Anda di halaman 1dari 28

Sebaran Poisson dan Seragam Diskrit

Untuk memenuhi tugas mata kuliah


Statistika Matematika I
yang dibina oleh Trianingsing Eni Lestari, S.Si, M.Si

Disusun Oleh :
Baitus Shofa (160311604640)
Cindi Eko Augustin (160311604632)
Nindriya Nahrulita (160311604644)
Syafril Ardi Pamungkas (160311604671)

UNIVERSITAS NEGERI MALANG


FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
JURUSAN MATEMATIKA
OKTOBER 2018
BAB I
PENDAHULUAN

Statistika adalah ilmu yang mempelajari tentang pengumpulan data, pengelompokan


data, penyajian, analisis, merumuskan hipotesis, menguji hipotesis, menarik kesimpulan,
dan mengambil keputusan. Statistika dibagi menjadi statistika inferensia dan deskriptif,
dimana statistika inferensia meliputi penarikan kesimpulan dan pengambilan keputusan,
sedangkan statistika deskriptif meliputi pengumpulan, pengelompokan, dan penyajian.
Statistika deskriptif berkenaan dengan bagaimana data yang dapat digambarkan atau
dideskripsikan baik secara numerik (misal menghitung rata-rata dan deviasi standar) atau
secara grafis (dalam bentuk tabel atau grafik) untuk mendapatkan gambaran sekilas
mengenai data tersebut, sehingga lebih mudah dibaca dan dipahami.
Dalam statistika inferensial, untuk mengatakan karakteristik tertentu yang terdapat
pada suatu populasi diinginkan adanya informasi yang bersifat spesifik. Salah satu jenis
informasi itu adalah sebaran sampel (subjek pengamatan). Apakah informasi itu terjadi
pada saat-saat tertentu atau berlangsung secara terus-menerus. Apakah terjadinya
tergantung pada besaran tertentu atau dapat terjadi begitu saja tanpa tergantung dari
kuantitas-kuantitas tertentu. Pada makalah ini kita akan membahas sebaran peluang diskrit
yaitu sebaran poisson. Pada sebaran poisson ini kita akan membahas mengenai sifat-sifat
khusus dari sebaran poisson, di antaranya adalah pdf, ekspektasi, variansi, dan mgf yang
mempunyai bentuk tertentu.
BAB II
PEMBAHASAN

A. SEBARAN POISSON
1. Pengertian
Distribusi Poisson disebut juga distribusi peristiwa yang jarang terjadi,
Distribusi Poisson diberi nama sesuai dengan penemunya yaitu Siemon D. Poisson
(1781-1841), seorang ahli matematika bangsa Perancis. Distribusi Poisson termasuk
distribusi teoritis yang memakai variable random (variable acak) diskrit.
Percobaan yang menghasilkan nilai-nilai bagi suatu peubah acak 𝑋, yang
banyaknya hasil percobaan yang terjadi selama suatu selang waktu tertentu atau di
suatu daerah tertentu, sering disebut percobaan Poisson. Model distribusi poisson
digunakan untuk menggambarkan distribusi peubah acak pada percobaan poisson.
Yang dimaksud percobaan poisson adalah percobaan yang bersifat :
a. Peluang terjadinya 1 kali sukses dalam setiap selang yang sempit, sebanding
dengan “lebar” selang.
b. Peluangnya sangat kecil (dapat diabaikan) untuk terjadi lebih dari 1 kali sukses
dalam setiap selang yang sempit.
c. Jika 𝐴 dan 𝐵 dua buah selang dimana 𝐴 ∩ 𝐵 = ∅ maka banyaknya sukses dalam 𝐴
independen dengan banyaknya sukses dalam 𝐵.
Peubah acak yang kita amati pada suatu percobaan poisson adalah 𝑋 yang
menyatakan banyaknya sukses dalam percobaan tersebut. Hampir sama dengan
percobaan binomial. Salah satu perbedaannya terletak pada ruang peubah acaknya.
Jika pada binomial ruang peubah acaknya {0,1,2, … , 𝑛}, maka pada poisson adalah
{0,1,2, … }. Ini berarti bahwa pada percobaaan Poisson, percobaan tersebut diulang
berkali-kali, tidak diketahui berapa persisnya.
Contoh-contoh masalah yang sering digambarkan melalui distribusi Poisson
antara lain adalah:
a. Banyaknya korban serangan muntaber di suatu daerah pada saat tertentu.
b. Banyaknya hasil produksi yang cacat dari suatu mesin.
c. Banyaknya kecelakaan lalu lintas di suatu daerah.
d. Banyaknya orang yang lewat melalui pasar setiap hari, tetapi sangat jarang terjadi
seseorang yang menemukan barang yang hilang mau mengembalikannya kepada
si pemilik atau melaporkannya kepada polisi.
e. Dalam tempo setiap 5 menit, operator telepon banyak menerima permintaan
nomor untuk disambungkan. Dalam peristiwa ini diharapkan sekali untuk tidak
terjadi salah sambung.
Poisson memperhatikan bahwa distribusi binomial sangat bermanfaat dan dapat
menjelaskan dengan sangat memuaskan terhadap probabilitas Binomial 𝑏(𝑥; 𝑛, 𝑝)
untuk 𝑋 = 1,2,3 … 𝑛. Namun demikian, untuk suatu kejadian dimana 𝑛 sangat besar
(lebih besar dari 50) sedangkan probabilitas sukses (𝑝) sangat kecil seperti 0,1 atau
kurang, maka nilai binomialnya sangat sulit dicari. Suatu bentuk dari distribusi ini
adalah rumus pendekatan peluang Poisson untuk peluang Binomial yang dapat
digunakan untuk pendekatan probabilitas Binomial dalam situasi tertentu.
Asumsi sebaran Poisson, antara lain :
a. Terdapat 𝑛 tindakan bebas dimana 𝑛 sangat besar
b. Hanya satu keluaran yang dipelajari
c. Terdapat peluang yang konstan dari munculnya kejadian setiap tindakan
d. Peluang lebih dari satu keluaran pada setiap tindakan sangat kecil atau dapat
diabaikan
Percobaan Poisson memiliki ciri-ciri berikut:
a. Hasil percobaan pada suatu selang waktu dan tempat tidak tergantung dari hasil
percobaan di selang waktu dan tempat yang lain yang terpisah
b. Peluang terjadinya suatu hasil percobaan sebanding dengan panjang selang waktu
dan luas tempat percobaan terjadi. Hal ini berlaku hanya untuk selang waktu yang
singkat dan luas daerah yang sempit
c. Peluang bahwa lebih dari satu hasil percobaan akan terjadi pada satu selang waktu
dan luasan tempat yang sama diabaikan
2. Pdf, Ekspektasi, Variansi, dan Mgf dari Sebaran Poisson
a. Pdf dari Sebaran Poisson
Definsi
Peubah acak 𝑋 dikatakan bersebaran poisson dengan parameter 𝑢, ditulis
𝑋~𝑃𝑂𝐼(𝑢), jika 𝑋 memiliki fungsi kepadatan peluang (pdf) sebagai berikut :
𝑢𝑥 𝑒 −𝑢
, 𝑥 = 0,1,2, . . .
𝑓 (𝑥 ) = { 𝑥!
0 , 𝑥 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛
Bukti
Diketahui : Peubah acak 𝑋 dikatakan bersebaran poisson dengan parameter 𝑢,
ditulis 𝑋~𝑃𝑂𝐼(𝑢), jika 𝑋 memiliki fungsi kepadatan peluang (pdf) sebagai
berikut :
𝑢𝑥 𝑒 −𝑢
, 𝑥 = 0,1,2, . . .
𝑓 (𝑥 ) = { 𝑥!
0 , 𝑥 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛

Akan dibuktikan : 𝑓 mendefinisikan suatu fungsi kepadatan peluang (pdf).


