1. Superposisi/Penggabungan/Merge
Misalkan 𝑁1 (𝑡) dan 𝑁2 (𝑡) adalah Proses Poisson saling bebas dengan parameter masing-
masing 𝜆1 dan 𝜆2 dan
Jadi 𝑁(𝑡) diperoleh dengan menggabungkan peristiwa/kedatangan 𝑁1 (𝑡) dan 𝑁2 (𝑡), seperti
gambar berikut.
Langkah pertama:
Langkah selanjutnya, Fungsi Pembangkit peluang (p.g.f) untuk 𝑁(𝑡)𝑖 , 𝑖 = 1,2 adalah:
Sehingga:
𝑛
𝑒 −𝜆1 𝑡 (𝜆1 𝑡)𝑟 𝑒 −𝜆2 𝑡 (𝜆2 𝑡)𝑛−𝑟
=∑ ;𝑛 ≥ 0
𝑟! (𝑛 − 𝑟 )!
𝑟=0
𝑛
−(𝜆1 +𝜆2 )𝑡
(𝜆1 𝑡)𝑟 (𝜆2 𝑡)𝑛−𝑟
=𝑒 ∑ … … . binomial formula
𝑟! (𝑛 − 𝑟)!
𝑟=0
𝑁 = 1 + 1 + 1 + ⋯ + 1 sebanyak 𝑁 𝑠𝑢𝑘𝑢
Selanjutnya, secara terpisah dan saling bebas, hapus angka satu atau tetap pertahankan dengan
peluang masing-masing adalah 1 − 𝑝 𝑑𝑎𝑛 𝑝. Jika kemunculan angka satu saling bebas dengan
kemunculan angka 1 berikutnya. Distribusi dari 𝑀 = 1 + 0 + 0 + 1 + ⋯ + 0 dinyatakan
dalam teroema berikut:
Teorema:
Misalkan 𝑁 adalah peubah acak Poisson dengan parameter 𝜆, dan dengan bersyarat 𝑁, misalkan
𝑀 memiliki distribusi binomial dengan parameter 𝑁 dan 𝑝. Maka distribusi tak bersyarat 𝑀
merupakan peubah acak Poisson dengan parameter 𝜆𝑝.
Bukti:
Misalkan 𝑁(𝑡) adalah Proses Poisson dengan laju 𝜆. 𝑁(𝑡) dibagi menjadi dua proses
𝑁1 (𝑡) 𝑑𝑎𝑛 𝑁2 (𝑡). Perhatikan Gambar
Kita bisa misalkan kedua proses tersebut merupakan realisasi dari sebuah pelemparan coin,
dimana peluang munculnya muka, 𝑃 (𝑔𝑎𝑚𝑏𝑎𝑟) = 𝑝 dengan muncul gambar kita set sebagai
proses {𝑁1 (𝑡)}, dan muncul angka sebagai {𝑁2 (𝑡)} dengan peluang 𝑃 (𝑎𝑛𝑔𝑘𝑎) = 𝑞 = 1 − 𝑝.
Akan dibuktikan:
Bukti:
a) Berdasarkan Teorema 1:
𝑒 −𝜆𝑝 (𝜆𝑝)𝑘
𝑃 { 𝑁1 (𝑡) = 𝑘 } =
𝑘!
c) Peluang Bersama:
𝑃 { 𝑁1 (𝑡) = 𝑘, 𝑁2 (𝑡) = 𝑛 − 𝑘 }
∞
Dengan
𝑒 −𝜆𝑡 (𝜆𝑡)𝑛
𝑃{𝑁 (𝑡) = 𝑛} =
𝑛!
𝑛
𝑃 { 𝑁1 (𝑡) = 𝑘, 𝑁2 (𝑡) = 𝑛 − 𝑘|𝑁 (𝑡) = 𝑛} = ( ) 𝑝𝑘 (1 − 𝑝)𝑛−𝑘
𝑘
Karena:
𝑒 −𝜆𝑡 (𝜆𝑡)𝑛
= 𝑃 { 𝑁1 (𝑡) = 𝑘, 𝑁2 (𝑡) = 𝑛 − 𝑘|𝑁 (𝑡) = 𝑛}
𝑛!
