PROSES PERCABANGAN BIENAYMÉ-GALTON-WATSON
DAN PENERAPANNYA DALAM BIOLOGI
Skripsi
Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Sains
Program Studi Matematika
Oleh : Vania Mitzi Dinata
NIM: 153114008
PROGRAM STUDI MATEMATIKA, JURUSAN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA YOGYAKARTA
BIENAYMÉ-GALTON-WATSON BRANCHING PROCESS
AND ITS APPLICATIONS IN BIOLOGY
Thesis
Presented as a Partial Fulfillment of the Requirements to Obtain the Degree of Sarjana Sains
in Mathematics
By :
Vania Mitzi Dinata NIM: 153114008
MATHEMATICS STUDY PROGRAM, DEPARTMENT OF MATHEMATICS FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY YOGYAKARTA
PERNYATAAN KEASLIAN KARYA
Saya menyatakan dengan sesungguhnya bahwa skripsi yang saya tulis ini
tidak memuat karya atau bagian orang lain, kecuali yang telah disebutkan dalam
kutipan atau daftar pustaka, sebagaimana layaknya karya ilmiah.
Yogyakarta, 23 Januari 2019
Penulis,
MOTTO
“Like wildflowers; you must allow yourself to grow in all the places people
never thought you would.”-E.V.
HALAMAN PERSEMBAHAN
Karya ini kupersembahkan untuk:
LEMBAR PERNYATAAN PERSETUJUAN
PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS
Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma:
Nama : Vania Mitzi Dinata Nomor Mahasiswa : 153114008
Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan Universitas Sanata Dharma karya ilmiah saya yang berjudul:
PROSES PERCABANGAN BIENAYMÉ-GALTON-WATSON DAN PENERAPANNYA DALAM BIOLOGI
beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan
kepada Perpustakaan Universitas Sanata Dharma hak untuk menyimpan,
mengalihkan dalam bentuk media lain, mengelolanya dalam bentuk pangkalan
data, mendistribusikan secara terbatas, dan mempublikasikannya di Internet atau
media lain untuk kepentingan akademis tanpa perlu meminta izin dari saya
maupun memberikan royalti kepada saya selama tetap mencantumkan nama saya
sebagai penulis.
Demikian pernyataan ini saya buat dengan sebenarnya.
Dibuat di Yogyakarta
Pada tanggal:23 Januari 2019
Yang menyatakan
KATA PENGANTAR
Ucapan Puji dan Syukur kepada Tuhan Yesus dan Bunda Maria yang dengan murah hati mencurahkan segala kebaikan-Nya melalui orang-orang sekitar dan dari setiap peristiwa yang penulis alami sehingga skripsi ini dapat selesai tepat waktu. Skripsi ini dibuat dengan tujuan memenuhi syarat untuk memperoleh gelar Sarjana Sains pada Program Studi Matematika, Fakultas Sains dan Teknologi, Univesitas Sanata Dharma.
Penulis menyadari bahwa penulis melibatkan banyak pihak yang bersedia membantu dalam menghadapi berbagai macam kesulitan, tantangan dan ham-batan. Oleh karena itu pada kesempatan ini penulis mengucapkan terima kasih kepada:
1. Bapak Dr. rer. nat. Herry P. Suryawan, S.Si., M.Si. selaku dosen pembimbing skripsi.
2. Bapak Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D., selaku Dekan Fakultas
Sains dan Teknologi dan selaku Dosen Pembimbing Akademik. 3. Bapak Hartono, S.Si., M.Sc., Ph.D., selaku Kaprodi Matematika.
4. Romo Prof. Dr. Frans Susilo, SJ., Bapak Ir. Ig. Aris Dwiamoko, M.Sc, dan Ibu M. V. Any Herawati, S.Si., M.Si., selaku dosen-dosen Prodi Matematika yang telah memberikan banyak pengetahuan kepada penulis selama proses perkuliahan.
5. Bapak/Ibu dosen/karyawan Fakultas Sains dan Teknologi yang telah berdinamika bersama selama penulis berkuliah.
6. Kedua orang tua, Adriel dan keluarga yang telah membantu serta men-dukung penulis selama proses pengerjaan skripsi.
7. Teman-teman Prodi Matematika Angkatan 2015, teman-teman MASDHA FM, serta teman-teman baik yang mendukung penulis dalam mengerjakan skripsi: Lawi, Dini, Selly, Nevi, Kak Ambar, Ce Monic, Kak Eka,Rani, Ayu, Arel, Gita, Rio, Anton, Dimas, Arga.
Semoga segala perhatian, dukungan, bantuan dan cinta yang telah diberikan mendapatkan balasan dari Tuhan Yesus Kristus. Penulis menyadari bahwa masih banyak kekurangan dalam penulisan skripsi ini. Oleh karena itu, penulis mengharapkan kritik yang membangun dan saran demi penyempurnaan skripsi ini. Harapan penulis, semoga skripsi ini bermanfaat bagi pembaca dan menjadi referensi belajar yang baik.
Yogyakarta, 23 Januari 2019 Penulis,
ABSTRAK
Proses stokastik percabangan Bienaymé-Galton-Watson (BGW) merupakan sebuah proses stokastik yang dikenalkan oleh Bienaymé, Galton, dan Watson. Proses BGW termasuk jenis rantai Markov waktu diskret. Proses BGW dapat diterapkan di dalam beberapa bidang, salah satunya yang dibahas di dalam skripsi ini adalah penerapan di dalam bidang biologi. Proses stokastik percabangan tepat digunakan dalam contoh kasus pembelahan patogen dan sel punca. Pembelahan patogen dalam proses penyembuhan memungkinkan muncul-nya patogen mutan yang kebal obat. Di lain pihak, dalam kasus pembelahan sel punca yang sudah rusak akan memungkinkan muncul penyakit kanker. Oleh karena itu, penulis membahas model matematika yang berhubungan dengan menghitung peluang dari kedua contoh permasalahan dalam bidang biologi tersebut. Pembahasan dari penerapan proses stokastik tersebut menggunakan asumsi yang diberikan diawal masing-masing kasus.
Model matematika dari proses percabangan dalam bidang biologi tersebut digunakan untuk menghitung peluang keadaan populasi di waktu yang akan datang. Pertama akan dihitung model pertumbuhan populasi menggunakan fungsi pembangkit momen serta distribusi peluang keturunan. Selanjutnya, dihitung juga peluang dari munculnya mutasi dari populasi awal. Setelah menyesuaikan dengan asumsi awal pada masing-masing kasus biologi, akan didapatkan model ma-tematika dari proses percabangan BGW.
ABSTRACT
The Bienaymé-Galton-Watson (BGW) branching stochastic process is a discrete time stochastic process that was introduced by Bienaymé, Galton, and Watson. The BGW process is a type of discrete Markov chain. The BGW branch-ing stochastic process can be applied in several subject, one of which is discussed in this paper is the application in biology. The branching stochastic process is used correctly in the case of pathogenic cleavage and stem cells. Cleavage of pathogens in the healing process allows the emergence of drug-resistant mutant pathogens. On the other hand, in the case of division of damaged stem cells it will allow cancer to appear. Therefore, the author discuss mathematical models related to calculating the opportunities of both examples of problems in biology. The dis-cussion of the application of the stochastic process uses the assumptions that giv-en at the beginning of each case.
The mathematical model of the branching process in biology is used to calculate the probability of future population conditions. First, the population growth model will be calculated using the generating function and the probability offspring distribution. Furthermore, the probability for the emergence of muta-tions from the initial population is also calculated. After adjusting to the initial assumptions in each case of biology, a mathematical model of the BGW branch-ing process will be obtained.
DAFTAR ISI
HALAMAN JUDUL ... i
HALAMAN PERSETUJUAN PEMBIMBING ... iii
HALAMAN PENGESAHAN ... iv
HALAMAN KEASLIAN KARYA ... v
MOTTO ... vi
HALAMAN PERSEMBAHAN ... vii
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI ... viii
KATA PENGANTAR ... ix
G. Sistematika Penulisan ... 4
BAB II TEORI PELUANG DAN PROSES STOKASTIK ... 6
A. Teori Peluang ... 6
B. Proses Stokastik ... 25
C. Sifat-sifat dari Kalkulus ... 29
BAB III PROSES PERCABANGAN BGW ... 34
A. Definisi dan Sifat-sifat Dasar Proses Percabangan BGW ... 34
B. Persamaan Total Distribusi Keturunan ... 50
D. Peluang Saat Total Keturunan Mencapai Tak Hingga ... 58
BAB IV PENERAPAN PROSES PERCABANGAN DALAM BIDANG BIOLOGI ... 63
A. Penerapan Pada Perhitungan Peluang Patogen yang Kebal Terhadap Obat 63 B. Penerapan Pada Perhitungan Peluang Munculnya Sel Kanker ... 77
BAB V KESIMPULAN DAN SARAN ... 85
A. Kesimpulan ... 85
B. Saran ... 86
PENDAHULUAN
Dalam bab ini akan dibahas tentang latar belakang, rumusan masalah, batasan
masa-lah, tujuan penulisan, manfaat penulisan, metode penulisan, dan sistematika penulisan.
