Proses poisson

Proses Poisson adalah sebuah proses menghitung, yang menghitung banyaknya

kemunculan suatu atau beberapa peristiwa pada waktu tertentu. Sebagai contoh, peristiwa
kedatangan pelanggan pada konter suatu bank, terjadinya gempa bumi di wilayah tertentu,
terjadinya gangguan jaringan internet, dll. Proses Poisson adalah sebuah alat untuk
memodelkan berbagai masalah probablistik.

1. Proses Menghitung

Proses Stochastik {𝑁(𝑡), 𝑡 ≥ 0} disebut proses menghitung jika 𝑁(𝑡)menyatakan

banyaknya kejadian atau peristiwa yang terjadi dalam interval waktu [0, 𝑡].

Contoh:

a. Jika 𝑁(𝑡) menyatakan banyaknya pengunjung yang masuk ke sebuah toko sebelum waktu t,
maka {𝑁 (𝑡), 𝑡 ≥ 0} adalah sebuah proses menghitung yang mana kejadiannya berkaitan
dengan orang yang memasuki toko. Jika 𝑁(𝑡) menyatakan banyaknya orang pada suatu toko
pada saat 𝑡 maka {𝑁(𝑡), 𝑡 ≥ 0} bukan proses menghitung.

b. Jika sebuah kejadian dikatakan terjadi bilamana seorang bayi lahir maka {𝑁(𝑡), 𝑡 ≥ 0}
adalah sebuah proses menghitung, dengan 𝑁 (𝑡) menyatakan banyaknya orang yang
melahirkan sampai waktu 𝑡.

c. Jika 𝑁(𝑡) menyatakan banyaknya gol yang dicetak pemain sepak bola sampai waktu 𝑡, maka
{𝑁 (𝑡), 𝑡 ≥ 0} adalah sebuah proses menghitung. Dalam hal ini sebuah peristiwa dikatakan
terjadi jika pemain mencetak gol.

Dari definisi di atas, jika {𝑁(𝑡), 𝑡 ≥ 0} adalah proses menghitung maka 𝑁(𝑡)
memenuhi:

1. 𝑁(𝑡) ≥ 0

2. 𝑁(𝑡) bernilai bilangan bulat non negative

3. Jika 𝑠, 𝑡 ∈ 𝑇 dengan 𝑠 < 𝑡 maka 𝑁 (𝑠) ≤ 𝑁(𝑡)

4. Jika 𝑠 < 𝑡 maka 𝑁(𝑡) − 𝑁(𝑠) menyatakan banyaknya event yang terjadi dalam selang
dalam (𝑠, 𝑡]

Sifat Kenaikan bebas dan kenaikan stasioner:

− Sebuah proses menghitung dikatakan memiliki kenaikan bebas jika banaknya event yang
terjadi dalam interval waktu yang tidak beririsan adalah saling bebas. Sebagai contoh,
banyaknya kejadian yang terjadi sampai waktu 𝑡 = 10 atau N(10) saling bebas dengan
banyaknya event yang terjadi antara 𝑡 = 10 dan 𝑡 = 17 atau N(17)-N(10)
− Sebuah proses menghitung dikatakan memiliki kenaikan stasioner jika distribusi
banyaknya event yang terjadi pada sebarang interval waktu bergantung hanya pada panjang
interval. Dengan kata lain, proses mempunyai kenaikan stasioner jika banyaknya event
pada interval waktu (𝑠, 𝑠 + 𝑡) mempunyai distribusi yang sama untuk setiap 𝑠.

Tidak semua proses menghitung memiliki kedua sifat tersebut. Pada contoh a,b,c di atas, sifat
mana saja yang dimiliki masing-masing?

Pada prinsipnya model matematika menerjemahkan fenomena dunia nyata ke dalam

bahasa matematika. Namun model matematika tidak menggambarkan kondisi dunia nyata
secara tepat, sehingga diperlukan untuk membuat penyederhanaan dengan menetapkan asumsi-
asumsi sehingga fenomena yang sesungguhnya yang terjadi di alam nyata dapat ditelusuri
secara matematika. Namun, dalam melakukan penyederhanaan, tidak boleh terlalu banyak
asumsi yang digunakan untuk menghindari model matematika tidak menyerupai fenomena
dunia nyata.