Bukti :
Dengan menggunakan uraian dari deret Taylor 𝑒 𝑢 , yaitu :
𝑔 (𝑢 ) = 𝑒 𝑢 ,
Di sekitar nol, yaitu

𝑢
𝑢1 𝑢 2 𝑢 3 𝑢𝑥
𝑒 = 1+ + + +⋯=∑
1! 2! 3! 𝑥!
𝑥=0
−𝑢
Jika kedua persamaan kita kalikan dengan 𝑒 , maka kita peroleh

𝑒 −𝑢 𝑢 𝑥
∑ =1
𝑥!
𝑥=0

Oleh karena itu jika kita pilih


𝑢 𝑥 𝑒 −𝑢
𝑓 (𝑥 ) = 𝐼 (𝑥 = 0,1,2, … )
𝑥!
Maka :
(i) 𝑓 (𝑥 ) > 0, 𝑥 = 0,1,2, …
(ii) ∑∞
𝑥=0 𝑓 (𝑥 ) = 1

Jadi 𝑓 mendefinisikan suatu fungsi kepadatan peluang (pdf)


b. Ekspektasi, Variansi, dan Mgf dari Sebaran Poisson
Untuk menentukan ekspektasi dan variansi peubah acak 𝑋 yang bersebaran
Poisson terlebih dahulu kita menentukan fungsi pembangkit momennya (mgf)
seperti pada teorema berikut ini,
Teorema
Misalkan 𝑋~𝑃𝑂𝐼(𝑢). Maka fungsi pembangkit momennya (mgf) dari 𝑋 adalah
𝑡 −1)
𝑀(𝑡) = 𝑒 𝑢(𝑒
Bukti
Diketahui : 𝑋 bersebaran Poisson
Akan dibuktikan : fungsi pembangkit momennya (mgf) dari 𝑋 adalah
𝑡 −1)
𝑀(𝑡) = 𝑒 𝑢(𝑒 .
Bukti :
𝑀 (𝑡) = 𝐸(𝑒 𝑡𝑥 )

𝑢 𝑥 𝑒 −𝑢
= ∑ 𝑒 𝑡𝑥 .
𝑥!
𝑥=0

−𝑢
(𝑢𝑒 𝑡 )𝑥
=𝑒 ∑
𝑥!
𝑥=0
𝑡
= 𝑒 −𝑢 𝑒 𝑢𝑒
𝑡 −1)
= 𝑒 𝑢(𝑒
𝑡 −1)
Jadi terbukti bahwa fungsi pembangkit momennya (mgf) adalah 𝑀(𝑡) = 𝑒 𝑢(𝑒 ,
untuk semua nilai 𝑡.
Akibat : Berdasarkan teorema tersebut, kita peroleh :
𝑡 −1)
𝑀′ (𝑡) = 𝑒 𝑢(𝑒 (𝑢𝑒 𝑡 )
𝑡 −1) 𝑡 −1)
𝑀′′ (𝑡) = 𝑒 𝑢(𝑒 (𝑢𝑒 𝑡 ) + 𝑒 𝑢(𝑒 (𝑢𝑒 𝑡 )2
Dengan demikian, mean dan variansi 𝑋 adalah :
𝜇 = 𝑀′ (0) = 𝑢 = 𝐸(𝑋)
𝜎 2 = 𝐸(𝑋 2 ) − [𝐸 (𝑋)]2 = 𝑀′′ (0) − [𝑀′ (0)]2 = 𝑢 + 𝑢2 − 𝑢2 = 𝑢 = 𝜇
Jadi parameter 𝑢 menyatakan rata-rata banyaknya dalam suatu selang
satuan.
Hasil ini meyatakan bahwa jika 𝑋 bersebaran Poisson, maka 𝜇 = 𝜎 2 = 𝑢 >
0. Oleh karena itu, kita dapat pula menulis sebaran ini sebagai 𝑋~𝑃𝑂𝐼(𝜇), pdfnya
𝜇𝑥 𝑒 −𝜇
𝑓(𝑥; 𝜇 ) = 𝐼(𝑥 = 0,1,2,3, … ).
𝑥!
dan cdfnya
𝑥

𝐹 (𝑥; 𝜇 ) = ∑ 𝑓 (𝑥; 𝜇 )
𝑘=0

Untuk nilai 𝜇 dan 𝑥 tertentu cdf ini dapat diperoleh dari tabel sebaran Poisson,
atau dari komputer dengan perangkat lunak statistik. Dalam hal ini kita pakai
Minitab.

Contoh 3.4.1
Misal 𝑋~𝑃𝑂𝐼(2). Maka
2𝑥 𝑒 −2
𝑓(𝑥; 2) = , 𝑥 = 0, 1, 2, …
𝑥!
Selanjutnya jika kita ingin menentukan 𝑃(1 ≤ 𝑋), maka kita dapat
memperolehnya seperti berikut ini
𝑃(1 ≤ 𝑋) = 1 − 𝑃(𝑋 ≤ 0)
= 1 − 𝑃(𝑋 = 0)
= 1 − 𝑒 −2
= 0.865
Hasil di atas dapat diperoleh langsung dari kalkulator, dari tabel sebaran Poisson,
atau dari Minitab.

Soal 3.4.2 Latihan 3.4


Misal 𝑋 peubah acak yang bersebaran poisson, 𝑃(𝑋 = 1) = 𝑃(𝑋 = 2), tentukan
𝑃(𝑋 = 4).
Penyelesaian
𝑃(𝑋 = 1) = 𝑃(𝑋 = 2)
𝑒 −µ µ𝑥1 𝑒 −µ µ𝑥2
=
𝑥1 ! 𝑥2 !
𝑒 −µ µ 𝑒 −µ µ2
=
1! 2!
µ2
µ=
2
µ2
2=
µ
µ=2
sehingga µ = 2 maka
𝑒 −µ µ𝑥
𝑃(𝑋 = 4) =
𝑥!
𝑒 −2 24
𝑃(𝑋 = 4) =
4!
𝑒 −2 16
𝑃(𝑋 = 4) =
24
𝑒 −2 2
𝑃(𝑋 = 4) =
3
0.1353352832 2
𝑃(𝑋 = 4) =
3
𝑃(𝑋 = 4) = 0.09
Jadi,𝑃 (𝑋 = 4) = 0.09

Soal 3.4.3 Latihan 3.4


Misal 𝑋 peubah acak yang bersebaran poisson 𝑃(𝑋 = 0) = 0,2. Tentukan 𝑃(𝑋 >
4).
Penyelesaian
Karena
𝑃 (𝑋 = 0) = 0.2
𝑒 −µ µ𝑥
= 0.2
𝑥!
𝑒 −µ µ0
= 0.2
0!
𝑒 −µ 1
= 0.2
1
𝑒 −µ = 0.2
1
= 0.2
𝑒µ
1
𝑒µ =
0.2
µ = ln 5
µ ≈ 1.6
Sehingga kita perolehµ ≈ 1.6
𝑃(𝑋 > 4) = 1 − 𝑃(𝑋 ≤ 4)
4
𝑒 −µ µ𝑥
𝑃(𝑋 > 4) = 1 − ∑
𝑥!
𝑥=0

