RANGKUMAN BUKU

PROBABILITY, RANDOM VARIABLES, AND STOCHASTIC

PROCESSES
Diajukan untuk Memenuhi Tugas Mata Kuliah Probabilitas dan Statistika yang
Diampuh oleh Bapak Bahar Amal, S.Pd., M.Eng.

Disusun Oleh :
Kelompok D
Abdurrahman Afifi 2110631160027
Andhika Rifqi Dwiputra 2110631160079
Armanditto Aji Nugroho 2110631160032
Baginda Muhammad Raihan P.R.S 2010631160044
Muhammad Harits Fadhila 2010631160081
Zulia Nurzamilah 2110631160065
Kelas A

PROGRAM STUDI TEKNIK ELEKTRO

FAKULTAS TEKNIK
UNIVERSITAS SINGAPERBANGSA KARAWANG
2023
 KATA PENGANTAR
Pertama-tama marilah kita panjatkan puji dan syukur Allah Swt. atas rahmat
dan karunia-Nya, sehingga penulis dapat menyelesaikan rangkuman buku. Tak lupa
juga mengucapkan salawat serta salam semoga senantiasa tercurahkan kepada Nabi
Besar Muhammad SAW, karena berkat beliau, kita mampu keluar dari kegelapan
menuju jalan yang lebih terang.
Kami ucapkan juga rasa terima kasih kami kepada Dosen Pengampu yaitu
Bapak Bahar Amal, S.Pd., M.Eng. yang telah memberikan tugas merangkum buku
yang buku yang berjudul “Probability, Random Variables, and Stochastic Processes”
ini telah selesai kami buat secara semaksimal dan sebaik mungkin agar menjadi
manfaat bagi pembaca yang membutuhkan informasi dan pengetahuan mengenai
Probabilitas dan Statistika.
Kami sadar, masih banyak luput dan kekeliruan yang tentu saja jauh dari
sempurna tentang buku ini. Oleh sebab itu, kami mohon agar pembaca memberi
kritik dan juga saran terhadap karya buku ajar ini agar kami dapat terus
meningkatkan kualitas buku.
Demikian rangkuman buku ini kami buat, dengan harapan agar pembaca
dapat memahami informasi dan juga mendapatkan wawasan mengenai Probabilitas
dan Statistika serta dapat bermanfaat bagi masyarakat dalam arti luas. Terima kasih.

Karawang, 30 Maret 2023

i
 DAFTAR ISI

KATA PENGANTAR ................................................................................................ i

DAFTAR ISI ............................................................................................................. ii
BAB 1 ARTI PROBABILITAS .................................................................................1
BAB 2 AKSIOM PROBABILITAS ...........................................................................4
BAB 3 PERCOBAAN BERULANG ..........................................................................6
BAB 4 KONSEP VARIABEL ACAK ........................................................................8
BAB 5 FUNGSI SATU VARIABEL ACAK ........................................................... 14
BAB 6 DUA FUNGSI VARIABEL ACAK ............................................................. 18
BAB 7 URUTAN VARIABEL ACAK .....................................................................23
BAB 8 STATISTIKA ............................................................................................... 28
BAB 9 PROSES STOKASTIK................................................................................. 32
BAB 10 BERJALAN ACAK DAN APLIKASI LAINNYA .....................................34
BAB 11 SPREKRAL PERWAKILAN .....................................................................41
BAB 12 SPEKTRUM PERKIRAAN........................................................................ 47
BAB 13 MEAN SQUARE ESTIMATION ............................................................... 50
BAB 14 ENTROPY ................................................................................................. 53
BAB 15 RANTAI MARKOV .................................................................................. 55
BAB 16 MARKOP PROSES DAN TEORI ANTRIAN ............................................ 59
DAFTAR PUSTAKA............................................................................................... 62

ii
 BAB 1 ARTI PROBABILITAS
1.1 INTRODUCTION
Teori probabilitas berurusan dengan rata-rata fenomena massa yang terjadi
secara berurutan atau bersamaan: emisi elektron, panggilan telepon, deteksi radar,
kontrol kualitas, kegagalan sistem, permainan kebetulan, mekanika statistik,
turbulensi, kebisingan, angka kelahiran dan kematian, dan teori antrian, di antara
banyak lainnya.
Telah diamati bahwa dalam bidang ini dan bidang lainnya, rata-rata tertentu
mendekati nilai konstan seiring bertambahnya jumlah pengamatan dan nilai ini tetap
sama jika rata-rata dievaluasi pada setiap urutan berikutnya yang ditentukan sebelum
percobaan dilakukan. Dalam percobaan koin, misalnya, persentase kepala mendekati
0,5 atau konstanta lainnya, dan rata-rata yang sama diperoleh jika kita menganggap
setiap keempat, katakanlah, lemparan (tidak ada sistem taruhan yang dapat
mengalahkan roulette).
Tujuan dari teori ini adalah untuk menggambarkan dan memprediksi rata-rata
tersebut dalam kaitannya dengan probabilitas kejadian. Probabilitas suatu kejadian A
adalah suatu bilangan P(A) yang diberikan pada kejadian tersebut. Angka ini bisa
diartikan :
“Jika percobaan dilakukan dalam waktu dan peristiwa A terjadi, kali, maka dengan
tingkat kepastian yang tinggi, frekuensi relatif n/n dari kejadian A mendekati P(A)”

asalkan n cukup besar.

Penafsiran ini tidak tepat: Istilah "dengan tingkat kepastian yang tinggi". "dekat", dan
"cukup besar" tidak memiliki arti yang jelas. Namun, kurangnya presisi ini tidak
dapat dihindari. Jika kita mencoba untuk mendefinisikan dalam istilah probabilistik
"tingkat kepastian yang tinggi" kita hanya akan menunda kesimpulan yang tak
terelakkan probabilitas, seperti teori fisika lainnya, terkait dengan fenomena fisik
hanya dalam istilah yang tidak tepat. Namun demikian, teori adalah disiplin eksak
dikembangkan secara logis dari aksioma yang didefinisikan dengan jelas, dan ketika
diterapkan pada masalah nyata, itu berhasil.

1.2 DEFINISI
DEFINISI TEORI AXIOMATIC
Probabilitas aksiomatik adalah teori probabilitas pemersatu. Ini menetapkan
satu set aksioma (aturan) yang berlaku untuk semua jenis probabilitas, termasuk
probabilitas frequentist dan probabilitas klasik. Aturan-aturan ini, berdasarkan Tiga
Aksioma Kolmogorov, menetapkan titik awal untuk probabilitas matematis.
Probabilitas Aksiomatik hanyalah cara lain untuk menggambarkan probabilitas suatu
peristiwa. Probabilitas suatu peristiwa adalah angka antara 0 dan 1, di mana, secara
kasar, 0 menunjukkan ketidakmungkinan peristiwa dan 1 menunjukkan kepastian.
Semakin tinggi probabilitas suatu peristiwa, semakin besar kemungkinan peristiwa itu
akan terjadi. Probabilitas Aksiomatik seperti kata itu sendiri, beberapa aksioma telah
ditentukan sebelumnya sebelum menetapkan probabilitas. Hal ini dilakukan untuk
mengkuantisasi dan karenanya untuk memudahkan perhitungan terjadinya peristiwa
tersebut.
DEFINISI PROBABILITAS FREKUENSI
Teori probabilitas frekuensi relatif berpendapat bahwa jika percobaan diulangi
dalam jumlah yang sangat besar dan hasil tertentu terjadi dalam persentase waktu,

1
maka persentase tertentu itu mendekati probabilitas hasil itu. Misalnya, jika sebuah
mesin menghasilkan 10.000 widget satu per satu, dan 1.000 dari widget tersebut rusak,
kemungkinan mesin tersebut menghasilkan widget yang rusak adalah sekitar 1.000
dari 10.000, atau 0,10.
Pendekatan frekuensi relatif didasarkan pada definisi berikut: Probabilitas P(A)
dari kejadian A adalah limit

di mana n adalah jumlah kemunculan A dan n adalah jumlah percobaan. Definisi ini
tampaknya masuk akal. Karena probabilitas digunakan untuk menggambarkan
frekuensi relatif, wajar untuk mendefinisikannya sebagai batas frekuensi tersebut.
Masalah yang terkait dengan definisi apriori dihilangkan, orang mungkin berpikir, dan
teorinya adalah didasarkan pada pengamatan.
DEFINISI PROBABILITAS KLASIK
Probabilitas klasik adalah bentuk probabilitas sederhana yang memiliki
peluang yang sama untuk terjadinya sesuatu. Misalnya: Menggulirkan dadu yang adil.
Kemungkinan besar Anda akan mendapatkan 1, 2, 3, 4, 5, atau 6.Memilih bola bingo.
Setiap bola bernomor memiliki peluang yang sama untuk dipilih. Menebak pada tes.
Jika Anda menebak pada tes pilihan ganda dengan empat kemungkinan jawaban A B
C dan D, setiap pilihan memiliki peluang yang sama untuk dipilih (dengan asumsi
Anda memilih secara acak dan tidak mengikuti pola).
1.3 PROBABILITAS DAN INDUKSI
Dalam penerapan teori probabilitas, kita dihadapkan pada pertanyaan berikut:
Misalkan kita mengetahui entah bagaimana dari pengamatan sebelumnya probabilitas
P(A) dari suatu peristiwa A dalam eksperimen tertentu. Kesimpulan apa yang bisa
kita tarik tentang terjadinya peristiwa ini. Kami akan memberikan satu jenis jawaban
jika P(A) adalah angka yang jelas berbeda dari 0 atau 1, misalnya 0,6, dan jenis
jawaban yang berbeda jika P(A) mendekati 0 atau 1, untuk contoh 0,999. Meskipun
batas antara kedua kasus ini tidak didefinisikan secara tajam jawaban yang sesuai
pada dasarnya berbeda. Kasus 1 Misalkan P(A) = 0,6. Dalam hal ini, angka 0,6
hanya memberi kita suatu "tingkat kepercayaan tertentu bahwa peristiwa A akan
terjadi." Probabilitas yang diketahui adalahdengan demikian digunakan sebagai
"ukuran keyakinan kami" tentang terjadinya A dalam satu percobaan. Ini interpretasi
P(A) bersifat subjektif dalam arti tidak dapat diverifikasi secara eksperimental. Dalam
percobaan tunggal, peristiwa A akan terjadi atau tidak akan terjadi. Jika tidak, ini
akan tidak menjadi alasan untuk mempertanyakan validitas asumsi bahwa P(A) = 0,6
Kasus 2 Misalkan, bagaimanapun, bahwa P(A) = 0.999 . Kita sekarang dapat
menyatakan dengan praktis kepastian bahwa pada percobaan berikutnya peristiwa A
akan terjadi. Kesimpulan ini objektif dalam arti bahwa itu dapat diverifikasi secara
eksperimental. Pada sidang berikutnya acara A harus terjadi. Jika tidak, kita harus
benar-benar meragukan, jika tidak langsung menolak, asumsi tersebut bahwa P(A) =
0,999 Batas antara kedua kasus ini, meskipun sewenang-wenang (0,9 atau 0,999997),
menetapkan garis yang memisahkan kesimpulan ilmiah "lunak" dari "keras". Teori
probabilitas memberi kita alat analitik (langkah 2) untuk mengubah pernyataan
"subjektif" dari kasus menjadi pernyataan "objektif" dari kasus 2. Berikut ini, kami
jelaskan

2
singkat alasan yang mendasarinya. Seperti yang kami tunjukkan di Bab. 3, informasi
bahwa P(A) = 0,6 mengarah pada kesimpulan bahwa jika percobaan dilakukan 1000
kali, maka "hampir pasti" berapa kali kejadian A akan terjadi adalah antara 550 dan
650. Hal ini ditunjukkan dengan mempertimbangkan pengulangan percobaan asli
1000 kali sebagai hasil tunggal percobaan baru.
Dalam percobaan ini peluang kejadian
A = (jumlah kejadian A terjadi antara 550 dan 650 sama dengan 0,999) . Oleh karena
itu, kita harus menyimpulkan bahwa (kasus 2) peristiwa A akan terjadi dengan
kepastian praktis.
Dengan demikian kita telah berhasil, dengan menggunakan teori probabilitas, untuk
mengubah kesimpulan "subjektif" tentang A berdasarkan informasi yang diberikan
bahwa P(A) = 0,6 menjadi kesimpulan "objektif" tentang A, berdasarkan kesimpulan
turunan bahwa P(A_{1}) = 0,999 . Kami harus menekankan, bagaimanapun, bahwa
kedua kesimpulan bergantung pada penalaran induktif. Perbedaan mereka, meskipun
signifikan, hanya bersifat kuantitatif. Seperti dalam kasus 1, kesimpulan "objektif"
dari kasus 2 bukanlah kepastian tetapi hanya kesimpulan. Namun, ini seharusnya
tidak mengejutkan kita; lagipula, tidak ada prediksi tentang peristiwa masa depan
berdasarkan pengalaman masa lalu yang dapat diterima sebagai kepastian logis.
Ketidakmampuan kita untuk membuat pernyataan kategoris tentang peristiwa masa
depan tidak terbatas pada kemungkinan tetapi berlaku untuk semua ilmu. Perhatikan,
misalnya, perkembangan mekanika klasik. Diamati bahwa benda jatuh menurut pola
tertentu, dan berdasarkan bukti ini Newton merumuskan hukum mekanika dan
menggunakannya untuk memprediksi.

3
 BAB 2 AKSIOM PROBABILITAS
2.1 SET THEORY

Himpunan adalah kumpulan objek yang disebut elemen. Misalnya, "mobil,

apel, pensil" adalah himpunan yang elemennya adalah mobil, apel, dan pensil. Set
"manik-manik, ekor" memiliki dua elemen.Himpunan "1, 2, 3, 5" memiliki empat
elemen. Subhimpunan B dari himpunan A adalah himpunan lain yang elemennya
juga merupakan elemen dari A. Semua himpunan yang dipertimbangkan akan
menjadi himpunan bagian dari himpunan S, yang akan kita sebut ruang. Unsur-unsur
suatu himpunan akan diidentifikasi sebagian besar dengan huruf Yunani. Dengan
demikian.
A = {S1 ,...,Sn } berarti himpunan A terdiri dari elemen-elemen S{1} ,..., S (n)
Kita juga akan mengidentifikasi himpunan berdasarkan sifat-sifat elemennya. Dengan
demikian A={ semua bilangan bulat positif}berarti himpunan yang elemennya adalah
bilangan 1, 2, 3, .... Notasi

akan berarti bahwa S1adalah atau bukan elemen dari A. Himpunan kosong atau null
menurut definisi adalah himpunan yang tidak mengandung elemen. Himpunan ini
akan dilambangkan dengan (Ø). Jika suatu himpunan terdiri dari n elemen, maka
jumlah himpunan bagiannya sama dengan 2"
2.2 PROBABILITY SPACE
Dalam teori probabilitas, terminologi himpunan berikut digunakan: Ruang, 5
atau 2 disebut peristiwa tertentu, hasil percobaan unsur-unsurnya, dan peristiwa
himpunan bagiannya. Yang kosong himpunan (0) adalah kejadian yang mustahil, dan
kejadian (5) yang terdiri dari satu elemen 5, adalah kejadian elementer. Semua acara
akan diidentifikasi dengan huruf miring.Dalam aplikasi teori probabilitas untuk
masalah fisik, hasil percobaan identifikasi tidak selalu unik. Kami akan
mengilustrasikan ambiguitas ini dengan dari percobaan dadu seperti yang dapat
ditafsirkan oleh pemain X, Y, dan Z. X mengatakan bahwa hasil percobaan ini adalah
enam sisi dadu yang membentuk ruang S= [fi,..., fel. Ruang ini memiliki 26 = 64
himpunan bagian dan acara (genap) terdiri dari tiga hasil f2. f4, dan fo Y ingin
bertaruh pada genap atau ganjil saja. Oleh karena itu, ia berpendapat bahwa
percobaan hanya memiliki dua hasil genap dan ganjil yang membentuk ruang S =
(genap, ganjil). Ruang ini memiliki hanya 22: 4 himpunan bagian dan acara (genap)
terdiri dari satu hasil. Z bertaruh bahwa satu akan ditampilkan dan dadu akan berada
di sisi kiri meja. Dia mempertahankan, oleh karena itu, percobaan memiliki banyak
hasil yang ditentukan oleh koordinat pusatnya dan oleh enam wajah. Acara (genap)
terdiri bukan dari satu atau tiga hasil tetapi banyak tak terhingga
2.3 CONDITIONAL PROBABILITY
Probabilitas bersyarat didefinisikan sebagai kemungkinan suatu peristiwa atau
hasil terjadi, berdasarkan terjadinya peristiwa atau hasil sebelumnya. Probabilitas
bersyarat dihitung dengan mengalikan probabilitas peristiwa sebelumnya dengan
probabilitas yang diperbarui dari peristiwa berikutnya atau bersyarat.
Probabilitas bersyarat dapat dikontraskan dengan probabilitas tanpa syarat.
Probabilitas tanpa syarat mengacu pada kemungkinan bahwa suatu peristiwa akan
terjadi terlepas dari apakah peristiwa lain telah terjadi atau ada kondisi lain.
Contoh :

4
 Sebuah kotak berisi tiga bola putih w1, w2, dan w3 serta dua bola merah r, dan
r₂. Kami keluarkan secara acak dua bola berturut-turut. Berapa peluang bahwa bola
yang diambil pertama berwarna putih dan yang kedua berwarna merah? Karena kotak
tersebut berisi tiga bola putih dan dua bola merah, probabilitas kejadian tersebut. W₁ =
{putih pertama) sama dengan 3/5. Jika sebuah bola putih dikeluarkan, tersisa dua
bola putih dan dua bola merah; karenanya probabilitas bersyarat P(R₂| W₁) dari
peristiwa R₂ = [detik merah) dengan asumsi (putih pertama) sama dengan 2/4. Dari
sini dan (2-33) berikut itu P(W\R₂) = P(R₂| W₁)P(W 1)= 2/4 * 3/5 = 6/20 di mana W,
R₂ adalah kejadian.

