Admin 13 Jun 2026 19:00

admin #general

Distribusi Poisson

Pengantar

Distribusi Poisson adalah salah satu distribusi probabilitas diskrit yang paling penting dalam statistik. Distribusi ini digunakan untuk memodelkan jumlah kejadian yang terjadi dalam interval waktu atau ruang yang tertentu, dengan asumsi bahwa kejadian tersebut terjadi secara independen dengan rata-rata konstan.

Definisi

Distribusi Poisson dinamai sesuai dengan matematikawan Prancis Simon Denis Poisson yang memperkenalkannya pada tahun 1837. Distribusi ini menggambarkan probabilitas terjadinya sejumlah kejadian dalam interval tertentu jika:

Kejadian-kejadian terjadi secara independen satu sama lain
Rata-rata kejadian per interval diketahui dan konstan
Lebih dari satu kejadian tidak dapat terjadi pada saat yang sama (secara teoritis)

Rumus Matematika

Jika X adalah variabel acak yang mengikuti distribusi Poisson dengan parameter (lambda), maka probabilitas terjadinya exactly k kejadian dinyatakan dengan:

P(X = k) = (e^- ^k) / k!

Di mana:

(lambda) adalah rata-rata kejadian per interval
e adalah konstanta matematis yang kira-kira sama dengan 2.71828
k adalah jumlah kejadian yang diamati
k! adalah faktorial dari k

Sifat-sifat Distribusi Poisson

Mean (rata-rata) =
Varians =
Standar deviasi =

Pada distribusi Poisson, mean dan varians memiliki nilai yang sama, yang merupakan karakteristik unik dari distribusi ini.

Contoh Penerapan

Contoh 1: Jumlah Email yang Diterima

Sebuah perusahaan menerima rata-rata 5 email penting per jam. Berapakah probabilitas bahwa perusahaan akan menerima exactly 3 email penting dalam jam berikutnya?

Solusi:

Dengan = 5 dan k = 3:

P(X = 3) = (e^-5 5^3) / 3! = (0.0067 125) / 6 = 0.1404

Jadi, probabilitas menerima exactly 3 email penting dalam jam berikutnya adalah sekitar 14.04%.

Contoh 2: Jumlah Kecelakaan di Jalan Tol

Di sebuah jalan tol, terjadi rata-rata 2 kecelakaan per hari. Berapakah probabilitas bahwa akan terjadi paling banyak 1 kecelakaan pada hari tertentu?

Solusi:

Dengan = 2, kita perlu mencari P(X 1) = P(X = 0) + P(X = 1):

P(X = 0) = (e^-2 2^0) / 0! = e^-2 1 / 1 = 0.1353
P(X = 1) = (e^-2 2^1) / 1! = e^-2 2 / 1 = 0.2706
P(X 1) = 0.1353 + 0.2706 = 0.4059

Jadi, probabilitas terjadinya paling banyak 1 kecelakaan pada hari tertentu adalah sekitar 40.59%.

Hubungan dengan Distribusi Lain

Distribusi Poisson sebagai Pendekatan Binomial

Ketika n (jumlah percobaan) sangat besar dan p (probabilitas sukses per percobaan) sangat sedikit, produk np = konstan, maka distribusi binomial dapat didekati dengan distribusi Poisson.

Sebagai aturan praktis, pendekatan ini dianggap baik jika n 100 dan np 10.

Distribusi Poisson sebagai Pendekatan Normal

Ketika cukup besar (biasanya > 20), distribusi Poisson dapat didekati dengan distribusi normal dengan mean = dan varian = .

Aplikasi Distribusi Poisson

Distribusi Poisson memiliki berbagai aplikasi di berbagai bidang:

Queueing theory: Jumlah kedatangan pelanggan di pusat layanan
Rekayasa: Jumlah kegagalan komponen dalam periode tertentu
Biologi: Jumlah mutasi yang terjadi pada sekuens DNA
Transportasi: Jumlah kendaraan yang melewati titik tertentu dalam jangka waktu tertentu
Telekomunikasi: Jumlah panggilan yang masuk ke pusat panggilan
Asuransi: Jumlah klaim yang diajukan dalam periode tertentu

Kelebihan dan Keterbatasan

Kelebihan:

Mudah digunakan untuk memodelkan kejadian langka dalam interval tertentu
Memiliki properti matematik yang sederhana dan proporsional
Dapat diterapkan pada berbagai bidang ilmu

Keterbatasan:

Menuntut asumsi kejadian independen yang mungkin tidak selalu terpenuhi dalam praktik
Mengasumsikan rata-rata konstan yang mungkin berubah seiring waktu atau kondisi
Tidak akurat untuk kejadian yang cenderung terjadi secara berkelompok

Penggunaan dalam Analisis Data

Dalam praktik, distribusi Poisson sering digunakan dalam analisis data untuk:

Memprediksi jumlah kejadian masa depan berdasarkan data historis
Menghitung probabilitas kejadian ekstrem yang mungkin berdampak signifikan
Mengevaluasi efisiensi sistem dengan membandingkan jumlah kejadian yang diamati dengan yang diharapkan
Menentukan kapasitas sistem untuk menangani jumlah kejadian yang mungkin terjadi

Regresi Poisson

Regresi Poisson adalah bentuk analisis regresi yang digunakan untuk memodelkan data hitungan (count data). Teknik ini sangat berguna ketika variabel dependen adalah jumlah kejadian dan mengikuti distribusi Poisson.

Model regresi Poisson dapat ditulis sebagai:

ln() = + X + X + ... + X

Di mana adalah nilai harapan dari variabel dependen dan X, X, ..., X adalah variabel independen.

Simulasi Distribusi Poisson

Dengan kemajuan komputasi modern, kita dapat dengan mudah mensimulasikan distribusi Poisson untuk pemahaman yang lebih baik:

Simulasi dengan Python

Berikut adalah contoh kode Python sederhana untuk mensimulasikan distribusi Poisson dengan berbagai nilai :

import numpy as np
import matplotlib.pyplot as plt

lambda_val = 5
size = 1000
poisson_data = np.random.poisson(lambda_val, size)

plt.hist(poisson_data, bins=range(0, max(poisson_data)+1), align='left')
plt.xlabel('Jumlah Kejadian')
plt.ylabel('Frekuensi')
plt.title('Distribusi Poisson dengan lambda = 5')
plt.show()

Kesimpulan

Distribusi Poisson adalah alat statistik yang penting untuk memodelkan jumlah kejadian dalam interval tertentu. Dengan memahami prinsip dan aplikasinya, kita dapat mengambil keputusan yang lebih baik dalam berbagai bidang seperti manajemen risiko, pengendalian kualitas, dan perencanaan kapasitas sistem.

Sifat-sifat distribusi Poisson yang sederhana namun powerful menjadikannya pilihan utama ketika berhadapan dengan kejadian langka atau data hitungan. Kombinasi dengan metode komputasi modern memungkinkan analisis yang lebih mendalam dan aplikasi yang lebih luas dari distribusi ini.

```

File Referensi Untuk Distribusi Poisson

Screenshoot