BAB V KESIMPULAN DAN SARAN
B. Saran
6 BAB II
TEORI PELUANG DAN PROSES STOKASTIK
Dalam bab ini akan dipaparkan landasan teori yang digunakan dalam
skripsi, yaitu teori peluang dan proses stokastik. A. Teori Peluang
Untuk menyelesaikan permasalahan dalam skripsi ini, perlu diingat kembali
mengenai konsep dasar teori peluang. Definisi 2.1.1
Sebuah percobaan dikatakan acak apabila hasil dari percobaan tidak dapat
ditentukan secara pasti sampai percobaan tersebut selesai dilakukan.
Hasil percobaan acak tidak dapat diprediksi sebelumnya, namun dapat
diten-tukan himpunan peluang hasil dari percobaan. Definisi 2.1.2
Himpunan semua hasil yang mungkin dari sebuah percobaan acak disebut
se-bagai ruang sampel dari percobaan tersebut dan dinotasikan dengan S. Contoh 2.1.2:
Jika hasil dari sebuah percobaan adalah klasifikasi jenis kelamin bayi yang
baru lahir maka ๐ = {๐, ๐}, dengan hasil l mengidentifikasikan bahwa laki-laki dan p adalah perempuan.
Definisi 2.1.3
Anggota dari ruang sampel disebut sebagai titik sampel.
Contoh 2.1.3:
Definisi 2.1.4
Setiap subhimpunan dari ruang sampel disebut sebagai kejadian. Dengan kata
lain, kejadian adalah sebuah himpunan yang memuat peluang hasil dari
percobaan. Kejadian seringkali dinotasikan dengan E. Contoh 2.1.4
Jika ๐ธ = {๐} maka E adalah kejadian jenis kelamin bayi yang baru lahir ada-lah perempuan.
Definisi 2.1.5
Untuk setiap dua kejadian E dan F dari sebuah ruang sampel S, didefinisikan
๐ธ โช ๐น memuat semua hasil yang ada di E atau di F atau di E dan F.
Himpunan ๐ธ โช ๐น disebut gabungan dari kejadian E dan F. Contoh 2.1.5
Jika kejadian ๐ธ = {๐} dan ๐น = {๐} maka ๐ธ โช ๐น = {๐, ๐}. Definisi 2.1.6
Untuk setiap dua kejadian E dan F, didefinisikan ๐ธ โฉ ๐น adalah kejadian yang memuat semua hasil yang berada di E dan sekaligus di F. Himpunan ๐ธ โฉ ๐น disebut irisan dari kejadian E dan F.
Contoh 2.1.6
Dilakukan percobaan acak melempar sebuah koin setimbang sebanyak 2 kali.
Titik sampel dari percobaan adalah gambar yang dinotasikan dengan G dan angka yang dinotasikan dengan A. Jika E = {(G,G), (G,A), (A,G)} adalah kejadian dengan setidaknya 1 gambar muncul dan F = {(G,A), (A,G), (A,A)} adalah kejadian dengan setidaknya 1 angka muncul maka ๐ธ โฉ ๐น =
Definisi 2.1.7
Untuk setiap kejadian E, didefinisikan kejadian baru ๐ธ๐ yang memuat semua hasil dalam ruang sampel S yang tidak berada di E. Kejadian ๐ธ๐ akan muncul jika dan hanya jika E tidak muncul. Kejadian ๐ธ๐ disebut komplemen dari ke-jadian E.
Contoh 2.1.7
Dilakukan percobaan pelemparan dua buah dadu sebanyak satu kali. Jika ke-jadian ๐ธ = {(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)}, maka ๐ธ๐ akan muncul saat jumlahan dadu tidak sama dengan 7.
Definisi 2.1.8
Kejadian E dan F dikatakan saling asing apabila memenuhi ๐ธ โฉ ๐น = โ .
Contoh 2.1.8
Kejadian A merupakan munculnya sisi gambar dan B munculnya sisi angka apabila sebuah koin dilempar sekali. Kejadian A dan B saling asing karena ๐ด โฉ ๐ต = โ .
Definisi 2.1.9
Peluang adalah sebuah fungsi dari ruang sampel S ke โ yang memenuhi tiga sifat di bawah ini:
1. โ(๐ด) โ [0,1] โ๐ด โ ๐
2. โ(๐) = 1, dan
3. untuk barisan berhingga atau tak hingga yang saling asing ๐ด๐ di dalam S berlaku
โ (โ ๐ด๐
๐
) = โ โ(๐ด๐),
Karena |๐| = ๐ dan telah diketahui โ๐ด โ ๐, peluang suatu kejadian A dapat dihitung yaitu:
โ(๐ด) = |๐ด|
|๐|. Contoh 2.1.9
Pada percobaan melempar sebuah dadu bermata 6 sebanyak satu kali, terdapat
6 titik sampel dalam ruang sampel {1, 2, 3, 4, 5, 6}, yaitu muncul sisi dadu bermata 1, 2, 3, 4, 5, dan 6. Kejadian-kejadian yang mungkin saja terjadi
misalnya: munculnya mata dadu ganjil, munculnya mata dadu genap,
mun-culnya mata dadu prima, dan sebagainya. Bila pada percobaan diinginkan
muncul mata dadu 2, 3 dan 5, atau sebanyak 3 titik sampel dari ruang sampel
6, maka peluang kejadian muncul mata dadu prima adalah 3 6. Definisi 2.1.10
Peluang bersyarat dari kejadian E dengan syarat kejadian F didefinisikan sebagai berikut
โ(๐ธ|๐น) =โ(๐ธ โฉ ๐น)โ(๐น) , โ(๐น) โ 0.
Definisi 2.1.11
Kejadian E dan F dikatakan saling bebas (independent) jika diketahui
โ(๐ธ|๐น) = โ(๐ธ).
Sebagai akibatnya, E dan F saling bebas jika dan hanya jika โ(๐ธ โฉ ๐น) = โ(๐ธ)โ(๐น).
Contoh 2.1.11
Pada pelemparan dua keping koin sekali, M munculnya sisi angka pada koin pertama, dan N munculnya sisi gambar pada koin kedua adalah kejadian
sal-ing bebas; ๐ = {๐ด๐ด, ๐ด๐บ, ๐บ๐ด, ๐บ๐บ}, โ(๐) =12, โ(๐) =12, โ(๐ โฉ ๐) =14,
โ(๐|๐) =1โ4
1โ2 =12 = โ(๐).
Aturan Bayes merupakan perluasan dari peluang bersyarat. Teorema 2.1.12 (Aturan Bayes)
Untuk dua kejadian E dan F berlaku
โ(๐น|๐ธ) =โ(๐น โฉ ๐ธ)โ(๐ธ) =โ(๐ธ โฉ ๐น) + โ(๐ธ โฉ ๐นโ(๐ธ|๐น)โ(๐น) ๐ถ)
= โ(๐ธ|๐น)โ(๐น)
โ(๐ธ|๐น)โ(๐น) + โ(๐ธ|๐น๐ถ)โ(๐น๐ถ)
Contoh 2.1.12
Diketahui populasi suatu kota terdiri dari 45% wanita dan 55% pria dan
diketahui juga 70% dari pria dan 10% dari wanita adalah seorang perokok.