5
 BAB 3 PERCOBAAN BERULANG
EXPERIMEN KOMBINASI
Kami diberi dua percobaan: Percobaan pertama adalah menggelindingkan dadu yang
sama.

Eksperimen kedua adalah melempar koin yang sama

Kami melakukan kedua percobaan dan kami ingin menemukan probabilitas

bahwa kami mendapatkan. "dua" di dadu dan "kepala" pada koin. Jika kita membuat
asumsi yang masuk akal bahwa hasil percobaan pertama adalah terlepas dari hasil
detik, kami menyimpulkan bahwa probabilitas yang tidak diketahui sama dengan 1/6
x 1/2. Kesimpulan ini masuk akal; namun, pengertian independensi yang digunakan
dalam derivasinya tidak sesuai dengan definisi yang diberikan pada (2-50). Dalam
definisi tersebut, kejadian A dan B adalah himpunan bagian dari ruang yang sama.
Untuk memasukkan kesimpulan ini ke dalam teori kita, oleh karena itu, kita harus
membangun sebuah ruang S yang memiliki himpunan bagian dari peristiwa "dua" dan
"manik-manik". Hal ini dilakukan sebagai berikut: Kedua eksperimen dipandang
sebagai eksperimen tunggal yang hasilnya berpasangan S11,S2. di mana S1 adalah
salah satu dari enam sisi dadu dan S2 adalah kepala atau ekor.' Hasilnya ruang terdiri
dari 12 elemen
F1h,……F6h,f1t….f6t
Pada pembahasan sebelumnya, simbol mewakili elemen tunggal dari
himpunan S. Mulai sekarang, juga akan mewakili elemen arbitrer dari himpunan 5.
Kita akan memahami dari konteks apakah elemen tertentu atau elemen S. Di ruang ini.
(dua) bukan kejadian elementer tetapi subset yang terdiri dari dua elemen
{dua} = {f2h,f2t}
Demikian pula. (kepala) adalah peristiwa dengan enam elemen {kepala 5}
={ f1h,...,f6h}
Untuk menyelesaikan percobaan, kita harus menetapkan probabilitas untuk
semua himpunan bagian dari S. Jelas, kejadian (dua} terjadi jika dadu menunjukkan
"dua" tidak peduli apa yang terlihat pada koin. Karena itu P{dua} = P1{f2} = 1/6
Demikian pula. P(kepala)= P2(h)= 1/2
Persimpangan peristiwa (dua) dan (kepala) adalah peristiwa dasar (fah). Dengan
asumsi bahwa peristiwa (dua) dan (kepala) adalah independent. Kita simpulkan
bahwa P(f{2}h) = 1/6 X 1/2 sesuai dengan kesimpulan kita sebelumnya.

Produk Cartesian
Diberikan dua himpunan S{1} dan S{2} dengan elemen masing-masing, kami
membentuk semua pasangan terurut S{1},S{2}, di mana S{1} adalah elemen S{1}
dan S{2} elemen matematika S{2} . Produk kartesius dari himpunan s{1} dan S{2}
adalah himpunan S yang semua elemennya adalah pasangan tersebut. Himpunan ini
ditulis dalam
S = S{1}XS{2}

3.2 PERCOBAAN BERNOULLI

Percobaan Bernoulli dalam probabilitas adalah percobaan acak dengan tepat dua hasil.
Contoh nyata dari percobaan Bernoulli adalah apakah hari ini akan hujan atau tidak.
Sekarang, satu-satunya hasil yang mungkin adalah Ya dan Tidak dan tidak bergantung

6
satu sama lain. Umumnya, hasil percobaan Bernoulli adalah sukses dan gagal.
Probabilitas sukses dilambangkan dengan 'p' sedangkan probabilitas kegagalan
dilambangkan dengan 1 - p = q.
Himpunan n objek berbeda dapat ditempatkan dalam beberapa urutan berbeda
membentuk permutasi. Jadi, misalnya, kemungkinan permutasi dari tiga objek a, b, c
adalah: abc, bac, bca,acb, cab, cba, (6 permutasi berbeda dari 3 objek). Secara umum,
diberikan n objek tempat pertama dapat dipilih dengan cara yang berbeda, dan untuk
setiap pilihan tempat berikutnya sisa n-1 cara, dan seterusnya. Jadi jumlah permutasi
dari n benda sama dengan n(n-1)(n-2) 3-2-1-n!.
3.3 TEOREMA BERNOULLI DAN PERMAINAN KESEMPATAN
Misalkan Anda dan teman Anda sedang bermain petak umpet. Dalam game ini, Anda
dapat mencari teman Anda secara acak. Hal ini dapat diperlakukan sebagai
eksperimen acak. Selain itu, Anda dapat menetapkan beberapa poin untuk setiap
teman Anda. Ini seperti memberi nilai pada setiap hasil percobaan. Semakin banyak
poin yang Anda miliki, semakin besar peluang Anda untuk menang. Ini seperti
variabel acak. Selanjutnya, Anda juga dapat mengelompokkan teman-teman Anda
berdasarkan beberapa sifat mereka, misalnya langsing atau sehat atau laki-laki atau
perempuan, dll. Ini seperti variabel Binomial. Pada bagian ini, kita akan mempelajari
tentang variabel acak dan distribusinya serta percobaan Bernoulli dan distribusi
binomial.

7
 BAB 4 KONSEP VARIABEL ACAK
4.1 PENGENALAN
Variabel acak adalah angka x(ʃ) yang ditetapkan untuk setiap hasil dari suatu
percobaan. Angka ini bisa berupa keuntungan dalam permainan peluang, voltase
sumber acak, biaya komponen acak, atau kuantitas numerik lainnya yang yang
menarik dalam kinerja percobaan.
Variabel acak adalah fungsi yang domainnya adalah himpunan S dari semua
hasil percobaan. Untuk lebih memperjelas konsep penting ini. kita ulas secara singkat
pengertian fungsi. Seperti yang kita ketahui, fungsi x (t) adalah aturan korespondensi
antara nilai t dan x. Nilai variabel bebas t membentuk himpunan S, pada sumbu t
disebut domain fungsi dan nilai variabel terikat x membentuk himpunan Sx pada
sumbu x disebut range fungsi. Aturan korespondensi antara t dan x dapat berupa
kurva, tabel, atau rumus, misalnya x (1) = t2
Notasi x(t) yang digunakan untuk menyatakan suatu fungsi adalah ambigu: Ini bisa
berarti angka tertentu x{t) yang sesuai dengan t tertentu, atau fungsi x(t). yaitu. aturan
korespondensi antara t mana pun di S, dan x yang bersesuaian di S. Untuk
membedakan antara dua interpretasi ini, kita akan menunjukkan yang terakhir dengan
x, membiarkan ketergantungannya pada t dipahami.
Variabel Acak
Kita diberi eksperimen yang ditentukan oleh ruang S (atau Ω), bidang
himpunan bagian dari S yang disebut kejadian, dan probabilitas yang ditetapkan untuk
kejadian ini. Untuk setiap hasil ʃ dari eksperimen ini, kami menetapkan angka x(ʃ).
Kami telah membuat fungsi x dengan domain himpunan S dan rentang himpunan
bilangan. Fungsi ini disebut peubah acak jika memenuhi syarat ringan tertentu untuk
segera diberikan.
Semua variabel acak akan ditulis dengan huruf tebal. Simbol x(ʃ) akan
menunjukkan nomor yang ditetapkan untuk hasil spesifik ʃ dan simbol x akan
menunjukkan aturan korespondensi antara setiap elemen S dan nomor yang ditetapkan
untuknya. Contoh 4-1a. x adalah tabel yang memasangkan enam sisi dari dadu dengan
enam angka 10, ... , 60. Domain dari fungsi ini adalah himpunan S = {f1, ... , f6 dan
range-nya adalah himpunan dari enam angka di atas. X(f2) adalah angka 20.
Yang Dihasilkan Oleh Random Variabel.
Dalam mempelajari variabel acak, muncul pertanyaan dengan bentuk berikut:
Berapa probabilitas bahwa variabel acak x lebih kecil dari bilangan x yang diberikan,
atau berapa probabilitas bahwa x berada di antara bilangan X1 dan X2? Jika, misalnya,
variabel acaknya adalah tinggi badan seseorang, kita mungkin menginginkan
probabilitas bahwa itu tidak akan melebihi batas tertentu. Seperti yang kita tahu.
probabilitas hanya diberikan pada peristiwa; oleh karena itu, untuk menjawab
pertanyaan-pertanyaan tersebut, kita harus mampu menyatakan berbagai kondisi yang
dikenakan pada x sebagai peristiwa.
Kita mulai dari notasi {x ≤ x }
Notasi ini merepresentasikan subhimpunan dari S yang terdiri dari semua hasil
S sehingga x(ʃ) ≤ x. Kami menyimpulkan: Misalkan variabel acak x ditentukan oleh
tabel. Di kolom kiri kita daftar semua elemen ʃi dari S dan di kanan nilai yang sesuai
(bilangan) X(ʃi) dari x. Diberi sembarang angka x, kami menemukan semua angka
X(ʃi) yang tidak melebihi x. Unsur-unsur yang bersesuaian ʃi pada kolom kiri
membentuk himpunan {x ≤ x }. Jadi {x ≤ x} bukanlah himpunan bilangan tetapi
himpunan hasil percobaan.
Arti dari

8
(x1 ≤ x ≤ x2)
Ini mirip. Mewakili subhimpunan dari S yang terdiri dari semua hasil ʃ sehingga x1 ≤
x(ʃ) ≤ x2. di mana xl dan x2 adalah dua angka yang diberikan.
Notasi
{x = x}
adalah himpunan bagian dari S yang terdiri dari semua hasil ʃ sehingga x(ʃ) = x.
Terakhir, jika R adalah himpunan bilangan pada sumbu X, maka
{x ∈ R}
menyatakan himpunan bagian dari S yang terdiri dari semua hasil ʃ sehingga x(ʃ) ∈ R.
4.2 FUNGSI DISTRIBUSI DAN DENSITAS
Unsur-unsur himpunan S (atau Ω) yang terdapat dalam peristiwa {x ≤ x} berubah
karena bilangan x mengambil berbagai nilai. Probabilitas P{x ≤ x} dari kejadian {x ≤
x}, oleh karena itu, adalah bilangan yang bergantung pada x. Angka ini dilambangkan
dengan Fx (x) dan disebut fungsi distribusi (kumulatif) dari variabel acak x.
Fungsi distribusi variabel acak x adalah fungsinya
Fx(x) = P{x ≤ x}didefinisikan untuk setiap x dari -∞ hingga ∞ .
Fungsi distribusi variabel acak x. y, dan z dilambangkan dengan Fx (x), Fy (y). dan Fz
(z), masing-masing. Dalam notasi ini. variabel x, y, dan z dapat diidentifikasi dengan
huruf apa saja. Sebagai contoh, kita dapat menggunakan notasi Fx (w), Fy (w), dan Fz
(w) untuk menyatakan fungsi-fungsi ini. Secara khusus.
Fx (w) = P{x ≤ w}
adalah fungsi distribusi dari variabel acak x. Namun, jika tidak ada rasa takut akan
ambiguitas, kami akan mengidentifikasi variabel acak yang dipertimbangkan oleh
variabel independen di (4-1) menghilangkan subskrip. Jadi fungsi distribusi dari
variabel acak x, y, dan z masing-masing akan dilambangkan dengan F(x), F(y), dan
F(z).

4.3 VARIABEL ACAK SPESIFIK

Di Lihat. 4-1 dan 4-2 kami mendefinisikan variabel acak mulai dari eksperimen yang
diketahui. Di bagian ini dan di seluruh buku ini, kita akan sering mempertimbangkan
variabel acak yang memiliki fungsi distribusi atau kerapatan tertentu tanpa mengacu
pada ruang probabilitas tertentu.
Untuk melakukannya, kita harus menunjukkan bahwa diberikan fungsi f(x) atau
integralnya
𝑥
𝑓 (𝑋) = ∫ 𝑓(𝑢)𝑑𝑢
−∞
kita dapat membangun percobaan dan variabel acak x dengan distribusi F (x) atau
kerapatan f (x). Seperti yang kita ketahui, fungsi-fungsi ini "harus memiliki sifat-sifat
berikut: ~ Fungsi f (x) harus non-negatif dan luasnya harus 1. Fungsi F (x) harus
kontinu dari kanan dan. ketika x bertambah dari -∞ ke ∞, itu harus meningkat secara
monoton dari 0 ke 1.
Bukti. Kami menganggap sebagai "ruang S kami himpunan semua bilangan real. dan
sebagai kejadiannya semua interval pada garis nyata dan penyatuan dan
perpotongannya. Kami mendefinisikan probabilitas kejadian {x ≤ x1} dengan
P {x ≤ x1 } = f (x1)
di mana F(x) adalah fungsi yang diberikan. Ini menentukan percobaan sepenuhnya.
Hasil percobaan kita adalah bilangan real. Untuk menentukan variabel acak x pada
percobaan ini. kita harus mengetahui nilainya x(x) untuk setiap x. Kita
mendefinisikan x sedemikian rupa
(x) = x

9
Jadi x adalah hasil percobaan dan nilai yang sesuai dari variabel acak x. Kita
mempertahankan bahwa fungsi distribusi dari x sama dengan F(x) yang diberikan.
Memang, peristiwa {x ≤ x1} terdiri dari semua hasil x sehingga x(x) ≤ x Maka
P{x ≤ x} = P{x ≤ x1} = F(x1)
dan karena ini benar untuk setiap x1, teorema terbukti.
Variabel Acak tipe lanjutan
DISTRIBUSI NORMAL (GAUSSIAN). Distribusi Normal (Gaussian) adalah salah
satu distribusi yang paling umum digunakan. Kami katakan tbat x adalah variabel
acak nonnal atau Gaussian dengan parameter ц dan α2 jika fungsi kerapatannya
diberikan oleh
1
Fx(x) = e-(x-ц)2 / 2α²
√2𝜋𝛼²
Ini adalah kurva berbentuk lonceng simetris di sekitar parameter ц dan fungsi
distribusinya diberikan oleh

di mana fungsinya

Gaussian p.d.f. dalam (4-25). Konstanta √2𝜋𝛼² (12 in (4-25) adalah konstanta
normalisasi yang mempertahankan luas di bawah fx (x) menjadi satu.
Ini mengikuti karena jika kita membiarkan

di mana kita telah menggunakan transformasi x = r cos ɵ, y = r sin ɵ, sehingga dx dy

