Anda di halaman 1dari 47

PROBABILITAS DAN VARIABEL ACAK

BAGIAN 6
PROBABILITAS DAN VARIABEL ACAK
6.1. Kata Pengantar
Sejauh ini kita telah membahas transmisi sinyal deterministik melalui
saluran,dan kita belum menekankan peran sentral yang dimainkan oleh konsep
pengacakandidalam komunikasi. Kata acak berarti terduga. Jika penerima pada
akhir saluran tahu di output pesan dari sumber asal, tidak akan ada kebutuhan
untuk komunikasi. Jadi ada pengacakan dalam sumber pesan. Selain itu, sinyal
ditransmisikan oleh suara dalam sistem. Bentuk gelombang suara ini juga tak
terduga. Tujuan dari bab ini adalah untuk menyajikan latar belakang matematika
yang penting untuk studi komunikasi lebih lanjut.
6.2. Probabilitas
A. Percobaan acak
Dalam studi probabilitas, proses pengamatan dirujuk sebagai percobaan.
Hasil pengamatan disebut hasil percobaan. Percobaan disebut percobaan acak jika
hasilnya tidak dapat diprediksi. Contoh percobaan acak adalah gulungan mati,
pelemparan koin, undian kartu dari dek, atau memilih sinyal pesan untuk
transmisi dari beberapa pesan.
B.

Ruang sampel dan peristiwa


Dari semua kemungkinan hasil pecobaan acak disebut ruang sampel S.
Unsur S disebut titik sampel. Setiap hasil percobaan acak sesuai dengan titik
sampel. Satu set A disebut subset dari B, jika dilambangkan oleh
jika
setiap elemen A juga elemen B. Himpunan bagian dari ruang sampel S disebut
peristiwa. A titik sampel dari S sering disebut sebagai dasar peristiwa. Keterangan
bahwa ruang sampel S adalah subset dari itu sendiri, yaitu
. Karena S adalah
himpunan semua kemungkinan hasil, sering disebut peristiwa tertentu.
C.

Aljabar peristiwa
1. Melengkapi peristiwa A, adalah peristiwa yang berisi semua sampel
poin di S tetapi tidak di A.
2. Union peristiwa A dan B, menandakan A u B, adalah peristiwa yang
berisi semua sampel poin baik A atau B atau keduanya.
3. Persimpangan peristiwa A dan B, menandakan A n B, adalah peristiwa
yang berisi semua sampel poin di keduanya A dan B.
4. Peristiwa yang tidak berisi sampel poin sampel disebut peristiwa null,
dilambangkan 0. 0 ini berkaitan dengan suatu peristiwa yang mustahil.
5. Dua peristiwa A dan B disebut Mutually Exclusive atau Disjoint jika
mereka mengandung titik sampel tidak umum, bahwa A n B = 0
Dengan ditetapkan definisi sebelumnya, maka kita mendapatkan
identitas berikut :
1

PROBABILITAS DAN VARIABEL ACAK

D.

Probabilitas dari peristiwa


Tugas dari bilangan real untuk peristiwa-peristiwa yang didefinisikan pada
S dikenal sebagai ukuran probabilitas. Dalam definisi axiomatic, probabilitas P
(A) peristiwa A adalah bilangan real ditugaskan ke A yang memenuhi aksioma
tiga berikut :
axiom 1 : P(A)

axiom 2 : P(S) = 1
axiom 3 : P(A

B) = P(A) + P(B) if A

B=

Dengan aksioma sebelumnya, probabilitas properti dapat diperoleh sebagai


berikut :
1.
2.
3.
4.
5.

P( ) = 1 P(A)
P(
(
P(A)
P(A)
P(A
(

Perhatikan bahwa property 4 dapat dengan mudah berasal dari aksioma 2


dan properti 3. Karena A
kita mempunyai :
(

P(A)

Dengan demikian, kita menggabungkan dengan aksioma 1, kita memperoleh :


(

0
Property 5 menyiratkan bahwa :

P(A

Karena P(A
Satu juga dapat menentukan P(A) secara intuitif, dalam hal frekuensi
relative, anggaplah bahwa percobaan acak diulang beberapa kali. Jika suatu
peristiwa terjadi beberapa kali maka P(A) probabilitas yang mendefinisikan
sebagai:
P(A) =

PROBABILITAS DAN VARIABEL ACAK

Perhatikan bahwa batas ini mungkin tidak ada.


Sama sama Mungkin Peristiwa
Mempertimbangkan ruang sampel terbatas S dengan unsur unsur yang
terbatas:
E.

S={
Dimana
1.
2.
3.

adalah elemen peristiwa. Lalu P( ) =

=
Jika A =

. Kemudian :

i = 1,2.,n
+ +. + = 1
, dimana I adalah koleksi subscribe , kemuadian :
P(A) =
( )=
(

Ketika semua elemen peristiwa


peristiwa, inilah :

sama-sama mungkin

Kemudian dari Eq. (6.12) kita mempunyai :

Dan
(

Dimana n(A) adalah jumlah hasil milik peristiwa A dan n jumlah sampel poin
dalam S.

F.

Kondisi Probabilitas
Kondisi probabilitas dari sebuah peristiwa A memberi peristiwa B,
dilambangkan dengan P(AB), didefinisikan :
(

( |
Dimana P(A

poin probabilitas A dan B. demikian pula :


(

( |

Adalah kondisi probabilitas dari peristiwa B memberi peristiwa A. dari Eqs.


(6.16) dan (6.17) kita mempunyai:

PROBABILITAS DAN VARIABEL ACAK

( |

( |

Persamaan (6.18) ini sering sangat berguna dalam komputasi joint


probabilitas peristiwa. Dari persamaan (6.18) kita bias mendapatkan aturan bayes
berikut:
( |

( |
G.

(
(

Peristiwa Independen
Dua peristiwa A dan B menjadi statistic independen jika
( |

( |

Kemudian bersama dengan persamaan (6.19) menyiratkan bahwa untuk dua


peristiwa statistic independen:
(

Mungkin kita bisa juga memperpanjang definisi dari kebebasan untuk lebih
dari dua kejadian. Peristiwa A1,A2,....,An independen jika dan hanya jika untuk
setiap bagian {Ai1,Ai2,.....,Aik} (2kn) untuk kejadian ini.
(
H.

(6.22)

Peluang Total
Pada Kejadian A1,A2,....,An dinamakan pengganti ekslusif dan lengkap jika

dan

(6.23)

Misal B kejadian di S, maka


(

( |

(6.24)

Yang diketahui sebagai peluang total dari kejadian B (Prob. 6.13). Maka A=A1 di
contoh. (6.19); menggunakan contoh (6.24) kita simpulkan :
(

( |

( |

(6.25)

Catatan bahwa term pada ruas kanan dikondisikan pada kejadian A1, sedangkan
ruas kiri dikondisikan pada persamaan (6.25).
6.3. Peubah Acak
A. Peubah Acak
Percobaan acak dengan ruang sampel S. Sebuah peubah acak X() adalah
nilai real tunggal yang menandai bilangan real disebuat nilai X() untuk setiap
titik sampel di S. Seringkali kita menggunakan X untuk fungsi ini pada tempat
X() dan menggunakan untuk menunjukkan peubah acak sebuah diagram.
4

PROBABILITAS DAN VARIABEL ACAK

Gambar 6-1 Variabel Acak X sebagai Fungsi


Ruang sampel S adalah didalam domain dari peubah acak X dan kumpulan
semua bilangan (nilai X()) adalah didalam range dari peubah acak x. Dengan
demikian range dari x adalah subset dari kumpulan semua bilangan real dan
biasanya ditujukan oleh Rx. Catatan bahwa 2 atau lebih titik sampel yang berbeda
mungkin memberi nilai sama untuk X(). Tapi dua bilangan berbeda pada range
tidak dapat ditandai ke titik sampel yang sama peubah acak x induces peluang
pada garis lengkung berikut.
(
(
(
(
(
(
(
Jika X bilangan yang dapat dihitung, kemuadian x disebut [[eubah acak
diskrit. Jika x dapat mengangsumsikan beberapa nilai diantara satu atau lebih
interval pada baris real, kemudian X disebut peubah acak lanjutan. Nomor telepon
yang masuk kantor pada waktu yang terbatas adalah contoh peubah acak yang
diskrit , dan waktu yang pasti dari arrival telepon adalah contoh peubah acak
lanjutan.
B.