Salah satu asumsi penyederhanaan yang sering dibuat adalah dengan mengasumsikan
bahwa variabel acak tertentu berdistribusi eksponensial. Distribusi eksponensial relatif mudah
untuk dikerjakan dan seringkali merupakan pendekatan yang baik untuk distribusi yang
sebenarnya.

2. Distribusi Eksponensial

Di dalam teori probabilistik, distribusi eksponensial merupakan distribusi peluang

kontinu yang sering menyangkut jumlah waktu/lamanya waktu hingga suatu peristiwa tertentu
terjadi. Jadi distribusi eksponensial adalah sebuah fungsi distribusi peluang yang umumnya
digunakan untuk mengukur rata-rata waktu dari terjadinya suatu peristiwa, dengan asumsi
bahwa peristiwanya terjadi secara kontinu dan saling bebas dengan laju rata-rata yang konstan.

Peubah acak kontinu 𝑋 dikatakan berdistribusi ekponensial dengan parameter 𝜆, 𝜆 >

0, jika 𝑋 mempunyai fungsi kepadatan peluang (pdf: probability density function):

−𝜆𝑥
𝑓 (𝑥 ) = {𝜆𝑒 , 𝑥 ≥ 0
0, 𝑥<0
Atau fungsi distribusi kumulatif:
𝑥 −𝜆𝑥
𝐹 (𝑥 ) = 𝑃(𝑋 ≤ 𝑥 ) = ∫ 𝑓 (𝑦)𝑑𝑦 = {1 − 𝑒 , 𝑥 ≥ 0
−∞ 0, 𝑥<0
º Mean 𝐸(𝑋) atau ekspekatasi dari distribusi eksponensial adalah:
∞ ∞
1
𝐸[𝑋] = ∫ 𝑥𝑓 (𝑥 )𝑑𝑥 = ∫ 𝑥𝜆𝑒 −𝜆𝑥 𝑑𝑥 =
−∞ −∞ 𝜆

º Fungsi pembangkit moment 𝜙 (𝑡)

∞ 𝜆
𝜙(𝑡) = 𝐸 [𝑒 𝑡𝑋 ] = ∫0 𝑒 𝑡𝑥 𝜆𝑒 −𝜆𝑥 𝑑𝑥 = 𝜆−𝑡 , 𝑡<𝜆

Moment ke-𝑘 𝐸 [𝑋 𝑘 ] untuk setiap 𝑘 ∈ 𝑁 diperoleh dengan mendifferensialkan 𝜙 (𝑡).

Sebagai contoh, moment ke-2 𝐸[𝑋 2 ] adalah:
𝑑2 2𝜆 2
𝐸 [𝑋 2 ] = 2
𝜙(𝑡)|𝑡=0 = 3
|𝑡=0 = 2
𝑑𝑡 (𝜆 − 𝑡 ) 𝜆
º Variansi Var[X]:

2]
2 1 2 1
𝑉𝑎𝑟[𝑋] = 𝐸 [𝑋 − 𝐸 [𝑋 ]2 = 2−( ) = 2
𝜆 𝜆 𝜆
Grafik kepadatan (density) eksponensial dan distribusi eksponsial seperti
diperlihatkan berikut ini:

Gambar 1. Grafik kepadatan distribusi eksponensial parameter 𝜆

 Gambar 2. Grafik distribusi eksponensial

Contoh peubah acak berdistribusi eksponensial, diantaranya adalah

Contoh 1.
Misalkan rata-rata dalam tiga bulan terjadi sebuah gempa bumi di California adalah 3. Berapa
peluang bahwa gempa bumi berikutnya terjadi setelah 3 bulan tetapi sebelum 7 bulan?
Jawab
Misalkan 𝑋 menyatakan waktu (dalam bulan) sampai terjadinya peristiwa (gempa bumi)
1
berikutnya. Dalam kasus ini, diasumskan 𝑋 berdistribusi eksponensial dengan mean = 3,
𝜆
atau 𝜆 = 3. Karena fungsi distribusi 𝑋, yaitu 𝐹 adalah:
𝐹 (𝑡) = 𝑃(𝑋 ≤ 𝑡) = 1 − 𝑒 −𝑡/3 , 𝑡 > 0,
maka:
𝑃(3 < 𝑋 < 7) = 𝑃 (𝑋 ≤ 7) − 𝑃 (𝑋 ≤ 3)
= 𝐹 (7) − 𝑃 (3)