Keterangan: P= kejadian yang terpilih adalah pria, W= kejadian yang terpilih adalah wanita, R= kejadian yang terpilih adalah perokok. Peluang kejadian seorang perokok dipilih secara acak, maka dengan menggunakan aturan
Bayes diperoleh โ(๐|๐ ) =โ(๐ |๐)โ(๐) + โ(๐ |๐)โ(๐)โ(๐ |๐)โ(๐) โ(๐|๐ ) = 70 100 .10055 70 100 .100 +55 100 .10 10045 = 0,895. Teorema 2.1.13 (Hukum Peluang Total)
(1) ๐น๐ โฉ ๐น๐ = โ , untuk ๐ โ ๐
(2) ๐น1โช ๐น2โช โฆ โช ๐น๐ = ๐
untuk setiap kejadian ๐ธ โ ๐ berlaku
โ(๐ธ) = โ โ(๐ด โฉ ๐น๐) ๐ ๐=1 = โ โ(๐ด|๐น๐)โ(๐น๐) ๐ ๐=1 . Contoh 2.1.13
Dari hasil penelitian sebuah negara didapatkan bahwa 7% penduduk pria dan
0,4% penduduk wanita mengidap buta warna. Prosentase penduduk dalam
negara tersebut yakni, tersebut 49% pria dan 51% wanita. Seorang penduduk
dipilih secara acak. Tentukan peluang bahwa seseorang tersebut buta warna.
Keterangan : C= kejadian orang yang terpilih buta warna; P= kejadian orang yang terpilih adalah pria; W=kejadian orang yang dipilih adalah wanita. Menurut Teorema 2.1.13, berlaku
โ(๐ถ) = โ(๐ถ|๐)โ(๐) + โ(๐ถ|๐)โ(๐) = 0,07 โ 0,49 + 0,004 โ 0,51 = 0,03634.
Definisi 2.1.14
Diberikan S adalah ruang sampel dan T adalah himpunan terhitung. Peubah acak diskret X adalah fungsi dari S ke T. Distribusi dari peubah acak X adalah barisan nilai peluang โ(๐ = ๐) untuk setiap ๐ โ ๐.
Contoh 2.1.14
Pada satu kali pelemparan sekeping koin setimbang, X bernilai 0 saat kejadian muncul angka dan bernilai 1 saat kejadian muncul gambar. Peluang
X bernilai 1 dan X bernilai 0 masing-masing adalah 1
2. Tiga koin setimbang dilempar dan menghasilkan 8 kemungkinan yaitu {๐ด๐ด๐ด, ๐ด๐ด๐บ, ๐ด๐บ๐ด, ๐บ๐ด๐ด,
๐บ๐บ๐ด, ๐บ๐ด๐บ, ๐ด๐บ๐บ, ๐บ๐บ๐บ|๐ด = sisi angka, ๐บ = sisi gambar}, sehingga peluang
X bernilai 0 yang ditulis โ(๐ = 0) adalah 1
8. Selanjutnya โ(๐ = 1) =38,
โ(๐ = 2) =38 , โ(๐ = 3) =18.
Definisi 2.1.15
Distribusi dari peubah acak X adalah himpunan nilai-nilai dari X beserta pelu-angnya. Distribusi peubah acak diskret ditentukan oleh fungsi masa peluang (fmp).
Jika X dan Y peubah acak diskret, maka fmp gabungannya โ(๐ = ๐ฅ, ๐ = ๐ฆ).
Peluang bersyarat dari Y apabila diketahui ๐ = ๐ฅ adalah
โ(๐ = ๐ฆ|๐ = ๐ฅ) =โ(๐ = ๐ฅ, ๐ = ๐ฆ)โ(๐ = ๐ฅ) .
Contoh 2.1.15
Diberikan satu kotak yang berisi sembilan bola yang terdiri dari dua bola
merah, 3 bola biru dan 4 bola putih. Tiga bola diambil secara acak tanpa
dikembalikan. Tentukan fmp bersyarat dari banyaknya bola biru yang
teram-bil jika diketahui banyaknya bola merah yang teramteram-bil adalah satu.
Keterangan: Y= banyak bola biru yang terambil dengan ๐ = ๐ฆ dan ๐ฆ โ
{0,1,2}; X= banyak bola merah yang terambil.
โ(๐ = ๐ฆ|๐ = 1) =โ(๐ = ๐ฆ, ๐ = 1)โ(๐ = 1) = (3๐ฆ)(21) (2 โ ๐ฆ)4 (93) (21)(72) (93) =(3๐ฆ)(2 โ ๐ฆ)4 21 = { 2 7 , ๐ฆ = 0 4 7 , ๐ฆ = 1 1 7 , ๐ฆ = 2 . Definisi 2.1.16
Nilai harapan peubah acak diskret X, dilambangkan dengan ๐ผ(๐), didefinisi-kan sebagai jumlah hasil kali nilai peubah acak dengan masing-masing
pelu-angnya:
๐ผ(๐) = โ ๐ฅโ(๐ = ๐ฅ). โ๐ฅ
Contoh 2.1.16
Peluang seseorang menembak tepat sasaran adalah 0,6. Jika dia melakukan
tembakan sebanyak 100 kali maka nilai harapan seseorang menembak
mengenai sasaran adalah
๐ผ(๐) = 100 โ 0,6 = 60. Definisi 2.1.17
Nilai harapan bersyarat dari peubah acak Y apabila diberikan ๐ = ๐ฅ adalah ๐ผ(๐|๐ = ๐ฅ) = โ ๐ฆโ(๐ = ๐ฆ|๐ = ๐ฅ)
โ๐ฆ
. Beberapa sifat nilai harapan bersyarat:
๐ผ(๐๐ + ๐๐|๐ = ๐ฅ) = ๐๐ผ(๐|๐ = ๐ฅ) + ๐๐ผ(๐|๐ = ๐ฅ)
2. Jika g adalah sebuah fungsi, maka nilai harapan bersyarat untuk peubah acak diskret ๐(๐) adalah
๐ผ(๐(๐)|๐ = ๐ฅ) = โ ๐(๐ฆ)โ(๐ = ๐ฆ|๐ = ๐ฅ) โ๐
3. Jika X dan Y saling bebas, maka ๐ผ(๐|๐ = ๐ฅ) = ๐ผ(๐) 4. Jika ๐ = ๐(๐), maka ๐ผ(๐|๐ = ๐ฅ) = ๐(๐ฅ).
Contoh 2.1.17
Diberikan nilai peluang dari = {(1,1), (1,2), (2,1), (2,2)}: โ(1,1) =
0,5, โ(1,2) = 0,1, โ(2,1) = 0,1, โ(2,2) = 0,3 Dapat dihitung peluang
ber-syarat X bila diberikan ๐ = 1. Diketahui
โ๐(1) = โ โ(๐ฅ, 1) = โ(1,1) + โ(2,1) = 0,6 ๐ sehingga diperoleh โ๐|๐(1|1) = โ(๐ = 1|๐ = 1) =โ(๐ = 1, ๐ = 1)โ(๐ = 1) =โ(1,1)โ ๐(1) = 5 6 โ๐|๐(2|1) =โ(2,1)โ ๐(1) = 1 6. Definisi 2.1.18
Diberikan peubah acak Y dan ๐ด1, ๐ด2 ,โฆ ,๐ด๐ adalah partisi dari ruang sampel S. Berlaku ๐ผ(๐) = โ๐ ๐ผ(๐|๐ด๐)โ(๐ด๐)
๐=1 .