A. Latar Belakang
Proses stokastik seringkali muncul di dalam masalah-masalah pada bidang biologi
dan fisika. Untuk menyelesaikan masalah-masalah yang melibatkan proses stokastik
diperlukan beberapa cabang matematika, di antaranya statistika, teori peluang, kalkulus,
dan analisis. Proses stokastik adalah koleksi dari peubah acak {𝑋𝑡(𝑠) ∶ 𝑡 ∈ 𝑇, 𝑠 ∈ 𝑆 },
dengan T adalah himpunan indeks waktu dan S adalah ruang sampel bersama dari peubah
acak. Untuk setiap t, 𝑋𝑡(𝑠) menyatakan satu peubah acak yang terdefinisi pada S. Untuk
setiap 𝑠 ∈ 𝑆, 𝑋𝑡(𝑠) berkorespondensi dengan fungsi yang terdefinisi pada T dan disebut
lintasan sampel atau realisasi dari proses stokastik.
Proses percabangan (branching process) merupakan sebuah proses stokastik waktu
diskret yang dikenalkan oleh Bienaymé, Galton, dan Watson sehingga dikenal juga
dengan nama proses Bienaymé-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 menyebabkan munculnya keturunan. Banyaknya keturunan dari
setiap individu berbeda tetapi memiliki pola distribusi peluang yang identik. Pola yang
dimiliki yakni efek percabangan. Pola distribusi peluang yang identik dapat digunakan
untuk menghitung peluang dari sifat-sifat keturunan maupun proses secara keseluruhan.
Pada tugas akhir ini, penerapan proses percabangan di bidang biologi akan
difokuskan pada perhitungan peluang munculnya gen kanker dalam suatu jaringan dan
kanker muncul karena keadaan hormon yang tidak normal dalam tubuh sehingga
merangsang sel punca yang rusak dalam tubuh sehingga tidak dapat dihancurkan. Sel
punca adalah sumber untuk sel-sel baru dan terus diproduksi oleh tubuh. Pada saat sel
punca membelah, mereka dapat memperbanyak diri sendiri atau menjadi jenis sel yang
baru. Tugas khusus dari sel punca adalah untuk berkembang menjadi sel-sel lain yang
lebih spesifik. Pada penderita kanker, ketidakteraturan hormon itu mengakibatkan sel-sel
punca yang rusak masih ada dan terus bertambah banyak. Pada patogen yang kebal obat,
patogen bertambah banyak dengan cara membelah diri. Populasi patogen terus
bertumbuh sehingga memiliki kemungkinan munculnya patogen yang kebal terhadap
obat selama proses penyembuhan. Kedua kasus biologi tersebut memiliki kemiripan
yaitu berkembang biak dengan membelah diri dan perkembangbiakan individu satu
dengan lain tidak saling memengaruhi (independent). Dengan memperhatikan hal-hal
tersebut, proses percabangan BGW cukup tepat untuk mempelajari kedua masalah dalam
bidang biologi itu.
Sebagai contoh, dengan menggunakan proses percabangan BGW dapat dilakukan
perhitungan peluang saat satu gen mutasi mulai muncul di tengah-tengah populasi.
Dalam menghitung peluang mutasi yang digunakan dalam proses percabangan, perlu
ditentukan dulu persamaan dan distribusi total keturunan secara umum dan khusus.
Topik yang akan dibahas pada skripsi ini adalah teori dasar proses percabangan BGW
dan penerapannya pada masalah perhitungan peluang munculnya mutasi penyebab
penyakit kanker dan patogen yang kebal terhadap obat. Menggunakan proses
percabangan BGW akan didapatkan model sederhana untuk masalah peluang risiko
penyakit kanker yang muncul dan peluang imbas munculnya patogen yang kebal obat
di masa depan.
B. Rumusan Masalah
Perumusan masalah yang akan dibicarakan pada tugas akhir ini adalah:
1. Bagaimana definisi dan sifat-sifat dasar proses percabangan BGW?
2. Bagaimana penerapan proses percabangan BGW dalam mempelajari (memodelkan
dan menganalisis) dua masalah dalam bidang biologi yaitu masalah penyebab
munculnya patogen yang kebal obat selama proses pengobatan dan risiko munculnya
gen kanker?
C. Batasan Masalah
Tugas akhir ini dibatasi pada masalah-masalah sebagai berikut:
1. Proses stokastik yang dibahas ialah proses percabangan BGW dengan waktu diskret.
2. Model yang digunakan adalah model sederhana dari proses percabangan BGW
dengan dua parameter.
3. Kasus dalam bidang biologi difokuskan pada munculnya mutasi gen penyebab
penyakit kanker dan patogen yang kebal terhadap obat.
D. Tujuan Penulisan
Tujuan dari penulisan tugas akhir ini untuk mengetahui, mempelajari teori dasar dan
penerapan proses percabangan BGW dalam masalah biologi. Tugas akhir ini akan
difokuskan pada penerapan proses percabangan BGW dalam mencari model matematika
sederhana dalam masalah risiko munculnya sel kanker dan munculnya patogen yang
kebal obat selama proses pengobatan. Model tersebut dapat digunakan dalam
E. Manfaat Penulisan
Manfaat dari penulisan tugas akhir ini adalah dapat mempelajari penerapan proses
percabangan dalam masalah di bidang biologi, mendapatkan model sederhana pada
masalah peluang risiko penyakit kanker yang muncul dan peluang imbas munculnya
patogen yang kebal obat selama pengobatan menggunakan proses percabangan. Selain
itu juga dapat diperkirakan perilaku populasi berdasarkan perhitungan peluang dari
model proses BGW.
F. Metode Penulisan
Metode penulisan yang digunakan dalam tugas akhir ini merupakan metode studi
pustaka, yakni dengan membaca dan mempelajari buku-buku dan jurnal-jurnal yang
berkaitan dengan proses percabangan dan penerapannya dalam bidang biologi.
G. Sistematika Penulisan
BAB II TEORI PELUANG DAN PROSES STOKASTIK
A. Teori Peluang
B. Proses Stokastik
C. Sifat-sifat dari Kalkulus
B. Persamaan Total Distribusi Keturunan
C. Peluang Muncul Mutasi
D. Peluang Saat Total Keturunan Mencapai Tak Hingga
BAB IV PENERAPAN PROSES PERCABANGAN DALAM BIDANG BIOLOGI
A. Penerapan Pada Perhitungan Peluang Patogen yang Kebal Terhadap Obat
B. Penerapan Pada Perhitungan Peluang Munculnya Sel Kanker
BAB V PENUTUP
A. Kesimpulan
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 𝑆 = {𝑙, 𝑝}, 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 𝐸 = {𝑝} 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
𝐸 ∪ 𝐹 memuat semua hasil yang ada di E atau di F atau di E dan F.
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 𝐸 ∩ 𝐹 =
Definisi 2.1.7
Untuk setiap kejadian E, didefinisikan kejadian baru 𝐸𝑐 yang memuat semua
hasil dalam ruang sampel S yang tidak berada di E. Kejadian 𝐸𝑐 akan muncul
jika dan hanya jika E tidak muncul. Kejadian 𝐸𝑐 disebut komplemen dari
ke-jadian E.
Contoh 2.1.7
Dilakukan percobaan pelemparan dua buah dadu sebanyak satu kali. Jika ke-jadian 𝐸 = {(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)}, maka 𝐸𝑐 akan muncul saat jumlahan dadu tidak sama dengan 7.
Definisi 2.1.8
Kejadian E dan F dikatakan saling asing apabila memenuhi
𝐸 ∩ 𝐹 = ∅.
Peluang adalah sebuah fungsi dari ruang sampel S ke ℝ yang memenuhi tiga
sifat di bawah ini:
1. ℙ(𝐴) ∈ [0,1] ∀𝐴 ⊆ 𝑆
2. ℙ(𝑆) = 1, dan
3. untuk barisan berhingga atau tak hingga yang saling asing 𝐴𝑖 di dalam S
berlaku
ℙ (⋃ 𝐴𝑖
𝑖
) = ∑ ℙ(𝐴𝑖),
Karena |𝑆| = 𝑛 dan telah diketahui ∀𝐴 ⊆ 𝑆, peluang suatu kejadian A dapat
dihitung yaitu:
ℙ(𝐴) = |𝐴||𝑆|.
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
ℙ(𝐸|𝐹) =ℙ(𝐸 ∩ 𝐹)ℙ(𝐹) , ℙ(𝐹) ≠ 0.