Fungsi Distribusi
Fungsi distribusi atau dungsi distribusi kumulatif dari X adalah fungsi yang
didefinisikan oleh :
(
(
(6.26)
Fungsi dari Fx (x):
1.
(
(6.27a)
(
2.
(
if x1 < x2
(6.27b)
(
3.
(6.27c)
(
4.
(6.27d)
(
(
5.
(6.27e)
Dari definisi (6.26) kita bisa menghitung probabilitas lain, yaitu :
(
(
(
(
(

(
(

(6.28)
(6.29)
(6.30)

PROBABILITAS DAN VARIABEL ACAK

C.

Peubah Acak Diskrit dan Fungsi Massa Peluang


Misal x adalah peubah acak diskrit dengan mod F ( krmudian F (
adalah fungsi staricase. Dan F ( mengubah nilai hanya pada loncatan-loncatan
dan constan diantara loncatan-loncatan.

Gambar 6-2
Andaikan loncatan-loncatan pada F ( dari peubah acak diskrit. X muncul
pada titik X1,X2,...... dimana peluang muncul mungkin antara terhingga atau tak
terhingga yang dapat dihitung dan kita mengansumsikan xi<xj jika :
(
(
(
(
(
(6.31)
(
(
(6.32)
Fungsi dari
1.
2.
3.
Cdf pada

:
(

(6.33a)
(6.33b)
(6.33c)

if
(

diartikan r.v X bisa dijabarkan menjadi


(
(
(

(6.34)

D.

Peubah Acak Kontinu dan Fungsi Peluang Peubah


(
(
Andaikan X adalah sebuah variabel acak dengan mod
, kemudia
(
kontinu dan juga memiliki turunan di
dx yang muncul dimanapun kecuali
pada (kemungkinan/peluang) sebuah angka berhingga dari titik-titik dan dengan
demikian X adalah peubah acak kontinu, maka (Prob. 6.22)
(
(6.35)
Pada beberapa aplikasi, peubah acak diantara diskrit atau kontinu. Tapi jika
(
mod
dari sebuah peubah acak X memiliki kedua ciri dari peubah acak
diskrit dan kontinu, kemudian pebuah acak X disebut peubah acak campuran.
(

(6.36)

(
Fungsi
disebut fungsi kepadatan peluang dari peubah acak kontinu X.
(x)
Fungsi dari fx :
(
1.
(6.37a)
(
2.
(6.37b)

PROBABILITAS DAN VARIABEL ACAK

3.
4.
Mod

(
(

(6.37c)

dari peubah acak kontinu x dapat diperoleh dengan


(

(6.38)

6.4. Peubah Variabel Dua Dimensi


A. Fungsi Distribusi Gabungan
Misalkan S ruang sampel dari percobaan acak. Misal X dan Y adalah 2
peubah acak padaS didefinisikan,kemuadian pasangan (x,y) disebut peubah acak 2
dimensi. Jika setiap X dan Y mengaitkan bilangan Real dengan setiap elemen di
(
S. Hubungan fungsi distribusi kumulatif dari x dan y ditunjukkan oleh
.
Fungsinya didefinisikan oleh
(
(
(6.39)
Dua peubah acak x,y dinyatakan bebas jika
(

(6.40)

Untuk setiap nilai x dan y.


B.

Fungsi distribusi marginal


Sejak {X } dan {Y} kejadian pasti

Maka
(

(6.41a)
(6.41a)

Fungsi distribusi kumulatif FX(x) dan FY(y), yang diperoleh dari persamaan
(6.41a) dan (6.41b), masing masing disebut sebagai fungsi distribusi kumulatif
marginal dari X dan Y.
C.

Fungsi Gabungan Probabilitas Massa:


(X, Y) menjadi variabel acak diskrit dua dimensi dan (X, Y) mengambil nilai
(xi, yj) untuk beberapa bilangan bulat i dan j yang diizinkan. Sehingga
PXY(xi, yj) = P(X = xi, Y = yj)
(6.42)
Fungsi PXY(xi, yj) disebut fungsi gabungan probabilitas massa (joint pmf)
dari (X, Y). Sifat dari PXY(xi, yj):
1. 0 PXY (xi, yj) 1
2.
XY (xi, yj) = 1

PROBABILITAS DAN VARIABEL ACAK

Fungsi gabungan distribusi kumulatif dari variabel acak diskrit dua dimensi
(X,Y) diperoleh dari

FXY(x, y) =
(6.44)
XY (xi, yj)
D.

Fungsi Marginal Probabilitas Massa:


Misalkan untuk setiap nilai tetap X = xi, variabel acak Y hanya bisa
mengambil nilai yang mungkin yaitu yj(j = 1,2,...,n).
Maka
px(xi) =
(6.45a)
XY (xi, yj)
Begitu juga
py(yj) =
(6.45b)
XY (xi, yj)
Fungsi probabilitas massa Px(xi) dan Py(yj), yang diperoleh dari persamaan
(6.45a) dan (6.45b), masing masing disebut sebagai fungsi probabilitas massa
marginal dari X dan Y. Jika X dan Y adalah variabel acak yang berdiri sendiri,
maka
PXY(xi, yj) = PX(xi)PY(yj)
(6.46)
E.

Fungsi Gabungan Probabilitas Kepadatan


(X, Y) menjadi variabel acak dua dimensi terus - menerus dengan fungsi
distribusi kumulatif FXY(x, y) dan diperoleh
fXY(x, y) =

(6.47)

Fungsi fXY(x, y) disebut fungsi gabungan probabilitas kepadatan (joint pdf)


dari (X, Y). Dengan mengintegrasikan persamaan (6.47), sehingga didapat
FXY(x, y) =
(6.48)
XY(, )d d
Sifat dari fXY(x, y):

F.

fXY(x, y) 0

XY(x, y) dx dy = 1

(6.49a)
(6.49b)

Fungsi Marginal Probabilitas Kepadatan:


Dari persamaan (6.41a), (6.41b) dan definisi persamaan (6.36), diperoleh
fX(x) =
(6.50a)
XY(x, y) dy
fY(y) =

XY(x,

y) dx

(6.50b)

Fungsi probabilitas kepadatan fX(x) dan fY(y), yang diperoleh dari persamaan
(6.50a) dan (6.50b), masing masing disebut sebagai fungsi marginal probabilitas
kepadatan dari X dan Y. Jika X dan Y adalah variabel acak yang berdiri sendiri,
maka
fXY(x, y) = fX(x) fY(y)
(6.51)

PROBABILITAS DAN VARIABEL ACAK

Fungsi probabilitas kepadatan yang tergantung dari X yang diperoleh dari {Y


= y} adalah
(

fX|Y(x|y) =

fY(y) 0

(6.52)

Dimana fy(y) adalah fungsi marginal probabilitas kepadatan dari Y.

6.5. Fungsi Dari Variabel Acak


A. Variabel Acak g(X):
Mengingat variabel acak X dan fungsi g(x), dinyatakan
Y = g(X)

(6.53)

Definisi variabel acak Y yang baru dengan sejumlah y tertentu, merupakan


Dy subset dari Rx (kisaran X) sehingga g(x) y. Kemudian
(Y y) = [g(x) y] = (X Dy)
Dimana (X Dy) terdiri dari semua hasil , sehingga titik X() Dy. Oleh
karena itu
FY(y) = P(Y y) = P[g(x) y] = P(X Dy)
(6.54)
Jika X terus menerus adalah sebuah variabel acak dengan fungsi probabilitas
kepadatan fx(x), maka
FY(y) =

X(x)

dx

(6.55)

Penentuan fy(y) dari fx(x):


Saat X secara terus - menerus adalah variabel acak dengan fungsi probabilitas
kepadatan fx(x). Jika transformasi y = g(x) adalah satu lawan satu maka akan
memiliki transformasi inverse
x = g-1 (y) = h(y)
(6.56)
Maka fungsi probabilitas kepadatan dari Y diperoleh dari (persamaan 6.30)
fY(y) = fX(x) | | = fX[h(y)] |

(6.57)

Perhatikan bahwa jika g(x) selalu meningkat secara terus menerus atau
fungsi menurun, maka transformasi y = g(x) satu lawan satu. Jika transformasi y =
g(x) bukan satu lawan satu, fy(y) akan diperoleh sebagai berikut:
Yang menunjukkan akar nyata dari y = g(x) oleh xk, yaitu:
y = g(x1) = ... = g(xk) = ...
Maka

fY(y) =

(
|

(6.58)

Dimana g(x) adalah turunan dari g(x).

