1
KULIAH 2
N (E)
P( E ) = N ( S ) lim it → ∞ (12)
N (S )
Dengan N(S) adalah jumlah kejadian atau eksperimen yang dilakukan dan
N(E) adalah jumlah terjadinya kejadian E.
Jelas bahwa 1 ≥ P(E) ≥ 0, jika P(E) = 1 maka hal itu manandakan
bahwa kejadian E pasti terjadi. Sedangkan jika P(E) = 0 maka berarti
kejadian E adalah tidak mungkin (impossible). Misalkan dengan
melemparkan dadu yang ideal (bermuka 6), jika jumlah lemparan
mendekati tak hingga maka muka nomor 6 dapat diharapkan muncul 1/6
kali jumlah lemparan, sehingga P(6) = 1/6.
Jika dua kejadian E1 dan E2 dua kejadian yang terpisah (bersifat
mutually exclusive) maka pada kedua kejadian tersebut berlaku,
2
P( E1 ∪ E 2 ) = P( E1 ) + P( E 2 ) (13)
P( E1 ∪ E 2 ) = P( E1 ) + P( E 2 ) − P( E1 ∩ E 2 ) (14)
Dan jika dadu tersebut ideal maka semua muka mempunyai probabilitas
kemunculan yang sama, yaitu
P( E1 ∩ E 2 ) = P( E1 ) × P( E 2 ) (18)
3
mempunyai satu dari enam nilai yang ada; nilai tersebut diskret. Pada
pembahasan yang berikut akan diuraikan varibel acak yang mempunyai
nilai kontinyu.
Bayangkan sebuah pesta dimana diadakan tebakan untuk tinggi
badan tamu yang akan datang berikutnya, maka ini adalah sinyal acak
yang kontinyu. Misalkan diasumsikan bahwa P(3m) = 0 dan P(0,1m) = 0.
Dengan asumsi inipun masih ada sejumlah tak berhingga nilai yang
mungkin sebagai keluaran. Berdasarkan persamaan (15) maka,
Seperti apa gambaran p(x)? Dengan asumsi awal bahwa P(3m) = 0 dan
P(0,1m) = 0, dapat diharapkan bahwa kemungkinan P(1,8m) akan bernilai
maksimum. Jika anak-anak diperbolehkan masuk pesta maka nilai 60 cm
di bawah maksimum akan lebih besar daripada nilai 60 cm di atas
maksimum. Maka gambaran PDF-nya adalah sebagai berikut.
Misalkan bahwa tebakan tinggi badan tamu adalah 1,75 ± 0,01.
Berapa probabilitas bahwa tinggi badan tamu yang datang berada pada
jangkauan tersebut? Analogi dari persamaan (13) adalah integral,
sehingga dapat dinyatakan,
1, 76
P( X = x; 1,75 ≤ x ≤ 1,76) = ∫ p( x) dx
1, 74
(20)
4
Gambar 13. PDF untuk tebakan tinggi badan tamu pesta
b
P( X = x; a ≤ x ≤ b) = ∫ p( x) dx (21)
a
Secara geometris, nilai probabilitas ini dinyatakan dengan luas wilayah di
bawah kurva PDF antara a dan b, perhatikan Gambar 14.
5
Total wilayah di bawah kurva PDF harus sama dengan 1, sehingga dapat
dinyatakan,
∫ p( x) dx = 1
−∞
(22)
Perlu dicatat bahwa dalam hal ini disyaratkan p(x) Æ 0 saat x Æ ±∞.
Dengan N(i) adalah nilai harapan dari kejadian dengan nilai i sebagai
keluaran. Jika Nc kecil, misalnya 12, maka fluktuasi statistik akan
mempunyai pengaruh yang cukup besar. Jika Nc besar dan dadu yang
digunakan ideal, maka berlaku
6
dan fluktuasi akan mempunyai pengaruh yang lebih kecil. Maka nilai
harapan dari jumlahannya dapat dinyatakan sebagai,
6
E ( jumlahan dari N c lemparan dadu) = ∑ N c P(i ) i (25)
i =1
6
E (lemparan tunggal) = ∑ P(i ) i (26)
i =1
E ( X ) = ∑ P ( X = xi ) xi (27)
xi
Dimana variabel acak dapat mempunyai nilai diskret xi. Misalnya untuk
dadu ideal, maka
1 1 1 1 1 1
E (lemparan tunggal ) = ×1 + × 2 + × 3 + × 4 + × 5 + × 6
6 6 6 6 6 6 (28)
= 3,5
1+ 2 + 3 + 4 + 5 + 6
E (lemparan tunggal ) = = 3,5 (29)
6
7
Generalisasi persamaan (27) untuk variabel acak kontinyu
dinyatakan,
∞
X = E( X ) = ∫ x p( x) dx
−∞
(30)
dengan p(x) adalah PDF untuk variabel acak kontinyu X. Perlu dicatat
bahwa nilai harapan dari sebuah variabel acak tidak sama dengan nilai
maksimal PDF-nya. Nilai maksimum PDF disebut mode distribusi (mode
of the distribution).