= (1 − 𝑒 −7/3 ) − (1 − 𝑒 −1 ) ≈ 0,27
Dari sifatnya yang saling bebas dan berdistribusi identik, maka:

Properties of Eksponensial Distribution

a. Memoryless

Peubah acak 𝑋 dikatakan tanpa memory atau memoryless jika

𝑃{𝑋 > 𝑡 + 𝑠|𝑋 > 𝑡} = 𝑃{𝑋 > 𝑠}, 𝑠, 𝑡 > 0

Jika 𝑋 adalah masa pakai dari sebuah unit/alat, maka persamaan di atas menyatakan bahwa
peluang unit hidup/beroperasi paling sedikit dalam 𝑡 + 𝑠 jam diketahui bahwa unit telah
bertahan selama 𝑡 jam sama dengan peluang awal bahwa unit hidup/menyala setidaknya
dalam 𝑠 jam. Dengan kata lain jika unit aktif/hidup berfungsi pada saat 𝑡, maka distribusi dari
jumlah sisa waktu unit berfungsi sama dengan distribusi awal (unit tidak mengingat waktu 𝑡
yang telah digunakan).

Persamaan di atas ekuivalen dengan persamaa berikut:

𝑃 {𝑋 > 𝑡 + 𝑠, 𝑋 > 𝑡}
= 𝑃{𝑋 > 𝑠}
𝑃 {𝑋 > 𝑡}
Atau
𝑃{𝑋 > 𝑡 + 𝑠} = 𝑃 {𝑋 > 𝑠}𝑃{𝑋 > 𝑡}
Jika 𝑋 berdistribusi exponensial, maka:

𝑃{𝑋 > 𝑡 + 𝑠} = 1 − 𝑃{𝑋 ≤ 𝑡 + 𝑠} = 1 − 𝐹 (𝑡 + 𝑠) = 1 − (1 − 𝑒 −𝜆(𝑠+𝑡) )

= 𝑒 −𝜆𝑠 . 𝑒 −𝜆𝑠
= 𝑃{𝑋 > 𝑠}. 𝑃 {𝑋 > 𝑡}

Dari sini dapat dilihat bahwa peubah acak yang berdistribusi exponensial bersifat
memoryless.

Contoh 2.
Misalkan lama waktu yang dibutuhkan seseorang pada suatu bank berdistribusi eksponensial
1
dengan mean 10 menit, atau 𝜆 = 10. Berapa peluang bahwa seorang pelanggan akan

menghabiskan lebih dari 15 menit di bank tersebut? Berapa peluang bahwa seorang
pelanggan akan menghabiskan waktu lebih dari 15 menit di bank tersebut jika pelanggan
tersebut telah berada di sana lebih dari 10 menit?

Jawab
Jika 𝑋 menyatakan banyaknya waktu yang pelanggan habiskan untuk berada di bank tersebut,
maka peluang (𝑋 > 15):

1 3
𝑃(𝑋 > 15) = 1 − 𝑃(𝑋 ≤ 15) = 1 − 𝐹 (15) = 𝑒 −10.15 = 𝑒 −2 ≈ 0.22

Selanjutnya, jika pelanggan tersebut telah berada di bank tersebut lebih dari 10 menit, maka
peluang akan masih berada di tempat itu lebih dari 15 menit adalah:

𝑃(𝑋 > 15|𝑋 > 10) = 𝑃(𝑋 > 5 + 10|𝑋 > 10)

= 𝑃 (𝑋 > 5) = 1 − 𝑃 (𝑋 < 5)

1 1
= 1 − 𝐹 (5) = 𝑒 −10.5 = 𝑒 −2 ≈ 0.604

Contoh 3.
Jika umur sebuah TV tabung (dalam tahun) adalah variabel acak eksponensial dengan mean
10. Jika Toni membeli TV-nya 10 tahun yang lalu, berapa probabilitas bahwa TVnya akan
bertahan 10 tahun lagi?

