Review Teori Probabilitas

Rekayasa Trafik

Rekayasa Trafik 1
Rekayasa Trafik 2
Outline
Arti Probabilitas
Counting Method
Random Variable
Discrete RV
Continuous RV
Multiple RVs

Rekayasa Trafik 3
Arti Probabilitas
Rekayasa Trafik 4
Apakah Probabilitas
Arti probabilitas
Situasi tdk dp secara eksak direplikasi
Tetapi tdk chaotic (memp suatu pola)

Rekayasa Trafik 5
Probabilitas
Definisi
Logika probabilitas

Aksioma
Fakta tanpa bukti/proof

Teorema
Diturunkan dari Definisi, Aksioma, atau Teorema
lainnya

Rekayasa Trafik 6
Matematik Probabilitas
Teori set
Operasi set
Set properties
Rekayasa Trafik 7
Set Properties Penting
Rekayasa Trafik 8
Eksperimen
Apakah suatu eksperimen?
Metoda utk mencari sejumlah fakta/konklusi

Berikan suatu contoh?
Utk film Matrix Reloaded, apakah fun?
Berdiri di depan bioskop
Tanya audiences, fun atau tdk?

Komposisi dari suatu eksperimen
Prosedure
Observasi

Mengapa eksperimen diperlukan?
Ketidakpastian

Rekayasa Trafik 9
Eksperimen
Concern mengenai film Matrix Reloaded
Apakah sebaiknya saya tanya laki-laki dewasa, perempuan
dewasa atau remaja?
Pengalaman dari audiences
Pengetahuan dari audiences

Complicated experiment perlu Model
Eksperiment nyata: terlalu rumit
Tangkap hanya bagian penting
Contoh Model:
Perlakukan semua audiences sama
Jawaban hanya akan suka/tdk suka

Rekayasa Trafik 10
Eksperimen
Contoh:
Lempar suatu coin 3 kali, observasi deretan heads/tails
Lempar suatu coin 3 kali, observasi jumlah heads
Rekayasa Trafik 11
Definisi dalam Probabilitas
Outcome
Sembarang observasi yg mungkin

Sample Space
Finest-grain: masing-masing outcome berbeda
Mutually exclusive: jika satu outcome muncul, lainnya
tdk akan
Collectively exhaustive: tiap outcome harus dlm sample
space

Event
Set dari outcomes (harus tahu semua outcomes)
Event Sample Space
Rekayasa Trafik 12
Contoh-Contoh Event
Outcomes:
bilangan = 1,2,3,4,5,6

Sample space:
S = {1,2,3,,6}

Event examples:
E1 = {bilangan < 3} = {1,2}
E2 = {bilangan ganjil} = {1,3,5}

Rekayasa Trafik 13
Set vs Probabilitas
Rekayasa Trafik 14
Probabilitas dari Event P[ ]
Dari eksperimen: Lempar dadu

Outcomes:
bilangan = 1,2,3,4,5,6

Sample space:
S = {1,2,3,,6}

Event examples:
E1 = {bilangan < 3} = {1,2}
E2 = {bilangan ganjil} = {1,3,5}

Rekayasa Trafik 15
Aksioma-Aksioma Probabilitas
Aksioma 1: Utk sembarang event A, P[A] 0

Aksioma 2: P[S] = 1

Aksioma 3: Utk events A
1
, A
2
,, A
n
yg mutual
exclusive events

Rekayasa Trafik 16
Contoh Teorema-Teorema
Teorema: Jika A dan B disjoint maka



Teorema: Jika B = B
1
B
2
B
3
B
n
dan B
i

B
j
= maka

Rekayasa Trafik 17
Equally Likely
Teorema:
Utk suatu eksperimen dg sample space
S={s
1
,, s
n
}
Jika tiap outcome adalah equally likely,

Rekayasa Trafik 18
Konsekuensi Dari Aksioma-Aksioma
Teorema:

P[] = 0
P[A
c
] = 1 - P[A]
Utk sembarang A dan B (tdk harus disjoint)
P[A B] = P[A] + P[B] P[AB]
Jika A B , maka P[A] P[B]

Rekayasa Trafik 19
Suatu Teorema yg Berguna
Mis B
1
, B
2
,,B
n
event-
Event yg mutual exclusive
Dimana gabungannya
(union)
Sama dg sample space S
partisi dari S
Utk sembarang event A



Teorema

Rekayasa Trafik 20
Conditional Probability
Dlm praktek, mungkin tdk mungkin utk menemukan
outcome yg persis dari suatu eksperimen

