Adoc - Pub - Pengantar Proses Stokastik

Pengantar Proses Stokastik
Bab 5: Proses Poisson
Atina Ahdika, S.Si, M.Si
Statistika FMIPA
Universitas Islam Indonesia
2015
Statistika FMIPA Universitas Islam Indonesia

Atina Ahdika, S.Si, M.Si () Pengantar Proses Stokastik / 36
Proses Poisson Waktu Antar Kedatangan
Waktu Antar Kedatangan
Misalkan T1 menyatakan waktu dari kejadian/kedatangan pertama.

Misalkan Tn menyatakan waktu tersisa antara kejadian ke-n − 1 dan
kejadian ke-n. Barisan {Tn , n = 1, 2, . . .} adalah barisan waktu antar
kejadian (interarrival time).

Untuk menentukan distribusi dari Tn , perhatikan bahwa kejadian {T1 > t}

terjadi jika dan hanya jika tidak ada kejadian dari proses Poisson yang
terjadi pada interval [0, t], sehingga
(λt)0
P(T1 > t) = e −λt = e −λt = P(Nt = 0)
0!
1
Jadi, T1 berdistribusi eksponensial dengan parameter λ atau mean λ.

Karena T1 ∼ Eksp(λ), maka
fT1 (t1 ) = λe −λt1
Dengan demikian, perhatikan bahwa
P(T2 > t) = E (P(T2 > t|T1 ))
(mengapa demikian?) Bukti:

∞
X
E (P(T2 > t|T1 )) = P(T2 > t|T1 )fT1 (t1 )
t1 =0
∞
X
= P(T2 > t|T1 ) fT1 (t1 )
t1 =0
= P(T2 > t|T1 ) memoryless property
= P(T2 > t)

Sedangkan
P(T2 > t|T1 ) = P(tidak ada kejadian pada (s, s + t]|T1 = s)

= P(tidak ada kejadian pada (s, s + t])
= e −λt
Dengan demikian, T2 juga peubah acak eksponensial dengan parameter λ,

dan T2 saling bebas dengan T1 . Hal tersebut berlaku juga untuk
T3 , T4 , . . . , Tn , sehingga peubah acak Tn dengan n = 1, 2, . . . juga
berdistribusi eksponensial dengan parameter λ dan peubah acak-peubah
acak tersebut saling bebas.

Proses Poisson Waktu Tunggu
Waktu Tunggu
Terdapat statistik lain yaitu Sn , merupakan waktu kedatangan kejadian

ke-n atau waktu tunggu (waiting time) hingga kejadian ke-n
Sn = T1 + T2 + . . . + Tn , n ≥ 1

Contoh
Misalkan waktu kedatangan turis-turis ke suatu pulau berdistribusi

eksponensial dengan mean 1 hari.
1. Berapa waktu yang diharapkan hingga turis kesepuluh datang?
2. Berapa peluang bahwa waktu yang dibutuhkan (elapsed time) antara
turis kesepuluh dengan kesebelas datang melebihi 2 hari?

1. E (S10 ) = E (T1 +T2 +. . .+T10 ) = E (T1 )+. . .+E (T10 ) = 10(1) = 10

2. P(T11 > 2) = e −1(2) = e −2

Proses Poisson Proses Poisson
Proses Poisson
Perhatikan
(λt)0
P(T1 > t) = e −λt = e −λt = P(Nt = 0)
0!
Proses tersebut menyatakan bahwa kejadian pertama akan terjadi setelah t
waktu (P(T1 > t)), atau dapat dinyatakan pula bahwa tidak ada kejadian
pada selang waktu [0, t] (P(Nt = 0)). Hal ini menunjukkan kaitan antara
distribusi eksponensial dengan proses Poisson.
I Proses Poisson adalah proses menghitung (counting process) untuk
banyaknya kejadian yang terjadi hingga suatu waktu
I Proses Poisson sering disebut juga proses lompatan (jump process)
karena keadaan akan berpindah ke yang lebih tinggi setiap kali
kejadian terjadi.

Counting Process
Suatu proses stokastik {Nt , t ≥ 0} dikatakan sebagai proses menghitung

(counting process) jika Nt menyatakan total banyaknya kejadian yang
terjadi sampai waktu t. Beberapa contoh dari proses menghitung adalah
sebagai berikut
I Banyaknya orang yang masuk ke dalam sebuah toko pada/sampai
waktu t.
I Banyaknya bayi yang lahir sampai waktu t
I Banyaknya gol yang dicetak pemain, dsb

Berdasarkan definisinya, proses menghitung {Nt , t ≥ 0} harus memenuhi

kriteria-kriteria berikut ini
i. Nt ≥ 0
ii. Nt bernilai integer (bilangan bulat)
iii. Jika s < t, maka Ns ≤ Nt
iv. Untuk s < t, Nt − Ns adalah banyaknya kejadian pada interval (s, t]

