DISTRIBUSI POISON

1. Pengertian Distribusi Poisson

Dalam teori probabilitas dan statistika, distribusi Poisson (dilafalkan [pwasɔ̃])
adalah distribusi probabilitas diskret yang menyatakan peluang jumlah peristiwa yang
terjadi pada periode waktu tertentu apabila rata-rata kejadian tersebut diketahui dan
dalam waktu yang saling bebas sejak kejadian terakhir (distribusi Poisson juga dapat
digunakan untuk jumlah kejadian pada interval tertentu seperti jarak, luas, atau
volume). Distribusi poisson adalah distribusi peluang acak poisson x, yang
menyatakan banyaknya sukses yang terjadi dalam suatu selang waktu atau daerah
tertentu. Bilangan x yang menyatakan banyaknya hasil percobaan dalam suatu
percobaan poisson disebut peubah acak poisson dan sebaran peluangnya disebut
sebaran poisson.
Distribusi ini pertama kali diperkenalkan oleh Siméon-Denis Poisson (1781–
1840) dan diterbitkan, bersama teori probabilitasnya, pada tahun 1838 dalam
karyanya Recherches sur la probabilité des jugements en matière criminelle et en
matière civile (“Penelitian Probabilitas Hukum Masalah Pidana dan Perdata”).
Karyanya memfokuskan peubah acak N yang menghitung antara lain jumlah kejadian
diskret (kadang juga disebut “kedatangan”) yang terjadi selama interval waktu
tertentu.
Apabila nilai harapan kejadian pada suatu interval adalah , maka probabilitas
terjadi peristiwa sebanyak k kali (k adalah bilangan bulat non negatif, k = 0, 1, 2, ...)
maka sama dengan
λ𝑘 𝑒 −λ
𝑓(𝑘; λ) = 𝑘!

Dimana
 e adalah basis logaritma natural (e = 2.71828...)
 k adalah jumlah kejadian suatu peristiwa peluang yang diberikan oleh fungsi
ini
 k! adalah faktorial dari k
 λ adalah bilangan riil positif, sama dengan nilai harapan peristiwa yang terjadi
dalam interval tertentu. Misalnya, peristiwa yang terjadi rata-rata 4 kali per
menit, dan akan dicari probabilitas terjadi peristiwa k kali dalam interval 10
menit, digunakan distribusi Poisson sebagai model dengan λ = 10×4 = 40.
 Sebagai fungsi k, ini disebut fungsi massa probabilitas. Distribusi Poisson dapat
diturunkan sebagai kasus terbatas distribusi binomial. Distribusi Poisson dapat
diterapkan pada sistem dengan kejadian berjumlah besar yang yang mungkin terjadi,
yang mana kenyataannya cukup jarang. Contoh klasik adalah peluruhan nuklir atom.
Sebaran poisson dan binom memiliki histogram yang bentuknya hampir sama
bila n besar dan p kecil. Oleh karena itu, bila kedua kondisi itu dipenuhi, sebaran
poisson dengan  = n * p dapat digunakan untuk menghampiri peluang binom. Bila
p nilainya dekat dengan 1, kita dapat saling menukarkan apa yang telah didefinisikan
sebagai keberhasilan dan kegagalan, dengan demikian mengubah p menjadi suatu
nilai yang dekat dengan nol.
2. Ciri-Ciri Distribusi Poisson
Ada beberapa ciri untuk menentukan apakah data tersebut temasuk dalam kriteria
Distribusi Poisson atau tidak (Walpole, 1995). Adapun ciri-ciri tersebut adalah:
a. Banyaknya hasil percobaan yang terjadi dalam suatu interval waktu atau suatu
daerah tertentu tidak bergantung pada banyaknya hasil percobaan yang terjadi
pada interval waktu atau daerah lain yang terpisah.
b. Probabilitas terjadinya hasil percobaan selama suatu interval waktu yang
singkat atau dalam suatu daerah yang kecil, sebanding dengan panjang interval
waktu atau besarnya daerah tersebut dan tidak bergantung pada banyaknya
hasil percobaan yang terjadi di luar interval waktu atau daerah tersebut.
c. Probabilitas lebih dari satu hasil percobaan yang terjadi dalam interval waktu
yang singkat atau dalam daerah yang kecil dapat diabaikan.

