Tugas Kelompok

Proses Stokastik

DISTRIBUSI BERSYARAT WAKTU ANTAR KEDATANGAN

OLEH:

KELOMPOK 1

DEWI RAHMA ENTE H12116006

RUSYDAH KHAERATI H12116022

DEWI SANTIKA UPA P H12116024

RAYHANNA AULIYA AMIN H12116302

FAJAR AFFAN H12116308

PROGRAM STUDI STATISTIKA

DEPARTEMEN STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS HASANUDDIN

MAKASSAR

2019
 DISTRIBUSI BERSYARAT WAKTU ANTAR KEDATANGAN

A. Proses Poisson
Proses Poisson adalah proses menghitung (counting process) untuk banyaknya kejadian
yang terjadi hingga suatu waktu. Contoh: kedatangan nasabah suatu bank, munculnya item
cacat pada proses pemeriksaan, masuknya pesan SMS pada handphone anda, dll.

B. Proses Menghitung
Proses stokastik {𝑁(𝑡), 𝑡 ≥ 0} dikatakan proses menghitung (counting process) jika
𝑁(𝑡) atau 𝑁𝑡 menyatakan banyaknya kejadian yang terjadi selama waktu t.
Contoh:
1. 𝑁(𝑡) adalah banyaknya bayi yang lahir selama waktu t. Maka {𝑁(𝑡), 𝑡 ≥ 0} merupakan
proses menghitung.
2. 𝑁(𝑡) adalah banyaknya orang yang dating ke Grand Toserba dalam selang waktu [0, 𝑡].
Maka {𝑁(𝑡), 𝑡 ≥ 0} merupakan proses menghitung.
Proses menghitung {𝑁(𝑡), 𝑡 ≥ 0} memenuhi sifat:
i. {𝑁(𝑡) ≥ 0}
ii. 𝑁(𝑡) adalah bilangan bulat
iii. Jika 𝑠 < 𝑡, maka 𝑁(𝑠) ≤ 𝑁(𝑡)
iv. Untuk 𝑠 < 𝑡, 𝑁(𝑡) − 𝑁(𝑠) menhyatakan banyaknya kejadian yang terjadi pada
interval waktu (𝑠, 𝑡].

C. Waktu Antar Kedatangan

Berdasarkan proses menghitung {𝑁(𝑡), 𝑡 ≥ 0}, 𝑁(𝑡) menyatakan banyaknya kejadian
sampai waktu 𝑡. Perhatikan bahwa kejadian – kejadian tersebut dapat terjadi kapan saja
dalam interval [0, 𝑡]. Misalkan kejadian pertama terjadi pada saat 𝑡1 , disini 𝑁(𝑡1 ) = 1 dan
𝑁(𝑡) = 0 untuk 𝑡 < 𝑡1 . Kejadian kedua terjadi pada saat 𝑡2 , disini 𝑁(𝑡2 ) = 2 dan 𝑁(𝑡) = 1
untuk 𝑡1 ≤ 𝑡 < 𝑡2 . Perhatikan bahwa 𝑡𝑘+1 − 𝑡𝑘 adalah panjang waktu terjadinya kejadian ke
𝑘 + 1 setelah kejadian ke 𝑘. Panjang selang ini disebut dengan waktu antar kedatangan atau
waktu antar kejadian. Atau dapat ditulis dengan 𝑋𝑛 , dimana 𝑋𝑛 adalah waktu antar
kedatangan orang ke-𝑛 dan orang ke-𝑛 − 1 dengan 𝑋1 menyatakan waktu kedatangan orang
pertama. Dapat ditulis pula bahwa {𝑋𝑛 , 𝑛 = 1,2, … } adalah barisan waktu antar kejadian atau
kedatangan (interarrival time).
Ilustrasi:

Waktu Antar
Kedatangan

𝑋1 𝑋2 𝑋𝑖 = 𝑡𝑖 − 𝑡𝑖−1

𝑡1 𝑡2 𝑡3 𝑡𝑖−1 𝑡𝑖

𝑁(𝑡1 ) = 1 → 𝑁(𝑡1 ) = 1, 𝑁(𝑡) = 0 untuk 𝑡 < 𝑡1

𝑁(𝑡2 ) = 2 → 𝑁(𝑡2 ) = 2, 𝑁(𝑡) = 1 untuk 𝑡1 ≤ 𝑡 < 𝑡2

Berdasarkan proses menghitung {𝑁(𝑡), 𝑡 ≥ 0}, misalkan 𝑋1 adalah waktu dari kejadian
pertama. Untuk 𝑛 ≥ 1, misalkan 𝑋𝑛 adalah waktu antar kejadian ke (𝑛 − 1) dan kejadian ke-
𝑛. Maka {𝑋𝑛 , 𝑛 ≥ 1} disebut barisan waktu antar kedatangan atau waktu antar kejadian.