PROBABILITAS DAN VARIABEL ACAK

B.

Satu fungsi Dari Dua Variabel Acak


Mengingat dua variabel acak X dan Y adalah fungsi g(x, y), dinyatakan
Z = g(X, Y)
(6.59)

Adalah variabel acak yang baru. Dengan sejumlah z tertentu, dilambangkan


dengan Dz yang merupakan wilayah dari xy plane sehingga g(x, y) z. Kemudian
[Z z] = {g(X, Y) z} = {(X,Y) Dz}
Dimana{(X, Y) Dz} terdiri dari semua hasil sehingga titik {X(),
Y()}adalah Dz. Oleh karena itu
FZ(z) = P(Z z) = P{(X,Y) Dz}
(6.60)
Jika X dan Y adalah variabel acak secara terus menerus dengan joint pdf
fxy(x, y), maka
FZ(z) = XY(x, y) dx dy
(6.61)
C.

Dua Fungsi Dari DuaVariabel Acak:


Mengingat dua variabel acak X dan Y dan dua fungsi g(x, y) dan h(x, y),
dinyatakan
Z = g(X, Y) W = h(X, Y)
(6.62)
Definisi dua variabel acak baru Z dan W. Dengan z dan w yang diberikan
menunjukkan Dzw subset dari RXY[kisaran dari (X, Y)] sehingga g(x, y) z dan h(x,
y) w. Kemudian
(Z z, W w) = [g(x,y) z, h(x, y) w] = {(X,Y) Dzw}
Dimana {(X, Y) Dzw} terdiri dari semua hasil sehingga titik {X(), Y()}
Dzw. Oleh karena itu
FZW(z, w) = P(Z z, W w) = P{(X,Y) Dzw}
(6.63)
Secara terus menerus didapat
FZW(z, w) =

XY(x,

y) dx dy

(6.64)

Penentuan fzw(z, w) dari fxy(x, y):


X dan Y menjadi dua variabel acak dengan joint pdf fxy(x, y). Jika transformasi
z = g(x, y) w = h(x, y)
(6.65)
Adalah satu lawan satu dan memiliki transformasi inverse
x = q(z, w) y = r(z,w)

(6.66)

Maka joint pdf Z dan W ditetntukan oleh


FZW(z, w) = fXY(x, y) | J(x, y) |-1

(6.67)

Dimana x = q(z, w), y = r(z, w) dan

10

PROBABILITAS DAN VARIABEL ACAK

J(x, y) = |

|=|

(6.68)

Yang merupakan transformasi Jacobian (6.65)


6.6. Rata-Rata Statistika
A. Harapan:
Harapan (atau rata-rata) dari r.v. X, dilambangkan dengan E(X) atau x,
didefinisikan oleh :
(

X : Diskrit
(

(6.69)
(
X : Kontinyu

Harapan dari Y = g(X) ditentukan oleh :


(
(
(

(Kasus Diskrit)
(6.70)
(Kasus Kontinyu)

Harapan dari Z = g(X, Y) ditentukan oleh :


(
(
(

(Kasus Kontinyu)

(Kasus Diskrit)
(6.71)
(

Perhatikan bahwa operator harapan adalah linear, yaitu,


(6.72)
(6.73)
Dimana c adalah konstanta (Pers.6.45)
B.

Momen:
Momen nth dari r.v. X ditentukan oleh

X : Diskrit

(6.74)

Perbedaan:
Perbedaan dari r.v.X, dilambangkan dengan
sebagai

X : Kontinyu

C.

11

atau Var(X), didefinisikan

PROBABILITAS DAN VARIABEL ACAK

(6.75)

Jadi,
(

X : Diskrit
(6.76)

X : Kontinyu

Akar kuadrat positif dari varians, atau X, disebut standar deviasi dari X.
Varians atau standar deviasi adalah ukuran dari "sebaran" nilai X dari rata-rata
x. Dengan menggunakan persamaan (6.72) dan (6.73), pernyataan dalam pers.
(6.75) dapat disederhanakan menjadi :
(
(6.77)
D.

Kofarian dan Koefisien Korelasi:


Momen (k, n)th dari dua dimensi r.v. (X, Y) didefinisikan oleh :

X : Diskrit
(6.78)

X : Kontinyu

(1,1)th momen bersama (X, Y),


(

(6.79)

Disebut korelasi dari X dan Y. Jika E(X Y) = 0, kemudian kita sebut


bahwa X dan Y adalah ortogonal. Kovarians dari X dan Y, didefinisikan oleh
Cov(X, Y) atau
, didefinisikan oleh
(
(
(
(6.80)
Memperluas Pers. (6.80), kita peroleh
(
(
(
(

(6.81)

Jika Cov(X, Y) = 0, kemudian kita peroleh X and Y tidak berkorelasi.Dari


Pers. (6.81) kita lihat bahwa X and Y tidak berkorelasi jika
(
(
(
(6.82)
Perhatikan bahwa jika X and Y adalah independen, maka dapat
menunjukkan bahwa mereka tidak berkorelasi (Pers. 6.66). Namun, secara umum
hal ini tidak benar, faktanya bahwa X dan Y adalah tidak berkorelasi tidak
mengisyaratkaan bahwa mereka independen (Pers.6.67). Koefisien korelasi,
dilambangkan dengan (X,Y) atau , Hal ini didefinisikan sebagai
(

(6.83)

12

PROBABILITAS DAN VARIABEL ACAK

Ini bisa dilihat pada (Pers. 6.53)


|
|

atau

(6.84)

6.7. Distribusi Khusus


Ada beberapa distribusi yang sangat sering muncul di masalah komunikasi.
Ini termasuk distribusi binomial, distribusi Poisson, dan normal, atau distribusi
Gaussian
A. Distribusi Binomial:
A r.v. X disebut binomial r.v dengan parameter (n,p) jika pmf diperoleh
dengan
(

Dimana

( )

(6.85)

dan
( )

Yang dikenal sebagai koefisien binomial. Cdf yang sesuai dengan X yaitu
(
( ) (
(6.86)
Rata-rata dan varians dari binomial r.v. X yaitu
(

(6.87)

Variabel binomial acak X adalah variabel acak diskrit bilangan bulat yang
terkait dengan percobaan berulang. Melakukan beberapa percobaan dan hanya
mengamati apakah kejadian A terjadi. Jika A terjadi, kita menyebut percobaan
tersebut sukses;jika iya tidak terjadi (kejadian ), kita sebut ia gagal. Misalkan
probabilitas kejadian A adalah (
; karena, (
.
Kami mengulangi percobaan ini hingga n kali (percobaan) dengan asumsi sebagai
berikut :
1. ( adalah konstan pada percobaan selanjutnya
2. Percobaan ke- n adalah independen.
Sebuah titik dalam sampel yaitu berurutan nA's dan 's.Titik dengan
dan
akan diberi probabilitas
. Jika X adalah variabel acak yang
dikaitkan dengan jumlah kejadian A pada n percobaan, kemudian nilai X adalah
bilangan bulat
Dalam studi komunikasi, distribusi binomial berlaku untuk transmisi digital
ketika X berdiri sebagai jumlah kesalahan pesan pada n digit. (Lihat Persamaan.
6.17 dan 6.41.)

13

PROBABILITAS DAN VARIABEL ACAK

B.

