Lewati ke konten utama

Distribusi Poisson: Panduan Komprehensif

Distribusi Poisson memodelkan probabilitas sejumlah kejadian tertentu yang terjadi dalam suatu interval tetap. Lihat bagaimana distribusi ini diterapkan dalam skenario dunia nyata seperti teori antrian dan pemodelan lalu lintas.
· 9 mnt Baca

Jelajahi bersama AI

Dalam statistika dan ilmu data, distribusi Poisson adalah alat penting untuk memodelkan kejadian diskret yang terjadi dalam suatu interval tetap. Dinamai menurut matematikawan Prancis Siméon Denis Poisson, distribusi probabilitas ini membantu menganalisis dan memprediksi kejadian langka, sehingga bernilai bagi praktisi data di berbagai bidang.

Jika Anda baru dalam statistika, kursus Introduction to Statistics kami memberikan dasar yang kuat untuk memahami konsep-konsep ini. Bagi Anda yang siap mempelajari teori probabilitas secara mendalam, kursus Foundations of Probability in Python menawarkan penjelajahan komprehensif tentang konsep probabilistik, termasuk distribusi Poisson. 

Apa itu Distribusi Poisson?

Distribusi Poisson adalah distribusi probabilitas diskret yang menyatakan probabilitas sejumlah kejadian tertentu terjadi dalam interval waktu atau ruang yang tetap. Distribusi ini mengasumsikan kejadian tersebut terjadi dengan laju rata-rata yang diketahui dan independen dari waktu sejak kejadian terakhir. Untuk memahami distribusi Poisson, akan membantu jika terlebih dahulu mengetahui perbedaan antara distribusi diskret dan kontinu.

Distribusi Poisson vs. distribusi kontinu

Distribusi Poisson vs. distribusi kontinu. Gambar oleh Penulis

Distribusi diskret

  • Sifat: Distribusi diskret menggambarkan fenomena dengan keluaran yang dapat dihitung dalam bilangan bulat. Distribusi ini dicirikan oleh fungsi massa probabilitas (PMF) yang memberikan probabilitas untuk setiap keluaran diskret yang mungkin.
  • Visualisasi: Pada panel kiri ditampilkan distribusi Poisson, di mana setiap titik merepresentasikan probabilitas sejumlah kejadian tertentu terjadi dalam interval tetap. Distribusi ini ideal untuk memodelkan data cacah, seperti jumlah email yang diterima per jam. Anda juga mungkin memperhatikan bahwa tidak ada nilai negatif pada panel distribusi Poisson. Ini karena, menurut definisi, distribusi Poisson tidak dapat memiliki nilai negatif.

Beberapa contoh distribusi probabilitas diskret mencakup distribusi Bernoulli dan binomial. 

Distribusi kontinu

  • Sifat: Distribusi kontinu digunakan untuk data yang dapat mengambil nilai apa pun dalam suatu rentang, termasuk desimal. Distribusi ini menggunakan fungsi densitas probabilitas (PDF) untuk menggambarkan probabilitas keluaran dalam rentang tertentu.
  • Visualisasi: Panel kanan memperlihatkan distribusi normal. Kurva mulus menunjukkan densitas nilai di sekitar rata-rata, dan luas di bawah kurva antara dua titik tertentu memberikan probabilitas berada dalam rentang tersebut. Jenis distribusi ini berguna untuk mengukur besaran seperti suhu atau berat.

Distribusi normal, atau Gaussian, adalah contoh utama dari distribusi kontinu.

Sifat-Sifat Distribusi Poisson

Mari kita lihat beberapa karakteristik penting dari distribusi Poisson.

Kejadian dalam interval tetap

Ciri utama distribusi Poisson adalah kemampuannya memodelkan kejadian dalam interval tetap. Interval ini bisa berupa waktu (misalnya, jumlah pelanggan yang datang per jam) atau ruang (misalnya, jumlah cacat per meter persegi kain). Model ini berasumsi:

  1. Kejadian terjadi secara independen.
  2. Laju kejadian rata-rata (λ) tetap konstan sepanjang interval.
  3. Dua kejadian tidak dapat terjadi tepat pada saat yang sama.

Rata-rata dan varians

Salah satu sifat paling khas dari distribusi Poisson adalah rata-rata (nilai harapan) sama dengan variansnya. Keduanya direpresentasikan oleh parameter λ (lambda), yang menyatakan jumlah rata-rata kejadian dalam interval. Sifat ini unik dan membantu mengidentifikasi apakah suatu set data mengikuti distribusi Poisson. Secara matematis, hal ini dapat dinyatakan dalam persamaan berikut: 

Rata-rata dan varians distribusi Poisson

Kesetaraan ini menyiratkan bahwa ketika jumlah kejadian yang diharapkan meningkat, variabilitas pada jumlah kejadian aktual juga meningkat.

