PROSES POISSON

Prostok-4-firda
4.1 Proses Menghitung
Definisi :
Proses stokastik  N  t  , t  0 dikatakan proses
menghitung (counting process) jika N  t  atau N t
menyatakan banyaknya kejadian yang terjadi
selama waktu t (S.Osaki,1992).
Contoh:
1. N  t  adalah banyaknya bayi yang lahir selama
waktu t. Maka  N (t ), t  0 proses menghitung.
2. N  t  adalah banyaknya orang yang datang ke
Toserba Grya dalam waktu [0, t ].
Maka  N (t ), t  0 proses menghitung.
Prostok-4-firda
Proses menghitung  N  t  , t  0 memenuhi sifat:

(i) N  t   0
(ii) N  t  adalah bilangan bulat
(iii) Jika s  t , maka N ( s)  N  t 
(iv) Untuk s  t , N  t   N  s  menyatakan
banyaknya kejadian yang terjadi pada interval
waktu ( s, t ].
 Proses menghitung disebut proses dengan
kenaikan bebas (independent increments)
jika banyaknya kejadian yang terjadi pada
interval waktu terpisah adalah saling bebas.

artinya, banyaknya kejadian yang terjadi pd

waktu t, (yaitu N(t)), bebas dari banyaknya
kejadian yang terjadi pd waktu antara t dan t+s,
(yaitu N(t+s)-N(t)).
 Proses menghitung disebut proses dengan
kenaikan stasioner (stationary increments)
jika distribusi dari banyaknya kejadian yang
terjadi pada interval waktu tertentu hanya
tergantung pada panjang dari interval tersebut,
tidak bergantung pada letak interval tersebut.

Artinya, banyaknya kejadian pada interval waktu

(yaitu N  t 2  s   N  t1  s  )
 t1  s , t 2  s 
mempunyai distribusi yang sama dengan
banyaknya kejadian pada interval waktu  t1 ,t 2 
(yaitu N  t 2   N  t1  ) , untuk semua t1  t 2 , s  0.
Definisi:
f  h
Fungsi f (h) dikatakan o(h) jika lim  0.
h 0 h

Contoh:
Untuk interval waktu yang kecil (h >0),

(  h) n ( h) 2 (  h) 3
eh    1  h    ...
n0 n! 2! 3!

e  h  1   h  o ( h ) (tidak ada kejadian pada interval waktu

yg kecil h>0)

1  e  h   h  o ( h ) (peluang ada kejadian pada interval waktu

yg kecil h>0)
4.2 Definisi Proses Poisson

Definisi 1: (S. Osaki,1992)

Suatu proses menghitung  N (t ), t  0 dikatakan
proses Poisson dengan laju (parameter)   0
jika memenuhi:
(i) N (0)  0
(ii) Proses mempunyai kenaikan bebas stasioner
(stationary independent increments)
(iii) P ( N (h)  1)   h  o( h)
(iv) P ( N (h)  2)  o(h)
 Dari definisi ini, untuk t  0 berlaku,

Pk (t )  P( N (t )  k | N (0)  0) , k  0,1, 2,...

(menyatakan peluang bahwa ada k kejadian yang terjadi
pada interval (0,t].

hukum peluang total
 P (t )  1
k 0
k

Karena proses Poisson stasioner,maka

P ( N ( s  t )  N ( s )  k )  P ( N (t )  k | N (0)  0)  Pk (t )
untuk sebarang s  0, t  0.
Definisi 2: (S. Osaki,1992)
Suatu proses menghitung  N (t ), t  0 dikatakan
proses Poisson dengan laju (parameter)   0
jika memenuhi:
(i) N (0)  0
(ii) Proses mempunyai kenaikan bebas
(independent increments)
(iii) Peluang ada k kejadian dalam interval waktu t:
( t ) k   t
Pk (t )  P  N (t  s )  N ( s )  k   e , k  0,1,...
k!
s, t  0.  N ( s  t )  N ( s ) POI ( t ).
Maka

E[ N  t  ]   t , Var[ N  t  ]   t ,

E[ N  t  ]
  rate (laju dari proses)
t
= rata-rata banyaknya kejadian yang terjadi
per waktu t.
Definisi 1 dan Definisi 2 ekivalen

