PROBABILITAS TERAPAN

PROSES POISSON

ANGGOTA KELOMPOK
Rizky Esa Ramadhan I Nyoman Mahayasa A.P P.B. Ari Dharma Udayana Kadek Ery Perwira Dinanta I Putu Gede Darpana P.W. I Made Yuda Prasetia Dewa Made Sri Arsa I Putu Ramaditya M. Kadek Dwi Praseptia P. Putu Agung Ananta W. (1008605003) (1008605004) (1008605017) (1008605024) (1008605037) (1008605050) (1008605051) (1008605054) (1008605056) (1008605058)

MATERI HARI INI

DISTRIBUSI PELUANG POISSON PROSES POISSON DENGAN PARAMETER BIRTH-DEATH

PENDAHULUAN
Distribusi poisson diberi nama sesuai dengan penemunya yaitu Siemon D. Poisson. Distribusi ini merupakan distribusi probabilitas untuk variabel diskrit acak yang mempunyai nilai 0, 1, 2, 3 dan seterusnya. Suatu bentuk dari distribusi ini adalah rumus pendekatan peluang poisson untuk peluang binomial yang dapat digunakan untuk pendekatan probabilitas binomial dalam situasi tertentu. Rumus poisson dapat digunakan untuk menghitung probabilitas dari jumlah kedatangan. Distribusi poisson ini digunakan untuk menghitung probabilitas menurut satuan waktu.

CIRI CIRI PROSES POISSON

Hasil percobaan pada suatu selang waktu dan tempat tidak tergantung dari hasil percobaan di selang waktu dan tempat yang lain yang terpisah. Peluang terjadinya suatu hasil percobaan sebanding dengan panjang selang waktu dan luas tempat percobaan terjadi. Hal ini berlaku hanya untuk selang waktu yang singkat dan luas daerah yang sempit.

Peluang bahwa lebih dari satu hasil percobaan akan terjadi

pada satu selang waktu dan luasan tempat yang sama diabaikan.

DEFINISI DISTRIBUSI PELUANG POISSON

e poisson( x; ) x!
Keterangan : e : bilangan natural = 2.71828...

x : banyaknya unsur BERHASIL dalam sampel

: rata-rata keberhasilan

CONT..
Untuk menghitung terjadinya suatu kedatangan yang mengikuti proses poisson digunakan rumus sebagai berikut : P ( x ) = (e . t . (.t) x ) / X! Dimana : = Tingkat ratarata kedatangan tiap unit waktu t = Jumlah unit waktu x = Jumlah kedatangan dalam t unit waktu

TABEL PELUANG POISSON

Seperti halnya peluang binomial, soal-soal peluang Poisson dapat diselesaikan dengan Tabel Poisson. Cara membaca dan menggunakan Tabel ini tidak jauh berbeda dengan Tabel Binomial. Misal :
x 0 1 2 3 dst 15 = 4.5 0.0111 0.05 0.1125 0.1687 dst 0.0001 = 5.0 0.0067 0.0337 0.0842 0.1404 dst 0.0002

CONT
poisson(2; 4.5) = 0.1125
poisson(x < 3; 4.5) = poisson(0;4.5) + poisson(1; 4.5) + poisson(2; 4.5)

= 0.0111 + 0.0500 + 0.1125 = 0.1736

poisson(x > 2;4.5) = poisson(3; 4.5) + poisson(4; 4.5) +...+ poisson(15;4.5)

atau = 1 - poisson(x 2) = 1 - [poisson(0;4.5) + poisson(1; 4.5)+ poisson(2; 4.5)] = 1 - [0.0111 + 0.0500 + 0.1125] = 1 - 0.1736 = 0.8264

CONTOH KASUS
Rata-rata seorang sekretaris baru melakukan 5 kesalahan ketik per halaman. Berapa peluang bahwa pada halaman berikut ia membuat:

a. tidak ada kesalahan ?(x = 0)

b. tidak lebih dari 3 kesalahan ?( x 3) c. lebih dari 3 kesalahan ?(x >3) d. paling tidak ada 3 kesalahan (x 3)

