13 DISTRIBUSI POISSON Nama Kelompok : Yohanna Ginting (102407002) Tiara L.Tobing (102407005) Dengsi Lesmana (102407007) Wirda S.

Siburian (102407027) Ongki N.Purba(102407035) Elveriawati Sitinjak (102407041) Alfred Teopilus (102407094) A

STAT

Contoh 1. Anda telah mengamati bahwa jumlah hits ke web Anda situs terjadi pada tingkat 2 sehari Misalkan X akan menjadi jumlah hit dalam sehari 2. Anda mengamati bahwa jumlah panggilan telepon yang tiba setiap hari pada ponsel Anda selama satu tahun, dan mencatat bahwa rata-rata adalah .3 X adalah jumlah panggilan yang tiba di salah satu hari . 3. Catatan menunjukkan bahwa tingkat rata-rata pengajuan pekerjaan di sebuah pusat komputer sibuk adalah 4 per menit. X adalah jumlah pekerjaan yang tiba dalam satu menit.

4. Catatan menunjukkan bahwa pesan tiba ke komputer server di tingkat 6 per jam. X adalah jumlah pesan tiba di salah satu server di tingkat 6 per jam.

Umumnya X = jumlah kejadian, didistribusikan secara independen dalam waktu, terjadi dalam interval waktu tetap. X adalah variabel Poisson dengan pdf: P (X = x) = , x=0,1,, dimana adalah rata-rata.

Contoh: Pertimbangkan sebuah sistem komputer dengan Poisson pekerjaan-tiba aliran pada rata-rata per 2 menit. . Tentukan probabilitas bahwa dalam setiap selang satu menit akan ada (I) 0 pekerjaan; (Ii) tepat 2 pekerjaan; (Iii) paling banyak 3 pendatang. (Iv) Apakah pekerjaan maksimum yang harus tiba satu menit dengan kepastian 90%?

Solusi: Job Kedatangan dengan = 2 (I) Tidak ada kedatangan pekerjaan: P (X = 0) = =.135 Dalam R dpois (0, 2) [1] 0,1353353 (Ii) Tepat 3 kedatangan pekerjaan: P (X = 3) = =.18

Dalam R dpois (3, 2) [1] 0,1804470 (Iii) Paling banyak 3 kedatangan P (X 3) = P (0) + P (1) + P (2) + P (3) = + + + = 0,1353 + 0,2707 + 0,2707 + 0,1805 = 0,8571 Dalam R ppois (3,2) [1] 0,8571235 lebih dari 3 kedatangan: P (X> 3) = 1 - P (X 3) = 1-0,8571 = 0,1429 (Iv) Maksimum pendatang dengan setidaknya 90% kepastian:

yaitu 90% kuantil Pilih k sehingga P (X k) .9 Dalam R qpois (.9, 2) [1] 4 setidaknya 90% kemungkinan bahwa jumlah pengajuan pekerjaan di setiap saat tidak melebihi 4. ekuivalen kurang dari 10% kesempatan bahwa akan ada lebih dari 4 pekerjaan pengiriman dalam satu menit.

Poisson Probabilitas Kepadatan Fungsi (Poisson Probability Density Functions) par(mfrow = c(2,2)) # multiframe x<-0:12 #look at the first 12 probabilities plot (x, dpois(x, 2), xlab = "Number of Hits", ylab = "P(X = x)", type = "h", main= "Web Site Hits: Poisson(2)") plot (x, dpois(x, 3), xlab = "Number of Calls", ylab = "P(X = x)", type = "h", main= "Calls to Mobile: Poisson(3)") plot (x, dpois(x, 4), xlab = "Number of Submissions", ylab = "P(X = x)", type = "h", main= "Job Submissions: Poisson(4)") plot (x, dpois(x, 6), xlab = "Number of Messages", ylab = "P(X = x)", type = "h", main= "Messages to Server: Poisson(6)")

Poisson Fungsi Distribusi Kumulatif Poisson Cumulative Distribution Functions par(mfrow = c(2,2)) # multiframe x<-0:12 plot (x, ppois(x, 2), xlab = "Number of Hits", ylab = "P(X = x)", type = "s", main= "Web Site Hits:lambda=2") plot (x, ppois(x, 3), xlab = "Number of Calls", ylab = "P(X = x)", type = "s", main= "Calls to Mobile:lambda=3") plot (x, ppois(x, 4), xlab = "Number of Submissions", ylab = "P(X = x)", type = "s", main= "Submissions:lambda=4") plot (x, ppois(x, 6), xlab = "Number of Messages", ylab = "P(X = x)", type = "s", main= "Server Messages:lambda=6", )

Turunan dari Beberapa Sifat dari Poisson 1. Jelas > 0 karena > 0 Juga = x=0 sejak: i.e = = x=0 =1

= 1+ +

+ ...