Bukti:

(a) Definisi 1  Definisi 2

Sifat (i), (ii) jelas
Selanjutnya, tulis
Pk (t )  P  N (t )  k 
Untuk k = 0,

P0  t  h   P N (t  h)  0

 P N (t )  0, N (t  h)  N (t )  0  kenaikan
bebas

 P N (t )  0  P N (t  h)  N (t )  0 
kenaikan
stasioner
 P0 (t ) P0 (h)
Sifat (iii),(iv)
 P0 (t )(1  h  o(h))

 P0 (t )   hP0 (t )  o(h)
Dari bentuk

P0  t  h   P0 (t )   hP0 (t )  o(h)

diperoleh :
P0 (t  h)  P0 (t )
P0 '  t   lim
h 0 h
o( h)
 lim   P0 (t ) 
h 0 h
P0 '(t )   P0 (t )  P0 (t )  Ce  t .
 t
Dengan syarat awal P0 (0)  1  P0 (t )  e .
Untuk k  1,

Pk  t  h   P N (t  h)  k 
 P  N (t )  k , N (t  h)  N (t )  0 
 P  N (t )  k  1, N (t  h)  N (t )  1
 P  N (t )  k  2, N (t  h)  N (t )  2 
 P( N (t )  k ) P( N (h)  0)  P( N (t )  k  1) P( N (h)  1)
 P( N (t )  k  2) P ( N (h)  2)

 Pk (t ) P0 (h)  Pk 1 (t ) P1 (h)  o(h)

 Pk (t )(1   h  o(h))  Pk 1 (t )( h  o(h))  o(h)
atau
Pk  t  h   (1   h) Pk (t )   hPk 1 (t )  o(h)

Dari sini diperoleh :

Pk (t  h)  Pk (t )
P 'k  t   lim
h 0 h
  Pk (t )   Pk 1 (t )
Atau ditulis,
PDB linear
P ' k (t )  Pk (t )  Pk 1 (t )
 Pk (t )  e  t    Pk 1 (t )dt
e t

Untuk k =1,  P1 (t )  e  t    P0 (t )dt
e t

Dengan syarat awal P1(0)=0, diperoleh:
( t ) k  t
 t
P1 (t )  te
Pk (t )  e
k!

Hal ini menunjukkan

( t ) k   t
P  N (t  s )  N ( s )  k   e
k!
(Sifat (iii) Definisi 2).
(b) Definisi 2  Definisi 1

Sifat (i) jelas

Dari sifat (iii) definisi 2, N (t  s )  N ( s )
mempunyai distribusi yang sama dengan N (t ),
Artinya, punya kenaikan stasioner (sifat (ii) definisi 1).
Selanjutnya, dari sifat (iii) definisi 2,

P ( N (h)  1)   he   h
 ( h ) 2 ( h ) 3 (  h ) 4 
  h 1   h     ...
 2! 3! 4! 
  (  h ) 3
(  h ) 4
(  h ) 5

P ( N (h)  1)   h  ( h) 
2
   ...
 2! 3! 4! 
  h  o( h)
(memenuhi sifat (iii) definisi 1).
Selanjutnya,
 h
k

 ( h) 2 ( h)3 ( h) 4 
P ( N (h)  2)  e h
 k!
 eh     ...
k 2  2! 3! 4! 
 1  h ( h) 2 
   h  eh
2
    ...
 2! 3! 4! 
 h
k 2

  h e 
2 h

k 2 k!
 o( h)
(memenuhi sifat (iv) definisi 1.
 Contoh:

1. Pelanggan tiba di toko mengikuti proses Poisson

dengan laju 2 orang per jam selama jam kerja dari
pukul 10.00 (t=0) sampai pukul 18.00.

a. Tentukan peluang bahwa k pelanggan (k = 0,1,2)

datang pada pukul 13.00 – 15.00.

b. Tentukan mean dan variansi dari kedatangan

pelanggan selama jam kerja.

Jawab: N (t ) ~ POI (t ) ;   2

k  2t=2.
a. waktu: 13.00 – 15.00 
2
(2.2)
P (2)  P( N (2)  2) 
2 e 2.2  8e 4  0,147
2!