Namun, jika kita tahu bhw Event B telah terjadi
(outcome dari Event A adalah dlm set B)
Probabilitas dari A jika B muncul dp dinyatakan
Masih belum tahu P[A]

Rekayasa Trafik 21
Conditional Probability
Notasi: P[A|B]
Probabilitas dari A diberikan B
Condition probability dari
event A diberikan kemunculan
dari event B

Definisi:


Rekayasa Trafik 22
Penjelasan Lanjut
Rekayasa Trafik 23
Law of Total Probability
Mis B
1
, B
2
,,B
n
event-
event mutual exclusive
dimana union sama dg
sample space S
P[B
i
] > 0

Rekayasa Trafik 24
Bayes Theorem
Rekayasa Trafik 25
2 Independent Events
Rekayasa Trafik 26
Independent Interpretation
Rekayasa Trafik 27
Independent vs Disjoint
Rekayasa Trafik 28
3 Independent Events
Rekayasa Trafik 29
Most Common Application
Asumsi bhw events dari eksperiments terpisah
adalah independent

Contoh:
Asumsi bhw outcome dari suatu toss coin toss
independent dari outcomes dari semua toss coin
sebelum dan sesudahnya
P[H] = P[T] =
P[HTH] = P[H]P[T]P[H] =
1/2*1/2*1/2 = 1/8

Rekayasa Trafik 30
Eksperimen Sekuensial
Eksperimen: secara sekuensial
subexperiments subexperiments
Tiap subexp. bisa tergantung pd yg sebelumya
Direpresentasikan dg suatu Tree Diagram
Model Conditional Prob. Sequential Experiment

Rekayasa Trafik 31
Contoh Sekuensial
Koordinasi waktu 2 lampu lalu lintas
P[lampuke-2 berwarna sama dg yg pertama] = 0.8
Asumsi lampu ke-1 memp kemungkinan sama utk hijau
atau merah

Cari P[lampu ke-2 adalah hijau] ?

Rekayasa Trafik 32
Contoh Sekuensial
Rekayasa Trafik 33
Contoh Sekuensial

P[lampu ke-2 adalah hijau] ?
Rekayasa Trafik 34
Counting Method
Rekayasa Trafik 35
Prinsip Counting Method
Rekayasa Trafik 36
K-permutations
Rekayasa Trafik 37
Pilih dengan Replacement
Rekayasa Trafik 38
K-combination
Rekayasa Trafik 39
Independent Trials
Laksanakan pengulangan percobaan (trials)
p = probabilitas sukses
(1-p) = probabilitas gagal
Tiap percobaan adalah independent
S
k,n
= event bahwa k sukses dlm n percobaan

Rekayasa Trafik 40
Independent Trial: Contoh
3 percobaan dg 2 sukses
000 001 010 011 100 101 110 111
Berapa banyak cara utk memilih 2 dari 3


Berapa probabilitas sukses utk tiap cara?
p
2
* (1-p)

Rekayasa Trafik 41
Independent Trial: Contoh
Contoh: pd ronde pertama dari makanan, probabilitas suatu
piring akan lulus test adalah 0.8
Dari 10 kandidat, berapa probabilitas bhw x kandidat akan
lolos? P[x = 8]?
Solusi:
A = {suatu piring lolos test}, P[A] = 0.8
Testing suatu piring adalah suatu independent trial

Rekayasa Trafik 42
Independent Trials: Reliabilitas
Mis probabilitas suatu komputer bekerja = p
Series: P[A] = P[A1A2] = p
2
Paralel: P[B] = ?
P[B] = 1 P[B
c
]
= 1 P[B
1
c
B
2
c
]
= 1 (1 p)
2

Rekayasa Trafik 43
Random Variabel
Rekayasa Trafik 44
Random Variable
Suatu varibel yg menggambarkan outcome dari suatu
aktivitas random seperti rolling a die
Mendefinisikan sebuah pemetaan dari outcome menjadi
suatu nilai (value)
Has a range of values over which it can vary and a
probability distribution with which it takes on these values
Discrete random variable can take on a finite or
countable set of values, e.g., number of customers in
system
Continuous random variable can take on values over a
continuous interval, e.g., waiting time
Rekayasa Trafik 45
Random Variable
Eksperimen (Model Fisik)
Komposisi dari prosedur & observasi
Dari observasi, kita dapat outcomes
Dari semua outcomes, kita mendapatkan model
probabilitas (matematis) disebut Sample space
Dari model, kita dapat P[A], A S

