Kalkulator Distribusi Poisson

Distribusi Poisson memodelkan jumlah kejadian langka dalam selang waktu atau ruang yang tetap, bila kejadian-kejadian itu saling bebas dan laju rata-ratanya diketahui. Masukkan lambda (Ξ») dan k di atas untuk melihat peluang tepat, peluang kumulatif, rata-rata, dan variansnya beserta grafiknya. Satu-satunya parameter yang dibutuhkan adalah lambda.

Masukkan laju kejadian dan panjang selang. Kalkulator menyamakan satuannya, menghitung λ = laju × selang, lalu menghitung peluangnya.

Bila n besar dan p kecil, distribusi Poisson dengan λ = n × p mendekati distribusi binomial. Mode ini menghitung keduanya berdampingan supaya selisihnya terlihat.

Tabel peluang untuk setiap k dari 0 sampai 12 pada lambda yang sama. PMF adalah peluang tepat, CDF adalah peluang kumulatif sampai k itu.

Grafik distribusi Poisson (λ = 3)

Untuk λ = 3, peluang terbesar ada pada k = 2 dan k = 3 β€” keduanya 0,2240. Batang k = 2 ditandai dengan warna berbeda karena itulah nilai yang dipakai pada contoh utama di halaman ini.

0,22400246810k

P(X = 2) = 0,2240 — λ = 3 · k = 2

Perhatikan bentuknya: batang naik dari k = 0 sampai k = 2, lalu turun pelan-pelan. Ekor kanannya panjang β€” peluang k = 8, 9, atau 10 masih ada, tetapi sangat kecil. Inilah ciri distribusi Poisson: ia miring ke kanan bila λ kecil, dan makin simetris bila λ membesar.

Apa itu distribusi Poisson?

Distribusi Poisson adalah distribusi peluang diskrit yang menjawab pertanyaan sederhana: berapa peluang muncul tepat k kejadian dalam suatu selang yang tetap, bila kejadian-kejadian itu langka, saling bebas, dan terjadi dengan laju rata-rata yang diketahui? Selang itu bisa berupa waktu (satu jam, satu hari), jarak (satu kilometer jalan), luas (satu meter persegi pelat), atau volume (satu liter air). Yang dihitung selalu berupa jumlah kejadian β€” bilangan bulat 0, 1, 2, 3, dan seterusnya β€” bukan besaran yang kontinu.

Satu-satunya parameter yang dibutuhkan adalah lambda (λ), yaitu rata-rata jumlah kejadian dalam satu selang. Bila sebuah call center menerima rata-rata 3 panggilan per 15 menit, maka λ = 3 untuk selang 15 menit itu. Bila laju diketahui per jam dan selangnya 15 menit, lambda harus dihitung dulu dari laju β€” kalkulator di atas punya mode konverter untuk itu.

Distribusi ini dinamai Siméon Denis Poisson, matematikawan Prancis yang memperkenalkannya pada 1837 sebagai pendekatan untuk distribusi binomial. Syarat pemakaiannya ada tiga: kejadian-kejadian itu saling bebas (satu kejadian tidak memengaruhi kejadian berikutnya), laju rata-rata tetap sepanjang selang, dan dua kejadian tidak terjadi pada saat yang persis sama. Bila syarat ini terpenuhi, peluangnya mengikuti rumus Poisson β€” dan rata-ratanya sama dengan variansnya, keduanya sama dengan λ.

Contoh yang cocok: jumlah panggilan masuk ke call center per jam, jumlah pelanggan yang tiba di kasir per 15 menit, jumlah kecelakaan lalu lintas di suatu ruas jalan per bulan, jumlah cacat produksi per meter kain, dan jumlah email yang masuk per hari. Semua ini menghitung kejadian langka yang terjadi secara acak dalam selang yang tetap.

Sebaliknya, distribusi Poisson tidak cocok bila yang dihitung bukan jumlah kejadian (misalnya tinggi badan atau skor ujian, yang memakai distribusi normal), bila kejadian saling memengaruhi, atau bila laju berubah-ubah di dalam selang. Skor UTBK, misalnya, bukan jumlah kejadian langka β€” dan SNPMB tidak memublikasikan simpangan baku skor UTBK β€” sehingga distribusi Poisson maupun aturan empiris tidak dapat diterapkan pada skor UTBK.