(  t ) k  t
Pk (t )  P ( N (t )  k )  e
k!
(2.2) 0 2.2
k  0  P0 (2)  P ( N (2)  0)  e  e 4  0, 018
0!
(2.2)1 2.2
k  1  P1 (2)  P( N (2)  1)  e  4e 4  0, 073
1!
 b. Selama jam kerja ( 10.00 – 18.00 )  t = 8

E[ N (t )]   t ; Var ( N (t ))   t
E[ N (8)]  2.8  16
Var ( N (8))  2.8  16
2. Panggilan telepon mengikuti proses Poisson dengan
laju 10/jam.
a. Tentukan peluang bahwa ada 8 panggilan telepon
terjadi pada satu jam pertama.
b. Tentukan peluang terdapat 3 panggilan telepon
pada setengah jam pertama dan 6 panggilan telepon
pada setengah jam kedua.
Jawab:   10
108 10
a. P8 (1)  P ( N (1)  8)  e  0,113
8!
b. P  N  0,5  3, N (1)  N  0,5  6 
kenaikan bebas

 P N  0,5  3 P N (1)  N  0,5  6

 P N  0,5  3 P N  0,5  6 
kenaikan stasioner


 10.(0,5)  3 10 0,5  10.(0,5)  6 10 0,5 
e . e  0,02
3! 6!
 Waktu antar kedatangan
Berdasarkan proses menghitung  N (t ), t  0 ,
N(t) menyatakan banyaknya kejadian sampai waktu t.
Perhatikan bahwa kejadian-kejadian tersebut dapat
terjadi kapan saja dalam interval (0,t].
Misalkan kejadian pertama terjadi pada saat t1 ,
disini N (t1 )  1dan N (t )  0 untuk t  t1 .

Kejadian kedua terjadi pada saat t2 , maka N (t2 )  2

dan N (t )  1untuk t1  t  t2 .
Disini, tk _ 1  tk adalah panjang waktu terjadinya
kejadian ke k+1 setelah kejadian ke k.
Panjang selang ini disebut dengan waktu antar
kedatangan/waktu antar kejadian.
 Waktu antar
kedatangan

X1 X2 X i  ti  ti 1

t1 t2 t3 ti 1 ti

N (t1 )  1  N (t1 )  1, N (t )  0 untuk t  t1

N (t2 )  2  N (t2 )  2, N (t )  1 untuk t1  t  t2

Definisi:
Berdasarkan proses menghitung  N (t ), t  0 ,
Misalkan X 1 adalah waktu dari kejadian pertama.
Untuk n  1, misalkan X n adalah waktu antara
kejadian ke (n-1) dan kejadian ke n.
Maka  X n , n  1 disebut barisan waktu antar
kedatangan/waktu antar kejadian.
4.3 Distribusi Waktu Antar Kedatangan

Teorema
Waktu antar kedatanganX n , n  1,2,... dari suatu
proses Poisson adalah saling bebas dan berdistribusi
eksponensial dengan parameter .

Bukti:
Akan ditunjukkan X 1 , X 2 , X 3 ,..., X n ~ EXP( )
Catat bahwa,  X 1  t terjadi jika tidak ada kejadian
dari proses Poisson yang terjadi pada interval [0,t].
Ini identik dengan  N (t )  0 .
0 t X1
 maka

P ( X 1  t )  1  P ( X 1  t )  1  P ( N (t )  0)  1  e  t
Jadi X 1 ~ EXP( )

Untuk X2 , kita dapatkan distribusi bersyarat dengan

kejadian pertama terjadi pada waktu s.
P( X 2  t | X 1  s)  1  P( X 2  t | X 1  s )
 1  P ( N (t  s )  N ( s )  0 | X 1  s )
kenaikan bebas
 1  P( N (t  s )  N ( s )  0)
kenaikan stasioner
 1  P ( N (t )  0)

 1  e  t  X 2 ~ EXP( )
 Dengan induksi matematika, kita dapatkan,
tiap waktu antar kedatangan X n adalah saling bebas dan
berdistribusi eksponensial dengan parameter  . (terbukti)
1 1
X k , k  1, 2,..., n ~ EXP( )  E[ X k ]  , Var[ X k ]  2 .
 