𝑒 −1.61.60 𝑒 −1.6 1.61 𝑒 −1.61.62 𝑒 −1.6 1.63 𝑒 −1.6 1.64


𝑃(𝑋 > 4) = 1 − [ + + + + ]
0! 1! 2! 3! 4!
𝑒 −1.6 1.60
 = 𝑒 −1.6 = 0.2
0!
𝑒 −1.6 1.61
 = 𝑒 −1.6 . 1.6 = 0.32
1!
𝑒 −1.6 1.62 𝑒 −1.6 2.56 0.52
 = = = 0.26
2! 2 2
𝑒 −1.6 1.63 𝑒 −1.6 4.096 0.83
 = = = 0.14
3! 6 6
𝑒 −1.6 1.64 𝑒 −1.6 6.5536 1.32
 = = = 0.06
4! 24 24

Maka
𝑒 −1.6 1.60 𝑒 −1.6 1.61 𝑒 −1.6 1.62 𝑒 −1.6 1.63 𝑒 −1.6 1.64
𝑃(𝑋 > 4) = 1 − [ + + + + ]
0! 1! 2! 3! 4!
𝑃(𝑋 > 4) = 1 − [0.2 + 0.32 + 0.26 + 0.14 + 0.06]𝑃(𝑋 > 4)
= 1 − [0.98]𝑃(𝑋 > 4) = 0.02

Jadi, 𝑃 (𝑋 > 4) = 0.02


3. Kaitan Antara Sebaran Binomial dengan Sebaran Poisson
Model sebaran Poisson dapat juga digunakan sebagai pendekatan dari model
sebaran binomial 𝐵𝐼𝑁 (𝑛, 𝑝), bila harga 𝑛 → ∞ (𝑛 cukup besar) dan 𝑝 ≈ 0 (𝑝 cukup
kecil). Hal ini dikemukakan pada teorema berikut ini.
Teorema 3.4.1
Misal 𝑋~𝐵𝐼𝑁 (𝑛, 𝑝). Untuk masing-masing nilai 𝑥 = 0, 1, 2, …, dan jika 𝑝 → 0,
dengan 𝑛𝑝 = 𝜇, maka
𝑛 𝑥 𝑛−𝑥
𝑒 −𝜇 𝜇 𝑥
lim ( ) 𝑝 (1 − 𝑝) =
𝑛→∞ 𝑥 𝑥!
Bukti
Kita uraikan ruas kiri terlebih dahulu, yaitu dengan menguraikan bentuk faktorialnya,
𝜇
dan 𝑛𝑝 = 𝜇 kita ubah menjadi bentuk 𝑝 = 𝑛. Oleh karena itu kita peroleh seperti

berikut ini.
𝑛 𝑛! 𝜇 𝑥 𝜇 𝑥−1
( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 = ( ) (1 − )
𝑥 𝑥! (𝑛 − 𝑥)! 𝑛 𝑛
𝜇 𝑥 𝑛(𝑛 − 1) … (𝑛 − 𝑥 + 1) 𝜇 𝑛 𝜇 −𝑥
= (1 − ) (1 − )
𝑥! 𝑛𝑥 𝑛 𝑛
𝜇𝑥 𝑛 𝑛 − 1 𝑛−𝑥+1 𝜇 −𝑥 𝜇 𝑛
= ( )( )…( ) (1 − ) (1 − )
𝑥! 𝑛 𝑛 𝑛 𝑛 𝑛
Karena
𝜇𝑥 𝜇𝑥
lim = ,
𝑛→∞ 𝑥! 𝑥!
dan
𝑛 𝑛−1 𝑛−𝑥+1 𝜇 −𝑥
lim ( ) ( )…( ) (1 − ) = 1,
𝑛→∞ 𝑛 𝑛 𝑛 𝑛

maka menggunakan sifat limit pada kalkulus, yaitu sifat


𝜇 𝑛
lim (1 − ) = 𝑒 −𝜇 ,
𝑛→∞ 𝑛

kita peroleh
𝑛 𝑥 𝑛−𝑥
𝑒 −𝜇 𝜇 𝑥
lim ( ) 𝑝 (1 − 𝑝) =
𝑛→∞ 𝑥 𝑥!
Contoh 3.4.2
Misal 1% dari semua komponen yang diproduksi oleh pabrik tertentu adalah rusak.
Suatu komputer model baru memerlukan 100 komponen dari pabrik tersebut. Maka
peluang eksak untuk memperoleh 3 komponen rusak adalah 𝑏(3; 100,0.01) =
0.0610, sedangkan menggunakan pendekatan Poisson kita peroleh
peluang 𝑓 (3 ; 1) = 0.0613.

Soal 3.4.4 Latihan 3.4


𝑡 −1)
Misal 𝑚𝑔𝑓 dari peubah acak 𝑋 adalah 𝑀 (𝑡) = 𝑒 4(𝑒 . Tunjukkan bahwa
𝑃[𝜇 − 2𝜎 < 𝑋 < 𝜇 + 2𝜎] = 0,931
Penyelesaian
𝑡 −1)
𝑀(𝑡) = 𝑒 4(𝑒
𝑡 −1)
𝑀′ (𝑡) = 𝑒 4(𝑒 (4𝑒 𝑡 )
0 −1)
𝑀′ (0) = 𝑒 4(𝑒 (4𝑒 0 )
= 𝑒 4(1−1)(4.1)
= 𝑒 0 (4) = 4
𝑀′ (0) = 𝜇 = 4

𝑡 −1) 𝑡 −1)
𝑀′′ (𝑡) = 𝑒 4(𝑒 (4𝑒 𝑡 ) + 𝑒 4(𝑒 (4𝑒 𝑡 )2
0 −1) 0 −1)
𝑀′′ (0) = 𝑒 4(𝑒 (4𝑒 0 ) + 𝑒 4(𝑒 (4𝑒 0 )2
= 𝑒 4(1−1)(4) + 𝑒 4(1−1)(4.1)2
= 𝑒 4(0) (4) + 𝑒 4(0)(4)2
= 1(4) + 𝑒 0 (16)
= 4 + 16
= 20

𝜎 2 = 𝑀′′ (0) − [𝑀′ (0)]2 = 20 − (4)2 = 20 − 16 = 4

𝜎 = √𝜎 2 = √4 = 2
𝑃[𝜇 − 2𝜎 < 𝑋 < 𝜇 + 2𝜎] = 𝑃 [4 − 2.2 < 𝑋 < 4 + 2.2]
= 𝑃 [4 − 4 < 𝑋 < 4 + 4]
= 𝑃 [0 < 𝑋 < 8]
= 𝑃 (𝑋 ≤ 7) − 𝑃 (𝑋 ≤ 0)
Dengan menggunakan tabel sebaran Poisson untuk memperoleh 𝑃(𝑋 ≤ 7) dan
𝑃(𝑋 ≤ 0)
𝑃[0 < 𝑋 < 8] = 𝑃(𝑋 ≤ 7) − 𝑃 (𝑋 ≤ 0)
= 0,949 − 0,018
= 0,931
𝑡 −1)
Jadi terbukti bahwa jika 𝑚𝑔𝑓 dari peubah acak 𝑋 adalah 𝑀(𝑡) = 𝑒 4(𝑒 , maka
𝑃[𝜇 − 2𝜎 < 𝑋 < 𝜇 + 2𝜎] = 0,931.

