3.

2 DISTRIBUSI DISKRET KHUSUS

HUBUNGAN BINOMIAL DENGAN BINOMIAL NEGATIF
Masalah binomial negatif kadang-kadang disebut sebagai sampel binomial terbalik. Seandainya
𝑋 ~ 𝑁𝐵(𝑟, 𝑝) dan 𝑊 ~ 𝐵𝐼𝑁(𝑛, 𝑝). Karena itu
𝑃 [𝑋 ≤ 𝑛] = 𝑃 [𝑊 ≥ 𝑟] (3224)
Yaitu, 𝑊 ≥ 𝑟 sesuai dengan kejadian memiliki r atau lebih banyak keberhasilan dalam n uji coba
dan itu berarti n atau lebih sedikit uji coba akan diperlukan untuk mendapatkan 𝑟 pertama
berhasil. Jelas, distribusi binomial negatif dapat dinyatakan dalam hal CDF binomial oleh
hubungan
𝐹(𝑥; 𝑟, 𝑝) = 𝑃[𝑋 ≤ 𝑥] = 1 − 𝐵(𝑟 − 1; 𝑥, 𝑝)
= 𝐵(𝑥 − 𝑟; 𝑥, 𝑞) (3.2.25)
Jika dalam Contoh 3.2.8 kami tertarik pada probabilitas bahwa tim A memenangkan seri dunia
dalam enam atau lebih sedikit game, kemudian 𝑥 = 6, 𝑟 = 4, 𝑝 = 0,6, dan
P (A memenangkan seri dalam 6 atau kurang) = 𝑃[𝑋 ≤ 6]
= 𝐹(6; 4, 0,6)
6
𝑥 − 1 (0,6)4 (0,4)𝑥−4
= ∑( )
3
𝑥=4

= 𝐵 (2; 6, 0,4)
2
6
= ∑ ( ) (0,4)𝑤 (0,6)6−𝑤
𝑤
𝑤=0

= 0,5443
Artinya, probabilitas memenangkan seri dalam enam atau lebih sedikit game adalah setara
dengan kemungkinan menderita dua atau lebih sedikit kerugian dalam enam pertandingan.
Kemajuan utama- Tingkat penulisan CDF binomial negatif dalam hal CDF binomial adalah itu
CDF binomial ditabulasi jauh lebih luas dalam literatur. Juga, perkiraan yang diketahui untuk
binomial dapat diterapkan.
Kami akan mempertimbangkan satu lagi distribusi diskrit, yang tidak dapat diperoleh langsung
dengan menghitung argumen, tetapi yang dapat diturunkan sebagai bentuk pembatasan distribusi
binomial.
DISTRIBUSI POISSON
Variabel acak diskrit X dikatakan memiliki distribusi Poisson dengan parameter 𝜇 > 0 jika
memiliki pdf diskrit dari formulir
𝑒 −𝜇 𝜇 𝑥
𝑓(𝑥; 𝜇) = 𝑥 = 0, 1, 2, … (3.2.26)
𝑥!

Notasi khusus yang menunjukkan bahwa variabel acak 𝑋 memiliki Poissoñ

distribusi dengan parameter 𝜇 adalah

𝑋 ~ 𝑃𝑂1(𝜇) (3.2.27)

Properti (2.2.2) dan (2.2.3) jelas memenuhi, karena 𝜇 > 0 maka 𝑓(𝑥; 𝜇) ≥
0 dan
∞ ∞
−𝜇
𝜇𝑥
∑ 𝑓(𝑥; 𝜇) = 𝑒 ∑ = 𝑒 −𝜇 𝑒 𝜇 = 1
𝑥!
𝑥=0 𝑥=0

(3.2.28)

Suatu CDF 𝑋 ~ 𝑃𝑂𝐼(𝜇), dilambangkan dengan

𝐹(𝑥; 𝜇) = ∑ 𝑓(𝑘; 𝜇)
𝑘=0

(3.2.29)

tidak bisa diekspresikan dalam bentuk fungsional yang lebih sederhana, tetapi bisa ditabulasikan.
Nilai-nilai dari 𝐹(𝑥; 𝜇) disediakan pada Tabel 2 (Lampiran C) untuk berbagai nilai 𝑥 dan 𝜇
Jika 𝑋 ~ 𝑃𝑂𝐼(𝜇), maka