Jika X dan Y dua peubah acak yang mempunyai distribusi bersama, maka
๐ผ(๐) = โ ๐ผ(๐|๐ = ๐ฅ)โ(๐ = ๐ฅ) ๐
Contoh 2.1.18
Sebuah koin setimbang dilambungkan berkali-kali. Dinotasikan A= kejadian muncul angka, G= kejadian muncul gambar. Koin dilambungkan sekali dengan kemungkinan hasil A dan G, dilambungkan dua kali dengan kemung-kinan ๐ด๐ด, ๐ด๐บ, ๐บ๐ด, ๐บ๐บ dan seterusnya sehingga didapatkanS = {๐ด, ๐บ, ๐ด๐ด, ๐ด๐บ,
๐บ๐ด, ๐บ๐บ, ๐ด๐ด๐ด, ๐ด๐บ๐ด, ๐ด๐ด๐บ, โฆ }. Andaikan S dipartisi menjadi 3 partisi: S1 =
{lambungan 1: A}; S2 = {lambungan 1 dan 2: GA};
๐3 = {lambungan 1 dan 2: GG} dengan S1 terjadi saat diperlukan setidaknya
3 kali pelambungan, S2 terjadi saat diperlukan setidaknya 4 kali pelambungan dan S3 terjadi saat diperlukan hanya 2 kali pelambungan. Tentukan nilai harapan dari Y= banyaknya pelambungan yang dilakukan untuk mendapat dua gambar berurutan.
Menurut Definisi 2.1.18
๐ผ(๐) = ๐ผ(๐|S1)โ(๐) + ๐ผ(๐|๐2)โ(๐) + ๐ผ(๐|S3)โ(๐3)
karena pelambungan bersifat saling bebas, berlaku
๐ผ(๐|S1) = 1 + ๐ผ(๐), ๐ผ(๐|S2) = 2 + ๐ผ(๐) dan ๐ผ(๐) = (1 + ๐ผ(๐))12 + (2 + ๐ผ(๐))14 + 2 โ14 4๐ผ(๐) = 2 + 2๐ผ(๐) + 2 + ๐ผ(๐) + 2 ๐ผ(๐) = 6. Definisi 2.1.19
Misal X adalah suatu peubah acak dengan ๐ผ(๐) = ๐. Variansi peubah X, dengan simbol ๐๐๐(๐), didefinisikan sebagai
๐๐๐(๐) = ๐ผ[(๐ โ ๐)2] = โ(๐ฅ๐ โ ๐)2โ(๐ฅ๐). ๐ก
๐=1
Variansi peubah X merupakan rata-rata nilai harapan dari deviasi kuadrat. Teorema 2.1.20
Apabila X suatu peubah acak dengan rata-rata ๐ผ(๐) = ๐ dan ๐๐๐(๐) = ๐2, maka
๐2 = ๐ผ(๐2) โ [๐ผ(๐)]2 = ๐ผ(๐2) โ ๐2.
Contoh 2.1.20
Banyaknya pesanan barang dalam satuan yang masuk selama satu minggu
adalah sebanyak X. Peluang terjadinya ๐ = ๐ฅ adalah โ(๐). Dihitung rata-rata banyaknya pesanan yang diharapkan dan variansinya, dengan diketahui data
sebagai berikut.
X 0 1 2 3
โ (X) 0,125 0,375 0,375 0,125
Dihitung terlebih dahulu nilai harapan dari kasus diatas
๐ผ(๐) = 0 โ โ(0) + 1 โ โ(1) + 2 โ โ(2) + 3 โ โ(3), ๐ผ(๐) = 0 โ 0,125 + 1 โ 0,375 + 2 โ 0,375 + 3 โ 0,125, ๐ผ(๐) = 1,5.
Selanjutnya dihitung variansinya,
๐๐๐(๐) = โ(๐ฅ๐โ ๐)2โ(๐ฅ๐)
๐ก ๐=1
+(2 โ 1,5)2โ 0,375 + (3 โ 1,5)2 โ 0,125 = 0,75.
Definisi 2.1.21
Misalkan X adalah peubah acak diskret dengan nilai bilangan bulat positif. Fungsi pembangkit momen dari peubah acak didefinisikan sebagai berikut
๐๐(๐ ) = ๐ผ(๐ ๐ฅ) = โ ๐ ๐โ(๐ = ๐)
๐โฅ0
Jelas bahwa, ๐๐(๐ ) adalah sebuah deret pangkat dan berlaku |๐ ๐โ(๐ =
๐)| โค |๐ |๐ , ๐ โ (โ1,1].
Proposisi 2.1.22
Jika X dan Y adalah dua peubah acak yang saling asing, maka ๐๐+๐(๐ ) = ๐๐(๐ )๐๐(๐ ).
Bukti: Menurut definisi
๐๐+๐(๐ ) = โ ๐ ๐โ(๐ + ๐ = ๐) ๐โฅ0 di lain pihak, โ(๐ + ๐ = ๐) = โ โ(๐ = ๐; ๐ = ๐ โ ๐) ๐ ๐=0 = โ โ(๐ = ๐)โ(๐ = ๐ โ ๐) ๐ ๐=0 ,
di mana persamaan terakhir didapatkan dari X dan Y yang saling bebas. Jadi ๐๐+๐(๐ ) = โ๐โฅ0๐ ๐โ๐โฅ0โ(๐ = ๐)โ(๐ = ๐ โ ๐) = โ ๐ ๐โ(๐ = ๐) ๐โฅ0 โ ๐ ๐โ(๐ = ๐) ๐โฅ0 = ๐๐(๐ )๐๐(๐ ).
Proposisi 2.1.23
Misalkan X dan Y adalah peubah acak dengan fungsi pembangkit momen ๐๐ dan ๐๐. Diasumsikan |๐ | < 1
Jika ๐๐(๐ ) = ๐๐(๐ ) maka X dan Y memiliki distribusi yang sama. Berikut akan dijelaskan beberapa contoh peubah acak diskret yang akan
sering digunakan.
1. Peubah Acak Bernouli
Diberikan percobaan dengan dua hasil yang mungkin: sukses dan gagal.
Kita notasikan ๐ = 1 bila percobaan berhasil dan ๐ = 0 bila percobaan gagal. Nilai 0 dan 1 adalah nilai peubah acak Bernoulli. Dinotasikan
โ(๐ = 1) = ๐ dan โ(๐ = 0) = ๐ = 1 โ ๐. Kita mempunyai
๐ผ(๐) = 1 โ ๐ + 0 โ (1 โ ๐) = ๐, dan
๐ผ(๐2) = 1 โ ๐ + 02โ (1 โ ๐) = ๐.
Sehingga, ๐ผ(๐) = ๐ dan ๐๐๐(๐) = ๐ผ(๐2) โ [๐ผ(๐)]2 = ๐ โ ๐2 = ๐(1 โ ๐) = ๐๐.
2. Peubah Acak Binomial
Dipandang n peubah acak Bernoulli yang saling bebas dan berdistribusi identik ๐1, ๐2, โฆ , ๐๐. Diberikan p adalah peluang kesuksesan. Untuk ๐ = 1, โฆ , ๐
โ(๐๐ = 1) = ๐.
Apabila B adalah peubah acak yang memberikan jumlah sukses dengan n ulangan (trial), dengan i merupakan sukses jika ๐๐ = 1 dan gagal jika ๐๐ = 0, maka menurut Proposisi 2.1.23
๐ต = ๐1+ ๐2+ โฏ + ๐๐.
Peubah acak B dikatakan mempunyai distribusi Binomial dengan parame-ter n dan p yang dapat dibuktikan dengan Proposisi 2.2.23 fungsi pembangkit momen dari B sama dengan distribusi Binomial. Sehingga didapatkan โ(๐ต = ๐) untuk ๐ = 0, 1, โฆ , ๐.