Soal 3.4.5 Latihan 3.4


Misal banyak antrian panggilan telepon pada operator tertentu dalam satu jam
bersebaran poisson dengan 𝜇 = 10. Tentukan peluang dari masing – masing kejadian
berikut ini:
a. Tujuh antrian panggilan
b. Paling banyak tujuh antrian panggilan
c. Mulai dua sampai tujuh panggilan
Penyelesaian
a. 𝑃 (𝑋 = 7)
𝑒 −µ µ𝑥
𝑃(𝑋 = 7) =
𝑥!

𝑒 −10 107
𝑃(𝑋 = 7) =
7!

𝑒 −10 107
𝑃(𝑋 = 7) =
5040
454
𝑃(𝑋 = 7) =
5040

𝑃(𝑋 = 7) = 0.09

Jadi, 𝑃 (𝑋 = 7) = 0.09
b. 𝑃 (𝑋 ≤ 7)
7
𝑒 −µ µ𝑥
𝑃 (𝑋 ≤ 7) = ∑
𝑥!
𝑥=0

𝑃 (𝑋 ≤ 7) = 0.220
Jadi, 𝑃 (𝑋 ≤ 7) = 0.220 (hasil dapat dilihat pada tabel sebaran Poisson).
c. 𝑃 (2 ≤ 𝑋 ≤ 7)
𝑃 (2 ≤ 𝑋 ≤ 7) = 𝑃 (𝑋 ≤ 7) − 𝑃(𝑋 ≤ 2)
7 2
𝑒 −µ µ𝑥 𝑒 −µ µ𝑥
𝑃 (2 ≤ 𝑋 ≤ 7) = ∑ −∑
𝑥! 𝑥!
𝑥=0 𝑥=0

𝑃 (2 ≤ 𝑋 ≤ 7) = 0.220 − 0.003
𝑃 (2 ≤ 𝑋 ≤ 7) = 0.217
Jadi, 𝑃(2 ≤ 𝑋 ≤ 7) = 0.217 .

4. Proses Poisson
Pembahasan terakhir dari subpokok bahasan ini adalah tentang proses Poisson,
yaitu suatu proses untuk mendapatkan sebaran Poisson. Pada prakteknya proses
Poisson ini dapat pula digunakan untuk mendeteksi apakah suatu peubah acak
mengikuti sebaran Poisson atau tidak.
Kita perhatikan situasi fisik dalam kejadian tertentu, seperti dering telepon atau
kerusakan kabel pada potongan tertentu. Misal 𝑋(𝑡) menyatakan banyak kejadian
yang terjadi pada selang [0, 𝑡], dan anggap bahwa sumsi-asumsi berikut ini benar.
a. Peluang bahwa kejadian akan terjadi dalam selang yang pendek [𝑡, 𝑡 + ∆𝑡] adalah
mendekati perbandingan dengan panjang selang, ∆𝑡, dan tidak bergantung pada
posisi selang.
b. Kejadian pada selang yang tidak berpotongan adalah saling bebas.
c. Peluang dua atau lebih kejadian dalam selang pendek [𝑡, 𝑡 + ∆𝑡] diabaikan.
Jika asumsi-asumsi di atas dipenuhi maka untuk ∆𝑡 → 0, 𝑋(𝑡) akan bersebaran
Poisson. Asumsi-asumsi di atas jika dinyatakan secara matematika seperti terlihat
pada teorema berikut ini. Sebelumnya kita catat terlebih dahulu bahwa 𝑜(∆𝑡)
menyatakan sebagai fungsi dari ∆𝑡 sehingga
𝑜 (∆𝑡)
lim = 0.
∆𝑡→0 ∆𝑡

Sebagai contoh 𝑜(∆𝑡) = (∆𝑡)2 , maka


𝑜(∆𝑡) (∆𝑡)2
lim = lim = lim ∆𝑡 = 0.
∆𝑡→0 ∆𝑡 ∆𝑡→0 ∆𝑡 ∆𝑡→0
Teorema 3.4.2
Misalkan 𝑋(𝑡) menyatakan banyak kejadian yang terjadi pada selang [0, 𝑡], dan
𝑃𝑛 (𝑡) = 𝑃[𝑛 kejadian dalam selang [0, 𝑡]]. Jika 𝑋(𝑡)memenuhi sifat – sifat berikut:
(1) 𝑋 (0) = 0
(2) 𝑃 [𝑋(𝑡 + ℎ) − 𝑋(𝑡) = 𝑛|𝑋(𝑠) = 𝑚] = 𝑃 [𝑋(𝑡 + ℎ) − 𝑋(𝑡) = 𝑛] untuk semua
0 ≤ 𝑠 ≤ 𝑡 dan 0 < ℎ
(3) 𝑃 [𝑋(𝑡 + ∆𝑡) − 𝑋(𝑡) = 1] = 𝜆∆𝑡 + 𝑜(∆𝑡) untuk semua konstanta 𝜆
(4) 𝑃 [𝑋(𝑡 + ∆𝑡) − 𝑋(𝑡) ≥ 2] = 𝑜(∆𝑡)
Maka untuk 𝑡 > 0
(𝜆𝑡)𝑛 𝑒 −𝜆𝑡
𝑃𝑛 (𝑡) = 𝐼(𝑛 = 0,1,2, … )
𝑛!

Bukti
Terdapat dua hasil yang mungkin untuk 𝑛 kejadian dalam selang [0, 𝑡 + ∆𝑡], yaitu
mempunyai 1 kejadian dalam selang [𝑡, 𝑡 + ∆𝑡] dan 𝑛 − 1 kejadian dalam selang
[0, 𝑡], untuk ∆𝑡 kecil, atau 0 kejadian dalam [𝑡, 𝑡 + ∆𝑡] dan 𝑛 kejadian dalam selang
[0, 𝑡]. Oleh karena itu
𝑃𝑛 (𝑡 + ∆𝑡) = 𝑃𝑛−1 (𝑡)𝑃1 (∆𝑡) + 𝑃𝑛 (𝑡)𝑃0 (∆𝑡) + 𝑜(∆𝑡)
= 𝑃𝑛−1 (𝑡)[𝜆𝛥𝑡 + 0(𝛥𝑡)] + 𝑃𝑛 (𝑡)[1 − 𝜆𝛥𝑡 − 0(𝛥𝑡)] + 𝑜(∆𝑡)
= 𝑃𝑛−1 (𝑡)𝜆𝛥𝑡 + 𝑃𝑛−1 (𝑛 − 1)(𝑡)0(𝛥𝑡) + 𝑃𝑛 (𝑡) − 𝑃𝑛 (𝑡)𝜆 + 𝑃𝑛 (𝑡)0(𝛥𝑡)
+𝑜(∆𝑡)

