Review probabilitas

Tutun Juhana
tutun@telecom.ee.itb.ac.id

Sample space, sample points,

events

Sample space,, adalah sekumpulan semua sample points, yang

mungkin; dimana

Events A,B,C, adalah himpunan bagian dari sample space

Contoh 1. Melemparkan satu buah koin:={Gambar,Angka}

Contoh 2. Menggelindingkan dadu: ={1,2,3,4,5,6}
Contoh 3. Jumlah pelanggan dalam antrian: ={0,1,2,}
Contoh 4. Waktu pendudukan panggilan (call holding time):
={x x>0}
Contoh 1. Angka genap pada sebuah dadu:A={2,4,6}
Contoh 2. Tidak ada pelanggan yang mengantri : A={0}
Contoh 3. Call holding time lebih dari 3 menit. A={x x>3}

Event yang pasti : sample space

Event yang tidak mungkin : himpunan kosong ()

Kombinasi event

Union (gabungan) :A atau B : AB={ A

atau B}
Irisan: A dan B : AB={ A dan B}
Komplemen : bukan A:Ac={ A}
Event A dan B disebut tidak beririsan (disjoint) bila :
AB=
Sekumpulan event {B1,B2,} merupakan partisi
dari event A jika

(i) Bi Bj= untuk semua ij

(ii) iBi =A

Back to Six

Probabilitas (peluang)

Probabilitas suatu event dinyatakan oleh P(A)

P(A)[0,1]
Sifat-sifat peluang

Conditional Probability
(Peluang bersyarat)

Asumsikan bahwa P(B)>0

Definisi : Conditional probability dari
suatu event A bila diketahui event B
terjadi didefinisikan sebagai berikut

Dengan demikian

Teorema Probabilitas Total

Bila {Bi} merupakan partisi dari sample

space
Lalu {ABi} merupakan partisi dari event
A, maka berdasarkan sifat probabilitas
yang ketujuh pada slide nomor 4

Kemudian asumsikan bahwa P(Bi)>0

untuk semua i. Maka berdasarkan uraian
pada slide nomor 5 dapat didefinisikan
teorema probabilitas total sbb

Teorema Bayes

Bila {Bi} merupakan partisi dari sample space

Asumsikan bahwa P(A)>0 dan P(Bi)>0 untuk semua i.
Maka berdasarkan uraian pada slide nomor 5

Kemudian, berdasarkan teorema probabilitas total, kita

peroleh

Ini merupakan teorema Bayes

Peluang P(Bi) disebut peluang a priori dari event Bi

Peluang P(Bi A) disebut peluang a posteriori dari event Bi (bila
diketahui event A terjadi)

Kesalingbebasan statistik dari event

(Statistical independence of event)

Definisi : Event A dan B saling

bebas (independent) jika

Dengan demikian

Demikian pula

Peubah acak (random

variables)

Definisi : Peubah acak X (yang merupakan

bilangan riil [real-valued]) adalah fungsi
bernilai riil dan dapat diukur yang
didefinisikan pada sample space ;X:

Setiap titik sample (sample points)

dihubungkan dengan sebuah bilangan riil X()
Dengan kata lain : memetakan setiap titik
sample ke sebuah bilangan riil menggunakan
peubah acak X

10

Contoh

Sebuah koin dilempar tiga kali; setiap

lemparan akan menghasilkan head (H)
atau tail (T)
Sample space:
Misalnya peubah acak X merupakan jumlah
total tail (T) dalam ketiga eksperimen
pelemparan koin tersebut, maka :

11

Probability Distribution
Function (PDF)

Definisi : PDF dari suatu peubah acak X adalah

fungsi FX: [0,1] yang didefinisikan sebagai
berikut

PDF menentukan distribusi dari peubah acak

Sifat

12

Kesalingbebasan statistik dari

peubah acak (Statistical
independence of random variables)

Definisi : Peubah acak X dan Y saling

bebas jika untuk semua x dan y

Definisi : Peubah acak X1, ,Xn

saling bebas jika untuk semua i dan
xi

13

Peubah acak diskrit

Definisi : himpunan A disebut diskrit bila

Terbatas : A={x1,,xn}, atau

Tak terbatas : A={x1,x2,}

Definisi : peubah acak X disebut diskrit bila terdapat

sebuah himpunan diskrit Sx sedemikian hingga

Maka

P{X=x} 0 untuk semua x Sx

P{X=x} = 0 untuk semua x Sx

Himpunan Sx disebut himpunan nilai (value set)

14

Peluang titik (point

probabilities)

Misalkan X adalah peubah acak diskrit

Distribusi X ditentukan oleh peluang titik pi

Definisi : probability mass function (pmf) dari X

adalah merupakan fungsi pX: [0,1] yang
didefinisikan sbb

Pada kasus ini, PDF merupakan fungsi step

15

Contoh

16

Kesalingbebasan peubah
acak

Peubah acak diskrit X dan Y

dikatakan saling bebas jika dan
hanya jika untuk semua xiSX dan
yjSy

17

Ekspektasi
(harapan,rataan)

Definisi : Harga ekspektasi (rata-rata/mean value)

dari X dinyatakan oleh

Sifat-sifat

18

Variance

Definisi : Variance dari X didefinisikan

sbb

Rumus yang bermanfaat

Sifat-sifat

19

Covariance

Definisi : Covariance antara X dan Y

didefinisikan sbb

Rumus yang bermanfaat

Sifat-sifat

20

Parameter lain yang berhubungan

dengan distribusi

Deviasi standard dari X

Momen ke-k dari X

21

Distribusi Bernoulli
Menyatakan suatu eksperimen acak dengan dua keluaran
yang mungkin

Sukses (1)
Gagal (0)

Nilai 1 berpeluang p (nilai 0 berpeluang (1-p))

22

Distribusi binomial
Menyatakan jumlah sukses dalam sejumlah
eksperimen acak yang saling bebas (masingmasing eksperimen bersifat Bernoulli);

23

Distribusi geometrik
Menyatakan jumlah sukses yang terjadi sampai didapatkan
kegagalan yang pertama dari sejumlah eksperimen acak yang
saling bebas (masing-masing eksperimen bersifat Bernoulli)

p = peluang sukses dalam suatu eksperimen

24

Distribusi Poisson
Limit dari distribusi binomial dimana n dan p
0, sedemikian hingga np a

25

Contoh

Asumsikan

200 pelanggan terhubung ke sentral lokal

Trafik setiap pelanggan adalah 0.01
Pelanggan saling bebas

Maka jumlah panggilan yang aktif X ~

Bin(200,0.01)
Pendekatan Poisson X Poisson(2,0)
Peluang titik

26

Peubah acak kontinu

Definisi : peubah acak X kontinu jika terdapat fungsi yang

dapat diintegralkan fX:+, sedemikian hingga untuk
semua x

Fungsi fX disebut probability density function (pdf)

Himpunan SX, dimana fX>0 disebut value set

Sifat-sifat

27

Contoh

28

Ekspektasi dan parameter

lain

Ekspektasi (nilai rata-rata/mean value) dari X

didefinisikan sbb

Note 2: Jika
, maka
Sifat sama dengan distribusi diskrit

Parameter distrubusi lainnya didefinisikan dan

memiliki sifat yang sama seperti pada distribusi
diskrit

29

Distribusi Uniform (X~U(a,b),

a<b)

30

Distribusi Eksponensial (X~Exp(),

>0)

Versi kontinu dari distribusi geometrik (peluang

gagal dt)