Tetapi karena 𝑁(𝑡) merupakan peristiwa Binomial, dimana kemunculan gambar dianggap
sebagai “sukses” dan angka sebagai “gagal” (atau sebaliknya) maka:
𝑛
𝑃 { 𝑁1 (𝑡) = 𝑘, 𝑁2 (𝑡) = 𝑛 − 𝑘|𝑁 (𝑡) = 𝑛} = ( ) 𝑝𝑘 (1 − 𝑝)𝑛−𝑘
𝑘
Sehingga
𝑛
= 𝑃 { 𝑁1 (𝑡) = 𝑘, 𝑁2 (𝑡) = 𝑛 − 𝑘 }
Selanjutnya, karena:
∞
∞
𝑒 −𝜆𝑝𝑡 (𝜆𝑝𝑡)𝑘 −𝜆(1−𝑝)𝑡 (𝜆(1 − 𝑝)𝑡)𝑚
= 𝑒 ∑
𝑘! 𝑚!
𝑚=1
𝑒 −𝜆𝑝𝑡 (𝜆𝑝𝑡)𝑘
= … … … … … … … … … … … … …. (2)
𝑘!
𝑒 −𝜆𝑞𝑡 (𝜆𝑞𝑡)𝑚
=
𝑚!
𝑛=𝑘+𝑚
𝑒 −𝜆𝑝𝑡 (𝜆𝑝𝑡)𝑘 𝑒 −𝜆𝑞𝑡 (𝜆(1 − 𝑝)𝑡)𝑛−𝑘 𝑒 −𝜆𝑝𝑡 (𝜆𝑝𝑡)𝑘 𝑒 −𝜆(1−𝑝)𝑡 (𝜆(1 − 𝑝)𝑡)𝑚
. = .
𝑘! (𝑛 − 𝑘 )! 𝑘! 𝑚!
Dari uraian di atas, sebuah Proses Poisson {𝑁(𝑡), 𝑡 ≥ 0} dengan parameter 𝜆 terdekomposisi
secara acak menjadi dua peubah acak { 𝑁1 (𝑡), 𝑡 ≥ 0} dan { 𝑁2 (𝑡), 𝑡 ≥ 0} saling bebas dengan
parameter masing-masing 𝜆𝑝 dan 𝜆(1 − 𝑝)
Sebagai contoh, misalkan kelahiran bayi pada sebuah rumah sakit merupakan sebuah proses
Poisson dengan parameter 𝜆. Jika peluang kelahiran setiap bayi laki-laki adalah 𝑝, maka
kelahiran bayi laki-laki merupakan sebuah proses Poisson dengan parameter 𝜆𝑝 dan kelahiran
bayi perempuan merupakan proses Poisson dengan parameter 𝜆(1 − 𝑝)
Secara umum, sebuah proses Poisson {𝑁 (𝑡), 𝑡 ≥ 0} dengan parameter 𝜆 dapat terdekomposisi
ke dalam 𝑛 proses Poisson saling bebas. Jika 𝑝1 , 𝑝2 , … , 𝑝𝑛 adalah peluang masing-masing
dekomposisi dengan 𝑝1 + 𝑝2 + ⋯ + 𝑝𝑛 = 1 maka parameter untuk masing-masing adalah
𝜆𝑝1 , 𝜆𝑝2 , … , 𝜆𝑝𝑛
𝑛 𝑢 𝑛 𝑢 𝑛−𝑘
𝑃 {𝑁 (𝑢) = 𝑘|𝑁(𝑡) = 𝑛} = ( ) ( ) (1 − ) (𝑘 = 0,1,2, … , 𝑛)
𝑘 𝑡 𝑡
Bukti:
𝑢
Merupakan distribusi binomial dengan parameter 𝑛 dan 𝑡
Misalkan dalam selang (0, 𝑡] telah terjadi 1 peristiwa. Dengan kata lain 𝑁(𝑡) = 1.
Distribusi dari waktu terjadinya peristiwa tersebut (waktu menunggu sampai peristiwa ke 1
terjadi) adalah sebagai berikut. Misalkan kejadian tersebut terjadi sebelum 𝑠.
Jadi waktu 𝑛 kedatangan, 𝑆1 , 𝑆2 , … , 𝑆𝑛 diketahui 𝑁(𝑡) = 𝑛 adalah 𝑖𝑖𝑑 uniform pada interval
(0, 𝑡]
Misalkan:
Sebagai contoh:
Jika 𝑇1 = 5 dan 𝑇2 = 10, maka kedatangan/kejadian pertama terjadi pada waktu 𝑡 = 5, dan
kejadian ke 2 terjadi pada waktu 𝑡 = 15.
