 berperan sebagai probabilitas diskrit

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

Var ( X ) = E Var ( X  )  + Var  E ( X  ) 

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

Jika 𝑓Λ 𝜆 diskret, integral harus diganti dengan sigma.

Penulisan alternatif dari

dengan subscript pada 𝐸 mengindikasikan variabel acaknya adalah Λ

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

• Khususnya,jika 𝑓𝑋ȁΛ 𝑥 𝜆 memiliki fungsi hazard rate yang menurun

• Contoh berikut menunjukkan bagaimana distribusi heavy tailed yang

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

Diperoleh (perhatikan bahwa parameter dalam distribusi gamma telah

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

dan Θ sendiri berdistribusi normal dengan mean 𝜇 dan variansi 𝑎

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

dan Θ sendiri berdistribusi normal dengan mean 𝜇 dan variansi 𝑎

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

Jadi, 𝑋 berdistribusi normal dengan mean 𝜇 dan variansi 𝑎 + 𝑣

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

• Kemudahan matematis yang dihasilkan menyiratkan bahwa

brone.ub.ac.id Universitas Brawijaya - Building Up Noble Future

di mana 𝑎 𝑥 adalah fungsi yang diketahui dari 𝑥 (yaitu 𝑎 𝑥 harus

• Frailty ini dimaksudkan untuk mengukur ketidakpastian yang terkait