Rekayasa Trafik 46
Random Variable
Dari suatu model probabilitas
Mis.: 2 lampu lalu lintas, observasi urutan dari lampu
S = {R
1
R
2
,R
1
G
2
,G
1
R
2
,G
1
G
2
}
Jika dialokasikan suatu bilangan pd tiap outcome pd
S, tiap bilangan yg kita observasi disebut Random
Variable
Observasi jumlah lampu merah
S
X
= {0,1,2}

Rekayasa Trafik 47
Random Variable
Rekayasa Trafik 48
2 Tipe Random Variable
Discrete Random Variable
Contoh:
X = # jumlah shuttle-cocks yg digunakan pd suatu
pertandingan badminton

Continuous Random Variable
Contoh:
Z = # menit dari lama panggilan

Rekayasa Trafik 49
Discrete Random Variabel
Rekayasa Trafik 50
Discrete Random Variable
Definisi:
X adalah suatu discrete random variable jika
rentang/range dari X dp dihitung/ countable
S
x
= {x
1
,x
2
,}

X adalah suatu finite random variable jika semua nilai
dg probabilitas tdk nol ada dlm set terbatas
S
x
= {x
1
,x
2
,,x
n
}

Rekayasa Trafik 51
Mengapa Kita Memerlukan suatu RV
Utk suatu model probabilitas (eksperimen), outcome
pd S dp dlm berbagai bentuk sembarang

Jika kita implementasikan suatu Random Variable,
kita dp kalkulasi rata-rata!

Dlm Probabilitas, rata-rata disebut expected value
dari suatu random variable

Rekayasa Trafik 52
Probability Mass Function
Utk suatu model probabilitas (discrete), P[A] =
[0,1]

Utk suatu discrete random variable, model
probabilitas disebut suatu Probability Mass Function
(PMF)

Rekayasa Trafik 53
Probability Mass Function
Rekayasa Trafik 54
Contoh PMF
Contoh:
2 lampu lalu lintas, observasi urutan lampu
S = { R
1
R
2
, R
1
G
2
, G
1
R
2
, G
1
G
2
}

Cari PMF dari T, jumlah dari lampu merah

Rekayasa Trafik 55
Contoh PMF
T adalah suatu random variable dari # lampu merah
Cari P
T
(t)
P
T
(t) = P[T = t]
Pertama-tama, cari probabilitas utk tiap t
Tiap outcome adalah equally likely 1/4
P[T=0] = P[{G
1
G
2
}] = 1/4
P[T=1] = P[{R
1
G
2
, G
1
R
2
}] = 2/4 = 1/2
P[T=2] = P[{R
1
R
2
}] = 1/4

Rekayasa Trafik 56
Contoh PMF
Rekayasa Trafik 57
Teorema PMF
Rekayasa Trafik 58
Discrete RV Yg Berguna
Discrete Uniform Random Variable
Bernoulli Random Variable
Geometric Random Variable
Binomial Random Variable
Pascal Random Variable
Poisson Random Variable

Rekayasa Trafik 59
Discrete RV Yg Berguna
Rekayasa Trafik 60
Discrete RV Yg Berguna
Rekayasa Trafik 61
Cumulative Distribution Function
(CDF)
Memuat informasi lengkap mengenai model
probabilitas dari random variable

Rekayasa Trafik 62
Teorema CDF
Rekayasa Trafik 63
Contoh CDF
Utk suatu binomial RV, # durian jatuh dlm 5 test dg p
= 0.2

Rekayasa Trafik 64
Contoh CDF
Rekayasa Trafik 65
Rata-Rata
Study RV rata-rata

Berapakah rata-rata dari suatu RV?
Satu bilangan tunggal yg dp menggambarkan RV
Suatu contoh dari statistik

Apakah Statistik?
Bilangan yg mengumpulkan semua informasi yg
dibawah perhatian kita
Rata-rata: mean, mode, dan median

Rekayasa Trafik 66
Rata-Rata
Mean:
Sum / #terms

Mode:
Nilai yg paling sering
P
X
(x
mod
) P
X
(x) x

Median:
Pertengahan dari set data
P[X < x
med
] = P[X > x
med
]

Rekayasa Trafik 67
Mean Expected Value
Menambahkan semua pengukuran/ #terms



Contoh:



E[T] = ?
= 0(1/4) + 2(3/4) = 3/2




Rekayasa Trafik 68
Expected Value
Rekayasa Trafik 69
Discrete RV yg Berguna
Rekayasa Trafik 70
Discrete RV yg Berguna
Rekayasa Trafik 71
Variance & Standard Deviation
Kita tahu rata-rata, E[X], kenapa kita perlu Variance
& Standard Deviation?