Selain itu, Distribusi poisson banyak digunakan dalam hal berikut:

a. Menghitung probabilitas terjadinya peristiwa menurut satuan waktu, ruang atau
isi, luas, panjang tertentu, seperti menghitung probabilitas dari:
 Banyaknya penggunaan telepon per menit atau banyaknya mobil yang
lewat selama 5 menit di suatu ruas jalan,
 Banyaknya bakteri dalam satu tetes atau 1 liter air,
 Banyaknya kesalahan ketik per halaman sebuah buku, dan
 Banyaknya kecelakaan mobil di jalan tol selama minggu pertama bulan
Oktober.
b. Menghitung distribusi binomial apabila n besar (n  30) dan p kecil (p <>
c. Rumus Distribusi Poisson
Rumus Distribusi poisson tersebut terbagi lagi menjadi beberapa bagian. Dalam
Distribusi poisson ini, rumus yang dipakai harus sesuai dengan kalimat data yang
ada untuk membedakan antara rumus yang satu dengan yang lainnya (Walpole,
1995).

Poisson

Sumbu aksis adalah indeks k. Fungsi ini hanya

didefinisikan untuk bilangan bulat k. Garis
penghubung hanya ilustrasi untuk memudahkan.
Fungsi distribusi kumulatif

Sumbu aksis adalah indeks k. Fungsi Distribusi

Kumulatif diskontinyu pada bilangan bulat k dan
lainnya datar, karena variabel yang digunakan
adalah bilangan bulat.

notasi: Pois (λ)

parameter: λ > 0 (bilangan asli)

dukungan: k ∈ { 0, 1, 2, 3, ... }
λ𝑘
pmf: . 𝑒 −λ
𝑘!

([𝑘𝑡1),λ λ𝑖
[𝑘]!
untuk k ≥ 0 atau 𝑒 −λ ∑𝑘𝑖=1 𝑖!

cdf: dimana (x,y) adalah fungsi gamma

inkomplit dan [k] adalah fungsi
pembulatan kebawah.

rata-rata: λ
median: ≈ [λ + 1/3 – 0,02/ λ]

modus: [ λ] – 1
ragam: λ

skewness: λ −1/2

ex.kurtosis: λ −1
 λ k log
Λ[1- log(λ) + 𝑒 −λ ∑∞
𝑘=0 (𝑓𝑜𝑟
𝑘!
1 1
entropi: large λ) 2 log (2𝜋𝑒λ ) − −
12λ
1 19 1
+ O(λ 4 )
24λ 2 360λ 3

mgf: exp (λ(et – 1))

cf: exp (λ(eit – 1))

Contoh Soal
 DISTRIBUSI BINOMIAL NEGATIF

1. Pengertian Distribusi Binomial Negatif

Distribusi binomial ditemukan oleh seorang ahli matematika kebangsaan Swiss
bernama Jacob Bernauli. Oleh karena itu distribusi binomial juga ini dikenal juga
sebagai distribusi bernauli.
Distribusi binomial berasal dari percobaan binomial yaitu suatu proses yang
diulang sebanyak n kali dan saling bebas. Suatu distribusi Bernauli dibentuk oleh
suatu bentuk percobaan Bernauli (Bernauli Trial). Sebuah percobaan bernauli harus
memenuhi syarat: keluaran (outcome) yang mungkin hanya salah satu dari kata
“sukses” atau “gagal”. Jika salah satu probabilitas sukses p, maka probabilitas gagal
q= 1-p.
Distribusi binomial adalah distribusi probabilitas diskrit jumlah keberhasilan
dalam n pernyataan ya atau tidak (berhasil atau gagal) yang saling bebas, dimana
setiap hasil percobaan memiliki probabilitas p. eksperimen berhasil atau gagal juga
disebut percobaan Bernauli. Ketika n = 1 distribusi binomial adalah distribusi
bernauli. Distribusi binomial merupakan dasar dari uji binomial dalam uji signifikan
statistik.
Distribusi Binomial digunakan untuk data diskrit (bukan data kontinu) yang
dihasilkan dari eksperimen Bernauli, mengacu kepada matematikawa Jacob Bernauli.
Peristiwa pelemparan mata uang (koin) yang dilakukan beberapa kali adalah contoh
dari proses bernauli, dan hasil (outcome) dari tiap-tiap pengocokan dapat dinyatakan
sebagai distribusi probabilitas binomial. Kejadian sukses atau gagal calon pegawai
dalam psikotest merupakan contoh lain dari Bernauli. Sebaliknya distribusi frekuensi
hidupnya lamu neon di pabrik anda harus diukur dengan skala kontinu dan bukan
dianggap sebagai distribusi binomial.
Secara formal, suatu eksperimen dapat dikatakan eksperimen binomial jika
memenuhi empat persyaratan:
a. Banyaknya eksperimen merupakan bilangan tetap (fixed number of trial)
b. Setiap eksperimen selalu mempunyai dua hasil “sukses” dan “gagal”. Tidak
ada daerah abu-abu. Dalam pratiknya, sukses dan gagal harus didefinisikan
sesuai keperluan misalnya:
1) Lulus (sukses), tidak lulus (gagal)
2) Setuju (sukses), tidak setuju (gagal)
 3) Barang bagus (sukses), barang sotiran (gagal)
4) Puas (sukses), tidak puas ( gagal)
c. Probabilitas sukses harus sama pada setiap ekperimen
d. Eksperimen tersebut harus bebas satu sama lain, artinya satu eksperimen tidak
boleh berpengaruh pada hasil eksperimen lainnya.