Secara umum, jumlah peluang untuk sukses sebanyak k dalam n kali percobaan adalah
(๐๐) =๐! (๐ โ ๐)!.๐!
Untuk masing-masing kemungkinan memiliki peluang ๐๐(1 โ ๐)๐โ๐ dan masing-masing kemungkinan saling bebas. Jadi, untuk k=0,1,โฆ,n berlaku distribusi binomial โ(๐ต = ๐) = (๐๐)๐๐(1 โ ๐)๐โ๐.
Nilai harapan dari distribusi Binomial adalah
๐ผ(๐ต) = ๐ผ(๐1+ ๐2+ โฏ + ๐๐) = ๐ผ(๐1) + ๐ผ(๐2) + โฏ + ๐ผ(๐๐) = ๐๐.
Variansi distribusi Binomial adalah
๐๐๐(๐ต) = ๐ผ(๐ต2) โ [๐ผ(๐ต)]2 = ๐๐(1 โ ๐) = ๐๐๐.
3. Peubah Acak Geometri
Diasumsikan peluang percobaan p adalah sukses dan ๐ = 1 โ ๐ adalah gagal. X adalah peubah acak yang berdistribusi Geometri, jika distribusi dari X diberikan oleh
โ(๐ = ๐) = ๐๐โ1๐ untuk semua ๐ โฅ 1.
Dari jumlahan deret Geometri
โ ๐ฅ๐ =1 โ ๐ฅ1
๐โฅ0
untuk semua ๐ฅ โ (โ1,1), dengan menurunkan jumlahan di atas didapatkan
โ ๐๐ฅ๐โ1= (1 โ ๐ฅ)1 2. ๐โฅ1
Penerapan rumus tersebut mendapatkan nilai harapan
๐ผ(๐) = โ ๐๐๐โ1๐ = ๐(1 โ ๐)1 2 =1๐
๐โฅ1
. Variansi dari distribusi Geometri adalah
๐๐๐(๐) = ๐ผ(๐2) โ [๐ผ(๐)]2 =1 + ๐
๐2 โ 1
๐2 =(1 โ ๐)
๐2 .
Definisi 2.1.24
Peubah acak N dikatakan mempunyai distribusi Poisson dengan parameter ๐ jika
โ(๐ = ๐) = ๐โ๐๐๐
๐! untuk ๐ = 0,1, โฆ , dan ๐ merupakan parameter dari N.
Selanjutnya dihitung nilai harapan dari peubah acak Poisson N dengan pa-rameter ๐: ๐ผ(๐) = โ ๐โ(๐ = ๐) โ ๐=0 = โ ๐๐โ๐๐๐ ๐! โ ๐=1 = ๐โ๐๐ โ(๐ โ 1)!๐๐โ1 โ ๐=1 = ๐โ๐๐ โ๐๐!๐ โ ๐=0 = ๐โ๐๐๐๐ = ๐.
Nilai harapan dan variansi distribusi Poisson dihitung sebagai berikut.
Dimisalkan terlebih dahulu
๐ผ(๐2 ) = ๐ผ(๐2) โ ๐ผ(๐) + ๐ผ(๐) = ๐ผ[๐2โ ๐] + ๐ผ(๐) = ๐ผ[๐(๐ โ 1)] + ๐ผ(๐), selanjutnya ๐ผ[๐(๐ โ 1)] = โ ๐(๐ โ 1)โ(๐ = ๐) โ ๐=0 = โ ๐(๐ โ 1)๐โ๐๐๐ ๐! โ ๐=2 = โ ๐(๐ โ 1)๐(๐ โ 1)(๐ โ 2)!๐โ๐๐2๐๐โ2 โ ๐=2 = ๐2โ๐(๐ โ 2)!โ๐๐๐โ2 โ ๐=2 karena โ๐(๐ โ 2)! = 1โ๐๐๐โ2 โ ๐=2 sehingga ๐ผ[๐(๐ โ 1)] = ๐2.
Oleh karena itu,
๐ผ(๐2) = ๐ผ[๐(๐ โ 1)} + ๐ผ(๐)
๐ผ(๐2) = ๐2 + ๐.
Variansi dari distribusi Poisson adalah ๐๐๐(๐) = ๐ผ(๐2) โ [๐ผ(๐)]2 =
Perluasan dari Distribusi Poisson
Diasumsikan N memiliki distribusi Poisson dengan parameter ๐. Jika ๐ = 0 maka ๐1 = 0. Misalkan ๐ โฅ 1, dan diberikan ๐1 adalah binomial dengan parameter n dan p. Dengan demikian, dapat ditulis jumlahan
๐๐ = โ ๐๐
๐ ๐=1
yang merupakan peubah acak Bernoulli dengan distribusi โ(๐๐ = 1) = ๐
dan โ(๐๐ = 0) = 1 โ ๐.
Diasumsikan N memiliki distribusi Poisson dengan parameter ๐.
โ(๐1 = ๐|๐ = ๐) = (๐๐)๐๐(1 โ ๐)๐โ๐. โ(๐1 = ๐) = โ โ(๐1 = ๐|๐ = ๐)โ(๐ = ๐). โ ๐=๐ = โ (๐๐)๐๐(1 โ ๐)๐โ๐ โ ๐=๐ ๐โ๐๐๐ ๐!. = ๐! ๐1 ๐๐๐๐โ๐โ(๐ โ ๐)! (1 โ ๐)1 ๐โ๐๐๐โ๐. โ ๐=๐ โ(๐ โ ๐)! (1 โ ๐)1 ๐โ๐๐๐โ๐ = โ ๐=๐ โ๐! (1 โ ๐)1 ๐๐๐ = ๐๐(1โ๐). โ ๐=๐ โ(๐1 = ๐) = 1 ๐! ๐๐๐๐๐โ๐๐๐(1โ๐) = ๐โ๐๐ (๐๐)๐ ๐! . Didapatkan fungsi pembangkit momen dari ๐1
๐๐1(๐ ) = ๐ผ(๐ ๐1) = โ ๐ผ(๐ ๐1|๐ = ๐)โ(๐ = ๐),
digunakan nilai rata-rata untuk nilai harapan. Distribusi peubah acak
Binomial adalah jumlahan dari peubah acak Bernoulli yang saling bebas.
Sehingga
๐ผ(๐ ๐1|๐ = ๐) = ๐ผ(๐ โ๐๐=1๐๐) = ๐ผ(๐ ๐)๐. Oleh karena itu didapatkan,
๐๐1(๐ ) = โ ๐ผ(๐ ๐)๐โ(๐ = ๐) = ๐๐(๐ธ(๐ ๐)).
๐โฅ0
Karena N adalah peubah acak Poisson dengan parameter ๐ dimiliki
๐๐(๐ ) = ๐๐(โ1+๐ ). Karena X adalah peubah acak Bernoulli dimiliki
๐ผ(๐ ๐) = 1 โ ๐ + ๐๐ . Sehingga
๐๐1(๐ ) = ๐๐(๐ผ(๐ ๐)) = exp(๐(โ1 + 1 โ ๐ + ๐๐ )) = exp(๐๐(โ1 + ๐ )).
Terbukti bahwa parameter distribusi Poisson dari N adalah๐. Hal tersebut menunjukkan juga bahwa fpm menyederhanakan perhitungan.
Jumlahan Peubah Acak Poison
Diasumsikan bahwa ๐1 dan ๐2 adalah peubah acak Poisson yang saling bebas dengan parameter ๐1dan ๐2.
