Proses Random

02
Modul ke:

Fakultas
Teknik Variabel Random Diskret - Pendahuluan

Program Studi
Magister Teknik
Elektro Mudrik Alaydrus
Umaisaroh
Pembuka Daftar Pustaka Akhiri Presentasi
Variabel Random

Pada banyak sekali aplikasi sains dan teknologi, pengukuran dan pengamatan
diberikan dalam bentuk besaran numeris.

Secara tradisional, pengukuran dan pengamatan numeris memberikan hasil yang

memiliki variabilitas yang tak pasti setiap waktu pengukuran itu dilakukan.

Besaran yang bervariasi ini dinamakan variable random. Variabel random secara
umum dinyatakan dengan bantuan alphabet huruf besar seperti X dan Y.

Keuntungan dari penggunaan besaran-besaran numeris ini adalah dimungkinnya

perhitungan matematis antara besaran-besaran random ini, seperti

X +Y, XY, max(X,Y), dan min(X,Y).

<
← MENU AKHIRI >
→
Sebagai contoh, di dalam sebuah saluran telefon sinyal X dikontaminasi oleh
sebuah noise aditif 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.

Ruang sampel yang digunakan

Ω := {TTT, TTH, THT, HTT, THH, HTH, HHT, HHH},

Yang terdiri dari delapan kemungkinan hasil. Karena pada eksperimen ini
hanya akan diamati jumlah head yang muncul, didefinisikan variable
random X dengan

<
← MENU AKHIRI >
→
Variabel Random Diskret

X dinamakan sebuah variable random diskret jika ada bilangan riil yang
terpisah satu sama lain (distinct) xi seperti

Fungsi Massa Probabilitas (Probability mass functions)

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

Karena 𝑝𝑋 (𝑥𝑖 ) menggambarkan sebuah probabilitas, maka harus

berlaku

0 ≤ 𝑝𝑋 (𝑥𝑖 ) ≤ 1 dan σ𝑖 𝑝𝑋 (𝑥𝑖 ) = 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
|{𝑇𝑇𝑇}| 1
𝑝𝑋 0 = 𝑃 𝑋 = 0 = 𝑃 𝑇𝑇𝑇 = = .
|Ω| 8
3
𝑝𝑋 1 = 𝑃 𝑋 = 1 = 𝑃 𝐻𝑇𝑇, 𝑇𝐻𝑇, 𝑇𝑇𝐻 = .
8
3
𝑝𝑋 2 = 𝑃 𝑋 = 2 = 𝑃 𝐻𝐻𝑇, 𝐻𝑇𝐻, 𝐻𝐻𝑇 = .
8
1
𝑝𝑋 3 = 𝑃 𝑋 = 3 = 𝑃 𝐻𝐻𝐻 = .
8 <
← 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
𝑃 𝑋=𝑘 = , 𝑘 = 1, ⋯ , 𝑛
𝑛
Dengan kata lain, pmf memiliki hanya dua nilai:
1
𝑝𝑋 𝑘 = ቐ𝑛 , 𝑘 = 1, ⋯ , 𝑛
0, lainnya

Sebagai contoh, untuk memodelkan pelemparan dadu digunakan pX (k) = 1/6

for k = 1, . . . ,6 seperti ditunjukkan di gambar .

<
← MENU AKHIRI >
→
Variabel Random Poisson (Poisson random variable)
Variabel random Poisson digunakan untuk memodelkan banyak sekali fenomena
fisika, seperti efek fotoelektrik, pembusukan radioaktif, data computer yang antri
dalam suatu jaringan.
Sebuah variabel random X dikatakan memiliki pmf Poisson dengan parameter λ > 0,
dengan notasi penulisan X ∼ Poisson(λ ), jika
𝜆𝑘 𝑒 −𝜆
𝑝𝑋 𝑘 = , 𝑘 = 1,2, ⋯
𝑘!

