Tutorial 2 Model-Model Fungsi Probabilitas
Tutorial 2 Model-Model Fungsi Probabilitas
MODEL EKSPONENSIAL
MODEL ERLANG
MODEL WEIBULL
MODEL GAUSSIAN
1. MODEL EKSPONENSIAL
Model eksponensial banyak digunakan dalam pemodelan lama pakai atau umur suatu
komponen elektronik, dan pemodelan beda waktu antar kejadian dalam sistem.
Dinotasikan dengan X ∼ eksponensial (λ) dimana λ merupakan parameter dari model.
Fungsi kepadatan dan distribusi probabilitas eksponensial didefinisikan oleh
λ e −λ x x ≥0
f X ( x) =
0 x yang lain
x x
−λ u
FX ( x ) = ∫ f X (u )du. = ∫ λ e du.
−∞ 0
1− e −λ x x ≥0
=
0 x yang lain
Moment ke-n didefinisikan sebagai
∞
E[ X ] = ∫ x n f X ( x)dx..
n
−∞
∞ ∞
−λ x n! n!
=∫ x λe n
dx. = λ ∫ x n e −λ x dx = λ n +1
=
0 0 λ λn
Untuk n = 1 diperoleh nilai mean atau rata-rata
E ( X )=
1
λ
dalam aplikasi teknik keandalan sistem E ( X ) disebut mean time to failure (MTTF),
sedangkan untuk n=2 diperoleh nilai momen ke-2
( )
E X2 =
2
λ2
λ (λ u ) n−1 e −λ u
x
FX ( x ) = ∫ du.
0
(n−1)!
n −1 (λ x) m e −λ x
= m∑
1 − x ≥0
=0 m!
0
x yang lain
sedangkan nilai mean dan varians X
E ( X )=
n n
σ X2 =
λ λ2
Aplikasi model Erlang untuk menyatakan lama waktu pengerjaan tugas/lama bicara.
Contoh :
1. Masa pakai sejenis komponen elektronika adalah acak, dengan distribusi eksponensial
dengan mean 100 jam. Berapa probabilitas komponen tersebut dapat dipakai lebih dari
150 jam. Bila tersedia suku cadang sebanyak 5 unit, berapa probabilitas suku cadang
tersebut habis sebelum jam pemakaian yang ke 500.
Jawab :
a. Probabilitas masa pakai komponen lebih dari 150 jam = P ( T > 150).
T
0 150 rusak
= e −1,5 = 0,223
b. Probabilitas suku cadang habis sebelum jam pemakaian yang ke 500.
X
T1 T2 T3 T4 T5
1 2 3 4 5
0 500
X = T 1 ≠T 2 ≠T 3 ≠T 4 ≠T 5
X = lama pemakaian sampai dengan suku cadang habis ~ Erlang 5 tahap
Mean X:
4
( x / 100) m e − x / 100
FX ( x) =1− ∑
m =0 m!
f X ( x) =
0 x yang lain
1 − e − λ x x≥0
b
FX ( x )=
0 x yanglain
=(n−1) Γ(n− 1)
=(n−1)! untuk n bilangan bulat.
Contoh :
2. Untuk komponen elektronika seperti contoh sebelumnya, tentukan keandalannya dapat
dipakai selama 50 jam dan tentukan pula tiap berapa jam komponen tersebut harus diganti
jika keandalan komponen tidak boleh kurang dari 0.8.
Jawab :
Keandalan komponen dapat dipakai selama 50 jam.
R(50) = P(T >50 )
e −t / 100 ≥ 0.8
−t / 100 ≥ ln 0.8
t ≤ −100ln 0.8
t ≤ 22.3 jam.
Jadi komponen tersebut, paling lambat harus diganti setelah dipakai selama 22.3 jam.
Dapatkan:
a. keandalan motor untuk pemakaian 100 jam
b. lama motor tersebut diharapkan dapat dipakai
c. lama pemakaian maksimum motor, bila keandalannya tidak boleh kurang dari 0.8
Jawab:
(
= 1 − FT (100 ) = 1 − 1 − e −0.0001(100 )
2
)
= e −1 = 0.368
E (T ) =
(
Γ 1+ 1
b
)
λ1 b
Γ(1.5) 0.5Γ(0.5)
= = = 50 π jam
(10 ) −4 1 2 10 − 2
c. lama pemakaian maksimum motor, bila keandalannya tidak boleh kurang dari 0.8
R(t ) ≥ 0.8
e −0.0001t ≥ 0.8
2
− 0.0001t 2 ≥ ln 0.8
t 2 ≤ −10 4 ln 0.8
t ≤ 100 − ln 0.8
var ( X ) =σ X2
Variabel acak Z ~ N (0, 1) disebut normal standar dengan mean nol dan varians 1.
