P. 1
probabilitas

probabilitas

|Views: 405|Likes:
Dipublikasikan oleh nova_atmaja

More info:

Published by: nova_atmaja on Mar 01, 2011
Hak Cipta:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PPT, PDF, TXT or read online from Scribd
See more
See less

01/06/2013

pdf

text

original

Probabilitas

Abdullah Basuki R.,S.Si,M.T
http://www.abdullahbasuki.wordpress.com abasoke@yahoo.com

Informatics Engineering Dept Trunojoyo University

Kuliah Statistika Dasar (TKC116)

1

Terminologi
Teori Probabilitas ± didasarkan pada konsep dari suatu eksperimen random Random ± fenomena/eksperimen dimana keluaran individual tidak pasti tetapi ada distribusi yg regular dari keluaran utk jumlah pengulangan yang banyak Probabilitas ± proporsi berapa kali suatu keluaran spesifik akan muncul dlm suatu serie pengulangan yang panjang dari suatu eksperimen
Informatics Engineering Dept Trunojoyo University 2

Apakah Probabiltas?
Frekuensi relatif jangka panjang 

Jika melempar coin, frekuensi relatif dari ³head´ tidak menentu utk 2, 5 atau 10 pelemparan  Jika pelemparan suatu coin dilakukan bbrp ribu kali, frekuensi relatif tetap stabil

Probabilitas matematis adalah idealisasi dari apa yg terjadi thd frekuensi relatif setelah pengulangan sejumlah tak hingga eksperimen random
Informatics Engineering Dept Trunojoyo University 3

Probabilitas dari ³Head´ Probabilitas didasarkan pd frekuensi relatif jangka panjang Informatics Engineering Dept Trunojoyo University 4 .

set dari semua keluaran (outcomes) yg mungkin dari eksperimen random (S) Event ± suatu keluaran (outcome) atau satu set outcomes dari suatu eksperimen Ukuran Probabilitas adalah suatu bilangan atau fungsi yg memetakan dari events pada sample space ke bilangan real antara 0 dan 1 Probabilitas dari semua outcomes yg mungkin (yaitu sample space) harus sama dg 1 Informatics Engineering Dept Trunojoyo University 5 .Model Probabilitas Sample Space .

5.2.5. B = {muncul angka ganjil}.Model Probabilitas Contoh: Pelemparan (toss) suatu dadu Sample Space: S ={1.6} Event: A = {muncul angka genap}. P(D) = 1/6 Informatics Engineering Dept Trunojoyo University 6 .5. D= {muncul angka 2} Ukuran Probabilitas: P(A) = 0. P(B) = 0.3.4.

B = {1.3.3. mis A = {2}. P(Ac) = 1-1/3 = 2/3 Addition Rule = utk dua events A dan B yg terpisah/ disjoint (no common outcomes) P (A or B) = P(A) + P (B) Contoh: Lempar suatu dadu: S = {1.2.4.P(A) Contoh: Lempar suatu dadu: S = {1.6}.5.3.4}. P(A or B) = P(A) + P(B) = 1/6 + 1/2 = 2/3 Informatics Engineering Dept Trunojoyo University 7 .2.4. mis A = {2.3.5.Aturan-Aturan Probabilitas Probabilitas dari sembarang event P(A) hrs memenuhi 0 < P(A) < 1 Complement Rule = complement dari sembarang event A adalah event A tdk terjadi P(Ac) = 1 .6}.6}. P(A) = 1/3.5.5}. Ac = {1.

Aturan-Aturan Probabilitas
Multiplication Rule = dua events A dan B adalah independent, jika diketahui bhw salah satu terjadi/muncul tdk mengubah probabilitas yg lain muncul P (A and B) = P(A)*P(B)
Contoh: Lempar sepasang dadu S = {(1,1),(1,2),«.(6,6)} 36 kemungkinan outcomes mis A ={dadu pertama 6} = {(6,1),(6,2),(6,3),(6,4),(6,5),(6,6)} mis B = {dadu kedua 1} = {(1,1),(2,1),(3,1),(4,1),(5,1),(6,1)} Maka P(A) = 6/36 = 1/6; P(B) = 6/36 = 1/6 dan P(dadu pertama 6, dadu kedua 1) = P(A and B) = 1/36 = P(A) P(B) menunjukan independence