2. E(X) = E(X) = = x=0 = =x x=0 = = x=0 = = = [= x=0 [1+ +] ]

APLIKASI DARI POISSON Distribusi Poisson muncul dalam dua cara: 1. Acara didistribusikan secara bebas satuan lainnya dalam waktu: X = jumlah kejadian yang terjadi dalam waktu yang tetap Interval memiliki distribusi Poisson. PDF:P(x)= , x=0, 1,2,: >0

Contoh: X = jumlah panggilan telepon dalam jam.

2. Sebagai pendekatan untuk binomial ketika p kecil dan n adalah besar, Ketika memeriksa jumlah cacat dalam besar bets dimana p, tingkat cacat, biasanya kecil

Contoh: Produsen disk drive di salah satu terkenal merek mikrokomputer mengharapkan 2% dari disk drive untuk kerusakan selama periode garansi microccomputer itu. Hitung probabilitas bahwa dalam sampel 100 disk drive, yang tidak lebih dari tiga kehendak kerusakan . Jumlah disk drive Suku dua k 0 1 2 3 TOTAL Binomial
( )

Perkiraan Poisson

0.13282 0.27045 0.27341 0.18228 0.85890

0.13534 0.27057 0.27057 0.18045 0.85713

Poisson sebagai pendekatan ke binomial jika n adalah p besar kecil Ingatlah: rata np = binomial rata Poisson = PDF Binomial P (x) = ( )

Beberapa Contoh 1. Pesan tiba ke server sebesar 6 per jam. Apakah k jumlah maksimum sehingga probabilitas bahwa jumlah pesan ke server dalam satu jam lebih dari nilai ini adalah .75 Larutan qpois (75, 6) [1] 8 Setidaknya kesempatan 75% 8 pesan 25% perubahan> 8; yaitu kuartil ke-3. Untuk 1 kuartil, qpois (.25, 6) [1] 4 Interkuartil kisaran: [4, 8], yaitu 50% dari waktu, kedatangan akan antara 4 dan 8. Contoh: Sebuah web server menerima rata-rata dari 1000 query per hari. Berapa banyak kelebihan kapasitas harus itu membangun menjadi 95% yakin bahwa hal itu dapat memenuhi permintaan? Poisson dengan = 1000 Pilih k sehingga P (X k) .95 qpois (.95, 1000) [1] 1052 dan untuk memeriksa ppois (1052, 1000) [1] 0,9506515 Kapasitas tambahan yang diperlukan adalah 52.

Contoh: Jumlah rata-rata kesalahan karena bug tertentu occurring dalam satu menit adalah 0,0001 1. Berapa probabilitas bahwa tidak ada kesalahan akan terjadi dalam 20 menit? 2. Berapa lama program perlu dijalankan untuk memastikan bahwa akan ada kesempatan 99,95% bahwa kesalahan akan menunjukkan hingga menyoroti bug ini? Larutan Poisson = .0001 per menit = 20 (.0001) = .002 per 20 menit interval. probabilitas bahwa tidak ada kesalahan akan terjadi dalam 20 menit: P (0) = = 0.998002 99,88% kemungkinan DARI 0 dalam 20 menit. Ekuivalen 1,12% bahwa kesalahan akan muncul dalam 20 menit pertama. Untuk 99,95% yakin penangkapan bug: P (X 1) 0,9995, atau ekuivalen P (X = 0) = 0,0005 P (Tidak ada kejadian di menit k) =

Untuk menjadi 99,95% yakin, pilih k sehingga : 0,0005 atau ekuivalen 1 0,9995 k> 75.000 menit k 75000/60 = 1250 jam k. 1250-1224 = 52 hari

Dalam R, kita dapat mempelajari probabilitas setidaknya satu erRoR di timespans berbeda: k <-seq (50000,100000, 5000) # Menjalankan waktu di 5.000 int. y <-1-exp (- (.0001) * k) # Setidaknya satu di menit k plot (k, y, xlab = "Menjalankan waktu dari paket di menit", ylab = "Probabilitas minimal satu bug") abline (h = 0,9995)

Contoh: Rata-rata jumlah cacat per wafer (kepadatan cacat) adalah 3, Redundansi dibangun ke dalam desain memungkinkan hingga 4 cacat per wafer. Berapa probabilitas bahwa redun Dancy tidak akan cukup jika cacat mengikuti Poisson distribusi? Poisson dengan = 4. Untuk cacat k: P (X = k) = dimana X adalah jumlah cacat per wafer. Redundansi tidak akan cukup bila X> 4. P (X> 4) = 1 - (P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3) P (+ X = 4)) =1-

Di R kita memperoleh P (X> 4) menggunakan ppois 1-ppois (4, 3) [1] 0,1847368 atas kesempatan 18% bahwa cacat akan melebihi redundansi. ppois (4, 3) P (X 4) dengan = 3 qpois Fungsi R untuk Distribusi Poisson dpois dpois (x = 4, lambda = 3) atau dpois (4, 3) P (X = 4) = 3 ppois ppois (x = 4, \ lambda = 3) atau qpois (.95, lambda = 3) atau qpois (.95, 3) [1] 7 Pilih k sehingga P (X k) .95. > Qpois (.95, 3)