Tanaka

Penggunaan Distribusi Poisson

Untuk Menghitung Peluang
Memenangkan Suatu Permainan
Intisari

Dalam tulisan ini kami akan membahas penerapan teorema karakterisasi yang erat
kaitannya dengan distribusi Poisson pada beberapa data sepakbola dan baseball.
Peluang P( λ ) suatu tim dengan skor rata-rata λ mengalahkan tim lainnya Q ( µ )
yang memiliki skor rata-rata μ dihitung ketika skor masing-masing tim
berdistribusi Poisson. Teorema karakterisasi menyatakan jika persamaan
d
P[ P ( λ ) > Q ] = P[ P ( λ ) = Q ] berlaku untuk setiap distribusi skor dari tim dengan
dλ
rata-rata μ maka skor tim dengan rata-rata λ berdistribusi Poisson.

Abstract
In this paper we discuss the application of the characterization theorem, which has close
relation with Poisson distribution, to some soccer and baseball data. The probability P( λ )
that a team with mean score λ beats a team Q ( µ ) with mean score μ is calculated when the
score of each team is Poisson distributed. The characterization theorem states if
d
P[ P ( λ ) > Q ] = P[ P ( λ ) = Q ] holds for any score distribution of the team with mean μ, then
dλ
the score of the team with mean λ must be Poisson distributed.

I Pendahuluan Persamaan (1.2) benar jika pn diberikan

Andaikan P dan Q bermain pada suatu
permainan. Skor P dan Q saling bebas. P
memperoleh skor n dengan peluang pn. Q
memperoleh skor m dengan peluang qm.
Jika lawan dengan skor tertinggi menang
dan pn berdistribusi Poisson, dengan rata-
rata λ, maka
e−λ λ n
pn = , n = 0, 1, 2,
n!
Akan ditunjukkan bahwa untuk setiap
distribusi qn,
∂
P[P menang] = P[P dan Q seri] (1.2)
∂λ
oleh (1.1) sehingga (1.2) memberikan
suatu karakterisasi baru dari distribusi
Poisson. Jika Q juga berdistribusi Poisson,
dengan rata-rata µ, maka peluang pada
(1.2) dapat dievaluasi secara eksplisit dan
(1.2) dapat dibuktikan secara langsung.
(1.1) II Teorema Karakterisasi
Teorema :
Jika P(λ) suatu peubah acak berdistribusi
Poisson dengan rata-rata λ ≥ 0 dan Q
peubah acak bernilai bilangan bulat
nonnegatif yang saling bebas dengan P(λ)
maka berlaku

30 I N T E G R A L, vol . 6 no 1, April 2001

 d d
P[ P ( λ ) > Q ] = P[ P ( λ ) = Q ]
P[P(λ) > Q]
(2.1)
dλ
dλ
Sebaliknya, misalkan P(λ) peubah acak d
bernilai bilangan bulat nonnegatif yang = {1- P[P(λ)£Q]}
memiliki rata-rata λ ≥ 0 dengan pn(λ) = dλ
P[P(λ) = n] yang dapat diturunkan d ¥ m
terhadap λ, dan Q adalah peubah acak = [1- ∑qm ∑ pn(λ)]
bernilai bilangan bulat nonnegatif yang dλ m=0 n=0
saling bebas dengan P(λ). Jika (2.1) ¥ m
dipenuhi untuk semua peubah acak Q
= -∑qm ∑ p (λ)'