D. Distribusi Waktu Antar Kedatangan

Teorema:
Waktu antar kedatangan 𝑋𝑛 , 𝑛 = 1,2, … dari suatu proses Poisson adalah saling bebas
dan berdistribusi eksponensial dengan parameter 𝜆.
Bukti:
Akan ditunjukkan 𝑋1, 𝑋2, 𝑋3, … , 𝑋𝑛 ~𝐸𝑋𝑃(𝜆)
{𝑋1 > 𝑡} terjadi jika tidak ada kejadian dari proses Poisson yang terjadi pada interval [0, 𝑡].
Ini identic dengan {𝑁(𝑡) = 0}. Hal ini identic dengan {𝑁(𝑡) = 0}. Maka:
𝑃(𝑋1 ≤ 𝑡) = 1 − 𝑃(𝑋1 > 𝑡) = 1 − 𝑃(𝑁(𝑡) = 0) = 1 − 𝑒 −𝜆𝑡
Jadi, 𝑋1 ~𝐸𝑋𝑃(𝜆).
Untuk 𝑋2, didapatkan distribusi bersyarat dengan kejadian pertama terjadi pada waktu 𝑠.
𝑃(𝑋2 ≤ 𝑡|𝑋1 = 𝑠) = 1 − 𝑃(𝑋2 > 𝑡|𝑋1 = 𝑠)
= 1 − 𝑃(𝑁(𝑡 + 𝑠) − 𝑁(𝑠) = 0|𝑋1 = 𝑠)
= 1 − 𝑃(𝑁(𝑡 + 𝑠) − 𝑁(𝑠) = 0)
= 1 − 𝑃(𝑁(𝑡) = 0)
= 1 − 𝑒 −𝜆𝑡
Maka, 𝑋2 ~𝐸𝑋𝑃(𝜆).
Tiap waktu antar kedatangan 𝑋𝑛 adalah saling bebas dan berdistribusi eksponensial dengan
parameter 𝜆.
1 1
𝑋𝑘 , 𝑘 = 1,2, … , 𝑛~𝐸𝑋𝑃(𝜆) → 𝐸[𝑋𝑘 ] = , 𝑣𝑎𝑟[𝑋𝑘 ] = 2
𝜆 𝜆
Contoh:
Kerusakan terjadi di sepanjang kabel di bawah laut, dengan jumlah kerusakan yang
mengikuti proses Poisson dengan laju 𝜆 per mil. Berapa peluang bahwa tidak terdapat
kerusakan pada 2 mil pertama sepanjang kabel tersebut?
Penyelesaian:
Diketahui:
𝜆 = 0.1 per mil
𝑡=2
Ditanyakan: 𝑃(𝑋(𝑡) = 𝑥)
Jawab:
𝜆𝑡 𝑥 𝑒 −(𝜆)(𝑡)
𝑃(𝑋(𝑡) = 𝑥) =
𝑥!
0
((0.1)(2)) 𝑒 −(0.1)(2)
𝑃(𝑋(2) = 0) =
𝑥!
𝑒 −0.2
𝑃(𝑋(2) = 0) =
1
𝑃(𝑋(2) = 0) = 0.8187