PENYELESAIAN
= 5 a. x = 0 dengan rumus? hitung poisson(0; 5) atau dengan Tabel Distribusi Poisson di bawah x:0 dengan = 5.0 (0; 5.0) = 0.0067 b. x 3 dengan Tabel Distribusi Poisson hitung poisson(0; 5.0) + poisson(1; 5.0) + poisson(2; 5.0) + poisson(3; 5.0) = 0.0067 + 0.0337 + 0.0842 + 0.1404 = 0.2650 c. x 3 poisson( x 3; 5.0) = poisson(4; 5.0) + poisson(5; 5.0) + poisson (6; 5.0) + poisson(7; 5.0) + ... + poisson(15; 5.0) atau poisson(x >3) = 1 - poisson(x3) = 1 - [poisson(0; 5.0) + poisson(1; 5.0) + poisson(2; 5.0) + poisson(3; 5.0)] = 1 - [0.0067 + 0.0337 + 0.0842 + 0.1404] = 1 - 0.2650 = 0.7350

PROSES POISSON DENGAN PARAMETER

Sebuah proses Poisson, adalah proses stokastik di mana peristiwa terjadi terus menerus dan secara independen dari satu sama lain. Contoh proses Poisson yaitu peluruhan radioaktif dari atom, curah hujan dan lainnya. Proses Poisson memiliki rumus {N (t), t 0}, dimana N (t) adalah jumlah kejadian yang telah terjadi sampai dengan waktu t (mulai dari waktu 0). Jumlah kejadian antara waktu a dan b waktu diberikan sebagai N (b) - N (a) dan memiliki distribusi Poisson. Setiap realisasi proses {N (t)} adalah non-negatif integer.

BENTUK PROSES POISSON

Sebuah proses penghitungan waktu kontinu {N (t), t 0} yang memiliki properti berikut : N (0) = 0 Independen inkremen Stasioner inkremen Tidak ada kejadian dihitung secara simultan. Konsekuensi dari definisi ini mencakup: Distribusi probabilitas dari N (t) adalah distribusi Poisson. Distribusi probabilitas dari waktu menunggu sampai kejadian berikutnya adalah distribusi eksponensial.

JENIS LAIN PROSES POISSON

Proses Poisson homogen adalah proses yang ditandai dengan parameter , juga dikenal sebagai intensitas, seperti jumlah kejadian dalam interval waktu (t, t + ]. Hubungan ini diberikan rumus sebagai berikut :

Dimana N (t + ) - N (t) = k adalah jumlah peristiwa dalam interval waktu (t, t + ].

CONT
Sama seperti variabel acak Poisson dicirikan oleh parameter , proses Poisson homogen dicirikan oleh parameter juga, yang merupakan jumlah yang

diharapkan dari "peristiwa" yang terjadi per satuan

waktu. N (t) adalah sampel dari proses Poisson homogen. Sebuah proses Poisson homogen dapat dipandang sebagai kasus khusus ketika (t) = , dengan laju yang konstan.

CONT
Secara umum, tingkat parameter dapat berubah dari waktu ke waktu, proses tersebut disebut proses nonhomogen atau proses Poisson tidak homogen. Dalam hal ini, fungsi umum diberikan sebagai (t).

Dengan demikian, jumlah kedatangan pada interval waktu (a, b], diberikan sebagai N (b) - N (a), mengikuti distribusi Poisson yang berkaitan dengan parameter a, b

CONT
Sebuah variasi lebih lanjut pada proses Poisson, proses Poisson ruang-waktu, memungkinkan untuk memisahkan variabel ruang dan waktu. Meskipun

secara teoritis hal ini dapat diperlakukan sebagai

proses spasial murni dengan memperlakukan "waktu" hanya sebagai komponen lain dari ruang vektor,maka akan membuat lebih mudah dalam sebagian besar aplikasi, sehingga menarik untuk dikaji.

CONT
Dibandingkan dengan proses Poisson homogen berbasis waktu, ekstensi untuk proses Poisson ruangwaktu dapat memperkenalkan ketergantungan spasial ke dalam sebuah fungsi, seperti yang didefinisikan sebagai (x, t), di mana x dalam V untuk beberapa ruang vektor V (R2 atau R3). Namun proses Poisson ruang-waktu mungkin memiliki fungsi tingkat yang konstan sehubungan dengan salah satu atau kedua dari x dan t.

PROSES POISSON DENGAN PARAMETER

Seperti yang didefinisikan di atas, proses stokastik {N (t)} adalah proses Markov, atau lebih khusus, proses Markov continous-time.