Seberapa jauh dari rata-rata?

T = X
x
E[T] = E[X
x
]
= 0

Rekayasa Trafik 72
Variance
Ukuran yg berguna adalah E[|T|]
E[T
2
] = E[(X
x
)
2
] Variance

Rekayasa Trafik 73
Standard Deviation

X
andingkan dg
x
E
x
.
X
= 15, Score +6 dari mean
OK. Pertengahan kelas
E
x
.
X
= 3,Score +6 dari mean
Sangat baik dlm grup Top class

Rekayasa Trafik 74
Derived Random Variable
Rekayasa Trafik 75
Mengapa Kita Perlu Derived
Random Variable
Dari harga sampel dari random variable, harga-harga
ini utk menghitung quantities lain

Contoh:
cari bentuk harga suatu decibel dari signal-to-noise
ratio

Y = g(X)

Rekayasa Trafik 76
Contoh-1
Random Variable X = # hal dlm satu fax
PX(x) = jumlah hal dlm tiap fax

Charging plan
Hal ke-1 = 100 Rupiah
Hal ke-2 = 90 Rupiah

Hal ke-5 = 60 Rupiah
Hal 6 10 = 500 Rupiah

Cari charge dlm Rupiah utk mengirim satu fax

Rekayasa Trafik 77
Contoh-1
Random Variable Y = charge dlm Rupiah utk
mengirim satu fax

Rekayasa Trafik 78
PMF dari Y
P[Y=y] = dari semua outcomes X = x dimana Y = y

Rekayasa Trafik 79
Conditional PMF
Rekayasa Trafik 80
Continuous Random Variabel
Rekayasa Trafik 81
Random Variable
Rekayasa Trafik 82
Continuous Sample Space
Utk Discrete: Set bilangan countable
S
X
= {-1,0,1,3,4}
S
X
= {-1,0,9,0,0,5,1,1,8,2.25,2.9,3}

Utk continuous: Set bilangan uncountable
S
X
= Interval antara 2 limit
S
X
= (x1,x2) = (-1,3)
Rekayasa Trafik 83
Probabilitas dari Suatu Continuous
RV
Mengukur T, waktu download
S
T
= {t | 0 < t < 12}
Tebak waktu download adalah (0, 10] menit
Tebak waktu download adalah [5, 8] menit
Tebak waktu download adalah [5, 5.5] menit
Kemungkinan tebakan kita benar makin kecil
Tebak waktu download adalah tepat 5.25 menit

Probabilitas utk tiap outcome individual adalah nol.
Probabilitas yg jadi perhatian adalah suatu interval
Rekayasa Trafik 84
CDF
Utk Discrete:
Probability Mass Function PMF, P
X
(X)

Utk Continuous:
Tdk mungkin utk mendefinisikan PMF
Cumulative Distribution Function (CDF)
Rekayasa Trafik 85
Teorema CDF
Rekayasa Trafik 86
Probability Density Function
Rekayasa Trafik 87
Probability Density Function
Slope dari CDF pd suatu region dekat x
Probabilitas dari random variable X dekat x
Prob. Pd suatu region keci () = slope *
Slope dari CDF PDF

Rekayasa Trafik 88
Teorema PDF
Rekayasa Trafik 89
Expected Values
Rekayasa Trafik 90
Expected Value & Varaiance
Rekayasa Trafik 91
Beberapa Continuous RV Berguna
Uniform
Exponential
Gaussian

Rekayasa Trafik 92
Uniform Continuous RV
Rekayasa Trafik 93
Uniform Continuous RV
Rekayasa Trafik 94
Exponential Continuous RV
Rekayasa Trafik 95
Contoh Exponential
Rekayasa Trafik 96
Exponential Continuous RV
Rekayasa Trafik 97
Gaussian Random Variables
Rekayasa Trafik 98
Gaussian Random Variables
Rekayasa Trafik 99
Mixed Random Variable
Discrete RV PMF & Summation
Continuous RV PDF & Integral
Kombinasi dari Discrete dan Continuous RV
Unit impulse function
Dp menggunakan formulas sama utk
menyatakan kedua RVs

Rekayasa Trafik 100
PMF PDF
Rekayasa Trafik 101
PMF PDF
Rekayasa Trafik 102
Contoh
Rekayasa Trafik 103
Summary
Probability and Random Variable

Discrete Random Variable
Uniform/Bernoulli/Geometric/
PMF & CDF
Expected Value
Variance & Standard Deviation

Continuous Random Variable
PDF
Uniform/Exponential/Gaussian
Multiple Random Variables
Stochastic Process