Di pihak lain
𝑑𝑃𝑛 (𝑡) 𝑃𝑛 (𝑡 + Δ𝑡) − 𝑃𝑛 (𝑡)
= lim
𝑑𝑡 Δ𝑡→𝑜 Δ𝑡

Oleh karena itu


𝑑𝑃𝑛 (𝑡)
𝑑𝑡
𝑃𝑛−1 (𝑡)𝜆Δ𝑡 + 𝑃𝑛−1 (𝑡)0(Δ𝑡) + 𝑃𝑛 (𝑡) − 𝑃𝑛 (𝑡)𝜆Δ𝑡 + 𝑃𝑛 (𝑡)0(Δ𝑡) + 0(Δ𝑡) − 𝑃𝑛 (𝑡)
= lim
Δ𝑡→𝑜 Δ𝑡
𝑃𝑛−1 (𝑡)𝜆Δ𝑡 − 𝑃𝑛 (𝑡)𝜆Δ𝑡
= lim = 𝜆[𝑃𝑛−1 (𝑡) − 𝑃𝑛 (𝑡)]
Δ𝑡→0 Δ𝑡
Sekarang kita lihat untuk 𝑛 = 0,
𝑃0 (𝑡 + Δ𝑡) = 𝑃0 (𝑡)𝑃0 (Δ𝑡) = 𝑃0 (𝑡)[1 − 𝜆Δ𝑡 − 0(Δ𝑡)]
= 𝑃0 (𝑡) − 𝑃0 (𝑡)𝜆Δ𝑡 − 𝑃0 (𝑡)0(Δ𝑡),

sehingga
𝑑𝑃0 (𝑡) 𝑃0 (𝑡 + Δ𝑡) − 𝑃0 (𝑡)
= lim
𝑑𝑡 Δ𝑡→0 Δ𝑡
𝑃0 (𝑡) − 𝑃0 (𝑡)𝜆Δ𝑡 − 𝑃0 (𝑡)0(Δ𝑡) − 𝑃0 (𝑡)
= lim
Δ𝑡→0 Δ𝑡
−𝑃0 (𝑡)𝜆Δ𝑡 − 𝑃0 (𝑡)0(Δ𝑡)
= lim
Δ𝑡→0 Δ𝑡
= −𝜆𝑃0 (𝑡)

Dalam bentuk persamaan diferensial dapat ditulis sebagai


1
𝑑𝑃 (𝑡) = −𝜆𝑑𝑡
𝑃0 (𝑡) 0

Penyelesaian persamaan deferensial di atas adalah


ln 𝑃0 (𝑡) = −𝜆𝑡 + 𝐶

Menggunakan kenyataan bahwa


𝑃0 (0) = 1
yang berakibat
𝐶 = ln 𝑃0 (0) = ln 1 = 0
maka kita peroleh
𝑃0 (𝑡) = 𝑒 −𝜆𝑡

Selanjutnya kita lihat untuk 𝑛 = 1


𝑑𝑃1 (𝑡)
= 𝜆[𝑃0 (𝑡) − 𝑃1 (𝑡)] = 𝜆[𝑒 −𝜆𝑡 − 𝑃1 (𝑡)] = 𝜆𝑒 −𝜆𝑡 − 𝜆𝑃1 (𝑡)
𝑑𝑡
yang memberikan
(𝜆𝑡)𝑛 𝑒 −𝜆𝑡
𝑃𝑛 (𝑡) = 𝐼 (𝑛 = 0,1,2, . . )
𝑛!
Oleh karena itu 𝑋(𝑡)~𝑃𝑂𝐼(𝜆𝑡), 𝑑𝑖𝑚𝑎𝑛𝑎 𝜇 = 𝐸 [𝑋(𝑡)] = 𝜆𝑡
Soal 3.4.1 Latihan 3.4
Dengan menggunakan induksi matematika akan ditunjukkan bahwa :
(𝜆𝑡)𝑛 𝑒 −𝜆𝑡
𝑃𝑛 (𝑡) = 𝐼(𝑛 = 0,1,2, … ).
𝑛!

Bukti :
Untuk 𝑛 = 0 maka 𝑃0 (𝑡) = 𝑒 −𝜆𝑡
Untuk 𝑛 = 1 maka 𝑃1 (𝑡) = 𝜆𝑡𝑒 −𝜆𝑡
Untuk 𝑛 = 𝑘 akan ditunjukkan untuk 𝑛 = 𝑘 + 1. Perhatikan bahwa :
𝑃0 (𝑡) = 𝑒 −𝜆𝑡
𝑃1 (𝑡) = (𝜆𝑡)𝑒 −𝜆𝑡
(𝜆𝑡)𝑘 𝑒 −𝜆𝑡
𝑃𝑘 (𝑡) =
𝑘!
Untuk 𝑛 = 𝑘 + 1 maka
(𝜆𝑡)𝑘+1 𝑒 −𝜆𝑡
𝑃𝑘+1 (𝑡) =
(𝑘 + 1)!
(𝜆𝑡)𝑘 (𝜆𝑡)1 𝑒 −𝜆𝑡 (𝜆𝑡)𝑘 𝜆𝑡 𝑒 −𝜆𝑡
𝑃𝑘+1 (𝑡) = =
(𝑘 + 1)𝑘! (𝑘 + 1)𝑘!
(𝜆𝑡)𝑘 𝜆𝑡 𝑃0 (𝑡)
𝑃𝑘+1 (𝑡) =
(𝑘 + 1)𝑘!
(𝜆𝑡)𝑘 𝑃1 (𝑡)
𝑃𝑘+1 (𝑡) =
(𝑘 + 1)𝑘!
𝜆𝑡 𝑃𝑘 (𝑡)
𝑃𝑘+1 (𝑡) =
(𝑘 + 1)
Oleh karena itu,
(𝜆𝑡)𝑘 𝜆𝑡 𝑃0 (𝑡) (𝜆𝑡)𝑘 𝑃1 (𝑡)
=
(𝑘 + 1)𝑘! (𝑘 + 1)𝑘!
𝑃1(𝑡)
𝜆𝑡 =
𝑃0 (𝑡)
Sehingga,
𝜆𝑡
𝑃𝑘+1 (𝑡) = . 𝑃 (𝑡 )
(𝑘 + 1) 𝑘
𝑃1 (𝑡) 1
= . . 𝑃 (𝑡 )
𝑃0 (𝑡) (𝑘 + 1) 𝑘
(𝜆𝑡)𝑒 −𝜆𝑡 1 (𝜆𝑡)𝑘 𝑒 −𝜆𝑡
= . .
𝑒 −𝜆𝑡 (𝑘 + 1) 𝑘!
Misalkan, 𝑚 = 𝑘 + 1 untuk suatu 𝑚 pada 𝐼 (𝑛 = 0,1,2, … ).
Maka diperoleh
(𝜆𝑡)𝑒 −𝜆𝑡 1 (𝜆𝑡)𝑘 𝑒 −𝜆𝑡 (𝜆𝑡) (𝜆𝑡)𝑚−1 𝑒 −𝜆𝑡
. . = .
𝑒 −𝜆𝑡 (𝑘 + 1) 𝑘! 𝑚 (𝑚 − 1)!
(𝜆𝑡)(𝜆𝑡)𝑚−1 𝑒 −𝜆𝑡
=
𝑚(𝑚 − 1)!
(𝜆𝑡)𝑚 𝑒 −𝜆𝑡
=
𝑚!
(𝜆𝑡)𝑛 𝑒 −𝜆𝑡
Jadi terbukti bahwa untuk 𝑡 > 0, 𝑃𝑛 (𝑡) = 𝐼(𝑛 = 0,1,2, … ).
𝑛!

Oleh karena itu 𝑋(𝑡)~𝑃𝑂𝐼(𝜆𝑡), di mana 𝜇 = 𝐸 [𝑋(𝑡)] = 𝜆𝑡.

