Proses Random (TM2)
Proses Random (TM2)
Proses Random
02 Fakultas
Pasca Sarjana
Variabel Random Diskret - Pendahuluan
Akhiri Presentasi
Variabel Random
Pada banyak sekali aplikasi sains dan teknologi, pengukuran dan pengamatan
diberikan dalam bentuk besaran numeris.
Besaran yang bervariasi ini dinamakan variable random. Variabel random secara
umum dinyatakan dengan bantuan alphabet huruf besar seperti X dan Y.
Dalam saluran wireless, sinyal X diganggu oleh fading (yaitu berupa noise
multiplikatif).
Jika X dan Y menggambarkan kecepatan dari suatu trafik (traffic rate) pada dua
router yang berbeda dari sebuah Internet service provider (ISP). Pada
prakteknya selalu diinginkan untuk mendapatkan kecepatan bergerak data
yang lebih kecil dari kapasitas router yang ada, katakanlah c; maka diinginkan
terjadi max(X,Y) ≤ c.
Jika X dan Y adalah tegangan pada sebuah sensor, diinginkan terpicunya suatu
alarm jika paling sedikit satu dari tegangan-tegangan sensor ini bernilai di
bawah suatu nilai batas tertentu misalnya v;
sehingga terpicu alam jika min(X,Y) ≤ v.
Sebuah fungsi riil X(ω) didefinisikan untuk titik-titik ω yang berada di dalam
ruang sampel Ω dinamakan Variabel random (random variable).
< MENU AKHIRI >
Sebagai contoh, jika X memodelkan jumlah visit dari sebuah website,
lebih mudah menggunakan penulisan P(X > 1000) dibandingkan dengan
penulisan
P(jumlah visit > 1000).
Contoh :
Sebuah model untuk eksperimen melempar tiga buah koin dibuat.
Model ini menghitung jumlah head dari setiap pelemparannya.
Yang terdiri dari delapan kemungkinan hasil. Karena pada eksperimen ini
hanya akan diamati jumlah head yang muncul, didefinisikan variable
random X dengan
X dinamakan sebuah variable random diskret jika ada bilangan riil yang
terpisah satu sama lain (distinct) xi seperti
Jika X adalah variabel random diskret yang memiliki nilai terpisah satu dari
yang lainnya (distinct) xi, didefinisikan Fungsi Massa Probabilitas
(probability mass function (pmf)) dengan
0≤ ( ) ≤ 1 dan ∑ ( ) = 1.
< MENU AKHIRI >
Contoh:
Andaikan X sebuah variabel random, yang diberikan di awal bab ini.
Asumsikan semua kombinasi hasil memiliki kemungkinan yang sama,
tentukanlah pmf dari X.
Solusi
Dari definisi X, terlihat bahwa X memiliki nilai-nilai yang distink, sehingga
X adalah variabel random diskret, yaitu 0,1,2, 3.
Untuk menghitung masing-masing pX (0), pX (1), pX (2), and pX (3), perlu
diperhatikan masing-masing probabilitasnya. Dimulai dengan pX (0) =
P(X = 0). Berapa besar probabilitas dari suatu keluaran-keluaran ω yang
merepresentasikan kejadian {ω : X(ω) = 0}. Dari definisi X, pada contoh
pertama di bab ini terlihat, bahwa
{ω : X(ω) = 0} = {TTT}.
Maka
|{ }|
0 = =0 = = = .
| |
1 = =1 = , , = .
2 = =2 = , , = .
3 = =3 = = .
< MENU AKHIRI >
Variabel Random Seragam (Uniform random variables)
Jika hasil dari eksperimen yang melibatkan variabel random memberikan
keluaran yang bersifat sama mungkinnya (“equally likely” atau “totally
random”), maka model ini dinamakan variabel random seragam (uniform
random variable).
Sebuah variabel random X dikatakan terdistribusi secara seragam pada 1, . . . ,n
jika
1
= = , = 1, ⋯ ,
Dengan kata lain, pmf memiliki hanya dua nilai:
1
= , = 1, ⋯ ,
0, lainnya
= , = 1,2, ⋯
!
Sketsa pX (k) untuk nilai parameter λ = 10, 30, dan 50 ditampilkan di gambar 2.2.
Untuk bisa melihat bahwa jumlah semua probabilitas ini bernilai satu, gunakan
deret pangkat dari bilangan z
=
!
Solusi
Dengan persamaan
( > 1) = 2 + 3 + 4 +⋯= + + +⋯
2! 3! 4!
Solusi
Gunakan X sebagai variabel random yang menggambarkan jumlah hits. Maka
probabilitas terjadinya minimal sebuah hit adalah ( ≥ 1).
Karena jumlah seluruh kemungkinan yang terjadi, yaitu kemungkinan tidak ada hit
(P(0)), ada sebuah hit (P(1)) dan seterusnya adalah satu,
1= 0 + 1 + 2 +⋯= = + + +⋯
! 0! 1! 2!
Maka
≥1 =1− 0 =1− =1− =1− = 0.865
0!
Secara analogi,
≥2 =1− 0 − 1 =1− −
0! 1!
=1− 1+ = 1− 1 + 2 = 0.594
Probabilitas tidak terjadi hit P(0)=e-2 = 0.135.
< MENU AKHIRI >
Contoh:
Sebuah sensor cahaya gagal aktif, jika menerima lebih sedikit dari empat foton dalam
suatu interval waktu tertentu. Jika jumlah foton bisa dimodelkan dengan variabel
random X dengan Poisson(2), tentukanlah probabilitas sensor aktif.