= r dr dɵ dan dengan demikian Q = √2𝜋𝛼² Kasus khusus x ~ N(0, 1) sering disebut
sebagai 'Variabel acak normal standar. Distribusi normal adalah salah satu distribusi
terpenting dalam studi probabilitas dan statistik. Berbagai fenomena alam mengikuti
distribusi Gaussian. Maxwell sampai pada distribusi normal untuk distribusi

10
kecepatan molekul, di bawah asumsi bahwa densitas probabilitas molekul dengan
komponen kecepatan yang diberikan adalah fungsi dari besaran kecepatannya dan
bukan arahnya.Hagen, dalam mengembangkan teori kesalahan, menunjukkan bahwa
dengan asumsi bahwa kesalahan adalah jumlah dari sejumlah besar independen sangat
kecil kesalahan karena penyebab yang berbeda, semuanya sama besarnya.kesalahan
keseluruhan memiliki distribusi normal.Hasil ini merupakan kasus khusus dari
teorema yang lebih umum yang menyatakan bahwa dalam kondisi yang sangat umum,
batasan d distribusi rata-rata dari sejumlah variabel acak independen yang terdistribusi
secara identik adalah normal.
4.5 PENDEKATAN ASIMTOTIK UNTUK VARIABEL RANDOM BINOMIAL

Sejak koefisien binomial

tumbuh cukup pesat dengan n, sulit untuk menghitung (4-89) untuk n besar. Dalam
konteks ini, dua aproksimasi—aproksimasi normal dan aproksimasi Poisson—sangat
berguna.
Perkiraan Normal (Teorema DeMoivre-Laplace)
Misalkan n -+∞ dengan p tetap. Kemudian untuk k di lingkungan . √𝑛𝑝𝑞 dari np,
seperti yang akan kami tunjukkan di Bab. 5 [lihat (5-120) dan (5-121)], kita dapat
memperkirakan

Perkiraan penting ini, dikenal sebagai teorema DeMoivre-Laplace. dapat dinyatakan

sebagai suatu persamaan dalam limit: Perbandingan kedua sisi cenderung 1 sebagai n
-+∞. Jadi jika kl dan k2 pada (4-89) berada di dalam atau di sekitar interval (np-
√𝑛𝑝𝑞 , np+√𝑛𝑝𝑞), kita dapat memperkirakan penjumlahan dalam (4-89) dengan
integrasi fungsi kerapatan normal. Dalam hal ini, (4-89) direduksi menjadi

11
Contoh :
1. Sebuah dadu yang adil dilempar sebanyak 10 kali. Kami akan menentukan
probabilitas bahwa saya menunjukkan tiga kali. dan "genap" menunjukkan
enam kali.

12
2. Misalkan p = q = 0,5 dan Ɛ = 0,05. Pada kasus ini,

Pada tabel di bawah ini kami menunjukkan probabilitas 2G(0.1 √𝑛) - 1 bahwa
k berada di antara 0,45n dan 0,55n untuk berbagai nilai n.

3. Sebuah koin yang adil dilempar sebanyak 10.000 kali. Berapa probabilitas
jumlah kepala antara 4900 dan 5100?

Pada kasus ini n = 10,000 p = q =0.5 k1 = 4900 k2 = 5100

Karena (k2 -np)/√𝑛𝑝𝑞 = 100/50 dan (k1 - np)/√𝑛𝑝𝑞 = -100/50, kita

simpulkan dari (4-96) bahwa probabilitas yang tidak diketahui sama dengan

G(2) - G(-2) = 2G(2) - 1 = 0.9545

4. Sebuah koin yang adil dilempar 1000 kali. Carilah probabilitas Po bahwa
kepala akan muncul 500 kali dan probabilitas Pb bahwa kepala akan muncul
510 kali.

p=q =0.5 n = 1000 √𝑛𝑝𝑞 = 5√10

13
 BAB 5 FUNGSI SATU VARIABEL ACAK
5.1 THE RANDOM VARIABLE g(x)
Misalkan x adalah variabel acak dan g(x) adalah fungsi dari variabel nyata x.
Y = g(x)
adalah variabel acak baru yang didefinisikan sebagai berikut: Untuk ʃ tertentu, x(ʃ)
adalah angka dan g[x(ʃ)] adalah angka lain yang ditentukan dalam bentuk x(ʃ) dan
g(x). Angka ini adalah nilai y(ʃ) = g[x(ʃ)) ditempatkan pada variabel acak y. Jadi
fungsi dari variabel acak x adalah fungsi komposity = g(x) = g [x(ʃ)] dengan domain
himpunan S hasil percobaan. Fungsi distribusi Fy (y) dari variabel acak yang dibentuk
adalah probabilitas kejadian {y ≤ y} terdiri dari semua hasil ʃ sehingga yʃ = g[x(ʃ)] =
≤ y dengan demikian
Fy(y) = P{y ≤ y} = P{g(x) ≤ y}
Untuk y tertentu, nilai x sedemikian sehingga g (x) ≤ y membentuk himpunan pada
sumbu x yang dilambangkan dengan Ry Jelas, g[x(ʃ)] ≤ y jika x(ʃ) adalah bilangan
dalam himpunan Ry. Maka
Fy(y) = P{x ∈ Ry}
Pembahasan ini mengarah pada kesimpulan bahwa agar g(x) menjadi variabel acak,
fungsi g (x) harus memiliki sifat-sifat berikut:
1. Domainnya harus mencakup rentang variabel acak x.
2. Ini harus berupa fungsi Borel, yaitu, untuk setiap y, himpunan Ry sedemikian rupa
sehingga g(x) ≤ y harus terdiri dari gabungan dan perpotongan dari sejumlah interval
yang dapat dihitung. Hanya dengan demikian (y ≤ y} merupakan kejadian.
3. Kejadian (g(x) = ±∞} harus memiliki probabilitas nol.
5.2 DISTRIBUSI g(x)
Kita akan menyatakan fungsi distribusi Fy(y) dari variabel acak y = g(x) dalam
bentuk fungsi distribusi Fx (x) dari variabel acak x dan fungsi g(x). Untuk tujuan ini,
kita harus menentukan himpunan Ry dari sumbu x sehingga g(x) ≤ y, dan probabilitas
bahwa x ada di himpunan ini. Metode tersebut akan diilustrasikan dengan beberapa
contoh. Kecuali dinyatakan lain, diasumsikan bahwa fx(x) kontinu.
Kita mulai dengan fungsi g(x) pada Gambar 5-1. Seperti yang kita lihat dari gambar,
g(x) berada di antara a dan b untuk sembarang x. Ini mengarah pada kesimpulan
bahwa jika y ≤ b, maka g(x) ≤ y untuk setiap x, maka P{y ≤ y} = 1; jika y < a, maka
tidak ada x sehingga g(x) ≤ y, maka P{y ≤ Y} = O. Jadi

Dengan Xi dan Yi = g(xi) seperti yang ditunjukkan, kita amati bahwa g(x) ≤ yi untuk
x ≤ xi. Karena itu
Fy(yi) = P{x ≤ xi} = Fx (xi)
g(x) ≤ y2 if x ≤ x2 atau jika x2 ≤ x ≤ x2
Karena itu
Fy(y2) = P{x ≤ x2} + P{x2 ≤ x ≤ x2} = Fx(x2) + Fx(x2) - Fx(x2)
Karena {x ≤ x2} dan {x2 ≤ x ≤ x2} saling eksklusif.
5.3 MEAN DAN VARIASI
Nilai atau rata-rata yang diharapkan dari variabel acak x menurut definisinya adalah
integral.

14
 Angka ini juga akan dilambangkan dengan nx atau n
5.4 MOMEN
Kuantitas berikut menarik dalam studi variabel acak:

Catatan 1. Jika fungsi f(x) diinterplesikan sebagai kerapatan massa pada sumbu x.
maka E {x} sama dengan pusat gravitasinya, E(x2) sama dengan momen inersia
terhadap asalnya, dan α² sama dengan momen inersia. Standar deviasi α adalah jari-
jari.
2. Konstanta n dan α hanya memberikan karakterisasi terbatas dari f(x). Pengetahuan
tentang momen lain memberikan informasi tambahan yang dapat digunakan, misalnya,
untuk membedakan antara dua kerapatan yang sama n dan α. Faktanya Teori yang
mendasari dikenal dalam matematika sebagai moment problem.
3. Momen dari variabel acak bukanlah angka bitrary tetapi harus memenuhi berbagai
Ketidaksetaraan.

15
5.5 KARAKTERISTIK FUNGSI
Fungsi karakteristik dari variabel acak menurut definisinya adalah integral

Contoh Soal :
1. g(x) =ns (n - 1)S < x ≤ ns lalu y mengambil nilainya Yn = ns dengan P{y = ns}
= P{(n - 1)s < x ≤ ns} = Fx(ns) – Fx{ns - s)

Penyelesaian.
Kami berasumsi. Akhirnya. bahwa fungsi g(x) diskontinu di x = Xo dan
sedemikian hingga

2. Jika

16
3. Kurva g(x) adalah konstan untuk x ≥ -b dan X ≤ b dan dalam interval (-b, b)
kurva tersebut adalah garis lurus. Dengan y = g(x), maka Fy(Y) diskontinu
untuk Y = g(-b) = -b dan y = g(b) = b, berturut-turut. Lebih-lebih lagi.

Selanjutnya kita asumsikan bahwa g(x) adalah fungsi tangga

g(x) = g(x1) = y1 x1 – 1 ≤ x ≤ x1

Dalam hal ini, variabel acak y = g(x) bertipe diskrit dengan mengambil nilai
Y1
P {y = y1} = P {x1-1 ≤ x ≤ x1} = Fx (x1) – Fx(x1-1)

17
 BAB 6 DUA FUNGSI VARIABEL ACAK
6.1 DISTRIBUSI BIVARIAT Kita diberi dua variabel acak x dan y, didefinisikan
seperti pada Sec. 4-1, dan kami ingin tentukan statistik bersama mereka, yaitu,
probabilitas bahwa titik (x, y) ada di suatu yang ditentukan daerah D pada bidang x y.
Fungsi distribusi Fx (x) dan F,(y) dari acak yang diberikan variabel menentukan
statistik (marginal) mereka yang terpisah tetapi bukan statistik bersama mereka. Di
dalam khususnya, probabilitas kejadian.

tidak dapat dinyatakan dalam bentuk Fx (x) dan F,(y). Di sini, kami menunjukkan
bahwa statistik bersama dari variabel acak x dan y sepenuhnya ditentukan jika
probabilitas kejadian ini diketahui untuk setiap x dan y . Distribusi dan Kepadatan
Bersama Distribusi bersama (bivariat) Fx,(x,y) atau, sederhananya. F (x, y) dari dua
variabel acak x dan y adalah probabilitas kejadian

di mana x dan y adalah dua bilangan real arbitrer dan D1 adalah kuadran yang
ditunjukkan pada Gambar.
Fungsi F (x.y) sedemikian sehingga…

6.2 SATU FUNGSI DARI DUA VARIABEL ACAK

Diberikan dua variabel acak x dan y dan sebuah fungsi g(x, y). kami membentuk acak
baru variabel z sebagai z=g(x,y). Mengingat p.d.f bersama. Fxy(x,y), bagaimana cara
mendapatkan Fz (z), p.d.f. dari z? Masalah dari jenis ini menarik dari sudut pandang
praktis. Misalnya, sinyal yang diterima masuk adegan komunikasi biasanya terdiri
dari sinyal yang diinginkan terkubur dalam kebisingan, dan ini formulasi dalam hal
ini direduksi menjadi z = x + y. Penting untuk mengetahui statistik dari sinyal masuk
untuk desain penerima yang tepat. Dalam konteks ini, kita akan menganalisis masalah
dari jenis yang ditunjukkan pada Gambar Mengacu pada (6-36), untuk memulai

di mana Dz pada bidang xy menyatakan daerah di mana pertidaksamaan g(x, y) ≤ z

terpenuhi

18
Perhatikan bahwa Dz tidak perlu dihubungkan begitu saja. Dari (6-37), untuk
menentukan Fz(z) cukup mencari daerah Dr. untuk setiap z, dan kemudian
mengevaluasi integralnya. Kita akan mengilustrasikan metode ini untuk menentukan
statistik dari berbagai fungsi x dan y.
6.3 DUA FUNGSI DARI DUA VARIABEL ACAK
Dalam semangat bagian sebelumnya, mari kita lihat generalisasi langsung. Misalkan x
dan ya adalah dua variabel acak dengan joint p.d.f. Fxy(x, y). Diberikan dua fungsi
g(x, y) dan h (x, y). mendefinisikan dua variabel acak baru
z = g(x.y)
w = h(x,y)
Bagaimana seseorang menentukan p.d.f. Fzw(z, w)? Jelas dengan Fzw(z.w) di tangan,
p.d.f.s marjinal Fz(z) dan Fw(w) dapat dengan mudah ditentukan.
Di mana Dzw adalah daerah pada bidang xy sehingga pertidaksamaan g(x,y) ≤ z dan
h (x.y) ≤ w dipenuhi secara bersamaan pada Gambar.

6.4 MOMEN PENDUKUNG

Diberikan dua variabel acak x dan y dan sebuah fungsi g(x, y). kita membentuk.
variabel acak z = g(x, y). Nilai yang diharapkan dari variabel acak ini diberikan oleh

19
Namun, seperti yang ditunjukkan teorema berikutnya, E{z} dapat dinyatakan secara
langsung dalam fungsi g (x, y) dan kerapatan gabungan f (x. y) dari x dan y.

Bukti. Buktinya mirip dengan bukti (5-55). Kami menunjukkan dengan ADz wilayah
bidang xy sedemikian rupa sehingga z < g(x,y) < z + dz. Jadi untuk setiap diferensial
dalam (6-158) terdapat korespondensi suatu wilayah ∆Dz pada bidang xy. Karena dz
menutupi sumbu z, daerah ADz tidak tumpang tindih dan menutupi seluruh bidang xy.
Oleh karena itu integral dalam (6-158) dan (6-159) adalah sama.
Kami mencatat bahwa nilai yang diharapkan dari g(x) dapat ditentukan baik dari (6-
159) atau dari (5-55) sebagai integral tunggal

Hal ini konsisten dengan hubungan (6-10) antara densitas marjinal dan persendian.
Jika peubah acak x dan Y bertipe diskrit hitunglah nilai Xi dan Yk dengan
probabilitas Pik seperti pada (6-33). Kemudian

Linearitas Dari (6-159) berikut ini

Hasil mendasar ini akan digunakan secara luas. Kami mencatat secara khusus bahwa

Jadi nilai yang diharapkan dari jumlah dua variabel acak sama dengan jumlah dari
nilai yang diharapkan. Namun, kita harus menekankan. itu. secara umum.

6.5 FUNGSI KARAKTERISTIK BERSAMA

Persimpangan karakteristik bersama dari variabel acak x dan y adalah dengan definisi
integral

20
Teorema Cramer-Wold Materi yang baru saja disajikan menunjukkan bahwa jika ɸz
(w) diketahui untuk setiap a dan b. maka ɸ (w1 , w2) ditentukan secara unik. Dengan
kata lain, jika massa jenis ax + by dengan diketahui untuk setiap a dan b. maka
kerapatan kekar f(x,y) dari x dan y ditentukan secara unik.
Teorema konvolusi Jika variabel acak x dan y bebas dan z = x + y, maka

Seperti yang kita ketahui [lihat (6-43)], kerapatan z sama dengan konvoi fx(x) dan
fy(y). Dari sini dan (6-194) dapat disimpulkan bahwa fungsi karakteristik dari
konvolusi dua kerapatan sama dengan produk dari fungsi karakteristiknya.
6.6 DISTRIBUSI KONDISI
Seperti yang telah kami catat. distribusi bersyarat dapat dinyatakan sebagai
probabilitas bersyarat:

Kepadatan yang sesuai diperoleh dengan diferensiasi yang sesuai. Pada bagian ini,
kami mengevaluasi fungsi-fungsi ini untuk berbagai kasus khusus.
6.7 NILAI-NILAI YANG DIHARAPKAN BERSYARAT
Dengan menerapkan teorema (5-55) ke kerapatan bersyarat, kita memperoleh yang
bersyarat dari g(y)

ini dapat digunakan untuk menentukan momen bersyarat dari y.

