Proses Random

03
Modul ke:

Fakultas Variabel Random Diskret Lanjut

Teknik

Program Studi
Magister Teknik Mudrik Alaydrus
Elektro Umaisaroh

Pembuka Daftar Pustaka Akhiri Presentasi

Variabel Random Binomial

Dalam banyak permasalahan, besaran pentingnya bisa dinyatakan dalam

bentuk
Y = X1 + · · ·+Xn,
yang mana Xi adalah variabel random yang i.i.d. Bernoulli(p).

Contoh:
Sebuah jaringan komunikasi memiliki n buah saluran. Andaikan setiap saluran
mengalami down dengan probabilitas p independen dari saluran lainnya.
Tunjukkanlah bahwa jumlah saluran yang down adalah jumlah dari variabel
random Bernoulli yang independen.

Solusi
Gunakan Xi = 1 jika saluran ke i down dan Xi = 0 kebalikannya. Maka Xi adalah
Bernoulli(p) yang independen, dan Y := X1+· · ·+Xn menghitung banyaknya saluran
yang down.

<
← MENU AKHIRI >
→
Contoh:
Sebuah sampel material yang bersifat radioaktif tersusun dari molekul sebanyak n.
Setiap molekul memiliki probabilitas p dalam memancarkan partikel alpha dan
pemancaran setiap molekul ini saling independen. Tunjukkan bahwa jumlah dari
partikel yang dipancarkan adalah jumlah dari variabel random Bernoulli yang
independen.

Solusi
Gunakan Xi = 1 jika molekul ke i memancarkan partikel alpha, dan Xi = 0 jika tidak.
Maka Xi adalah Bernoulli(p) yang independen, dan Y := X1+· · ·+Xn menghitung jumlah
partikel alpha yang dipancarkan.

<
← MENU AKHIRI >
→
Ada banyak cara yang bisa digunakan untuk menentukan probability mass
function dari Y. Cara yang biasa digunakan adalah argument kombinatoris, yang
akan diberikan di alinea berikut; digunakan penurunan yang beda menggunakan
fungsi pembangkit probabilitas.

Amatilah, jalan yang digunakan, dengan memiliki Y = k dengan Xi = 1 dan nilai

lainnya n−k Xi = 0. Andaikan Bk adalah himpunan dari semua barisan dari nol dan
satu, katakan (b1, . . . ,bn), yang mana k dari bi = 1 dan nilai lainnya n−k bi = 0.
Maka
𝑃(𝑌 = 𝑘) = 𝑃 𝑋1 , ⋯ , 𝑋𝑛 ∈ 𝐵𝑘

= ෍ 𝑃 𝑋1 = 𝑏1 , ⋯ , 𝑋𝑛 = 𝑏𝑛
(𝑏1 ,⋯,𝑏𝑛 )∈𝐵𝑘

= ෍ 𝑃 𝑋1 = 𝑏1 ⋯ 𝑃 𝑋𝑛 = 𝑏𝑛
(𝑏1 ,⋯,𝑏𝑛 )∈𝐵𝑘

<
← MENU AKHIRI >
→
Perhitungan terakhir di atas didapatkan, karena Xi saling independen. Setiap factor di
perkalian di atas memiliki nilai p atau 1−p tergantung dari apakah setiap bi sama
dengan nol atau satu.

Karena penjumlahan dilakukan sepanjang (b1, . . . ,bn) ∈ Bk, ada k-buah factor yang
sama dengan p dan n−k buah factor memiliki nilai 1− p. Sehingga,

𝑃(𝑌 = 𝑘) = ෍ 𝑝𝑘 1 − 𝑝 𝑛−𝑘 = 𝐵𝑘 𝑝𝑘 1 − 𝑝 𝑛−𝑘

(𝑏1 ,⋯,𝑏𝑛 )∈𝐵𝑘

Yang mana |Bk| menyatakan jumlah dari barisan dalam himpunan Bk.
Dari bagian sebelumnya dinyatakan

𝑛 𝑛!
𝐵𝑘 = =
𝑘 𝑘! 𝑛 − 𝑘 !