Misalkan peristiwa pertama terjadi sesudah 𝑡, atau 𝑇1 > 𝑡. Artinya dalam interval waktu
[0, 𝑡] tidak terjadi peristiwa atau 𝑁(𝑡) = 0. Yang berarti
1
Jadi 𝑇1 berdistribusi exponensial dengan mean 𝜆.
Selanjutnya, misalkan kejadian ke 2 terjadi sesuadah 𝑡 dengan kejadian ke 1 terjadi pada saat
𝑠. Jelas 𝑠 < 𝑡. Jadi 𝑇2 > 𝑡
Maka
𝑃(𝑇2 > 𝑡|𝑇1 = 𝑠) = 𝑃 (𝑡𝑖𝑑𝑎𝑘 𝑎𝑑𝑎 𝑘𝑒𝑗𝑎𝑑𝑖𝑎𝑛 𝑑𝑎𝑙𝑎𝑚 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙 (𝑠, 𝑠 + 𝑡]|𝑇1 = 𝑠)
Dari uraian di atas, jika 𝑁 (𝑡) adalah proses Poisson dengan parameter 𝜆 > 0 maka waktu
antara kedatangan 𝑇1, 𝑇2 , … independent dan berdistribusi exponensial(𝜆). Dan berdasarkan
sifat memoryless distribusi eksponensial maka:
Dengan cara yang sama, akan diperoleh hasil sebagaimana dinyatakan dalam proposisi
berikut ini:
Proposisi:
Sebuah Proses Poisson dengan laju 𝜆 mempunyai waktu antar kedatangan 𝑇𝑛 , 𝑛 = 1,2, …
berdistribusi eksponensial dengan rataan 1/𝜆. Sebaliknya juga berlaku, yaitu proses
kedatangan dengan waktu antar kedatangan berdistribusi eksponensial merupakan sebuah
proses Poisson.
Contoh
Pada sebuah persimpangan jalan yang cukup ramai, telah dianalisis bahwa kecelakaan sering
terjadi dan mengikuti distribusi eksponensial dengan rata-rata lima hari antar kecelakaan.
Sekarang tengah hari pada hari Kamis dan kecelakaan baru saja terjadi. Kita ingin
mengetahui kemungkinan bahwa kecelakaan berikutnya akan terjadi dalam 48 jam ke depan.
Jawab.
2
𝑃 {𝑇1 ≤ 2} = 1 − 𝑃{𝑇1 > 2} = 1 − 𝑃{𝑁(2) = 0} = 1 − 𝑒 −5 = 0,3297
Waktu kedatangan sampai terjadinya peristiwa ke- 𝑛 disebut waktu menunggu dan dinotasikan
dengan 𝑆𝑛 . Jadi
𝑆1 = 𝑇1
𝑆2 = 𝑇1 + 𝑇2
𝑆3 = 𝑇1 + 𝑇2 + 𝑇3
⋮
𝑆𝑛 = 𝑆𝑛−1 + 𝑇𝑛
atau
𝑁(𝑡)=𝑛
𝑆𝑛 = ∑ 𝑇𝑖 , 𝑛 ≥ 1
𝑖=1
Karena 𝑆𝑛 ≤ 𝑡 bermakna bahwa waktu menunggu sampai terjadinya peristiwa ke 𝑛 kurang dari 𝑡,
maka 𝑁(𝑡) ≥ 𝑛.
Akibatnya
(𝜆𝑡)𝑗
𝐹𝑆𝑛 (𝑡) = 𝑃(𝑆𝑛 ≤ 𝑡) = 𝑃( 𝑁(𝑡) ≥ 𝑛) = ∑ 𝑒 −𝜆𝑡
𝑗!
𝑗=𝑛
Sehingga
Jadi 𝑆𝑛 ~𝐺(𝑛, 𝜆)
Cara lain untuk mendapatkan fungsi kepadatan dari 𝑆𝑛 . Karena 𝑆𝑛 adalah waktu sampai terjadinya
peristiwa ke- 𝑛 maka:
Contoh
Misalkan orang berimigrasi ke suatu wilayah dengan laju Poisson 𝜆 = 1 per hari
============================================================================