POISSON DISTRIBUTION

DISTRIBUSI DISKRIT
 Poisson Distribution

• Pada distribusi Binomial, rata-rata sukses untuk n trial

diberikan oleh μ = np
• Ketika jumlah trial n menjadi sangat besar, tetapi
kemungkinan sukses (p) kecil, maka perhitungan dengan
Binomial menjadi tidak praktis.
Contoh: probabilitas menang lotere, bencana alam

• Jika kita substitusikan μ/n untuk p dan dengan trial n

mendekati tak terhingga, maka distribusi Binomial menjadi
distribusi baru yaitu distribusi Poisson
 Poisson Distribution

Jumlah X dari keluaran yang terjadi selama satu percobaan

Poisson disebut Variabel random Poisson, dan distribusi
probabilitasnya disebut distribusi Poisson.
Bila x menyatakan banyaknya sukses yang terjadi ,  adalah
rata-rata banyaknya sukses yang terjadi dalam interval waktu
atau daerah tertentu, dan
e = 2,718 , maka rumus distribusi Poisson adalah :
Poisson Distribution

l=1
l=5
l = 10
 Poisson Distribution

• Probability Mass Function

• Cummulatif Distribution Function

• Expected
 Poisson Distribution

Probabilitas seorang mengidap penyakit darah yang langka

adalah 4 orang per 1000 penduduk.
Pada suatu daerah yang mempunyai populasi 100 orang,
berapakah probabilitas :
•Terdapat 5 orang yang terkena
•Paling sedikit 10 orang yang terkena
•3 sampai 8 orang yang terkena

6
 Poisson Distribution
Probabilitas seorang mengidap penyakit darah yang langka adalah 4 orang per
1000 penduduk.
Pada suatu daerah yang mempunyai populasi 1000 orang, berapakah
probabilitas :
•Terdapat 5 orang yang terkena
•Paling sedikit 10 orang yang terkena
•3 sampai 8 orang yang terkena

Diketahui:

7
 Poisson Distribution

0,195 0,195

0,156
0,147

0,104

0,073
0,060

0,030
0,018
0,013
0,005 0,002
0,001

x
 Poisson Distribution

0,195 0,195
Tepat 5 orang yang terkena P(x =
5) = ?
0,156
0,147 P(x = 5) = 0,156

0,104

0,073
0,060

0,030
0,018
0,013
0,005 0,002
0,001

x
 Poisson Distribution

0,195 0,195
Paling sedikit 10 orang yang
terkenq
P(x ≥ 10) = ?
0,156
0,147 P(x ≥ 10) = 0,005 + 0,002 + 0,001
P(x ≥ 10) = 0,008
0,104

0,073
0,060

0,030
0,018
0,013
0,005 0,002
0,001

x
 Poisson Distribution

0,195 0,195
3 sampai 8 orang terkena
P(3 ≥ x ≥ 8) = ?
P(3 ≥ x ≥ 8) = 0,195 +
0,156
0,147 0,195 +
0,156 +
0,104 +
0,104
0,060 +
0,073 0,030
0,060 P(3 ≥ x ≥ 8) = 0,74
0,030
0,018
0,013
0,005 0,002
0,001

x
EXPONENTIAL DISTRIBUTION
DISTRIBUSI KONTINYU
 Exponential Distribution
Pada distribusi Poisson, diformulasikan:
dimana
x = jumlah kejadian
 = rata-rata kejadian per satuan waktu

Untuk kurun t waktu, rata-rata kejadian per satuan t waktu

adalah t, sehingga dapat ditulis ulang
dimana
x = jumlah kejadian dalam kurun t waktu
t = rata-rata kejadian per satuan t waktu
 Exponential Distribution
• Peluang bahwa dalam kurun t waktu tidak terdapat kejadian
diberikan oleh

• Persamaan P(x=0) = e–λt dapat juga diinterpretasi sebagai

peluang untuk T (waktu pertama kali kejadian) lebih besar dari
t.
T
0
t
 Exponential Distribution
• Kedua intepretasi dapat ditulis sebagai

• Complement dari peluang itu, yaitu peluang adanya kejadian

dalam kurun t waktu, diberikan oleh:

• Peluang ini tidak lain adalah suatu CDF.

• Dengan derivatif terhadap t, didapat persamaan PDF

• Distribusi PDF tersebut disebut distribusi Eksponensial

Exponential Distribution

λ = 0,5
λ = 0,1
λ = 1,0
 Exponential Distribution
• Probability Density Function

• Cummulatif Distribution Function

• Expected
WEIBULL DISTRIBUTION
DISTRIBUSI KONTINYU
 Weibull Distribution
• Dari proses Poisson, peluang dalam kurun t waktu tidak terdapat
kejadian , R(t)~Reliability, diberikan

• Sementara untuk distribusi Eksponensial, PDF

• Hazard rate (instantaneous failure rate) diformulasikan

• Hasil yang menunjukan nilai konstan h(t) = λ

 Weibull Distribution
• Bila nilai Hazard rate konstan h(t) = λ diubah menjadi bentuk
polinomial h(t) = atb

• Untuk , didapat distribusi Weibull.

• Nilai PDF untuk Weibull

 Weibull Distribution

--- η = 5, β = 1
--- η = 5, β = 2
--- η = 5, β = 3

P(x)

t
0 5 10 15 20
 Weibull Distribution
• Probability Density Function

• Cummulatif Distribution Function

• Expected
Data from a certain call center shows a historical average of 10 calls received
per hour. What is the probability of receiving 0, 10, 20, or 30 per hour in this
center?
We can use the Poisson distribution to describe this process because:
1.The number of calls per hour can take values 0, 1, 2, ….etc. No decimal
numbers can occur.
2.The occurrence of one event does not affect the probability that a second
event will occur. There is no reason to expect a caller to affect the chances of
another person calling, and so the events occur independently.
3.We may assume the average rate (the number of calls per hour) to be
constant.
4.Two calls cannot occur at the same time. It means that at each sub-interval,
like second or minute, either a call occurs or not.
This process is not a perfect fit for the Poisson distribution. For example,
the average rate of calls per hour may decrease in the night hours.

Practically speaking, the process (the number of calls per hour) is close to the
Poisson distribution and can be used to describe the process’s behavior.
Using the Poisson distribution can help us to calculate the probability of 0,10,20 or
30 calls per hour: