A.

Sebaran Poisson

Sebelum sampai pada sebaran Poisson, marilah kita ikuti uraian berikut ini. Kita
perhatikan ekspansi deret Taylor dari

𝑔(𝑢) = 𝑒 𝑢 ,

di sekitar nol, yaitu

∞
𝑢
𝑢1 𝑢 2 𝑢 3 𝑢𝑥
𝑒 =1+ + + +⋯=∑
1! 2! 3! 𝑥!
𝑥=0

Jika kedua persamaan kita kalikan dengan 𝑒 −𝑢 , maka kita peroleh

∞
𝑒 −𝑢 𝑢 𝑥
∑ =1
𝑥!
𝑥=0

Oleh karena itu jika kita pilih

𝑒 −𝑢 𝑢𝑥
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 pdf. Peubah acak 𝑋 yang mempunyai pdf seperti ini disebut
bersebaran Poisson, ditulis sebagai 𝑋~𝑃𝑂𝐼(𝜇).

. Untuk menentukan ekspektasi dan varians peubah acak 𝑋 yang bersebaran Poisson
terlebih dahulu kita tentukan mgf-nya seperti berikut.

∞ ∞
𝑒 −𝑢 𝑢 𝑥 (𝑢𝑒 𝑡 )𝑥 𝑡
𝑀(𝑡) = 𝐸(𝑒 𝑡𝑋 )
= ∑𝑒 𝑡𝑥
= 𝑒 −𝑢 ∑ = 𝑒 −𝑢 𝑒 𝑢𝑒 𝑡 = 𝑒 𝑢(𝑒 −1) ,
𝑥! 𝑥!
𝑥=0 𝑥=0

Untuk semua nilai 𝑡. Selanjutnya kita tentukan turunan pertama dan kedua

𝑡 −1)
𝑀′ (𝑡) = 𝑒 𝑢(𝑒 (𝑢𝑒 𝑡 ),

dan
 𝑡 −1) 𝑡 −1)
𝑀′ (𝑡) = 𝑒 𝑢(𝑒 (𝑢𝑒 𝑡 ) + 𝑒 𝑢(𝑒 (𝑢𝑒 𝑡 )2.

Oleh karena itu

𝜇 = 𝑀′ (0) = 𝑢,

dan

𝜎 2 = 𝑀′ (0) − [𝑀′(0)]2 = 𝑢 + 𝑢2 + 𝑢2 = 𝜇.

Hasil ini menyatakan bahwa jika 𝑋 bersebaran Poisson, maka 𝜇 = 𝜎 2 = 𝑢 > 0. Olrh
karena itu kita dapat pula menulis sebaran ini sebagai 𝑋~𝑃𝑂𝐼(𝜇), pdf-nya

𝑒 −𝜇 𝜇 𝑥
𝑓(𝑥; 𝜇) = 𝐼(𝑥 = 0,1,2, … ),
𝑥!

dan cdf-nya

𝐹(𝑥; 𝜇) = ∑ 𝑓(𝑥; 𝜇).

𝑘=0

Untuk nilai 𝜇 dan 𝑥 tertentu cdf ini dapat diperoleh dari tabel sebaran Poisson, atau dari
computer 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.
Pembahasan selanjutnya dalam subpokok bahasan ini adalah mengenai hubungan
antara sebaran binomial dengan sebaran Poisson, seperti terlihat pada teorema dibawah
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 𝑒 −𝜇 𝜇 𝑥
lim ( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 = .
𝑛→∞ 𝑥 𝑥!

Bukti

Kita uraikan ruas kiri terlebih dahulu, yaitu dengan menguraikan bentuk faktorialnya,
dan

𝜇
𝑛𝑝 = 𝜇 kita ubah menjadi bentuk 𝑝 = 𝑛. Oleh karena itu kita peroleh seperti berikut ini

𝑛 𝑛! 𝜇 𝑥 𝜇 𝑛−𝑥
( ) 𝑝 𝑥 (1 − 𝑝)𝑛−1 = ( ) (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 𝑛 𝜇 −𝑥
= ( )( )…( ) (1 − ) (1 − )
𝑥! 𝑛 𝑛 𝑛 𝑛 𝑛

Karena

𝜇𝑥 𝜇𝑥
lim = ,
𝑛→∞ 𝑥! 𝑥!