Sekarang terlihat bahwa

𝑛 𝑘 𝑛−𝑘 ,
𝑃 𝑌=𝑘 = 𝑝 1−𝑝 𝑘 = 0, ⋯ , 𝑛.
𝑘

<
← MENU AKHIRI >
→
Variabel random Y dinamakan sebuah variable random binomial(n, p). Probability
mass function (pmf) dari variable random ini biasanya ditulis dengan notasi

𝑛
Dalam MATLAB, = nchoosek(n,k).
𝑘
Kurva pY (k) ditampilkan di gambar 3.1.

<
← MENU AKHIRI >
→
Teorema binomial menyatakan, jika ada dua buah bilangan kompleks a dan b,
maka berlaku

Penurunan teorema ini dilakukan dengan induksi terhadap n yang bisa diverifikasi
dengan mudah

Tetapi untuk bilangan yang nonnegative a dan b dengan a+b > 0, hasilnya adalah sebuah
konsekuensi yang mudah untuk pengetahuan kita tentang variable random binomial.
𝑛
Dari teorema binomial, besaran kadang-kadang dinamakan koefisien binomial.
𝑘
Sangatlah berguna untuk diketahui, bahwa koefisien binomial bisa dengan mudah
didapatkan dengan hanya membaca baris ke-n dari segitiga Pascal di gambar 3.2.

<
← MENU AKHIRI >
→
Aproksimasi Poisson dari Probabilitas Binomial

Jika diberikan λ := np, maka fungsi pembangkit probabilitas untuk variable random
binomial(n, p) bisa dituliskan dengan
𝑛
𝜆(𝑧 − 1)
1 − 𝑝 + 𝑝𝑧 𝑛 = 1 + 𝑝(𝑧 − 1) 𝑛 = 1 +
𝑛

Dari matematika didapatkan hubungan

𝑥 𝑛
lim 1 + = 𝑒𝑥
𝑛→∞ 𝑛

Sehingga, untuk nilai n yang sangat besar,

𝑛
𝜆(𝑧 − 1)
1+ ≈ 𝑒 𝜆(𝑧−1)
𝑛

<
← MENU AKHIRI >
→
Yang merupakan fungsi pembangkit probabilitas untuk variable random Poisson(λ).

Dalam mendapatkan aproksimasi ini, n harus sangat besar dibanding dengan λ (z−1).

Karena λ := np, sehingga, jika n besar, maka λ (z−1) juga akan besar.

Sehingga untuk menahan nilai λ cukup kecil, nilai p harus kecil.

Dengan asumsi ini, fungsi pembangkit probabilitas binomial(n, p) menjadi mirip dengan
fungsi pembangkit probabilitas dari Poisson(np).

Maka aproksimasi Poisson

𝑘
𝑛 𝑘 𝑛−𝑘
𝑛𝑝 𝑒 −𝑛𝑝
𝑝 1−𝑝 ≈ , 𝑛 besar, 𝑝 kecil
𝑘 𝑘!

Contoh:
Seperti yang dibahas di contoh yang lalu, jumlah dari partikel alpha yang dipancarkan
oleh sampel radioaktif adalah variable random binomial(n, p). Tetapi karena n sangat
besar, misalnya 1023, bahkan jika jumlah partikel yang diharapkan np berjumlah besar,
misalnya satu milyar, yaitu 109, maka p ≈ 10−14 masih sangat kecil, dan aproksimasi
Poisson terjustifikasi.
<
← MENU AKHIRI >
→
Probabilitas Bersyarat (Conditional probability)

Dua aplikasi dari probabilitas bersyarat untuk variable random diperkenalkan.