CONT.
Untuk menggambarkan distribusi eksponensial interarrival, dan mempertimbangkan proses Poisson homogen N (t) dengan tingkat parameter, serta membiarkan Tk menjadi waktu kedatangan k, untuk k = 1, 2, 3, ... . Jelas jumlah kedatangan sebelum beberapa waktu t tetap kurang dari k dan jika dan hanya jika waktu menunggu sampai kedatangan k lebih dari t. Dalam simbol, kejadian [N (t) <k] terjadi jika dan hanya jika kejadian [Tk> t] terjadi. Akibatnya probabilitas dari peristiwa ini adalah sama:

CONT..
Proses menghitung {N(t).t O} disebut : Proses Poisson dengan parameter , >0 Jika : N(O) = 0 Prosesnya naik bebas dan naik stasioner P{N(h) = 11= h + o(h) P{N(h) 2) = 0(h).

CONT..

CONT..

CONT..

CONT..

CONT..

BIRTH - DEATH
Proses kelahiran-kematian (birth-death process) merupakan suatu kasus khusus dalam proses Markov. Dalam hal ini, transisi dimungkinkan hanya antara kondisi yang berturutan, dimana pengamatan proses kelahiran-kematian dilakukan pada proses-proses yang bersifat continuous-time sehingga probabilitas bahwa lebih dari satu kejadian (event) terjadi pada interval waktu infinitesimal adalah NOL, sesuai persamaan yang diberikan.

BIRTH DEATH CONT

atau

Jika dalam kondisi k, rate kelahiran adalah k dan rate kematian adalah k, dimana rate kelahiran dan kematian ini tidak tergantung dengan waktu, tetapi hanya pada kondisi Ek yang terjadi, maka transisi pada suatu proses kelahiran kematian dapat diperlihatkan pada gambar berikut.

CONT.

CONT
Berdasarkan kenyataan bahwa kelahiran dan kematian adalah hal yang tidak saling berhubungan, serta dengan memperhatikan gambar sebelumnya, maka dapat dinyatakan : 1. Probabilitas benar ada satu kelahiran pada (t, t + t ) ketika proses pada kondisi Ek-1 adalah k-1 t + 0(t). 2. Probabilitas benar ada satu kematian pada (t, t + t ) ketika proses pada kondisi Ek+1 adalah k+1 t + 0(t). 3. Probabilitas benar tidak ada kelahiran pada (t, t + t ) ketika proses pada kondisi Ek adalah 1- k t + 0(t). 4. Probabilitas benar tidak ada kematian pada (t, t + t ) ketika proses pada kondisi Ek adalah 1- k t + 0(t).

CONT
Dengan mengambil interval waktu (t, t + t ), maka untuk kondisi Ek akan hanya dapat dimasukkan tiga kemungkinan mutual exclusive, yaitu : 1. P{tidak terjadi perubahan kondisi pada kondisi k} = [1-kt + 0(t)] [1- kt + 0(t)] ; 2. P{sistem pada kondisi k-1 dan terjadi satu kelahiran} = k-1 t + 0(t) ; 3. P{sistem pada kondisi k+1 dan terjadi satu kematian} = k+1 t + 0(t) ;

CONT
Jika Pk(t) adalah probabilitas bahwa sistem berada dalam kondisi k pada waktu t dan pk,j(t) merupakan probabilitas transisi dari kondisi k ke kondisi j selama waktu t, maka dapat ditulis : Pk(t + t) = Pk(t) pk,k (t) + Pk-1(t) pk-1,k (t) + Pk+1(t) pk+1,k (t)

CONT
Jika pi,j(t) diekspresikan menggunakan kecepatan kelahiran dan kematian, maka dapat diperoleh : Pk(t + t) = Pk(t)- (k + k )tPk(t) + k-1tPk-1(t) + k+1tPk+1(t) + 0(t) Jika t 0, maka didapat, dPk(t) / dt = - (k + k )Pk(t) + k-1Pk-1(t) + k+1Pk+1(t) + 0(t), k 1 dP0(t) / dt = - 0 P0(t) + 1P1(t), k = 0 yang disebut sebagai Persamaan Kondisi.

CONT
Pada kesetimbangan statistik, dengan menggunakan persamaan (3-7) akan didapat k-1Pk-1 + k+1Pk+1 - (k + k )Pk = 0, untuk k 1 1P1 - 0 P0 = 0 , untuk k = 0 k .Pk = k+1 .Pk+1 sebagai Persamaan Kesetimbangan, yang mempunyai pengertian Berapakali perubahan dari kondisi k ke k+1 sama dengan berapa kali perubahan dari k+1 ke k.

CONT
Proses Poisson cukup signifikan dalam pembahasan teori trafik telekomunikasi, terutama pada jaringan circuit-switched.

Q&A