Definisi 2.1.11
Kejadian E dan F dikatakan saling bebas (independent) jika diketahui
ℙ(𝐸|𝐹) = ℙ(𝐸).
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; 𝑆 = {𝐴𝐴, 𝐴𝐺, 𝐺𝐴, 𝐺𝐺}, ℙ(𝑀) =1
Aturan Bayes merupakan perluasan dari peluang bersyarat.
Teorema 2.1.12 (Aturan Bayes)
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
Teorema 2.1.13 (Hukum Peluang Total)
(1) 𝐹𝑖 ∩ 𝐹𝑗 = ∅, untuk 𝑖 ≠ 𝑗
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
Pada satu kali pelemparan sekeping koin setimbang, X bernilai 0 saat
X bernilai 1 dan X bernilai 0 masing-masing adalah 1
2. Tiga koin setimbang dilempar dan menghasilkan 8 kemungkinan yaitu {𝐴𝐴𝐴, 𝐴𝐴𝐺, 𝐴𝐺𝐴, 𝐺𝐴𝐴,
𝐺𝐺𝐴, 𝐺𝐴𝐺, 𝐴𝐺𝐺, 𝐺𝐺𝐺|𝐴 = sisi angka, 𝐺 = sisi gambar}, sehingga peluang
Distribusi dari peubah acak X adalah himpunan nilai-nilai dari X beserta
pelu-angnya. Distribusi peubah acak diskret ditentukan oleh fungsi masa peluang
(fmp).
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 𝑌 = 𝑦 dan 𝑦 ∈
{0,1,2}; X= banyak bola merah yang terambil.
ℙ(𝑌 = 𝑦|𝑋 = 1) =ℙ(𝑌 = 𝑦, 𝑋 = 1)ℙ(𝑋 = 1) =
Nilai harapan peubah acak diskret X, dilambangkan dengan 𝔼(𝑋),
didefinisi-kan sebagai jumlah hasil kali nilai peubah acak dengan masing-masing
pelu-angnya:
𝔼(𝑋) = ∑ 𝑥ℙ(𝑋 = 𝑥). ∀𝑥
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
𝔼(𝑋) = 100 ∙ 0,6 = 60.
Definisi 2.1.17
Nilai harapan bersyarat dari peubah acak Y apabila diberikan 𝑋 = 𝑥 adalah
𝔼(𝑌|𝑋 = 𝑥) = ∑ 𝑦ℙ(𝑌 = 𝑦|𝑋 = 𝑥) ∀𝑦
.
Beberapa sifat nilai harapan bersyarat:
𝔼(𝑎𝑌 + 𝑏𝑍|𝑋 = 𝑥) = 𝑎𝔼(𝑌|𝑋 = 𝑥) + 𝑏𝔼(𝑍|𝑋 = 𝑥)
Jika X dan Y dua peubah acak yang mempunyai distribusi bersama, maka
𝔼(𝑌) = ∑ 𝔼(𝑌|𝑋 = 𝑥)ℙ(𝑋 = 𝑥) 𝑋
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 𝐴𝐴, 𝐴𝐺, 𝐺𝐴, 𝐺𝐺 dan seterusnya sehingga didapatkanS = {𝐴, 𝐺, 𝐴𝐴, 𝐴𝐺,
𝐺𝐴, 𝐺𝐺, 𝐴𝐴𝐴, 𝐴𝐺𝐴, 𝐴𝐴𝐺, … }. Andaikan S dipartisi menjadi 3 partisi: S1 =
{lambungan 1: A}; S2 = {lambungan 1 dan 2: GA};
𝑆3 = {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
𝔼(𝑌) = 𝔼(𝑌|S1)ℙ(𝑆) + 𝔼(𝑌|𝑆2)ℙ(𝑆) + 𝔼(𝑌|S3)ℙ(𝑆3)
karena pelambungan bersifat saling bebas, berlaku
𝔼(𝑌|S1) = 1 + 𝔼(𝑌), 𝔼(𝑌|S2) = 2 + 𝔼(𝑌)
dan
𝔼(𝑌) = (1 + 𝔼(𝑌))12 + (2 + 𝔼(𝑌))14 + 2 ∙14
4𝔼(𝑌) = 2 + 2𝔼(𝑌) + 2 + 𝔼(𝑌) + 2
𝔼(𝑌) = 6.
Definisi 2.1.19
Misal X adalah suatu peubah acak dengan 𝔼(𝑋) = 𝑈. Variansi peubah X,
𝑉𝑎𝑟(𝑋) = 𝔼[(𝑋 − 𝑈)2] = ∑(𝑥
𝑖 − 𝑈)2ℙ(𝑥𝑖). 𝑡
𝑖=1
Variansi peubah X merupakan rata-rata nilai harapan dari deviasi kuadrat.
Teorema 2.1.20
banyaknya pesanan yang diharapkan dan variansinya, dengan diketahui data
sebagai berikut.
X 0 1 2 3
ℙ (X) 0,125 0,375 0,375 0,125
Dihitung terlebih dahulu nilai harapan dari kasus diatas
+(2 − 1,5)2∙ 0,375 + (3 − 1,5)2 ∙ 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
𝑔𝑋(𝑠) = 𝔼(𝑠𝑥) = ∑ 𝑠𝑛ℙ(𝑋 = 𝑛)
di mana persamaan terakhir didapatkan dari X dan Y yang saling bebas.
Proposisi 2.1.23
Misalkan X dan Y adalah peubah acak dengan fungsi pembangkit momen 𝑔𝑋
dan 𝑔𝑌. Diasumsikan |𝑠| < 1
Jika 𝑔𝑋(𝑠) = 𝑔𝑌(𝑠) maka X dan Y memiliki distribusi yang sama.
Berikut akan dijelaskan beberapa contoh peubah acak diskret yang akan
sering digunakan.
Dipandang n peubah acak Bernoulli yang saling bebas dan berdistribusi
identik 𝑋1, 𝑋2, … , 𝑋𝑛. Diberikan p adalah peluang kesuksesan. Untuk 𝑖 = 1, … , 𝑛
ℙ(𝑋𝑖 = 1) = 𝑝.
Apabila B adalah peubah acak yang memberikan jumlah sukses dengan n
𝐵 = 𝑋1+ 𝑋2+ ⋯ + 𝑋𝑛.
Peubah acak B dikatakan mempunyai distribusi Binomial dengan
parame-ter n dan p yang dapat dibuktikan dengan Proposisi 2.2.23 fungsi
masing-masing kemungkinan saling bebas. Jadi, untuk k=0,1,…,n berlaku
distribusi binomial ℙ(𝐵 = 𝑘) = (𝑛𝑘)𝑝𝑘(1 − 𝑝)𝑛−𝑘.
Nilai harapan dari distribusi Binomial adalah
𝔼(𝐵) = 𝔼(𝑋1+ 𝑋2+ ⋯ + 𝑋𝑛) = 𝔼(𝑋1) + 𝔼(𝑋2) + ⋯ + 𝔼(𝑋𝑛) = 𝑛𝑝.
∑ 𝑘𝑥𝑘−1= 1
(1 − 𝑥)2.
𝑘≥1
Penerapan rumus tersebut mendapatkan nilai harapan
𝔼(𝑋) = ∑ 𝑘𝑞𝑘−1𝑝 = 𝑝 1
Variansi dari distribusi Geometri adalah
𝑉𝑎𝑟(𝑋) = 𝔼(𝑋2) − [𝔼(𝑋)]2 =1 + 𝑞
Peubah acak N dikatakan mempunyai distribusi Poisson dengan parameter
𝜆 jika
ℙ(𝑁 = 𝑘) = 𝑒−𝜆𝜆𝑘
𝑘! untuk 𝑘 = 0,1, … ,
dan 𝜆 merupakan parameter dari N.
Selanjutnya dihitung nilai harapan dari peubah acak Poisson N dengan
Perluasan dari Distribusi Poisson
Diasumsikan N memiliki distribusi Poisson dengan parameter 𝜆. Jika 𝑁 = 0 maka 𝑁1 = 0. Misalkan 𝑛 ≥ 1, dan diberikan 𝑁1 adalah binomial
dengan parameter n dan p. Dengan demikian, dapat ditulis jumlahan
𝑁𝑖 = ∑ 𝑋𝑖
𝑛
𝑖=1
yang merupakan peubah acak Bernoulli dengan distribusi ℙ(𝑋𝑖 = 1) = 𝑝
dan ℙ(𝑋𝑖 = 0) = 1 − 𝑝.
Diasumsikan N memiliki distribusi Poisson dengan parameter 𝜆.
ℙ(𝑁1 = 𝑘|𝑁 = 𝑛) = (𝑛𝑘)𝑝𝑘(1 − 𝑝)𝑛−𝑘.