Dan

𝑛 𝑛−1 (𝑛 − 𝑥 + 1) 𝜇 𝑛 𝜇 −𝑥
lim ( ) ( )…( ) (1 − ) (1 − ) = 1,
𝑛→∞ 𝑛 𝑛 𝑛 𝑛 𝑛

maka menggunakan sifat limit pada kalkulu, yaitu sifat

𝜇 𝑛
lim (1 − ) = 𝑒 −𝜇 ,
𝑛→∞ 𝑛

kita peroleh
 𝑛 𝑒 −𝜇 𝜇 𝑥
lim ( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 = .
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.
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 [𝑡, 𝑡 + ∆𝑡] dan anggap bahwa asumsi-asumsi berikut ini benar.

1) 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.
2) Kejadian pada selang yang tidak berpotongan adalah saling bebas.
3) 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 (∆𝑡) = (∆𝑡)2 , maka

𝑜(∆𝑡) (∆𝑡)2
lim = lim = 0 lim ∆𝑡 = 0
∆𝑡→0 ∆𝑡 ∆𝑡→0 ∆𝑡 ∆𝑡→0
 Teorema 3.4.2 Misal 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(t t) X(t) 1t o(t) untuk suatu konstanta , dan
4) P(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) + 𝜊(∆𝑡)

= 𝑃𝑛−1 (𝑡)[𝜆Δ𝑡 + 𝜊(Δ𝑡)] + 𝑃𝑛 (𝑡)[1 − 𝜆Δ𝑡 − 𝜊(Δ𝑡)] + 𝜊(Δ𝑡)
= 𝑃𝑛−1 (𝑡)𝜆Δ𝑡 + 𝑃𝑛−1 (𝑡)𝜊(Δ𝑡) + 𝑃𝑛 (𝑡) − 𝑃𝑛 (𝑡)𝜆Δ𝑡 + 𝑃𝑛 (𝑡)𝜊(Δ𝑡) + 𝜊(Δ𝑡)

Di pihak lain
𝑑𝑃𝑛 (𝑡) 𝑃𝑛 (𝑡 + Δ𝑡) − 𝑃𝑛 (𝑡)
= lim
𝑑𝑡 Δ𝑡→0 Δ𝑡
Oleh karena itu
𝑑𝑃𝑛 (𝑡)
𝑑𝑡
𝑃𝑛−1 (𝑡)𝜆Δ𝑡 + 𝑃𝑛−1 (𝑡)𝜊(Δ𝑡) + 𝑃𝑛 (𝑡) − 𝑃𝑛 (𝑡)𝜆Δ𝑡 + 𝑃𝑛 (𝑡)𝜊(Δ𝑡) + 𝜊(Δ𝑡) − 𝑃𝑛 (𝑡)
= lim
Δ𝑡→0 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 + ∆𝑡) = 𝑃0 (𝑡)𝑃0 (∆𝑡) = 𝑃0 (𝑡)[1 − 𝜆∆𝑡 − 𝜊(Δ𝑡)]

= 𝑃0 (𝑡) − 𝑃0 𝜆(∆𝑡) = 𝑃0 (𝑡)𝜊(Δ𝑡)

Sehingga

𝑑𝑃0 (𝑡) 𝑃0 (𝑡 + ∆𝑡) − 𝑃0 (𝑡) 𝑃0 (𝑡) − 𝑃0 (𝑡)𝜆Δ𝑡 − 𝑃0 (𝑡)𝜊(Δ𝑡) − 𝑃0 (𝑡)

= lim = lim
𝑑𝑡 Δ𝑡→0 Δ𝑡 Δ𝑡→0 Δ𝑡
 −𝑃0 (𝑡)𝜆Δ𝑡 − 𝑃0 (𝑡)𝜊(Δ𝑡)
= lim = −𝜆𝑃0 (𝑡)
Δ𝑡→0 Δ𝑡