Distribusi Poisson:
A r.v. X disebut sebagai Poisson r.v. dengan parameter
diberikan oleh
(

jika pmf
(6.88)

Cdf dari X yang sesuai adalah


(

(6.89)

Rata-rata dan Poisson r.v. X yaitu (Pers. 6.42)


(6.90)
Distribusi Poisson muncul dalam beberapa masalah yang melibatkan
perhitungan, contoh, pemantauan jumlah panggilan telepon yang masuk di
tombol pusat pada berbagai interval waktu. Pada komunikasi digital,
distribusi Poisson berhubungan dengan masalah transmisi banyak bit data pada
saat tingkat kesalahan rendah. Distribusi binomial
tidak cocok untuk
menangani masalah tersebut. Namun, jika nilai rata-rata dari tingkat kesalahan
tetap dan sama dengan , kita bisa memperkirakan distribusi binomial dengan
distribusi Poisson. (Lihat Persamaan 6.19 dan 6.20.)
C.

Distribusi Normal (atau Gaussian):


A r.v.X disebut normal (atau Gaussian) r.v. jika pdf-n ya berbentuk :
(

(6.91)

Cdf X yang sesuai adalah


(

(6.92)

Integral ini tidak dapat dievaluasi dalam bentuk tertutup dan harus
dievaluasi secara numerik. Hal ini mudah menggunakan fungsi Q (z) yang
didefinisikan sebagai
(

(6.93)

Persamaan.(6.92) bisa ditulis sebagai


(

(6.94)

Fungsi Q (z) dikenal sebagai fungsi kesalahan pelengkap atau


penyederhanaan fungsi Q. Fungsi Q(z) ditabulasi pada tabel C-I (App.C).
Gambar 6-3 menggambarkan distribusi normal. Rata-rata dan varian X yaitu
(Persamaan. 6.43)

14

PROBABILITAS DAN VARIABEL ACAK

Gambar 6-3 Distribusi Normal


(6,95)
Kami akan menggunakan notasi N(
untuk menunjukkan bahwa X
adalah normal dengan nilai mean dan varian
. Khususnya , X = N (0;1);
yaitu, nilai mean X nol dan satuan varian difinisikan sebagai standar normal r.v.
Distribsi normal (gaussian) tugas yang bersignifikan dalam ilmu alam.
Memodelkan fenomena kuantitatif pada ilmu alam. Alasan lain distribusi normal
adalah teorema limit pusat (central- limit theorem). Teorema ini menyatakan
bahwa suatu variabel disebut variabel acak apabila varibel tersbut menghasilkan
nilai yang selelu berbeda pada setiap peristiwa (trial) dalam kondisi tertentu
dapaat didekati dengan distribusi normal.
PENYELESAIAN MASALAH
Probablity
6.1. Gunakan axiom probabilitas, Buktikan persamaan (6,4)
and

S=
Maka penggunaan axiom 1 dan 3 menghasilkan

Jadi

P(S) = 1 = P (A) + PA ( )
P( ) = 1 P (A)

6.2. Buktikan persamaan (6.5)


A=
Jadi, dari axiom 3,

and

P(A) = (
Dan kami menyimpulkan

= P(A) + P (
(

6.3. Buktikan persamaan (6.6)


Diperoleh A B. kemudian dari diagram venn pada gambar.6-4 dapat kita
lihat bahwa
(

and

15

PROBABILITAS DAN VARIABEL ACAK

Maka dari axiom 3


(
(
Karena dari axioms 1, (

Gambar 6-4
6.4. Buktikan persamaan (6.8)
Dari diagram veen pada gambar.6-5, masing masing
dinyatakan sebagai berikut
(

and

dan B dapa

Jadi, dari axiom 3,


(

(
dan
Dari persamaan (6.97) kita dapatkan

(
(

(6.96)
(6.97)

(
(
(
Subtitusi persamaan (6.98) ke persamaan (6.96), kita memperoleh
(

(6.98)

Gambar 6-5
6.5. Diketahui P(A) = 0.9 dan P(B) = 0,8 Tunjukkan bahwa (
Dari persamaan (6.8) kita dapatkan
(
Dari persamaan (6.9) 0

(
(
1. karenanya,

(
(
(
Dengan mensubstitusi nilai yang diberikan dari P (A) dan P (B)
dipersamaan (6.99), kia dapatkan

16

PROBABILITAS DAN VARIABEL ACAK

(
Persamaan (6.99) dikenal sebagai ketidaksetaraan Bonferroni
6.6. Tunjukkan bahwa
(
(
(
Dari diagram venn pada gambar.6-6, kita melihat bahwa

(6.100)

and (
(
(
Jadi, dengan axiom 3 kita punya

(6.101)

Gambar 6-6
6.7. Pertimbangkan sumber telegraph menghasilkan dua simbol: dot dan dash,
kami mengamati bahwa titik-titik mungkin terjadi sebagai tanda hubung.
Cari probabilitas dot dan dash ini terjadi.
Dari pengamatan, kita harus
(

Kemudian dari persamaan (6.12)


(

Jadi

6.8. Tunjukkan bahwa P(A|B) didefinisikan oleh persamaan (6.16) memenuhi


tiga axiom probabilitas, yaitu
P (A|B)
(b) P(S|B) = 1 and (c) (
|
( |
( |
(a) Dari persamaan 1, (
Maka,
( |
(b) Sebab (
kita dapatkan
( |
(c)

Sekarang
(

(
(

(
(

Oleh karena itu, dari axiom 3

17

PROBABILITAS DAN VARIABEL ACAK

( |

6.9. Carilah P(A|B) if (a)


(b) Jika
then (

, (b)
(

( |

dan (c)
Didapat,

Gambar 6-7
P(A\B) =
(c)

=0

Jika A B , lalu AB =A dan


(

P(A\B) =
(d)

Jika B A, lalu A B = B dan


P(A/B) =

(
(

=1

6.10. Tunjukkan jika P(A\B) > P (A), lalu P(B\A) > P (B).
Jika P(A/B) =

(
(

>P(A), lalu P(A B) > P(A)P(B).


P(A/B) =

(
(

>

(
(

= P(B)

6.11. biarkan A dan B ada dalam contoh ruang S. Menunjukkan jika A dan B
berdiri sendiri, jadi (a) A dan B dan (b) dan B.
(a)

dari persamaan (6.100) (kemungkinan 6.6). kita memperoleh


P(A) = P (A B) + P (A B)
Sejak A dan B berdiri sendiri , menggunakan persamaan. (6.21) dan (6.4),
kita memperoleh...
P (A B) = P(A)-P (A B) = P(A) - P (A) P (B)
= P(A) [1- P (B)] = P (A) P (B)
Kemudian, Dengan persamaan (6.21). A dan B berdiri sendiri.

(b)

menukar A dan B dalam persamaan (6.102), kita memperoleh


P ( B ) = P(B)-P ()
Yang menandai bahwa dan B berdiri sendiri.

18

PROBABILITAS DAN VARIABEL ACAK

6.12. Letakkan A dan B yang di gambarkan dalam contoh ruang S. Menunjukkan


bahwa antara P(A) and P(B) keduanya nonzero (bernilai), dan meski A dan
B tidak saling berdiri antara satu sama lain dan berdiri sendiri.
Biarkan A dan B berbeda satu sama lain dan P(A)0,lalu P (A B) = (
= 0 dan P(A)P(B)0, maka/ oleh karena itu
P (A B) P(A)P(B)
Maka, A dan B tidak berdiri sendiri.

6.13. Buktikan persamaan (6.24).


Sejak B S= B {dan menggunakan persamaan (6.23) } , kita memiliki
B= B S = B (
)
= (B ) (B ) (B )
Sekarang peristiwa B ^ A (k=1,2,.....n) sendirian satu sama lain, yang dapat
dilihat dari diagram venn pada gbr. 6-8. Lalu dengan aksioma 3 dari
kemungkinan pengertian dan persamaan (6.18), kita memperoleh
P(B)= P ( B S) =

Gambar. 6-8
6.14. Dalam sebuah sistem komunikasi biner (gbr. 6-9), a 0 atau 1 bisa
memancarkan. Karena kegaduhan saluran. A 0 bisa diterima sebagai a1 dan
bentuk buruk (vice versa). biarkan M0 dan M1 menunjukkan kejadian saat
menerima 0 dan 1, berturut-turut. Biarkan P(m) = 0,5, P(r1|m0) = P = 0.1,
dan P(r0|m1) = q = 0.2

19

PROBABILITAS DAN VARIABEL ACAK

Gambar. 6-9 sistem komunikasi biner


(a)
(b)
(c)
(d)
(e)

Temukan P(r0) dan P (r1).