Menggunakan argumen limit seperti pada (6-205). kita juga dapat menentukan rata-
rata bersyarat E {g (y) 1 x}. Secara khusus.

adalah rata-rata bersyarat dari y dengan asumsi x = x. Dan

21
 adalah varian bersyaratnya
Contoh Soal :
1. Pertama-tama kita akan menentukan distribusi bersyarat Fy (y I x ≤ x) dan
densitas Fy(yI x ≤ x).
Dengan M = {x ≤ x}

2. Menggunakan teorema Price, kita akan menurunkan (6-199). Setting g(x,y) =

x² y² menjadi (6-201). kita menyimpulkan dengan n = 1 itu

Jika ц = O, variabel acak x dan y bebas; maka 1(0) = E(x² y²) = E(X²)E(y²) dan (6-199)
hasilnya.
3. Kita akan membuat dua variabel acak Xl dan X2 dengan sifat-sifat berikut: X1.
X2, dan X1 + X2 normal tetapi X1 dan X2 tidak normal bersama.
Misalkan x dan y adalah dua variabel acak normal bersama dengan kerapatan
massa F (x, y). Menjumlahkan dan mengurangkan massa-massa kecil di daerah D
yang terdiri dari delapan lingkaran seperti yang ditunjukkan, kita memperoleh
fungsi baru F1 (x, y) = F (x, y) ± ∈ di D dan F1 (x.y) ) = f(x, y) di tempat lain.
Fungsi fl(x, y) adalah kerapatan; karenanya mendefinisikan dua variabel acak baru
X1 dan Y1. Variabel acak ini jelas tidak normal bersama. Namun, mereka sedikit
normal karena x dan y sedikit normal dan massa pada garis vertikal atau
horizontal tidak berubah. Selain itu, variabel acak Z1 = X1 + Y1 juga normal
karena Z = X + Y normal dan massa di setiap garis diagonal berbentuk z ≤ x + y
≤ z + dz tidak berubah.

22
 BAB 7 URUTAN VARIABEL ACAK
Konsep Umum
Vektor acak adalah vektor
Χ = [x1 , . . . xn ]
Dimana x1 adalah variabel acak.
Probabilitas bahwa Χ berada di wilayah D dari ruang n-dimensi sama dengan
massa probabilitas di D:

Ρ{ΧϵD} = ∫ f(X) dX Χ = [x1 , . . . , xn ]

D

Dimana :
∂n F(x1 , . . . , xn )
f(X) = f(x1 , . . . , xn ) =
∂x1 , . . . , xn
adalah kepadatan bersama (atau, multivariat) dari variabel acak x1 dan
F(X) = f(x1 , . . . , xn ) = P{xi ≤ x1 , . . . , xn ≤ xn }
adalah distribusi bersama mereka.
Jika kita mengganti dalam F(x1 , . . . , xn ) variabel tertentu dengan ∞, kita memperoleh
gabungan distribusi variabel yang tersisa. Jika kita integrasikan f(x1 , . . . , xn ) terhadap
variabel tertentu, kami memperoleh kerapatan gabungan dari variabel yang tersisa.
Misalnya
F(x1 , x3 )=F(x1 , ∞, x3 , ∞)
∞ ∞
f(x1 , . . . , x3 )=∫−∞ ∫−∞ f(x1 , x2 , x3 , x4 )dx2 dx4
TRANSFORMASI. Diberikan k fungsi
g1 ( Χ), . . . , g k ( Χ) X = [x1 , . . . , xn ]
kita membentuk variabel acak
y1 = g1 ( Χ), . . . , yk = g k ( Χ)
Statistik variabel acak ini dapat ditentukan dalam bentuk statistik X Al! di Detik. 6-3.
Jika k < n, maka pertama-tama kita dapat menentukan kerapatan sambungan dari n
acak variabel y1 , . . . yk , xk+1 , . . . , xn lalu gunakan generalisasi (7-5) untuk
menghilangkan x . Jika k > n , maka variabel acak yn+1 , . . . , yk dapat dinyatakan
dalam bentuk y1 , . . . , yn . Dalam hal ini, massa dalam ruang k adalah singular dan
dapat ditentukan dalam hal kepadatan sendi y1 , . . . yn . Oleh karena itu, cukup untuk
mengasumsikan bahwa k = n.

23
 Untuk mencari kerapatan fy (y1 , . . . yn ) vektor acak Y = [y1 , . . . , yn ] untuk a
kumpulan angka tertentu y1 , . . . , yn kita selesaikan sistemnya
g1 (X) = y1 , . . . , g 2 (X) = yn
Jika sistem ini tidak memiliki solusi, maka fy (y1 , . . . yn ) =0. Jika memiliki solusi
tunggal X = {x1 , . . . , xn } , lalu
fx (x1 , . . . xn )
fy (y1 , . . . , yn ) =
|J(x1 , . . . xn )|
Dimana
∂g1 ∂g
. . . ∂x1
∂x1 1
J(x1 , . . . , xn ) = || . . . |
|
∂g n ∂g n
. . .
∂xn ∂xn
adalah jacobian dari transformasi.
Independence :
Variabel acak x1 , . . . , xn disebut (saling) bebas jika kejadian {x1 ≤ x1 } , . . , {xn ≤ xn }
bebas. Dari sini dapat disimpulkan bahwa
F(x1 , . . . , xn ) = F(x1 ) . . . F(xn )
f(x1 , . . . , xn ) = f(x1 ) . . . f(xn )
Diberikan n variabel acak bebas xi dengan kerapatan masing-masing fi (xi ), kita cari
variabel acak
g1 ( Χ), . . . , g k ( Χ) X = [x1 , . . . , xn ]
Kami akan menentukan kepadatan bersama yk Sistem
g1 ( Χ), . . . , g k ( Χ) X = [x1 , . . . , xn ]
memiliki solusi yang unik
F(x1 , . . . , xn ) = F(x1 ) . . . F(xn )
dan jacobiannya sama dengan 1.
EKSPERIMEN INDEPENDEN DAN UJI BERULANG.
Misalkan
𝑆 𝑛 = 𝑆1 ×. . .× 𝑆𝑛
adalah eksperimen gabungan dan variabel acak 𝑥𝑖 hanya bergantung pada hasil 𝜁𝑖 ,
dari 𝑆1 :
𝑥𝑖 (𝜁1 . . . 𝜁𝑖 . . . 𝜁𝑛 ) = 𝑥𝑖 (𝜁𝑖 ) 𝑖 = 1, . . . , 𝑛

Pilihan statistik

24
Statistik lain dari variabel acak 𝑥𝑖 adalah n variabel acak 𝑦𝑘 didefinisikan sebagai
berikut: Untuk hasil tertentu ζ variabel acak 𝑥𝑖 ambil nilai 𝑥𝑖 (ζ).
𝑥𝑟1 (𝜁) ≤. . . ≤ 𝑥𝑖𝑘 (𝜁) ≤. . . 𝑥𝑟𝑛 (𝜁)
dan kami mendefinisikan variabel acak 𝑦𝑘 sedemikian rupa
𝑦1 (𝜁) = 𝑥𝑟1 (𝜁) ≤. . . ≤ 𝑦𝑘 (𝜁) = 𝑥𝑖𝑘 (𝜁) ≤. . . ≤ 𝑦𝑛 (𝜁) = 𝑥𝑟𝑛 (𝜁)
Pengukuran kesalahan
Kami mengukur objek dengan panjang 17 dengan n instrumen dengan akurasi yang
berbeda-beda. Itu hasil pengukuran adalah n variabel acak
𝑥𝑖 = 𝜂 + 𝑣𝑖 𝐸{𝑣𝑖 } = 0 𝐸{𝑣 2 𝑖 } = 𝜎 2 𝑖
di mana 𝑣𝑖 adalah kesalahan pengukuran yang kami asumsikan independen dengan
rata-rata. Kamin akan menentukan bias, varians minimum, estimasi linier n . Ini
berartiberikut: Kami ingin menemukan n konstanta αi sedemikian rupa sehingga
jumlahnya
= 𝜂 + 𝑣𝑖 𝐸{𝑣𝑖 } = 0 𝐸{𝑣 2 𝑖 } = 𝜎 2 𝑖
Kemandirian kelompok. Kita katakan bahwa grup 𝐺𝑥 dari variabel acak 𝑥1 , . . . , 𝑥𝑛
adalah bebas dari grup 𝐺𝑦 dari variabel acak 𝑦1 , . . . , 𝑦𝑘 jika
𝑓(𝑥1 , . . . , 𝑥𝑛 , 𝑦1 , . . . , 𝑦𝑘 ) = 𝑓(𝑥1 , . . . , 𝑥𝑛 , 𝑦1 , . . . , 𝑦𝑘 )
Rata-rata dan Kovarian
terhadap n variabel acak, kita simpulkan bahwa mean dari 𝑔(𝑥1 , . . . , 𝑥𝑛 ) sama
∞ ∞
∫ . . . ∫ 𝑔(𝑥1 , . . . , 𝑥𝑛 ) 𝑓(𝑥1 , . . . , 𝑥𝑛 ) 𝑑𝑥1 , . . . , 𝑑𝑥𝑛
−∞ −∞

Variabel acak
𝑛 𝑛
1 1
𝑥̅ = ∑ 𝑥𝑖 𝑣̅ = ∑(𝑥𝑖 − 𝑥̅ )2
𝑛 𝑛−1
𝑖=1 𝑖=1

adalah menurut definisi rata-rata sampel dan varians sampel. masing-masing. Dari
𝑥𝑖 . Kita harus menunjukkan bahwa. jika peubah acak 𝑥𝑖 tidak dikotilasi dengan
mean yang sama 𝐸 = {𝑥𝑖 } = 𝜂 dan varians 𝜎𝑖 2 = 𝜎 2 lalu
𝐸{𝑋̅ } = 𝜂 𝜎𝑥̅ 2 = 𝜎 2 /𝑛
Matriks Rill adalah definit non negatif. Ini berarti bahwa

𝒬 = ∑ ai aj ∗ R ij = AR n A ≥ 0
ı.j

7.2 KEPADATAN KONDISI, FUNGSI KARAKTERISTIK DAN

NORMALITAS

25
Kepadatan bersyarat dapat didefinisikan seperti dalam Sec. 6-6. Kami akan membahas
berbagai ekstensi dari persamaan f(y|x) = f(x, y)/f(x).kami menyimpulkan bahwa
kepadatan bersyarat dari variabel acak 𝑥𝑛 , . . . , 𝑥𝑘+1 𝑥𝑘 , . . . ,1 adalah diberikan oleh ,
f(𝑥1 , . . . , 𝑥𝑘 , . . . , 𝑥𝑛 )
f(𝑥𝑛 , . . . , 𝑥𝑘+1 |𝑥𝑘 , . . . , 𝑥1 ) =
f(𝑥1 , . . . , 𝑥𝑘 )
Fungsi distribusi yang sesuai diperoleh dengan integrasi:
xn xk+1
F(𝑥𝑛 , . . . , 𝑥𝑘+1 |𝑥𝑘 , . . . , 𝑥1 ) = ∫ . . . ∫ f(𝑎𝑛 , . . . , 𝑎𝑘+1 |𝑥𝑘 , . . . , 𝑥1 )dak+1 . . . dn
−∞ −∞

Fungsi Karakteristik dan Normalitas

Fungsi karakteristik vektor acak menurut definisi adalah fungsinya
1
Φ(Ω) = E{ejΩX } = E{ej(ω1 x1 +...+∞n xn ) } = Φ(jΩ)
Dimana
X = [x1 , . . . , xn ] Ω = [ω1 , . . . , ωn ]
Sebagai aplikasi, kami akan menunjukkan bahwa jika variabel acak xi adalah
independendengan kerapatan masing-masing fi (xi ) , maka kerapatan fz = z dari
jumlah mereka z = x1 +. . . +xn sama dengan konvolusi kerapatannya
fz (z) = f1 (z) ∗. . .∗ fn (z)
7-3 ESTIMASI KOTAK RATA-RATA
Masalah estimasi merupakan hal mendasar dalam aplikasi probabilitas dan akan
demikian dibahas secara rinci nanti (Bab 13). Pada bagian ini pertama kita
perkenalkan gagasan utama menggunakan sebagai ilustrasi estimasi variabel acak y
dalam kaitannya dengan variabel acak lainnya X. Sepanjang analisis ini, kriteria
optimalitas akan menjadi minimalisasi rata-rata nilai kuadrat (singkatan: MS) dari
kesalahan estimasi.
Kami mulai dengan penjelasan singkat tentang konsep yang mendasari dalam
konteks percobaan berulang, pertama-tama pertimbangkan masalah penaksiran
variabel acak y oleh a konstan.
Interpretasi frekuensi Seperti yang kita ketahui. fungsi distribusi f(x) dari acak
variabel y menentukan sepenuhnya statistiknya. Ini tidak, tentu saja, berarti bahwa
jika kita mengetahui F(x) kita dapat memprediksi nilai f(ζ) dari y pada beberapa
percobaan mendatang. Misalkan, bagaimanapun, bahwa kita ingin menaksir f(ζ) yang
tidak diketahui dengan suatu bilangan c. Seperti yang akan kita lihat nanti,
pengetahuan tentang F(y) dapat membimbing kita dalam pemilihan c.

26
 Jika diperkirakan dengan konstanta c, maka, pada percobaan tertentu.
kesalahan f(ζ) − c dan masalah kita adalah memilih e untuk meminimalkan kesalahan
ini dalam arti tertentu. Masuk akal kriteria untuk memilih c mungkin kondisi bahwa,
dalam rangkaian percobaan yang panjang, rata-rata kesalahan mendekati 0:
𝑦(𝜁1 ) − 𝑐+. . . +𝑦(𝜁𝑛 ) − 𝑐
≃0
𝑛
Contoh Soal :
Kita akan memverifikasi di atas untuk n = 2. Dalam hal ini,
𝑥1 + 𝑥2
𝑥̅ =
2
1
𝑠 2 = (𝑥1 − 𝑥̅ )2 + (𝑥1 − 𝑥̅ )2 = (𝑥 − 𝑥2 )2
2 1
Peubah acak 𝑥1 + 𝑥2 dan 𝑥1 − 𝑥2 bersifat bebas karena bersama-sama normal dan
E{𝑥1 + 𝑥2 } = 0 , 𝐸{(𝑥1 + 𝑥2 )(𝑥1 − 𝑥2 )} = 0 . Dari sini dapat disimpulkan bahwa
variabel acak 𝑥̅ dan 𝑠 2 adalah independen. Tetapi variabel acak(𝑥1 − 𝑥2 )/𝜎√2 = 𝑠/𝜎
adalah N(0, 1); maka kuadratnya 𝑠 2 /𝜎 2 adalah 𝑥 2 (1).