Rumus distribusi Poisson

Rumus fungsi massa peluang (PMF) distribusi Poisson adalah:

P(X = k) = (λk · e−λ) / k!

dengan λ rata-rata kejadian per selang, k jumlah kejadian yang ditanyakan, e bilangan Euler (≈ 2,71828), dan k! faktorial dari k. Untuk λ = 3 dan k = 2:

P(X = 2) = (32 · e−3) / 2! = (9 · 0,0498) / 2 = 0,2240

Dari rumus ini langsung terlihat tiga besaran penting. Rata-rata (μ) sama dengan λ. Varians (σ²) juga sama dengan λ β€” inilah sifat khas Poisson. Simpangan baku (σ) adalah akar dari λ. Modus, yaitu nilai k yang paling mungkin, adalah λ dibulatkan ke bawah (⌊λ⌋). Untuk λ = 3, modusnya 3 β€” tetapi karena λ bilangan bulat, k = 2 juga modus, sebab P(X = 2) = P(X = 3) = 0,2240.

BesaranRumusNilai (λ = 3)
Rata-rata (μ)λ3
Varians (σ²)λ3
Simpangan baku (σ)√λ1,7321
Modus⌊λ⌋3 (dan 2)

Kapan memakai distribusi Poisson?

Pakai distribusi Poisson bila tiga hal ini terpenuhi sekaligus. Pertama, yang dihitung adalah jumlah kejadian dalam selang yang tetap β€” bukan hasil dari sejumlah percobaan yang tetap. Kedua, kejadian-kejadian itu saling bebas: satu kejadian tidak mengubah peluang kejadian berikutnya. Ketiga, laju rata-rata kejadian tetap sepanjang selang; tidak ada jam sibuk dan jam sepi di dalam satu selang yang sama.

Contoh yang memenuhi syarat: panggilan telepon yang masuk ke call center (rata-rata 3 per 15 menit), pelanggan yang mengantre di kasir (rata-rata 6 per 30 menit), kecelakaan lalu lintas di suatu ruas jalan (rata-rata 2 per minggu), cacat pada gulungan kain (rata-rata 0,5 per meter), dan kendaraan yang lewat di gerbang tol (rata-rata 40 per 10 menit). Pada semua contoh ini, tidak ada “jumlah percobaan” yang tetap β€” yang ada hanyalah laju rata-rata.

Bila ada jumlah percobaan yang tetap, misalnya 20 kali lemparan koin atau 100 kali pengujian produk, yang dipakai adalah distribusi binomial, bukan Poisson. Bila datanya kontinu dan berbentuk lonceng, yang dipakai adalah distribusi normal. Dan bila yang ditanya adalah apakah dua variabel saling bebas, uji yang dipakai adalah uji chi-square. Memilih distribusi yang salah adalah kesalahan yang paling sering terjadi β€” rumusnya mungkin tetap bisa dihitung, tetapi jawabannya tidak berarti apa-apa.

Contoh 1 — Call center: λ = 3, k = 2

Sebuah call center menerima rata-rata 3 panggilan per 15 menit. Berapa peluang tepat 2 panggilan masuk dalam 15 menit berikutnya?

P(X = 2) = (32 · e−3) / 2! = (9 · 0,0498) / 2 = 0,2240.

Peluang kumulatifnya: P(X ≤ 2) = P(X = 0) + P(X = 1) + P(X = 2) = 0,0498 + 0,1494 + 0,2240 = 0,4232. Artinya, ada peluang 42,32% bahwa paling banyak 2 panggilan masuk dalam 15 menit itu.

Peluang ekornya: P(X ≥ 2) = 1 − P(X ≤ 1) = 1 − (0,0498 + 0,1494) = 1 − 0,1991 = 0,8009. Perhatikan cara menghitungnya: peluang “setidaknya 2” adalah satu dikurangi peluang kumulatif sampai 1, bukan satu dikurangi peluang tepat 2. Menghitung 1 − P(X = 2) = 0,7760 adalah kesalahan β€” nilai itu bukan peluang apa pun yang ditanyakan. Rata-rata dan variansnya sama-sama 3, simpangan bakunya √3 = 1,7321, dan modusnya 3.