Informatics Engineering Dept Trunojoyo University

8

Aturan-Aturan Probabilitas
Multiplication Rule Contoh dari kasus Dependent: lempar sepasang dadu S = {(1,1),(1,2),«.(6,6)} 36 kemungkinan outcomes mis A ={dadu pertama 6} = {(6,1),(6,2),(6,3),(6,4),(6,5),(6,6)} mis B = {jumlah dadu pertama & kedua =9} = {(3,6),(4,5),(5,4),(6,3)} Maka P(A) = 6/36 = 1/6; P(B) = 4/36 = 1/9 dan P(dadu pertama 6, jumlah = 9) = P(A and B) = 1/36 tdk sama P(A) P(B) = 1/54 menunjukan dependence

Informatics Engineering Dept Trunojoyo University

9

Aturan-Aturan Probabilitas
Contoh: suatu web site memp tiga server A, B, dan C, yg dipilih secara independent dg probabilitas: P(A) = ¼, P(B) = ½, P(C)= ¼. (a) Cari probabilitas A atau B dipilih P(A or B) = ¼ + ½ = 3/4 (b) Cari probabilitas A tdk dipilih P(Ac) = 1 ± P(A) = ¾ (c) Cari probabilitas server A dipilih dua kali P(AA) = P(A)P(A) = 1/16 (d) Cari probabilitas urutan seleksi server ABCA P(ABCA) = P(A)P(B)P(C)P(A) = (1/4)(1/2)(1/4)(1/4) = 1/128
Informatics Engineering Dept Trunojoyo University 10

3.4.5.6}.2. mis A ={2}.4.6}. P(A|B) = P(A and B)/P(B) = (1/6)/(1/2) = 1/3 Informatics Engineering Dept Trunojoyo University 11 .Conditional Probability Utk dua event A dan B probabilitas dari event A diberikan bhw event B telah terjadi dinyatakan: P(A|B) dan ditentukan dg P (A|B) = P(A and B)/P(B) Contoh: Lempar satu dadu S = {1. B={bil genap} = {2.

6)} 36 kemungkinan outcomes.(6. Mis A ={jumlah dadu 9 atau lebih besar}.(5. (5. (6.4).6)} --cat P(A) = 10/36 dan P(B) = 26/36 Informatics Engineering Dept Trunojoyo University 12 . (4. (6.5).6).5). «(2. A = {(6. (1. yaitu (A atau B) = S dan event ketiga C ditentukan di atas A dan B Contoh: Lempar sepasang dadu S = {(1.6). (6. (3.1) . (4. (6.2).6)} B = Ac = {jumlah dadu 8 atau kurang} = {(1.2).5).4). «.Bayes Rule Utk dua event A dan B yg mempartisi sample space.6).2.3).) «.1) (1. (5.

4.8.10.Bayes Rule Mis C event jumlah dari dadu adalah bil genap {2.12}.6. P(C|A) =4/10 dan P(C|B) = 14/26 Informatics Engineering Dept Trunojoyo University 13 .

Peluang sepasang suami istri menonton film tsb b. peluang seorang lelaki menoton film tsb bila istrinya menonton adalah 0.7.5. berapakah peluang mengambil sebuah bola hitam dari kantong kedua? Peluang seorang lelaki yg telah kawin menonton suatu film seri di tv adalah 0. Suatu kantong berisi empat bola putih dan tiga bola hitam sedangkan kantong kedua berisi tiga bola putih dan lima bola hitam.4 dan peluang seorang wanita yg telah kawin menonton film yg sama 0. Satu bola diambil dari kantong pertama tanpa melihatnya dan dimasukkan ke kantong kedua. Peluang seorang istri menonton film tsb bila suaminya menonton film c. Peluang paling sedikit seorang dari sepasang suami istri menonton film tsb 2.Latihan Soal 1. Informatics Engineering Dept Trunojoyo University 14 . hitunglah a.

bilangan jumlah dari head pd pelemparan dua coin yg fair.t).(h. Sample space S dari eksperimen adalah: S ={(t.(h.(t.Random Variables Suatu random variable X adalah suatu variable dimana harganya tergantung pd outcome dari suatu eksperimen random didefinisikan pd sample space S Contoh: Mis X.h).t).h)} dimana t menunjukan tail dan h menunjukan head Informatics Engineering Dept Trunojoyo University 15 .