Contoh
Jika kedatangan pasien ke sebuah rumah sakit mengikuti
proses Poisson dengan laju 5/jam, tentukan distribusi peluang
dari waktu antar kedatangan pasien ke 10 dan ke 11.
Jawab:
Berdasarkan teorema, waktu antar kedatangan pasien
berdistribusi eksponensial dengan parameter 5/jam.
Waktu menunggu dan distribusinya
Waktu menunggu sampai kejadian ke n adalah :
t1  (t2  t1 )  (t3  t2 )  ...  (t n  t n 1 )
Jika S n adalah waktu tunggu sampai kejadian ke n,
maka
S n  X 1  X 2  ...  X n , n  1,2,...
X1 X2 Xn

S1 S2 S3 S n 1 Sn

Sn
Realisasi dari waktu antar kedatangan dan waktu tunggu
Untuk proses Poisson,
N (t ) POI ( t ) dan X k EXP( ) , (k  1, 2,...)

Perhatikan waktu tunggu,

n
S n   X k , S0  0.
k 1

Karena X n , n  1, 2,... adalah bebas danX n EXP ( ),

maka Sn GAM ( , n),

   x  e x
t n 1

P( Sn  T )   dx
0
(n  1)!
Hubungan antara S n dan N (t ) ;

S n  t  N (t )  n

Hubungan antara S n  t dan N (t )  n

 Teorema
Untuk proses Poisson dengan laju   0 ,
P( S n  t )  P( N (t )  n)
t
 ( x) n 1 e   x 
(  t )i   t
yakni
0 (n  1)! dx   i n i!
e

Ekivalen dengan P ( S n  t )  P ( N (t )  n)

 ( x) n 1 e   x n 1
( t ) i   t
yakni
t (n  1)! dx   i 0 i!
e
4.4 Distribusi bersyarat waktu antar
kedatangan

Distribusi bersyarat dari waktu antar kedatangan

pertama X 1 , diberikan ada kejadian pada waktu [0,t],
Untuk s  t ,
P ( X 1  s, N (t )  1)
P ( X 1  s | N (t )  1) 
P ( N (t )  1)
P ( N ( s )  1) P( N (t )  N ( s )  0)

P( N (t )  1)
P( N ( s)  1) P( N (t  s )  0)

P ( N (t )  1)
se  s .e   (t  s ) s
  t

te t
 Superposisi proses Poisson

Misalkan proses  N1 (t ), t  0 dan  N 2 (t ), t  0

adalah proses Poisson dengan laju  dan 
Maka  N 1 (t )  N 2 (t ), t  0 juga merupakan
proses Poison dengan laju    .
4.5 Proses Poisson Nonhomogen
Definisi:
Proses menghitung  N (t ), t  0 dikatakan
proses Poisson Nonhomogen atau nonstasioner
dengan fungsi intensitas  (t ) jika memenuhi:
(i) N(0) = 0
(ii) Proses mempunyai kenaikan bebas
(iii) P ( N (t  h)  N (t )  1)   (t )h  o(h)
(iv) P ( N (t  h)  N (t )  2)  o(h)
 36

Proses Poisson homogen mempunyai parameter  ,

Proses Poisson nonhomogen mempunyai parameter (t ).
 (t ) disebut fungsi intensitas.
Yakni, t
m(t )    ( x)dx.
0
Maka kita punyai,

Pk (t )  P ( N (t )  k | N (0)  0)

  e
m (t ) k  m (t )
 E[ N (t )]  m(t )

k!
 37

Proses Poisson menggambarkan munculnya

suatu kejadian pada titiktitik waktu secara
acak, dimana proses pencacahan banyaknya
kedatangan selama suatu selang waktu

a n tertentu sebagai suatu peubah acak poisson

u l atau dengan kata lain proses Poisson adalah
p
is m
proses menghitung (counting process)
e untuk banyaknya kejadian yang terjadi
K hingga suatu waktu. Proses Poisson dapat
diterapkan dalam teori antrian untuk
pengaplikasian dalam kehidupan sehari-
hari.
Prostok-4-firda