Anda di halaman 1dari 23

Proses Stokastik

Semester Ganjil 2011


1



Sebaran yang Berhubungan dengan Proses
Poisson: Interarrival and waiting times
t
X(t)
S
1
S
0
S
2
S
3
W
1
W
2
W
3
W
4
1

2

3

4

W
0
X(t): Jumlah kedatangan sampai
dengan waktu
t, dengan laju
( ) { }
( )
!
Pr
x
e t
x t X
t
x


= =
W
n,
n =0, 1, : Waktu tunggu sampai
dengan kedatangan ke n
S
n,
n =0, 1, : Waktu antar
kedatangan (interarrival times),
atau sojourn time

=
=
1
0
n
i
i n
S W
Waktu antar Kedatangan (Interarrival
Times): Sojourn times
Waktu antar kedatangan S
0
, S
1
, adalah peubah
acak exponential yang saling bebas dengan rata-
rata 1/ (i.i.d):
( ) ( ) { }
( )
t
t
e
e t
t X t S

= = = = >
! 0
0 Pr Pr
0
0
Jika tidak terdapat kedatangan sampai dengan waktu t
berarti bahwa:
Waktu tunggu (waiting time) dari kedatangan pertama
(W
1
) atau sistem sojourn pada state 0 (S
0
) lebih dari t
( )
t
e t S

= s 1 Pr
0
Funsi Sebaran Kumulatif (cdf)
dari sebaran exponential dengan
rata-rata (mean) 1/
( ) 0 , > =

s e s f
s
S

Waktu Tunggu (Waiting Time)


Waktu tunggu adalah jumlah dari n waktu antar
kedatangan (interarrival/sojourn times).
Waktu antar kedatangan (interarrival times) menyebar
secara exponential

=
=
1
0
n
i
i n
S W
Dengan pendekatan fungsi pembangkit moment:
( ) ( )
1
1
1

|
.
|

\
|
= = t e E t M
ts
S

Fungsi pembangkit moment


dari sojourn times, S
( ) ( ) ( ) t M t M t M
n
S S W
1 0
=
Fungsi pembangkit moment
dari waiting time, W
( ) ( ) | |
n
n
S W
t t M t M
(
(

|
.
|

\
|
= =
1
1
1

Dengan sifat i.i.d. dari


sojourn times
( )
n
W
t t M

|
.
|

\
|
=

1
1
Yang merupakan fungsi pembangkit momen
dari sebaran Gamma (n, ), dengan fungsi:
( )
( )
0 ,
1
>
I
=

w e w
n
w f
w n
W

Ringkasan
Jika jumlah kedatangan sampai dengan waktu t, X(t) adalah proses
Poisson dengan laju
Maka waktu antar kedatangan (interarrival times), S akan menyebar
secara exponential dengan rata-rata (mean) 1/
Dan waktu tunggu sampai dengan kedatangan ke n, W mempunyai
sebaran gamma dengan parameter (n, )
( ) { }
( )
!
Pr
x
e t
x t X
t
x


= =
( ) 0 , > =

t e t f
t
S

( )
( )
0 ,
1
>
I
=

t e t
n
t f
t n
W

Contoh
Suatu sumber radioaktif memancarkan partikel mengikuti
proses Poisson dengan laju =2 partikel per menit.
Berapa peluang bahwa partikel pertama akan muncul
setelah tiga menit?
{ } 3 Pr
1
> W { } 3 Pr
0
> = S ( ) { } 0 3 Pr = = X
{ } { } 3 Pr 1 3 Pr
0 0
s = > S S
( )
( )
3
1 1

= e
6
= e
( ) { }
( ) ( )
( )
! 0
3
0 3 Pr
3
0


= =
e
X
6
= e
Berapa peluang bahwa partikel pertama muncul setelah
menit ke-3 menit akan tetapi sebelum menit ke-5?

