id
1. Pendahuluan
berdistribusi identik. Dari perbedaan tersebut, lebih lanjut diteliti proses Poisson
majemuk yang merupakan jumlahan dari variabel-variabel acak tersebut yang ke-
datangannya ditentukan proses Poisson. Tujuan penelitian ini adalah menurunkan
proses Poisson majemuk, menjelaskan sifat-sifatnya, serta menerapkannya pada su-
atu contoh kasus.
2. Proses Poisson
Menurut DeJardine [1] dan Zhang et al. [7], proses menghitung {N (t); t ≥ 0}
dikatakan sebagai proses Poisson jika memenuhi asumsi-asumsi berikut.
(1) Pada waktu t0 , jumlah kejadian yang terjadi adalah nol juga (N (t0 ) = 0).
(2) intensitas jumlah kejadian λt tetap.
(3) Terjadi satu kejadian tiap interval waktu.
(4) Stationary increments, untuk ti ≤ ti +t dengan i = 0, 1, 2, ..., jumlah kejadian
N (ti +t)−N (ti ) memiliki distribusi yang sama dengan N ((ti +t)−ti ) = N (t).
Sehingga jumlah kejadian yang terjadi antara interval waktu [ti , ti + t) hanya
bergantung selama waktu t, sedangkan waktu awal ti tidak berpengaruh.
(5) independent increments, jumlah kejadian yang terjadi antar interval waktu
disjoint saling independen.
Misalkan N (t) adalah variabel acak Poisson dengan parameter λt > 0, sehingga
n
didapat P (N (t) = n) = e−λt (λt)
n!
, n = 0, 1, . . .. Selanjutnya, dapat ditentukan
ekspektasi dan variansi dari variabel acak Poisson N (t).
∑
∞ n ∑
∞
n(λt)n ∑∞
(λt)n−1 ∑∞
(λt)j
−λt (λt) −λt −λt −λt
E[N (t)] = ne =e =e λt = e λt
n=0
n! n=0
n! n=1
(n − 1)! j=0
j!
,j = n − 1
Menggunakan cara yang sama, dapat ditentukan E[N (t)2 ] = (λt)2 + λt, sehingga
didapat variansi dari N (t) sebagai berikut.
3.1. Proses Poisson Majemuk. Untuk menyusun proses Poisson majemuk mem-
butuhkan tiga asumsi penting sebagai berikut.
(1) Variabel acak Yk adalah variabel acak independen dan berdistribusi identik,
(2) Proses {N (t); t ≥ 0} adalah proses Poisson dengan parameter yang dinota-
sikan dengan λt,
(3) Variabel acak Yk independen terhadap N (t), untuk setiap t ≥ 0.
∑
N (t)
S(t) = Yk , t ≥ 0.
k=1
Bukti. Akan dibuktikan dengan kasus khusus dari sifat stationary independent in-
crements untuk k = 2 (Sedangkan untuk k dibuktikan dengan cara yang sama). Di-
buktikan bahwa P (S(t1 ) ≤ s1 , S(t2 )−S(t1 ) ≤ s2 ) = P (S(t1 ) ≤ s1 )P (S(t2 −t1 ) ≤ s2 )
untuk semua s1 > 0 dan s2 > 0 dan untuk setiap 0 < t1 < t2 . Akan digunakan
definisi dari proses Poisson majemuk S(t) untuk waktu t1 dan t2 .
∑
N (t1 )
∑
N (t2 )
∑
N (t1 )
P (S(t1 ) ≤ s1 , S(t2 ) − S(t1 ) ≤ s2 ) = P ( Yk ≤ s1 , Yk − Yk ≤ s2 )
k=1 k=1 k=1
3 2017
library.uns.ac.id digilib.uns.ac.id
∑
N (t1 )
∑
N (t2 )
= P( Yk ≤ s1 , Yk ≤ s2 )
k=1 k=N (t1 )+1
[independen]
∑
∞ ∑
∞ ∑n1 n∑
1 +n2
= P( Yk ≤ s1 )P ( Yk ≤ s2 )P (N (t1 ) = n1 )
n1 =0 n2 =0 k=1 k=n1 +1
× P (N (t2 ) − N (t1 ) = n2 )
[stasioner]
∑ ∞ ∑ ∞ ∑
n1 ∑
n2
= P( Yk ≤ s1 )P ( Yk ≤ s2 )P (N (t1 ) = n1 )
n1 =0 n2 =0 k=1 k=1
× P (N (t2 − t1 ) = n2 )
∑∞ ∑n1 ∑
∞ ∑n2
= P( Yk ≤ s1 )P (N (t1 ) = n1 ) P( Yk ≤ s2 )P (N (t2 − t1 ) = n2 )
n1 =0 k=1 n2 =0 k=1
N (t2 −t1 )
∑
N (t1 )
∑
= P( Yk ≤ s1 )P ( Yk ≤ s2 )
k=1 k=1
= P (S(t1 ) ≤ s1 )P (S(t2 − t1 ) ≤ s2 ).