I Sebuah proses menghitung dikatakan memiliki kenaikan independen

(independent increments) jika banyaknya kejadian yang terjadi pada
selang waktu yang saling asing adalah saling bebas. Sebagai contoh,
banyaknya kejadian yang terjadi sampai waktu s (yaitu Ns ) saling
bebas dengan banyaknya kejadian yang terjadi pada selang waktu
[s, t] (yaitu Nt − Ns ).
I Sebuah proses menghitung dikatakan memiliki kenaikan stasioner
(stationary increments) jika distribusi banyaknya kejadian pada setiap
selang hanya bergantung pada panjang selang. Dengan kata lain,
suatu proses memiliki kenaikan stasioner jika banyaknya kejadian pada
selang (s, s + t) mempunyai distribusi yang sama untuk semua s.

Definisi
Proses menghitung {Nt , t ≥ 0} dikatakan sebagai proses Poisson dengan

laju λ, λ > 0, jika
i. N0 = 0
ii. Proses memiliki kenaikan independen
iii. Banyaknya kejadian di sebarang interval waktu dengan panjang t
berdistribusi Poisson dengan mean λt. Untuk setiap s, t ≥ 0
(λt)n
P(Nt+s − Ns = n) = e −λt , n = 0, 1, . . .
n!
Berdasarkan kondisi [iii.] proses Poisson memiliki kenaikan stasioner dan
E (Nt ) = λt
menunjukkan bahwa λ dinamakan laju dari proses Poisson.

Contoh
1. Misalkan {Nt } adalah proses Poisson dengan laju λ = 3. Hitung

a. P(N4 = 5)
b. P(N4 = 5, N6 = 9)
c. E (2N2 − 4N6 )
d. Var (2N2 − 4N6 )

Penyelesaian:
(3 · 4)5
P(N4 = 5) = e −3·4
5!

P(N4 = 5, N6 = 9) = P(N4 = 5, N6 − N4 = 4)
= P(N4 = 5)P(N6 − N4 = 4)
(3 · 4)5 −3·2 (3 · 2)4
= e −3·4 e
5! 4!

E (2N2 − 4N6 ) = E (2N2 ) − E (4N6 )

= 2E (N2 ) − 4E (N6 )
= 2(3 · 2) − 4(3 · 6)

Var (2N2 − 4N6 ) = 4 Var (N2 ) + 16 Var (N6 )

= 4(3 · 2) + 16(3 · 6)

2. Misalkan {Nt } proses Poisson dengan laju λ. Misalkan s, t > 0, dan

k ≥ j ≥ 0. Tentukan distribusi Nt+s diberikan Ns = j.

Penyelesaian:
Kita ketahui bahwa Ns dengan Nt+s − Ns saling bebas, jadi
P(Nt+s = k|Ns = j) = P(Nt+s − Ns = k − j|Ns = j)

= P(Nt+s − Ns = k − j)
= P(Nt = k − j)
(λt)k−j
= e −λt
(k − j)!
Jadi, distribusi Nt+s |Ns = j adalah Poisson dengan parameter (λt).

3. Misalkan {Nt } adalah proses Poisson dengan laju λ = 2. Hitung

peluang T2 > 5 diberikan N4 = 1

Penyelesaian:
P(T2 > 5|N4 = 1) = P(T2 > 5|T1 ≤ 4)

= P(T2 > 5)
= e −2·5 = e −10

4. Misalkan TK menyatakan waktu yang dibutuhkan (elapsed time)

untuk klaim-klaim asuransi diproses; T1 menyatakan waktu yang
dibutuhkan hingga klaim pertama diproses. Diketahui T1 , T2 , . . .
saling bebas dan berdistribusi dengan fungsi peluang
f (t) = 0.1 e −0.1t , t > 0
dengan t diukur dalam setengah jam. Hitung peluang bahwa

setidaknya sebuah klaim akan diproses pada 5 jam ke depan! Berapa
peluang bahwa setidaknya 3 klaim diproses dalam 5 jam?

Penyelesaian:
P(T1 ≤ 10) = 1 − P(T1 > 10) = 1 − e −0.1(10) = 1 − e −1

Selanjutnya N10 ∼ POI (0.1(10) = 1)
Jadi,
P(N10 ≥ 3) = 1 − [P(N10 = 0) + P(N10 = 1) + P(N10 = 2)]

11 12
= 1 − e −1 − e −1 − e −1
1! 2!