E. Distribusi Bersyarat Waktu Antar Kedatangan

Distribusi bersyarat dari waktu antar kedatangan pertama 𝑥1 , diberikan ada kejadian
pada waktu [0, 𝑡] untuk 𝑠 ≤ 𝑡,
𝑃(𝑥1 ≤ 𝑠|𝑁(𝑡) = 1)
𝑃(𝑥1 ≤ 𝑠|𝑁(𝑡) = 1) =
𝑃(𝑁(𝑡) = 1)
𝑃(𝑁(𝑠) = 1)𝑃(𝑁(𝑡) − 𝑁(𝑠) = 0)
=
𝑃(𝑁(𝑡) = 1)
𝑃(𝑁(𝑠) = 1)𝑃(𝑁(𝑡 − 𝑠) = 0)
=
𝑃(𝑁(𝑡) = 1)
𝜆𝑠𝑒 −𝜆𝑠 𝑒 −𝜆(𝑡−𝑠)
=
𝑡𝑒 −𝜆𝑡
𝑠
=
𝑡
Teorema:
Diketahui bahwa 𝑁(𝑡) = 𝑛, 𝑛 waktu kedatangan 𝑆1 , 𝑆2 , … , 𝑆𝑛 memiliki distribusi yang
sama dengan statistik terurut sesuai dengan 𝑛 variabel acak bebas berdistribusi seragam pada
interval (0, 𝑡).
Bukti:
Akan dihitung fungsi kepadatan bersyarat dari 𝑆1 , 𝑆2 , … , 𝑆𝑛
Diketahui bahwa 𝑁(𝑡) = 𝑛
Misalnya 0 < 𝑡1 < 𝑡2 < ⋯ < 𝑡𝑛+1 = 𝑡 dan misalnya ℎ𝑖 cukup kecil sehingga 𝑡𝑖 + ℎ𝑖 <
𝑡𝑖+1 , 𝑖 = 1,2, … , 𝑛
𝑃{𝑡𝑖 ≤ 𝑆𝑖 ≤ 𝑡𝑖 + ℎ, 𝑖 = 1,2, … , 𝑛|𝑁(𝑡) = 𝑛}
𝑃{𝑡𝑒𝑝𝑎𝑡𝑛𝑦𝑎 1 𝑘𝑒𝑗𝑎𝑑𝑖𝑎𝑛 𝑑𝑖 [𝑡𝑖 , 𝑡𝑖 + ℎ], 𝑖 = 1,2, … , 𝑛}
=
𝑃{𝑁(𝑡) = 𝑛}
𝜆ℎ𝑖 𝑒 −𝜆ℎ𝑖 … 𝜆ℎ𝑛 𝑒 −𝜆ℎ𝑛 𝑒 −𝜆(𝑡−ℎ1 −ℎ2 −⋯−ℎ𝑛)
=
𝑒 −𝜆𝑡 (𝜆𝑡)𝑛
𝑛!
𝑛!
= 𝑛 ℎ1 ∙ ℎ2 ∙ ⋯ ∙ ℎ𝑛
𝑡
Karena
𝑃{𝑡𝑖 ≤ 𝑆𝑖 ≤ 𝑡𝑖 + ℎ, 𝑖 = 1,2, … , 𝑛|𝑁(𝑡) = 𝑛} 𝑛!
=
ℎ1 ∙ ℎ2 ∙ ⋯ ∙ ℎ𝑛 𝑟
Dengan ℎ𝑖 → 0 diperoleh bahwa kepadatan bersyarat 𝑆1 , 𝑆2 , … , 𝑆𝑛 memberikan bahwa
𝑁(𝑡) = 𝑛 adalah
𝑛!
𝑓(𝑡1 , 𝑡2 , ⋯ , 𝑡𝑛 ) = , 0 < 𝑡1 < ⋯ < 𝑡𝑛
𝑡𝑛
Prosisi:
Jika 𝑁𝑖 (𝑡) menyatakan banyaknya kejadian tipe-I yang terjadi pada waktu 𝑡, 𝑖 = 1,2, ⋯ , 𝑛,
maka 𝑁1 (𝑡) dan 𝑁2 (𝑡) adalah bebas Poisson variabel acak dengan mean 𝜆𝑡𝑝 dan 𝜆𝑡(1 − 𝑝),
dimana
1
𝑝= 𝑡
𝑡 ∫0 𝑃(𝑠)𝑑𝑠
Bukti:
Akan dihitung distribusi bersama dari 𝑁1 (𝑡) dan 𝑁2 (𝑡) berdasarkan pada 𝑁(𝑡):
∞
𝑃{𝑁1 (𝑡) = 𝑛, 𝑁2 (𝑡) = 𝑚} = ∑ 𝑃{𝑁1 (𝑡) = 𝑛, 𝑁2 (𝑡) = 𝑚|𝑁(𝑡) = 𝑘} 𝑃{𝑁(𝑡) = 𝑘}
𝑘=0