Aplikasi pertama merupakan alat perhitungan yang sangat berguna, yang dipakai
pada
• Hukum probabilitas total untuk variable random
• hukum substitusi, dan
• ketidaktergantungan

Aplikasi kedua dari probabilitas bersyarat merupakan alat bantu yang

menggunakan data pengamatan untuk mengestimasi data yang tak bisa diukur
secara langsung.
Contohnya, jika data dikirimkan melalui saluran noisy, kita bisa menggunakan
pengukuran dari data yang diterima, sepanjang diketahui statistic saluran, untuk
mengestimasikan data yang telah dikirimkan pemancar.

<
← MENU AKHIRI >
→
Notasi yang digunakan untuk probabilitas yang melibatkan variable random
digunakan
𝑃 𝑋∈𝐵𝑌∈𝐶 ≔ 𝑃 𝑋∈𝐵 𝑌∈𝐶
𝑃( 𝑋∈𝐵 ∩ 𝑌∈𝐶 ) 𝑃(𝑋∈𝐵,𝑌∈𝐶)
= =
𝑃( 𝑌∈𝐶 ) 𝑃( 𝑌∈𝐶 )

Untuk variable random diskret, didefinisikan probabilitas mass functions bersyarat,

𝑃(𝑋 = 𝑥𝑖 , 𝑌 = 𝑦𝑗 ) 𝑝𝑋𝑌 (𝑥𝑖 , 𝑦𝑗 )

𝑝𝑋|𝑌 𝑥𝑖 𝑦𝑗 ≔ 𝑃(𝑋 = 𝑥𝑖 |𝑌 = 𝑦𝑗 ) = =
𝑃(𝑌 = 𝑦𝑗 ) 𝑝𝑌 (𝑦𝑗 )

𝑃(𝑋 = 𝑥𝑖 , 𝑌 = 𝑦𝑗 ) 𝑝𝑋𝑌 (𝑥𝑖 , 𝑦𝑗 )

𝑝𝑌|𝑋 𝑥𝑖 𝑦𝑗 ≔ 𝑃(𝑌 = 𝑦𝑗 |𝑋 = 𝑥𝑖 ) = =
𝑃(𝑋 = 𝑥𝑖 ) 𝑝𝑋 (𝑥𝑖 )

<
← MENU AKHIRI >
→
Yang hanya berlaku jika penyebut tidak bernilai nol. 𝑝𝑋|𝑌 dinamakan probability mass
function (pmf) bersyarat dari X diberikan Y. Demikian juga dengan 𝑝𝑌|𝑋 adalah pmf
bersyarat dari Y diberikan X. Dengan mengalikan penyebutnya didapatkan hubungan
𝑝𝑋𝑌 𝑥𝑖 , 𝑦𝑗 = 𝑝𝑋|𝑌 𝑥𝑖 𝑦𝑗 𝑝𝑌 𝑦𝑗 = 𝑝𝑌|𝑋 𝑦𝑗 𝑥𝑖 𝑝𝑋 (𝑥𝑖 )

Contoh:
Hitunglah pmf bersyarat 𝑝𝑌|𝑋 (𝑗, 𝑖) jika

Solusi
Dari contoh yang lalu,

Sehingga, untuk nilai i = 0, . . . ,n−1,

Jadi dengan diberikan nilai X = i untuk nilai i = 0, . . . ,n−1, didapatkan nilai Y yang
bersyarat yang memiliki bentuk geometric0 (i/(i+1).

<
← MENU AKHIRI >
→
Persamaan 𝑝𝑌|𝑋 𝑦𝑗 𝑥𝑖 = 𝑝𝑋𝑌 𝑥𝑖 , 𝑦𝑗 /𝑝𝑋 (𝑥𝑖 ) menunjukkan untuk nilai 𝑥𝑖 yang tetap,
𝑝𝑌|𝑋 𝑦𝑗 𝑥𝑖 adalah fungsi dari 𝑦𝑗 yang memiliki bentuk potongan-potongan tipis dari
𝑝𝑋𝑌 𝑥𝑖 , 𝑦𝑗 . Untuk pmf pada contoh yang lalu dengan n = 5, ditunjukkan di gambar
3.3. Untuk nilai i yang constant, 𝑝𝑋𝑌 𝑖, 𝑗 fungsi dari j memiliki bentuk pmf 𝑝𝑌|𝑋 𝑗 𝑖
geometric0(i/(i+1)).