Dalam bentuk persamaan diferensial dapat ditulis sebagai

1
𝑑 𝑃0 (𝑡) = −𝜆 𝑑𝑡
𝑃0 (𝑡)

Penyelesaian persamaan differensial diatas adalah

𝑙𝑛𝑃0 (𝑡) = −𝜆𝑡 + 𝐶

Menggunakan kenyataan bahwa

𝑃0 (𝑡) = 1

yang berakibat

𝐶 = ln 𝑃0 (0) = ln 1 = 0

Maka diperoleh

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

𝑃1 (𝑡) = 𝜆𝑡𝑒 −𝜆𝑡

Meneggunakan induksi matematis dapat ditunjukkan (ditinggalkan sebagai latihan)

bahwa

(𝜆𝑡)𝑛 𝑒 −𝜆𝑡
𝑃𝑛 (𝑡) = 𝐼(𝑛 = 0,1,2,3 … )
𝑛!

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

LATIHAN

3.4.2 Misal X peubah acak yang bertebaran 𝑃(𝑥 = 1) = 𝑃(𝑥 = 2). Tentukan 𝑃(𝑥 = 4)
Karena 𝑃(𝑥 = 1) = 𝑃(𝑥 = 2) maka

𝜇 𝑥 𝑒 −𝜇 𝜇 𝑥 𝑒 𝜇
=
𝑥! 𝜇!

𝜇1 𝑒 −𝜇 𝜇 2 𝑒 −𝜇
=
1! 2!
Bentuk diatas disederhanakan menjadi

2𝜇𝑒 −𝜇 = 𝜇 2 𝑒 −4

2𝜇 = 𝜇 2

2𝜇 − 𝜇 2 = 0

𝜇=0 𝜇=2

Jadi diambil 𝜇 = 2

Dengan demikian

𝜇 𝑥 𝑒 −2
𝑃(𝑥 = 4) =
𝑥!
24 𝑒 −2
=
4!
2𝑒 −2
=
4!
2𝑒 −2
=
3
= 0,0902
3.4.3. Misal 𝑋 peubah acak yang bersebaran Poisson, 𝑃(𝑋 = 0) = 0,2. Tentukan 𝑃(𝑋 > 4).

Karena 𝑋 berdistribusi Poisson, maka

𝑃(𝑋 = 0) = 0,2
𝑒 −𝜇 𝜇 𝑥
= 0,2
𝑥!

𝑒 −𝜇 = 0,2

𝜇 = − ln 0,2 ≈ 1,61

Dengan demikian,

𝑃(𝑋 > 4) = 1 − 𝑃(𝑋 ≤ 4)

= 1 − [𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) + 𝑃(𝑋 = 4)]

𝑒 −(1,61) (1,61)0 𝑒 −(1,61) (1,61)1 𝑒 −(1,61) (1,61)2

=1−[ + +
0! 1! 2!
−(1,61) 3 −(1,61) 4
𝑒 (1,61) 𝑒 (1,61)
+ + ]
3! 4!

(1,61)0 (1,61)1 (1,61)2 (1,61)3 (1,61)4

= 1 − [𝑒 −(1,61) ( + + + + )]
0! 1! 2! 3! 4!

= 1 − [𝑒−(1,61) (1 + 1,61 + 1.29 + 0,69 + 0,28)]

= 1 − [𝑒−(1,61) (4,87)]

= 1 − [0,2 (4,87)]

= 1 − 0,974

= 0,026
3.4.5 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) Tujuh antrian pangillan (𝑥 = 7)