Proses Poisson Jumlahan Proses Poisson
Jumlahan Proses Poisson
Pandang sebuah proses Poisson {Nt , t ≥ 0} dengan laju λ, dan misalkan

setiap kali sebuah kejadian terjadi diklasifikasikan ke dalam dua tipe, tipe I
dengan peluang p dan tipe II dengan peluang 1 − p saling bebas satu sama
lain.
Sebagai contoh, misalkan kedatangan pelanggan pada sebuah toko
merupakan proses Poisson dengan laju λ; dan misalkan masing-masing
kedatangan pelanggan pria memiliki peluang 21 dan kedatangan pelanggan
wanita memiliki peluang 12 .

Misalkan N1 (t) dan N2 (t) berturut-turut menyatakan banyaknya kejadian

tipe I dan tipe II pada selang [0, t]. Kita mendapatkan
N(t) = N1 (t) + N2 (t)
yang juga merupakan proses Poisson dengan parameter λ1 + λ2 .

Contoh
1. Mahasiswa-mahasiswa Stat UII akan datang ke Gedung Baru FMIPA

melewati pintu barat atau pintu timur gedung (pintu utaranya sedang
diperbaiki). Kedatangan mahasiswa melalui dua pintu tersebut
berturut-turut mengikuti proses Poisson dengan parameter λ1 = 12
dan λ2 = 23 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?

Penyelesaian:

1 3
NB ∼ POI , NT ∼ POI
2 2
maka N(t) = NB (t) + NT (t) ∼ POI (2)
Karena λ = 2 = 21 + 32 , maka T1 ∼ Eksp(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

1
E (TK ) =
2
c. Peluang seorang mahasiswa benar-benar datang melalui pintu barat
1
2 1
P(TB < TT ) = 1 3
=
2 + 2
4
d. Peluang setidaknya ada 2 orang masuk gedung dalam 5 menit
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

2. Seorang mahasiswi UII sedang menjadi selebriti medsos. Dia memiliki

3 akun media sosial yang masing-masing memiliki jumlah follower
yang selalu bertambah setiap waktu. Penambahan jumlah follower
mengikuti tiga proses Poisson sebagai berikut
I Penambahan jumlah follower di instagram: 2/menit
I Penambahan jumlah follower di facebook: 4/menit
I Penambahan jumlah follower di twitter: 3/menit

Tentukan:
a. Waktu harapan hingga penambahan follower berikutnya
b. Waktu harapan hingga penambahan follower instagram berikutnya
1
c. Peluang bahwa follower akun twitternya akan bertambah pada 2
menit ke depan

Penyelesaian:
N(t) = NIG (t) + NFB (t) + NTW (t)

dengan parameter λ = λIG + λFB + λTW = 9. Sehingga
1
a. E (T ) = 9
1
b. E (TIG ) = 2
c. TTW ∼ Eksp(λTW = 3), maka

1 1 3
P TTW < = 1 − e −3· 2 = 1 − e − 2
2

Proses Poisson Latihan
Latihan
1. Di suatu terminal bis, bis A dan bis B datang saling bebas mengikuti
proses Poisson. Sebuah bis A datang setiap 12 menit dan sebuah bis
B datang setiap 8 menit. Misalkan Vina akan melakukan observasi
terhadap bis-bis tersebut.
a. Berapa peluang bahwa tepat 3 bis A akan datang pada 36 menit
pertama dan tepat 2 bis B akan datang pada 16 menit pertama?
b. Hitung mean waktu tunggu (expected waiting time) hingga sebuah bis
datang!

2. Sebuah perusahaan asuransi memiliki dua jenis polis yaitu polis A dan
polis B. Pengajuan klaim yang datang mengikuti proses Poisson
dengan parameter 9 (per hari). Pemilihan klaim secara acak
menunjukkan bahwa peluang polis jenis A terpilih adalah 13 . Hitung
peluang bahwa klaim-klaim polis jenis A (atau B) yang diajukan pada
suatu hari kurang dari 2. Berapa peluang bahwa total klaim yang
diajukan pada suatu hari kurang dari 2?

3. Adi datang ke halte bis Transjogjakarta pukul 09.00 pagi. Informasi

yang ada adalah sbb:
I hingga pukul 09.45, bis akan datang mengikuti proses Poisson dengan
parameter 2 (per 30 menit)
I mulai pukul 09.45, bis akan datang mengikuti proses Poisson dengan
parameter 1 (per 30 menit) Berapa waktu tunggu yang diharapkan
(expected waiting time) Adi hingga sebuah bis datang?

Pustaka Pustaka
Pustaka
I Ross, Sheldon M. 2007. Introduction to Probability Models; 9th

Edition. New York: Academic Press.
I Syuhada, Khreshna I.A. Materi Kuliah: MA4181 Pengantar Proses
Stokastik. Departemen Matematika ITB, Bandung.
I Taylor, Howard M. dan Samuel Karlin. 1975. A First Course in
Stochastic Processes; Second Edition. New York: Academic Press.
I Virtamo, J. 38.143 Queueing Theory/ Probability Theory.