25  F(x) diberikan dg Informatics Engineering Dept Trunojoyo University 16 . yg merupakan jumlah head pd pelemparan dua coin  f(x) diberikan dg P{X = 0} = . P{X=1} = . P{X=2} = .Random Variables Suatu random variable X dikarakteristikan oleh salah satu:  probability density function (pdf): f(x)  cumulative density function (cdf): Contoh: perhatikan random variable X.5 .25.

Probability Density Function Formula matematis Memperlihatkan semua harga. f(X)  f(X) adalah probability density function (pdf) Properties  Area di bawah kurva = 1  Mean (µ)  Standard Deviation (W) Informatics Engineering Dept Trunojoyo University 17 . & frekuensi. X.

jumlah head pd pelemparan dua coin)  Jika S adalah kontinyu X adalah suatu random variable kontinyu (mis. waktu antar queries ke suatu server database) Informatics Engineering Dept Trunojoyo University 18 ..Tipe-Tipe Random Variables Suatu random variable X adalah suatu variable dimana harganya tergantung pd outcome dari suatu eksperimen random didefinisikan pd sample space S  Jika S adalah terbatas (finite) atau dp dihitung (countable) X adalah suatu discrete random variable (mis..

Tipe-Tipe Random Variables Jika X discrete random variables maka Jika X continuous random variables maka Informatics Engineering Dept Trunojoyo University 19 .

Geometric. X = 0 gagal Spt coin toss dg probabilitas p mendpkan head.Discrete Random Variables Discrete Random Variables yg umum:  Bernoulli. 1-p mendpkan tail Informatics Engineering Dept Trunojoyo University 20 . Binomial dan Poisson Bernoulli ± memodelkan eksperimen spt toss suatu coin  X adalah suatu indicator function  X = 1 sukses.

3. dimana x = 1.2. memodelkan jumlah tail yg terlihat sblm head pertama pd suatu deretan coin tosses Informatics Engineering Dept Trunojoyo University 21 .Discrete Random Variables Geometric ± memodelkan jumlah percobaan X sampai sukses pertama pd suatu deretan percobaan Bernoulli trials P{X = x} = f(x) = (1-p)x-1p. « Mean = 1/p Variance = (1-p)/p2 Sbg contoh.

Variance = np(1-p) Tabel pd textbook memp macam-macam harga dari P(X = k) Informatics Engineering Dept Trunojoyo University 22 . Mis p menyatakan probabilitas sukses pd 1 trial.Discrete Random Variables Binomial ± memodelkan jumlah sukses X pd n percobaan/trials. probabilitas dari k sukses diberikan dg Mean = np.

« Kg 900.53. « det Berat mahasiswa ITB Berat Umur hidup battery Jam Lama panggilan Lama panggilan telepon Waktu antar Waktu antar kedatangan paket ke kedatangan router Informatics Engineering Dept Trunojoyo University 23 . 1. 1. 78. « menit 0.2. « jam 3.9.Contoh Continuous Random Variable Eksperimen Random Variable Harga Yg Mungkin 43. 875.3.2.78. 2.

Contoh Continuous Random Variable Informatics Engineering Dept Trunojoyo University 24 .

mis X suatu exponential random variable dg mean a.. waktu dari panggilan telepon). lama waktu pelayanan (mis. Informatics Engineering Dept Trunojoyo University 25 . Uniform. Normal Exponential ± memodelkan waktu antar kedatangan.Continuous Random Variable Continuous Random Variables yg umum:  Exponential.

Mis.Continuous Random Variable Uniform ± memodelkan kasus ³equally likely´. X uniform random variable antara a dan b ± yaitu X akan mempunyai harga antara a dan b dengan kemungkinan ³equally likely´ Informatics Engineering Dept Trunojoyo University 26 .