Kemencengan dan bentuk

Bentuk distribusi Poisson bervariasi berdasarkan nilai λ. Ilustrasi visual ini menunjukkan bagaimana λ memengaruhi kemencengan dan simetri distribusi: 

Distribusi Poisson dengan nilai lambda berbeda

Distribusi Poisson dengan nilai lambda berbeda. Gambar oleh Penulis

  • Untuk nilai λ kecil (λ < 10), distribusi tampak menceng ke kanan. Ini berarti lebih banyak kejadian dengan jumlah peristiwa yang sedikit dan lebih sedikit kejadian dengan jumlah peristiwa yang besar.
  • Seiring meningkatnya λ (λ > 10), distribusi menjadi lebih simetris dan mulai menyerupai distribusi normal. Simetri ini menunjukkan bahwa data lebih merata di sekitar rata-rata.

Perubahan bentuk ini memengaruhi cara kita menafsirkan probabilitas dan membuat inferensi dari data yang berdistribusi Poisson. Misalnya, distribusi yang simetris menyederhanakan banyak jenis analisis, seperti pengujian hipotesis dan estimasi interval kepercayaan, karena distribusi data lebih dapat diprediksi dan seimbang.

Rumus Distribusi Poisson

Perhatikan rumus distribusi Poisson. 

Rumus distribusi Poisson

  • Sisi kiri (LHS) dari rumus distribusi Poisson, P(X = k), merepresentasikan probabilitas tepat k kejadian terjadi dalam suatu interval tetap. Di sini, X adalah jumlah kejadian, dan k adalah jumlah spesifik yang kita minati. Dengan kata lain, LHS memberi tahu kita probabilitas apa yang sedang dihitung.

  • Pembilang pada sisi kanan (RHS), e-λλk memiliki dua bagian. λk menunjukkan seberapa besar kemungkinan k kejadian terjadi berdasarkan laju rata-rata λ. Suku e-λ mengakomodasi sifat acak kejadian, memastikan probabilitas menurun ketika jumlah kejadian menyimpang dari laju yang diharapkan.

  • Penyebut pada sisi kanan (RHS), k! menyesuaikan banyaknya cara x kejadian dapat terjadi. Notasi faktorial menghitung jumlah pengaturan yang mungkin, memastikan probabilitas mencerminkan fakta bahwa urutan kejadian tidak penting.

Jika Anda benar-benar ingin percaya diri menggunakan Python untuk pembelajaran mesin, mulailah jalur karier Machine Learning Scientist with Python kami, yang memungkinkan Anda mempraktikkan teknik lanjutan dengan set data nyata. 

Bagaimana Distribusi Poisson Digunakan

Mari kita lihat beberapa penggunaan nyata dari distribusi Poisson. Jika Anda tertarik pada perencanaan kapasitas dan optimisasi kinerja, kursus Mixture Models in R kami membahas penerapan lanjutan distribusi probabilitas, termasuk campuran Poisson.

Teori antrian

Dalam teori antrian, distribusi Poisson memodelkan kedatangan pelanggan di titik layanan. Misalnya, sebuah bank dapat menggunakan distribusi ini untuk memprediksi berapa banyak pelanggan yang akan datang dalam satu jam tertentu, membantu mengoptimalkan penjadwalan staf dan mengurangi waktu tunggu.

Epidemiologi dan kejadian langka

Ahli epidemiologi sering menggunakan distribusi Poisson untuk memodelkan kejadian penyakit langka. Penerapan ini membantu memperkirakan jumlah kasus yang diharapkan dalam suatu populasi, atau mendeteksi wabah tidak biasa dengan membandingkan kasus yang diamati terhadap distribusi Poisson yang diharapkan. Jika Anda tertarik pada epidemiologi, Anda dapat mendengarkan episode podcast kami, Data Science, Epidemiology and Public Health bersama Maëlle Salmon.

Pemodelan lalu lintas dan jaringan

Insinyur lalu lintas dan analis jaringan menggunakan distribusi Poisson untuk memodelkan jumlah kendaraan yang melewati pos pemeriksaan, kedatangan paket data di server, atau kedatangan panggilan di pusat panggilan.