Misalkan ๐ โฅ 0. Dimiliki
{๐ = ๐} = โ{๐1 = ๐, ๐2 = ๐ โ ๐}.
๐ ๐=0
Hal itu dikarenakan jika ๐ = ๐ maka ๐1 haruslah sebarang k. Jika ๐1 = ๐ maka ๐2 = ๐ โ ๐. Jadi, kejadian {๐1 = ๐, ๐2 = ๐ โ ๐} untuk ๐ =
0, . . ๐ saling asing. Didapatkan
โ(๐ = ๐) = โ โ( ๐ ๐=0
Sehingga ๐1 dan ๐2 saling bebas untuk setiap k
โ(๐1 = ๐, ๐2 = ๐ โ ๐) = โ(๐1 = ๐)โ( ๐2 = ๐ โ ๐).
Oleh karena itu,
โ(๐ = ๐) = โ โ( ๐ ๐=0
๐1 = ๐)โ( ๐2 = ๐ โ ๐).
Digunakan distribusi Poisson ๐1 dan ๐2untuk mendapatkan
โ(๐ = ๐) = โ ๐โ๐1๐1๐ ๐! ๐โ๐2 ๐1๐โ๐ (๐ โ ๐)! ๐ ๐=0 . Dengan menggunakan pembagian dan perkalian ๐! didapatkan
โ(๐ = ๐) =๐! ๐1 โ๐1โ๐2
โ (๐๐)๐1๐๐1๐โ๐ =๐! ๐1 โ๐1โ๐2 ๐
๐=0
(๐1+ ๐2)๐, di mana persamaan terakhir menggunakan teorema Binomial. Persamaan
di atas menunjukkan ๐ = ๐1+ ๐2 adalah distribusi Poisson, dengan parameter ๐1+ ๐2.
Diasumsikan X dan Y adalah peubah acak Poisson yang saling bebas dengan nilai ๐ dan ยต.
Dengan menggunakan fungsi pembangkit momen dari X diperoleh.
๐๐(๐ ) = โ ๐ ๐๐โ๐๐๐
๐! = ๐๐(๐ โ1).
๐โฅ0
Menggunakan Proposisi 2.2.22 didapatkan
๐๐+๐(๐ ) = ๐๐(๐ )๐๐(๐ ) = ๐๐(๐ โ1)๐๐(๐ โ1) = ๐(๐+๐)(๐ โ1).
Fungsi pembangkit momen dari distribusi Poisson dengan parameter ๐ + ๐. Sehingga dapat disimpulkan distribusi dari ๐ + ๐ adalah distribusi Poisson dengan parameter ๐ + ๐.
B. Proses Stokastik
Pada subbab ini akan dipelajari lebih lanjut mengenai proses stokastik
dengan fokus pada rantai Markov.
Proses stokastik adalah koleksi dari peubah acak {๐๐ก(๐ ) โถ ๐ก โ ๐, ๐ โ ๐ }, dimana T adalah himpunan indeks waktu dan S adalah ruang sampel bersama dari peubah acak. Untuk setiap t, ๐๐ก(๐ ) menyatakan satu peubah acak yang terdefinisi pada S.
Untuk setiap ๐ โ ๐, ๐๐ก(๐ ) berkorespondensi dengan fungsi yang terdefinisi pada T dan disebut lintasan sampel (realisasi, trayektori dari proses stokastik).
Proses stokastik terbagi dalam 2 klasifikasi waktu:
1. Jika T adalah himpunan diskret (terhitung) maka (๐๐ก)๐กโ๐ disebut proses stokastik waktu diskret.
2. Jika T adalah himpunan kontinu (tak terhitung) maka (๐๐ก)๐กโ๐ disebut proses stokastik waktu kontinu.
Proses stokastik yang digunakan dalam skripsi ini hanya proses stokastik
waktu diskret. Definisi 2.2.1
Rantai Markov merupakan proses stokastik waktu diskret (๐๐)๐โฅ0 =
(๐0, ๐1, ๐2, โฆ ) dengan nilai di dalam ๐พ sehingga berlaku โ(๐๐+1 = ๐|๐0 =
๐ฅ0, ๐1 = ๐ฅ1, โฆ , ๐๐โ1 = ๐ฅ๐โ1, ๐๐ = ๐ฅ๐) = โ(๐๐+1= ๐|๐๐ = ๐) untuk setiap
Sifat rantai Markov secara umum adalah peluang kejadian saat ini hanya
dipengaruhi oleh kejadian tepat satu satuan waktu sebelumnya dan tidak
di-pengaruhi oleh kejadian di masa lampau.
Definisi 2.2.2
Rantai Markov dikatakan homogen waktu apabila peluang bersyarat tidak
bergantung pada n. Notasi ๐ซ๐๐ menyatakan peluang bahwa proses akan berada di keadaan j apabila diketahui sebelumnya berada di keadaan i. Rantai Mar-kov dapat direpresentasikan dalam matriks ๐ซ yang elemen-elemennya adalah
๐ซ๐๐ = โ(๐1 = ๐|๐0 = ๐) ๐ซ = ( ๐ซ11 ๐ซ12 ๐ซ21 ๐ซ22 โฆ ๐ซ1๐ โฏ ๐ซ2๐ โฎ โฎ ๐ซ๐1 ๐ซ๐2โฆ ๐ซโฑ ๐๐โฎ )
Matriks ini disebut matriks transisi peluang untuk rantai Markov.
Contoh 2.2.2
Rantai Markov yang mendeskripsikan perubahan cuaca, direpresentasikan
oleh matriks ๐ซ = ๐ ๐ โ ๐ ๐ โ( 0,2 0,6 0,2 0,1 0,8 0,1 0,1 0,6 0,3)
Notasi c=cerah, b=berawan, dan h=hujan. Keadaan cuaca hari ini hanya dipengaruhi oleh keadaan cuaca kemarin dan tidak dipengaruhi oleh cuaca
hari-hari sebelumnya.
(๐๐)๐โฅ0 = (๐0, ๐1, ๐2,โฆ ). Peluang transisi 1 langkah dari perubahan cuaca adalah โ(๐1 = ๐|๐0 = ๐) = 0,6.
Peluang transisi n-langkah Diberikan keadaan i dan j, ๐ โฅ 1
โ(๐๐ = ๐|๐0 = ๐) adalah peluang bahwa rantai Markov yang dimulai di i
akan berada di j setelah n langkah.
Matriks dengan elemen pada baris ke-i kolom ke-j adalah โ(๐๐ = ๐|๐0 = ๐) disebut matriks transisi n-langkah dari rantai Markov.
Persamaan Chapman-Kolmogorov
Persamaan Chapman-Kolmogorov digunakan untuk menghitung peluang
transisi ๐ + ๐ langkah, yakni untuk โ๐, ๐ โ โ0 = โ โช {0} berlaku ๐ซ๐+๐ = ๐ซ๐๐ซ. Dengan kata lain,
(๐ซ๐+๐)๐๐ = โ(๐ซ๐)๐๐ + (๐ซ๐)๐๐ , โ๐๐. Jadi, โ(๐๐+๐ = ๐|๐0 = ๐) = โ โ(๐๐ = ๐|๐0 = ๐)โ(๐๐ = ๐|๐0 = ๐) ๐ = โ โ(๐๐ = ๐|๐0 = ๐) ๐ โ(๐๐+๐= ๐|๐๐ = ๐). Definisi 2.2.3
Vektor ๐ = (๐1 ๐2 โฆ ๐๐) disebut vektor peluang jika โ๐๐=1๐๐ = 1. Contoh 2.2.3
Diberikan vektor peluang cuaca besok bila hari ini cerah,
๐ =๐๐๐๐โ ๐๐๐๐๐ค๐๐ โ๐ข๐๐๐
(12 0 12) ,
๐๐๐๐๐โ+ ๐๐๐๐๐๐ค๐๐+ ๐โ๐ข๐๐๐ =12 + 0 +12 = 1.