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
∞
𝑘
𝑧
𝑒𝑧 = ෍
𝑘!
𝑘=0

<
← MENU AKHIRI >
→
Contoh:
Diberikan X ∼ Poisson(λ). Hitunglah P(X > 1); Jawaban yang dihasilkan sebagai
fungsi dari λ. Kemudian hitunglah nilai numeris dari P(X > 1) jika λ = 1.

Solusi
Dengan persamaan
𝜆2 𝑒 −𝜆 𝜆3 𝑒 −𝜆 𝜆4 𝑒 −𝜆
𝑃(𝑋 > 1) = 𝑃 2 + 𝑃 3 + 𝑃 4 + ⋯ = + + +⋯
2! 3! 4!

Dengan bantuan sifat probabilitas bahwa jumlah seluruh probabilitas adalah 1,

maka
∞ 𝑘 −𝜆
𝜆 𝑒 𝜆0 𝑒 −𝜆 𝜆1 𝑒 −𝜆 𝜆2 𝑒 −𝜆
1=𝑃 0 +𝑃 1 +𝑃 2 +⋯=෍ = + + +⋯
𝑘! 0! 1! 2!
0
Didapatkan
𝑃(𝑋 > 1) = 1 − 𝑃 𝑋 ≤ 1 = 1 − 𝑃 𝑋 = 0 + 𝑃(𝑋 = 1)
= 1 − 𝑒 −𝜆 + 𝜆𝑒 −𝜆 = 1 − 𝑒 −𝜆 1 + 𝜆
2
Jika 𝜆 = 1: 𝑃 𝑋 > 1 = 1 − 𝑒 −1 1 + 1 = 1 − = 0.264
𝑒

<
← MENU AKHIRI >
→
Contoh:
Jumlah dari hits pada sebuah website yang popular dalam suatu interval waktu satu
menit dimodelkan dengan variabel random Poisson(λ). Tentukanlah probabilitas
terjadi minimal sebuah hit di antara jam 15.00 dan 15.01 jika λ = 2. Lalu tentukanlah
probabilitas minimal dua hits dalam tenggang waktu ini. Berapa kemungkinan tidak
terjadi hit ?

Solusi
Gunakan X sebagai variabel random yang menggambarkan jumlah hits. Maka
probabilitas terjadinya minimal sebuah hit adalah 𝑃(𝑋 ≥ 1).
Karena jumlah seluruh kemungkinan yang terjadi, yaitu kemungkinan tidak ada hit
(P(0)), ada sebuah hit (P(1)) dan seterusnya adalah satu,
∞
𝜆𝑘 𝑒 −𝜆 𝜆0 𝑒 −𝜆 𝜆1 𝑒 −𝜆 𝜆2 𝑒 −𝜆
1=𝑃 0 +𝑃 1 +𝑃 2 +⋯=෍ = + + +⋯
𝑘! 0! 1! 2!
0
Maka
𝜆0 𝑒 −𝜆
𝑃 𝑋 ≥ 1 =1−𝑃 0 = 1− = 1 − 𝑒 −𝜆 = 1 − 𝑒 −2 = 0.865
0!
Secara analogi,
𝜆0 𝑒 −𝜆 𝜆1 𝑒 −𝜆
𝑃 𝑋 ≥2 =1−𝑃 0 −𝑃 1 =1− −
0! 1!
−𝜆 −2
= 1 − 𝑒 1 + 𝜆 = 1 − 𝑒 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
𝜆2 𝜆3
𝑃 𝑋 < 4 = 𝑃 𝑋 ≤ 3 = 𝑃 𝑋 = 0 + ⋯ + 𝑃 𝑋 = 3 = 𝑒 −𝜆 1+𝜆+ +
2! 3!
Jika λ = 2:
4 8
𝑃 𝑋<4 = 𝑒 −2 1+2+ + = 0.857
2 6
Jadi probabilitas sensor aktif
𝑃 𝑋 ≥ 4 = 1 − 𝑃 𝑋 < 4 = 0.143.