Didapatkan fungsi pembangkit momen dari 𝑁1
𝑔𝑁1(𝑠) = 𝔼(𝑠𝑁1) = ∑ 𝔼(𝑠𝑁1|𝑁 = 𝑛)ℙ(𝑁 = 𝑛),
digunakan nilai rata-rata untuk nilai harapan. Distribusi peubah acak
Binomial adalah jumlahan dari peubah acak Bernoulli yang saling bebas.
Sehingga
Terbukti bahwa parameter distribusi Poisson dari N adalah𝜆. Hal tersebut
menunjukkan juga bahwa fpm menyederhanakan perhitungan.
Sehingga 𝑁1 dan 𝑁2 saling bebas untuk setiap k
Digunakan distribusi Poisson 𝑁1 dan 𝑁2untuk mendapatkan
ℙ(𝑁 = 𝑛) = ∑ 𝑒−𝜆1𝜆1𝑘
Dengan menggunakan pembagian dan perkalian 𝑛! didapatkan
ℙ(𝑁 = 𝑛) =𝑛! 𝑒1 −𝜆1−𝜆2
∑ (𝑛𝑘)𝜆1𝑘𝜆1𝑛−𝑘 =𝑛! 𝑒1 −𝜆1−𝜆2 𝑛
𝑘=0
(𝜆1+ 𝜆2)𝑛,
di mana persamaan terakhir menggunakan teorema Binomial. Persamaan
di atas menunjukkan 𝑁 = 𝑁1+ 𝑁2 adalah distribusi Poisson, dengan
parameter 𝜆1+ 𝜆2.
Diasumsikan X dan Y adalah peubah acak Poisson yang saling bebas
dengan nilai 𝜆 dan µ.
Dengan menggunakan fungsi pembangkit momen dari X diperoleh.
𝑔𝑋(𝑠) = ∑ 𝑠𝑘𝑒−𝜆𝜆
𝑘
𝑘! = 𝑒𝜆(𝑠−1).
𝑘≥0
Menggunakan Proposisi 2.2.22 didapatkan
𝑔𝑋+𝑌(𝑠) = 𝑔𝑋(𝑠)𝑔𝑌(𝑠) = 𝑒𝜆(𝑠−1)𝑒𝜇(𝑠−1) = 𝑒(𝜆+𝜇)(𝑠−1).
Fungsi pembangkit momen dari distribusi Poisson dengan parameter 𝜆 + 𝜇. Sehingga dapat disimpulkan distribusi dari 𝑋 + 𝑌 adalah distribusi
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 {𝑋𝑡(𝑠) ∶ 𝑡 ∈ 𝑇, 𝑠 ∈ 𝑆 },
dimana T adalah himpunan indeks waktu dan S adalah ruang sampel bersama
dari peubah acak. Untuk setiap t, 𝑋𝑡(𝑠) menyatakan satu peubah acak yang
terdefinisi pada S.
Untuk setiap 𝑠 ∈ 𝑆, 𝑋𝑡(𝑠) 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 (𝑋𝑡)𝑡∈𝑇 disebut proses
stokastik waktu diskret.
2. Jika T adalah himpunan kontinu (tak terhitung) maka (𝑋𝑡)𝑡∈𝑇 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 (𝑋𝑛)𝑛≥0 =
(𝑋0, 𝑋1, 𝑋2, … ) dengan nilai di dalam 𝐾 sehingga berlaku ℙ(𝑋𝑛+1 = 𝑗|𝑋0 =
𝑥0, 𝑋1 = 𝑥1, … , 𝑋𝑛−1 = 𝑥𝑛−1, 𝑋𝑛 = 𝑥𝑛) = ℙ(𝑋𝑛+1= 𝑗|𝑋𝑛 = 𝑖) 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 𝒫𝑖𝑗 menyatakan peluang bahwa proses akan berada
di keadaan j apabila diketahui sebelumnya berada di keadaan i. Rantai
Mar-kov dapat direpresentasikan dalam matriks 𝒫 yang elemen-elemennya adalah
𝒫𝑖𝑗 = ℙ(𝑋1 = 𝑗|𝑋0 = 𝑖)
Matriks ini disebut matriks transisi peluang untuk rantai Markov.
Contoh 2.2.2
Rantai Markov yang mendeskripsikan perubahan cuaca, direpresentasikan
oleh matriks
dipengaruhi oleh keadaan cuaca kemarin dan tidak dipengaruhi oleh cuaca
hari-hari sebelumnya.
(𝑋𝑛)𝑛≥0 = (𝑋0, 𝑋1, 𝑋2,… ). Peluang transisi 1 langkah dari perubahan cuaca
Peluang transisi n-langkah
Diberikan keadaan i dan j, 𝑛 ≥ 1
ℙ(𝑋𝑛 = 𝑗|𝑋0 = 𝑖) 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 ℙ(𝑋𝑛 = 𝑗|𝑋0 = 𝑖)
disebut matriks transisi n-langkah dari rantai Markov.
Persamaan Chapman-Kolmogorov
Persamaan Chapman-Kolmogorov digunakan untuk menghitung peluang
transisi 𝑛 + 𝑚 langkah, yakni untuk ∀𝑚, 𝑛 ∈ ℕ0 = ℕ ∪ {0}
Diberikan vektor peluang cuaca besok bila hari ini cerah,
𝕊 =𝑐𝑒𝑟𝑎ℎ 𝑏𝑒𝑟𝑎𝑤𝑎𝑛 ℎ𝑢𝑗𝑎𝑛
(12 0 12) ,
𝕊𝑐𝑒𝑟𝑎ℎ+ 𝕊𝑏𝑒𝑟𝑎𝑤𝑎𝑛+ 𝕊ℎ𝑢𝑗𝑎𝑛 =12 + 0 +12 = 1.
Definisi 2.2.4
Diberikan rantai Markov (𝑋𝑛)𝑛≥0= (𝑋0, 𝑋1,𝑋2,… ).
1. ℙ(𝑋𝑛 = 𝑗) disebut distribusi rantai Markov pada waktu ke-n,
2. untuk 𝑛 = 0, ℙ(𝑋0 = 𝑗) disebut distribusi awal dari rantai Markov,
3. vektor peluang 𝕊 = (𝕊1 𝕊2 … 𝕊𝑛) disebut distribusi stasioner dari rantai
Markov jika 𝒫 ∙ 𝕊 = 𝕊. Peluang Rantai Markov
Diberikan rantai Markov (𝑋𝑛)𝑛≥0.
Didefinisikan:
𝑓𝑖𝑖𝑛 adalah peluang bahwa rantai Markov yang dimiliki dari keadaan i akan
kembali ke keadaan i untuk pertama kalinya tepat setelah n transisi.
𝑓𝑖 adalah peluang bahwa rantai Markov yang dimulai dari keadaan i akan
kembali ke i setelah sejumlah hingga transisi.
Jadi 𝑓𝑖 = ∑ 𝑓𝑛 𝑖𝑖𝑛. Definisi 2.2.5
Diketahui rantai Markov (𝑋𝑛)𝑛≥0 dengan ruang keadaan 𝐾 dan 𝑝𝑖𝑗𝑛 = (ℙ𝑛)
𝑖𝑗 = ℙ(𝑋𝑛 = 𝑗|𝑋0 = 𝑖). Keadaan i dikatakan menyerap
C. Sifat-sifat dari Kalkulus
Diperhatikan barisan koefisien 1 − √1 − 𝑥 yaitu
Teorema 2.3.2 (Teorema Nilai Ekstrem)
Jika diberikan fungsi 𝑓: [𝑎, 𝑏] → ℝ dengan sifat:
1. f terdiferensial di 𝑐 ∈ (𝑎, 𝑏), dan
2. c adalah pembuat maksimum atau minimum dari f,
Ambil barisan (𝑥𝑛)𝑛∈ℕ dan (𝑦𝑛)𝑛∈ℕ dengan 𝑥𝑛 > 𝑐 dan 𝑦𝑛 > 𝑐 ∀𝑛∈ℕ
pada kedua ujung selang. Sehingga, f memiliki nilai minimum dalam selang
terbuka (𝑎, 𝑏). Hal ini mengakibatkan 𝑓(𝑐) merupakan nilai minimum lokal
dan c merupakan pembuat minimum dari f. Sehingga, karena f terdiferensial
pada c, dapat disimpulkan bahwa 𝑓’(𝑐) = 0.
Kasus 2. Misalkan 𝑓(𝑥) > 𝑑 untuk beberapa x dalam (𝑎, 𝑏). Berdasarkan
Teorema 2.3.2, diketahui bahwa f memiliki nilai maksimum pada c dalam
terjadi pada kedua ujung selang. Sehingga, f memiliki nilai maksimum dalam
selang buka (𝑎, 𝑏). Hal ini mengakibatkan 𝑓(𝑐) merupakan nilai maksimum
lokal dan c merupakan pembuat maksimum dari f. Oleh karena itu, karena f
terdiferensial pada c, dapat ditarik kesimpulan bahwa 𝑓’(𝑐) = 0.