{ } 5 3 Pr
1
< <W { } 5 3 Pr
0
< < = S ( ) ( ) { } 0 3 and 1 5 Pr = = = X X
{ } { } { } 3 Pr 5 Pr 5 3 Pr
0 0 0
< < = < < S S S
( ) ( )
3 5
1 1

= e e
5 3
= e e
10 6
= e e
Proses Poisson dan Sebaran Binomial
Teorema
Diberikan X(t) suatu proses Poisson dengan laju >0, maka
untuk 0<u<t dan 0 k n
( ) ( ) { }
( )
k n k
t
u
t
u
k n k
n
n t X k u X

|
.
|

\
|

|
.
|

\
|

= = = 1
! !
!
Pr
Bukti:
( ) ( ) { }
( ) ( ) { }
( ) { } n t X
n t X k u X
n t X k u X
=
= =
= = =
Pr
, Pr
Pr
( ) ( ) ( ) { }
( ) { } n t X
k n u X t X k u X
=
= =
=
Pr
, Pr
( ) { } ( ) ( ) { }
( ) { } n t X
k n u X t X k u X
=
= =
=
Pr
Pr Pr
( ) ( ) { }
( ) { } ( ) ( ) { }
( ) { } n t X
k n u X t X k u X
n t X k u X
=
= =
= = =
Pr
Pr Pr
Pr
( ) { }
( )
!
Pr
k
e u
k u X
u
k


= =
( ) { }
( ) ( )
( )
( )!
Pr
k n
e u t
k n u t X
u t
k n

= =

( ) { }
( )
!
Pr
n
e t
n t X
t
n


= =
( ) ( ) { }
( ) { } ( ) ( )
( )
( ) { }
( ) { } ! /
! / ! /
Pr
n e t
k n e u t k e u
n t X k u X
t
n
u t
k n
u
k


= = =
( ) ( ) { }
( ) { } ( ) ( )
( )
( ) { }
( ) { } ! /
! / ! /
Pr
n e t
k n e u t k e u
n t X k u X
t
n
u t
k n
u
k


= = =
( ) ( ) { }
( )
( )
( ) ( ) ( )
( )
n
k n k
t
u t u
t
u t u
k n k
n
e
e e
n t X k u X

= = =
! !
!
Pr
( ) ( ) { }
( )
( ) ( ) ( )
( )
n
k n k
t
u t u
k n k
n
n t X k u X

= = =
! !
!
Pr
( ) ( ) ( )
( )
( )
n
k n
k
n
k n k
n
k n k
t
u t u
t
u t u

+

( )
n
k n
k
t
u t u

=
( )
n
k n
k
t
u t u

=
( )
k n k
k n
k n k
k
t
u t
t
u
u t
t t
u

|
.
|

\
|

|
.
|

\
|
= =
( ) ( ) { }
( )
( ) ( ) ( )
( )
n
k n k
t
u t u
k n k
n
n t X k u X

= = =
! !
!
Pr
( )
k n k
t
u t
t
u
k n k
n

|
.
|

\
|

|
.
|

\
|

=
! !
!
( )
k n k
t
u
t
u
k n k
n

|
.
|

\
|

|
.
|

\
|

= 1
! !
!
Contoh:
Jika 6 pelanggan datang pada setelah 3 jam fasilitas
dibuka, berapa peluang bahwa terdapat 2 pelanggan
datang selama jam pertama fasilitas tersebut dibuka?
X(t): jumlah kedatangan pelanggan ke suatu fasilitas
umum
Adalah proses Poisson dengan laju =2 pelanggan/jam

{ } 6 ) 3 ( | 2 ) 1 ( = = X X P
0<1<3 and 0 26
( ) ( ) { } n k t u n t X k u X s s < < = = 0 , 0 , Pr
( ) ( ) { }
( )
k n k
t
u
t
u
k n k
n
n t X k u X