27
 BAB 8 STATISTIKA
Probabilitas adalah disiplin matematika yang dikembangkan sebagai model
abstrak dan kesimpulannya adalah deduksi berdasarkan aksioma. Statistik berurusan
dengan aplikasi dari teori untuk masalah nyata dan kesimpulannya adalah kesimpulan
berdasarkan pengamatan. Statistik terdiri dari dua bagian: analisis dan desain.
Analisis. atau statistik matematika, adalah bagian dari probabilitas yang
terutama melibatkan pengulangan percobaan dan peristiwa yang probabilitasnya
mendekati 0 atau 1. Hal ini mengarah pada kesimpulan bahwa dapat diterima karena
mendekati kepastian (lihat halaman 11-12). Desain, atau statistik terapan, transaksi
dengan pengumpulan data dan konstruksi percobaan yang dapat dijelaskan secara
memadai oleh model probabilistik. Dalam bab ini. kami memperkenalkan elemen
dasar matematika statistik.
Kita mulai dengan mengamati hubungan antara konsep probabilistik dan
realitas didasarkan pada perkiraan
nA
p≃
n
menghubungkan probabilitas p = p(A) dari suatu peristiwa A dengan jumlah
𝑛𝐴 dari keberhasilan A dalam η percobaan percobaan fisik yang mendasari Kami
menggunakan rumus empiris ini untuk memberikan interpretasi frekuensi relatif dari
semua konsep probabilistik. Misalnya, kami menunjukkan bahwa rata-rata 11 dari
variabel acak x dapat didekati dengan rata-rata
1
η = ∑ xi = x̅
n

dari nilai-nilai yang diamatixi dari x. dan distribusinya F(x) dengan distribusi empiris
nx
F(x) =
n

8.2 PERKIRAAN
Misalkan distribusi variabel acak x adalah fungsi F(x, θ)dari bentuk yang diketahui
tergantung pada parameter θ, skalar atau vektor. Kami ingin memperkirakan θ. Untuk
melakukannya, kami ulangi eksperimen fisik yang mendasari n kali dan kami
dilambangkan dengan xi nilai yang diamati dari x. Dengan menggunakan pengamatan
ini, kita akan menemukan estimasi titik dan estimasi interval θ.

28
 Fungsi taksiran titik θ̌ = g(X) dari vektor pengamatan X = [x1 , . . . , xn ] .
Variabel acak yang bersesuaian θ̌ = g(X) adalah penaksir titik dari θ̌. Setiap fungsi
vektor sampel X = [x1 , . . . , xn ] disebut statistik. Jadi titik estimator adalah statistik.
Kita akan mengatakan bahwa θ̌ adalah estimator tak bias dari parameter θ̌ jika
E(θ̌) = θ. Jika tidak, disebut bias dengan bias E(θ̌) = θ . Jika fungsi g(X) benar
dipilih, galat estimasi θ̌ − θ berkurang dengan bertambahnya n. Jika probabilitasnya
cenderung 0 sebagai n → ∞ , maka θ̌ disebut penaksir yang konsisten. Rata-rata
sampel x̅ dari x adalah tidak bias penaksir rata-ratanya η. Lebih-lebih lagi. variansnya
σ2 /n In cenderung 0 sebagai n → ∞. Dari ini berarti x̅ cenderung η dalam pengertian
MS, oleh karena itu, juga dalam probabilitas. Di lain kata, ηadalah penaksir yang
konsisten dari 1]. Konsistensi adalah sifat yang diinginkan; Namun. Dia adalah
konsep teoretis. Pada kenyataannya, jumlah n percobaan mungkin besar tetapi terbatas.
Oleh karena itu, tujuan estimasi adalah pemilihan fungsi g(X) yang meminimalkan
beberapa merasakan kesalahan estimasi g(X) − θ . Jika g(X) dipilih untuk
meminimalkan kesalahan MS

e = E{[g(X) − θ]2 } = ∫ [g(X) − θ]2 f(X, θ)dX

R

maka penaksir θ̌ = g(X) disebut penaksir terbaik. Penentuan terbaik estimator tidak.
secara umum, sederhana karena integral pada (8-7) tidak hanya bergantung pada
fungsi g(X) tetapi juga pada parameter yang tidak diketahui θ. Prediksi yang sesuai
masalah melibatkan integral yang sama tetapi memiliki solusi sederhana karena dalam
kasus ini, θ adalah diketahui
ESTIMASI INTERVAL
Estimasi interval dari parameter θ adalah interval (θ1 , θ2 ), yang titik akhirnya adalah
fungsi θ1 = g1 (X) dan θ2 = g 2 (X) dari vektor pengamatan X. Persamaan yang sesuai
interval acak (θ1 , θ2 ) adalah penduga interval dari θ. Kita akan mengatakan bahwa
(θ2 , θ2 ) adalah y interval kepercayaan θ jika
P{θ1 < θ < θ2 } = y

RATA-RATA
Kami ingin memperkirakan rata-rata η dari variabel acak x. Kami menggunakan
sebagai estimasi titik η nilainya
1
x̅ = ∑ xi
n

29
rata-rata sampel x̅ dari x . Untuk menemukan perkiraan interval. kita harus
menentukan distribusinya dari x . Secara umum, ini adalah masalah sulit yang
melibatkan konvolusi. Untuk menyederhanakan itu kita akan menganggap bahwa x̅
adalah normal. Ini benar jika x normal dan kira-kira benar untuk sembarang x jika n
besar (CLT).
VARIANSI YANG TIDAK DIKETAHUI.
Jika η tidak diketahui, kita tidak dapat menggunakan (8-11). Untuk memperkirakan η,
kami membentuk varians sampel
n
2
1
s = ∑(xi − x̅)2
n−1
i=1

Ini adalah estimasi tak bias dari dan cenderung ke 𝜎 2 sebagai 𝜎 2 𝑛 → ∞. Oleh karena
itu, untuk 𝑛 besar. kita dapat menggunakan pendekatan 𝑠 ≃ 𝜎
PROBABILITAS
Kami ingin memperkirakan probabilitas 𝑝 = 𝑃(𝐴) dari suatu peristiwa A. To do
jadi, kami membentuk variabel acak nol-satu 𝑥 yang terkait dengan peristiwa ini.
Seperti yang kita tahu 𝐸{𝑥} = 𝑝 dan 𝜎𝑥2 = 𝑝𝑞 . Dengan demikian pendugaan 𝑝
ekivalen dengan pendugaan rata-rata peubah acak 𝑥.
𝑝𝑞
𝑃{|𝑥̅ − 𝑝| < 𝑧𝑛 √ } = 𝑦 = 2𝑢 − 1
𝑛
Contoh Soal :
1. Kami melempar dadu 300 kali dan kami mengamati bahwa 𝑓𝑖 menunjukkan 𝑘𝑖 =
55 43 44 61 40 57 kali. Uji hipotesis bahwa dadu adil dengan 𝑎 = 0,05 e.
Dalam soal ini, 𝑃𝑂𝑖 = 1/6, 𝑚 = 6, dan 𝑛𝑃𝑖 = 50
6
(𝑘𝑖 − 50)2
𝑞=∑ = 7.6
50
𝑖=1
2
Karena 𝑋0.95 (5) = 11.07 > 7.6, kita menerima hipotesis mati-mati.
2. Di universitas tertentu, 60% dari semua siswa tahun pertama adalah laki-laki dan
75% dari semua masuk mahasiswa lulus. Kami memilih secara acak catatan dari
299 laki-laki dan 101 perempuan dan kami menemukan bahwa 168 laki-laki dan
68 perempuan lulus. Uji hipotesis bahwa peristiwa B = {laki-laki}, dan C =
{lulusan} dengan 𝑎 = 0.05. Dalam masalah ini, 𝑚 = 400, 𝑃(𝐵) = 0.6, 𝑃(𝐶) =
0.75, 𝑃𝑜𝑖 = 0.45 0.15 0.3 0.1, 𝑘𝑖 = 168 68 131 33

30
 4
(k i − 400Poi )2
q=∑ = 4.1
400Poi
i=1
2
Karena 𝑋0.95 (3) = 7.81 > 4.1, kita menerima hipotesis indenpendensi.
3. Kami memiliki daftar 500 angka desimal yang dihasilkan komputer 𝑘𝑗 dan kami
ingin mengujinya hipotesis bahwa mereka adalah sampel dari variabel acak 𝑥
terdistribusi secara merata dalam interval (0,1) . Kami membagi interval ini
menjadi 10 subinterval dengan panjang 0,1 dan kami hitung jumlah 𝑘𝑖 sampel 𝑥𝑗
yang berada di subinterval ke-i. Hasilnya adalah kj =
43 56 42 38 59 61 41 57 46 57
Dalam soal ini, 𝑚 = 500, 𝑃𝑜𝑖 = 0.1, dan
10
(k i − 50)2
𝑞=∑ = 13.8
50
𝑖=1
2
Karena 𝑋0.95 (9) = 16.9 > 13.8, kita menerima hipotesis keseragaman

31
 BAB 9 PROSES STOKASTIK
Seperti yang kita ingat, variabel acak x adalah aturan untuk menetapkan setiap
hasil ζ dari sebuah percobaan S bilangan x(ζ). Proses stokastik x(t) adalah aturan
untuk menetapkan ke setiap ζ fungsi x(t, ζ). Jadi proses stokastik adalah keluarga
fungsi waktu yang bergantung pada parameter ζ atau, ekuivalen, fungsi dari t dan ζ.
Domain dari ζ adalah himpunan semua hasil eksperimen dan domain t adalah
himpunan R bilangan real.
Jika R adalah sumbu real, maka x(t) adalah proses waktu kontinu. Jika R
adalah himpunan dari bilangan bulat, maka x(t) adalah proses waktu diskrit. Proses
waktu diskrit, dengan demikian, adalah urutan dari variabel acak. Urutan seperti itu
akan dilambangkan dengan xn , atau, untuk menghindari indeks ganda, dengan x[n].
Kita akan mengatakan x(t) adalah proses keadaan diskrit jika nilainya dapat
dihitung. Jika tidak, ini adalah proses keadaan kontinu.
Sebagian besar hasil dalam penyelidikan ini akan diutarakan dalam bentuk
waktu-berkelanjutan proses. Topik yang berhubungan dengan proses waktu diskrit
akan diperkenalkan baik sebagai ilustrasi teori umum, atau ketika versi waktu
diskritnya tidak terbukti dengan sendirinya
Kita akan menggunakan notasi x(t) untuk menyatakan penghilangan proses
stokastik, seperti pada kasus variabel acak, ketergantungannya pada ζ . Jadi x(t)
memiliki interpretasi .
1. Ini adalah ansambel dari fungsi x(t, ζ) . Dalam interpretasi ini, t dan ζ adalah
variabel.
2. Ini adalah fungsi waktu tunggal (atau sampel dari proses yang diberikan). Dalam
hal ini, t adalah a variabel dan ζ adalah tetap.
3. Jika t tetap dan ζ adalah variabel, maka x(t) adalah variabel acak yang sama
dengan keadaan dari proses yang diberikan pada waktu t.
4. Jika t dan ζ tetap, maka x(t) adalah bilangan.
Contoh fisik dari proses stokastik adalah gerakan partikel mikroskopis
bertabrakan dengan molekul-molekul dalam cairan (gerakan brown). Hasil proses x(t)
terdiri dari gerakan semua partikel (ensemble). Realisasi tunggal x(t, ζi )dari ini proses
(Gbr. 9-la) adalah gerakan partikel tertentu (sampel). Contoh lain adalah tegangan
x(t) = r cos(ωt + φ)
Statistik Proses Stokastik

32
Proses stokastik adalah variabel acak tak terhingga yang tidak dapat dihitung, satu
untuk setiap t. Untuk t tertentu, x(t) adalah variabel acak dengan distribusi
F(x, t) = P{x(t) ≤ x}
Mean
Rata-rata η(t) dari x(t) adalah nilai yang diharapkan dari variabel acak x(t):
∞
η(t) = E{x(t)} = ∫ xf(x, t)dx
−∞

Contoh Soal :
1. Misalkan x(t)adalah proses dengan
η(t) = 3 R(t1 , t 2 ) = 9 + 4e−2.0|t1 −t2 |
Kami akan menentukan rata-rata, varians, dan kovarians dari acak variabel
z = x(5) dan w = x(8).
Jelas, E{z} = η(5) = 3 dan E{w} = η(8) = 3. Selanjutnya,
E{z}2 = R(5,5) = 13 E{w}2 = r(8.8) = 13
E{zw} = R(5,8) = 9 + 4e−0.6 = 11.195
Jadi z dan w memiliki varians yang sama σ2 = 4 dan kovariansnya sama
C(5,8) = 4e−0.6 = 2.195
2. Misalkan x(t) adalah proses normal dengan
η(t) = 3 C(t1 , t 2 ) = 4e−0.2|t1 −t2 |
a. Tentukan probabilitas bahwa x(5) ≤ 2.
Jelas. x(5) adalah variabel acak normal dengan mean η(5) = 3 dan varians
C(5,5) = 4. Jadi
P{x(5) ≤ 2} = G(− 1⁄2) = 0.309
b. Tentukan probabilitas bahwa |𝑥(8) − 𝑥(5)| ≤ 1
Selisih s = x(8) − x(5) adalah variabel acak normal dengan rata-rata η(8) −
η(5) = 0 dan varians
C(8,8) + C(5,5) − 2C(8,5) = 8(1 − e−0.6 ) = 3.068
Karena itu
P{|x(8) − x(5)| ≤ 1} = 2G(1⁄1.9) − 1 = 0.4

33
 BAB 10 BERJALAN ACAK DAN APLIKASI LAINNYA
Pertimbangkan urutan variabel acak independen yang mengasumsikan nilai +1 dan -1
dengan probabilitas p dan q = 1 - p, masing-masing, Contoh alaminya adalah barisan
dari percobaan Bernoulli Xlt X2, ... , 𝑋𝑛 , ... dengan probabilitas keberhasilan sama
dengan p di setiap percobaan. Dimana Xi = + 1 jika percobaan ke-k berhasil dan Xk =
-1 jika tidak. Biarkan Sft menunjukkan jumlah sebagian.

Yang mewakili akumulasi kelebihan positif atau negatif pada percobaan ke-n. Secara
acak model berjalan, partikel mengambil satu unit langkah naik atau turun secara
berkala dan 𝑆𝑛 mewakili posisi partikel pada langkah ke-n Jalan acak dikatakan
simetris jika p = q = 1/2 dan tidak simetris jika p ≠q. Banyak fenomena "kehidupan
nyata" dapat dimodelkan dengan tepat menggunakan jalan acak. Gerak molekul gas
dalam proses difusi, fenomena kebisingan termal, dan variasi nilai saham dari saham
tertentu seharusnya bervariasi sebagai akibat dari benturan/kejadian berturut-turut dari
beberapa jenis impuls acak. Secara khusus. model ini akan memungkinkan kita untuk
mempelajari perilaku jangka panjang dari serangkaian pengamatan individu yang
berkepanjangan. Dalam konteks ini, kejadian berikut dan probabilitasnya menjadi
perhatian khusus. Dalam n langkah berturut-turut, "kembali ke asal (atau nol)" yang
mewakili kembalinya

jalan acak ke titik awal adalah peristiwa penting karena proses dimulai dari awal lagi
sejak saat itu dan seterusnya. Secara khusus, acara ''pertama kembali ke semula,"
Selain itu, jumlah perubahan tanda (zero crossings), level maxima dan minima dan
probabilitas yang sesuai juga sangat menarik. Untuk menghitung probabilitas kejadian

34
ini, misalkan [5" = r} menyatakan kejadian " tahap n, partikel berada di titik r ," dan
Pn,r probabilitasnya.