<
← MENU AKHIRI >
→
2.2 Variabel Random Multi

Jika X dan Y adalah variabel random, secara singkat dituliskan dengan

𝑋 ∈ 𝐵, 𝑌 ∈ 𝐶 ∶= 𝜔 ∈ Ω: 𝑋 𝜔 ∈ 𝐵 𝑑𝑎𝑛 𝑌(𝜔) ∈ 𝐶
Dan
𝑃 𝑋 ∈ 𝐵, 𝑌 ∈ 𝐶 ∶= 𝑃 𝑋 ∈ 𝐵, 𝑌 ∈ 𝐶 = 𝑃

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

P(X ∈ B,Y ∈ C) = P(X ∈ B)P(Y ∈ C)

Untuk seluruh himpunan B dan C.

<
← MENU AKHIRI >
→
Contoh:
Di dalam sebuah pesawat terbang, rangkaian pengendali utama untuk autopilot gagal
beroperasi dengan probabilitas p.
Sebuah rangkaian redundan pem-backup juga bisa gagal beroperasi dengan probabilitas q
yang independen dari rangkaian utama autopilot.
Pesawat terbang ini boleh terbang, jika minimal satu dari keduanya bisa berfungsi.
Berikanlah nilai probabilitas pesawat itu tidak boleh terbang.

Solusi

Digunakan dua buah variabel random, X dan Y.

Dengan diberikan nilai kepada variabel random ini, yaitu X = 1 jika rangkaian utama gagal
bekerja, dan X = 0 sebaliknya.
Dan di-set Y = 1 jika rangkaian backup gagal berfungsi, dan Y = 0 sebaliknya.

Maka probabilitas didapatkan dari problem ini P(X = 1) = p dan P(Y = 1) = q.

Jika diasumsikan X dan Y saling independen, maka kejadian bahwa pesawat ini tidak boleh
terbang bisa dimodelkan dengan {X = 1}∩{Y = 1}.

Dengan menggunakan independensi dari X dan Y, P(X = 1,Y = 1) = P(X = 1)P(Y = 1) = pq.

<
← MENU AKHIRI >
→
Variabel random X dan Y yang tadi dibahas dikatakan memiliki karakter Bernoulli.

Untuk melakukan pengamatan yang lebih mendalam,

diberikan X ∼ Bernoulli(p) dan Y ∼ Bernoulli(q).

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.

<
← MENU AKHIRI >
→
Contoh:
Diberikan X, Y, dan Z adalah jumlah hits pada sebuah website pada tiga hari
berturut-turut. Andaikan kejadian-kejadian ini bisa dimodelkan dengan
variabel random Poisson(λ) (identically distributed), hitunglah probabilitas
bahwa pada setiap hari maksimal n.

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
𝑛 𝑛
𝜆𝑘 𝑒 −𝜆
𝑃 𝑋 ≤ 𝑛 = ෍ 𝑃(𝑋 = 𝑘) = ෍
𝑘!
𝑘=0 𝑘=0

Maka menjadi
𝑛 3
𝜆𝑘 𝑒 −𝜆
𝑃 𝑋 ≤ 𝑛, 𝑌 ≤ 𝑛, 𝑍 ≤ 𝑛 = ෍
𝑘!
𝑘=0

<
← MENU AKHIRI >
→
Contoh:
Sebuah server website bisa melayani permintaan sebagai r buah per hari. Hitunglah
probabilitas bahwa server itu menerima permintaan lebih dari r minimal sehari dari n hari.
Asumsikan bahwa jumlah permintaan pada hari i adalah Xi ∼ Poisson(λ) dan bahwa X1, . . .
,Xn saling independen.

