Poisson adalah

seorang matematikawan Prancis, dan di antara banyak kontribusi yang dia buat, mengusulkan
distribusi Poisson, dengan contoh pemodelan jumlah tentara yang secara tidak sengaja terluka atau
terbunuh dari tendangan kuda. Distribusi ini menjadi berguna karena memodelkan acara, terutama
kejadian yang tidak biasa.

Hitungan kejadian, berdasarkan distribusi Poisson, adalah model yang sering ditemui dalam
penelitian medis. Contohnya adalah jumlah jatuhnya, serangan asma, jumlah sel, dan sebagainya.
Parameter Poisson Lambda () adalah jumlah kejadian (k) dibagi dengan jumlah unit (n) pada data (
= k / n). Unit ini membentuk dasar atau penyebut untuk perhitungan rata-rata, dan tidak perlu
menjadi kasus individual atau subjek penelitian. Misalnya, jumlah serangan asma mungkin
didasarkan pada jumlah bulan anak, atau jumlah kehamilan berdasarkan jumlah wanita dalam
penggunaan kontrasepsi tertentu.

Ini berbeda dengan parameter Binomial proporsi atau risiko dimana proporsi adalah jumlah individu
yang tergolong positif (p) dibagi dengan jumlah total individu dalam data (r = p / n). Proporsi atau
risiko harus selalu berupa angka antara 0 dan 1, sementara mungkin merupakan bilangan positif.

Sebagai contoh, jika kita memiliki 100 orang, dan hanya 90 dari mereka berbelanja dalam seminggu
maka risiko binomial belanja adalah 90/100 = 0,9. Namun, beberapa orang akan berbelanja lebih
banyak dari sekali dalam seminggu, dan jumlah perjalanan belanja antara 100 orang mungkin 160,
dan Poisson Lambda adalah 160/100 = 1,6 per 100 orang minggu

Lambda besar ( = k / n), katakanlah lebih dari 200, mengasumsikan distribusi normal atau
geometrik kira-kira, dan hitungan (atau sqrt (hitungan)) dapat digunakan sebagai pengukuran
Parametrik. Jika kejadian terjadi sangat sedikit kali per individu, sehingga individu dapat
diklasifikasikan sebagai kasus positif atau negatif, maka distribusi Binomial dapat diasumsikan dan
statistik terkait dengan proporsi yang digunakan. Di antara, atau saat kejadian jarang terjadi,
distribusi Poisson digunakan.

Diskusi rinci tentang penggunaan tes terkait Poisson ada dalam referensi di bawah ini. Beberapa
klarifikasi nomenklatur mungkin berguna.

Hitungan kejadian (misalnya jumlah serangan asma yang tercatat) diwakili oleh k (k1, dan k2 untuk 2
kelompok). Jumlah ini harus dalam hal berapa banyak kejadian selama periode atau lingkungan yang
ditentukan (misalnya dalam 100 serangan pada 300 anak di atas 6 bulan, atau 10 sel terlihat dalam 5
mikrolit cairan)

Penyebut diwakili oleh n (n1 dan n2 untuk 2 kelompok). misalnya 1800 anak berbulan-bulan, 5
mikroliter.
Perhitungan rata-rata, atau laju penghitungan (k / n) ditunjukkan oleh untuk Lambda (1 dan 2
untuk 2 kelompok). dan N digunakan dalam ukuran sampel dan perhitungan daya, sedangkan k
dan n digunakan untuk menguji signifikansi statistik. misalnya 100 serangan (k) pada 1800 anak-anak
bulan (n) menghasilkan = 100/1800 = 0,06 serangan per anak bulan ()

Biasanya, uji satu ekor digunakan untuk distribusi Poisson, menguji apakah satu kelompok memiliki
lebih banyak kejadian daripada yang lain daripada apakah kedua kelompok berbeda tanpa
menyebutkan mana yang memiliki lebih banyak kejadian.

Kami mempertimbangkan proses difusi lonjakan dengan proses Poisson majemuk yang rentang
lompatannya mengikuti distribusi eksponensial normal atau ganda dan juga perkiraan Bernoulli
mereka. Kami juga berasumsi bahwa intensitas proses Poisson majemuk dan probabilitas Bernoulli
adalah variabel acak, yang mengacu pada proses ini sebagai model campuran Poisson compound.
Dalam makalah ini, kami akan memperkirakan parameter model ini dengan menggunakan rumus
Bayes berbasis MCMC, yang menggeneralisasi hasil sebelumnya [5] dalam kasus di mana intensitas
dan probabilitas Bernoulli adalah konstanta. Sebagai aplikasi, kita akan membuat pemilihan model
berkenaan dengan data keuangan Nikkei dalam hal EICcriterion.

Kata kunci: Model campuran Poisson gabungan, distribusi eksponensial ganda, analisis Bayesian,
MCMC Hybrid, EIC