Definisi 2.2.4
Diberikan rantai Markov (๐๐)๐โฅ0= (๐0, ๐1,๐2,โฆ ).
1. โ(๐๐ = ๐) disebut distribusi rantai Markov pada waktu ke-n, 2. untuk ๐ = 0, โ(๐0 = ๐) disebut distribusi awal dari rantai Markov, 3. vektor peluang ๐ = (๐1 ๐2 โฆ ๐๐) disebut distribusi stasioner dari rantai Markov jika ๐ซ โ ๐ = ๐.
Peluang Rantai Markov
Diberikan rantai Markov (๐๐)๐โฅ0. Didefinisikan:
๐๐๐๐ adalah peluang bahwa rantai Markov yang dimiliki dari keadaan i akan kembali ke keadaan i untuk pertama kalinya tepat setelah n transisi.
๐๐ adalah peluang bahwa rantai Markov yang dimulai dari keadaan i akan kembali ke i setelah sejumlah hingga transisi.
Jadi ๐๐ = โ ๐๐๐๐
๐ .
Definisi 2.2.5
Diketahui rantai Markov (๐๐)๐โฅ0 dengan ruang keadaan ๐พ dan
๐๐๐๐ = (โ๐)๐๐ = โ(๐๐ = ๐|๐0 = ๐). Keadaan i dikatakan menyerap
C. Sifat-sifat dari Kalkulus
Di bagian ini akan diberikan beberapa sifat dari kalkulus yang akan
digunakan pada pembahasan selanjutnya.
Lemma 2.3.1 Untuk |๐ฅ| < 1 berlaku 1 โ โ1 โ ๐ฅ = โโ ๐๐๐ฅ๐ ๐=1 dengan ๐๐ = (2๐ โ 2) 22๐โ1๐! (๐ โ 1)! untuk ๐ โฅ 1. Bukti:
Pembuktian menggunakan deret MacLaurin untuk fungsi โ1 โ ๐ฅ. Ingat: ๐(๐ฅ) = โ๐(๐)(0) ๐! ๐ฅ๐ โ ๐=0 ๐(๐ฅ) = (1 โ ๐ฅ)12 , ๐(0) = 1 ๐โฒ(๐ฅ) = โ12(1 โ ๐ฅ)โ12 , ๐โฒ(0) = โ12 ๐โฒโฒ(๐ฅ) = โ14(1 โ ๐ฅ)โ32 , ๐โฒโฒ(0) = โ14 ๐โฒโฒโฒ(๐ฅ) = โ3 8(1 โ ๐ฅ)โ52 , ๐โฒโฒโฒ(0) = โ3 8 ๐(4)(๐ฅ) = โ1516(1 โ ๐ฅ)โ72 , ๐(4)(0) = โ1516 Jadi ๐(๐ฅ) = (1 โ ๐ฅ)12 = โ๐(๐)(0) ๐! ๐ฅ๐ โ ๐=0 = 1 โ12 ๐ฅ โ14 โ2! ๐ฅ1 2โ8 โ3 3! ๐ฅ1 3 โ1516 โ4! ๐ฅ1 4โ โฏ dan 1 โ โ1 โ ๐ฅ = 12 ๐ฅ +14 โ2! ๐ฅ1 2+8 โ3 3! ๐ฅ1 3+1516 โ4! ๐ฅ1 4 + โฏ.
Diperhatikan barisan koefisien 1 โ โ1 โ ๐ฅ yaitu 1 2 , 1 4 , 3 8 , 15 16 , โฆ, memiliki pola (2๐ โ 2)! 22๐โ1(๐ โ 1)!. Jadi, 1 โ โ1 โ ๐ฅ =12 ๐ฅ +14 โ2! ๐ฅ1 2 +8 โ3 3! ๐ฅ1 3+1516 โ4! ๐ฅ1 4+ โฏ = โ (2๐ โ 2)! 22๐โ1๐! (๐ โ 1)! ๐ฅ๐ โ ๐=1 = โ ๐๐๐ฅ๐ โ ๐=1 โ Teorema 2.3.2 (Teorema Nilai Ekstrem) Jika diberikan fungsi ๐: [๐, ๐] โ โ dengan sifat: 1. f terdiferensial di ๐ โ (๐, ๐), dan
2. c adalah pembuat maksimum atau minimum dari f, maka ๐โฒ(๐) = 0.
Bukti:
Akan dibuktikan maksimum lokal, yakni c adalah pembuat maksimum lokal dari f. Secara khusus, jika ๐ฅ โ [๐, ๐] dan |๐ฅ โ ๐| < ๐ฟ, maka ๐(๐ฅ) โ ๐(๐) โค 0. Diambil ๐ฅ > ๐ dengan ๐ฆ < ๐.
๐๐ =๐(๐ฅ) โ ๐(๐ฆ)๐ โ ๐ฆ โฅ 0
Ambil barisan (๐ฅ๐)๐โโ dan (๐ฆ๐)๐โโ dengan ๐ฅ๐ > ๐ dan ๐ฆ๐ > ๐ โ๐โโ sehingga ๐ฅ๐ โ ๐ dan ๐ฆ๐ โ ๐
Sebagai contoh: ๐ฅ๐ = ๐ +1๐
๐ฆ๐ = ๐ โ๐1 Karena f terdiferensial di c, maka
0 โฅ lim๐โโ๐(๐ฅ๐ฅ๐) โ ๐(๐)
๐โ ๐ = ๐โฒ(๐) = lim๐โโ๐(๐ฆ๐ฆ๐) โ ๐(๐)
๐โ ๐ โฅ 0
Jadi, 0 โค ๐โฒ(๐) โค 0, artinya ๐โ(๐) = 0. โ Teorema 2.3.3 (Teorema Rolle)
Misalkan f kontinu pada selang [๐, ๐] dan terdiferensialkan pada selang terbuka (๐, ๐). Jika ๐(๐) = ๐(๐), maka terdapat minimal satu bilangan c dalam (๐, ๐) sehingga ๐โ(๐) = 0.
Bukti:
Misalkan ๐(๐) = ๐ = ๐(๐).
Kasus 1. Misalkan ๐(๐ฅ) < ๐ untuk beberapa x dalam (๐, ๐). Berdasarkan Teorema 2.3.2, diketahui bahwa f memiliki nilai minimum pada c dalam selang tersebut. Lebih jauh, karena ๐(๐) < ๐, nilai minimum tidak terjadi pada kedua ujung selang. Sehingga, f memiliki nilai minimum dalam selang terbuka (๐, ๐). Hal ini mengakibatkan ๐(๐) merupakan nilai minimum lokal dan c merupakan pembuat minimum dari f. Sehingga, karena f terdiferensial pada c, dapat disimpulkan bahwa ๐โ(๐) = 0.