Jawab:

Misalkan 𝑋 menyatakan umur TV tabung. Dan diasumsikan tidak ada penurunan kondisi yg
diakibatkan oleh umur TV. Karena 𝑋 merupakan peubah acak eksponensial maka peluang
TV masih akan berumur 10 tahun jika sebelumnya telah berumur 10 tahun, dapat dinyatakan
sebagai peluang TV akan bertahan sampai 20 tahun jika sebelumnya telah berumur 10 tahun,
atau:

10
𝑃 (𝑋 > 20|𝑋 > 10) = 𝑃 (𝑋 > 10) = 1 − 𝑃(𝑋 ≤ 10) = 𝑒 −10 ≈ 0,37.
b. Misalkan 𝑋1 , 𝑋2 , … , 𝑋𝑛 merupakan peubah acak eksponensial saling bebas dan
1
berdistribusi identik dengan mean 𝜆. Maka 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 berdistribusi Gamma
dengan parameter 𝑛 dan 𝜆, dengan fungsi densitas:

(𝜆𝑡)𝑛−1
𝑓𝑋1 +𝑋2 +⋯+𝑋𝑛 (𝑡) = 𝜆𝑒 −𝜆𝑡
(𝑛 − 1)!
c. Misalkan 𝑋1 dan 𝑋2 adalah peubah acak eksponensial dengan mean masing-masing adalah
1 1
dan 𝜆 , maka:
𝜆1 2

𝜆1
𝑃(𝑋1 < 𝑋2 ) =
𝜆1 + 𝜆2
d. Misalkan 𝑋1 , 𝑋2 , … , 𝑋𝑛 merupakan peubah acak eksponensial saling bebas, dengan 𝑋𝑖
mempunyai laju 𝜇𝑖 , 𝑖 = 1,2, … , 𝑛. Maka peubah acak terkecil dari 𝑋𝑖 , 𝑖 = 1,2, … , 𝑛 juga
merupakan peubah acak eksponensial dengan laju sama dengan ∑𝑖=𝑛
𝑖=1 𝜇𝑖 .

Jadi,
𝑃 {min(𝑋1 , 𝑋2 , … , 𝑋𝑛 ) > 𝑥 } = 𝑃 {𝑋𝑖 > 𝑥 untuk setiap 𝑖 = 1,2, … , 𝑛}
𝑛

= ∏ 𝑃{𝑋𝑖 > 𝑥}
𝑖=1
𝑛

= ∏ 𝑒 −𝜇𝑖 𝑥
𝑖=1
𝑛

= exp {− (∑ 𝜇𝑖 ) 𝑥}
𝑖=1

Sifat memoryless dari Proses Poisson dapat dilihat dari waktu antar kedatangan.

Karena 𝑃{𝑋𝑛 > 𝑡} = 𝑒 −𝜆𝑡 , maka peluang bersyarat bahwa 𝑋𝑛 > 𝑡 + 𝑥 diketahui 𝑋𝑛 >
𝑡 adalah:

𝑃{𝑋𝑛 > 𝑡 + 𝑥, 𝑋𝑛 > 𝑡}

𝑃{𝑋𝑛 > 𝑡 + 𝑥|𝑋𝑛 > 𝑡} =
𝑃{𝑋𝑛 > 𝑡}

𝑃{𝑋𝑛 > 𝑡 + 𝑥 }
=
𝑃{𝑋𝑛 > 𝑡}

1 − 𝐹𝑋 (𝑡 + 𝑥 )
=
1 − 𝐹𝑋 (𝑡)
 2. Proses Poisson

Berbeda dengan distribusi eksponensial yang berfokus pada waktu terjadinya suatu
perostiwa, distribusi Poisson berkaitan dengan banyaknya peristiwa yang terjadi pada suatu
waktu tertentu.

a. Peubah acak Poisson

Peubah acak 𝑋 (diskrit) dikatakan peubah acak Poisson dengan parameter 𝜆, jika untuk
suatu 𝜆 > 0,

𝜆𝑖
𝑝(𝑖 ) = 𝑃{𝑋 = 𝑖 } = 𝑒 −𝜆 , 𝑖 = 0,1, …
𝑖!

