REVIEW

PROBABILITY AND RANDOM PROCESS

PROBABILITY
Frequency of occurance
Biasanya Acuan dari Suatu Probability adalah Hasil atau nilai yang keluar dari beberapa kali percobaan
dan dapat didefiniskan seperti di bawah ini

PS : Ni adalah = Banyak Benda yang diujikan

Nt adalah = Banyaknya berapa kali diujikan

Contoh :
Kita Pernah Menonton Tv bukan? , Jika Kita Mencoba Menyetel Tv Sebnayak 1.000.000 Kali dan
dengan kemungkinan kita Mendapatkan acara Iklan Pendidikan saat Menyetel sebanyak 800.000 kali
dan Jika Kita Mendapatkan Acara Iklan Non Pendidikan Sebanyak 200.000 Kali
berarti dengan Rumus di atas , kita mendpaatkan Frequency of occurance untuk Iklan pendidikan adlah
sebanyak 0.8

A Measure of Belief
Kadang Kala dalam Percobaan Suatu Probabilty seringkali terjadi faktor-faktor non-teknis yang
terjadi , Seperti Contoh , Jika Kita Melakukan Lempar koin sebanyak Nt Time , Dan Pada Suatu Saat di
dalam Suatu Percobaan kita Koin yang dilempar diganggu Oleh Adik kita , Faktor2 tersebut tidak dapat
dijadikan acuan bahwa pada saat itu sudah terjadi probabilty , kita harus Memastikan bahwa kondisi di
sekitar kita sudah memenuhi syarat sebelum melakukan suatu experiment probability

Tetapi Tidak Seperti dikatakan oleh Bayers , Beliau Mengatakan Bahwa Probability bukan lagi sebagai
sesuatu yang kaku seperti Pendekatan frequensi tetapi sebagai alat pendekatan untuk menggambarkan
suatu permasalahan yang membutuhkan perulangan , Beliau telah menemukan suatu pendekatan
matematika yang digunakan untuk kejadian-kejadian seperti di atas atau biasa disebut Priori dan
posterirori yaitu
The Axiomatic Approach

Axiomatic Approach adalah Sesuatu dasar yang menjadi acuan untuk pelaksanaan Probability ,
agar mengingatkan kembali

example
Random Variables
Seperti Definisi dari random itu sendiri , definisi random variable adalah nilai sembarang yang
berada dalam satu variabel

bentuk matematika sendiri

DISTRIBUTION FUNCTION
Contoh

EXPECTATION

example
Mean
Fungsi Yang Paling mudah dan umumnya sudah banyak yang tahu , mean Biasanya digunakan untuk
Mendefinisikan g(x) = x dan bisanya symbol untuk mean adalah Ux

SECOND MOMENT
Seperti Halnya Random varibael , Biasanya disimbolkan E[X2]

VARIANCE
Penyimbolan untuk variance adalah E[{X — µ2) dan biasanya disingkat menjadi σ dan
rumusnya

UNIFORM DISTRIBUTION
Suatu pemodelan Distribution yang ingin mengetahui modelnya seperti apa kecuali range nya
maka disTRIBUTION merupakan pilihan yang tepat
Example

Dari tabel di atas kita dapat Mengetahui Mean = 11.49 dan Standartd deviation = 6.23

dengan memakai rumus di bwah ini

yang dimana
a= nilai terkecil dari example
b= nilai terbesar dari example

dan hasilnya

GAUSSIAN DISTRIBUTION
ini adalah distribusi pilihan dalam hal tractability matematika. Karena bentuknya,
itu sangat berguna dengan ukuran distorsi kesalahan kuadrat. Kepadatan probabilitas
fungsi variabel acak dengan distribusi Gaussian
LAPLACE DISTRIBUTION
Dalam teori probabilitas dan statistik, distribusi Laplace adalah distribusi probabilitas kontinu yang
ditemukan oleh Pierre-Simon Laplace. Hal ini juga kadang-kadang disebut distribusi eksponensial
ganda, karena bisa dianggap sebagai dua distribusi eksponensial (dengan parameter lokasi tambahan)
disambung bersama-sama back-to-back, tapi istilah distribusi eksponensial ganda juga kadang-kadang
digunakan untuk merujuk kepada Gumbel distribusi. Perbedaan antara dua variabel independen identik
terdistribusi acak eksponensial diatur oleh distribusi Laplace, seperti gerak Brown dievaluasi pada
waktu yang acak eksponensial didistribusikan. Increment gerak Laplace atau proses gamma varians
dievaluasi atas skala waktu juga memiliki distribusi Laplace.

GAMMA DISTRIBUTION
Dalam teori probabilitas dan statistik, distribusi gamma adalah keluarga dua-parameter
distribusi probabilitas kontinu. Memiliki θ parameter skala dan parameter bentuk k. Jika k
adalah bilangan bulat, maka distribusi merupakan distribusi Erlang, yaitu jumlah k independen
terdistribusi eksponensial variabel acak, masing-masing memiliki rata-rata θ (yang setara
dengan tingkat parameter θ -1).

Distribusi gamma sering model probabilitas untuk menunggu waktu, misalnya, dalam
pengujian hidup, waktu tunggu sampai kematian adalah variabel acak yang sering dimodelkan
dengan distribusi gamma [1] Gamma distribusi dipasang ke jumlah curah hujan dari badai yang
berbeda. , dan perbedaan dalam jumlah dari badai buang bijinya dan diunggulkan tercermin
dalam perbedaan k estimasi dan parameter θ