DImana k mewakili jumlah keberhasilan dalam n percobaan dan n - k jumlah

kegagalan. Tapi keuntungan bersih.

atau k = (n + r)/2, sehingga

di mana koefisien binomial dianggap nol kecuali (n + r) /2 adalah bilangan bulat

antara 0 dan n, keduanya inklusif. Perhatikan bahwa n dan r harus ganjil ox genap
bersama-sama. Kembali ke asal. Jika akumulasi jumlah keberhasilan dan kegagalan
sama tahap n, maka 511 = 0, dan jalan acak telah kembali ke asal. Dalam hal ini r =
0dalam (10-3) atau n = 2k sehingga n harus genap, dan probabilitas kembali pada
percobaan ke 2 diberikan oleh

dengan Uo = 1. Alternatifnya

sehingga fungsi pembangkit momen dari barisan {U2n} diberikan oleh

Karena U(l) = , barisan (U2n} pada (10-6) tidak mewakili distribusi

probabilitas.Pada kenyataannya, untuk p = q = 1/2, kita memperoleh U(1) =

35
 , dan dari bagian kedua dari lemma Borel-Cantelli di (2-70) . kembali ke
keseimbangan terjadi berulang kali atau sering tak terhingga.
Proses Wiener
Untuk mempelajari perilaku pembatas jalan acak sebagai , misalkan T
mewakili durasi
dari sebuah langkah. Kemudian

mewakili jalan acak masuk (10-1). Biarkan ukuran langkah yang dimodifikasi
menjadi s, sehingga variabel acak independen Xi dapat mengambil nilai ±s, dengan E

{Xi} = . Dari ini

itu mengikuti

Seperti yang kita tahu. jika n besar dan k berada di sekitar √𝑛𝑝𝑞 dari np, maka

Dengan p = q = 0,5 dan m = 2k - n berikut ini

Gerak Brown
Istilah gerak brown digunakan untuk menggambarkan gerakan partikel dalam cairan,
mengalami benturan dan gaya lainnya. Secara makroskopik, posisi X(I) partikel dapat
dimodelkan sebagai proses stokastik yang memenuhi persamaan diferensial orde
kedua:

36
Proses Wiener
Sekarang kita asumsikan bahwa suku percepatan mx” (t) dari sebuah partikel dalam
gerak bebas kecil dibandingkan dengan suku gesekan fx’(t); ini adalah kasus jika
saya» mIt. Dengan mengabaikan istilah mr'(t), kita menyimpulkan bahwa

Kebisingan Termal
Derau termal adalah distribusi tegangan dan arus dalam jaringan karena termal agitasi
elektron. Berikut ini, kami membahas sifat statistik kebisingan termal mengabaikan
fisika yang mendasarinya. Analisis didasarkan pada model yang terdiri dari noiseless
elemen reaktif dan resistor berisik.
Resistor berisik dimodelkan oleh resistor tanpa suara R secara seri dengan sumber
tegangan De(t) atau paralel dengan sumber arus ni(t) = De (t)/ R seperti pada Gambar
10-4. Diasumsikan bahwa ne(t) adalah proses normal dengan rata-rata nol dan
spektrum fiat

CONTOH

Rangkaian Gambar 10-5 terdiri dari resistor R dan kapasitor C. Kita akan menentukan
spektrum dokter hewan tegangan) melintasi kapasitor karena kebisingan termal.
Tegangan dokter hewan) dapat dianggap sebagai output dari sistem dengan masukan
kebisingan

37
tegangan ne(t) dan fungsi system

Kita Memperoleh

Konsekuensi berikut adalah ilustrasi teorema Nyquist yang akan dibahas saat ini
menunjukkan dengan Z(s) impedansi melintasi terminal a dan b dan dengan z(t) nya
transformasi terbalik

The function z(t) is the voltage across C due to an impulse current , we obtain

Teorema Nyquist
Spektrum daya v(t) sama

Bukti. Kita akan mengasumsikan bahwa hanya ada satu resistor dalam jaringan.
Kasus umum bisa ditetapkan serupa jika kita menggunakan independensi sumber
kebisingan. Resistor diwakili oleh resistor tak bersuara secara paralel dengan sumber
arus III (t) dan jaringan yang tersisa berisi hanya elemen reaktif (babi 10-7 a). Dengan
demikian vet) adalah keluaran dari suatu sistem dengan masukan III (I) dan system
fungsi H(w). Dari teorema timbal balik, H(w) = V (tu)/ /(w) di mana l(tu) adalah
amplitudo gelombang sinus dari a ke b (Gambar 10-7b) dan V(tu) adalah amplitudo
tegangan melintasi R. Daya input sama dengan II (tu)12 Re Z(jtu) dan daya dikirim ke
resistansi sama dengan I V (tu) 12/ R. Karena jaringan penghubung dengan asumsi
lossless, kami menyimpulkan bahwa

Karena itu

38
Dan memperoleh

Menggabungkan Poisson Proses

Setiap cluster didasarkan pada sejumlah kejadian acak yang tidak bergantung pada
cluster lain. Biarkan Cj menunjukkan jumlah kejadian di cluster ke-i. dan x(t) jumlah
total kejadian dalam interval (0, t). Maka x(t) menyatakan ~ proses Poisson majemuk.
Misalnya, CI dapat mewakili jumlah mobil yang terlibat dalam kecelakaan mobil ke-i
(atau jumlah rumah yang terlibat dalam insiden kebakaran ke-i) di beberapa interval,
dan jika jumlah kecelakaan (kebakaran) dalam interval tersebut diasumsikan a proses
Poisson. maka jumlah klaim selama interval tersebut memiliki senyawa Distribusi
possion.

mewakili fungsi massa probabilitas umum dari kejadian di cluster mana pun, dan

Modulasi
Diberikan dua proses WSS nyata bersama aCt) dan b(t) dengan rata-rata nol dan
konstanta .
kita membentuk proses

Dimana

Proses ini disebut modulasi dengan modulasi amplitudo ret) dan modulasi fase
Kami akan menunjukkan bahwa x(t) adalah WSS jika proses aCt) dan taruhan)
sedemikian rupa

39
Teorema WoodWards
Jika proses c(t) kontinu dan densitasnya fc(c) dibatasi, maka untuk besar

Bukti. Jika τ0 cukup kecil, maka c(t) c(O), dan

40
 BAB 11 SPREKRAL PERWAKILAN
FAKTORISASI DAN INOVASI
Pada bagian ini, kami mempertimbangkan masalah merepresentasikan proses WSS
nyata X(t ) sebagai tanggapan sistem fase minimum L(s) dengan input proses derau
putih i(t). Istilah fase-minimum memiliki arti sebagai berikut: Sistem L(s) bersifat
kausal dan respons impulsnya. l(t) memiliki energi terbatas; sistem res) = l/L(s)
adalah kausal dan respon impuls memiliki energi yang terbatas. Jadi sistem L(s)
adalah fase minimum jika fungsi L(s) dan 1/L(s) adalah analitik pada bidang sebelah
kanan Re s > O. Proses x(t) yang bisa direpresentasikan akan disebut reguler. Dari
definisi tersebut dapat disimpulkan bahwa X(t) adalah proses reguler jika secara linier
ekuivalen dengan proses white-noise l(t)

Hal ini menunjukkan bahwa spektrum daya S(s) dari proses reguler dapat ditulis
sebagai produk

fungsi L(s) akan disebut filter inovasi dari X(I) dan kebalikannya r(s) whitenin8
penyaring X(I). Proses I(t) akan disebut inovasi dari x(t). Ini adalah output dari filter
L(s) dengan masukan X(I). Masalah penentuan fungsi L(s) dapat diutarakan sebagai
berikut: Diberikan fungsi genap positif S(𝜔) dengan luas berhingga, tentukan fungsi
fase minimum L(s) sehingga IL(j𝜔)12 = Menjahit). Dapat ditunjukkan bahwa
masalah ini memiliki solusi jika S(𝜔) memenuhi.

41
Kondisi Paley-Wiener

Kondisi ini tidak terpenuhi jika S(𝜔) terdiri dari garis, atau, lebih umum, jika berupa
pita· terbatas. Seperti yang kami tunjukkan nanti, proses dengan spektrum seperti itu
dapat diprediksi. Secara umum, Masalah pemfaktoran S( 𝜔 ) seperti pada (11-3)
tidaklah sederhana. Berikut ini. kita membahas sebuah kasus khusus yang penting.
Spektrum rasional adalah rasio dua polinomial di 𝜔2 karena

Ini menunjukkan bahwa jika Sj adalah akar (nol atau kutub) dari S(s), -SI juga
merupakan akar. Selanjutnya, semua akar adalah konjugat nyata atau kompleks. Dari
sini dapat disimpulkan bahwa akar dari S(s) simetris terhadap sumbu jw (Gbr. 11-2a).
Oleh karena itu mereka "dapat dipisahkanmenjadi dua kelompok: Kelompok "kiri"
terdiri dari semua akar SI dengan Re SI < 0, dan kelompok "kanan" grup terdiri dari
semua r90ts dengan Re SI > O. Faktor fase minimum L(s) dari S{s) adalah rasio dua
polinomial yang dibentuk dengan akar kiri S{s):

Contoh 1

42
Contoh 2

Contoh 3

Proses Waktu Diskrit

Sistem waktu diskrit adalah fase minimum jika fungsi sistemnya L(z) dan
kebalikannya r(z) = I/L(z) adalah analitik di bagian luar Izl > 1 lingkaran satuan.
Digital WSS nyata proses x[n] beraturan jika spektrumnya S(z) dapat ditulis sebagai
produk

Dilambangkan dengan l[n] dan y[n], masing-masing, respons delta dari L(z) dan r(z).
kami menyimpulkan bahwa proses reguler x[n] setara secara linier dengan proses
white-noise

43
Proses i[n] adalah inovasi dari x[n] dan fungsi L(z) filter inovasinya. Filter pemutih
dari x[n] adalah fungsi r(z) = l/L(z). Dapat ditunjukkan bahwa spektrum daya S(eieo)
dari suatu proses x[n] dapat difaktorkan seperti pada (11-6) jika memenuhi kondisi
Paley-Wiener

Spektrum daya S 𝑒 𝑗𝜔 dari proses nyata adalah fungsi dari COS 𝜔(𝑒 𝑗𝜔 + 𝑒 −𝑗𝜔 )/2.
Dari sini dapat disimpulkan bahwa S(z) adalah fungsi dari z + l/z. Oleh karena itu, Zi
adalah akar dari S(z). II Zi juga merupakan akar. Dengan demikian kami
menyimpulkan bahwa akar dari S(z) simetris terhadap lingkaran satuan karenanya
dapat dipisahkan menjadi dua kelompok: Kelompok "dalam" terdiri dari semua akar
Zi sehingga IZi I < 1 dan grup "luar" terdiri dari semua akar sehingga IZi I > 1. Faktor
fase minimum L(z) dari S(z) adalah rasio dari dua polinomial yang terdiri dari akar
dalam dari S(z)

Contoh

SISTEM HINGGA-ORDER DAN VARIABEL KEADAAN

Di bagian ini. kami mempertimbangkan sistem yang ditentukan dalam bentuk
persamaan diferensial atau persamaan rekursi. Sebagai persiapan. kami meninjau
secara singkat arti dari sistem orde terbatas dan variabel keadaan yang dimulai dengan
kasus analog. Sistem yang dipertimbangkan adalah multiterminal dengan input m Xi(t)
dan r output Yi(l) membentuk vektor kolom X(t) = [Xi (t)] dan belum) = [y jet)].
Pada waktu tertentu t = tl> output belum) dari suatu sistem pada umumnya ditentukan
hanya jika masukan X(t) diketahui untuk setiap t. Jadi, untuk menentukan belum)
untuk t > 10, kita harus tahu X(t) untuk t > ke dan untuk t ::: ke. Untuk kelas sistem
tertentu, ini tidak diperlukan. Nilai dari yet) untuk t > to ditentukan secara lengkap
jika kita mengetahui }f(t) untuk t > to dan. Selain itu. nilai dari sejumlah parameter
yang terbatas. Parameter ini menentukan "keadaan" sistem pada waktu t = to dalam

44
arti bahwa nilainya menentukan efeknya dari t masa lalu < ke dari X(t) di masa depan
t > ke dari Y(t). Nilai parameter ini bergantung pada; mereka. oleh karena itu, fungsi
Zi (t) dari t. Fungsi-fungsi ini disebut keadaan variabel. Banyaknya n variabel
keadaan disebut orde sistem. Vektor

disebut vektor keadaan; vektor ini tidak unik. Kami akan mengatakan bahwa
sistemnya nol keadaan pada t = 0 jika Z(t0) = 0
Sistem Waktu Diskrit

di mana k adalah waktu diskrit, X[k] vektor masukan, Y[k] vektor keluaran, dan Z[k]
vector vektor negara. Sistem dikatakan stabil jika nilai eigen Zi dari matriks A nxn
adalah demikian bahwa IZi I < 1. Hasil sebelumnya dapat dengan mudah diperluas ke
sistem digital. Catatan, dikhususnya, bahwa fungsi sistem dari S adalah transformasi z

dari matriks respons delta

SERI FOURIER DAN EKSPANSI KARHUNEN-LOEVE

Suatu proses x(t) adalah MS periodik dengan periode T jika E{lx{t + T) - X(𝑡)2 } = 0
untuk semua t. Proses WSS adalah MS periodik jika autokorelasi R(r) periodik
dengan periode T = 21r/Wo Memperluas R(r) menjadi deret Fourier, diperoleh

Diberikan proses periodik WSS x(t) dengan periode T. kita membentuk penjumlahan

Ekspansi Karhunen-Loeve
Deret Fourier adalah kasus khusus dari perluasan proses x(t) menjadi deret bentuk

45
di mana 𝜑𝑛 (t) adalah himpunan fungsi ortonormal dalam interval (0, T);

dan koefisien 𝑐𝑛 adalah variabel acak yang diberikan oleh

46
 BAB 12 SPEKTRUM PERKIRAAN

Masalah utama dalam penerapan proses stokastik adalah estimasi berbagai

parameter statistik dalam kaitannya dengan data riil. Sebagian besar parameter
dapat dinyatakan sebagai nilai yang diharapkan dari beberapa fungsi proses x(t).
Masalah estimasi rata-rata dari suatu proses x(t) tertentu, oleh karena itu,
merupakan inti dari penyelidikan ini. Kita mulai dengan ini masalah.
Fora spesifik t, x(t) adalah variabel acak; artinya n(t) = E{x(t)} bisa, oleh karena
itu. diperkirakan seperti pada Bagian 8-2: Kami mengamati n sampel x(𝑡, 𝑡𝑡) of
x(t) dan gunakan sebagai perkiraan titik E{x(t)} rata-rata

Seperti yang kita tahu ,𝑡(t) adalah perkiraan konsisten 𝑡(t); namun, ini hanya
dapaTdigunakan jika sejumlah besar realisasi x(𝑡, 𝑡𝑡) dari x(t) tersedia.
Dalam banyak aplikasi, kita hanya tahu satu sampel x(t). Bisakah kita kemudian
memperkirakan 1}(t) dalam tenn dari rata-rata waktu sampel yang diberikan? Ini
tidak mungkin jika E (x(t)} tergantung pada t. Namun, jika x(t) adalah proses
stasioner reguler, rata- rata waktunya cenderung E (x(t)} karena panjang sampel
yang tersedia cenderung ∞. Ergodicity adalah topik yang berhubungan dengan
teori yang mendasarinya.
Proses Mean-Ergodic
Kami diberi proses stasioner areal X(I) dan kami ingin memperkirakan rata-ratanya
𝑡 = E{x(t)}. Untuk tujuan ini, kami membentuk rata-rata waktu

Oearly, 𝑡 T adalah variabel acak dengan rata-rata

Sehingga 𝑡T adalah penaksir yang tidak memihak 𝑡. Jika variansnya 𝑡2 𝑇

→ 0 𝑡𝑡 𝑡 → ∞, 𝑡ℎ𝑡𝑡 η T → dalam arti MS. Dalam hal ini, rata-rata waktu

𝑡T (𝑡) dihitung dari satu realisasi x(1) dekat dengan ." dengan probabilitas
mendekati 1. Jika ini benar, kita akan mengatakan bahwa proses X(I) adalah

47
mean-ergodic. Dengan demikian suatu proses x(t) adalah mean-ergodic jika rata-
rata waktunya 𝑡Tcenderung ke rata-rata ansambel 𝑡 sebagai T ∞.
Untuk menetapkan ergodicity suatu proses, cukup untuk menemukan 0T dan
untuk memeriksa kondisi di mana sebagai 𝑡T ⟶0 𝑡𝑡 𝑡 ⟶∞. Seperti yang
ditunjukkan oleh Contoh 12-1 dan 12-2, tidak semua pr ~ ses adalah mean-
ergodic. Suppose that c is a random variable with mean 17e and

Dalam hal ini, x(t) adalah keluarga garis lurus dan liT = C. Untuk sampel tertentu,
𝑡T (𝑡)= c(𝑡) adalah konstanta yang berbeda dari 𝑡 jika c(𝑡) ≠ η . Oleh karena
itux(t) tidak berarti-ergodik.
Mengingat dua proses mean-ergodic X1 (t) dan X2(t) dengan arti 𝑡 1 dan 𝑡 2,
kitamembentuk jumlah

di sini c adalah variabel acak yang independen dari X2 (t) mengambil nilai 0 dan

1denganproba bility 0,5. Jelas.