Mis X suatu normal random variable Standard Normal Z adalah kasus dimana: Mean = 0. Variance = 1. Informatics Engineering Dept Trunojoyo University 27 .Continuous Random Variable Normal ± Normal random variable memodelkan fenomena random alamiah utk jumlah yg besar.

rephrased sbg problem probabilitas Informatics Engineering Dept Trunojoyo University 28 .Z Scores & Probability Normal Distribution Hubungan langsung antara persentase dan probabilitas Persentase dari kurva normal dp di.

µ)/ W 29 Berapakah probabilitas bhw pekerja pabrik yg dipilih random akan melaksanakan test dibawah 81 seconds atau diatas 75 seconds? Informatics Engineering Dept Trunojoyo University . P(X<x) = P(Z <z) dimana z = (x.Z Scores & Probability Suatu konsultan menyelidiki waktu diperlukan pekerja pabrik utk assemble suatu part stlh mereka ditraining Konsultan menentukan bhw waktu dlm detik terdistribusi normal dg mean µ = 75 seconds dan standard deviation W = 6 seconds.

P(75 < X < 81) Informatics Engineering Dept Trunojoyo University 30 .

P(75 < X < 81) Informatics Engineering Dept Trunojoyo University 31 .

Moments Ekspektasi E[x] atau mean atau first moment dari suatu random variable X di definisikan dg Moment lebih tinggi didp dg mengganti x dg xn Informatics Engineering Dept Trunojoyo University 32 .

Variance. Mode.5 quantile disebut median dimana 50% harga pd kedua sisi Informatics Engineering Dept Trunojoyo University 33 . Quantile Variance didefiniskan sbg Mode adalah titik dimana f(x) adalah maximum Quantile ± E quantile dari X ditulis xE adalah titik pd X dimana F(xE) = E Cat. 0.

Yaitu jika X adalah suatu random variable dg mean µX dan a dan b adalah konstanta maka jika Y = aX + b mean dari Y diberikan oleh µY = aµX + b  Mean dari sum dari suatu set dari random variables adalah sum dari individual mean.Aturan-Aturan untuk Random Variables Aturan utk Means  Suatu transformasi linier dari suatu random variable menghasilkan suatu linear scaling dari mean. Yaitu jikaf X dan Y adalah random variables maka µX+Y = µX + µY Informatics Engineering Dept Trunojoyo University 34 .

Yaitu jika X adalah suatu random variable dg variance Wx2 dan a dan b adalah konstanta maka jika Y = aX + b variance dari Y diberikan oleh Wy2 = a2 Wx2  Variance dari sum dari suatu set dari independent random variables adalah sum dari individual variances. Yaitu jika X dan Y adalah random variables maka Wx+y2 = Wx2 + Wy2 Informatics Engineering Dept Trunojoyo University 35 .Aturan-Aturan untuk Random Variables Aturan utk Variances  Suatu transformasi liniear dari suatu random variable menghasilkan suatu squared scaling dari variance.

Statistical Inference Menggunakan teori probabilitas utk membuat kesimpulan mengenai suatu populasi dari data sampel Tdk dp memperoleh data dari setiap anggota populasi maka menguji suatu sampel random dari populasi dan berdasarkan statistik dari sampel menyimpulkan mengenai parameter dari populasi Informatics Engineering Dept Trunojoyo University 36 .

standard deviation) dari semua sampel yg mungkin dari ukuran yg sama dari suatu populasi Informatics Engineering Dept Trunojoyo University 37 .Statistical Inference Statistical Inference: menggunakan statistik dari suatu sampel random utk menyimpulkan mengenai parameter dari suatu populasi  Sbg contoh menguji mean x dari sampel utk menyimpulkan mean dari populasi µ  Perlu mengerti bagaimana perubahan statistik dengan tiap sampel Sample Distribution: distribusi probabilitas dari suatu statistik (spt mean.