Solusi

Perhitungannya adalah
𝑛 𝑛

𝑃 ራ 𝑋𝑖 > 𝑟 = 1 − 𝑃 ሩ 𝑋𝑖 ≤ 𝑟
𝑖=1 𝑖=1
𝜆𝑘 𝑒 −𝜆
=1− ς𝑛𝑖=1 𝑃 𝑋𝑖 ≤ 𝑟 = 1 − ς𝑛𝑖=1 𝑟
σ𝑘=0
𝑘!
𝑛
𝑟 𝜆𝑘 𝑒 −𝜆
=1− σ𝑘=0
𝑘!

<
← MENU AKHIRI >
→
Variabel Random Geometris (Geometric random variables)

Untuk 0 ≤ p < 1, didefinisikan dua jenis variable random geometric.

Dituliskan dengan X ∼ geometric1(p) jika
P(X = k) = (1− p) pk−1, k = 1,2, . . . .
Seperti yang akan ditampilkan di contoh di bawah, jenis variable random ini muncul jika
ditanyakan berapa banyak sebuah eksperimen musti dilakukan sampai sebuah hasil
yang diinginkan bisa muncul.

Dituliskan X ∼ geometric0(p) jika

P(X = k) = (1− p) pk, k = 0,1, . . . .
Jenis variable random ini muncul jika sejumlah paket data sedang antri dan menumpuk
pada sebuah router ideal yang memiliki besar buffer tak terhingga.
Sebuah gambar pmf geometric0(p) ditampilkan di gambar di atas.
Dengan rumusan yang diberikan pada barisan geometric, bisa dilihat bahwa
probabilitas dari kedua jenis variable random ini berjumlah satu.
Jika dipilih q = 1− p, maka 0 < q ≤ 1, dan bisa dituliskan P(X = k) = q(1−q)k−1 untuk kasus
geometric1(p) dan P(X = k) = q(1−q)k untuk kasus geometric0(p).
<
← MENU AKHIRI >
→
Contoh:
Pada saat sebuah computer mengakses memory, data yang diinginkan di cache
dengan probabilitas p. Tentukanlah probabilitas bahwa kegagalan pertama dalam
meng-cache data terjadi pada saat akses yang ke-k. Asumsikan keberadaan data yang
diinginkan di cache bersifat independen untuk setiap akses.

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.

𝑘 = 1: 𝑝0 1 − 𝑝 = 1 − 𝑝

Karena kejadian-kejadian ini Xi bersifat

independen, maka

<
← MENU AKHIRI >
→
Contoh:
Pada contoh sebelum ini, berapa probabilitas bahwa kegagalan pertama terjadi
setelah akses memory ke-3?

Solusi
Maka perlu dihitung

Tetapi. karena P(T = k) = 0 untuk k ≤ 0, maka barisan hingga didapatkan dengan

𝑘 = 1: 𝑝0 1 − 𝑝 = 1 − 𝑝
Probabilitas kegagalan
𝑘 = 2: 𝑝1 1 − 𝑝 = 𝑝(1 − 𝑝)
Pada akses ke-k
𝑘 = 3: 𝑝2 1 − 𝑝

<
← MENU AKHIRI >
→
Ekspektasi (Expectation)
Definisi dari ekspektasi dimotivasi dari ide dasar pada nilai rata-rata numeris.
Nilai rata-rata numeris dari n buah bilangan, misalnya a1, …, an adalah

Nilai rata-rata ini digunakan untuk menyimpulkan atau mengkarakteristikan

sekumpulan utuh dari angka-angka a1, …, an dengan bantuan sebuah nilai “special”.

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.
<
← MENU AKHIRI >
→
Moments
Moment ke-n, n ≥ 1, dari sebuah variable random bernilai riil X didefinisikan
sebagai E[Xn]. Momen pertama dari X adalah nilai rata-ratanya (mean), E[X].
Dengan m = E[X], didefinisikan variance dari X dengan

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.

<
← MENU AKHIRI >
→
Terima Kasih
Mudrik Alaydrus
Umaisaroh