maka P(λ) berdistribusi Poisson. n

m=0 n=0
¥
Bukti :
Jika P(λ) berdistribusi Poisson dengan = ∑qm pm (λ) (2.4)
pn(λ) = P[P(λ) = n] diberikan oleh (1.1), m=0
dan qm = P(Q = m) maka ruas kanan dari
(2.1) ialah :
∞
e−λ λ m
P[ P(λ ) = Q] = ∑ qm (2.2) Persamaan (2.4) memberikan
m=0 m! ∞ m ∞
dan ruas kiri dari (2.1) ialah :
d
∑ qm
m =0
∑ pn' (λ ) = − ∑ qm pm (λ )
n=0 m =0
P[P(λ) >Q]
dλ
∞ ∞
d q0 p0' ( λ ) + q1[ p0' (λ ) + p1' (λ )] + ...
= ∑qm ∑ pn(λ)
m=0 n=m+1 dλ + qm [ p0' (λ ) + p1' (λ ) + ... + pm' (λ )] + ...
∞ ∞
d e−λλn = − q0 p0 (λ ) − q1 p1 (λ ) − ...
= ∑qm ∑ ( )
m=0 n=m+1 dλ n! − qm pm (λ ) − ...
∞ ∞
nλ λ
n−1 n
=∑qm ∑e −λ
( − ) maka :
m=0 n=m+1 n! n!
q0 p0' ( λ ) = −q0 p0 (λ )
∞
e−λλm
=∑qm (2.3) q1[ p0' (λ ) + p1' (λ )] = − q1 p1 (λ )
m=0 m!
M
qm [ p (λ ) + p1 (λ ) + ... + pm' (λ )]
'
0
'

Untuk memperoleh bentuk terakhir dari

(2.3), gunakan kenyataan bahwa = −qm pm (λ )
penjumlahan terhadap n akan divergen. M
Karena ruas kanan dari (2.2) dan (2.3) diperoleh :
identik, maka (2.1) terbukti.
p0' ( λ ) = − p0 (λ )
Untuk membuktikan sebaliknya, mula- p0' (λ ) + p1' (λ ) = − p1 (λ )
mula kita mulai dengan :
M
P[P(λ) > Q] = 1 - P[P(λ) ≤ Q].
Dengan demikian, (2.1) dapat dituliskan p0' (λ ) + ... + pm' (λ ) = − pm (λ )
dalam bentuk M

I N T E G R A L, vol . 6 no 1, April 2001 31

Jadi, Dengan menggunakan Prinsip Induksi
m Matematika (PIM) dan berdasarkan pada
∑ p (λ ) = − p
n =0
'
n m (λ ) (2.5) persamaan (2.5) dan (2.6), akan dibuktikan

Jika m = 0 maka :
pm' (λ ) = − pm (λ ) + pm −1 (λ )
p 0' ( λ ) = − p 0 ( λ ) (2 .6 ) ∀ m = 1, 2, ... ......(•)

1. Persamaan (2.6) memberikan : p0' (λ) = − p0 (λ)

Dari persamaan (2.5) untuk m = 1 diperoleh :
p0' (λ) + p1' (λ) = − p1(λ)
p1' (λ) = − p1(λ) − p0' (λ)
Substitusikan p0' (λ) = − p0 (λ) diperoleh :
p1' (λ) = − p1(λ) − [− p0 (λ)]
= − p1(λ) + p0 (λ)
Jadi, pernyataan (•) benar untuk m = 1.
2. Misalkan pernyataan (•) benar untuk m = k ,
maka pk' (λ ) = − pk (λ ) + pk −1 (λ ).
Akan dibuktikan untuk m = k + 1 berlaku : pk +1 (λ ) = − pk +1 (λ ) + pk (λ )
'

Perhatikan : pk' (λ ) = - pk (λ ) + pk -1 (λ )
Karena p0' (λ ) + p1' (λ ) + ... + pk' (λ ) = - pk (λ ) maka :
pk' (λ ) = [ p0' (λ ) + p1' (λ ) + ... + pk' (λ )] + pk -1 (λ )
Kemudian kedua ruas ditambahkan pk' +1 (λ ) diperoleh :
pk' (λ ) + pk' +1 (λ ) = [ p0' (λ ) + p1' (λ ) + ... + pk' (λ )] + pk -1 (λ ) + pk' +1 (λ )
pk' (λ ) + pk' +1 (λ ) = [ p0' (λ ) + p1' (λ ) + ... + pk' (λ ) + pk' +1 (λ )] + pk -1 (λ )
Karena p0' (λ ) + p1' (λ ) + ... + pk' (λ ) + pk' +1 (λ ) = - pk +1 (λ ) maka :
pk' (λ ) + pk' +1 (λ ) = - pk +1 (λ ) + pk -1 (λ )
pk' +1 (λ ) = - pk +1 (λ ) + [ pk -1 (λ ) - pk' (λ )]
Karena pk -1 (λ ) - pk' (λ ) = pk (λ ) maka :
pk' +1 (λ ) = − pk +1 (λ ) + pk (λ )