Jika a0 telah diterima, kemungkinan apa yg telah dikirim a0 ?
Jika a1 telah diterima, kemungkinan apa yang telah dikirim a1?
Perhitungkan kemungkinan kesalahan dari Pe ?
Perhitungkan kemungkinan dari sinyal pemancar yg tebaca dengan benar
pada oenerima.

(a)

Dari gambar. 6-9, kita memiliki


P(M1)= 1- P(m0) = 1 0.5 = 0.5
P(r0\M0)= 1- P(r1\m0) = 1 p = 1 - 0.1 = 0.9
P(r0\M0)= 1- P(r1\m0) = 1 p = 1 - 0.2 = 0.8
Dengan menggunakan persamaan (6.24), kita memperoleh

(b)

P(r0)=P(r0|m0)P(m0)+P(r0|m1)P(m1)= 0.9(0.5)+ 0.2(0.5)= 0.55


P(r1)=P(r1|m0)P(m0)+P(r1|m1)P(m1)= 0.1(0.5)+ 0.8(0.5)= 0.45
Dengan menggunakan cara Baye (6.19), kita memiliki
P(m0|r0) =

(c)

= 0.818

Cara yang sama


P(m1|r1) =

(
(

= 0.889

(d)

Pe=P(r1|m0)P(m0)+P(r0|m1)P(m1)= 0.1(0.5)+ 0.2(0.5)= 0.15

(e)

Kemungkinan bahwa sinyal pemancar yang terbaca dengan bengan pada


penerima adalah
Pe=P(r0|m0)P(m0)+P(r1|m1)P(m1)= 0.9(0.5)+ 0.8(0.5)= 0.85
Catatan bahwakemungkinan kesalahan pada Pe adalah
Pe=1 Pe = 1 0.85 = 0.15

6.15. Pertimbangkan sistem komunikasi biner pada gbr. 6-9 dengan P(ro|mo)=0.9,
P(r1|m1)=0.6. Untuk menentukan pesan mana yang terkirim dari respon yg
diamati r0 atau r1, kita menggunakan standar dibawah:
Jika r0 diterima:
20

PROBABILITAS DAN VARIABEL ACAK

Menentukan M0
jika p(m0|r0) > P(m1|r0)
Menentukan M1
jika p(m1|r0) > P(m0|r0)
Jika r1 diterima:
Menentukan M0
jika P(m0|r1) > P(m1|r1)
Menentukan M1
jika p (m1|r1)> p(m0|r1)
Standar tersebut dikenal sebagai Maximum A Posteriori Probability (MAP)
standar tujuan (lihat kemungkinan 9.1)
(a)
(b)
(c)
(d)

(a)

Temukan jarak dari P(M0) dalam standar ketentuan MAP saat


menentukan M0 jika r0 diterima
Temukan jarak dari P(M0) dalam standar ketentuan MAP saat
menentukan M1 jika r1 diterima
Temukan jarak dari P(M0) dalam standar ketentuan MAP saat
menentukan M0 tanpa mempersoalkan yg diterima
Temukan jarak dari P(M0) dalam standar ketentuan MAP saat
menentukan M1 tanpa mempersoalkan yg diterima.

kita
kita
kita
kita

Sejak P(r1)= 1 P (r0|m0)danP(r0|m1)= 1 P(r1|m1) kita memiliki


P (r0|m0)= 0.9 P (r1|m0)= 0.1 P (r1|m1)= 0.6 P (r0|m1)= 0.4
Dengan persamaan (6.24), kita memperoleh
P(r0)=P(r0|m0)P(m0)+P(r0|m1)P(m1)
= 0.9 P(m0)+ 0.4[1- P(m0)]= 0.5 P(m0) + 0.4
Menggunakan cara Baye (6.19), kita memiliki
(
(

( |

(
(

( |

Sekarang dengan aturan pengambilan MAP, kita menentukan


didapatkan jika ( | > ( | ,yaitu
(

jika

Atau
(
Jadi jangkauan (
if adalah

kriteria MAP yang bahwa kita yang menentukan


(
21

PROBABILITAS DAN VARIABEL ACAK

(b)

Demikian juga, kita memiliki


(
( |
(
( |
(
( |

( |

(
(

(
(

Sekarang dengan aturan pengambilan MAP, kita menentukan


didapatkan jika ( | > ( | , yaitu
(

jika

atau
(
Jadi jangkauan (
if adalah

kriteria MAP yang bahwa kita yang menentukan


(

(c)

dari hasil (b) kita melihat bahwa jangkauan (


if adalah

kita yang menentukan

(
Dengan mengkombinasikan dengan hasil (a), jangkauan (
menentukan
yang yang didapatkan oleh (

kita yang

(
(d)

Demikian pula, dari hasil (a) kita melihat bahwa jangkauan (


menentukan
jika adalah

kita yang

(
Dengan mengkombinasikan dengan hasil (b), jangkauan (
menentukan
yang yang didapatkan oleh (

kita yang

(
6.16. Mempertimbangkan untuk percobaan yang terdiri dari enam pengamatan
posisi pulse berturut-turut pada jalur komunikasi. Misalkan dimasingmasing enam posisi pulse mungkin bisa ada pulse positif dan pulse negatif,
atau tidak ada pulse. Misalkan juga bahwa eksperimen individu yang
menentukan jenis pulse pada setiap posisi yang mungkin adalah independen.

22

PROBABILITAS DAN VARIABEL ACAK

Mari kita menyumbangkan hal pulse positif oleh


, bahwa itu
adalah negatif
, dan itu adalah nol
, mengasumsi bahwa
(
(a)
(b)

Carilah probabilitas bahwa semua pulse positif.


Cari probabilitas dari tiga pulsa pertama bernilai positif, dua pulsa
selanjutnya bernilai nol, dan yang terakhir bernilai negatif.
Jika percobaan yang dilakukan bersifat independent, dari persamaan (6.22)
maka probabilitas bahwa semua pulsa yang dihasilkan bernilai positif
adalah;

(a)

(
(

(
(b)

Berdasarkan asusmsi yang yang diberikan, bahwa


(
Dengan demikian, probabilitas dari tiga pulsa pertama bernilai positif, dua
pulsa selanjutnya bernilai nol, dan yang terakhir bernilai negatif adalah
sebagai berikut.
(

(
(
(

(
(

(
(

(
(

Random Variables
6.17. Sebuah sumber biner menghasilkan angka 0 dan 1 secara acak dengan
probabilitas masing-masing 0,6 dan 0,4.
(a) Berapakah probabilitas bahwa angka kedua bernilai 1 dan angka ke tiga
bernilai 0 akan terjadi dalam urutan lima-digit?
(b) Berapakah probabilitas setidaknya terdapat tiga angka bernilai 1 akan terjadi
dalam urutan lima-digit?
(a)

Misalkan X variabel acak yang menunjukkan jumlah nilai 1 yang dihasilkan


dalam urutan lima digit. Karena hanya ada dua hasil yang mungkin (1 atau
0) dan probabilitas menghasilkan nilai 1 adalah konstan yang terdapat pada
lima-digit angka, jelas bahwa X memiliki distribusi binomial yang
dijelaskan oleh Persamaan. (6.85) dengan n = 5 dan k = 2. Maka
23

PROBABILITAS DAN VARIABEL ACAK

probabilitas bahwa angka kedua bernilai 1 dan angka ke tiga bernilai 0 akan
terjadi dalam urutan lima-digit adalah.
(
(b)

