Properti dan Aplikasi

Distribusi Poisson
Oleh kelompok 9
Anggota Kelompok:
• Dimas Fasdhia Daniswara - 10219088
• Dharma Prasetya Permana - 10219096
• Annisa Kemala Sari - 10219099
• Ryan Dwigiantara - 10219100
• Axel Budyawan - 10219105
Definisi Distribusi Poisson (1)
•  Distribusi Poisson merupakan distribusi probabilitas diskrit.
• Dalam suatu percobaan bebas, probabilitas terjadinya suatu kejadian
dalam satu eksperimen dinyatakan sebagai
• bergantung pada banyaknya percobaan yang dilakukan.
Definisi Distribusi Poisson (2) - Kuantitatif
•  Untuk buah kejadian teramati, jika , maka ketika dipenuhi,

• Distribusi Poisson hanya bergantung pada satu parameter, yang

merupakan nilai rata-rata dari distribusi sekaligus variansi dari
distribusi.
• Persamaan diatas dapat ditulis ulang sebagai:
Sifat-sifat distribusi Poisson
•  Ukuran sampel yang digunakan pada Distribusi Poisson harus besar,
karena Distribusi Poisson adalah distribusi probabilitas dari suatu
kejadian langka (rare event).
• Distribusi Poisson hanya bergantung pada parameter . Distribusi
Poisson akan semakin simetris untuk nilai yang besar, dan akan
semakin bias untuk nilai yang semakin kecil.
• Distribusi Poisson akan menyerupai Distribusi Normal ketika = 20.
Properti - properti Distribusi Poisson (1)
•  Simple properties Poisson Distribution
Jika adalah vektor sembarang dari Distribusi Poisson maka:
Properti Distribusi Poisson (2)
•  Unbiasedness dari Distribusi Poisson.
Jika suatu sampel acak mengikuti Distribusi Poisson:

dapat dibuktikan bahwa nilai mean dan variansi , dari sampel adalah
estimasi tidak bias dari parameter populasi, yaitu .
Properti Distribusi Poisson (3)
•  Keterjumlahan Distribusi Poisson.
Misalkan , adalah ruang probabilitas, X, dan Y adalah kejadian yang
saling bebas dan keduanya mengikuti Distribusi Poisson dengan
parameter masing-masing , dan , maka penjumlahan kejadian X + Y
akan mengikuti distribusi P(X+Y).
Aplikasi Distribusi Poisson – Rare Event (1)
•  Distribusi Poisson dapat digunakan untuk memperkirakan peluang
terjadinya suatu kejadian langka, seperti peluang kecelakaan per
kendaraan pada persimpangan jalan.
• Peluang dari sebuah kecelakaan yang terjadi per kendaraan pada
persimpangan jalan adalah
• Misalkan pada suatu waktu, jumlah kendaraan yang melintasi suatu
persimpangan adalah 1000 kendaraan, maka dapat diperkirakan
bentuk distribusi probabilitasnya untuk X buah kejadian, dan dapat
diperkirakan juga probabilitas terjadinya kejadian sebanyak – n kali.
Aplikasi Distribusi Poisson – Rare Event (2)
•  1000 buah kendaraan yang melintasi persimpangan jalan, dapat
dianggap sebagai n = 1000 percobaan Bernoulli, dengan probabilitas
terjadinya sebuah kecelakaan adalah p = 0,0001, maka distribusi
probabilitas ini mengikuti distribusi binomial.
• Akan tetapi, nilai probabilitas p = 0,0001 sangat kecil sekali dan jumlah
kejadian n = 1000, cukup besar sehingga dapat digunakan pendekatan
menggunakan Distribusi Poisson, yaitu:
(m = 0,1,2,…,n)
Aplikasi Distribusi Poisson – Rare Event (3)
•  Misalkan kita ingin mengetahui probabilitas dari terjadinya lebih dari
dua kecelakaan, karena maka probabilitas untuk kita peroleh:
Aplikasi Distribusi Poisson – Real Life (1)
• Dalam kehidupan sehari-hari, salah satu kasus yang dapat dianalisis
menggunakan Distribusi Poissen adalah jumlah bakteri per mililiter air
minum.
• Dalam suatu komunitas dilakukan pengambilan sampel dan diperoleh
400 record, dengan rincian sebagai berikut.

Jumlah Bakteri dalam 1

ml air 0 1 2 Sum
Jumlah
Jumlah kejadian
kejadian ff 243
243 120
120 31
31 6
6 400
400

Tabel 1: Data jumlah bakteri dan kejadian teramati.

Aplikasi Distribusi Poisson – Real Life (2)
•  Dari data pada Tabel 1, dapat ditentukan nilai rata-rata dari data
adalah dan variansinya adalah
• Karena nilai rata-rata dan variansinya sangat dekat, maka jumlah
bakteri per mililiter air minum dapat dianggap terdistribusi sesuai
dengan Distribusi Poisson, dengan
• Diperoleh persamaan distribusi:
Aplikasi Distribusi Poisson – Real Life (3)
• Hasil perhitungan data Tabel 1, menggunakan Distribusi Poisson
adalah sebagai berikut.
Jumlah Bakteri dalam 1
ml air 0
0 1
1 2
2 SUM
SUM

Jumlah kejadian f 243 120 31 6 400

Jumlah kejadian f 243 120 31 6 400
Frekuensi 0,6075 0,3000 0,0775 0,0150 1
Frekuensi 0,6075 0,3000 0,0775 0,0150 1
Probabilitas 0,6065 0,3033 0,0758 0,0144 1
Probabilitas
Frekuensi Teoritik 0,6065
242,60 0,3033
121,32 0,0758
30,32 0,0144
5,76 1
400
Frekuensi Teoritik 242,60 121,32 30,32 5,76 400

Tabel 2. Data hasil perhitungan jumlah bakteri per ml air menggunakan Distribusi Poisson
Kesimpulan
•  Dari properti – properti yang dimiliki oleh Distribusi Poisson, dapat
ditemukan kegunaan dari Distribusi Poisson yang universal.
• Distribusi ini dapat digunakan untuk menganalisis kejadian langka,
hingga kejadian di kehidupan sehari-hari sekalipun.
• Kebergantungan Distribusi Poisson terhadap hanya satu parameter ,
mempermudah proses analisis kasus karena akan mempersingkat
perhitungan dan pemodelan (asalkan persyaratannya terpenuhi, yaitu
jumlah data yang digunakan harus cukup besar, dan probabilitas
kejadian yang kecil).
Referensi
Zhao J., Zhang F., Zhao C. (2020). The properties and application of
poisson distribution. Journal of Physics: Conference Series. doi:
10.1088/1742-6596/1550/3/032109