J a d i, te rb u k ti b a h w a p m' ( λ ) =
− p m ( λ ) + p m −1 ( λ ) ∀ m
= 1 , 2 , ... .........................(2 .7 )

32 I N T E G R A L, vol . 6 no 1, April 2001

Persamaan (2.6) dan (2.7) merupakan P[ P(λ ) = Q( µ )]
persamaan diferensial biasa linear. Karena ∞
e−λ λ n e− µ µ n
λ ialah rata-rata dari P(λ) maka =∑
n! n!
E ( m) = µ = ∑m =0 mp m (λ ) = λ ,
∞ n=0
∞
(λµ ) n
sehingga pada λ = 0 diperoleh : = e−λ −µ ∑
n = 0 ( n !)
2

E ( m) = ∑ m = 0 mpm (0)
∞
= e − λ − µ I 0 (2 λµ ) .....(3.1)
= 0 p0 (0) + 1 p1 (0) + 2 p2 (0) + Disini I0 ialah fungsi Bessel yang
dimodifikasi berderajat nol. Persamaan
3 p3 (0) + ... = 0 (∗) (2.9) memberikan
dan
∞ P[ P (λ ) > Q ( µ )]
∑ pm (0) = p0 (0) + p1 (0) + λ
m=0 = ∫ P[ P (λ ' ) = Q ( µ )] d λ '
p2 (0) + p3 (0) + ... = 1 (∗∗) 0
λ
Solusi dari kedua persamaan ( ∗ ) dan = ∫ e − λ − µ I 0 [2 λ ' µ ] d λ '
'

( ∗ ∗ ) di atas adalah 0
λ

∫e
−µ −λ'
=e I 0 [2 λ ' µ ] d λ ' .....(3.2)
p 0 ( 0 ) = 1 d a n p1 ( 0 ) = p 2 ( 0 ) 0

= p 3 ( 0 ) = ... = 0 .
Ja d i, p 0 (0 ) = 1 ; p m (0 ) = 0
Persamaan (3.2) juga dapat diturunkan
∀ m = 1, 2, 3 , ... ...(2 .8 )
dari (2.9) secara langsung dengan
memperhatikan ruas kiri, yang dapat
Dengan syarat awal pada (2.8), persamaan dinyatakan sebagai penjumlahan ganda.
(2.6) dan (2.7) mempunyai solusi unik,
dan dapat dibuktikan bahwa distribusi Jadi, jika skor P dan Q berdistribusi
Poisson (1.1) adalah solusinya. Ini Poisson dengan P(λ) dan Q(µ), maka (3.2)
menyempurnakan bukti dari teorema adalah peluang P menang dan (3.1) adalah
karakterisasi. peluang P dan Q seri. Untuk pertandingan
yang seimbang, dengan µ = λ, persamaan
Karena persamaan (2.1) dipenuhi, maka
(3.1) menjadi
P(λ) berdistribusi Poisson. Kemudian ruas
kiri dan ruas kanan dari (2.1) diintegralkan
terhadap λ dengan batas bawah λ = 0.
P[ P dan Q seri] = e −2 λ I 0 (2λ ).....(3.3)
λ
P[ P(λ ) > Q] = ∫ P[ P(λ ' ) = Q] d λ ' .(2.9) Fungsi ini seperti ditunjukkan pada
0 Gambar 1, monoton turun dari satu untuk
λ = 0 dan menuju ke nol untuk λ menuju
Hubungan ini berguna jika nilai integral +∞. Untuk λ besar, fungsi ini konvergen
dapat ditentukan dengan mudah. 1
secara asimtotik ke .
4πλ
III Skor Berdistribusi Poisson
Jika diasumsikan Q(µ) juga berdistribusi
Poisson dengan rata-rata µ ≥ 0 maka