Kasus 3. Jika 𝑓(𝑥) = 𝑑 untuk semua x dalam [𝑎, 𝑏], maka f konstan pada
selang tersebut dan 𝑓’(𝑥) = 0 untuk semua x dalam (𝑎, 𝑏).∎ Lemma 2.3.4
Jika 𝑓: [𝑎, 𝑏] → ℝ merupakan fungsi kontinu dan 𝑓(𝑎) < 0, 𝑓(𝑏) > 0, maka
terdapat 𝑐 ∈ (𝑎, 𝑏) sehingga 𝑓(𝑐) = 0. Teorema 2.3.5 (Teorema Nilai Antara)
Jika 𝑓: [𝑎, 𝑏] → ℝ merupakan fungsi kontinu dan 𝑦 ∈ ℝ dengan 𝑓(𝑎) < 𝑦 < 𝑓(𝑏) atau 𝑓(𝑏) < 𝑦 < 𝑓(𝑎), maka terdapat 𝑐 ∈ [𝑎, 𝑏] sehingga 𝑓(𝑐) = 𝑦.
Bukti:
1. Jika 𝑓(𝑎) < 𝑦 < 𝑓(𝑏), maka didefinisikan 𝑔(𝑥) ≔ 𝑓(𝑥) − 𝑦 jelas bahwa
𝑔: [𝑎, 𝑏] → ℝ fungsi kontinu.
𝑔(𝑎) = 𝑓(𝑎) − 𝑦 < 0 dan 𝑔(𝑏) = 𝑓(𝑏) − 𝑦 > 0
menurut Lemma 2.3.4 terdapat 𝑐 ∈ (𝑎, 𝑏) sehingga
𝑔(𝑐) = 0 ⟺ 𝑓(𝑐) − 𝑦 = 0 ⟺ 𝑓(𝑐) = 𝑦.
2. Jika 𝑓(𝑏) < 𝑦 < 𝑓(𝑎), maka didefinisikan ℎ(𝑥) ≔ 𝑦 − 𝑓(𝑥) jelas bahwa
ℎ: [𝑎, 𝑏] → ℝ fungsi kontinu.
ℎ(𝑎) = 𝑦 − 𝑓(𝑎) < 0 dan h(𝑏) = 𝑦 − 𝑓(𝑏) > 0
menurut Lemma 2.3.4 terdapat 𝑐 ∈ (𝑎, 𝑏) sehingga
Teorema 2.3.6 (Teorema Nilai Rata-Rata)
Jika f kontinu pada selang tertutup [𝑎, 𝑏] dan terdiferensial pada selang
terbuka (𝑎, 𝑏), maka ada suatu bilangan c dalam (𝑎, 𝑏) sedemikian sehingga
𝑓′(𝑐) =𝑓(𝑏) − 𝑓(𝑎)
𝑏 − 𝑎 .
Bukti:
Didefinisikan 𝑔: [𝑎, 𝑏] → ℝ sebagai 𝑔(𝑥): = 𝑓(𝑥) − 𝑓(𝑏) − ℎ(𝑥 − 𝑏)
dengan ℎ =𝑓(𝑏)−𝑓(𝑎)
𝑏−𝑎 . Dalam hal ini, g kontinu pada [𝑎, 𝑏] dan terdiferensial
pada (𝑎, 𝑏). Diperoleh juga 𝑔(𝑎) = 𝑓(𝑎) − 𝑓(𝑏) −𝑓(𝑏)−𝑓(𝑎)
𝑏−𝑎 (𝑎 − 𝑏) = 0 dan
𝑔(𝑏) = 𝑓(𝑏) − 𝑓(𝑏) −𝑓(𝑏)−𝑓(𝑎)𝑏−𝑎 (𝑏 − 𝑏) = 0 sehingga didapatkan 𝑔(𝑎) =
𝑔(𝑏). Jadi, menurut hipotesis dalam Teorema Rolle, haruslah terdapat suatu
titik c dalam (𝑎, 𝑏) sedemikian hingga 𝑔’(𝑐) = 0. Karena 𝑔′(𝑐) = 𝑓’(𝑐) − 𝑓(𝑏)−𝑓(𝑎)
𝑏−𝑎 , sehingga diperoleh 𝑓’(𝑐) −
𝑓(𝑏)−𝑓(𝑎)
𝑏−𝑎 = 0, dan didapatkan 𝑓’(𝑐) =
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 Bienaymé, Galton dan
Watson sehingga dikenal juga dengan nama proses Bienaymé-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 𝑍0.
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 𝑍𝑛, 𝑛 ≥ 0. Banyaknya
keturunan dari setiap generasi populasi bersifat acak, dan mengikuti suatu
generation). Dalam proses percabangan BGW, ruang keadaan 𝕊 merupakan
himpunan bilangan bulat tak negatif. Untuk setiap 𝑛 ≥ 0, 𝑍𝑛 merupakan
peubah acak. Peubah acak Y yang berdistribusi (𝑝𝑘)𝑘≥0 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 ℕ0 dengan distribusi peluang (𝑝𝑘)𝑘≥0.
Dengan kata lain,
ℙ(𝑌 = 𝑘) = 𝑝𝑘, 𝑘 = 0, 1, …
Sesuai dengan asumsi awal, banyak keturunan dari setiap individu akan
saling bebas menurut distribusi (𝑝𝑘)𝑘≥0. Proses percabangan BGW adalah
sebuah rantai Markov dengan peluang transisi 1 langkah diberikan oleh
𝑝(𝑖, 𝑗) = ℙ(𝑍𝑛+1 = 𝑗|𝑍𝑛 = 𝑖).
Jadi, bilangan 𝑝(𝑖, 𝑗) adalah peluang bersyarat 𝑍𝑛+1 = 𝑗 bila diketahui 𝑍𝑛 = 𝑖. Sehingga mudah dilihat 𝑝(0, 𝑖) = 0, 𝑖 ≥ 1 dan 𝑝(0,0) = 1. Proses
percabangan BGW (𝑍𝑛)𝑛≥0mempunyai 0 sebagai keadaan menyerap.
Perhatikan bahwa
identik dengan distribusi (𝑝𝑘)𝑘≥0. Hal tersebut menunjukkan bahwa distribusi
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 𝑍𝑛 = 𝑖, dapat ditulis
𝑍𝑛+1 = ∑ 𝑌𝑘,𝑛= 𝑗
∞
𝑘=1
,
(𝑌𝑘,𝑛)1≤𝑘≤𝑖dengan 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:
𝔼(𝑋)=∑𝑘. ℙ(𝑋 = 𝑘),
𝑘
dalam proses BGW diperoleh juga
𝑚 = ∑ 𝑘. ℙ(𝑋 = 𝑘)
Jadi, nilai rata-rata banyaknya keturunan dalam proses BGW adalah
𝑚 = ∑ 𝑘. 𝑝𝑘
∞
𝑘=0
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:
𝑓(𝑠) = ∑ 𝑝𝑘. 𝑠𝑘 untuk |𝑠| ≤ 1
∞
𝑘=0
Proses dikatakan bertahan (survive) jika terdapat setidaknya satu individu
pada setiapgenerasi. Secara matematis, bertahan hidup ekivalen dengan
kondisi
{𝑍𝑛 ≥ 1, untuk semua n ≥ 0}.
Teorema 3.1.1
Misal (𝑍𝑛)𝑛≥0 adalah proses percabangan BGW dengan distribusi keturunan (𝑝𝑘)𝑘≥0. Diasumsikan 𝑝0+ 𝑝1 < 1.
1. Jika 𝑚 ≤ 1 , maka ℙ(𝑍𝑛 ≥ 1, ∀𝑛 ≥ 0|𝑍0 = 1) = 0.
2. Jika 𝑚 > 1, maka terdapat 𝑞 ∈ [0,1), ℙ(𝑍𝑛 ≥ 1, ∀𝑛 ≥ 0|𝑍0 = 1) = 1 −
𝑞 > 0, dengan peluang kepunahan q adalah nilai tunggal di dalam [0,1)
yang memenuhi persamaan 𝑓(𝑠) = 𝑠 saat 𝑚 > 1.
Bukti Teorema 3.1.1:
Dalam pembuktian teorema ini diperlukan beberapa sifat dari fungsi
pembangkit momen. Diingat kembali fungsi pembangkit momen dari peluang
𝑓(𝑠) = ∑ 𝑝𝑘𝑠𝑘. 𝑘≥0
Telah diketahui di awal bahwa fungsi pembangkit momen terdefinisi pada
(−1,1). 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 (𝑏𝑛)𝑛≥0 barisan bilangan real positif dan 𝑔(𝑡) = ∑𝑛≥0𝑏𝑛𝑡𝑛.
Asumsikan g ada pada [0,1), maka lim
𝑡→1−𝑔(𝑡) = ∑𝑛≥0𝑏𝑛.