Soal-soal lain dalam Latihan 3.4


3.4.6 Misal 𝑝𝑑𝑓 𝑓(𝑥) positif hanya untuk bilangan bulat tidak negatif, sehingga
4
𝑓 (𝑥 ) = 𝑓(𝑥 − 1) 𝐼(𝑥 = 1,2,3, … )
𝑥
4
Tentukan 𝑓(𝑥). Petunjuk : Perhatikan bahwa 𝑓(1) = 4𝑓(0), 𝑓(2) = 𝑓 (0), …,
2!

kemudian nyatakan f(x) sebagai suku dari f(0) dan tentukan f(0) dari
1 = 𝑓 (0) + 𝑓 (1) + 𝑓 (2) + ⋯
Penyelesaian
Diketahui
4
𝑓(1) = 𝑓 (0) = 4𝑓 (0)
1
4 4 42
𝑓(2) = 𝑓 (1) = 4𝑓 (0) = 𝑓(0)
2 2 2!
4 4 42 43
𝑓(3) = 𝑓 (2) = 𝑓 (0) = 𝑓(0)
3 3 2! 3!

4𝑥
𝑓 (𝑥 ) = 𝑓(0)
𝑥!
Untuk memeroleh 𝑓(0) kita perhatikan bahwa teorema

∑ 𝑓 (𝑥 ) = 1
𝑥=0

Karena
4𝑥
𝑓 (𝑥 ) = 𝑓(0)
𝑥!
Maka

4𝑥
∑ 𝑓(0) = 1
𝑥!
𝑥=0

4𝑥
↔ 𝑓(0) ∑ =1
𝑥!
𝑥=0
4𝑥
Untuk menentukkan ∑∞
𝑥=0 𝑥! , perhatikan bahwa

∑ 𝑓 (𝑥 ) = 1
𝑥=0

↔ 𝑓(0) + 𝑓 (1) + 𝑓 (2) + 𝑓 (3) + 𝑓(4) + ⋯ = 1


42 43
↔ 𝑓(0) + 4𝑓 (0) + 𝑓 0 + 𝑓 (0) + ⋯ = 1
( )
2! 3!
42 43
↔ 𝑓(0) [1 + 4 + + +⋯] = 1
2! 3!
Seperti kita tahu bahwa

𝑥
𝑥2 𝑥3
𝑒 =1+𝑥+ + +⋯
2! 3!
Maka
42 43
1 + 4 + + + ⋯ = 𝑒4
2! 3!
Sehingga
𝑓 (0)𝑒 4 = 1
1
↔ 𝑓 (0) =
𝑒4
↔ 𝑓 (0) = 𝑒 −4
Karena
𝑓(0) = 𝑒 −4
Maka
4𝑥
𝑓 (𝑥 ) = 𝑓(0)
𝑥!
4𝑥 −4
𝑓 (𝑥 ) = 𝑒
𝑥!
4𝑥 −4
(
∴ 𝑓 𝑥 = ) 𝑒
𝑥!
3.4.7 Misal 𝑋~𝑃𝑂𝐼(100). Gunakan ketaksamaan Chebyshev untuk menentukan
batas bawah dari 𝑃 (75 < 𝑋 < 125).
Penyelesaian
Oleh karena 𝑋~𝑃𝑂𝐼(100), maka µ = 100
Karena 𝑋 bersebaran Poisson, maka𝐸(𝑋) = µ = 𝜎 2 = 100
Sehingga, 𝜎 = √100𝜎 = 10
Untuk menentukkan 𝑘 kita lihat peluang berikut
1
𝑃(|𝑋 − µ| < 𝑘 𝜎) ≥ 1 −
𝑘2
1
𝑃(−𝑘 𝜎 < 𝑋 − µ < 𝑘 𝜎) ≥ 1 −
𝑘2
1
𝑃(−𝑘 𝜎 + µ < 𝑋 < 𝑘 𝜎 + µ) ≥ 1 − 2
𝑘
1
𝑃(−𝑘 (10) + 100 < 𝑋 < 𝑘 (10) + 100) ≥ 1 −
𝑘2
 −𝑘 (10) + 100 = 75
−𝑘 (10) = 75 − 100
−𝑘 (10) = −25
𝑘 (10) = 25
25
𝑘= = 2.5
10
𝑘 = 2.5
 𝑘 (10) + 100 = 125
𝑘 (10) = 125 − 100
𝑘 (10) = 25
25
𝑘= = 2.5
10
𝑘 = 2.5
Sehingga 𝑘 = 2.5
1 1
Maka 1 − 𝑘 2 = 1 − 2.52 = 0.84. Dan,

𝑃(75 < 𝑋 < 125) = 𝑃 (𝑋 ≤ 124) − 𝑃 (𝑋 ≤ 75)


124 75
𝑒 −µ µ𝑥 𝑒 −µ µ𝑥
𝑃(75 < 𝑋 < 125) = ∑ −∑
𝑥! 𝑥!
𝑥=0 𝑥=0

𝑃(75 < 𝑋 < 125) = 0.99 − 0.005


𝑃(75 < 𝑋 < 125) = 0.985
Sehingga 0.985 ≥ 0.84.
Hasil ini sesuai dengan ketaksamaan Cebyshev.
Jadi, batas bawah 𝑃(75 < 𝑋 < 125) adalah 0.84.

3.4.8 Misal X mempunyai sebaran poisson. Jika 𝑃(𝑋 = 1) = 𝑃(𝑋 = 3), tentukan :
(a) 𝑃(𝑋 = 5)
(b) Modus dari sebaran ini
Penyelesaian
(a) Diketahui, 𝑃 (𝑋 = 1) = 𝑃(𝑋 = 3), maka
𝑒 −µ µ1 𝑒 −µ µ3
=
1! 3!
µ3
µ1 =
3.2.1
µ3
µ1 =
6
µ3
6=
µ1
µ2 = 6
µ = √6
Jadi, µ = √6
Untuk 𝑃(𝑋 = 5) maka
5
𝑒 −√6 √6
𝑃(𝑋 = 5) =
5!
0.086 88.2
𝑃(𝑋 = 5) =
120
7.6
𝑃(𝑋 = 5) =
120
𝑃(𝑋 = 5) = 0.06
Jadi 𝑃 (𝑋 = 5) = 0.06
(b) Untuk 𝑥 = 1, maka
1
𝑒 −µ µ𝑥 𝑒 −√6 √6 √6 2.45
𝑃(𝑋 = 1) = = = = = 0.21
𝑥! 1! 𝑒 √6 11.58
Untuk 𝑥 = 2, maka
2
𝑒 −µ µ𝑥 𝑒 −√6 √6 6 6 6
( )
𝑃 𝑋=2 = = = = = = 0.26
𝑥! 2! 2 𝑒 √6 2 11.58 23.16
Untuk 𝑥 = 3, maka
3 3
𝑒 −µ µ𝑥 𝑒 −√6 √6 √6 14.7 14.7
𝑃(𝑋 = 3) = = = = = = 0.21
𝑥! 3! 6 𝑒 √6 6 11.58 69.48
Untuk 𝑥 = 4, maka
4 4
𝑒 −µ µ𝑥 𝑒 −√6 √6 √6 36 36
𝑃(𝑋 = 4) = = = = = = 0.13
𝑥! 4! 24 𝑒 √6 24 11.58 277.92
Untuk 𝑥 = 5, maka
5
𝑒 −√6 √6 0.086 88.2 7.6
𝑃(𝑋 = 5) = = = = 0.06
5! 120 120
Untuk 𝑥 = 6, maka
6 6
𝑒 −µ µ𝑥 𝑒 −√6 √6 √6 216 216
𝑃(𝑋 = 6) = = = = = = 0.03
𝑥! 6! 𝑒 √6 720 11.58 8337.6
Untuk 𝑥 = 7, maka
7 7
𝑒 −µ µ7 𝑒 −√6 √6 √6 529.1 216
𝑃(𝑋 = 7) = = = = = = 0.009
7! 7! 𝑒 √6 5040 11.58 58363.2
Semakin 𝑋 nya besar semakin kecil nilai peluangnya dan karena
𝑃(𝑋 = 2) > 𝑃(𝑋 = 3) dan 𝑃(𝑋 = 2) > 𝑃 (𝑋 = 1) maka 2 adalah modusnya.
Jadi modus sebaran ini adalah 2.

