REVIEW JURNAL

Judul A simple and fast method for computing the Poisson

binomial distribution function
Jurnal Computational Statistics and Data Analysis, Q1
Volume dan Hal V.1 / 1-9
Tahun 2018
Penulis William Biscarri, Sihai Dave Zhao, Robert Brunner
Tanggal Minggu, 12 Januari 2018
Reviwer Ach. Dafid
196060300111004
Mahasiswa S2 Teknik Elektro
Universitas Brawijaya

Review
Ringkasan Dapat dilihat bahwa fungsi distribusi binomial Poisson
dapat dihitung secara efisien menggunakan metode
berbasis konvolusi sederhana. Distribusi binomial Poisson
menggambarkan bagaimana jumlah variabel acak Bernoulli
yang independen tetapi tidak terdistribusi. Karena tidak
praktis dalam fungsi distribusi binomial Poisson, metode
yang efisien untuk menghitungnya telah menjadi perhatian
khusus dalam literatur Statistik masa lalu.
Pertama, ditunjukkan bahwa secara sederhana dan
langsung menggunakan definisi fungsi distribusi dari
sejumlah variabel acak dapat menghitung fungsi distribusi
binomial Poisson secara efisien. Skema konvolusi
transformasi Fourier transform terstruktur yang dimodifikasi
kemudian disajikan, yang memberikan keuntungan
efisiensi yang lebih besar.
Kedua pendekatan tersebut adalah terbukti mengungguli
keadaan saat ini dari metode seni dalam hal akurasi dan
kecepatan. Metode tersebut kemudian dievaluasi pada
contoh pemrosesan gambar data nyata untuk menunjukkan
keunggulan efisiensi dari metode yang diusulkan dalam
kasus-kasus praktis. Akhirnya, ekstensi yang mungkin
untuk menggunakan metode berbasis konvolusi untuk
menghitung fungsi distribusi lainnya dibahas.
Metode Metode yang digunakan pada penelitian ini merupakan
Direct Convolution yang dibandingkan dengan Divide and
conquer FFT tree. Metode ini Direct Convolution FFT
merupakan teorema Fourier tunggal paling penting dari
semua. Ini adalah dasar dari sejumlah besar aplikasi FFT.
Karena FFT menyediakan transformasi Fourier yang cepat,
FFT juga menyediakan konvolusi cepat, berkat teorema
konvolusi. Ternyata menggunakan FFT untuk melakukan
konvolusi benar-benar lebih efisien dalam praktiknya hanya
untuk konvolusi yang cukup lama, seperti N> 100 . Untuk
konvolusi yang jauh lebih lama, penghematan menjadi
 sangat besar dibandingkan dengan konvolusi “langsung”.
Ini terjadi karena konvolusi langsung membutuhkan urutan
N ^ 2 operasi (perkalian dan penambahan), sementara
konvolusi berbasis FFT membutuhkan urutan N \ lg (N)
operasi, di mana \ lg (N) menunjukkan logaritma-basis-2
dari N .

Pada artikel ini Metode Direct Convolution dibandingkan

dengan metode Algoritma Divide and Conquer yang
merupakan strategi pemecahan masalah yang besar
dengan cara melakukan pembagian masalah yang besar
tersebut menjadi beberapa bagian yang lebih kecil secara
rekursif hingga masalah tersebut dapat dipecahkan secara
langsung. Solusi yang didapat dari setiap bagian kemudian
digabungkan untuk membentuk sebuah solusi yang utuh.

Pada algoritma Divide and Conquer ini memiliki tiga proses

utama yaitu :
1. Divide: membagi masalah menjadi beberapa upa
masalah yang memiliki kemiripan dengan masalah
semula namun berukuran lebih kecil (idealnya
berukuran hampir sama),
2. Conquer: memecahkan (menyelesaikan) masing-
masing upa masalah (secara rekursif), dan
3. Combine: mengabungkan solusi masing-masing upa
masalah sehingga membentuk solusi masalah semula.
Kelebihan Kelebihan dalam penelitian ini berupa DC-FFT mampu
melakukan perhitungan yang sangat cepat bahkan untuk n
besar, dan tepat, kami merekomendasikannya digunakan
untuk perhitungan umum fungsi distribusi binomial Poisson,
dan untuk fungsi distribusi binomial Poisson umum jika
berlaku. Ketika n ≤ 1000 DC, DC-FFT, atau DFT-CF dapat
digunakan. Namun, kami mencatat bahwa jika fungsi
distribusi harus dievaluasi berkali-kali, atau jika diperlukan
kasus binomial Poisson umum, DC-FFT atau DC lebih
disukai.

Ketika n ≤ 2000, DC dan DC-FFT umumnya setara dalam

kecepatan dengan metode RNA yang sangat cepat dan
direkomendasikan untuk digunakan dalam kasus ini. Untuk
n> 2000, DC-FFT umumnya direkomendasikan daripada
metode lain, karena dapat dengan mudah menangani n
besar dengan pilihan M yang sesuai dan merupakan
metode perhitungan yang tepat. Jika banyak perhitungan
berulang dari fungsi distribusi binomial Poisson diperlukan
untuk n yang sangat besar (n ≥ 100.000), RNA lebih disukai
karena ini adalah yang paling efisien secara komputasi, dan
ukuran sampel akan cukup besar sehingga perkiraannya
harus hampir seakurat metode yang tepat.
Kekurangan Pendekatan konvolusi seperti DC atau DC-FFT
dimungkinkan untuk ai dan bi umum, tetapi urutan input
perlu diubah, dan studi lebih lanjut akan diperlukan untuk
memperhitungkan fakta ini dan mengevaluasi biaya
komputasi. Tampak mungkin bahwa DC dan DC-FFT atau
pendekatan berbasis konvolusi serupa dapat dimodifikasi
dan diperluas ke distribusi yang lebih umum, selama
distribusi dapat didekati dengan baik oleh distribusi kisi.
Aplikasi lain di Dikenal sebagai fungsi distribusi binomial Poisson, jumlah
penelitian ini ini sangat menarik bagi berbagai bidang dan aplikasi, dan
telah digunakan secara luas dalam beberapa tahun
terakhir. Misalnya, telah digunakan dalam genetika
(Meltonetal., 2015), analisis waktu kegagalan perangkat
(Hongand Meeker, 2013), analisis reliabilitas dalam
peramalan meteorologi (DeChantandMoradkhani, 2015),
asuransi (Pitacco, 2007), teori respons item (Gonzálezetal
.,2016), ecology Calabreseetal., 2014), sampling survei
(ChenandLiu, 1997), dan bahkan analisis golf
(ElmoreandUrbaczewski, 2016).
Distribusi itu sendiri telah menerima perhatian yang
signifikan dalam literatur statistik masa lalu, misalnya,
Hoeffding (1956), di mana fokus utamanya adalah pada
penghitungan fungsi distribusi kumulatif