Kasus 2. Misalkan ๐(๐ฅ) > ๐ untuk beberapa x dalam (๐, ๐). Berdasarkan Teorema 2.3.2, diketahui bahwa f memiliki nilai maksimum pada c dalam selang tersebut. Selanjutnya, karena ๐(๐) > ๐, nilai maksimum ini tidak
terjadi pada kedua ujung selang. Sehingga, f memiliki nilai maksimum dalam selang buka (๐, ๐). Hal ini mengakibatkan ๐(๐) merupakan nilai maksimum lokal dan c merupakan pembuat maksimum dari f. Oleh karena itu, karena f terdiferensial pada c, dapat ditarik kesimpulan bahwa ๐โ(๐) = 0.
Kasus 3. Jika ๐(๐ฅ) = ๐ untuk semua x dalam [๐, ๐], maka f konstan pada selang tersebut dan ๐โ(๐ฅ) = 0 untuk semua x dalam (๐, ๐).โ
Lemma 2.3.4
Jika ๐: [๐, ๐] โ โ merupakan fungsi kontinu dan ๐(๐) < 0, ๐(๐) > 0, maka terdapat ๐ โ (๐, ๐) sehingga ๐(๐) = 0.
Teorema 2.3.5 (Teorema Nilai Antara)
Jika ๐: [๐, ๐] โ โ merupakan fungsi kontinu dan ๐ฆ โ โ dengan ๐(๐) < ๐ฆ < ๐(๐) atau ๐(๐) < ๐ฆ < ๐(๐), maka terdapat ๐ โ [๐, ๐] sehingga ๐(๐) = ๐ฆ. Bukti:
1. Jika ๐(๐) < ๐ฆ < ๐(๐), maka didefinisikan ๐(๐ฅ) โ ๐(๐ฅ) โ ๐ฆ jelas bahwa
๐: [๐, ๐] โ โ fungsi kontinu.
๐(๐) = ๐(๐) โ ๐ฆ < 0 dan ๐(๐) = ๐(๐) โ ๐ฆ > 0 menurut Lemma 2.3.4 terdapat ๐ โ (๐, ๐) sehingga
๐(๐) = 0 โบ ๐(๐) โ ๐ฆ = 0 โบ ๐(๐) = ๐ฆ.
2. Jika ๐(๐) < ๐ฆ < ๐(๐), maka didefinisikan โ(๐ฅ) โ ๐ฆ โ ๐(๐ฅ) jelas bahwa
โ: [๐, ๐] โ โ fungsi kontinu.
โ(๐) = ๐ฆ โ ๐(๐) < 0 dan h(๐) = ๐ฆ โ ๐(๐) > 0 menurut Lemma 2.3.4 terdapat ๐ โ (๐, ๐) sehingga
Teorema 2.3.6 (Teorema Nilai Rata-Rata)
Jika f kontinu pada selang tertutup [๐, ๐] dan terdiferensial pada selang terbuka (๐, ๐), maka ada suatu bilangan c dalam (๐, ๐) sedemikian sehingga
๐โฒ(๐) =๐(๐) โ ๐(๐)๐ โ ๐ . Bukti:
Didefinisikan ๐: [๐, ๐] โ โ sebagai ๐(๐ฅ): = ๐(๐ฅ) โ ๐(๐) โ โ(๐ฅ โ ๐) dengan โ =๐(๐)โ๐(๐)๐โ๐ . Dalam hal ini, g kontinu pada [๐, ๐] dan terdiferensial pada (๐, ๐). Diperoleh juga ๐(๐) = ๐(๐) โ ๐(๐) โ๐(๐)โ๐(๐)๐โ๐ (๐ โ ๐) = 0 dan
๐(๐) = ๐(๐) โ ๐(๐) โ๐(๐)โ๐(๐)๐โ๐ (๐ โ ๐) = 0 sehingga didapatkan ๐(๐) =
๐(๐). Jadi, menurut hipotesis dalam Teorema Rolle, haruslah terdapat suatu
titik c dalam (๐, ๐) sedemikian hingga ๐โ(๐) = 0. Karena ๐โฒ(๐) = ๐โ(๐) โ ๐(๐)โ๐(๐)
๐โ๐ , sehingga diperoleh ๐โ(๐) โ๐(๐)โ๐(๐)๐โ๐ = 0, dan didapatkan ๐โ(๐) = =๐(๐)โ๐(๐)๐โ๐ . โ
BAB III
PROSES PERCABANGAN BGW A. Definisi dan Sifat-sifat Dasar Proses Percabangan BGW
Proses percabangan (branching process) merupakan sebuah proses stokastik dalam waktu diskret yang dikenalkan oleh Bienaymรฉ, Galton dan
Watson sehingga dikenal juga dengan nama proses Bienaymรฉ-Galton-Watson
(BGW). Proses BGW banyak digunakan pada model pertumbuhan dan
peluruhan populasi. Populasi dapat berupa gen mutan, neutron pada reaksi
rantai nuklir, ataupun hewan dengan siklus kelahiran tahunan. Pertumbuhan
populasi disebabkan karena individu-individu di dalam populasi
menghasilkan keturunan. Banyaknya keturunan dari setiap individu berbeda
tetapi memiliki pola distribusi yang identik. Pola yang dimiliki yakni
percabangan. Pola distribusi yang identik dapat digunakan untuk menghitung
peluang dari sifat-sifat keturunan maupun proses secara keseluruhan.
Proses percabangan digunakan untuk mendeskripsikan evolusi terhadap
waktu diskret dari satu generasi ke generasi berikutnya dalam suatu populasi.
Terdapat beberapa asumsi dasar yang sudah disepakati dan digunakan dalam
proses BGW. Jumlah individu awal pada generasi pertama diberi notasi ๐0. Generasi awal diberi label 0 dan memiliki 1 anggota individu (ancestor). Hasil keturunan dari generasi pertama disebut generasi kedua, hasil keturunan
generasi kedua disebut generasi ketiga dan seterusnya. Banyak atau total
individu pada generasi ke-n dinotasikan dengan ๐๐, ๐ โฅ 0. Banyaknya keturunan dari setiap generasi populasi bersifat acak, dan mengikuti suatu
generation). Dalam proses percabangan BGW, ruang keadaan ๐ merupakan himpunan bilangan bulat tak negatif. Untuk setiap ๐ โฅ 0, ๐๐ merupakan peubah acak. Peubah acak Y yang berdistribusi (๐๐)๐โฅ0 mendeskripsikan banyaknya keturunan dari setiap anggota pada setiap generasi dari populasi
bersifat saling bebas atau independen. Jadi, untuk setiap individu pada setiap
generasi menghasilkan Y keturunan pada generasi berikutnya, dengan Y adalah peubah acak yang bernilai โ0 dengan distribusi peluang (๐๐)๐โฅ0. Dengan kata lain,
โ(๐ = ๐) = ๐๐, ๐ = 0, 1, โฆ
Sesuai dengan asumsi awal, banyak keturunan dari setiap individu akan
saling bebas menurut distribusi (๐๐)๐โฅ0. Proses percabangan BGW adalah sebuah rantai Markov dengan peluang transisi 1 langkah diberikan oleh
๐(๐, ๐) = โ(๐๐+1 = ๐|๐๐ = ๐).