3.4.9 Suatu pabrik elektronik memproduksi komponen tertentu, dan kejadian


komponen rusak adalah bebas dengan peluang 0.1. Jika pabrik tersebut memproduksi
500 komponen, maka :
(a) Berapakah peluang kejadian komponen rusak paling banyak dua ?
(b) Hitung (a) dengan menggunakan pendekatan Poisson
Penyelesaiaan
(a) Dengan menggunakan sebaran binomial untuk mencari peluang kejadian
komponen rusak paling banyak dua.
2

𝑃 (𝑋 ≤ 2) = ∑ 𝑏(𝑥; 500,0.1)
𝑥=0

500
=( ) (0.1)2 (1 − 0.1)500−2
2
500
=( ) (0.1)2 (0.9)498 = 2.03 × 10−20
2
Jadi peluang kejadian komponen rusak paling banyak dua adalah 2.03 × 10−20 .
(b) Sesungguhnya ini merupakan percobaan binomial dengan 𝑛 = 500 dan 𝑝 =
0.1. Karena 𝑝 sangat besar dan 𝑛 sangat kecil, kita akan menyelesaikannya
dengan sebaran Poisson.
𝜇 = 𝑛 × 𝑝 = 500 × 0.1 = 50
2

𝑃(𝑋 ≤ 2) ≈ ∑ 𝑝 (𝑥; 50)


𝑥=0

𝑒 −50 500 𝑒 −50 501 𝑒 −50 502


= + +
0! 1! 2!
= 𝑒 −50 (1 + 50 + 2500)
= 𝑒 −50 (2551) = 6.8877 × 10−17

Jadi dengan menggunakan sebaran Poisson maka peluang kejadian komponen


rusak paling banyak 2 adalah 6.8877 × 10−17 .

Latihan Soal Lainnya


1) Rata-rata banyaknya permintaan sambungan telepon per menit di suatu sentral
telepon adalah 10 buah. Kapasitas sentral tersebut hanya mampu melayani 15
permintaan per menit. Berapa peluangnya dalam satu menit tertentu ada
permintaan yang tidak dilayani ?
Penyelesaian
Diketahui : Misalkan 𝑥 adalah banyaknya permintaan per menit. Jadi 𝑋~𝑝(𝜇)
dengan 𝜇 = 10.
Sehingga 𝑃(𝑎𝑑𝑎 𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑦𝑎𝑛𝑔 𝑡𝑖𝑑𝑎𝑘 𝑡𝑒𝑟𝑙𝑎𝑦𝑎𝑛𝑖) = 𝑃(𝑋 > 15).
Ditanyakan : Berapa peluang dalam satu menit tertentu ada permintaan yang
tidak dilayani ?
Jawab :
15
10𝑥 𝑒 −10
𝑃 (𝑋 > 15) = 1 − 𝑃(𝑥 ≤ 15) = 1 − ∑ = 1 − 0,9513 = 0,0487
𝑥!
𝑥=0

Jadi peluang dalam satu menit tertentu ada permintaan yang tidak dilayani
adalah 0,0487.
2) Suatu proses produksi menghasilkan sejenis barang. Peluang barang tersebut
cacat adalah 0,001. Hitung peluangnya di antara 8000 buah barang yang
dihasilkan, terdapat lebih dari 6 buah yang cacat ?
Penyelesaian
Diketahui :
Misal 𝑥 adalah banyaknya barang cacat diantara 8000 buah tersebut.
𝑝 adalah peluang barang yang diproduksi cacat = 0,001.
Ditanyakan : Peluang diantara 8000 buah barang yang dihasilkan, terdapat lebih
dari 6 buah yang cacat ?
Jawab :
Sesungguhnya ini merupakan percobaan binomial dengan 𝑛 = 8000 dan 𝑝 =
0.001. Karena 𝑝 sangat besar dan 𝑛 sangat kecil, kita akan menyelesaikannya
dengan sebaran Poisson.
6
𝜇 𝑥 𝑒 −𝜇
𝑃(𝑋 ≤ 6) = ∑
𝑥!
𝑥=0

𝜇 = 𝑛 × 𝑝 = 8000 × 0.001 = 8
𝑃(𝑋 ≤ 6) ≈ 0.3134
Jadi peluang di antara 8000 buah barang yang dihasilkan, terdapat lebih dari 6
buah yang cacat adalah 0.3134
B. SEBARAN SERAGAM DISKRET
Terdapat dua macam sebaran seragam, yaitu sebaran seragam peubah acak diskret
dan sebaran seragam peubah acak kontinu. Kasus pertama disebut sebagai sebaran
seragam diskret, dan yang kedua disebut sebaran seragam kontinu. Pembahasan kita
awali dengan sebaran seragam diskret.
Banyak permasalahan praktis yang melibatkan peluang klasik, yaitu suatu peluang
dari suatu kejadian yang masing-masing anggotanya mempunyai kesempatan sama
(seragam). Untuk mempermudah permasalahan, masing-masing anggota sampel
dikaitkan oleh suatu peubah acak 𝑋 dengan bilangan asli 1, 2, … , 𝑁. Oleh karena itu kita
memperoleh pdf dari peubah acak diskret 𝑋, yaitu
1
𝑓 (𝑥 ) = 𝐼 (1, 2, … , 𝑁),
𝑁
diberi simbol sebagai 𝑋~𝐷𝑈(𝑁).
Purata dan varians dari sebaran ini dapat kita peroleh seperti berikut ini:
𝑁 𝑁
𝑥 1 1 𝑁(𝑁 + 1) 𝑁 + 1
𝐸(𝑋) = ∑ 𝑥𝑓 (𝑥 ) = ∑ = ∑ 𝑥 = . = ,
𝑁 𝑁 𝑁 2 2
𝑥 𝑥=1 𝑥=1

dan

𝐸 (𝑋 2 ) = ∑ 𝑥 2 𝑓(𝑥)
𝑥
𝑁 𝑁
𝑥2 1
= ∑ = ∑ 𝑥2
𝑁 𝑁
𝑥=1 𝑥=1

1 𝑁 (𝑁 + 1)(2𝑁 + 1) (𝑁 + 1)(2𝑁 + 1)
= . = ,
𝑁 6 6

sehingga
𝑁2 − 1
𝑉𝑎𝑟(𝑋) = 𝐸 (𝑋 2 ) − [𝐸(𝑋)]2 = .
12
Contoh 3.5.1
Misal 𝑋 menyatakan bilangan sisi dadu yang muncul dari suatu percobaan melempar
dadu sekali. Maka 𝑋~𝐷𝑈(6). Oleh karena itu kita peroleh pdf
1
𝑓 (𝑥 ) = 𝐼 (𝑥 = 1, 2, … , 6),
6
purata
6+1
𝐸 (𝑥 ) = = 3.5,
2
dan varians
36 − 1
𝑉𝑎𝑟(𝑋) = = 2.92
12
Soal 3.5.1 Latihan 3.5
Missal 𝑋~𝐷𝑈(𝑁). Tentukan mgf dari 𝑋. Petunjuk: Gunakan identitas
𝑠 (1 − 𝑠 𝑁 )
𝑠 + 𝑠2 + ⋯ + 𝑠𝑁 = , 𝑠 ≠ 1.
1−𝑠
Penyelesaian
𝑀𝑥 (𝑡) = 𝐸(𝑒 𝑡𝑥 )
𝑛