Adoc - Pub - Pengantar Proses Stokastik

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Adoc - Pub - Pengantar Proses Stokastik

Diunggah oleh

Hak Cipta:

Format Tersedia

Pengantar Proses Stokastik

Bab 5: Proses Poisson

Atina Ahdika, S.Si, M.Si

Statistika FMIPA Universitas Islam Indonesia

Waktu Antar Kedatangan

Misalkan T1 menyatakan waktu dari kejadian/kedatangan pertama.

Statistika FMIPA Universitas Islam Indonesia

Untuk menentukan distribusi dari Tn , perhatikan bahwa kejadian {T1 > t}

Statistika FMIPA Universitas Islam Indonesia

Karena T1 ∼ Eksp(λ), maka

fT1 (t1 ) = λe −λt1

Dengan demikian, perhatikan bahwa

P(T2 > t) = E (P(T2 > t|T1 ))

(mengapa demikian?) Bukti:

Statistika FMIPA Universitas Islam Indonesia

P(T2 > t|T1 ) = P(tidak ada kejadian pada (s, s + t]|T1 = s)

Dengan demikian, T2 juga peubah acak eksponensial dengan parameter λ,

Statistika FMIPA Universitas Islam Indonesia

Terdapat statistik lain yaitu Sn , merupakan waktu kedatangan kejadian

Statistika FMIPA Universitas Islam Indonesia

Misalkan waktu kedatangan turis-turis ke suatu pulau berdistribusi

Statistika FMIPA Universitas Islam Indonesia

1. E (S10 ) = E (T1 +T2 +. . .+T10 ) = E (T1 )+. . .+E (T10 ) = 10(1) = 10

Statistika FMIPA Universitas Islam Indonesia

Statistika FMIPA Universitas Islam Indonesia

Suatu proses stokastik {Nt , t ≥ 0} dikatakan sebagai proses menghitung

Statistika FMIPA Universitas Islam Indonesia

Berdasarkan definisinya, proses menghitung {Nt , t ≥ 0} harus memenuhi

Statistika FMIPA Universitas Islam Indonesia

I Sebuah proses menghitung dikatakan memiliki kenaikan independen

Statistika FMIPA Universitas Islam Indonesia

Proses menghitung {Nt , t ≥ 0} dikatakan sebagai proses Poisson dengan

menunjukkan bahwa λ dinamakan laju dari proses Poisson.

1. Misalkan {Nt } adalah proses Poisson dengan laju λ = 3. Hitung

Statistika FMIPA Universitas Islam Indonesia

Statistika FMIPA Universitas Islam Indonesia

Statistika FMIPA Universitas Islam Indonesia

E (2N2 − 4N6 ) = E (2N2 ) − E (4N6 )

Statistika FMIPA Universitas Islam Indonesia

Var (2N2 − 4N6 ) = 4 Var (N2 ) + 16 Var (N6 )

Statistika FMIPA Universitas Islam Indonesia

2. Misalkan {Nt } proses Poisson dengan laju λ. Misalkan s, t > 0, dan

Statistika FMIPA Universitas Islam Indonesia

P(Nt+s = k|Ns = j) = P(Nt+s − Ns = k − j|Ns = j)

Jadi, distribusi Nt+s |Ns = j adalah Poisson dengan parameter (λt).

Statistika FMIPA Universitas Islam Indonesia

3. Misalkan {Nt } adalah proses Poisson dengan laju λ = 2. Hitung

Statistika FMIPA Universitas Islam Indonesia

P(T2 > 5|N4 = 1) = P(T2 > 5|T1 ≤ 4)

Statistika FMIPA Universitas Islam Indonesia

4. Misalkan TK menyatakan waktu yang dibutuhkan (elapsed time)

f (t) = 0.1 e −0.1t , t > 0

dengan t diukur dalam setengah jam. Hitung peluang bahwa

Statistika FMIPA Universitas Islam Indonesia

P(T1 ≤ 10) = 1 − P(T1 > 10) = 1 − e −0.1(10) = 1 − e −1

P(N10 ≥ 3) = 1 − [P(N10 = 0) + P(N10 = 1) + P(N10 = 2)]

Statistika FMIPA Universitas Islam Indonesia

Jumlahan Proses Poisson

Pandang sebuah proses Poisson {Nt , t ≥ 0} dengan laju λ, dan misalkan

Statistika FMIPA Universitas Islam Indonesia

Misalkan N1 (t) dan N2 (t) berturut-turut menyatakan banyaknya kejadian

N(t) = N1 (t) + N2 (t)

yang juga merupakan proses Poisson dengan parameter λ1 + λ2 .