Untuk variabel acak yang tidak dalam normal standar X ~ N(µ, σ2) dapat dirubah dalam
bentuk standar melalui transformasi
x − µX
Z=
σX
sehingga
X ~ N ( µ , σ X2 ) ↔ Z ~ N (0,1)
Sifat Gauss :
1. aX + b ~ N (aµ + b, a 2σ X2 )
2. Bila X ~ N ( µ ,σ X2 ) , maka
Contoh :
4. Tegangan acak dengan distribusi normal dengan mean 110 volt dan simpangan baku 10
volt dikenakan pada beban 1 kΩ.
a. Tentukan probabilitas beban tersebut menerima tegangan lebih dari 105 volt.
b. Tentukan mean dari daya yang diterima beban tersebut.
Jawab :
a. V ~ N (110,102)
v−110 105−110
P(V > 105) = P >
10 10
= P(Z >− 0.5)
=1− P(Z <− 0.5)
= P(Z ≤+ 0.5) = 0.6915
V2
b. W = =10 −3 V 2
R
( ) ( )
E (W )= E 10 −3 V 2 =10 −3 E V 2
(
= 10 −3 var(V ) + µV2 )
= 10 −3 (100 +110 )= 12.2 volt
2
Model-model fungsi probabilitas variable acak diskrit
1. MODEL POISSON
Model Poisson digunakan untuk menyatakan banyaknya kejadian yang muncul secara
acak dalam satu selang waktu. Dinotasikan dengan :
X ∼ Poisson (λ)
di mana λ menyatakan rata – rata banyaknya (laju) kejadian dalam suatu selang waktu.
Fungsi distribusi dan kepadatan probabilitas X
∞
λk e − λ
FX ( x ) = ∑ u (x − k )
k =0 k!
∞
λk e − λ
f X (x ) = ∑ δ (x − k )
k =0 k!
dengan nilai mean dan varians
E(X ) = λ
var ( x) =λ
Contoh :
Jumlah mobil yang datang pada drive-thru restoran cepat saji tiap 10 menit berdistribusi
Poisson dengan rata-rata kedatangan sebanyak 2. Dapatkan :
a. Probabilitas lebih dari 3 mobil akan datang tiap 10 menit tersebut.
b. Probabilitas tidak ada mobil yang datang dalam periode waktu tersebut.
Jawab
a. Probabilitas lebih dari 3 mobil dalam 10 menit
X : banyaknya mobil yang datang
X ~ Poisson (2)
P( X > 3) = 1 − P( X ≤ 3)
3
2 0 21 2 2 2 3
= 1 − ∑ P( X = k ) = 1 − e − 2 + + +
k =0 0! 1! 2! 3!
19
= 1 − e − 2 ≈ 0.1429
3
b. Probabilitas tidak ada mobil yang datang
P( X = 0 ) = e −2 = 0.1353
2. MODEL BINOMIAL
Model binomial digunakan untuk menyatakan banyaknya sukses dari m eksperimen yang
dilakukan secara independent dengan tiap eksperimen memiliki probabilitas sukses sama
dengan p. Dinotasikan dengan:
X ∼ Binomial (m, p)
di mana
m = banyaknya eksperimen (bilangan bulat >1)
X = banyaknya yang sukses dari m eksperimen
p = probabilitas yang berhasil dari m eksperimen
Probabilitas X sebanyak n didefinisikan sebagai
m
P( X = n )= p n (1− p) m − n n = 0,1,2,
n
sedangkan mean dan varians X
E ( X ) = mp
var( X ) = mp(1 − p )
Contoh :
Untuk mensupply daya di pabrik yang minimal membutuhkan 180 kW dipakai tiga
generator yang masing-masingnya berkapasitas 100 kW dengan keandalan masing-
masing adalah 0.8. Berapa probabilitas sistem dengan 3 generator ini dapat mensupply
daya pada saat dibutuhkan?
Jawab:
Dalam contoh ini, eksperimennya berupa pengamatan generator (sebanyak 3 kali)
X = banyaknya generator yang baik
p = probabilitas generator dalam keadaan baik
= keandalan = 0.8
X ~ binomial (3, 0.8)
Sistem ini merupakan 2 out of 3 system (sistem 2 dari 3)
P(sistem dapat mensupply beban) = P(jumlah generator yang baik ≥ 2)
= P[ X ≥ 2 ]
= P[ X = 2 ] + P[ X = 3]
3 3
= 0.8 2 ( 0.2 ) 1 + 0.8 3 ( 0.2 ) 0
2 3
= 0.896
1. Poisson → Normal
X ~ Poisson (λ) maka µ X = λ , σ X2 = λ
Contoh :
Berapa saluran yang harus disiapkan untuk melayani 100 pelanggan supaya probabilitas
mendapatkan saluran sibuk adalah kurang dari 0.05. Probabilitas tiap pelanggan
menggunakan saluran pada jam sibuk adalah 0.6
Pendekatan ke Distribusi Normal
n = banyaknya saluran yang disediakan
X : banyaknya pelanggan yang ingin menggunakan saluran
X ~ Binomial (100, 0.6) X ~ Normal (60, 24)
Banyaknya saluran yang harus disiapkan
n − 60
P Z > < 0.05
24
n − 60
1 − P Z ≤ < 0.05
24
n − 60
P Z ≤ > 0.95
24
n − 60
> 1.645 n = 69
24