𝑀𝑥 (𝑡) = ∑ 𝑒 𝑡𝑥 𝑓(𝑥 )
𝑥=0
𝑛
1
𝑀𝑥 (𝑡) = ∑ 𝑒 𝑡𝑥
𝑛
𝑥=0
𝑛
1
𝑀𝑥 (𝑡) = ∑ 𝑒 𝑡𝑥
𝑛
𝑥=0

1 𝑡
𝑀𝑥 (𝑡) = (𝑒 + 𝑒 𝑡2 + ⋯ + 𝑒 𝑡𝑛 )
𝑛
Dengan menggunakan rumus deret geometri, persamaan diatas akan menjadi
1
𝑀𝑥 (𝑡) = ((𝑒 𝑡 )1 + (𝑒 𝑡 )2 + (𝑒 𝑡 )3 + ⋯ + (𝑒 𝑡 )𝑛 )
𝑛
(𝑒 𝑡 )1 (𝑒 𝑡 )2 ( 𝑒 𝑡 )𝑛
𝑀𝑥 (𝑡) = ( + + ⋯+ )
𝑛 𝑛 𝑛
𝑒𝑡 𝑒𝑡 𝑡 1 𝑒𝑡 𝑡 2 𝑒 𝑡 𝑡 𝑛−1
𝑀𝑥 (𝑡) = ( + ( )
𝑒 + ( 𝑒 ) + ⋯ + (𝑒 ) )
𝑛 𝑛 𝑛 𝑛
Persamaan diatas dapat disederhanakan ke bentuk persamaan deret geometri
𝑒 𝑡 1 − 𝑒 𝑡𝑛
𝑀𝑥 (𝑡) = ( )
𝑛 1 − 𝑒𝑡
BAB III
PENUTUP
KESIMPULAN

 𝑋~𝑃𝑂𝐼(𝑢), jika 𝑋 memiliki fungsi kepadatan peluang (pdf) sebagai berikut :


𝑢𝑥 𝑒 −𝑢
, 𝑥 = 0,1,2, . . .
𝑓 (𝑥 ) = 𝑓 (𝑥 ) = { 𝑥!
0 , 𝑥 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛
 Jika 𝑋~𝑃𝑂𝐼(𝑢) maka 𝜇 = 𝜎 2 = 𝑢.
𝑡 −1)
 𝑋~𝑃𝑂𝐼(𝑢) jika dan hanya jika 𝑀(𝑡) = 𝑒 𝑢(𝑒
 Model sebaran poisson digunakan pada eksperimen yang bersifat :
a. Peluang terjadinya 1 kali sukses dalam setiap selang yang sempit, sebanding
dengan “lebar” selang.
b. Peluangnya sangat kecil (dapat diabaikan) untuk terjadi lebih dari 1 kali sukses
dalam setiap selang yang sempit.
c. Jika 𝐴 dan 𝐵 dua buah selang dimana 𝐴 ∩ 𝐵 = ∅ maka banyaknya sukses
dalam 𝐴 independen dengan banyaknya sukses dalam 𝐵.
 Misalkan 𝑋~𝐵𝐼𝑁 (𝑛, 𝑝). Jika 𝑛 → ∞ (𝑛 cukup besar), 𝑝 ≈ 0 (𝑝 cukup kecil) dan
𝑛𝑝 konstan maka sebaran dari 𝑋dapat didekati oleh 𝑝(𝜇) dengan 𝜇 = 𝑛𝑝.
TABEL SEBARAN POISSON
𝑥
𝑚𝑤
𝑃 (𝑋 ≤ 𝑥 ) = ∑ 𝑒 −𝑚
𝑤!
𝑤=0

𝑥 𝑚 = 𝐸(𝑋)
0.5 1.0 1.5 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0
0 . 607 . 368 . 223 . 135 . 050 . 018 . 007 . 002 . 001 . 000 . 000 . 000
1 . 910 . 736 . 558 . 406 . 199 . 092 . 040 . 017 . 007 . 003 . 001 . 000
2 . 986 . 920 . 809 . 677 . 423 . 238 . 125 . 062 . 030 . 014 . 006 . 003
3 . 998 . 981 . 934 . 857 . 647 . 433 . 265 . 151 . 082 . 042 . 021 . 010
4 1.00 . 996 . 981 . 947 . 815 . 629 . 440 . 285 . 173 . 100 . 055 . 029
5 1.00 . 999 . 996 . 983 . 916 . 785 . 616 . 446 . 301 . 191 . 116 . 067
6 1.00 1.00 . 999 . 995 . 966 . 889 . 762 . 606 . 450 . 313 . 207 . 130
7 1.00 1.00 1.00 . 999 . 988 . 949 . 867 . 744 . 599 . 453 . 324 . 220
8 1.00 1.00 1.00 1.00 . 996 . 979 . 932 . 847 . 729 . 593 . 456 . 333
9 1.00 1.00 1.00 1.00 . 999 . 992 . 965 . 916 . 830 . 717 . 587 . 458
10 1.00 1.00 1.00 1.00 1.00 . 997 . 986 . 957 . 901 . 816 . 706 . 583
11 1.00 1.00 1.00 1.00 1.00 . 999 . 995 . 980 . 947 . 888 . 803 . 679
12 1.00 1.00 1.00 1.00 1.00 1.00 . 995 . 991 . 973 . 936 . 876 . 792
13 1.00 1.00 1.00 1.00 1.00 1.00 . 999 . 996 . 987 . 966 . 926 . 864
14 1.00 1.00 1.00 1.00 1.00 1.00 1.00 . 999 . 994 . 983 . 959 . 917
15 1.00 1.00 1.00 1.00 1.00 1.00 1.00 . 999 . 998 . 992 . 978 . 951
16 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 . 999 . 996 . 989 . 973
17 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 . 998 . 995 . 986
18 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 . 999 . 998 . 993
19 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 . 999 . 997
20 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 . 998
21 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 . 999
22 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00
DAFTAR PUSTAKA

Susiswo. 2009. Teori Peluang. Malang : UM PRESS.


Kusrini & Cahyowati, Etty Tejo Dwi. 1993. Materi Pokok Statistika 1. Jakarta :
Universitas Terbuka Depdikbud.
Kislam, H. Sjamsul. 1994. Seri Statistika Matematika Jilid 2. Malang : IKIP Malang.
Djauhari, Maman A. 1994. Pengantar Teori Peluang. Departemen Pendidikan dan
Kebudayaan Direktorat Jendral Pendidikan Tinggi : Proyek Pembinaan dan
Peningkatan Mutu Tenaga Kependidikan.
Abadyo dan H. Permadi. 2000. Metoda Statistika Praktis. Malang: UM Press.
Hogg, Robert V., Mackean, Joseph W., Craig, Allen T. 2005. Introduction To
Mathematical Statistik : Sixth Edition. New Jersey : Pearson Education.