𝑇 (t) dan 𝑡T⟶η1 sebagai T⟶∞ .

Jika c(𝑡) = 0 untuk (𝑡) tertentu, maka x(t) = X1
Jika c(𝑡) = 1 untuk 𝑡 yang lain, maka x(t) = XI (t) + X2(t) dan 𝑡T⟶η1 sebagai
T⟶ ∞. Oleh karena itu X(I) tidak berarti-ergodik. VARIANS. Untuk
menentukan varians 𝑡2 . dari rata-rata waktu 𝑡T of x(t), kita mulai dengan
pengamatan bahwa

adalah rata-rata bergerak dari x(t). Seperti yang kita ketahui, (wt) adalah output
dari sistem linier dengan input x(t) dan dengan respons impuls pulsa yang berpusat
padat = 0. Oleh karena itu (wt) diam dan autokovariansnya sama dengan

di mana C(𝑡) adalah autocovariance of x(t) [lihat (9-155)]. Karena 𝑡2 =

𝑇 Varw(O) =
Cww(O) dan C(-a) = C(a), ini menghasilkan

48
Hasil mendasar ini mengarah pada kesimpulan berikut: Proses x(t) dengan
variansautocoC(𝑡) adalah mean-ergodic iff

Penentuan varians 𝑡T berguna tidak hanya dalam menetapkan ergodicity X(t)

tetapi juga dalam menentukan interval kepercayaan untuk perkiraan 𝑡T dari 𝑡.
Memang, dari ketidaksetaraan Tchebycheff dapat disimpulkan bahwa probabilitas
bahwa 𝑡T yang tidak diketahui dalam interval 𝑡T ± 10 𝑡𝑡 lebih besar dari 0,99
[lihat (5·88)]. Oleh karena itu 𝑡T adalah perkiraan yang memuaskan dari η jika T
sedemikian rupasehingga 𝑡𝑡 « 𝑡.

49
 BAB 13 MEAN SQUARE ESTIMATION
Mean Square Estimation adalah metode yang digunakan untuk mengestimasi nilai
parameter dalam suatu proses stokastik dengan menggunakan rata-rata kuadrat galat
antara nilai parameter yang diestimasi dan nilai parameter yang sebenarnya. Metode
ini sangat berguna dalam banyak aplikasi, seperti pengolahan sinyal, teori informasi,
dan analisis data.
Salah satu bentuk penerapan Mean Square Estimation adalah Least Square Estimation
(LSE), di mana parameter yang diestimasi diperoleh dengan mencari nilai parameter
yang meminimalkan rata-rata kuadrat galat antara nilai parameter yang diestimasi dan
nilai parameter yang sebenarnya. Metode ini sangat populer dan sering digunakan
dalam berbagai aplikasi, seperti regresi linear, pengolahan sinyal, dan teori kontrol.
Selain itu, Mean Square Estimation juga dapat digunakan untuk mengestimasi
parameter dalam proses stokastik non-linier, seperti filter Kalman dan filter partikel.
Dalam kedua metode tersebut, Mean Square Estimation digunakan untuk
mengestimasi nilai parameter yang tidak diketahui dalam model stokastik yang
kompleks.
Namun, Mean Square Estimation juga memiliki beberapa kelemahan, seperti
sensitivitas terhadap nilai outliers dan asumsi bahwa kesalahan pengukuran memiliki
distribusi normal. Oleh karena itu, dalam beberapa kasus, metode alternatif, seperti
Maximum Likelihood Estimation (MLE) dan Bayesian Estimation, lebih disukai.
Dalam keseluruhan, Mean Square Estimation adalah konsep yang penting dalam teori
probabilitas dan proses stokastik, dan memiliki banyak aplikasi dalam berbagai
bidang ilmu, seperti pengolahan sinyal, teori informasi, dan analisis data.
Mean Square Estimation juga dapat digunakan untuk mengestimasi parameter dalam
model ARMA (Autoregressive Moving Average). Model ARMA adalah model
stokastik yang umum digunakan dalam analisis deret waktu dan pengolahan sinyal,
dan memiliki banyak aplikasi dalam berbagai bidang, seperti ekonomi, keuangan, dan
meteorologi.
Dalam model ARMA, Mean Square Estimation digunakan untuk mengestimasi
parameter AR (autoregressive) dan MA (moving average) dalam model. Estimasi ini
dapat dilakukan dengan menggunakan algoritma seperti Yule-Walker dan Maximum
Likelihood Estimation (MLE).
Selain itu, Mean Square Estimation juga dapat digunakan untuk mengestimasi
parameter dalam model ARIMA (Autoregressive Integrated Moving Average). Model
ARIMA adalah pengembangan dari model ARMA dengan tambahan komponen
differencing yang digunakan untuk menangani tren dan sinyal non-stasioner.
Dalam model ARIMA, Mean Square Estimation digunakan untuk mengestimasi
parameter AR, MA, dan parameter differencing dalam model. Estimasi ini dapat
dilakukan dengan menggunakan algoritma seperti Box-Jenkins dan Maximum
Likelihood Estimation (MLE).
Dalam keseluruhan, Mean Square Estimation adalah metode yang sangat penting
dalam teori probabilitas dan proses stokastik, dan memiliki banyak aplikasi dalam
berbagai bidang ilmu, seperti pengolahan sinyal, teori informasi, analisis data, dan
analisis deret waktu.
Dalam Mean Square Estimation, selain Least Square Estimation (LSE), terdapat juga
metode Estimasi Minimum Variance (Minimum Variance Estimation atau MVE).
Metode ini menggunakan prinsip minimum variance untuk mengestimasi parameter
dalam proses stokastik. Dalam MVE, parameter yang diestimasi adalah parameter
yang memberikan varian estimasi yang paling kecil.

50
Metode MVE dapat digunakan untuk mengestimasi parameter dalam berbagai model
stokastik, seperti model ARMA dan model ARIMA. Metode ini juga digunakan
dalam pemrosesan sinyal, teori kontrol, dan pengolahan citra.
Selain itu, ada juga metode Estimasi Maximum Likelihood (Maximum Likelihood
Estimation atau MLE), yang menggunakan prinsip likelihood untuk mengestimasi
parameter dalam proses stokastik. Metode ini mencari nilai parameter yang
memberikan kemungkinan terbesar atau likelihood terbesar dari data yang diamati.
MLE juga digunakan dalam berbagai model stokastik, seperti model ARMA dan
model ARIMA.
Namun, MLE seringkali lebih sulit diimplementasikan dibandingkan dengan metode
Least Square Estimation (LSE) atau Estimasi Minimum Variance (MVE), terutama
pada model stokastik yang kompleks. Selain itu, MLE juga memiliki asumsi yang
ketat, seperti distribusi normal dari kesalahan pengukuran. Oleh karena itu, MLE
sering digunakan sebagai metode alternatif dalam kasus-kasus tertentu.
Dalam keseluruhan, metode Mean Square Estimation, termasuk LSE, MVE, dan MLE,
adalah konsep yang sangat penting dalam teori probabilitas dan proses stokastik, dan
memiliki banyak aplikasi dalam berbagai bidang ilmu, seperti pengolahan sinyal, teori
informasi, analisis data, analisis deret waktu, dan teori kontrol.
Selain itu, Mean Square Estimation juga dapat digunakan dalam analisis spektral.
Analisis spektral digunakan untuk mengukur distribusi frekuensi dalam sinyal
stokastik, seperti deret waktu. Dalam analisis spektral, spektrum daya (power
spectrum) dari sinyal stokastik didefinisikan sebagai transformasi Fourier dari fungsi
korelasi sinyal.
Mean Square Estimation dapat digunakan untuk memperkirakan spektrum daya dari
sinyal stokastik dengan menggunakan metode Periodogram. Metode ini merupakan
estimasi non-parametrik yang tidak memerlukan asumsi terhadap bentuk model sinyal
stokastik. Namun, metode Periodogram memiliki kelemahan dalam mengestimasi
spektrum daya pada frekuensi yang rendah.
Untuk mengatasi kelemahan tersebut, dapat digunakan metode estimasi parametrik,
seperti metode Prony atau metode AR. Metode Prony menggunakan pendekatan
eksponensial untuk mengestimasi frekuensi dan amplitudo dari komponen sinyal
stokastik, sedangkan metode AR mengasumsikan bahwa sinyal stokastik dapat
didekomposisi menjadi model autoregresif dengan orde tertentu.
Dalam keseluruhan, Mean Square Estimation adalah konsep yang sangat penting
dalam teori probabilitas dan proses stokastik, dan memiliki banyak aplikasi dalam
berbagai bidang ilmu, seperti pengolahan sinyal, teori informasi, analisis data, analisis
deret waktu, teori kontrol, dan analisis spektral.
Selain itu, Mean Square Estimation juga dapat digunakan dalam analisis sistem
stokastik. Sistem stokastik adalah sistem yang menghasilkan keluaran yang
bergantung pada input dan suatu sinyal acak atau noise. Contoh sistem stokastik
adalah sistem pengukuran, sistem komunikasi, dan sistem kontrol.
Dalam analisis sistem stokastik, Mean Square Estimation dapat digunakan untuk
mengestimasi parameter dalam model sistem stokastik. Metode ini dapat digunakan
untuk mengidentifikasi parameter dalam model ARMA, model ARIMA, dan model
autoregresi dengan moving average (ARMA) yang lebih kompleks.
Selain itu, Mean Square Estimation juga dapat digunakan dalam desain sistem kontrol
stokastik. Desain kontrol stokastik melibatkan penggunaan informasi dari sinyal acak
atau noise dalam mengendalikan suatu sistem. Metode ini seringkali digunakan dalam
sistem kontrol industri, seperti sistem pengendalian mesin, sistem pengendalian
kualitas, dan sistem pengendalian proses manufaktur.

51
Dalam keseluruhan, Mean Square Estimation adalah konsep yang sangat penting
dalam teori probabilitas dan proses stokastik, dan memiliki banyak aplikasi dalam
berbagai bidang ilmu, seperti pengolahan sinyal, teori informasi, analisis data, analisis
deret waktu, teori kontrol, analisis spektral, dan analisis sistem stokastik.

52
 BAB 14 ENTROPY
Entropy adalah salah satu konsep kunci dalam teori probabilitas dan proses stokastik.
Entropi dapat dianggap sebagai ukuran ketidakpastian atau ketidaktentuan dalam
suatu sistem.
Dalam konteks proses stokastik, entropi sering digunakan untuk mengukur seberapa
acak atau tidak acak suatu proses. Entropi suatu proses stokastik didefinisikan sebagai
rata-rata dari informasi yang diperoleh dari setiap pengamatan atau hasil dari proses
tersebut. Semakin banyak informasi yang diperoleh, semakin rendah entropi proses
tersebut.
Entropi juga dapat digunakan untuk mengukur keberagaman atau variasi dalam suatu
proses stokastik. Misalnya, dalam proses stokastik dengan sedikit variasi, entropinya
akan rendah, sedangkan dalam proses stokastik dengan banyak variasi, entropinya
akan tinggi.
Entropi juga dapat digunakan untuk memprediksi perilaku proses stokastik di masa
depan. Dalam proses stokastik dengan entropi rendah, prediksi lebih mudah dilakukan
karena terdapat sedikit variasi dalam proses tersebut. Namun, dalam proses stokastik
dengan entropi tinggi, prediksi lebih sulit dilakukan karena terdapat banyak variasi
dalam proses tersebut.
Dalam aplikasi praktis, entropi sering digunakan dalam analisis data dan pengambilan
keputusan. Misalnya, entropi dapat digunakan untuk memilih fitur yang paling
informatif dalam model pembelajaran mesin, atau untuk menentukan strategi terbaik
dalam pengambilan keputusan.
Selain itu, entropi juga terkait dengan konsep keacakan dan kompleksitas. Semakin
tinggi entropi suatu proses stokastik, semakin acak dan kompleks proses tersebut.
Sebaliknya, semakin rendah entropi suatu proses stokastik, semakin teratur dan
sederhana proses tersebut.
Dalam proses stokastik diskrit, entropi dapat dihitung dengan menggunakan rumus
entropi Shannon, yang diberikan oleh:
H = -Σ p(i) log(p(i))
di mana p(i) adalah probabilitas terjadinya hasil pengamatan i, dan log adalah
logaritma basis 2. Semakin besar nilai entropi H, semakin besar ketidakpastian dalam
proses stokastik.
Dalam proses stokastik kontinu, entropi dapat dihitung dengan menggunakan rumus
entropi diferensial, yang diberikan oleh:
H = -∫ f(x) log(f(x)) dx
di mana f(x) adalah fungsi densitas probabilitas dari proses stokastik kontinu.
Entropi adalah konsep yang penting dalam banyak bidang ilmu, termasuk teori
informasi, termodinamika, dan fisika statistik. Dalam fisika statistik, entropi sering
digunakan untuk mengukur ketidakteraturan dalam sistem fisika, dan terkait dengan
konsep kekekalan energi.
Dalam aplikasi praktis, entropi juga sering digunakan dalam analisis data dan
pengolahan sinyal. Misalnya, dalam analisis sinyal suara, entropi dapat digunakan
untuk mengukur kompleksitas sinyal suara, yang dapat membantu dalam klasifikasi
atau pengenalan suara.
Entropi juga digunakan dalam teori kontrol, di mana entropi digunakan untuk
memprediksi seberapa baik sistem kontrol dapat mengendalikan suatu proses
stokastik. Semakin rendah entropi suatu proses stokastik, semakin baik sistem kontrol
dapat mengendalikan proses tersebut.

53
Selain itu, entropi juga terkait dengan konsep informasi dan keberlanjutan. Entropi
memberikan batasan atas pada seberapa efisien suatu sistem dapat mengambil atau
memproses informasi, dan juga memberikan batasan atas pada seberapa efisien suatu
sistem dapat mengubah energi menjadi bentuk yang dapat dimanfaatkan.
Dalam teori probabilitas dan proses stokastik, entropi adalah salah satu konsep
fundamental yang memainkan peran penting dalam memahami dan menganalisis
berbagai fenomena yang kompleks dan acak dalam dunia nyata.
Entropi juga terkait erat dengan konsep keacakan dan entropi maksimum. Entropi
maksimum terjadi ketika semua hasil pengamatan sama-sama mungkin terjadi dengan
probabilitas yang sama. Dalam hal ini, entropi mencapai nilai maksimum yang
bergantung pada jumlah hasil pengamatan yang mungkin terjadi.
Selain itu, terdapat beberapa variasi dari konsep entropi, seperti entropi relatif dan
entropi kondisional. Entropi relatif mengukur seberapa berbeda dua proses stokastik
yang mirip, sedangkan entropi kondisional mengukur ketidakpastian dalam suatu
proses stokastik yang dikondisikan pada hasil pengamatan sebelumnya.
Entropi juga terkait dengan konsep keberlanjutan dan lingkungan. Dalam konteks ini,
entropi sering digunakan untuk mengukur tingkat keberlanjutan sistem atau
lingkungan. Tingkat entropi yang rendah menunjukkan tingkat keberlanjutan yang
tinggi, sementara tingkat entropi yang tinggi menunjukkan tingkat keberlanjutan yang
rendah.
Dalam keseluruhan, entropi adalah konsep yang sangat penting dalam teori
probabilitas dan proses stokastik, dan memiliki banyak aplikasi dalam berbagai
bidang ilmu, termasuk fisika, matematika, statistika, dan rekayasa. Dalam banyak
kasus, entropi membantu kita memahami dan mengukur ketidakpastian, keacakan,
kompleksitas, dan keberlanjutan dalam fenomena yang kompleks dan acak dalam
dunia nyata.

