Академический Документы
Профессиональный Документы
Культура Документы
DISTRIBUSI GAMMA
Beberapa Ukuran Statistik Dalam Distribusi Gamma
1. PDF (Probability Density Function) Distribusi Gamma
x
1
k1
x
e
f(x;;k) =
, dengan x>0, >0, dan k>0
k
(k )
2. CDF (Cumulative Density Function) Distribusi Gamma
x
F(x;;k) =
k 1(k ) x k1 e
0
dx
( k)
i! e
i=0
xr f
x (x)
dx
xr
1
x k1 e
k
(k )
x
dx
1
x k1+ r e
= k
dx
(k )
x
y
1
Misalkan y =
;
=
dan x=y, dx= dy
dx
Sehingga
1
( y)k1+r e y dy
= k
(k )
1
k1+r y k1+r e y dy
= k
(k )
k1 +r
k1 +r y
y
e dy
= k
(k )
k1+r
y k1+r ey dy
= k 1
(k )
k1+r
k1+ r y
y
e dy
= k1
(k )
k1
y k1+ r ey dy
k1
(k )
r
(k ) y k1 +r e y dy
y k1+r ey dy
(k )
r
(k +r )
=
(k )
r
(k + r)
=
(k )
Diketahui : ( k) =( k-1)!
Ambil r=1 , maka persamaan di atas menjadi
(k +1)
= E(x) =
( k)
(k !)
=
( k1 ) !
k (k 1)!
=
( k 1 ) !
= k
= k
=
(k + r)
(k )
Diketahui : ( k) =( k-1)!
Ambil r=2 , maka persamaan diatas menjadi
2
( k +2)
2
E(x ) =
(k )
2
( k + 1) !
=
( k1 ) !
2 ( k +1 )( ( k +1 )1)!
=
( k1 ) !
( k+ 1 )1
()1
=
!
2
( k +1 ) ( ( k +1 )1 )
2
( k + 1 ) k ( ( k +1 )2 ) !
=
( k 1 ) !
2
( k + 1 ) k (k1) !
=
( k 1 ) !
2
= ( k +1 ) k
= 2 k2 + k)
= 2 k2 + 2 k
= 2 k2 + k 2
Sehingga pembuktian untuk varians
= Var (x) = E(x2) E(x)2
= 2 k2 + k 2 - ( k 2
= 2 k2 + k 2 - k22
= k 2
Terbukti bahwa =k 2
5. Fungsi Pembangkit Momen (Mgf) / Mx (T)
Pembuktian :
tx
Mx(t) = E(e )
tx
1
x k1 e
k
(k )
x
1
k1
x e
= k
0 (k )
Kita tulis y= x
( 1t )
(1t)
jadi x=
dx
dx
y
( 1t )
dan dx=
Akibatnya
Mx(t)
1
y k1 y
e
dy
= k
( 1t )
0 (k ) ( 1t )
k
1
1
y k1 e y dy
k
( 1t ) ( k ) 0
( 1t )
1
k
( 1t )
)(
1
k1 y
y e dy
(k) 0
k
y k1 ey dy
0
y k1 e y dy
0
dy
( 1t )
1
( 1t )k
=(1-t)-k
Terbukti bahwa
Mx(t) = (1-t)-k
Catatan:
Nama distribusi gamma berasal dari munculnya fungsi gamma . Dalam kalkulus,
anda telah mengetahui bahwa untuk setiap bilangan real positif k berlaku
(k ) =
y k1 e y dy
0