Bukti:
Pembuktian dapat dillihat di buku Theoretical Probability for Applications,
Proposisi A1.9 Appendix karya SC.Port. ∎
Dari Lemma 3.1.2 ini didapat
Selanjutnya, kembali lagi pada proses BGW dan perhitungan fungsi
pembangkit momen dari 𝑍𝑛.
Proposisi 3.1.3
Misalkan 𝑓1 = 𝑓 dan 𝑓𝑛+1 = 𝑓 ∘ 𝑓𝑛 untuk 𝑛 ≥ 1. Untuk 𝑛 ≥ 1, fungsi
pembangkit momen dari 𝑍𝑛 dengan 𝑍0 = 1 adalah 𝑓𝑛.
Bukti: Akan dibuktikan menggunakan induksi matematis.
Misal 𝑔𝑛 adalah fungsi pembangkit momen 𝑍𝑛 dan diketahui 𝑍0 = 1. Telah
dimiliki
𝑔1(𝑠) = 𝔼(𝑠𝑍1|𝑍0 = 1) = 𝔼(𝑠𝑌) = 𝑓(𝑠) = 𝑓1(𝑠),
untuk 𝑛 = 1 diasumsikan 𝑔𝑛 = 𝑓𝑛. Diberikan 𝑍𝑛 = 𝑘, distribusi 𝑍𝑛+1 sama
dengan distribusi dari ∑𝑘𝑖=1𝑌𝑖 dimana 𝑌𝑖 berdistribusi (𝑝𝑘)𝑘≥0 maka
𝔼(𝑠𝑍𝑛+1|𝑍
𝑛 = 𝑘) = 𝔼 (𝑠∑𝑘𝑖=1𝑌𝑖)
= 𝔼(𝑠𝑌1)𝔼(𝑠𝑌2) … 𝔼(𝑠𝑌𝑘)
= (𝔼(𝑠𝑌1))𝑘
= 𝑓(𝑠)𝑘.
Menggunakan sifat Markov
𝑔𝑛+1 = 𝔼(𝑠𝑍𝑛+1|𝑍0 = 1)
= ∑ 𝔼(𝑠𝑍𝑛+1|𝑍
𝑛 = 𝑘)ℙ(𝑍𝑛 = 𝑘|𝑍0 = 1)
∞
= ∑ ℙ(𝑍𝑛 = 𝑘|𝑍0 = 1)𝑓(𝑠)𝑘 ∞
𝑘=0
= 𝑔𝑛(𝑓(𝑠))
Dengan demikian menggunakan hipotesis induksi dapat diperoleh, 𝑔𝑛+1=
𝑔𝑛∘ 𝑓 = 𝑓𝑛∘ 𝑓 = 𝑓𝑛+1.∎
Setelah mendapatkan Lemma 3.1.2 dan Proposisi 3.1.3, akan dibuktikan
Teorema 3.1.1 yang dibagi menjadi dua kasus.
Kasus 𝑚 < 1. Untuk perubah acak X yang bernilai di ℕ berlaku.
Sehingga ℙ(𝑋 ≥ 1) ≤ 𝔼(𝑋), digunakan pertidaksamaan dan Proposisi 3.1.3
untuk mendapatkan
ℙ(𝑍𝑛 ≥ 1|𝑍0 = 1) ≤ 𝔼(𝑍𝑛|𝑍0 = 1) = 𝑚𝑛.
Karena 𝑚 < 1
lim
𝑛→∞ℙ(𝑍𝑛 ≥ 1|𝑍0 = 1) = 0
dan karena konvergensinya bersifat cepat secara eksponensial. Diingat juga,
karena 0 merupakan keadaan menyerap untuk (𝑍𝑛)𝑛≥0, maka barisan kejadian {𝑍𝑛 ≥ 1} akan menurun, yakni
{𝑍+1 ≥ 1} ⊂ {𝑍𝑛 ≥ 1}.
Pada Proposisi 3.1.3 di atas
Misalkan q adalah peluang dari kepunahan. Didefinisikan
𝑞 = ℙ(𝑍𝑛 = 0 untuk setiap n ≥ 1|𝑍0 = 1).
Perhatikan bahwa
{𝑍𝑛 = 0 untuk setiap n ≥ 1} = ⋃ {𝑍𝑛≥1 𝑛 = 0}.
𝑞 = ℙ(𝑍𝑛 = 0 untuk setiap 𝑛 ≥ 1|𝑍0 = 0) = ℙ (⋃ {𝑍𝑛 = 0}|𝑍0 = 1
𝑛≥1 )
= lim𝑛→∞𝑓𝑛(0).
Oleh karena itu,
𝑞 = lim𝑛→∞𝑓𝑛(0). (3.2)
Sekarang didapatkan
𝑓𝑛+1(0) = 𝑓(𝑓𝑛(0)) (3.3)
karena𝑓𝑛+1(0) dan 𝑓𝑛(0) keduanya konvergen ke q dan f kontinu pada [0,1].
𝑓(𝑞) = 𝑞 dengan mengambil 𝑛 → ∞ pada (3.3). Jadi, q adalah titik tetap pada
f.
Bergantung pada m, akan didapat 𝑞 = 1 (punah) atau 𝑞 < 1 (peluang bertahan
hidup bernilai positif).
Pertama diperhatikan kasus 𝑚 = 1. Berlaku
𝑓′(𝑠) = ∑ 𝑘𝑝
𝑘𝑠𝑘−1< ∑ 𝑘𝑝𝑘 = 𝑚 = 1 untuk 𝑠 < 1.
𝑘≥1 𝑘≥1
Untuk setiap 𝑠 < 1, menggunakan Teorema Nilai Rata-rata, terdapat 𝑐 ∈
(𝑠, 1) sehingga
𝑓(1) − 𝑓(𝑠) = 𝑓′(𝑐)(1 − 𝑠) < 1 − 𝑠,
Menurut Teorema Nilai Antara didapatkan sekurang-kurangnya satu solusi di
[0, 1 − 𝜂) ⊂ [0,1) untuk persamaan 𝑔(𝑠) = 0 atau 𝑓(𝑠) = 𝑠. Sebut solusi ini
𝑠1. Akan ditunjukkan ketunggalan solusi persamaan 𝑓(𝑠) = 𝑠 pada [0,1).
Menggunakan kontradiksi, diandaikan ada 𝑡1∈ [0,1) adalah solusi lain 𝑠1 < 𝑡1. Karena 𝑓(1) = 1 , didapatkan 3 solusi pada persamaan 𝑔(𝑠) = 0 pada
Kontradiksi. Terbukti ada satu solusi tunggal dari persamaan 𝑓(𝑠) = 𝑠 pada [0,1].
Sampai di sini kita tahu, 𝑞 = 𝑠1 atau 𝑞 = 1 karena ini adalah dua solusi dari
Andaikan 𝑞 = 1. Menggunakan (3.2) lim
𝑛→∞𝑓𝑛(0) = 𝑞 = 1. Jadi, untuk n yang
cukup besar, 𝑓𝑛(0) > 1 − 𝜂. Menggunakan (3.4) dan dengan memisalkan 𝑠 = 𝑓𝑛(0), didapatkan
𝑓(𝑓𝑛(0)) < 𝑓𝑛(0).
Jadi, 𝑓𝑛+1(0) < 𝑓𝑛(0). Kontradiksi dengan (𝑓𝑛(0))𝑛≥1 adalah barisan naik.
Jadi, nilai q tidak sama dengan 1 dan haruslah merupakan solusi tunggal dari
𝑓(𝑠) = 𝑠 yang kurang dari 1. ∎
Proses BGW dikatakan subkritis, kritis atau superkritis berturut-turut
bergantung pada 𝑚 < 1, 𝑚 = 1, atau 𝑚 > 1. Proses BGW bertahan
selamanya jika dan hanya jika 𝑚 > 1. Parameter dari distribusi keturunan
untuk bertahan adalah m. Bagaimanapun juga, peluang 1 − 𝑞 dari selamanya
bertahan bergantung pada keseluruhan distribusi (𝑝𝑘)𝑘≥1melalui fungsi
pembangkit momen.
Representasi grafik akan memudahkan pemahaman tentang proses
(𝑍𝑛)𝑛≥0 , lihat Gambar 3.1. Gambar 3.1 menjelaskan tentang bertahannya
proses berkorespondensi pada pohon takhingga. Kepunahan proses
Gambar 3.1 Pohon Berhingga
Contoh:
1. Diketahui proses BGW dengan distribusi keturunan
ℙ(𝑌 = 0) = 16 , ℙ(𝑌 = 1) =12 , dan ℙ(𝑌 = 2) =13.
Pertama dihitung rata-rata keturunan tiap individu.
𝑚 = 𝔼(𝑌) =76 > 1.
Jadi peluang bertahan hidup 1 − 𝑞 pada kasus ini bernilai positif.