Kembali ke permainan tebakan tinggi badan tamu. Jika seorang
tamu datang dan kemudian diukur tinggi badannya maka pasti akan ada
selisih dari nilai tebakannya (eror). Bagaimana ukuran untuk menentukan
baik atau tidaknya nilai harapan atau rerata?
Pada Gambar 15 diperlihatkan dua buah kurva PDF. Kurva yang
pertama, nilai harapan (rerata) akan selalu menjadi tebakan bagus. Pada
kurva yang kedua, rerata akan seringkali menjadi tebakan yang kurang
bagus.
Yang perlu diketahui adalah nilai harapan dari eror yang terjadi
yaitu E(∈), dimana ∈= X − x ,
E (∈) = E ( X − x ) = E ( X ) − E ( x) (31)
E ( X ) − E ( x) = x − x = 0 (32)
8
probabilitas
(a)
probabilitas
(b)
Gambar 15. PDF dengan varians kecil(a) dan varians besar (b)
σ 2 = E (∈2 ) = E[( X − x) 2 ]
2
= E ( X 2 ) − E (2 x X ) + E ( x )
2
= E( X 2 ) − 2 x E( X ) + x (34)
2
= E( X 2 ) − 2 x x + x
2
= E( X 2 ) − 2 x
9
Untuk kasus dimana variabel acak X mempunyai peluang yang
sama maka persamaan (33) menjadi
N
1
σ =
2
N
∑ (x
i =1
i − x) 2 (35)
Distribusi Gaussian
Distribusi Gaussian atau distribusi normal merupakan distribusi
yang sangat penting. Salah satu sifat penting adalah bahwa rerata dan
varians-nya dapat diketahui secara pasti.
probabilitas
variabel acak
10
Distribusi Gaussian dinyatakan dengan persamaan berikut.
1 ⎡ 1 ⎛ x − x ⎞2 ⎤
p ( x) = exp ⎢− ⎜⎜ ⎟ ⎥
⎢ 2 ⎝ σ ⎟⎠ ⎥
(37)
2π σ 2 ⎣ ⎦
Sinyal-Sinyal Acak
Telah dibahas mengenai variabel acak. Lalu apa yang dimaksud
dengan sinyal acak? Untuk hal ini maka diperlukan konsep mengenai
proses stokastik (stochastic process). Ini adalah jenis variabel acak Xt
yang memiliki parameter t (biasanya t adalah waktu). Parameter waktu ini
dapat bersifat kontinyu t ∈ [0, T) atau diskret t ∈ {t1, t2, ..., tN}. Setiap
variabel acak mengambil nilai dari distribusi peluang pt(x).
Secara umum variabel acak pada saat t dapat bergantung pada
nilai variabel acak pada saat sebelumnya, yaitu nilai x(t) pada t yang lebih
kecil. Namun seringkali Xt dianggap independen terhadap nilai
sebelumnya. Proses yang seperti ini disebut proses independen.
11
Pada umumnya setiap pt(x) dapat mempunyai distribusi yang
berbeda. Untuk kasus dimana distribusinya sama, maka sequence yang
seperti itu disebut terdistribusi identik (identically distributed). Proses
stokastik yang terpenting adalah proses stokastik yang independen dan
terdistribusi identik (independent and identically distributed) atau
disingkat i.i.d. Untuk proses yang demikian maka hanya perlu ditentukan
satu distribusi saja yaitu p(x). Hingga pembahsan ini maka sinyal acak
dapat dibagi dua yaitu i.i.d dan non – i.i.d.
Gambar 18. Sinyal i.i.d ; i.i.d Gaussian dan i.i.d non – Gaussian
12
Gambar 19. Sebuah sinyal acak terdistribusi Gaussian
Np
1
E[ X t ] =
Np
∑x
i =1
(i )
(t ) (39)
13
Jika prosesnya merupakan proses i.i.d, maka pt(x) adalah sama
untuk semua t dan nilai statistiknya dapat diestimasikan dengan cara me-
rerata sepanjang waktu tertentu.
T
1
E[ X t ] = ∫ x p( x) dt (40)
T 0
Pada dasarnya sinyal dalam hal ini tidak harus i.i.d, namun jika suatu
proses mempunyai perataan waktu (persamaan (40)) dan perataan
ensemble (persamaan (39)) yang sama maka proses tersebut disebut
proses ergodik (ergodic process). Dengan demikian sinyal i.i.d secara
otomatis pasti ergodik.
Jika sebuah sinyal mempunyai sifat statistik yang tidak berubah
terhadap waktu maka sinyal tersebut disebut stasioner. Jika hanya rerata
dan standar deviasi saja yang konstan maka disebut stasioner lemah
(weakly stationary). Ada banyak hal yang dapat menyebabkan sebuah
sinyal menjadi tidak stasioner, misalnya karena rerata atau varians-nya
berubah. Perhatikan Gambar 20 dan Gambar 21.
14
pergeseran
waktu
15