Jadi, bilangan ๐(๐, ๐) adalah peluang bersyarat ๐๐+1 = ๐ bila diketahui ๐๐ = ๐. Sehingga mudah dilihat ๐(0, ๐) = 0, ๐ โฅ 1 dan ๐(0,0) = 1. Proses
percabangan BGW (๐๐)๐โฅ0mempunyai 0 sebagai keadaan menyerap. Perhatikan bahwa
๐(๐, ๐) = โ(๐๐+1 = ๐|๐๐ = ๐) = โ (โ ๐๐= ๐
๐ ๐=1
)
dengan (๐๐)1โค๐โค๐ adalah barisan dari distribusi peubah acak saling bebas identik dengan distribusi (๐๐)๐โฅ0. Hal tersebut menunjukkan bahwa distribusi dari ๐๐+1 dihitung hanya dengan menggunakan ๐๐. Dalam menghitung
distribusinya tidak diperlukan perhitungan mulai dari awal keturunan, hanya
diperlukan 1 keturunan sebelumnya. Sifat itu tidak lain adalah sifat Markov
dari proses percabangan BGW.
Untuk ๐๐ = ๐, dapat ditulis
๐๐+1 = โ ๐๐,๐= ๐
โ ๐=1
,
(๐๐,๐)1โค๐โค๐dengan indeks n digunakan untuk mengindikasikan barisan saling
bebas berbeda untuk setiap n. Notasi n pada ruas kiri dapat diabaikan untuk menghindari pengulangan indeks.
Menurut definisi nilai harapan peubah acak diskret diperoleh:
๐ผ(๐)=โ๐. โ(๐ = ๐),
๐ dalam proses BGW diperoleh juga
๐ = โ ๐. โ(๐ = ๐) โ ๐ = โ ๐. ๐๐ โ ๐ .
Jadi, nilai rata-rata banyaknya keturunan dalam proses BGW adalah
๐ = โ ๐. ๐๐
โ ๐=0 dengan ๐ โ [0, โ].
Selanjutnya akan dicari fungsi pembangkit momen dari distribusi keturunan.
Diberikan q adalah peluang proses BGW yang dimulai dengan 1 individu yang akan punah. Fungsi pembangkit momen dari distribusi keturunan:
๐(๐ ) = โ ๐๐. ๐ ๐ untuk |๐ | โค 1
โ ๐=0
Proses dikatakan bertahan (survive) jika terdapat setidaknya satu individu pada setiapgenerasi. Secara matematis, bertahan hidup ekivalen dengan
kondisi
{๐๐ โฅ 1, untuk semua n โฅ 0}.
Teorema 3.1.1
Misal (๐๐)๐โฅ0 adalah proses percabangan BGW dengan distribusi keturunan (๐๐)๐โฅ0. Diasumsikan ๐0+ ๐1 < 1.
1. Jika ๐ โค 1 , maka โ(๐๐ โฅ 1, โ๐ โฅ 0|๐0 = 1) = 0.
2. Jika ๐ > 1, maka terdapat ๐ โ [0,1), โ(๐๐ โฅ 1, โ๐ โฅ 0|๐0 = 1) = 1 โ
๐ > 0, dengan peluang kepunahan q adalah nilai tunggal di dalam [0,1)
yang memenuhi persamaan ๐(๐ ) = ๐ saat ๐ > 1. Bukti Teorema 3.1.1:
Dalam pembuktian teorema ini diperlukan beberapa sifat dari fungsi
pembangkit momen. Diingat kembali fungsi pembangkit momen dari peluang
๐(๐ ) = โ ๐๐๐ ๐. ๐โฅ0
Telah diketahui di awal bahwa fungsi pembangkit momen terdefinisi pada
(โ1,1). Fungsi f terdefinisi pada 1 dan hanya akan dilakukan perhitungan
dalam bilangan positif, sehingga domain dari f adalah [0,1]. Lemma 3.1.2
Misalkan (๐๐)๐โฅ0 barisan bilangan real positif dan ๐(๐ก) = โ๐โฅ0๐๐๐ก๐. Asumsikan g ada pada [0,1), maka ๐กโ1limโ๐(๐ก) = โ๐โฅ0๐๐.
Bukti:
Pembuktian dapat dillihat di buku Theoretical Probability for Applications, Proposisi A1.9 Appendix karya SC.Port. โ
Dari Lemma 3.1.2 ini didapat
lim
๐ โ1โ๐(๐ ) = โ ๐๐
๐โฅ0
= 1
dan ๐(1) = 1. Jadi, f merupakan fungsi kontinu di 1 dari kiri dan f kontinu
pada [0, 1]. Fungsi f juga terdiferensial pada (0, 1) dengan
๐โฒ(๐ ) = โ ๐๐๐๐ ๐โ1 ๐โฅ1 . Dari Lemma 3.1.2 lim ๐ โ1โ๐โฒ(๐ ) = โ ๐๐๐ ๐โฅ0 = ๐
Selanjutnya, kembali lagi pada proses BGW dan perhitungan fungsi
pembangkit momen dari ๐๐. Proposisi 3.1.3
Misalkan ๐1 = ๐ dan ๐๐+1 = ๐ โ ๐๐ untuk ๐ โฅ 1. Untuk ๐ โฅ 1, fungsi pembangkit momen dari ๐๐ dengan ๐0 = 1 adalah ๐๐.
Bukti: Akan dibuktikan menggunakan induksi matematis.
Misal ๐๐ adalah fungsi pembangkit momen ๐๐ dan diketahui ๐0 = 1. Telah dimiliki
๐1(๐ ) = ๐ผ(๐ ๐1|๐0 = 1) = ๐ผ(๐ ๐) = ๐(๐ ) = ๐1(๐ ),
untuk ๐ = 1 diasumsikan ๐๐ = ๐๐. Diberikan ๐๐ = ๐, distribusi ๐๐+1 sama dengan distribusi dari โ๐ ๐๐
๐=1 dimana ๐๐ berdistribusi (๐๐)๐โฅ0 maka ๐ผ(๐ ๐๐+1|๐๐ = ๐) = ๐ผ (๐ โ๐๐=1๐๐)
= ๐ผ(๐ ๐1)๐ผ(๐ ๐2) โฆ ๐ผ(๐ ๐๐) = (๐ผ(๐ ๐1))๐
= ๐(๐ )๐.
Menggunakan sifat Markov
๐๐+1 = ๐ผ(๐ ๐๐+1|๐0 = 1)
= โ ๐ผ(๐ ๐๐+1|๐๐ = ๐)โ(๐๐ = ๐|๐0 = 1)
โ ๐=0
= โ โ(๐๐ = ๐|๐0 = 1)๐(๐ )๐ โ
๐=0
= ๐๐(๐(๐ ))
Dengan demikian menggunakan hipotesis induksi dapat diperoleh, ๐๐+1=
๐๐โ ๐ = ๐๐โ ๐ = ๐๐+1.โ
Setelah mendapatkan Lemma 3.1.2 dan Proposisi 3.1.3, akan dibuktikan
Teorema 3.1.1 yang dibagi menjadi dua kasus.
๏ท Kasus ๐ < 1. Untuk perubah acak X yang bernilai di โ berlaku. ๐ผ(๐) = โ ๐โ(๐ = ๐)
๐โฅ0
โฅ โ โ(๐ = ๐) ๐โฅ1
= โ(๐ โฅ 1).
Sehingga โ(๐ โฅ 1) โค ๐ผ(๐), digunakan pertidaksamaan dan Proposisi 3.1.3 untuk mendapatkan
โ(๐๐ โฅ 1|๐0 = 1) โค ๐ผ(๐๐|๐0 = 1) = ๐๐.
Karena ๐ < 1
lim
๐โโโ(๐๐ โฅ 1|๐0 = 1) = 0
dan karena konvergensinya bersifat cepat secara eksponensial. Diingat juga,
karena 0 merupakan keadaan menyerap untuk (๐๐)๐โฅ0, maka barisan kejadian