X memp distribusi Binomial Informatics Engineering Dept Trunojoyo University 38 . Tiap observasi jatuh kedalam satu dari dua kategori. ³sukses´ atau ³gagal´  Probabilitas suatu ³sukses´ (p) sama utk tiap observasi  Probabilitas suatu ³gagal´ (1-p) Mis X menyatakan count dari jumlah sukses dalam suatu sampel ukuran n.Distribusi Sampel dari Counts dan Proportions Perhatikan suatu sampel random tetap (fixed) ukuran n dari observasi independen dari suatu populasi.

Mean = np.Distribusi Sampel dari Counts dan Proportions Ingat distribusi Binomial memodelkan jumlah sukses X dlm n percobaan Bernoulli dan memp. Variance = np(1-p) Dg n bertambah besar distribusi dari X mendekati distribusi Normal dg mean dan variance Informatics Engineering Dept Trunojoyo University 39 .

mendekati suatu distribusi Normal dg Informatics Engineering Dept Trunojoyo University 40 . Jika ukuran sampel n besar.Distribusi Sampel dari Counts dan Proportions Utk estimasi probabilitas atau proportion dari suatu populasi p kita uji sample proportion: dimana X adalah jumlah dari ³sukses´ dlm suatu sampel ukuran n adalah estimasi unbiased dari population proportion p.

mean = µ dan standard deviation Jika populasi memp. Distribusi dari sample mean x (jika dihasilkan dari repeated random samples) memp.Sample Distribution of Means Perhatikan suatu sampel random ukuran tetap n dari suatu populasi dg mean µ dan standard deviation W. distribusi Normal maka distribusi dari sample mean adalah Normal Dari Central Limit Theorem ± distribusi dari suatu sum dari random variables mendekati distribusi Normal jika jumlah terms dlm sum menjadi besar Informatics Engineering Dept Trunojoyo University 41 .

Central Limit Theorem Informatics Engineering Dept Trunojoyo University 42 .

dg mean = µ dan standard deviation = Informatics Engineering Dept Trunojoyo University 43 . tdk tergantung pd distribusi populasi. distribusi dari sample mean mendekati distribusi Normal utk ukuran sampel yg besar.Central Limit Theorem Central limit theorem menyatakan bhw dg bertambah besarnya ukuran sampel n.

Tipe-Tipe Statistical Inference Confidence Intervals: mengestimasi harga suatu parameter populasi dg suatu harga rentang  Berapakah mean IQ dari mahasiswa SIT ITB?  Berapakah proporsi dari switches pd suatu network perlu perbaikan? Hypothesis Testing: menilai bukti yg disediakan data menyetujui suatu claim mengenai populasi  Apakah mean IQ dari mhs SIT ITB sama dg dg IQ populasi secara umum?  Apakah proporsi switches yg memerlukan perbaikan pd jaringan Telkom berbeda dg proporsi pd jaringan Indosat? Informatics Engineering Dept Trunojoyo University 44 .

. sample mean.Point Estimation Menyediakan harga tunggal/single value. sample proportion  Berdasarkan observasi dari 1 sample Tdk memberikan informasi mengenai seberapa dekat harga point estimate thd parameter populasi yg tdk diketahui Contoh: Sample mean X = 22. mis.9 adalah point estimate dari mean populasi yg tdk diketahui µ Informatics Engineering Dept Trunojoyo University 45 .

(confidence level) Informatics Engineering Dept Trunojoyo University 46 .Interval Estimation Menyediakan nilai interval (a. b) dimana parameter populasi µ diprediksi berada  Interval berdasarkan observasi dari 1 sampel Memberikan informasi mengenai seberapa dekat dari estimasi ke parameter populasi yg tdk diketahui  Dp dinyatakan sbg  Atau dinyatakan dlm terms probabilitas.

b) 100(1 .Level of Confidence Nilai E adalah probabilitas bhw parameter tidak berada dalam interval (a. dan 99% Contoh: Mean populasi yg tdk diketahui terletak antara 50 & 70 dg 95% confidence Informatics Engineering Dept Trunojoyo University 47 . .1. .E) % adalah confidence level dan adalah kemungkinan bhw parameter populasi yg tdk diketahui jatuh dlm interval (a. 95%.b) Nilai tipikal adalah E = .05.01 yg memberikan confidence levels masing-masing 90%.

Element Kunci dari Interval Estimation Informatics Engineering Dept Trunojoyo University 48 .