Persamaan di atas mendefinisikan sebuah fungsi massa peluang karena:

Salah satu sifat penting dari peubah acak Poisson adalahdapat mengaproksimasi peubah acak
Binomial untuk 𝑛 besar dan 𝑝 kecil. Uraian mengenai hal tersebut dapat dilihat di bawah ini:

Misalkan 𝑋 adalah peubah acak Binomial dengan parameter (𝑛, 𝑝), dan misalkan 𝜆 = 𝑛𝑝.

Untuk 𝑛 besar dan 𝑝 kecil,

sehingga
Contoh:

Misalkan banyaknya kesalahan pengetikan pada satu halaman pada catatan ini berdistribusi
Poisson dengan parameter 𝜆 = 1. Tentukan peluang terdapat paling sedikit 1 kesalahan pada
halaman ini.

Penyelesaian:

𝑃{𝑋 ≥ 1} = 1 − 𝑃 {𝑋 = 0} = 1 − 𝑒 −1 ≈ 0,633

Contoh:

Jika banyaknya kecelakaan pada sebuah ruas jalan raya setiap hari merupakan peubah acak
Poisson degan parameter 𝜆 = 3, tentukan peluang bahwa tidak ada kecelakaan yang terjadi
pada hari ini.

Penyelesaian:

𝑋 = 0 bermakna tidak ada kecelakaan yang terjadi.

Jadi 𝑃{𝑋 = 0} = 𝑒 −3 = 0,05

Proses Poisson adalah salah satu proses menghitung yang paling banyak digunakan.
Biasanya digunakan dalam skenario di mana kita menghitung kemunculan peristiwa tertentu
yang tampaknya terjadi pada tingkat tertentu, tetapi sepenuhnya acak (tanpa struktur tertentu).
Sebagai contoh, misalkan dari data historis, kita mengetahui bahwa gempa bumi terjadi di
wilayah tertentu dengan kecepatan 22 per bulan. Selain informasi ini, waktu gempa tampaknya
benar-benar acak. Jadi Proses Poisson bisa jadi merupakan model yang baik untuk gempa
bumi.

Misalkan 𝑋𝑡 menyatakan banyaknya pelanggan yang datang pada sebuah toko sampai
waktu 𝑡. Dalam hal ini, 𝑡 kontinu dan nilai 𝑋𝑡 adalah bilangan bulat non negatif. Misalkan kita
membuat 3 asumsi tentang laju kedatangan pelanggan sebagai berikut:

1. banyaknya pelanggan yang tiba sepanjang satu interval waktu tidak mempengaruhi
banyaknya kedatangan pada interval waktu yang berbeda

2. Rata-rata laju kedatangan pelanggan konstan

3. Pada setiap kedatangan, pelanggan yang datang adalah 1 orang.

 Asumsi-asumsi tersebut secara matematika dinyatakan sebagai berikut:

1. Jika 𝑠1 ≤ 𝑡1 ≤ 𝑠2 ≤ 𝑡2 ≤ ⋯ ≤ 𝑠𝑛 ≤ 𝑡𝑛 , maka peubah acak 𝑋𝑡1 − 𝑋𝑠1 , 𝑋𝑡2 − 𝑋𝑠2 , … , 𝑋𝑡𝑛 −

𝑋𝑠𝑛 saling bebas.

2. Laju kedatangan pelanggan adalah 𝜆, yang berarti bahwa rata-rata banyaknya pelanggan
yang datang pada saat 𝑡 adalah 𝜆𝑡

3. Peluangnya kecil bahwa ada lebih dari satu pelanggan datang dalam interval waktu yang
kecil.

Dalam notasi matematika:

𝑃{𝑋 (𝑡 + ℎ) = 𝑋(𝑡)} = 1 − 𝜆(ℎ) + 𝑜(ℎ)

𝑃{𝑋 (𝑡 + ℎ) = 𝑋(𝑡) + 1} = 𝜆(ℎ) + 𝑜(ℎ)

𝑃 {𝑋(𝑡 + ℎ) ≥ 𝑋(𝑡) + 2} = 𝑜(ℎ)

Dengan 𝑜(ℎ) merupakan fungsi dimana untuk ℎ yang kecil, 𝑜(h) jauh lebih kecil.

Proses stochastic 𝑋𝑡 dengan 𝑋0 = 0 memenuhi asumsi-asumsi tersebut di atas disebut proses

Poisson dengan parameter 𝜆.