Teorema 3.2. Andaikan N (t) merupakan variabel acak proses Poisson dan {Yk |k ≥
1} merupakan variabel acak independen dan berdistribusi identik dengan ekspekta-
si µ serta variansi σ 2 . Jika N (t) independen terhadap {Yk |k ≥ 1} maka didapat
∑N (t) ∑N (t)
E[ k=1 Yk ] = µE[N (t)] dan V ar( k=1 Yk ) = σ 2 E[N (t)] + µ2 V ar(N (t)).
Bukti. Andaikan N (t) merupakan proses Poisson dan Yk merupakan variabel acak
independen dan berdistribusi identik dengan k = 1, 2, ..., sehingga
∑N (t)
∑
N (t)
E[ Yk ] = E[E[ Yk |N (t)]]
k=1 k=1
4 2017
library.uns.ac.id digilib.uns.ac.id
dengan
∑N (t)
∑n ∑n
E[ Yk |N (t) = n] = E[ Yk |N (t) = n] = E[ Yk ] = nE[Yk ].
k=1 k=1 k=1
∑N (t)
Hasilnya E[ k=1 Yk |N (t) = n] = N (t)E[Yk ],
sehingga didapat
∑N (t)
E[ Yk ] = E[N (t)E[Yk ]] = E[N (t)]E[Yk ] = µE[N (t)].
k=1
∑N (t)
Selanjutnya, dibuktikan untuk V ar( k=1 Yk ) = σ 2 E[N (t)] + µ2 V ar(N (t)).
∑N (t)
∑n ∑n
V ar( Yk |N (t) = n) = V ar( Yk |N (t) = n) = V ar( Yk ) = nσ 2 .
k=1 k=1 k=1
∑N (t) ∑N (t)
Karena didapat V ar( k=1 Yk |N (t)) = N (t)σ 2 dan E[ k=1 Yk |N (t)] = N (t)µ se-
hingga variansi dari proses Poisson majemuk dapat ditentukan sebagai berikut.
∑N (t)
∑N (t)
∑N (t)
V ar( Yk ) = E[V ar( Yk |N (t))] + V ar(E[ Yk |N (t)])
k=1 k=1 k=1
2
= E[N (t)σ ] + V ar(N (t)µ)
= σ 2 E[N (t)] + µ2 V ar(N (t)).
∑N (t)
Teorema 3.3. Jika MS (t) merupakan fungsi pembangkit momen dari S(t) = k=1 Yk
maka MS (t) = eλt(MY1 −1) , untuk setiap t ∈ [0, ∞) dengan MY1 merupakan fungsi
pembangkit momen variabel acak Yk untuk k = 0, 1, ..., n.
Bukti. Misalkan N (t) merupakan proses Poisson dengan parameter λt, sehingga da-
pat dihitung fungsi pembangkit momen dari variabel acak proses Poisson majemuk
S(t) sebagai berikut.
∑N (t) ∑
∞
∑n
tS(t) t Yk
MS (t) = E[e ] = E[e k=1 ]= E[et k=1 Yk
]P (N (t) = n)
n=1
∑
∞
∑n n −λt
(λt) e ∑
∞ n −λt
n (λt) e
∑
∞
(λt)n e−λt
= E[et k=1 Yk
] = E[etY1 ] = (MY1 (t))n
n=1
n! n=1
n! n=1
n!
∑
∞
(MY1 (t)λt) e n −λt
= = eλt(MY1 (t)) e−λt = eλt(MY1 (t)−1) .
n=1
n!
5 2017
library.uns.ac.id digilib.uns.ac.id
Teorema 3.4. Andaikan N (t) dengan t ≥ 0 merupakan variabel acak yang berdistri-
busi Poisson dengan parameter λt > 0 serta Yk merupakan variabel acak independen
dan berdistribusi logarithmic untuk k = 0, 1, ..., n. Didapat fungsi pembangkit proba-
∑N (t)
bilitas dari S(t) = k=1 Yk sama dengan fungsi pembangkit probabilitas dari variabel
acak yang berdistribusi N B(r, p).
Bukti. Dihitung fungsi pembangkit probabilitas GS (z) dari S(t), yang merupakan
kombinasi dari fungsi pembangkit probabilitas N (t) dan Yk (GN dan GYk ). Digu-
nakan GN (z) = e(λt(z−1)) dengan z ∈ C dan GY1 (z) = ln(1−pz)
ln(1−p)
dengan |z| < p1 .