Kinerja, Kesalahpahaman, dan Alternatif

Saat bekerja dengan distribusi Poisson, penting untuk mempertimbangkan faktor terkait kinerja, kesalahpahaman umum, dan model alternatif guna memastikan hasil yang akurat. Beberapa area yang layak dieksplorasi:

Tantangan kinerja

Beberapa faktor memengaruhi efektivitas pemodelan distribusi Poisson, khususnya saat menangani kasus ekstrem:

  • Laju kejadian rendah: Saat menangani laju kejadian yang sangat rendah (λ kecil), muncul tantangan akibat variabilitas hasil yang tinggi. Strategi untuk mengatasinya termasuk menggunakan periode pengamatan yang lebih panjang untuk meningkatkan jumlah yang diharapkan, menerapkan metode Bayesian untuk memasukkan pengetahuan sebelumnya, atau mempertimbangkan model zero-inflated untuk kelebihan nilai nol.
  • Pendekatan hampiran dengan distribusi normal: Untuk nilai λ yang lebih besar (biasanya di atas 30), distribusi Poisson dapat dihampiri menggunakan distribusi normal, yang menyederhanakan perhitungan namun perlu diterapkan dengan hati-hati.

Meluruskan kesalahpahaman

Kesalahpahaman terhadap elemen kunci dapat menghasilkan model yang keliru:

  • Interval tetap: Kesalahpahaman umum adalah bahwa interval dalam proses Poisson dapat bervariasi. Faktanya, interval harus tetap dan terdefinisi dengan baik. Interval yang berubah-ubah dapat menyebabkan pemodelan yang tidak tepat dan prediksi yang tidak akurat.
  • Kebingungan dengan distribusi binomial: Meskipun distribusi Poisson dapat diturunkan sebagai limit dari distribusi binomial dalam kondisi tertentu, keduanya berbeda. Distribusi Poisson digunakan untuk menghitung kejadian langka dalam interval waktu atau ruang yang tetap, sedangkan binomial digunakan untuk sejumlah percobaan independen dengan dua kemungkinan keluaran.

Mempertimbangkan distribusi alternatif

Dalam beberapa kasus, distribusi alternatif dapat memberikan hasil yang lebih baik:

  • Distribusi binomial negatif: Distribusi binomial negatif merupakan alternatif untuk data cacah dengan overdispersi, ketika varians melebihi rata-rata. Distribusi ini lebih fleksibel daripada Poisson dan dapat memodelkan data dengan variabilitas yang lebih besar.
  • Distribusi eksponensial: Sementara distribusi Poisson memodelkan jumlah kejadian dalam interval tetap, distribusi eksponensial memodelkan waktu antar kejadian dalam proses Poisson. Distribusi ini bersifat kontinu, bukan diskret, dan sangat penting dalam analisis survival dan rekayasa keandalan.

Pemikiran Akhir tentang Distribusi Poisson

Memahami distribusi Poisson secara signifikan meningkatkan analisis statistik dan interpretasi data, khususnya saat menganalisis kejadian langka atau data cacah. Dengan memahami sifat, penerapan, dan keterbatasannya, praktisi data dapat meningkatkan proses pengambilan keputusan dan membuat model yang lebih akurat. 

Seiring kemajuan Anda dalam ilmu data, pertimbangkan untuk memperluas pengetahuan tentang konsep statistik dan penerapannya. Bagi yang bekerja dengan R, kursus Introduction to Statistics in R dan jalur keterampilan Statistics Fundamentals with R menawarkan tinjauan komprehensif tentang prinsip-prinsip statistik utama, termasuk pengalaman langsung dengan distribusi seperti Poisson. Bagi yang lebih menyukai Python, kursus Introduction to Statistics in Python kami menawarkan pengalaman langsung dalam menerapkan konsep statistik, termasuk optimisasi kinerja. Terus membangun keterampilan statistik akan membekali Anda untuk mengatasi tantangan data yang kompleks dan mengekstrak wawasan bermakna dalam pekerjaan Anda.

Vinod Chugani

Penulis

Vinod Chugani

LinkedIn

Vinod Chugani memulai kariernya di Tokyo sebagai Kepala Meja Penjualan Hedge Fund termuda di JPMorgan dan kemudian mencetak rekor penjualan individu di Lehman Brothers, lalu membangun bisnis distribusi elektronik di 30 negara dengan pendapatan melampaui SG$100 juta sebelum beralih ke data. Lulusan Ekonomi Duke dan alumni NYC Data Science Academy, ia menjadi salah satu dari tiga penerima beasiswa dari lebih dari 100 pelamar untuk kursus Building AI Applications oleh Hugo Bowne-Anderson di Maven. Saat ini, ia menulis untuk DataCamp, KDnuggets, Machine Learning Mastery, dan Statology tentang topik mulai dari statistika hingga AI agensial, dan membimbing para profesional data di NYC Data Science Academy dengan lebih dari 1.000 sesi tatap muka atas namanya.

 

FAQ Distribusi Poisson

Apa itu distribusi Poisson?