∞
𝜇𝑥
𝑀𝑥 (𝑡) = ∑ 𝑒 𝑡𝑥 𝑒 −𝜇
𝑥!
𝑥=0

∞
−𝜇
(𝜇𝑒 𝑡 )𝑥
=𝑒 ∑
𝑥!
𝑥=0
 = 𝑒 −𝜇 𝑒 𝜇𝜀𝑡

Jadi, M (t) el) - <t <cc (3.2.30) Oleh Demikian karena pula, itu M (t) M = (r) [M1 = e) (t) + pet
M (t)] = M kesayangan, (t) pet, dan dengan sehingga demikian Mi (0) = M (1 ', + (0) p) = p Mx
dan, (0) dengan ue ° = p. demikian Var (X) = E (X2) ji2 = p (l + p) - p2 p
Ringkasan properti dari distribusi Poisson diberikan dalam Lampiran B. Dimungkinkan untuk
menurunkan persamaan (3.2.26) sebagai bentuk pembatas dari pdf binomial jika n - cc dan p O
dengan np = p konstan.
Th8orm 3.2.3 Jika X BIN (n, p), maka untuk setiap nilai x =
konstan,
dan sebagai p * O dengan np = p
hm ( \ ) px XJ (1 p) "_ ex (3.2.31)
(fl) Px n-x __ *.- nl / ,, \ x x!
(1 - (n - x)! \ n

jiX (nn - in n + 1) (i ) i ) X

Hasilnya mengikuti dengan mengambil batas pada kedua sisi persamaan, dan mengingat dari kalkulus itufl.cD u
= fl e dan, untuk x tetap,n-.c,: lim \ / (1) fl \ ,! x = 1 Salah satu konsekuensi dari Teorema 3.2.3 adalah ba
memberikan perkiraan ke b yang lebih rumit b (x; n, p) ketika n besar dan p kecil.
Contoh 3.2.9
Misalkan I% dari semua transistor yang diproduksi oleh perusahaan tertentu rusak.
Model komputer baru membutuhkan 100 transistor ini, dan 100 dipilih secara acak dari jalur perakitan
perusahaan. Peluang pasti untuk mendapatkannya sejumlah cacat tertentu, katakanlah 3, adalah b (3; 100,
0,01) = 0,0610, sedangkan Perkiraan Poisson isf (3; 1) = 0,0613.

Sebagai aturan umum , perkiraan memberikan hasil yang wajar n ì 100 dan p 0,01, dan ketika x dekat dengan np.
Teorema 3.2.3 juga memberikan beberapa wawasan tentang. jenis masalah yang Distribusi poisson menye
probabilitas yang memadai: Ketika variabel hasil bunga, setidaknya sekitar, dari sejumlah besar independen Ek
Bernoulli, masing-masing dengan probabilitas keberhasilan yang kecil. Untuk Misalnya, jumlah kecelakaan da
persimpangan tertentu mungkin kira-kira variabel Poisson, karena sejumlah besar kendaraan dapat lewat persim
setahun dan probabilitas setiap kendaraan memiliki aki penyok kecil. Dalam hal ini, parameter a akan langsun
oleh jumlah kendaraan per tahun dan tingkat risiko di persimpangan.

PROSES POISSON

Pertimbangkan situasi fisik di mana jenis peristiwa tertentu berulang, seperti panggilan telepon atau cacat d
kawat panjang. Misalkan X (t) menunjukkan jumlah peristiwa seperti itu yang terjadi pada interval yang diberi
anggaplah sebagai berikut asumsi terus. Pertama, probabilitas bahwa suatu peristiwa akan terjadi dalam waktu s
[t, t + At] kira-kira sebanding dengan panjang interval, pada, dan tidak tergantung pada posisi interval. Selanjutn
itu kejadian peristiwa dalam interval yang tidak tumpang tindih adalah independen, dan
probabilitas asumsi-asumsi dua ini atau menjadi lebih kejadian valid pada dalam At-0, interval maka distribusi
(t) + At] akan dapat menjadi diabaikan. Jika Poisson. Asumsi dan kesimpulan dinyatakan secara matematis di ba
106 BAB 3 DISTRIBUSI PROBABILITAS KHUSUS
teorema rendah. Perhatikan bahwa o (At) menunjukkan fungsi At sedemikian rupa
um o (At) / At = O. Dengan kata lain, o (At) dapat diabaikan relatif terhadap At,
Teorema 3.2.4 Proses Poisson Homogen Biarkan X (t) menunjukkan jumlah kemunculan dalam
interval [O, t], dan P (t) = P [n kejadian dalam interval [O, t]]. Pertimbangkan properti berikut:
X (0) = O, P [X (t + h) - X (t) = njX (s) = m] = P [X (t + h) - X (t) = n] untuk semua HAI s t dan O <h. P [X (t +
= 2At + o (At) untuk beberapa konstanta A> O, dan P [X (t + At) - X (t)? 2] = o (At).
Jika properti i sampai 4 tahan, maka untuk semua t> O,
P (t) = P [X (t) = n] = e_t (At) f / n! (3.2.32)
Bukti
Sekarang n peristiwa dapat terjadi dalam interval [O, t + At] dengan memiliki O peristiwa di [t, t + At] dan n a
atau satu acara di [t, t + At] dan n - I acara di [O, t], atau dua atau lebih peristiwa dalam [t, t + At]; dengan dem
O;
P (t + At) = P - 1 (t) P1 (At) + P (t) P0 (At) + o (At)
= P_1 (t) [AAt + o (At)] + P (t) [1 - AAt - o (At)] + o (At)
tapi
dP dt (t) 11 m P (t + At) - P (t) Di
= hm P - 1 (t). Pada + P (t) - PH (t) 2At - P (t) Di = A [P1 (t) - P (t)]
Untuk n = O,
P0 (t + At) = P0 (t) P0 (At)
 = P0 (t) [1 - AAt - o (At)]
dP0 dt (t) - um ,-.Hai + Di) - P0 (t)
Di