( )(

Probabilitas bahwa setidaknya terdapat tiga angka bernilai 1 akan terjadi


dalam urutan lima-digit adalah
(

Dimana,
Maka,

( )(

6.18. Misalkan X menjadi random variabel binomial dengan parameter (n.p).


tunjukkan bahwa px(k) dihasilkan dari Persamaan (6.33c).
Ingat bahawa persamaan ekspansi binomial dihasilkan oleh
(

( )

Dengan demikian, dari Persamaan (6.85),

( )

6.19. Tunjukkan bahwa ketika n sangat besar (n > k) dan p sangat kecil (p < 1),
distribusi binomial [Persamaan (6.85)] dapat menggunakan pendekatan
distribusi poisson berikut [Persamaan (6.88)]:
(

(
Dari Persamaan (6.85)
(

( )
(

(
(

Ketika n > k dan p < 1, maka


(

(
(

24

PROBABILITAS DAN VARIABEL ACAK

Substitusikan dengan Persamaan (6.104), diperoleh


(

6.20. Sebuah saluran transmisi dengan noise memiliki probabilitas eror (pe) perdigit = 0,01.
(a) Hitunglah probabilitas jumlah eror lebih dari satu pada 10 digit yang
diterima.
(b) Ulangi (a), menggunakan pendekatan poisson, Persamaan (6.103)
(a)

Misalkan X merupakan variabel acak binomial yang menunjukkan jumlah


eror dalam 10 digit yang diterima. kemudian dengan menggunakan
Persamaan. (6.85), diperoleh
(
(

(b)

)(

(
(

)(

Menggunakan Persamaan (6.103) dengan npe = 10(0.01) = 0.1, diperoleh


(

6.21. Misalkan X merupakan variabel acak Poisson dengan sebuah parameter,


tunjukkan bahwa px(k) yang dihasilkan dari Persamaan (6.88) memenuhi
Persamaan (6.33c).
Dari persamaan (6.88),

6.22. Verifikasi Persamaan (6.35).


Dari Persamaan (6.6) dan (6.28), didapat
(

Untuk setiap c > 0. Sebagai fx (x) secara kontinu, pada sisi kanan nilai 0
sebagai = 0. Jadi, P (X = x) = 0.
6.23. Pdf dari variabel acak X yang diberikan oleh:
(

Dimana k adalah sebuah konstanta.

25

PROBABILITAS DAN VARIABEL ACAK

(a)
(b)

Tentukan nilai k.
Misalnya a = -1 dan b = 2. Hitung P(|X| < c ) jika c = 0.5.

(a)

Berdasarkan properti 1 dari fx (x) [Persamaan. (6.37a)], k harus konstan


positif. Sedangkan properti 2 dari fx (x) [Persamaan. (6.37b)]
(

Dimana didapat k = 1/(b-a). Maka,


(

(b)

Sebuah variabel acak X memiliki pdf variabel seragam.


Dengan a = -1 dan b = 2 didapat
(

Dari Persamaan (6.37c)


(| |

6.24. Pdf dari X didapat dari


(

Dimana a adalah sebuah konstanta positif. Tentukan konstanta k. Dengan


nilai 1 dari fx(x) [Persamaan (6.37a)], dengan k > 0 dari nilai fx(x)
[Persamaan (6.37b)]

Diperoleh k = a. Maka,
(

Sebuah variabel acak X dengan pdf yang diberikan oleh Persamaan. (6,106)
disebut variabel acak eksponensial dengan parameter a.

26

PROBABILITAS DAN VARIABEL ACAK

6.25. All Semua perangkat manufaktur dan mesin gagal bekerja cepat atau
lambat. Jika tingkat kegagalan konstan, waktu untuk kegagalan T
dimodelkan sebagai variabel acak eksponensial. Misalkan kelas tertentu dari
chip memori komputer telah ditemukan memiliki hukum kegagalan
eksponensial dari Persamaan. (6,106) per-jam.
(a) Tunjukkan pengukuran bahwa probabilitas waktu untuk kegagalan melebihi
104 jam (h) untuk chip di kelas diberikan adalah e-1(0.368). Hitunglah nilai
parameter untuk kasus ini.
(b) Menggunakan nilai parameter yang ditentukan pada bagian (a), hitunglah
waktu t0 sehingga probabilitas 0,05 bahwa waktu untuk kegagalan kurang
dari t0.

(a)

Gunakan Persamaan (6.38) dan (6.106), kita melihat bahwa fungsi distribusi
dari T didapat dari
(

Sekarang

(
(

(b)

Maka didapatlah a = 10-4.


Didinginkan
(

(
(

Karena,
(
Atau
dari mana kita mendapatkan

6.26. Pada bersama X dan Y diberikan oleh


(

Yang mana a dan b adalah konstanta posiif. Menetukan nilai konstan K .


nilai K di entukan oleh Eq (6,49b), yaitu

27

PROBABILITAS DAN VARIABEL ACAK

Karenanya K=ab
6.27. Dari mana kita mendapatkan
(

(a)
(b)

menemukan marjinal pdf (


yang X dan Y independen?

(a)

oleh eqs . (6.50a) dan (6.50) kita memiiliki


(

(
Karena
(
diperoleh

dari

simetris terhadap x dan y interchanging x dan y dapat

(
(b)

(
dapat di simpulkan bahwa x dan y independen

6.28. Variabel acak x dan y dikatakan sama atau normal jika variabel acak dapat
diperoleh seperti
(

)(

(a)
(b)

menemukan pdf marjinal x dan y


menunjukkan bahwa x dan y independen ketika

(a)

oleh Eq (6.50a) pdf marjinal x adalah


(

28

[(

(
) ]}

PROBABILITAS DAN VARIABEL ACAK

Dengan menyelesaikan tahapan tahapan di exsponen yang Eq (6.107) maka


kita memperoleh
*

) +

) +

)] }

] }

Membandingkan integran dengan Eq (6.91) kita melihat bahwa integran


adalah pdf normal dengan berarti
(
Dan varians
(
Dengan demikian, integral harus kesatuan, dan dapat diperoleh
(

Dengan cara yang sama, pdf marjinal y adalah


(
(b)

Ketika

maka mengurangi

{
[

[(
) ]

Oleh karena itu,Xdan Y independen

29

(
[

) ]}
(

) ]

PROBABILITAS DAN VARIABEL ACAK

6.29. jika X adalah (


kemudian menunjukkan bahwa
adalah normal standart rayani r.v.; yaitu N(o;1).
Cdf of Z adalah

Dengan perubahan variabel


(

kita memperoleh

dan
(

6.30. Memverifikasi Eq (6.57)


Berasumsi bahwa
( adalah fungsi monotonically meningkat terusmenerus [gambar 6-10(a)] maka dari itu invers yang menujukkan oleh
(
( kemudian
(

dan
(

Menerapkan aturan rantai diferensiasi ungkapan ini mengkasilkan


(

Yang dapat di tulis sebagai


(
Jika

( monotonically menurun [gambar. 6-10(b)], kemudian


(

30

PROBABILITAS DAN VARIABEL ACAK

Menggabungkan Esq,(6.111) dan (6.113) kami memperoleh

Yang masih berlaku untuk terus menerus (peningkatan atau penurunan)


fungsi y=g(x).
6.31. biarkan y = 2 x+3 jika x variabel acak merata atas [-1,2],menemukan ta
(
Dari Eq (6.105) (prob.6.23), kita memiliki
(

Persamaan y=g(x)=2x+3 memiliki solusi tunggal x 1 =(y=3)/2, kisaran y


adalah [1,7], dan g(x)=2
Dengan demikian,
dan oleh Eq (6,58)
(
6.32. Jika Y=
.
(

Batas y adalah (

(
(

maka

mempunyai solusi tunggal

(
Karena

Buktikan bahwa

Persamaan
(

seperti persamaan (6.58)


(

| |

) (6.114)

lihat persamaan di (6.91)

31

(6.115)

(
dan

PROBABILITAS DAN VARIABEL ACAK

Seperti, persamaan di (6.114)


(

dan
[ ( )

Karena

sepeti persamaan di (6.58)