𝑓(𝑠) = ∑ 𝑠𝑘ℙ(𝑌 = 𝑘)
16 −12 𝑠 +𝑠3 = 02
16 −12 𝑠 +13 𝑠2 = 0
13(𝑠 − 1) (𝑠 −12) = 0
𝑠 = 1 atau 𝑠 =12
q adalah solusi pada [0, 1), sehingga 𝑞 =1
2 . Dengan kata lain, dengan berawal
dari sebuah individu tunggal ada peluang 1
2 untuk proses BGW akan bertahan
selamanya.
2. Lotka menggunakan distribusi Geometri untuk menyelesaikan keturunan dari
populasi laki-laki di Amerika dengan 𝑝0 = ℙ(𝑌 = 0) =1
2dan 𝑝𝑖 = ℙ(𝑌 = 𝑖)
= (35)𝑖−1 15untuk 𝑖 ≥ 1,
dengan Y mempresentasikan jumlah anak laki-laki dari seorang pria selama
hidup. Perlu diingat,
dengan menggunakan deret Geometri didapatkan
1
(1 − 35)2
∙15 = 1
= 254 ∙15
= 54 > 1.
Sehingga, peluang punah kurang dari 1 merupakan solusi 𝑓(𝑠) = 𝑠:
𝑓(𝑠) =12 + ∑ (35)𝑛−115 𝑠𝑛
Solusi yang bernilai kurang dari 1 adalah 𝑞 =5
6. Jadi, berdasarkan model
tersebut, peluang laki-laki untuk memiliki keturunan yang bertahan selamanya
Proposisi 3.1.2
Asumsikan m ( rata-rata keturunan) berhingga. Berlaku
𝐸(𝑍𝑛|𝑍0 = 1) = 𝑚𝑛, ∀𝑛 ≥ 0.
Bukti:
Akan dibuktikan dengan induksi matematika
𝔼(𝑍1|𝑍0= 1)= 𝔼(𝑌)= 𝑚 = 𝑚1.
Rumus untuk 𝑛 = 1, 𝑍𝑛
𝔼(𝑍1|𝑍0 = 1) = ∑ 𝔼(𝑍𝑛+1|𝑍𝑛 = 𝑘)ℙ(𝑍𝑛 = 𝑘|𝑍0 = 1)
𝑘≥1
menggunakan sifat Markov diperoleh
𝔼(𝑍𝑛+1|𝑍0 = 1, 𝑍𝑛 = 𝑘) = 𝔼(𝑍𝑛+1|𝑍𝑛 = 𝑘).
Untuk setiap 𝑘 ≥ 1
𝔼(𝑍𝑛+1|𝑍0 = 1) = 𝔼 (∑ 𝑌𝑖
𝑘
𝑖=1
) = 𝑘 ∙ 𝑚
sehingga,
𝔼(𝑍𝑛+1|𝑍0 = 1) = ∑𝑘≥1𝑘𝑚ℙ(𝑍𝑛 = 𝑘|𝑍0 = 1)= 𝑚 ∙ 𝔼(𝑍𝑛|𝑍0 = 1).
Dari hipotesis induksi
𝔼(𝑍𝑛|𝑍0 = 1) = 𝑚𝑛
diperoleh
B. Persamaan Distribusi Total Keturunan
Pada subbab sebelumnya telah dijelaskan mengenai proses percabangan
BGW. Dalam subbab ini akan dibahas model populasi menggunakan proses
percabangan BGW.
Dengan menggunakan proses BGW akan dihitung peluang mutasi yang
muncul dari suatu populasi. Peluang mutasi yang dimiliki tiap individu yang
lahir di dalam populasi dinotasikan dengan µ.
3.1 Persamaan untuk distribusi total keturunan
Akan dihitung distribusi peluang dari
𝑋 = ∑ 𝑍𝑛 = 1 +
Untuk mencari distribusi dari X, akan dicari terlebih dahulu fungsi
pembang-kit momen dari X.
Fungsi pembangkit momen terdefinisi untuk 𝑠 ∈ [0,1].
Didapatkan persamaan untuk generasi awal 𝑍1 sebagai berikut:
𝑔(𝑠) = 𝔼(𝑠𝑋) = ∑ 𝔼(𝑠𝑋|𝑍
1 = 𝑘)ℙ(𝑍1 = 𝑘|𝑍0 = 1)
𝑘≥0
. (3.5)
X merupakan jumlahan dari semua individu pada proses BGW. Untuk
mas-ing-masing k BGW, total kelahiran memiliki distribusi sama dari X.
𝔼(𝑠𝑋|𝑧
Menurut persamaan 3.5 dalam subbab ini, didapatkan
𝑔(𝑠) = 𝔼(𝑠𝑋) = ∑ 𝑠
Diamati fungsi f adalah fungsi pembangkit momen dari distribusi keturunan
adalah
𝑓(𝑠) = ∑ 𝑝𝑘𝑠𝑘.
𝑘≥0
Dengan demikian,
dengan g merupakan persamaan umum dari distribusi keturunan, tetapi
seba-gian besar distribusi keturunan tidak dapat diselesaikan secara eksplisit
menggunakan persamaan ini.
3.2 Distribusi Total Keturunan dalam Kasus Khusus
Kita akan mempelajari (3.6) dalam kasus distribusi keturunan 𝑝0 = 1 − 𝑝 dan 𝑝2 = 𝑝, p adalah parameter pada [0, 1].
Untuk 𝑛 ≥ 0, semua individu pada generasi ke n melahirkan dua individu
dengan peluang p dan tidak melahirkan dengan peluang 1 − 𝑝. Dalam kasus
ini memuat hingga generasi ke 𝑛 + 1. Secara biologi, dapat diambil contoh
dalam perkembangbiakan populasi bakteri atau virus yang akan membelah
diri menjadi dua atau mati.
Diingat kembali fungsi pembangkit momen dari X:
𝑔(𝑠) = ∑ ℙ(𝑋 = 2𝑛 − 1|𝑍0 = 1)𝑠2𝑛−1.
∞
𝑛=1
Dipilih nilai ganjil karena keturunan berpasangan dan diawali dengan
indi-vidu tunggal.
Menurut persamaan (3.6) pada subbab 3.1,
𝑔(𝑠) = 𝑠𝑓(𝑔(𝑠)),
dengan f adalahfungsi pembangkit momen dari distribusi keturunan, yakni
Jadi,
𝑔(𝑠) = 𝑠(1 − 𝑝 + 𝑝𝑔(𝑠)2)
jika dan hanya jika
𝑝𝑠𝑔(𝑠)2− 𝑔(𝑠) + 𝑠(1 − 𝑝) = 0.
Untuk s tetap, misalkan𝑔(𝑠) = 𝑢didapatkan
𝑝𝑠𝑢2− 𝑢 + 𝑠(1 − 𝑝) = 0
dan
𝑢2− 1
𝑝𝑠 𝑢 +
𝑠(1 − 𝑝)
𝑝𝑠 = 0
dengan melengkapkan kuadrat sempurna didapatkan
(𝑢 −2𝑝𝑠)1 2−4𝑝12𝑠2 +𝑠(1 − 𝑝)𝑝𝑠 = 0.
Jadi,
(𝑢 −2𝑝𝑠)1 2 =4𝑝12𝑠2−𝑠(1 − 𝑝)𝑝𝑠 = 1 − 4𝑝𝑠4𝑝22𝑠(1 − 𝑝)2 .
Perlu diingat 1 − 4𝑝𝑠2(1 − 𝑝) > 0 jika dan hanya jika
𝑠2 < 1
4𝑝(1 − 𝑝).
Karena 4𝑝(1 − 𝑝) ≤ 1 untuk p dalam (0, 1) didapatkkan 1
4𝑝(1−𝑝)≥ 1. Untuk
𝑠2 < 1
Dari Lemma 2.3.1 pada Bab 2 dan persamaan (3.7) didapatkan,
𝑔(𝑠) =2𝑝𝑠 −1 √1 − 4𝑝𝑠2(1 − 𝑝)
4𝑝2𝑠2 =
1
2𝑝𝑠 (1 −√1 − 4𝑝𝑠2(1 − 𝑝))
Misalkan 𝑥 = 4𝑝𝑠2(1 − 𝑝) dalam Lemma 2.3.1 didapatkan
𝑔(𝑠) =2𝑝𝑠 ∑ 𝑐1 𝑛(4𝑝(1 − 𝑝)𝑠2)𝑛
∞
𝑛=1
= ∑𝑛! (𝑛 − 1)!(2𝑛 − 2)! (1 − 𝑝)𝑛𝑝𝑛−1𝑠2𝑛−1. ∞
𝑛=1
Ekspansi deret pangkat ini menunjukkan g tidak memiliki singularitas di 𝑠 = 0, terdiferensial tak hingga banyak kali di 𝑠 ∈ (−1,1).
