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.
Contoh:
Untuk interval waktu yang kecil (h >0),
( h) n ( h) 2 ( h) 3
eh 1 h ...
n0 n! 2! 3!
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:
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)
( t ) k t
P N (t s ) N ( s ) k e
k!
(Sifat (iii) Definisi 2).
(b) Definisi 2 Definisi 1
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!
eh ...
k 2 2! 3! 4!
1 h ( h) 2
h eh
2
...
2! 3! 4!
h
k 2
h e
2 h
k 2 k!
o( h)
(memenuhi sifat (iv) definisi 1.
Contoh:
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 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 .
X1 X2 X i ti ti 1
t1 t2 t3 ti 1 ti
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( )
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,...)
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
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
Pk (t ) P ( N (t ) k | N (0) 0)
e
m (t ) k m (t )
E[ N (t )] m(t )
k!
37