Peluang & Statistika · Distribusi Poisson

Distribusi Poisson

Jika kejadian muncul satu per satu dengan laju rata-rata konstan, jumlah kejadian pada interval yang tidak tumpang tindih saling independen, dan rata-rata jumlah kejadian pada interval tertentu adalah λ, peluang tepat k kejadian pada interval itu adalah P(X = k) = e^(−λ)·λᵏ/k!. Bagi interval menjadi n bagian dengan peluang kejadian λ/n per bagian. Saat n membesar, distribusi binomial mendekati distribusi Poisson.

Distribusi Poisson dalam visualisasi ini

Distribusi Poisson menggambarkan berapa kali sesuatu terjadi dalam waktu, panjang, atau luas tertentu, misalnya panggilan yang masuk ke pusat bantuan dalam satu jam atau salah ketik pada satu halaman. Kejadian muncul satu per satu dengan laju rata-rata konstan dan jumlahnya pada bagian yang tidak tumpang tindih saling independen. Satu-satunya parameter adalah nilai harapan jumlah kejadian λ\lambda, yaitu laju dikalikan panjang interval. Berlaku P(X=k)=e−λλk/k!P(X = k) = e^{-\lambda}\lambda^k/k! untuk k=0,1,2,…k = 0, 1, 2, \dots. Di sini interval dibagi menjadi nn bagian, masing-masing dengan peluang λ/n\lambda/n memuat satu kejadian. Jumlahnya berdistribusi binomial. Setiap kali nn digandakan, batang merah mendekati garis luar Poisson sementara nilai harapannya tetap λ\lambda.

Asal rumusnya

Jika p=λ/np = \lambda/n, peluang binomial dapat diuraikan menjadi tiga faktor: (nk)pk(1−p)n−k=n(n−1)⋯(n−k+1)nk\binom{n}{k}p^k(1-p)^{n-k} = \frac{n(n-1)\cdots(n-k+1)}{n^k}⋅λkk!⋅(1−λn)n−k{}\cdot\frac{\lambda^k}{k!}\cdot\Bigl(1-\frac{\lambda}{n}\Bigr)^{n-k}. Faktor pertama membandingkan banyaknya cara memilih kk bagian berbeda secara berurutan dengan nkn^k. Untuk kk tetap, nilainya mendekati 1. Faktor tengah tidak bergantung pada nn. Faktor terakhir menyatakan peluang bahwa semua bagian lainnya kosong, dan mendekati e−λe^{-\lambda}. Ini mengikuti limit bunga majemuk (1+r/n)n→er(1 + r/n)^n \to e^r dengan r=−λr = -\lambda, karena faktor sisanya (1−λ/n)−k(1 - \lambda/n)^{-k} mendekati 1. Perkalian ketiga limit menghasilkan rumus Poisson. Untuk λ\lambda tetap, ketika nn besar, selisih terbesar antara kedua distribusi berkurang kira-kira sebanding dengan 1/n1/n. Itulah sebabnya rasio dalam catatan mendekati 2.

Rata-rata dan varians sama-sama λ

Dengan nn bagian, rata-ratanya n⋅λ/n=λn\cdot\lambda/n = \lambda untuk setiap nn dan variansnya np(1−p)=λ(1−λ/n)np(1-p) = \lambda(1 - \lambda/n), sedikit di bawah λ\lambda. Faktor 1−λ/n1 - \lambda/n mendekati 1 saat nn bertambah besar. Jadi varians distribusi Poisson juga λ\lambda dan simpangan bakunya λ\sqrt{\lambda}.

Bentuk distribusi

Tinggi setiap batang Poisson adalah λ/(k+1)\lambda/(k+1) kali tinggi batang sebelumnya: P(X=k+1)=P(X=k)⋅λ/(k+1)P(X = k+1) = P(X = k)\cdot\lambda/(k+1). Selama faktor itu lebih dari 1, batang makin tinggi; begitu kurang dari 1, batang makin rendah. Jadi untuk λ<1\lambda < 1, jumlah yang paling mungkin adalah 0 dan tinggi batang turun sejak awal. Pada kasus lain ada puncak di ⌊λ⌋\lfloor \lambda \rfloor. Jika λ\lambda bilangan bulat, λ−1\lambda - 1 dan λ\lambda sama mungkin. Saat λ\lambda bertambah besar, distribusinya hampir simetris dan berbentuk lonceng, seperti dijelaskan oleh teorema limit pusat.

Hal yang perlu diperhatikan

  • λ tidak harus bilangan bulat: rata-rata 0.5 kejadian per interval sama masuk akalnya dengan rata-rata 3 kejadian.
  • Rata-rata λ tidak berarti biasanya ada tepat λ kejadian. Untuk λ = 3, peluang tepat 3 kejadian hanya sekitar 22%.
  • Kejadian yang muncul satu per satu merupakan syarat model. Pembagian interval memastikan hal itu karena tiap bagian memuat paling banyak satu kejadian. Jika kejadian datang berkelompok, distribusi jumlahnya berbeda.

Kontrol

  • Klik sebuah kolom atau seret segitiga di bawah batang untuk membaca ketiga faktor bagi jumlah kejadian tersebut.

Terkait