= 𝑃{𝑁1 (𝑡) = 𝑛, 𝑁2 (𝑡) = 𝑚|𝑁(𝑡) = 𝑚 + 𝑛}𝑃{𝑁(𝑡) = 𝑚 + 𝑛}

Berdasarkan sebarang kejadian yang terjadi pada interval [0, 𝑡]. Jika terjadi pada waktu 𝑠,
maka probabilitasnya adalah tipe-I yang sebagai 𝑃(𝑠). Karena berdasarkan teorema bahwa
kejadian ini akan berdistribusi seragam pada (0, 𝑡). Hal tersebut sesuai dengan probabilitas
tipe-I
1
𝑝= 𝑡
𝑡 ∫0 𝑃(𝑠)𝑑𝑠
Kejadiannya saling bebas dari kejadian yang lainnya. Karena 𝑃{𝑁1 (𝑡) = 𝑛, 𝑁2 (𝑡) =
𝑚|𝑁(𝑡) = 𝑚 + 𝑛} sehingga sama dengan probabilitas dari 𝑛 sukses dan 𝑚 gagal pada 𝑛 + 𝑚
bebas ketika 𝑝 adalah probabilitas dari sukses tiap ulangannya. Yaitu:
𝑛+𝑚 𝑛
𝑃{𝑁1 (𝑡) = 𝑛, 𝑁2 (𝑡) = 𝑚|𝑁(𝑡) = 𝑚 + 𝑛} = ( ) 𝑝 (1 − 𝑝)𝑚
𝑛
Akibatnya:
(𝑛 + 𝑚)! 𝑛 𝑚 −𝜆𝑡
(𝜆𝑡)𝑛+𝑚
𝑃{𝑁1 (𝑡) = 𝑛, 𝑁2 (𝑡) = 𝑚} = 𝑝 (1 − 𝑝) 𝑒
𝑛! 𝑚! (𝑛 + 𝑚)!
𝑚
(𝜆𝑡𝑝)𝑛 (𝜆𝑡(1−𝑝))
= 𝑒 −𝜆𝑡𝑝 𝑒 −𝜆𝑡(1−𝑝)
𝑛! 𝑚!

Contoh:
Mahasiswa – mahasiswa statistika akan datang ke gedung baru FMIPA melewati pintu barat
atau pintu timur gedung. Kedatangan mahasiswa melalui dua pintu tersebut berturut – turut
1 3
mengikuti proses Poisson dengan parameter 𝜆1 = 2 dan 𝜆2 = 2 per menit.

a. Berapa peluang tidak ada mahasiswa datang pada selang waktu 5 menit?
b. Hitung mean waktu antar kedatangan mahasiswa – mahasiswa tersebut!
c. Berapa peluang seorang mahasiswa benar – benar datang melalui pintu barat?
d. Berapa peluang setidaknya ada 2 orang yang masuk gedung dalam 5 menit?
Jawab:
1 3
𝑁𝐵 ~𝑃𝑂𝐼 ( ) , 𝑁𝑇 ~𝑃𝑂𝐼 ( )
2 2
Maka 𝑁𝑇 = 𝑁𝐵 (𝑡) + 𝑁𝑇 (𝑡)~𝑃𝑂𝐼(2)
1 3
Karena 𝜆 = 2 = 2 + 2

Maka 𝑇1 ~𝐸𝑋𝑃(2)
a. Peluang tidak ada mahasiswa datang pada selang waktu 5 menit adalah
𝑃(𝑇1 > 5) = 𝑒 −2(5) = 𝑒 −10
b. Mean waktu antar kedatangan mahasiswa – mahasiswa adalah
1
𝐸(𝑇𝐾 ) =
2
c. Peluang seorang mahasiswa benar – benar datang melalui pintu barat adalah
1
2 1
𝑃(𝑇𝐵 < 𝑇𝑇 ) = =
1 3 4
2+2
d. Peluang setidaknya ada 2 orang masuk gedung dalam 5 menit adalah
𝑃(𝑁5 ≥ 2) = 1 − 𝑃(𝑁5 = 0) − 𝑃(𝑁5 − 1)
(2.5)1
= 1 − 𝑒 −2(5) − 𝑒 −2(5) 1!

= 1 − 𝑒 −10 − 10𝑒 −10