Contoh 2 — Peluang kumulatif dan ekor

Sebuah ruas jalan mencatat rata-rata 2 kecelakaan per minggu. Berapa peluang tepat 3 kecelakaan dalam satu minggu? P(X = 3) = (23 · e−2) / 3! = (8 · 0,1353) / 6 = 0,1804. Peluang paling banyak 3 kecelakaan adalah P(X ≤ 3) = 0,8571.

Contoh lain: sebuah toko menerima rata-rata 5 pelanggan per jam. Peluang tepat 3 pelanggan dalam satu jam adalah P(X = 3) = 0,1404, peluang paling banyak 3 adalah P(X ≤ 3) = 0,2650, dan peluang setidaknya 4 adalah P(X ≥ 4) = 1 − 0,2650 = 0,7350. Perhatikan bahwa peluang kumulatif sampai 3 di sini kecil (26,50%) karena rata-ratanya 5 β€” sebagian besar massa peluang berada di atas 3.

Contoh 3 — λ = 4 dan λ = 3, k = 5

Sebuah mesin mencetak rata-rata 4 cacat per 100 meter kain. Peluang tepat 2 cacat dalam 100 meter berikutnya adalah P(X = 2) = (42 · e−4) / 2! = 0,1465, dan peluang paling banyak 2 adalah P(X ≤ 2) = 0,2381.

Kembali ke call center dengan λ = 3: peluang tepat 5 panggilan dalam 15 menit adalah P(X = 5) = 0,1008. Nilai ini lebih kecil daripada P(X = 2) = 0,2240, sesuai dengan bentuk grafik di atas: batang k = 5 jauh lebih pendek daripada batang k = 2.

Contoh 4 — Kasus tepi: k = 0 dan P(X ≥ 1)

Peluang tidak ada satu pun kejadian adalah P(X = 0) = e−λ. Untuk λ = 5, nilainya 0,0067 β€” sangat kecil, karena rata-rata 5 kejadian per selang hampir tidak pernah menghasilkan selang kosong. Untuk λ = 2, P(X = 0) = 0,1353, jauh lebih besar. Dua nilai lain: untuk λ = 2,5 dan k = 1, P(X = 1) = 0,2052; untuk λ = 10 dan k = 12, P(X = 12) = 0,0948.

Peluang ada setidaknya satu kejadian sering lebih mudah dihitung lewat komplemennya: P(X ≥ 1) = 1 − P(X = 0) = 1 − e−λ. Untuk λ = 3, P(X ≥ 1) = 1 − 0,0498 = 0,9502. Jadi pada 95,02% selang 15 menit, call center menerima setidaknya satu panggilan.

Contoh 5 — Mengubah laju menjadi lambda

Lambda harus selalu memakai selang yang sama dengan selang yang ditanyakan. Bila laju diketahui per jam tetapi yang ditanya adalah 15 menit, ubah dulu satuannya: λ = laju × selang. Tiga contoh: 12 panggilan per jam selama 15 menit memberi λ = 12 ÷ 60 × 15 = 3,0. 6 pelanggan per jam selama 30 menit memberi λ = 6 ÷ 60 × 30 = 3,0. 0,5 kejadian per menit selama 10 menit memberi λ = 0,5 × 10 = 5,0. Untuk λ = 5, peluang tepat 4 kejadian adalah P(X = 4) = 0,1755. Mode konverter pada kalkulator di atas melakukan penyamaan satuan ini secara otomatis β€” pilih satuan laju dan satuan selang, lalu biarkan kalkulator menghitung lambdanya.

Contoh 6 — Poisson sebagai pendekatan binomial

Sebuah pabrik menguji 100 unit dengan peluang cacat tiap unit 0,02. Berapa peluang tepat 3 unit cacat? Jawaban eksak dari distribusi binomial adalah 0,1823. Pendekatan Poisson dengan λ = n × p = 100 × 0,02 = 2 memberi 0,1804. Selisihnya hanya 0,0019 β€” pendekatan Poisson sangat baik di sini karena n besar (100) dan p kecil (0,02). Inilah alasan distribusi Poisson diperkenalkan: menghitung binomial dengan n = 100 secara manual sangat merepotkan, sedangkan rumus Poisson hanya butuh satu parameter. Syaratnya harus diingat: n besar dan p kecil. Bila p tidak kecil, pendekatannya memburuk dan jawaban binomial eksaklah yang harus dipakai. Periksa sendiri dengan mode “Banding dengan binomial” di atas.

