Anda di halaman 1dari 15

Exponential Distribution and

Reliability Growth Models

Novenda 1517051026
Desi Yanti 1517051004
Innas Shofa Uzzahro 1517051009
Dian Indah Lestari 1517051112
Exponential Distribution ( Distribusi Ekponensial)

• Digunakan untuk memodelkan kasus selang


waktu dua kejadian dari satu peristiwa (waktu
antara kedatangan)
Ciri – ciri
• kurva dari distribusi eksponsial mempunyai ekor di
sebelah kanan dan nilai x dimulai dar 0 sampai tak
terhingga .
• Mempunyai nilai variasi dan nilai mean.
• Memiliki standar devisi yang sama dengan rata-rata.
• Menggunakan variabel random
• Mempunyai nilai λ>0
• Mempunyai nilai x>0
Reliability Growth Models

• Seseorang dapat berasumsi bahwa probabilitas


kegagalan (fungsi kepadatan probabilitas, PDF) untuk
semua kegagalan adalah sama (misalnya, mengganti
komponen perangkat keras yang salah dengan yang
identik).

• Namun, dalam perangkat lunak, kami ingin


"memperbaiki" masalah, yaitu, memiliki probabilitas
kegagalan yang lebih rendah setelah perbaikan (atau
lebih lama Δti = ti-ti-1). Oleh karena itu, kami
memerlukan model untuk pertumbuhan keandalan
(yaitu, keandalan berubah seiring waktu).
lanjutan
• Reliability Growth Models perangkat lunak umum
adalah:
1. Model Eksponensial Dasar
2. Model Poisson Logarithmic
• Model eksponensial dasar mengasumsikan
kegagalan terbatas (ν0) dalam waktu tak
terbatas.
• Model Poisson logaritmik mengasumsikan
kegagalan tak terbatas.
Parameter yang terlibat dalam model
pertumbuhan keandalan:
• Intensitas kegagalan (λ): jumlah kegagalan per
unit alami atau waktu.
• Waktu eksekusi (τ): waktu sejak program
berjalan. Waktu eksekusi mungkin berbeda dari
waktu kalender.
• Berarti kegagalan yang dialami (μ): rata-rata
kegagalan yang dialami dalam interval waktu.
Contoh model yang saat ini digunakan
No. of failures in Probability
nxp
interval (n) (p)
0 0.10 0
1 0.18 0.18
2 0.22 0.44
3 0.16 0.48
4 0.11 0.44
5 0.08 0.40
6 0.05 0.30
7 0.04 0.28
Pi : kemungkinan terjadi 8 0.03 0.24
i: Jumlah kegagalan 9 0.02 0.18
10 0.01 0.10
Mean failure (μ) 3.04

• Kegagalan rata-rata yang dialami (μ) untuk


periode waktu tertentu (misalnya, waktu
eksekusi 1 jam) dihitung sebagai:
CDF and PDF are

e = eksponensial 2,71828
λ = parameter rata-rata antar,
x = variabel acak.
K =mewakili total jumlah cacat atau total tingkat cacat kumulatif
Study Kasus
toko Buku “short Book” tengah mengadakan
diskon besar besaran sehingga kedatangan
pengunjung yang bedisribusi eksponensial
mengingat dari biasanya . berapa probabilitas
kedatangan pengunjung dalam selang waktu
beberapa menit atau lebih, bisa kita lihat
sampel yang diambil, tabel dibawah ini.
bulan persen waktu

januari 5,4 20

februari 7,7 35

maret 8,4 45

april 9,2 50
Tabel mencari cdf
Bulan Persen Waktu P(x≥9) cdf

januari 5,4 20 9 0,911963024

februari 7,7 35 9 0,861930579

maret 8,4 45 9 0,813625813

april 9,2 50 9 0,809098728


CDF
Dikson
0.94
0.92
0.9
0.88
0.86
0.84
0.82 cdf
0.8 Log. (cdf)
0.78
0.76
0.74
januari februari maret april

Dikson
0.92
0.9
0.88
0.86
0.84
0.82
0.8 cdf
0.78
0.76
0.74
januari februari maret april
PDF

Bulan Persen Waktu P(x≥9) Cdf Pdf

januari 5,4 20 9 0,911963024 0,016303

februari 7,7 35 9 0,861930579 0,017931

maret 8,4 45 9 0,813625813 0,022187

april 9,2 50 9 0,809098728 0,02075


Diagram PDF
Dikson
0.025

0.02

0.015

0.01

0.005

0
Dikson
januari februari maret april 0.025

0.02
pdf

Log. (pdf) 0.015

0.01 pdf

0.005

0
januari februari maret april
kesimpulan