Confidence Interval Process Informatics Engineering Dept Trunojoyo University 49 .

Confidence Interval utk Population Mean Asumsi  Standard deviation populasi W diketahui Ukuran sampel n cukup besar shg hasil central limit theorem dp diaplikasikan dan sample mean distribution dp diperkirakan dg distribusi normal. Aturan umum (Rule of thumb) utk ukuran sampel adalah (n • 30) 100(1-E) % confidence interval pd sample mean diberikan oleh Informatics Engineering Dept Trunojoyo University 50 .

 Z(1-E/2) adalah nilai standard normal value dimana E/2 adalah tail ke sebelah kanan dari nilai Z  W adalah standard deviation populasi  n adalah ukuran sampel Informatics Engineering Dept Trunojoyo University 51 .Confidence Interval for Population Mean Catatan  x adalah sample mean.

23. 29. 34. 9. 24. Suatu random sample dari waktu utk proses dan mengapalkan 33 pesanan dikumpulkan dan dinyatakan sbg n dlm jam di bawah. 38.95 = 1. 36. 25. 42. 28} Tentukan 90% confidence interval dari rata-rata waktu proses dan pengapalan pesanan. 33. 45. 24. 35. 23. 31. 34.9091. Dari data yg lalu standard deviation dari populasi W = 9 {23. 33. 34. 15. 19. ingin melakukan studi waktu rata-rata (mean time) yg diperlukan utk memproses dan mengapalkan pesanan. 23. ukuran sampel n = 33 pd 90% confidence level Z(1-E/2) = Z. 21.com. 13. 35. 11. 16.645 Informatics Engineering Dept Trunojoyo University 52 . 15.Contoh: Confidence Interval utk Population Mean Suatu retailer e-commerce spt Amazon. 39.  sample mean x adalah = 26. 14. 36. 28.

577 / 26. Utk contoh ecommerce: margin of error % = 100 * (2.9 Informatics Engineering Dept Trunojoyo University 53 .57% Juga confidence interval dp diekspresikan sbg (24.332.Contoh: Confidence Interval utk Population Mean Krnnya confidence interval adalah menghasilkan Cat margin of error kadang-kadang diekspresikan sbg persentase dari estimasi.486) yg dp diinterpretasikan sbg P(24.9091) = 9. 29.332 < µ < 29.486) = .

Confidence Intervals Trade off antara confidence level 100(1-E) % dan margin of error  Lebih tinggi confidence besar margin of error lebih tinggi harga Z lebih Contoh proses dan pengiriman pemesanan ecommerce. Z = 1.645) dan sbg hasil Informatics Engineering Dept Trunojoyo University 54 . Suatu 95% confidence interval memp.96 (dimana 90% memp Z = 1.

margin of error berkurang setengahnya utk tiap pertambahan faktor 4 pd ukuran sampel Utk contoh e-commerce jika utk 90% confidence interval ukuran sample adalah 4 kali lebih besar (yaitu 132) dg mean dan standard deviation yg sama interval akan Informatics Engineering Dept Trunojoyo University 55 . lebih besar n makin kecil margin of error Utk confidence interval pd population mean.Confidence Intervals Margin of error juga tergantung pd ukuran sampel n.

Kita mendpkan Utk contoh e-commerce pd 90% confidence level jika diinginkan margin of error 3%. m.x = .Confidence Intervals Cat utk margin of error yg diinginkan m kita dp tentukan ukuran sampel yg diperlukan n utk mencapai m.80727 dan selesaikan utk ukuran sampel n Cat perlu 337-33= 304 tambahan observasi Informatics Engineering Dept Trunojoyo University 56 .03 x 26.9091= .

Confidence Interval utk Proportion of population Dari aproksimasi Normal pd distribusi Binomial kita dapatkan 100(1.E)% confidence interval pd suatu population proportion sbg dimana Z1.E /2 adalah E/2 critical point dari standard distribusi Normal Informatics Engineering Dept Trunojoyo University 57 .