I N T E G R A L, vol . 6 no 1, April 2001 33

 P (P dan Q seri)
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1

0 1 2 3 4 5 6 7 8 9 10 λ

Gambar 1 Peluang seri jika skor kedua lawan berdistribusi Poisson

dengan rata-rata sama, λ, dihitung dari (3.3)

Gambar 1 menunjukkan bahwa peluang dicetak, jumlah permainan yang

seri lebih mungkin terjadi antara lawan dimenangkan masing-masing tim, dan
dengan skor rendah daripada antara lawan jumlah seri dari keseluruhan permainan
dengan skor tinggi. tersebut. Hasil bagi gol-gol tiap permainan
Dari kenyataan bahwa P[P(λ) > Q(λ)] = ialah rata-rata jumlah gol tiap permainan
1 yang dicetak oleh masing-masing tim
P[Q(λ) > P(λ)] = {1 - P[P(λ) = Q(λ)]},
2 melawan tim lainnya.
diperoleh Misalkan jumlah gol yang dicetak oleh
1 masing-masing tim berdistribusi Poisson
P[P menang] = [1-e -2λ I 0 (2λ )] ....(3.4) dengan parameter λ yang bergantung
2
kepada tim lawan. Sebagai contoh, pada
permainan antara Juventus dan AS Roma
Untuk λ besar, fungsi ini konvergen secara
ada parameter λ untuk Juventus dan
1 1 parameter µ untuk AS Roma. Untuk
asimtotik ke − . menaksir parameter-parameter ini
2 2 4πλ
digunakan maximum likelihood method.
Statistik penaksir dari λ dan μ ialah :
IV Penerapan ke Data Sepakbola N
e − λ λ ni e − µ µ mi
Dalam tabel 1 ditunjukkan hasil-hasil L(λ , µ ) = ∏
permainan sepakbola yang dimainkan di i =1 ni ! mi !
N N
Liga Sepakbola Internasional dari tahun ∑ ni ∑ mi N
1
1996 sampai tahun 2001 (data diambil dari = (e −Nλ
λ =1
i
)(e −Nµ
µ =1 )∏
i

i =1 ni !mi !
Lembaran Khusus Olahraga Pikiran N
1
Rakyat, Gelora). Untuk masing-masing = (e − N λ λ S1 )(e − N µ µ S2 )∏ ....(4.1)
pasangan tim, tabel 1 menunjukkan jumlah i =1 ni !mi !
permainan antara satu tim melawan tim
lainnya, jumlah keseluruhan gol yang