Definisi Proses Poisson

Definisi 1:

Proses menghitung {𝑁 (𝑡), 𝑡 ≥ 0} disebut proses Poisson dengan laju 𝜆 jika waktu antar
kejadian 𝑋1 , 𝑋2 , … berdistribusi exponensial dengan fungsi didtribusi:

Definisi 2:
Proses menghitung {𝑁 (𝑡), 𝑡 ≥ 0} disebut proses Poisson dengan laju 𝜆, 𝜆 > 0 jika:

1. 𝑁(0) = 0

2. Proses mempunyai kenaikan bebas

3. Banyaknya kejadian di dalam sebarang interval dengan panjang 𝑡 berdistribusi Poisson
dengan mean 𝜆𝑡, yaitu untuk 𝑠, 𝑡 ≥ 0

Sifat 3 juga menyatakan bahwa Proses Poisson memiliki kenaikan stasioner.

Mean 𝜇(𝑡) dari distribusi Poisson:

𝜇 (𝑡) = 𝐸[(𝑁(𝑡)] = 𝜆𝑡; 𝜆 menyatakan laju proses

Dengan kata lain, 𝜆 menyatakan rata-rata laju kedatangan per satuan waktu.

Contoh 1

20
Panggilan telepon mengikuti suatu proses Poisson dengan laju 𝑗𝑎𝑚. Tentukan peluang bahwa

15 panggilan telepon terjadi pada satu jam pertama.

Jawab:

Yang ditanyakan adalah:

𝑃{𝑁(1) = 15}

Panjang interval waktu terjadinya kejadian tersebut adalah 1, sehingga:

−20
(20)15
𝑃{𝑁 (1) = 15} = 𝑒 .
15!

Contoh 2.

Berdasarkan laju proses Poisson pada contoh 1, tentukan peluang terdapat 5 panggilan
telepon pada setengah jam pertama dan 10 panggilan telepon pada setengah jam berikutnya;

Jawab:

Diketahui: 𝑁 (0,5) = 5 dan 𝑁 (1) − 𝑁 (0,5) = 10.

Karena Proses Poisson memiliki kenaikan stasioner maka

𝑃{𝑁 (1) − 𝑁 (0,5) = 10} = 𝑃 {𝑁 (0,5) = 10}

Sehingga:

peluang terdapat 5 panggilan telepon pada setengah jam pertama dan 10 panggilan telepon
pada setengah jam berikutnya adalah:

𝑃 {𝑁 (0,5) = 10, 𝑁(1) − 𝑁(0,5) = 10} = 𝑃{𝑁 (0,5) = 10, 𝑁 (0,5) = 10}

Dan karena Proses Poisson juga memiliki kenaikan bebas maka

𝑃{𝑁 (0,5) = 10, 𝑁 (0,5) = 10} = 𝑃 {𝑁(0,5) = 10}. 𝑃{𝑁 (0,5) = 10}

𝑒 −20.0,5 (20.0,5)5 𝑒 −20.0,5 (20.0,5)5

= . .
5! 10 5! 10

Contoh:

Misalkan kedatangan panggilan telepon pada suatu call centre merupakan sebuah
25
Proses Poisson dengan laju 𝑗𝑎𝑚. Banyaknya panggilan yang diharapkan dalam pergantian shift

setiap 8 jam adalah 𝐸(𝑁 (8)) = 25𝑥8 = 200. Diasumsikan telah terjadi kedatangan sebanyak
20 panggilan dari jam 8 a.m sampai dengan jam 9 a.m. Berapa peluang tidak akan ada
panggilan yang datang dari jam 9 a.m sampai 9.06 a.m?

Jawab:

Karena sifat kenaikan bebas, informasi tentang 20 panggilan tidak relevan. Dari sifat
kenaikan stasioner, kita hanya perlu mengetahui panjang interval adalah 6 menit (atau 0,1 jam),
sehingga:

(25𝑥0,1)0
𝑃 {𝑁(0,1) = 0} = 𝑒 −25𝑥0,1 = 𝑒 −25 = 0,08208
0!

Selain definisi yang diberikan pada Definisi 1, Proses Poisson dapat juga didefinisikan dalam
versi yang lain. Namun terlebih dahulu diperkenalkan sebuah notasi 𝑜(ℎ) untuk fungsi fungsi.