Confidence Interval utk Proportion of population Contoh: Perhatikan suatu link komunikasi satelit. Krnnya 90% confidence interval utk packet error probability diberikan oleh (. Spy dp mengestimasi packet error rate pd link kita transmit 5000 packets dan observasi bhw 23 diterima error. n = 5000.0030.95 = 1. Dari.0062) Informatics Engineering Dept Trunojoyo University 58 . Z.645. Tentukan 90% confidence interval pd packet error probability. .

Confidence Interval utk Quantile of population Quantile: Harga xq dimana CDF mempunyai harga q disebut q-quantile atau 100-q-percentile 50-percentile (atau 0. «. x3. xn adalah * dibulatkan ke integer terdekat Informatics Engineering Dept Trunojoyo University 59 .5-quantile) disebut median Posisi dari suatu harga q-quantile value dari suatu sorted order list x1. x2.

Confidence Interval utk Quantile of population 100(1-E)% confidence interval pd suatu harga populasi q-quantile xq adalah dimana Informatics Engineering Dept Trunojoyo University 60 .

47.5 quantile = (45-1)*0. 111. 71. 93.5 + 1 = 23 x0. 88. 103. 43. 32. 9. pd 0. 63. 42.i. 59. 8. 59) Informatics Engineering Dept Trunojoyo University 61 . 68. 66. 52. 90% c.5. 62.Confidence Interval utk Quantile of population Contoh: 45 titik data (n=45) 6.5 = 47. 116.5 quantile. 30. 49. 15. 13. 47. 29. pd x0.i. 46.5. 97. 81. 42. 84. 24. 50. 134 Cari 90% c. 37. 34. 7. 41. 39. 83. 108. 54.5 = (41.5 Krnnya. 11. 8. Posisi dari 0. 6. 55.

Tiap transmisi terjadi tepat pd satu slot. dan tdk ada pencegahan collision digunakan serta tiap phone akan transmit dlm suatu slot dg probabilitas p. Perhatikan N mobile phones dlm suatu cell. yaitu secara tepat satu phone berusaha transmit. yaitu dua atau lebih phone berusaha transmit pd slot yg sama? Informatics Engineering Dept Trunojoyo University 62 . Berapakah probabilitas collision pd suatu slot. Tiap phone mungkin berusaha utk transmit data pd suatu kanal shared time slot. Berapakah probabilitas suatu time slot kosong. Berapakah probabilitas suatu transmisi sukses. c). independen thd phone lainnya. a).Tugas (kumpulkan minggu depan) 1. yaitu tdk ada usaha dari sembarang phone? b).

a). Berapakah probabilitas bhw suatu panggilan pertama diterima adalah usaha yg ke-empat? c).) 2. Asumsikan bhw tiap permintaan call-setup memp. Berapakah probabilitas bhw user akhirnya menyerah? e). Jika permintaan ditolak.Tugas (cont. Berapakah rata-rata jumlah usaha panggilan diperlukan utk koneksi? Informatics Engineering Dept Trunojoyo University 63 . suatu access network node akan menentukan apakah menerima permintaan atau menolak berdasarkan ketersediaan resources. Berapakah probabilitas suatu permintaan panggilan diberikan pd usaha pertama? b). user bisa request suatu koneksi utk di-set up utk suatu transfer data. Berapakah probabilitas bhw memerlukan lebih dari lima usaha bagi user utk koneksi? d).02 utk diterima dan usaha permintaan panggilan adalah independent. Dlm suatu access switched data network. probabilitas 0. user akan mengulang usaha sampai 10 kali sblm menyerah. Jika suatu call-setup request tiba.

) 3. Dalam berapa banyak sampel kita bisa mengharapkan mean: (i) antara 64.3 sec dan (ii) kurang dari 64.4 sec? Informatics Engineering Dept Trunojoyo University 64 .8 dan 66. berapakah mean dan standard deviation yg diharapkan sbg hasil dari mean dari distribusi sampling? b).Tugas (cont. dari 3000 transaksi terdistribusi normal dg mean 66 sec dan standard deviation 3 sec. jika 80 sampel masing-masing terdiri dari 25 transaksi didapat. Perhatikan waktu transaksi pd suatu aplikasi web-based. a).

You're Reading a Free Preview

Mengunduh
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->