https://translate.googleusercontent.com/translate_f 4/7
11/6/2019 P [X <n] P [Wr] F (x; r, p) = P [Xx] = 1B
= um -, ZAtP0 (t) - o (At) P0 (t)
Di = AP0 (t)
3.2 DISTRIBUSI DISKRIT KHUSUS 107
Dengan asumsi kondisi awal P0 (0) = 1, solusi untuk diferensial di atas persamaan mudah diverifikasi menjadi
P0 (t) =
Demikian pula, membiarkan n = 1,
dP1 (t) dt - A [P0 (t) - P1 (t)]
= Are_At - P1 (t)]

pemberian yang mana

P1 (t) = Makan
Itu bisa ditunjukkan dengan induksi itu
P (t) = e_At (At) f / n! n = 0, 1, 2, ..
Jadi, X (t) '-. P0I (At), di mana = E [X (t)] = Di. Konstanta proporsionalitas 2 mencerminkan tingkat kejadian
proses Poisson. Karena 2. adalah diasumsikan konstan lebih dari t, proses ini disebut sebagai Poisson homogen
Karena 2. konstan dan kenaikannya independen, ternyata bahwa seseorang tidak perlu khawatir tentang lokasi
pertanyaan, dan model X '- P01 (p) berlaku untuk setiap interval panjang t, [s, s + t], dengan u = Pada. Kons
tingkat kejadian per unit panjang, dan intervalnya t unit panjang.
Akhirnya, kami akan mempertimbangkan jenis distribusi diskrit agak sederhana yang dikenal sebagai distr
diskrit.
DISTRIBUSI SERAGAM DISCRETE
Banyak masalah, pada dasarnya yang melibatkan penugasan klasik probabilitas, dapat dimodelkan oleh variab
yang mengasumsikan semua nilainya dengan probabilitas yang sama Biasanya dimungkinkan untuk menga
seperti itu dengan serangkaian bilangan bulat berturut-turut 1, 2, ..., N.
Variabel acak diskrit X memiliki distribusi seragam diskrit pada perangkat. gers 1,2, ..., N ifit memiliki pdf form
https://translate.googleusercontent.com/translate_f 5/7
11/6/2019 P [X <n] P [Wr] F (x; r, p) = P [Xx] = 1B
 f (x) = X = 1, 2, ..., N (3.2.33)

Notasi khusus untuk situasi ini adalah

X DU (N) (3.2.34)

Contoh 3.2.10 Game-game kebetulan seperti lotere atau dadu yang tidak bias bergulir jelas
dimodelkan
dengan persamaan (3.2.33). Misalnya, angka yang diperoleh dengan cara menggulir
dadu enam sisi akan sesuai dengan DU (6). Tentu saja, ini mengasumsikan bahwa
dimuat atau bias dalam beberapa cara yang mendukung angka-angka tertentu.
Contoh lain yang telah kami pertimbangkan adalah tes pilihan ganda Contoh 3.2.3. Jika, pada pertanyaan apa
mengaitkan empat pilihan dengan bilangan bulat 1, 2, 3, dan 4, maka jawabanny
pertanyaan apa pun yang dijawab pada acak adalah DU (4). Ini juga memodelkan ha
menggulung dadu empat sisi. Pdf diskrit dan CDF X DU (4) diberikan pada Gambar 3

GAMBAR 3.1 Pdf diskrit dan CDF nomor diperoleh pada satu gulungan dadu empat
sisi

3/4

1/2

1/4 - X

23

Membandingkan Gambar 3.1 dengan Gambar 2.2 dan 2.3, distribusi maksimum lebih dari dua gulungan lebih
yang lebih besar, sedangkan hasil dari satu gulungan tidak. Ini seharusnya tidak meng
ada lebih banyak cara mencapai nilai yang lebih besar berdasarkan nilai maksimum.
 Mean diperoleh sebagai berikut:

EX) = = () +2+

(1 / N) N (N + 1)

https://translate.googleusercontent.com/translate_f 6/7
11/6/2019 P [X <n] P [Wr] F (x; r, p) = P [Xx] = 1B

2 N +1 2

Demikian pula, E (X2) = (N + IX2N + 1) / 6 dan Var (X) = (N2 - l) / 12.