( )] (

(6.117)

dari hasil (6.91), kita memiliki


(

Lalu (
memiliki

maka

punya dua solusi/penyelesaian

(
Jika
tidak punya solusi yang pasti, maka

Sekarang,

(6.116)
jika

Temukan (
dan persamaan
kemudian

) ]

Yang mana pada pdf dari


(
6.33. Buktikan
Jika
(
Jika

| |

| |

(6.118)

adalah sebuah fungsi lengkap dari hasil persamaan (6.117), kita

( ) (

(6.119)

6.34. Masukan pada sebuah noisi saluran komunikasi adalah variabel acak biner
X dengan

Keluaran dari saluran

diberikan

dimana
adalah pengenalan noise tambahan oleh saluran.
(
Asumsikan bahwa X dan Y adalah independent dan
tentukan
fungsi Z
Gunakan persamaan (6.24) dan (6.26), kita memiliki
(

Karena
(

Seperti,

32

PROBABILITAS DAN VARIABEL ACAK

Seperti

Karena

(
(

Dan

(
(

(6.120)

6.35. Transformasi sebenarnya


(6.121)
(
Tentukan fungsi kepadatan
Jika
maka sistem ini

dengan syarat

Hanya memiliki satu solusi:

Dimana
Seperti [Persamaan (6.68)]

||

||

Seperti persamaan (6.67) hasilnya


(

(6.122)

6.36. Jika
Cari pdf dari
adalah variabel acak
independent.
Kami berikan sebuah bantuan variabel acak W, didefinisikan dengan

Dengan cara

memiliki solusi tunggal :

33

PROBABILITAS DAN VARIABEL ACAK

Karena

||

||

Persamaan (6.67) hasilnya [atau dengan aturan


pada persamaan (6.122)
(

Seperti, persamaan di (
(
Jika

dan

(6.123)

, didapatkan

dan

(6.124)

adalah independent, maka


(

(6.125)

Yang mana konvulusi dari fungsi ini

6.37. Andai X dan Y adalah variabel acak normal. Tentukan fungsi kepadatan Z =
X + Y.
Fungsi kepadatan dari X dan Y adalah
(

Kemudian, lihat persamaan di (6.125), kita memiliki


(

34

) ]}

) ]

PROBABILITAS DAN VARIABEL ACAK

Kemudian

Buktikan

Karena integrasi dari (

integral ini satu kesatuan, dan kita dapatkan


| (

(6.126)

Yang mana ada di pdf dari ( )


Dengan demikian, Z, adalah variabel acak yang normal dengan arti nol dan
varian
6.38. Tranformasi sebenarnya

(6.127)
(

Cari
(
dalam persamaan
Kita asumsikan bahwa

Dengan asumsi sistem ini

Mempunyai solusi tunggal:

Seperti [persamaan di (6.68)]

Pers. (6.67) Hasil


(
(
6.39. Tegangan V adalah fungsi dari waktu t dan diperoleh dari
(

(a)

Yang mana adalah konstanta frukuensi angular dan X = Y = N(0;2) dan


merupakan fariabel bebas.
Rumus V(t) dapat dilihat pada persamaan berikut
(

(b)

Diketahui fungsi densitas dari R dan , adalah berdiri sendiri

35

PROBABILITAS DAN VARIABEL ACAK

(a)
(

(
(

Dimana

(b)

Jika X = Y = N(0;2) dan berdiri sendiri, dari Pers. (6.51) dan (6.91)
(

Demikian, penggunaan hasil dari analisa 6.38 [Pers. (6.128)], kita


mempunyai
(

(
(

Menggunakan pers. (6.50a) dan (6.50b) terkadang


(

Dan
(

Karena, R dan berdiri sendiri


Catatan bahwa 0 adalah bentuk variabel acak, dan R di sebut a bagian
variabel acak.

36

PROBABILITAS DAN VARIABEL ACAK

Rata-Rata Statistik
6.40. Variabel acak X ambil nilai 0 dan 1 dengan probabilitas dan = 1 ,
berturut-turut menemukan arti dan fariasi dari X.
Memakai Pers.(6.69) dan (6.70) kita miliki

Dari pers. (6.77)

6.41. Data biner dipancarkan di atas saluran komunikasi noise di dalam sebuah
blok dari 16 digit biner. Peluang bhawa penerimaan digit adalah dalam
kondisi error antara saluran noise 0.01. Asumsi bahwa kesalahan terjadi
dalam digit bervariasi yang terletak dalam sebuah blok adalah bebas.
(a) Carilah sebuah rata-rata kesalahan per blok
(b) Carilah variasi dari angka kesalahan per blok
(c) Carilah peluang bahwa angka kesalahan per blok paling besar dari atau
sama untuk 4
(a)

Biarkan X menjadi variabel bebas yang mewakili angka kesalahan per blok.
Selanjutnya X memiliki sebuah distribusi binomial dengan n= 16 dan p=
0.01. dari persamaan (6,87) angka rata-rata kesalahan per blok adalah
E(X) = np = (16)(0.01) = 0.16

(b)

Dari pers. (6.87)


2X = np(1 p) = (16)(0.01)(0.99) = 0.158

(c)
P(X 4) = 1- P(X 3)
dengan menggunakan pers. (6.86), kita memiliki
P(X 3)
karena itu,

( )(

P(X 4) = 1 - 0.986 = 0.014

37

= 0.986

PROBABILITAS DAN VARIABEL ACAK

6.42. Verifikasi pers. (6.90)


Dari pers. (6.69)
X = E [X] =

dengan cara yang sama,


E[X(X-1)] =
=

Atau
E [X2 X] = E [X2] E[X] = E [X2] = 2
selanjutnya,
E[X2] = 2 +
setelah menggunakan pers. (6.77) diperoleh
2X = E[X2] (E[X])2 = (2 + ) - 2 =
6.43. Verifikasi pers. (6.95)
Substitusi pers. (6.91) ke dalam pers. (6.69), kita memiliki
X = E[X] =

Dengan mengganti variabel dari integrasi pada y = (x - ) / , kita memiliki


E [X] =
=

Integral pertama adalah nol, semenjak itu integrasi tersebut adalah sebuah
fungsi ganjil. Integrasi kedua adalah persatuan, oleh karena itu integrasi
tersebut adalah pdf dari N (0;1). Jadi,
X = E[X] =
Dari sifat yang kedua dari fx(x) [pers. (6.37b)], kita memiliki

Turunan dengan respek untuk , kita memperoleh

38

PROBABILITAS DAN VARIABEL ACAK

Perkalian dua sisi dari 2 /

, kita memiliki
(

6.44. Biarkan X= N(0;2). Oleh karena itu


Mn = E[Xn] = {

X = N(0;2)fX(x) =

Momen ganjil m2k+1 dari X adalah 0 karena fX(-x) = . fX(-x)Turunan dari


identitas

k waktu dengan respek untuk ketika n= 2k, kita mendapatkan


(

Pengaturan = 1/(22) , kita memiliki


M2k = E[X2k] =

= 13 (2k 1)2k
6.45. Verifikasi persamaan (6.72)
Biarkan fXY (x,y) menjadi fungsi kelipatan dari X dan Y. Selanjutnya
menggunakan pers. (6.71), kita memiliki
E[X+ Y] =
=

(
(

Dengan menggunakan Pers. (6.50 a) dan (6.69), didapatkan

39

[
(

PROBABILITAS DAN VARIABEL ACAK

Dengan cara yang sama, didapatkan


(

Dengan demikian
6.46. Jika X dan Y independen, ditunjukkan bahwa
(6.140)
(
(
Dan
(
(
(6.141)
Jika X dan Y independen, maka dengan menggunakan Pers. (6.51) dan
(6.71), didapatkan
(

(
(

Dengan cara yang sama


(

(
(

(
(

6.47. Tentukan konvarian X dan Y jika (a) X dan Y independen ( maksudnya X


dan Y independen) dan (b) Y berelasi ke X dengan
(a) Jika X dan Y independen, maka dengan menggunakan Pers. (6.81) dan
(6.140)

(6.142)
(b)

Dengan demikian
(
(

(6.143)