Fungsi 𝑓(. )dikatakan sebagai 𝑜(ℎ) jika:

𝑓 (ℎ )
lim =0
ℎ→0 ℎ

Jadi 𝑓 adalah 𝑜(ℎ) jika untuk nilai ℎ kecil, 𝑓(ℎ) adalah kejadian kecil yang berelasi dengan ℎ.

Contoh:

1. Fungsi 𝑓 (𝑥 ) = 𝑥 2 adalah 𝑜(ℎ) karena:

 𝑓 (ℎ ) ℎ2
lim = lim = lim ℎ = 0
ℎ→0 ℎ ℎ→0 ℎ ℎ→0

2. Fungsi 𝑓 (𝑥 ) = 𝑥 bukan 𝑜(ℎ) karena:

𝑓 (ℎ ) ℎ
lim = lim = lim 1 = 1 ≠ 0
ℎ→0 ℎ ℎ→0 ℎ ℎ→0

Definisi 2:

Proses menghitung {𝑁 (𝑡), 𝑡 ≥ 0} disebut proses Poisson dengan laju 𝜆, 𝜆 > 0 jika:
1. 𝑁(0) = 0
2. Proses mempunyai kenaikan bebas dan kenaikan stasioner
3. 𝑃(𝑁(ℎ) = 1) = 𝜆(ℎ) + 𝑜(ℎ)
4. 𝑃(𝑁(ℎ) ≥ 2) = 𝑜(ℎ)
Dengan menggunakan definisi ini, kita dapatkan bahwa:
- 𝑃{𝑁(𝑡) = 𝑘|𝑁 (0) = 0} = 𝑃 {𝑁 (𝑡) = 𝑘 } (𝑘 = 0,1,2, … )
menyatakan peluang 𝑘 peristiwa yang terjadi dalam interval [0, 𝑡] dan ∑∞
𝑘=1 𝑃{𝑁 (𝑡 ) = 𝑘 } =
1
- Dari 2,3, dan 4:
1 − 𝜆ℎ + 𝑜(ℎ) 𝑢𝑛𝑡𝑢𝑘 𝑘 = 𝑗
{ ( ) ( ) }
𝑃 𝑁 𝑡 + ℎ = 𝑘|𝑁 𝑡 = 𝑗 = { 𝜆ℎ + 𝑜(ℎ) 𝑢𝑛𝑡𝑢𝑘 𝑘 = 𝑗 + 1
𝑜(ℎ) 𝑢𝑛𝑡𝑢𝑘 𝑘 > 𝑗 + 1

Dari persamaan 2 dan persamaan terakhir:

diperoleh:

Untuk ℎ → 0 maka

Atau
Sehingga diperoleh:
𝑃𝑜 (𝑡) = 𝑃{𝑁(𝑡) = 0} = 𝑒 −𝜆𝑡 … … … … … … … … … … … … … … . . (1)
Dengan cara yang sama:

Sehingga:

Dan untuk ℎ → 0 diperoleh:

Persamaan differensial ini diselesaikan dengan factor integrasi 𝑒 𝜆𝑡 :

Dari hasil sebelumnya 𝑃𝑜 (𝑡) = 𝑃{𝑁 (𝑡) = 0} = 𝑒 −𝜆𝑡 maka untuk 𝑘 = 1 diperoleh:

Atau
𝑃1 (𝑡) = 𝑃{𝑁 (𝑡) = 1} = (𝜆𝑡 + 𝑐 ). 𝑒 −𝜆𝑡
Tetapi 𝑃0 (1) = 𝑃{𝑁 (0) = 1} = 0 sehingga 𝑐 = 0.
Dan diperoleh:

𝑃1 (𝑡) = 𝑃{𝑁 (𝑡) = 1} = 𝜆𝑡. 𝑒 −𝜆𝑡 … … … … … … … … … … … … … …. (2)

Jika proses ini diteruskan, akan diperoleh:
(𝜆𝑡)𝑘 −𝜆𝑡
𝑃𝑘 (𝑡) = 𝑃{𝑁(𝑡) = 𝑘 } = .𝑒 , (𝑘 = 0,1,2 … )
𝑘!
Jadi kembali seperti dinyatakan dalam Definisi 1 bagian 3