34 I N T E G R A L, vol . 6 no 1, April 2001

Disini N = 11 ialah jumlah permainan, S1 = menang yang diharapkan untuk Juventus
15 ialah jumlah keseluruhan gol yang melawan AS Roma ialah (0,4738)11 = 5,2;
dicetak oleh Juventus, dan S2 = 10 ialah AS Roma menang atas Juventus ialah
jumlah keseluruhan gol yang dicetak oleh (0,2500)11 = 2,8; dan seri ialah
AS Roma. (0,2762)11 = 3,0. Kolom berikutnya
menunjukkan jumlah “Menang dan seri
Dari persamaan (4.1) yang sebenarnya”, dan perbedaan
“Kekurangan sebenarnya yang
ln L(λ, µ) = -Nλ + S1 ln λ - Nµ + S2 ln µ - diharapkan” ditunjukkan dalam kolom
kedua dari belakang pada tabel 1.
N N Jika p ialah peluang seri maka peluang k
∑i =1
ln n i − ∑ ln m i
i =1
..........( 4 .2) seri dalam N permainan diberikan oleh
N k N −k
distribusi binomial 
k  p (1 − p ) .
Dengan menurunkan
∂ ln L
dan
∂ ln L  
∂λ ∂µ Jumlah seri yang diharapkan ialah pN, dan
sama dengan nol, dan mencari simpangan baku ialah p(1 − p) N , yang
penyelesaian untuk λ dan µ, diperoleh ditunjukkan pada kolom terakhir. Jumlah
taksiran maximum likelihood menang yang diharapkan dan simpangan
baku untuk tim-tim lainnya dihitung
^ S1 ^ S
λ = d a n µ = 2 ..........(4 .3 ) dengan cara yang sama, menggunakan
N N peluang yang tepat.
Sekarang akan dibandingkan dua kolom
Taksiran-taksiran ini ditunjukkan dalam terakhir, yaitu penyimpangan yang
kolom tabel 1 berjudul “Gol tiap sebenarnya dengan simpangan bakunya.
permainan”. Jadi, untuk Juventus melawan Empat belas dari 18 kasus, nilai mutlak
AS Roma, penyimpangan sebenarnya lebih kecil
daripada simpangan bakunya dan dalam
^ 15 ^ 10 empat kasus nilai mutlak penyimpangan
λ= = 1,364 dan µ = = 0,909 . sebenarnya lebih kecil daripada 2 kali
11 11
simpangan bakunya. Hal ini menunjukkan
^ ^ bahwa model sesuai dengan data yang
Sekarang, nilai λ dan µ digunakan pada diberikan.
persamaan (3.1) untuk menaksir peluang
seri dan (3.2) untuk menaksir peluang
suatu tim dengan parameter λ V Penerapan ke Data Baseball
mengalahkan tim dengan parameter µ. Dalam tahun 1994, San Fransisco Giants
Taksiran peluang-peluang tersebut dari Perhimpunan Baseball Nasional
ditunjukkan dalam kolom tabel 1 berjudul bermain 12 permainan melawan Florida
“Peluang (berdasarkan teorema Marlins dan melawan St. Louis Cardinals.
Karakterisasi)”. Jumlah runs yang dicetak oleh masing-
Dengan menggunakan perangkat lunak masing tim dalam permainan tersebut
Maple V Release 5 dapat dihitung peluang ditunjukkan pada tabel 2, berdasarkan data
menang, peluang kalah, dan peluang seri yang diberikan oleh San Fransisco Giants.
^
masing-masing tim. Pada permainan Tabel 2 juga menunjukkan λ , taksiran
antara Juventus melawan AS Roma, maximum likelihood dari parameter
peluangnya adalah 0,4738 untuk diasumsikan berdistribusi Poisson untuk
kemenangan Juventus; 0,2500 untuk ^
kemenangan AS Roma; dan 0,2762 bahwa masing-masing tim. Taksiran λ ialah rata-
kedua tim ini seri. rata jumlah runs tiap permainan.
Mengalikan masing-masing peluang Untuk menguji kebenaran distribusi
dengan jumlah permainan memberikan Poisson, kita gunakan uji statistik
nilai ditunjukkan dalam kolom “Menang
dan seri yang diharapkan”. Maka, jumlah

