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)
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.
e poisson( x; ) x!
Keterangan : e : bilangan natural = 2.71828...
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
CONT
poisson(2; 4.5) = 0.1125
poisson(x < 3; 4.5) = poisson(0;4.5) + poisson(1; 4.5) + poisson(2; 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:
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
CONT
Sama seperti variabel acak Poisson dicirikan oleh parameter , proses Poisson homogen dicirikan oleh parameter juga, yang merupakan jumlah yang
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
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.
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.
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