40

PROBABILITAS DAN VARIABEL ACAK

Catatan hasilnya yaitu (a) keadaan jika X dan Y independen, maka X dan Y
tidak berkorelasi, tetapi konversnya tidak selalu benar (lihat kemungkinan
6.49)
6.48. Misalkan
, dimana a dan b sebarang konstant. Tunjukkan
bahwa jika X dan Y independen, maka
(6.144)
Dengan menggunakan Pers. (6.72) dan (6.73)

Dengan menggunakan Pers. (6.75)


(

(
(

(
(6.145)
Karena X dan Y independen, dengan menggunakan Pers. (6.141)
(

Oleh karena itu


6.49. Misalkan X dan Y didefinisikan dengan
and

(a)
(b)

Dimana variabel acak atas distribusi uniform


Tunjukkan bahwa X dan Y tidak berkorelasi
Tunjukkan bahwa X dan Y tidak independen

(a)

Dari Pers. (6.105)


(

Dengan menggunakan Pers. (6.69) dan (6.70), didapatkan

41

PROBABILITAS DAN VARIABEL ACAK

Dengan cara yang sama

Dan

Dengan demikian, Dari Pers. (6.82), X dan Y tidak berkorelasi


(b)

Oleh karena itu


Jika X dan Y independen, maka dengan menggunakan Pers. (6.141)
dedapatkan
. Sebab itu X dan Y tidak independen.
6.50. Jika

untuk

maka ditunjukkan bahwa untuk sebarang


(

(6.146)

Dimana

. Merupakan ketidaksamaan Markov


(
(
Dari pers. (6.37c)

Karena (
for
,
(

6.51. Untuk sebarang

,
(|

Dimana
Chebyshev.
Dari pers (6.37c)

Oleh karena itu

dan

(6.147)

adalah varian X. Ini merupakan ketidaksamaan

42

PROBABILITAS DAN VARIABEL ACAK

(|

Dengan menggunakan persamaan (6.75)


(

(
|

Oleh karena itu,

(|

Atau

(
|

6.52. Misalkan X dan Y variabel random bilangan real dengan moment kedua
bilangan (finite). Tunjukkan bahwa
(

(6.148)

Ini merupakan ketidaksamaan Cauchy-Schwarz.


Karena rata-rata nilai kuadrat variabel acak tidak pernah negatif,
(
Untuk sebarang nilai

Pilih nilai

perluasannya, didapatkan

untuk sisi kiri ketidaksamaan.

Yang mana akan menghasilkan pertidaksamaan berikut :


(

atau
(
6.53. Pembuktian dari persamaan 6.84.
Dari pertidaksamaan Cauchy-Schwarz pada persamaan 6.148, didapatkan :
[(

)(

)]

Atau

43

PROBABILITAS DAN VARIABEL ACAK

Kemudian
Dari persamaan diatas diketahui bahwa :
|

Contoh Permasalahan
6.54. Pada sebuah keadaan yang meliputi A, B, dan C, menunjukka bahwa :
(

(
(

(
(

Petunjuk : penulisan
persamaan 6.8.
6.55. Diketahui P(A)=0.9, P(B)=0.8, P(A
Ditanya :
a) (
b) (
c) (
Jawab : a) 0.95
b) 0.15

kemudian terapkan pada

B)=0.75

c) 0.05

6.56. Diketahui bahwa A dan B berdiri sendiri, maka (


Petunjuk : gunakan persamaan 6.102 dan hubungan
(

(
(

6.57. Misal A dan B didefinisikan sebagai himpunan S. maka jika P(A) dan P(B)
tidak ama dengan nol, berarti A dan B tidak bisa dikatakan mutually
exclusive (himpunan yang saling lepas) dan independent (himpunan yang
saling bebas)
Petunjuk : buktikan bahwa kondisi 6.21 tidak akan beratahan selamanya
6.58. Sebuah computer tidak bisa menyala jika komponen A dan B tidak bekerja.
Probabilitas komponen A tidak bekerja(rusak) adalah 0.01, dan probabilitas
komponen B tidak bekerja(rusak) adalah 0.005. Namun probabilitas
kerusakan komponen B bisa meningkat ketika dipengaruhi oleh 3 faktor
dimana keadaan komponen A sudah rusak terlebih dahulu
a) Menghitung probabilitas bahwa computer tidak akan bekerja
b) Cari probabilitas komponen A rusak, jika komponen B telah rusak
terlebih dahulu
Jawab : a) 0.00015

b) 0.03

44

PROBABILITAS DAN VARIABEL ACAK

6.59. Sebuah system binari PCM mentransmisi dua binary X = +1, X = -1 dengan
probabilitas yang sama. Namun karena adanya gangguan pada saluran,
penerima membuat pesan error. Jadi akibat dari penyimpangan saluran,
penerima bisa kehilangan kekuatan sinyal yang diperlukan untuk menetukan
kondisi. Dengan demikian ada tiga keadaan yang memungkinkan : Y = +1,
Y = 0 dan Y= -1 dimana Y =0 sesuai dengan loss of signal. Asumsinya
(
|
(
|
dan
(
|
(
|
(
(a) Cari probabilitas (
and (
(b) Cari probabilitas (
|
AND (
|
Jawaban:
(
(
(
(a)
(
|
(
|
(b)
6.60. Misalkan 10000 digits yang dikirim memiliki probabiltas error sebanyak .
/digits. Cari probabilitas dimana tidak akan ada kesalahan
lebih dari 2 digits
Jawab : 0,9856
6.61. Tampilkan persamaan 6.91 mendefinisikan sebuah probabilitas yang benar.
Kususnya menunjukan bahwa persamaan ini
(

.
Ubah variable

dan tampilkan

Yang dapt dibuktikan dengan memasukan nilai I2 dengan menggunkan


kordinat polar.
6.62. Sebuah resisitor menghasilkan tegangan Vn (t). At t = t1, tingkat pada
gangguan X = Vn (t1). Diketahui sebagai variabel acak gauss dengan
densitas.
(

Hitung probabilitas ketika | |


Jawaban
(| |
(| |

untuk k = 1, 2, 3
:
(| |

45

PROBABILITAS DAN VARIABEL ACAK

6.63. Perhitungkan transformasi Y = 1/ X


(a) Cari ( dengan kondisi (
(b)

Jika

Cari

Jawab :
(a)

(b)

( )
(

Diketahui bahwa X dan Y adalah variabel acak cauchy


6.64. Misal X dan Y adalah 2 variabel acak independen dengan :
(

Cari fungsi density dari Z = X + Y


Jawaban :
(

(
(

6.65. Misal X adalah sebuah variable acak seragam yang di distribusikan


tterhadap [a,b]. cari rata-rata dan selisih dari X.
Jawab : x =

6.66. Misal (X,Y) adalah bivariate r.v. jika X dan Y adalah bilangan yang dapat
berdiri sendiri, buktikan bahwa X dan Y tidak berhubungan.
Petunujuk : gunakan persamaan (6.78) dan (6.51)
6.67. Misal (X,Y) adalah bivariate r.v. sesuai dengan pdf
(

Buktikan bahwa X dan Y tidak berdiri sendiri atau berhubungan


Petunjuk : gunakan persamaan (6.50) dan (6.51)
6.68. Bahwasanya X adalah variable acak yakni x dan
linear dari Y = aX + b ketika x = 0 dan x2 = 1
Jawab :

2
x ,

cari transformasi

6.69. Buktikan bahwa variable acak dari Z and W dari

46

PROBABILITAS DAN VARIABEL ACAK

Dimana a adalah bilangan real. Determinan a ketika Z dan W adalah


orthogonal

Jawab :

6.70. Turunan fungsi X adalah pembuktian dari


[
Dimana

adalah bilangan real, kemudian


(

dimana
(

a)
b)
a)
b)

Cari turunan fungsi X yang sama pada (a,b)


Gunakan hasil a untuk mencari E[X] , E[X2], DAN E[X3]
Jawab:
(

6.71. Buktikan jika X dan Y adalah 0 sama halnya dengan variabel acak, lalu
(
Petunjuk : gunakan turunan function X dan Y yang didapat dari
(

[
( )

47