|
.
|

\
|

|
.
|

\
|

= = = 1
! !
!
Pr
{ }
4 2
3
2
3
1
! 4 ! 2
! 6
6 ) 3 ( | 2 ) 1 (
|
.
|

\
|
|
.
|

\
|
= = = X X P
{ }
4 2
3
2
3
1
! 4 ! 2
! 6
6 ) 3 ( | 2 ) 1 (
|
.
|

\
|
|
.
|

\
|
= = = X X P
329 . 0 =
Definisi Proses Kelahiran dan Kematian
(Birth and Death Process)
Adalah proses Markov untuk waktu kontinyu X(t) dengan:
State space yang bersifat diskrit
Kemungkinan state: i = 0, 1, 2, ... sedemikian sehingga
Transisi state hanya mungkin terjadi antara state yang
bertentangga , i i+1 or i i-1
Transisi tersebut terjadi pada selang waktu tertentu dari t
sampai dengan (t+t)
Birth and Death Process
Digunakan untuk memodelkan
Proses reproduksi organisme
Penyebaran penyakit menular
Sistem antrian
Laju transisi:

=
+ =
=
selainnya 0
1 ketika
1 ketika
,
i j
i j
q
i
i
j i

Ketika sistem berada pada


state i
Peluang kelahiran pada
selang waktu t adalah
i
t
Peluang kematian pada
selang waktu t adalah
i
t
Peluang Equilibrium Probability dari Birth
and Death Process
Adalah peluang dari proses berada di state i, tanpa
tergantung waktu
Pada saat equilibrium total aliran peluang (net flow) adalah 0

State 0 dapat dijangkau dari state 1 dengan peluang
1
dan laju
1
State 0 dengan peluang
0
dapat berubah menjadi state 1 dengan laju
0

Secara umum:
State k dapat dijangkau dari k+1 dengan peluang
k+1
dan laju
k+1
State k dengan peluang
k
dapat berubah menjadi state k+1 dengan
laju
k

Hubungan berikut mendefinisikan net flow balance:
, 2 , 1 , 0 ,
1 1
= =
+ +
k
k k k k
t t
k
k
k
k
t

t
1
1
+
+
=
0
1
0
1
, 0 t

t = = k
0
1
0
2
1
1
2
1
2
, 1 t

t = = = k
Dst secara rekursif:
0
1
0
1
0
1
0 1
t

t
[

=
+

= =
k
i
i
i
k
k
k

Dengan batasan sedemikian sehingga fungsi peluang
dapat terdefinisi dengan baik:
1 =

k
k
t

=
=
1
0
1
k
k
t t

0
menentukan syarat di atas
[

=
+
=
1
1
0
1
0
1
k
k
i
i
i

t
1
1
1
0
1
0 0
= +
[

=
+
k
k
i
i
i

t t
1 1
1
1
0
1
0
=
|
|
.
|

\
|
+
[

=
+
k
k
i
i
i

t
|
|
.
|

\
|
+
=
[

=
+
1
1
0
1
0
1
1
k
k
i
i
i

t
1 1
1
1
0
1
0
=
|
|
.
|

\
|
+
[

=
+
k
k
i
i
i

t
Contoh:
Proses kelahiran dan kematian berawal dari X(0)=0 dan 0, 1,
2, 3 adalah kemungkinan state , dengan parameter kelahiran
dan kematian
2 , 3 , 1
2 1 0
= = = 1 , 3 , 2
3 2 1
= = =
Berapa peluang bahwa pada kondisi equilibrium proses akan
berada pada state 0?
|
|
.
|

\
|
+
=
[

= +
1
1
0 1
0
1
1
k
k
i i
i

t
|
|
.
|

\
|
+
=
[
=

= +
3
1
1
0 1
0
1
1
k
k
i i
i

t
|
|
.
|

\
|
+ + +
=
3 2 1
2 1 0
2 1
1 0
1
0
0
1
1



t
Berapa peluang bahwa pada kondisi equilibrium proses akan
berada pada state1?
2 , 3 , 1
2 1 0
= = =
1 , 3 , 2
3 2 1
= = =
|
|
.
|

\
|
+ + +
=
3 2 1
2 1 0
2 1
1 0
1
0
0
1
1



t
3
1
6
6
6
3
2
1
1
1
0
=
|
.
|

\
|
+ + +
= t
0
1
0
1
t

t
[

=
+
=
k
i
i
i
k
0
1
0
1
t

t =
6
1
3
1
2
1
= =