Distribusi Poisson adalah model statistik yang memprediksi berapa kali suatu kejadian langka dapat terjadi selama periode atau area tertentu. Distribusi ini sangat berguna saat menangani kejadian yang terjadi secara acak tetapi pada laju rata-rata yang dapat diprediksi. Distribusi ini membantu kita memahami pola dalam kejadian yang tampak acak, mulai dari jumlah pelanggan yang datang ke toko dalam satu jam hingga jumlah hantaman meteor di permukaan planet selama satu abad.

Kapan Anda harus menggunakan distribusi Poisson?

Anda sebaiknya menggunakan distribusi Poisson saat memodelkan skenario di mana kejadian terjadi secara acak dan independen pada laju konstan dalam suatu interval tertentu, seperti jumlah email yang diterima dalam satu jam atau panggilan di pusat panggilan selama satu shift.

Bagaimana perbedaan distribusi Poisson dari distribusi normal?

Distribusi Poisson digunakan untuk data cacah diskret dengan jumlah kejadian yang berpotensi kecil, sedangkan distribusi normal umumnya memodelkan data kontinu dan menjadi hampiran yang baik untuk Poisson ketika laju kejadian (λ) besar.

Apa hubungan antara distribusi Poisson dan eksponensial?

Distribusi Poisson menghitung jumlah kejadian dalam interval tetap, sedangkan distribusi eksponensial mengukur waktu antar kejadian berturut-turut dalam proses Poisson. Keduanya terkait secara matematis—mengetahui laju kejadian dalam Poisson membantu menentukan skala distribusi eksponensial.

Apakah distribusi Poisson dapat digunakan untuk memodelkan semua jenis data?

Tidak, distribusi Poisson secara khusus berguna untuk memodelkan jumlah kejadian diskret yang terjadi secara independen dalam interval atau wilayah tetap, dan mengasumsikan laju rata-rata konstan. Distribusi ini tidak cocok untuk data di mana kejadian saling memengaruhi atau terjadi pada laju yang tidak konstan.

Apa arti λ dalam distribusi Poisson?

Dalam distribusi Poisson, λ (lambda) merepresentasikan jumlah kejadian yang diharapkan dalam interval. Nilai ini sekaligus merupakan rata-rata dan varians dari distribusi.

Bagaimana cara membuat distribusi Poisson di Python?

Untuk membuat distribusi Poisson di Python, Anda terutama menggunakan modul random dari pustaka NumPy. Fungsi np.random.poisson() menghasilkan sampel acak dari distribusi Poisson, di mana Anda menentukan laju rata-rata kejadian (lambda) dan jumlah sampel yang diinginkan. Anda kemudian dapat menggunakan sampel ini untuk memplot histogram, menghitung probabilitas, atau melakukan analisis statistik. Untuk perhitungan probabilitas yang lebih presisi, modul stats dari pustaka SciPy menyediakan fungsi seperti stats.poisson.pmf() untuk fungsi massa probabilitas dan stats.poisson.cdf() untuk fungsi distribusi kumulatif.

Bagaimana cara membuat distribusi Poisson di R?

Untuk membuat distribusi Poisson di R, Anda dapat menggunakan fungsi bawaan yang merupakan bagian dari paket statistik dasar R. R menyediakan fungsi untuk menghasilkan bilangan acak, menghitung probabilitas, dan memplot distribusi Poisson. Fungsi utamanya adalah rpois() untuk menghasilkan bilangan acak, dpois() untuk densitas probabilitas, ppois() untuk probabilitas kumulatif, dan qpois() untuk kuantil. Anda dapat menggunakan fungsi-fungsi ini bersama kemampuan plotting R untuk membuat dan memvisualisasikan distribusi Poisson.

Bagaimana hubungan distribusi Poisson dengan regresi Poisson?

Sementara distribusi Poisson menggambarkan probabilitas jumlah kejadian yang terjadi dalam interval tetap, regresi Poisson adalah metode statistik yang digunakan untuk memodelkan data cacah dan memahami bagaimana variabel berbeda memengaruhi cacahan tersebut. Dalam regresi Poisson, variabel respons diasumsikan mengikuti distribusi Poisson, dan logaritma dari nilai yang diharapkan dimodelkan sebagai kombinasi linear dari variabel prediktor. Hubungan ini memungkinkan peneliti menganalisis bagaimana berbagai faktor memengaruhi laju kejadian.

Topik

Data ScienceAnalisis Data

Terkait

blogs

Spaghetti Plot dan Jalur Badai

blogs

Tutorial Korelasi di R

blogs

40 Pertanyaan Wawancara DBMS Teratas di 2026

Lihat Selengkapnya →