54
 BAB 15 RANTAI MARKOV
Markov merupakan model stokastik untuk sistem yang mengalami perubahan
secara acak dalam waktu diskrit. Konsep utama dalam Rantai Markov adalah sifat
"memori yang terbatas" yaitu probabilitas transisi dari satu keadaan ke keadaan lain
hanya bergantung pada keadaan saat ini dan tidak bergantung pada keadaan
sebelumnya.
Bab ini membahas berbagai konsep terkait dengan Rantai Markov, termasuk
definisi formalnya, sifat-sifat penting, contoh-contoh, dan algoritma-algoritma untuk
menghitung probabilitas transisi dan distribusi stasioner. Beberapa topik yang dibahas
meliputi sebagai berikut.
Definisi dan Sifat-Sifat, Rantai Markov didefinisikan sebagai sekumpulan
variabel acak yang membentuk rangkaian keadaan yang mungkin terjadi, dan setiap
keadaan hanya bergantung pada keadaan saat ini. Sifat utama dari Rantai Markov
adalah sifat "memori yang terbatas" dan sifat "transisi" yaitu probabilitas transisi dari
satu keadaan ke keadaan lain hanya bergantung pada keadaan saat ini.
Matrix Probabilitas Transisi, Untuk menggambarkan Rantai Markov, kita
dapat menggunakan matriks probabilitas transisi, yang menunjukkan probabilitas
transisi dari setiap keadaan ke keadaan lain dalam satu langkah waktu. Matriks ini
dapat digunakan untuk menghitung probabilitas transisi dari keadaan awal ke keadaan
akhir dalam beberapa langkah waktu.
Fungsi probabilitas transisi dari setiap rantai Markov {x n}memenuhi
persamaan Chapman.J Persamaan Kolmogorov. Kita dapat menggunakan relasi
Markov dasar dalam (15-6) untuk mendapatkan persamaan fundamental yang
mengatur evolusi semua rantai. Untuk n > r > m, kita memiliki
𝑃{𝑥𝑛 = 𝑒𝑗 , 𝑥𝑚 = 𝑒𝑖 } = ∑ 𝑃{𝑥𝑛 = 𝑒𝑗 , 𝑥𝑟 = 𝑒𝑘 , 𝑥𝑚 = 𝑒𝑖 }
𝑘

= ∑ 𝑃{𝑥𝑛 = 𝑒𝑗 |𝑥𝑟 = 𝑒𝑘 , 𝑥𝑚 = 𝑒𝑖 } 𝑃{𝑥𝑟 = 𝑒𝑘 , 𝑥𝑚 = 𝑒𝑖 }

𝑘

= ∑ 𝑃{𝑥𝑛 = 𝑒𝑗 |𝑥𝑟 = 𝑒𝑘 } 𝑃{𝑥𝑟 = 𝑒𝑘 , 𝑥𝑚 = 𝑒𝑖 }

𝑘
Dengan demikian
𝑝𝑖𝑗 (𝑚, 𝑛) = 𝑃{𝑥𝑛 = 𝑒𝑗 |𝑥𝑚 = 𝑒𝑗 }
= ∑ 𝑃{𝑥𝑛 = 𝑒𝑗 |𝑥𝑟 = 𝑒𝑘 } 𝑃{𝑥𝑟 = 𝑒𝑘 , 𝑥𝑚 = 𝑒𝑖 }
𝑘
Atau
𝑝𝑖𝑗 (𝑚, 𝑛) = ∑ 𝑃𝑖𝑘 (𝑚, 𝑟)𝑃𝑘𝑗 (𝑟, 𝑛)
𝑘
n-Langkah Transisi Kemungkinan
(𝑛)
Dari (15-7), untuk sebuah rantai homogen 𝑝𝑖𝑗 merupakan masukan ke-(i, j)
dari P (0, n) = Pn. Dengan demikian
(𝑛)
𝑃𝑛 ≜ (𝑃𝑖𝑗 ) (15-42)

55
 Dan karena pn+m = pm pn = pn pm. kita memperoleh relasi yang berguna
(𝑚+𝑛) (𝑚) (𝑛) (𝑛) (𝑚)
𝑃𝑖𝑗 = ∑ 𝑃𝑖𝑘 𝑃𝑘𝑗 = ∑ 𝑃𝑖𝑘 𝑃𝑘𝑗
𝑘
Secara khusus, relasi rekursi satu langkah diberikan oleh
(𝑛+1) (𝑛) (𝑛)
𝑃𝑖𝑗 = ∑ 𝑃𝑖𝑘 𝑃𝑘𝑗 = ∑ 𝑃𝑖𝑘 𝑃𝑘𝑗
𝑘 𝑘
Akhirnya, distribusi probabilitas tanpa syarat pada t = nT diberikan oleh
𝑃𝑗 (𝑛) = 𝑃{𝑥𝑛 = 𝑒𝑗 } = ∑ 𝑃{ 𝑥𝑛 = 𝑒𝑗 |𝑥𝑚 = 𝑒𝑖 }𝑃{𝑥𝑚 = 𝑒𝑖 }
𝑖

= ∑ 𝑃𝑖𝑗 (𝑚, 𝑛)𝑃𝑖 (𝑚)

𝑖
Distribusi Stasioner, Distribusi stasioner adalah distribusi probabilitas yang
stabil pada waktu yang panjang, yaitu ketika Rantai Markov bergerak terus-menerus,
distribusi probabilitas akan mencapai distribusi stasioner tertentu. Distribusi stasioner
dapat dihitung dengan menggunakan persamaan distribusi stasioner atau dengan
menghitung batas distribusi setelah jumlah langkah waktu yang tak terbatas.
Sebuah pertanyaan penting dalam konteks ini adalah apakah dalam jangka
panjang sebuah rantai Markov dapat mencapai distribusi pembatas terlepas dari
distribusi awal? Dengan demikian dalam kondisi apa kondisi apa. jika ada, apakah
(𝑛)
𝑃𝑗𝑘 → 𝑞𝑘 𝑠𝑒𝑏𝑎𝑔𝑎𝑖 𝑛 → ∞
Terlepas dari kondisi awal awal ej? Ketika batas-batas tersebut ada, sistem
menunjukkan keteraturan jangka panjang atau perilaku stasioner. Menariknya, untuk
rantai tak tereduksi yang mengandung aperiodik, keadaan tak nol yang persisten
(rantai ergodik), dari Teorema 15-1. (16-170), dan (15-160),
Contoh Rantai Markov, Bab ini memberikan beberapa contoh Rantai Markov,
seperti Rantai Markov diskrit dengan dua keadaan, Rantai Markov dengan empat
keadaan, dan Rantai Markov dengan keadaan kontinu.
Aplikasi Rantai Markov, Rantai Markov digunakan dalam berbagai aplikasi,
termasuk analisis antrian, model ekonomi, dan peramalan cuaca. Bab ini juga
membahas aplikasi Rantai Markov dalam komputasi, seperti algoritma PageRank
untuk mengurutkan halaman web.
Bab ini menyajikan pemahaman yang komprehensif tentang Rantai Markov,
dan memberikan konsep dan alat matematika yang diperlukan untuk menghitung
probabilitas transisi dan distribusi stasioner.

Contoh Soal
1. Klasifikasikan keadaan rantai Markov dengan probabilitas transisi berikut

56
 Informasi yang tersedia mewakili keadaan rantai Markov dengan probabilitas transisi seperti
diatas. Matriks probabilitas rantai Markov pertama yang diwakili oleh

tidak dapat direduksi dan bersifat periodik. Matriks probabilitas rantai Markov kedua diwakili
oleh

juga tak tereduksi dan bersifat periodik. Matriks rantai Markov ketiga yang diwakili oleh

adalah memiliki dua himpunan tertutup periodik {e1,e2} dan {e3,e4} dan juga keadaan sementara
es .
2. Pertimbangkan sebuah rantai Markov {xn} dengan state e0. e1, ... , em dan matriks probabilitas
transisi

Detennine Pn. dan distribusi pembatas

lim 𝑃{𝑥𝑛 = 𝑒𝑘 } 𝑘 = 0, 1, 2, . . . , 𝑚
𝑛→∞
Perhatikan bahwa jumlah baris dan jumlah kolom adalah kesatuan dalam kasus ini. Oleh karena
itu, P merupakan matriks stokastik ganda di sini, dan

57
 1 1 … 1 1
1
𝑛
𝑃 = (1 1 … 1 1)
𝑚+1 ⋮ ⋮ ⋮ ⋮ ⋮
1 1 … 1 1
1
lim 𝑃{𝑥𝑛 = 𝑒𝑘 } = 𝑘 = 0, 1, 2, . . . , 𝑚
𝑛→∞ 𝑚+1

58
 BAB 16 MARKOP PROSES DAN TEORI ANTRIAN
Markov Proses
Markov Proses adalah suatu proses stokastik yang memenuhi sifat Markov,
yaitu bahwa keadaan masa depan hanya bergantung pada keadaan saat ini dan bukan
pada sejarah dari keadaan sebelumnya.
Markov Proses dapat digambarkan dengan diagram transisi keadaan, di mana
keadaan adalah simpul dalam diagram dan transisi adalah garis-garis antara simpul.
Ada beberapa jenis Markov Proses, termasuk Markov Proses waktu diskrit dan
waktu kontinu, Markov Proses homogen, dan Markov Proses non-homogen.
Sebuah proses Markov waktu kontinu x(t) dapat menempati secara acak
sejumlah keadaan e0, e1, e2, e3,... pada waktu t. Status proses pada waktu t dijelaskan
oleh x(t) dan sama dengan keadaan ej yang ditempati oleh proses pada waktu itu.
Misalkan proses x(t) berada dalam status ej pada waktu ke t0. Untuk sebuah proses
Markov, dari (15-2) probabilitas bahwa proses tersebut masuk ke state ej pada waktu
ke + t diberikan oleh
𝑃{𝑥(𝑡0 + 𝑡) = 𝑒𝑗 |𝑥(𝑡0 )𝑒𝑖 }
Dalam Markov Proses, kita dapat mendefinisikan beberapa hal, seperti
distribusi probabilitas keadaan, matriks probabilitas transisi, distribusi stasioner, dan
proses stokastik yang terkait.
Antrian Teori
Antrian Teori adalah studi tentang antrian atau barisan pelanggan yang
menunggu layanan dalam sistem. Deskripsi antrian. Sistem notasi yang diusulkan oleh
Kendall (1951) secara universal digunakan untuk menspesifikasikan antrian. Dalam
deskripsi ini, simbol tiga bagian (terkadang empat bagian) digunakan, di mana simbol
pertama menentukan proses input (distribusi antar kedatangan), simbol kedua
menentukan mekanisme pelayanan (distribusi waktu pelayanan), dan simbol ketiga
menunjukkan jumlah saluran atau server yang digunakan. Jika sistem memiliki
kapasitas penampungan yang terbatas untuk item yang menunggu, maka simbol
keempat digunakan untuk menentukan informasi ini. Simbol-simbol berikut ini
biasanya digunakan untuk menentukan proses input dan mekanisme layanan
M: Poisson atau eksponensial (markovian atau tanpa memori)
D: deterministik atau reguler
En: Distribusi Erlangian
G: fungsi distribusi waktu layanan sembarang B(𝜏)
G I: fungsi distribusi antar-kedatangan yang independen secara acak A (𝜏)
Dalam notasi ini, M / G / r adalah singkatan dari antrian dengan kedatangan
Poisson, tidak ada asumsi khusus tentang distribusi waktu pelayanan B(𝜏), dan r
jumlah server. Perhatikan bahwa hanya untuk antrian M / M / r, proses stokastik yang
terkait adalah markovian.
Sistem antrian dapat digambarkan dengan model matematika, seperti model
antrian Markov, yang didasarkan pada sifat Markov dari sistem.

59
 Beberapa variabel dalam sistem antrian adalah jumlah pelanggan dalam sistem,
jumlah pelanggan yang menunggu, waktu kedatangan pelanggan, waktu pelayanan,
dan waktu antrean.
Ada beberapa jenis model antrian, termasuk model antrian tunggal dan model
antrian ganda. Antrian server tunggal dengan input kedatangan Poisson yang
homogen dan independen Waktu pelayanan terdistribusi (umum) dikenal sebagai
antrian MIGII. Misalkan B( 𝜏 ) mewakili distribusi waktu pelayanan umum dalam
kasus ini.
Contoh 15-4, 15-14. dan 15-24 sebenarnya membahas antrian M/G/l secara
rinci. Dari sana, xn mewakili jumlah pelanggan yang menunggu pelayanan segera
setelah keberangkatan pelanggan ke-n. dan yn jumlah pelanggan yang tiba selama
waktu pelayanan pelanggan ke-n. Jumlah ini berhubungan seperti pada (15-32), dan
matriks transisi untuk rantai Markov yang terkait diberikan oleh (15-34), dimana
𝑃{𝑦𝑛 = k} = 𝑎𝑘
mewakili probabilitas kedatangan k selama waktu pelayanan dari setiap
pelanggan. Biarkan
𝑞𝑗 = lim 𝑃{𝑥𝑛 = 𝑗} 𝑗 = 0, 1, 2, . . .
𝑛→∞
Antrian server ganda secara seri dan paralel. R. R. P. Jackson telah
menggeneralisasi interkoneksi seri dari antrian server tunggal menjadi interkoneksi
seri dari m fase. di mana fase ke-i terdiri dari ri saluran paralel. semua dengan tingkat
layanan eksponensial μi. seperti yang ditunjukkan pada Gambar 16-14. Masukan ke
fase pertama adalah masukan Poisson tak terbatas dengan parameter 𝜆, dan antrian
diperbolehkan sebelum setiap fase. Dengan ni unit pada fase ke-i. probabilitas bahwa
sebuah item menyelesaikan pelayanan pada Δt diberikan oleh μni Δt + o(Δt), di mana
𝑛𝜇 𝑛 <𝑟
𝜇𝑛𝑖 = { 𝑟𝑖𝜇 𝑖 𝑛𝑖 ≥ 𝑟𝑖 }
𝑖 𝑖 𝑖 𝑖
Dalam model antrian, kita dapat menghitung beberapa ukuran kinerja, seperti
waktu rata-rata dalam sistem, waktu rata-rata di antrean, dan tingkat penggunaan
sistem.
Contoh Soal
1. Antrian M/M/1/m. Tinjau sebuah antrian Poisson server tunggal dengan kapasitas
sistem yang terbatas m. Tuliskan persamaan steady state dan tunjukkan bahwa
probabilitas steady state bahwa ada n item dalam sistem diberikan oleh
1−𝑝
𝑝𝑛 𝑝 ≠ 1
1 − 𝑝𝑚+𝑖
𝑃𝑛 =
1
{ 𝑟+1 𝑝=1
Dimana p=𝜆/𝜇
Menggunakan (16-123) dengan r=1 memberikan
𝑝𝑛
𝑝0 𝑝 ≠ 1
𝑃𝑛 = { 𝑛!
1
𝑝=1
𝑟+1
= 𝑝𝑛 𝑝0 , 0≤𝑛≤𝑚

60
Dengan demikian
𝑚 𝑚
(1 − 𝑝𝑚+1 )
∑ 𝑝𝑛 = 𝑝0 ∑ 𝑝𝑛 = 𝑝0 =1
1−𝑝
𝑛=0 𝑛=0
1−𝑝
→ 𝑝0=
(1 − 𝑝𝑚+1 )
Dan karena nya
1−𝑝
𝑝𝑛= 𝑝𝑛 , 0 ≤ 𝑛 ≤ 𝑚, 𝑝 ≠ 1
(1 − 𝑝𝑛+1 )
Dan lim p →1, didapatkan
1
𝑝𝑛= ,𝑝 = 1
𝑚+1

61
 DAFTAR PUSTAKA
Papoulis, Atanasios. 2002. Probability, Random Variables, and Stochastic
Processes. New York: Mc Graw-Hill Higher Education.

62