Untuk membentuk suatu distribusi binomial diperluakan dual hal:

a. Banyaknya atau jumlah percobaan atau kegiatan
b. Probabilitas suatu kejadian baik sukses maupun gagal.

Suatu distribusi binomial negatif dibentuk oleh suatu eksperimen yang memenuhi
kondisi-kondisi berikut:
Eksperimen terdiri dari serangkaian percobaan yang saling bebas
Setiap percobaan (trial) hanya dapat menghasilkan satu dari dua keluaran yang
mungkin, sukses atau gagal.
Probabilitas sukses p, dan demikian pula probabilitas gagal q = 1 - p selalu konstan
dalam setiap percobaan (trial)
Eksperimen terus berlanjut (percobaan terus dilakukan) sampai sejumlah total k
sukses diperoleh, dimana k berupa bilangan bulat tertentu.
Jadi pada suatu eksperimen binomial negatif, jumlah suksesnya tertentu
sedangkan jumlah percobaannya yang acak.
Distribusi Binomial Negatif, bila percobaan bebas berulang dapat menghasilkan
sukses dengan probabilitas p dan gagal dengan probabilitas q = 1 – p, maka distribusi
probabilitas dari variabel acak X, jumlah percobaan dimana
sukses ke-k terjadi diberikan oleh:

𝑛
𝑏(𝑥; 𝑛; 𝑝) ( ) 𝑝 𝑥 𝑞 𝑛−𝑥 , 𝑥 = 0,1,2, … , 𝑛
𝑥
Keterangan
(𝑛𝑥) adalah notasi lain untuk C(n,x).
Notasi ini disebut juga notasi binomial.
Fungsi padat peluang distribusi binomial negative

𝑥−1
𝑥 = 𝑘, 𝑘 + 1, 𝑘 + 2
𝑓(𝑥) = { 𝑘 − 1) 𝑝𝑘 (1 − 𝑝)𝑥−𝑘
(
𝑙𝑎𝑖𝑛𝑛𝑦𝑎
0

Keterangan notasi:
𝑝 = Peluang sukses
𝑥 = Jumlah percobaan sampai mendapatkan sukses ke-k
𝑘 = Jumlah sukses yang muncul

Beberapa ukuran statistic deskriptif distribusi binomial negative

a. Mean (Nilai Harapan)

b. Varian
Varian dari distribusi binomial adalah
𝐾(1−𝑃)
Var(X) = 𝑃2
c. Fungsi pembangkit momen (MGF)
Fungsi pembangkit momen distribusi binomial negative adalah
𝑘
𝑝𝑒 𝑡
𝑀𝑋 (𝑡) ( )
1 − (1 − 𝑝)
2. Ciri-ciri Distribusi Binomial
a. Ciri pertama distribusi binomial adalah bila jumlah n tetap dan p kecil maka
distribusi yang dihasilkan akan miring ke kanan dan bila p makin besar maka
kemiringan akan berkurang dan bila p mencapai 0,5 maka distribusi akan menjadi
simetris. Bila p lebih besar dari 0,5, maka distribusi yang dihasilkan akan miring
ke kiri.
b. Ciri kedua nya adalah bila p tetap dengan jumlah n yang makin besar maka akan
dihasilkan distribusi yang mendekati distribusi simetris.
c. Percobaan diulang sebanyak n kali.
d. Hasil setiap ulangan dapat dikategorikan ke dalam 2 kelas, misal :
“BERHASIL” atau “GAGAL”;
“YA” atau “TIDAK”;
“SUCCESS” or “FAILED”.
e. Peluang berhasil / sukses dinyatakan dengan p dan dalam setiap ulangan nilai p
tetap. Peluang gagal dinyatakan dengan q, dimana q = 1-p.
f. Setiap ulangan bersifat bebas (independen) satu dengan lainnya.
g. Percobaannya terdiri atas n ulangan (Ronald.E Walpole)
h. Nilai n < 20 dan p > 0.05