I N T E G R A L, vol . 6 no 1, April 2001 35

 1 12 ^ ditunjukkan hitungan-hitungan yang mirip
T = ^ ∑ (r i − λ )2 ............(5 .1)
λ i =1
Disini ri menyatakan jumlah runs yang
dicetak oleh satu tim, katakanlah Giants,
pada permainan ke-i. Menurut Cox dan
Hinkley yang mengusulkan statistik ini,
berdistribusi asimtotik untuk sampel besar
ialah distribusi χ 2 dengan derajat
kebebasan 11. Nilai T untuk masing-
masing tim dalam tiap set permainan
ditunjukkan dalam tabel 2. Dengan derajat
kebebasan 11, χ 2 mempunyai nilai 19,68
untuk P = 0,05 dan 22,62 untuk P = 0,02.
Maka dalam tiga dari empat kasus
distribusi Poisson dapat diterima pada
tingkat 0,05 sedangkan dalam kasus
keempat distribusi Poisson dapat diterima
pada tingkat 0,02.
Permainan pertama antara San Fransisco
Giants dan Florida Marlins seri dengan
skor 3-3 pada akhir babak sembilan, dan
San Fransisco Giants menang dengan skor
4-3 pada babak ke sebelas. Kita telah
menggunakan hasil pada akhir babak
sembilan untuk membuat seluruh
permainan seimbang dan memperbolehkan
kemungkinan seri.
Untuk San Fransisco Giants melawan
^ 56
Florida Marlins, taksiran λ = = 4, 667
12
^ 48
dan µ = = 4, 000 .
12
Dengan menggunakan perangkat lunak
Maple V Release 5 dapat dihitung peluang
menang, peluang kalah, dan peluang seri
masing-masing tim.
Pada permainan antara San Fransisco
Giants melawan Florida Marlins,
peluangnya adalah 0,5212 untuk
kemenangan San Fransisco Giants; 0,3445
untuk kemenangan Florida Marlins; dan
0,1343 bahwa kedua tim ini seri.
Kita telah menghitung peluang menang
untuk masing-masing tim, dan peluang
seri, dari persamaan (3.1) dan (3.2)
^
menggunakan nilai λ pada tabel 2.
Hasilnya, bersama dengan jumlah menang
dan seri yang diharapkan dan yang
sebenarnya, ditunjukkan pada tabel 3.
San Fransisco Giants juga bermain
melawan tim lainnya pada tahun 1994, dan
36
untuk beberapa set dari permainan
tersebut. Nilai dari uji statistik T adalah
terlalu besar bagi distribusi Poisson untuk
dapat diterima, menunjukkan
penghamburan. Bagaimanapun juga,
dalam kasus San Fransisco Giants
melawan Florida Marlins, kita menghitung
jumlah menang dan seri yang diharapkan,
dengan mengasumsikan distribusi Poisson,
dan mereka dalam satu simpangan baku
dari nilai sebenarnya.
VI Kesimpulan
Andaikan P(λ) dan Q bermain pada suatu
permainan. Jika P(λ) suatu peubah acak
berdistribusi Poisson dengan rata-rata λ ≥
0
e − λ λn
pn = , n = 0, 1, 2, ... (6.1)
n!
dan Q peubah acak bernilai bilangan bulat
nonnegatif yang saling bebas dengan P(λ)
maka berlaku
d
P[ P (λ ) > Q ] = P[ P (λ ) = Q ] ...(6.2)
dλ
Persamaan (6.2) benar jika pn diberikan
oleh (6.1) sehingga (6.2) memberikan
suatu karakterisasi baru dari distribusi
Poisson. Jika Q juga berdistribusi Poisson,
dengan rata-rata µ, maka peluang pada
(6.2) dapat dievaluasi secara eksplisit dan
(6.2) dapat dibuktikan secara langsung.
Persamaan (6.2) tidak berlaku jika kedua
peubah acak P dan Q tidak berdistribusi
Poisson.
Sebaliknya, misalkan P(λ) peubah acak
bernilai bilangan bulat nonnegatif
mempunyai rata-rata λ ≥ 0 dengan pn(λ) =
P[P(λ) = n] yang dapat diturunkan
terhadap λ dan Q peubah acak bernilai
bilangan bulat nonnegatif yang saling
bebas dengan P(λ). Jika (6.2) dipenuhi
untuk semua peubah acak Q maka P(λ)
berdistribusi Poisson.
Persamaan (6.2) di atas disebut teorema
karakterisasi yang erat kaitannya dengan
distribusi Poisson untuk menghitung
peluang memenangkan suatu permainan.
Distribusi Poisson terbukti sesuai dengan
beberapa data baseball, dan juga dapat
diterapkan pada beberapa data sepakbola.
Selain itu, teorema karakterisasi ini juga
I N T E G R A L, vol . 6 no 1, April 2001
dapat diterapkan pada data bola basket dan Probability of Winning a Game. The
data-data lainnya yang memenuhi teorema American Statistician, Vol. 48, No. 4,
karakterisasi. November 1994, pp. 294-298.
3. Kreyszig, E. 1988. Advanced
Engineering Mathematics, 6th ed.
Pustaka New York : John Wiley & Sons.
1. Abramowitz, M. dan Stegun, I. A.
1965. Handbook of Mathematical Penulis
Functions. New York : Dover Tanaka adalah mahasiswa Jurusan
2. Keller, B. J. A Characterization of the Matematika, FMIPA, Universitas Katolik
Poisson Distribution and the Parahyangan.

I N T E G R A L, vol . 6 no 1, April 2001 37