Sekarang kita memiliki perluasan deret pangkat untuk g yang akan
memberikan distribusi dari X. Dengan demikian didapatkan untuk 𝑛 ≥ 1
bahwa
C. Peluang Muncul Mutasi
Pada subbab ini akan dicari peluang munculnya mutasi dalam suatu populasi
menggunakan proses percabangan BGW. Beberapa notasi baru yang akan
digunakan adalah M untuk kejadian mutasi muncul dalam populasi dan 𝑀𝑐
untuk kejadian mutasi tidak pernah muncul dalam populasi.
Diberikan
𝑋 = ∑ 𝑍𝑛
𝑛≥0
= 1 + ∑ 𝑍𝑛,
𝑛≥1
dimana proses BGW dimulai dengan 1 individu, 𝑍0 = 1. Perlu diingat nilai X
dapat mencapai takhingga. Proses (𝑍𝑛)𝑛≥0 dapat bertahan jika dan hanya jika
𝑋 = +∞. Jika terdapat kelahiran yang takhingga dan masing-masing memiliki
peluang µ dari mutasi maka peluang mutasi total dari seluruh kelahiran adalah
1.
Jadi, peluang mutasi tidak pernah muncul dalam populasi adalah
ℙ(𝑀𝑐) = ℙ(𝑀𝑐: 𝑋 < +∞)
menggunakan hukum peluang total diperoleh
Jadi,
Jumlah dari deretini dapat dihitung menggunakan Lemma 2.3.1
ℙ(𝑀𝑐) = 1
dengan 𝑐𝑛 sudah didefinisikan pada Lemma 2.3.1 dan diperoleh
ℙ(𝑀𝑐) = 1
2𝑝(1 − 𝜇)2(1 − √1 − 4𝑝(1 − 𝑝)(1 − 𝜇)2).
(3.8)
Persamaan tersebut merupakan peluang tidak ada mutasi dalam suatu
populasi. Oleh karena itu, peluang mutasi muncul dalam suatu populasi
adalah sebagai berikut
D. Peluang Saat Total Keturunan Mencapai Tak Hingga
Pada subbab ini akan dihitung peluang suatu populasi saat total keturunan
mencapai takhingga. Diingat kembali distribusi total keturunan pada subbab
sebelumnya,
haruslah sama dengan 1. Pernyataan tersebut akan dibuktikan.
Sudah diketahui persamaan
Dengan menggunakan Lemma 2.3.1, disusun ulang bentuk persamaan
=2𝑝 ∑ 𝑐1 𝑛(4𝑝(1 − 𝑝))𝑛 ∞
𝑛=1
,
dengan barisan (𝑐𝑛)𝑛≥1 didefinisikan dalam Lemma 2.3.1.
Misalkan 𝑥 = 4𝑝(1 − 𝑝) didapat
Selanjutnya dari persamaan tersebut dibagi menjadi dua kasus yang akan
dipelajari lebih lanjut, yaitu saat 𝑝 ≤1
∑ ℙ(𝑋 = 2𝑛 − 1|𝑍0 = 1) ∞
𝑛=1
= 2𝑝 (1 −1 (−1 + 2𝑝)) =2𝑝1 (2 + 2𝑝) =1 − 𝑝𝑝
tidak bernilai sama dengan 1 (kecuali untuk 𝑝 =1 2).
Mengingat definisi dari X, diperoleh
𝑋 = ∑ 𝑍𝑛
𝑛≥0
dengan (𝑍𝑛)𝑛≥0 adalah proses percabangan BGW. Catat bahwa 𝑍𝑛 adalah
bilangan bulat positif atau 0. Sehingga X berhingga jika dan hanya jika 𝑍𝑛 = 0 untuk setiap n yang lebih besar dari bilangan bulat tertentu. Pernyataan
tersebut ekivalen dengan pernyataan berikut, nilai X berhingga jika dan hanya
jika proses BGW (𝑍𝑛)𝑛≥0 punah.
Mudah untuk memeriksa bahwa untuk kepunahan BGW dalam kasus
ini jika dan hanya jika 𝑝 ≤1
2. Jika 𝑝 > 1
2 maka generasi selanjutnya akan
bertambah banyak dan menuju tak hingga.
Diamati X bernilai berhingga dengan peluang
∑ ℙ(𝑋 = 2𝑛 − 1|𝑍0 = 1)
∞
𝑛=1
.
Deret ini tidak memuat kemungkinan bahwa 𝑋 = ∞. Hal tersebut merupakan
penyebab saat nilai 𝑝 >1
Selanjutnya dimiliki
populasi dan setiap kelahiran secara independen gagal membawa mutasi.
Kemudian diamati barisan (𝑋 ≥ 𝑘) untuk 𝑘 ≥ 1 adalah menurun, yakni untuk 𝑘 ≥ 1
{𝑋 ≥ 𝑘 + 1} ⊂ {𝑋 ≥ 𝑘}.
Oleh karena itu, menggunakan Proposisi 3.1.2 didapatkan
lim
Selanjutnya, menggunakan penjelasan yang sama diperoleh
lim
𝑘⟶∞ℙ(𝑀𝑐; 𝑋 ≥ 𝑘) = ℙ(𝑀𝑐; 𝑋 = +∞ ).
Saat k menuju takhingga pada persamaan (3.9) didapatkan
lim
𝑘⟶∞ℙ(𝑀
𝑐; 𝑋 = +∞) ≤ ℙ(𝑋 = +∞ ) lim
𝑘→∞(1 − 𝜇)
𝑘−1= 0 .
BAB IV
PENERAPAN PROSES PERCABANGAN DALAM BIDANG BIOLOGI A. Penerapan Pada Perhitungan Peluang Patogen yang Kebal Terhadap
Obat
Proses percabangan waktu diskret dapat digunakan untuk memodelkan
kemunculan patogen yang kebal terhadap obat selama pengobatan. Pada
patogen yang kebal obat, patogen bertambah banyak dengan cara membelah
diri. Populasi patogen terus bertumbuh sehingga memiliki kemungkinan
munculnya patogen yang kebal terhadap obat selama proses penyembuhan.
Resistensi terhadap obat merupakan ancaman konstan terhadap kesehatan
individu yang sedang dirawat untuk berbagai penyakit, seperti HIV,
tuberkulosis, dan kanker. Ini juga merupakan ancaman bagi keseluruhan
populasi karena ada risiko bahwa penyakit yang dapat diobati dapat
digantikan oleh yang tidak dapat diobati.
Dalam menghitung peluangnya, terlebih dahulu diasumsikan beberapa hal
terkait. Peluang patogen dapat mati pada setiap waktu diskret dinotasikan
dengan 1 − 𝑝. Sehingga didapatkan peluang patogen membelah diri menjadi
dua adalah p. Setiap patogen baru memiliki peluang kebal terhadap obat sebesar μ.
Populasi dimulai dengan patogen yang sensitif obat sejumlah N patogen
dan tidak ada patogen yang kebal terhadap obat. Diberikan asumsi bahwa
pengobatan berhasil, jika semua patogen punah sebelum patogen yang kebal
bahwa patogen normal akan mudah dengan cepat digantikan oleh patogen
yang lebih kuat saat terjadi jeda selama masa pengobatan dan tidak terdapat
patogen yang kebal obat selama awal pengobatan. Untuk menghitung peluang
patogen kebal obat secara sederhana hanya dengan 2 parameter setidaknya
dapat berguna. Di lain pihak, peluang mutasi yang dibawa oleh tiap individu
adalah 𝜇.
Dalam tulisan ini akan dipelajari lebih lanjut untuk mengevaluasi risiko
pengobatan yang berpengaruh terhadap munculnya patogen kebal obat. Pada
awal pengobatan diberikan beberapa asumsi, yakni: bahwa tanpa pengobatan,
patogen yang kebal terhadap obat akan mati dengan cepat dan tidak bersaing
oleh patogen sensitif obat. Namun, dengan adanya obat, patogen yang sensitif
obat akan melemah (seberapa banyak dilemahkan tergantung pada
kemanjuran obat) dan ini memberikan keunggulan pada patogen yang kebal
terhadap obat untuk menapis pengobatan, tetapi hal tersebut berlaku jika
patogen mutan muncul sebelum obat mampu membasmi semua patogen. Oleh
karena itu, di dalam model matematika ini yang menentukan hasil pengobatan
adalah apakah total pembasmian terjadi sebelum munculnya mutasi kebal
obat. Model juga dapat digunakan untuk menghitung peluang dari
pemberantasan patogen sebelum patogen yang kebal obat muncul.
Proses percabangan yang sangat sederhana dapat digunakan untuk
memodelkan pergerakan dari patogen yang sensitif obat selama pengobatan.
Seperti yang sudah disebutkan, diasumsikan bahwa pada setiap unit waktu,
patogen dapat mati dengan peluang 1 − 𝑝 atau menghasilkan keturunan