Apa bedanya distribusi Poisson dan binomial?

Keduanya menghitung peluang jumlah kejadian, tetapi situasi yang dimodelkan berbeda. Distribusi binomial menghitung jumlah keberhasilan dalam n percobaan yang tetap, masing-masing dengan peluang berhasil p yang sama β€” misalnya 20 kali lemparan koin atau 100 unit yang diuji. Distribusi Poisson menghitung jumlah kejadian dalam selang yang tetap, tanpa jumlah percobaan yang tetap β€” misalnya panggilan telepon per jam atau kecelakaan per minggu. Pada binomial ada n dan p; pada Poisson hanya ada λ.

BinomialPoisson
Yang dihitungKeberhasilan dari n percobaanKejadian dalam satu selang
Parametern dan pλ saja
Rata-ratan × pλ
Variansn × p × (1 − p)λ
Nilai maksimum kntidak terbatas

Hubungan keduanya: bila n besar, p kecil, dan λ = n × p tetap, distribusi Poisson mendekati distribusi binomial. Pada contoh n = 100, p = 0,02, k = 3 di atas, binomial eksak 0,1823 dan Poisson 0,1804 β€” hampir sama. Itulah sebabnya banyak buku memakai Poisson sebagai jalan pintas untuk binomial yang n-nya besar. Tetapi keduanya tetap distribusi yang berbeda: binomial punya batas atas k = n, sedangkan Poisson tidak punya batas atas β€” secara teori k bisa sebesar apa pun, walau peluangnya mengecil dengan cepat.

Bagaimana cara menghitung lambda dari laju kejadian?

Lambda adalah laju dikali panjang selang, dengan satuan yang sama: λ = laju × selang. Bila laju dinyatakan per jam dan selang dinyatakan dalam menit, ubah salah satunya dulu. Contoh: laju 12 panggilan per jam sama dengan 12 ÷ 60 = 0,2 panggilan per menit. Selama 15 menit, λ = 0,2 × 15 = 3,0. Bila laju sudah per menit, kalikan langsung: 0,5 kejadian per menit selama 10 menit memberi λ = 5,0. Bila selang dinyatakan dalam jam, ubah ke menit atau ubah laju ke per jam β€” yang penting keduanya memakai satuan waktu yang sama. Mode konverter pada kalkulator di atas menerima laju per jam, per menit, atau per detik, dan selang dalam jam, menit, atau detik, lalu menyamakan satuannya sebelum menghitung λ.

Distribusi Poisson di Excel

Excel punya fungsi bawaan POISSON.DIST. Argumennya adalah (k; lambda; kumulatif), dengan pemisah titik koma pada Excel berbahasa Indonesia. Untuk contoh utama halaman ini:

=POISSON.DIST(2; 3; FALSE) → 0,2240 (peluang tepat)
=POISSON.DIST(2; 3; TRUE) → 0,4232 (peluang kumulatif P(X ≤ 2))
=POISSON.DIST(3; 5; TRUE) → 0,2650 (peluang kumulatif P(X ≤ 3) untuk λ = 5)

Gunakan FALSE untuk peluang tepat P(X = k) dan TRUE untuk peluang kumulatif P(X ≤ k). Perhatikan: nama fungsi yang benar adalah POISSON.DIST β€” jangan memakai nama versi bahasa lain. Untuk P(X ≥ k), hitung 1 − POISSON.DIST(k-1; lambda; TRUE); misalnya P(X ≥ 2) untuk λ = 3 adalah 1 − POISSON.DIST(1; 3; TRUE) = 0,8009.

Kesalahan umum

Menghitung P(X ≥ k) sebagai 1 − P(X = k). Ini kesalahan yang paling sering terjadi. Peluang “setidaknya k” adalah 1 − P(X ≤ k − 1). Untuk λ = 3 dan k = 2, jawaban yang benar adalah 0,8009; jawaban 0,7760 (1 − 0,2240) adalah salah.