Solusi
Probabilitas bahwa sensor gagal untuk aktif
<4 = ≤3 = = 0 + ⋯+ =3 = 1+ + +
2! 3!
Jika λ = 2:
4 8
<4 = 1+2+ + = 0.857
2 6
Jadi probabilitas sensor aktif
≥4 =1− < 4 = 0.143.
Independensi (Independence)
Jika kejadian-kejadian {X ∈ B} dan {Y ∈C} bersifat independen untuk semua
himpunan-himpunan B dan C, maka disebutkan bahwa X dan Y adalah
variabel random independen (independent random variables). Dengan
definisi dan penulisan ringkas seperti ditunjukkan di atas, X dan Y adalah
variabel-variabel random yang independen jika dan hanya jika
Solusi
Dengan menggunakan independensi dari X dan Y, P(X = 1,Y = 1) = P(X = 1)P(Y = 1) = pq.
Variabel random Bernoulli cocok digunakan untuk model dari hasil eksperimen yang
memiliki dua kemungkinan keluaran, yang secara numeris sering direpresentasikan
dengan 0 dan 1, misalnya melempar koin, pengetesan apakah suatu blok pada
computer disk rusak atau tidak, apakah sebuah sistim radar bisa mendeteksi pesawat
stealth, apakah suatu paket data internet drop akibat kongesti pada sebuah router dan
lainnya. Pmf dari Bernoulli(p) ditunjukkan di gambar.
Solusi
Probabilitas bahwa setiap hari, jumlah dari hits maksimal n adalah P(X ≤ n,Y ≤
n,Z ≤ n). Dengan independensi, menjadi P(X ≤ n)P(Y ≤ n)P(Z ≤ n).
Karena variabel random terdistribusi identis, maka setiap faktor memiliki nilai
yang sama. Karena variabel random yang digunakan untuk memodelkan
adalah Poisson(λ), setiap faktor sama dengan
≤ = ( = )=
!
Maka menjadi
≤ , ≤ , ≤ =
!
Solusi
Perhitungannya adalah
> =1− ≤
=1−∏ ≤ =1−∏ ∑
!
=1− ∑
!
Solusi
Digunakan T = k jika kegagalan pertama dalam meng-cache data terjadi pada akses
ke-k.
Untuk i=1,2, . . . , digunakan Xi =1 jika permintaan memori ke-i di-cache, dan
digunakan Xi =0 jika sebaliknya.
Maka P(Xi = 1) = p dan P(Xi = 0) = 1− p.
Pengamatan penting adalah: jika kegagalan pertama terjadi pada akses ke-k, berarti
jika dan hanya jika akses pertama sampai ke-(k−1) berhasil dan baru pada saat akses
ke-k terjadi kegagalan.
= 1: 1− =1−
Solusi
Maka perlu dihitung
Contoh:
Nilai rata-rata dari 10 angka berikut ini 5,2,3,2,5,−2,3,2,5,2 adalah
(5+2+3+2+5+(−2)+3+2+5+2)/10=27/10= 2.7.
Perhatikan, dalam kumpulan angka ini, angka -2 muncul sekali, angka 2 muncul
empat kali, 3 muncul dua kali dan 5 muncul tiga kali. Dengan kata lain frekuensi
relatif angka-angka ini adalah
-2: 1/10,
2:4/10,
3: 2/10,
5: 3/10
Nilai rata-rata dari sepuluh angka ini bisa dihitung dengan bantuan frekuensi relatif
dari masing-masing angka di atas
< MENU AKHIRI >
Probabilitas memodelkan frekuensi relatif, Jika X adalah variabel random diskret, yang
masing-masing angka xi memiliki probabilitas P(X=xi), ekspektasi atau mean (nilai rata-
rata) dari X didefinisikan dengan
Contoh:
Tentukanlah mean dari sebuah variabel random X yang memiliki karakter Bernoulli(p).
Solusi
Karena X hanya memiliki dua nilai, yaitu x0 = 0 dan x1 = 1, bisa dituliskan
Jadi jika p=0.5, artinya kemunculan kedua angka ini ‘0’ dan ‘1’ sama seringnya, maka
mean dari variabel random ini 0.5, tepat berada di tengah kedua angka ‘0’ dan ‘1’.
Jika angka ‘1’ lebih jarang muncul, misalnya 0.2, maka meannya 0.2, bergeser ke arah
angka yang lebih sering muncul.
Variance adalah nilai rata-rata dari kuadrat deviasi (average squared deviation) dari X terhadap
nilai rata-ratanya.
Variance mengkarakteristikan seberapa mungkin nilai dari sebuah variable random terpisah
dari nilai rata-ratanya. Sebagai contoh, amati dua pmf di gambar 2.6.
Contoh:
Diberikan X dan Y adalah variabel random dengan masing-masing pmf nya seperti
ditampilkan di gambar 2.6. Hitunglah var(X) dan var(Y).
Solusi
Karena simetri, nilai mean dari X dan Y bernilai nol, maka var(X) = E[X2] dan var(Y) =
E[Y2].
X dan Y sama-sama memiliki mean yang bernilai nol, kedua variabel random ini memiliki
nilai-nilai ±1 dan ±2. Karena Y lebih memiliki nilai yang jauh dari nilai meannya, maka
var(Y) > var(X).
< MENU AKHIRI >
Daftar Pustaka
• John Gubner, (2006) Probability and Random
Processes, Cambridge.