∑
∞ ∑
∞ ∑
∞
GS (z) = E[z ] = S
P (S = s)z =s
P (S = s | N = n)P (N = n)z s
s=1 s=1 n=1
∑
∞ ∑
∞
= P (N = n) P (S = s | N = n)z s
n=1 s=1
∑
∞ ∑
∞
= P (N = n) P (Y1 + . . . + Yn = s)z s
n=1 s=1
∑
∞
= P (N = n)(GY1 (z))n = GN (GY1 (z)).
n=1
3.3. Contoh Kasus. Pada contoh kasus dari Ma [2] ditentukan fungsi massa pro-
∑N (t)
babilitas P [S(t) = s] untuk s = 0, 1, 2, 3, 4 dengan S(t) = k=1 Yk merupakan
penjumlahan klaim dari proses Poisson majemuk. Terdapat sejumlah klaim yang
dibayarkan oleh suatu perusahaan asuransi pada periode waktu tertentu yang meng-
ikuti distribusi Poisson dengan parameter λt. Klaim dapat bernilai 1 dengan pro-
babilitas 0.6 atau 2 dengan probabilitas 0.4.
Berikut merupakan fungsi massa probabilitas dari N (t), P (N (t) = n) =
λtn e(−λt)
n!
dengan n = 0, 1, 2, . . .. Setiap jumlah klaim Yk memiliki distribusi Bernou-
lli, dengan Yk merupakan variabel acak diskrit yang memiliki dua nilai. Dianggap
6 2017
library.uns.ac.id digilib.uns.ac.id
sukses saat Yk = 2 dengan probabilitas p = 0.4 dan gagal saat Yk = 1 dengan pro-
babilitas 1 − p = 0.6. Akibatnya, P (Yk = y) merupakan fungsi massa probabilitas
dari distribusi Binomial dengan parameter y dan p. Berikut ditunjukkan P (Yk = y)
untuk m percobaan, dengan m = 1, 2, 3, 4.
Untuk m = 1
P (Yk = 1) = C01 (0.4)0 (0.6)1 = 0.6 P (Yk = 2) = C11 (0.4)1 (0.6)0 = 0.4
Untuk m = 2
P (Yk = 2) = C02 (0.4)0 (0.6)2 = 0.36 P (Yk = 4) = C22 (0.4)2 (0.6)0 = 0.16
P (Yk = 3) = C12 (0.4)1 (0.6)1 = 0.48
Untuk m = 3
P (Yk = 3) = C03 (0.4)0 (0.6)3 = 0.216 P (Yk = 5) = C23 (0.4)2 (0.6)1 = 0.288
P (Yk = 4) = C13 (0.4)1 (0.6)2 = 0.432 P (Yk = 6) = C33 (0.4)3 (0.6)0 = 0.064
Untuk m = 4
P (Yk = 4) = C04 (0.4)0 (0.6)4 = 0.1296 P (Yk = 7) = C34 (0.4)3 (0.6)1 = 0.1536
P (Yk = 5) = C14 (0.4)1 (0.6)3 = 0.3456 P (Yk = 8) = C44 (0.4)4 (0.6)0 = 0.0256
P (Yk = 6) = C24 (0.4)2 (0.6)2 = 0.3456
Ditentukan fungsi massa probabilitas P [S(t) = s] berdasar matriks berikut.
Baris untuk klaim Yk = 0, 1, 2, 3, 4 dan kolom untuk m percobaan, dengan m =
0, 1, 2, 3, 4.
1 0 0 0 0
0 0.6
0 0 0
A=
0 0.4 0.36 0 0
0 0 0.48 0.216 0
0 0 0.16 0.432 0.1296
4. Kesimpulan
Pustaka
[1] DeJardine, Z.V.C.,Poisson Processes and Applications in Hockey, lakehead University, Canada,
2013.
[2] Ma, D., [Compound Poisson Distribution-Discrete Example], 2010.
[3] Mingola, P., A Study of Poisson and Related Processes with Applications, University of Ten-
nessee, Knoxville, 2013.
[4] Olofsson, P., Counting Process, Trinity University, Sweden.
[5] Petrov, N.I., D’Alessandro F., Verification of lightning strike incidence as a Poisson process,
Journal of Atmospheric and Solar-Terrestrial Physics, Vol.64(2002), 1645-1650.
[6] Tijms, H.C., A First Course in Stochastic Models, John Wiley Sons Ltd., Chichester, 2003.
[7] Zhang, H., Liu, Y., Li,B., Notes on discrete compound Poisson model with applications to risk
theory, Insurance Mathematics and Econimics, Vol.59(2014), 325-336.
8 2017