(𝑒 −𝜇 )(𝜇 𝑥 )
𝑓(7,10) =
𝑥!
𝑒 −10 )(107
=
7!
= 0,09

b) Paling banyak 7 antrian panggilan

Diket :
𝜇 = 10
𝑥 = 0,1,2,3, … ,7
7

∑ 𝑓(𝑥, 𝜇) = 𝑓(0,10) + 𝑓(1,10) + 𝑓(2,10) + 𝑓(3,10) + 𝑓(4,10) +

𝑘=0
𝑓(5,10) + 𝑓(6,10) + 𝑓(7,10)
(𝑒 −10 )(100 ) (𝑒 −10 )(101 ) (𝑒 −10 )(102 ) (𝑒 −10 )(103 ) (𝑒 −10 )(104 )
= + + + +
0! 1! 2! 3! 4!
−10 5 −10 6 −10 7
(𝑒 )(10 ) (𝑒 )(10 ) (𝑒 )(10 )
+ + +
5! 6! 7!
1000 10.000 100.000 1.000.000 10.000.000
= 𝑒 −10 [1 + 10 + 50 + + + + + ]
6 24 120 720 5.040
= 𝑒 −10 + 0,00045 + 0,00227 + 0,00756 + 0,01891 + 0,03783 + 0,06305
+ 0,09007
= 0,22018

c) Mulai dua sampai tujuh panggilan

Diket:

𝜇 = 10 ; 𝑥 = 0,1,2,3, … ,7
3.4. 8 Misal 𝑋 mempunyai sebaran Poisson. Jika 𝑃(𝑋 = 1) = 𝑃(𝑋 = 3), Tentukan:

a) 𝑃(𝑋 = 5)
Karena 𝑃(𝑋 = 1) = 𝑃(𝑥 = 3), maka
𝑒 −𝜇 𝜇 𝑥 𝑒 −𝜇 𝜇 𝑥
=
𝑥! 𝑥!
𝑒 −𝜇 𝜇1 𝑒 −𝜇 𝜇 3
=
1! 3!

Bentuk diatas disederhankan menjadi

6𝜇 𝑒 −𝜇 = 𝜇 3 𝑒 −𝜇
6𝜇 = 𝜇 3
6𝜇 − 𝜇 3 = 0
𝜇(6 − 𝜇 2 ) = 0
𝜇 = 0 𝑎𝑡𝑎𝑢 𝜇 = √6
Jadi, diambil 𝜇 = √6
Dengan demikian

𝑒 −𝜇 𝜇 𝑥
𝑃(𝑋 = 5) =
𝑥!
5
𝑒 −√6 √6
=
5!
−√6
𝑒 36√6
=
120
0,6345
=
10
= 0,06345
3.4.9 Suatu Pabrik elektonik memproduksi komponen tertentu, dan kejadian komponen rusak
adalah bebas dengan peluang 0,1. Jika pabrik terebut memproduksi 500 komponen, maka :

a) Berapakah peluang kejadian komponen rusak paling banyak dua?

b) Hitung (a) menggunakan pendekatan Poisson.

Penyelesaian :

a) 𝜇 = 𝜆. 𝑡 = 0,1 × 500 = 50
𝑝 = 0,1, 𝑞 = 1 − 𝑝 = 1 − 0,1 = 0,9
2
50 50 50
∑ 𝑏(2; 50; 0,1) = ( ) (0,1)0 (0,9)50 + ( ) (0,1)1 (0,9)49 + ( ) (0,1)2 (0,9)48
0 1 2
𝑘=0

50! 50!
= (1)(0,0051) + (0,1)(0,0057)
0! 50! 1! 49!
50!
+ (0,01)(0,0064)
2! 48!

= 0,0051 + 50(0,1)(0,0057) + 1225(0,01)(0,0064)

= 0,0051 + 0,0285 + 0,0784

= 0,112
b) 𝐹(𝑥; 50) = ∑2𝑥=0 𝑓(𝑥; 50)
= 𝑓(0; 50) + 𝑓(1; 50) + 𝑓(2; 50)
(𝑒 −50 ) (50)0 (𝑒 −50 ) (50)1 (𝑒 −50 ) (50)2
= + +
0! 1! 2!
= 𝑒 −50 (1 + 50 + 1250)
= 𝑒 −50 (1301)
= 2,509304𝑒 − 19