Mencampur P(X ≤ k) dengan P(X < k). Keduanya berbeda satu suku: P(X < k) = P(X ≤ k − 1). Untuk λ = 3 dan k = 2, P(X ≤ 2) = 0,4232 sedangkan P(X < 2) = 0,1991. Kalkulator di atas menampilkan keduanya berdampingan supaya tidak tertukar.

Lambda tidak cocok dengan selangnya. Bila laju 12 per jam dipakai langsung sebagai λ untuk selang 15 menit, hasilnya salah empat kali lipat. Selalu samakan satuan dulu: λ = laju × selang.

Memakai Poisson untuk data yang bukan jumlah kejadian. Tinggi badan, berat badan, dan skor ujian adalah data kontinu β€” yang tepat adalah distribusi normal, bukan Poisson. Skor UTBK juga bukan jumlah kejadian langka, dan SNPMB tidak memublikasikan simpangan bakunya, sehingga aturan empiris pun tidak berlaku untuk skor UTBK. Lihat penjelasan metodologi kami tentang data dan asumsi yang dipakai di situs ini.

Pertanyaan yang sering diajukan

Distribusi Poisson adalah distribusi peluang diskrit untuk jumlah kejadian langka dalam selang waktu atau ruang yang tetap, bila kejadian-kejadian itu saling bebas dan laju rata-ratanya diketahui. Contohnya: jumlah panggilan telepon per jam, jumlah kecelakaan lalu lintas per minggu, atau jumlah cacat produksi per meter kain. Satu-satunya parameter yang dibutuhkan adalah lambda (λ).

Lambda (λ) adalah rata-rata jumlah kejadian dalam satu selang. Bila sebuah call center menerima rata-rata 3 panggilan per 15 menit, maka λ = 3 untuk selang 15 menit itu. Lambda sekaligus merupakan rata-rata dan varians distribusi Poisson, dan simpangan bakunya adalah akar dari lambda.

Pakai Poisson bila yang dihitung adalah jumlah kejadian dalam selang yang tetap tanpa jumlah percobaan yang tetap β€” misalnya panggilan telepon per jam. Pakai distribusi binomial bila ada n percobaan yang tetap dengan peluang berhasil p yang sama, misalnya 20 kali lemparan koin. Bila n besar dan p kecil, Poisson dapat dipakai sebagai pendekatan binomial dengan λ = n × p.

Peluang kumulatif P(X ≤ k) adalah jumlah peluang P(X = 0) sampai P(X = k). Kalkulator di atas menghitungnya langsung. Di Excel, pakai =POISSON.DIST(k; lambda; TRUE) β€” argumen terakhir TRUE berarti kumulatif. Misalnya =POISSON.DIST(2; 3; TRUE) menghasilkan 0,4232.

Itu sifat khas distribusi Poisson: rata-rata dan varians sama-sama sama dengan lambda. Bila data menunjukkan varians jauh lebih besar daripada rata-rata, Poisson mungkin bukan model yang tepat β€” data seperti itu disebut mengalami overdispersi, dan model lain (misalnya binomial negatif) lebih cocok.

Kalikan laju dengan panjang selang dalam satuan yang sama. Contoh: 12 panggilan per jam selama 15 menit sama dengan 12 dibagi 60 dikali 15, yaitu λ = 3,0. Mode konverter pada kalkulator di atas melakukan perhitungan ini secara otomatis, termasuk bila laju dinyatakan per menit atau per detik.

Ya. Distribusi Poisson memodelkan jumlah kejadian, yaitu bilangan bulat 0, 1, 2, dan seterusnya. Waktu antar kejadian memakai distribusi eksponensial, bukan Poisson. Bila datanya kontinu β€” misalnya tinggi badan atau skor ujian β€” yang dipakai adalah distribusi normal.

Tidak. Skor UTBK bukan jumlah kejadian langka, dan SNPMB tidak memublikasikan simpangan baku skor UTBK, sehingga distribusi Poisson maupun aturan empiris tidak dapat diterapkan pada skor UTBK. Yang diketahui secara resmi hanyalah rata-rata dan nilai maksimum serta minimum skor, bukan sebarannya.

Jelajahi Alat Lainnya

Sumber: NIST/SEMATECH e-Handbook of Statistical Methods, 1.3.6.6.19. Poisson Distribution (eda366j). Lihat semua alat di kalkulator statistik.