pmf bersyarat memainkan peranana penting, karena digunakan untuk menghitung

probabilitas bersyarat, seperti halnya menggunakan pmf marginal untuk perhitungan
probabilitas biasa. Contohnya
𝑃 𝑌 ∈ 𝐶 𝑋 = 𝑥𝑘 = ෍ 𝐼𝐶 𝑦𝑗 𝑝𝑌|𝑋 (𝑦𝑗 |𝑥𝑘 )
𝑗
Rumusan ini diturunkan dengan menggunakan B = {xk} di persamaan (2.11), dan
membagi hasilnya dengan P(X =xk) = pX (xk). <
← MENU AKHIRI >
→
Contoh:
(Saluran optis). Untuk mengirimkan berita i melalui sistim komunikasi optis, cahaya
dengan intensitas λi diarahkan ke sebuah photodetektor. Jumlah photoelectron yang
dibangkitkan adalah variable random Poisson(λi). Hitunglah probabilitas bersyarat
bahwa jumlah photoelectrons yang diamati pada photodetector berjumlah lebih
sedikit dari 2 diberikan berita i telah terkirim.

Solusi
Dengan menggunakan X sebagai variable untuk pesan yang dikirim, dan Y sebagai
variable untuk jumlah photoelectrons yang dibangkitkan oleh photodetector.
Rumusan masalah dari contoh ini adalah

Probabilitas bersyarat yang dihitung

<
← MENU AKHIRI >
→
Contoh:
Untuk kedua variable random yang diberikan di contoh sebelum ini, X dan Y,
hitunglah pmf joint mereka, jika X ∼ geometric0(p).

Solusi
Pmf joint adalah

untuk i,n ≥ 0,
dan pXY (i,n) = 0 untuk nilai lainnya.

<
← MENU AKHIRI >
→
Hukum Probabilitas Total (The law of total probability)

Di bab 1, digunakan hukum probabilitas total untuk menghitung probabilitas dari

sebuah kejadian yang bisa terjadi melalui cara yang bermacam-macam. Di bab ini,
hukum ini dimodifikasi untuk digunakan pada kasus yang mana kejadian-kejadian
yang bersyarat.

Contohnya, trafik internet yang dibangkitkan di sebuah universitas tergantung dari

berapa banyak mahasiswa login. Bahkan, jika diketahuipun jumlah mahasiswa
yang login, tetap trafik yang dibangkitkan bersifat random. Jumlah mahasiswa
yang login juga variable random.

Hukum probabilitas total bisa digunakan untuk menganalisa kondisi ini.

Diberikan A ⊂ Ω adalah suatu kejadian, dan diberikan X suatu variable random
diskret yang mengambil nilai xi. Maka kejadian-kejadian
Bi := {X = xi} = {ω ∈ Ω : X(ω) = xi}.
bersifat pairwise disjoint, dan σ𝑖 𝑃 𝐵𝑖 = σ𝑖 𝑃 𝑋 = 𝑥𝑖 = 1. Hukum probabilitas
total menghasilkan

<
← MENU AKHIRI >
→
Jika Y adalah variable random yang bebas, dan diambil A = {Y ∈ C}, yang mana C
⊂ IR, maka

Yang juga dinamakan hukum probabilitas total. Jika Y adalah variable random
diskret yang mengambil nilai yj , maka dengan mengeset C = {yj} dihasilkan

<
← MENU AKHIRI >
→
Contoh:
(Saluran biner). Jika input dari saluran biner yang ditampilkan di gambar 3.4 adalah
variable random Bernoulli(p) X, dan output dari saluran ini adalah variable random Y,
hitunglah P(Y = j) untuk j = 0, 1.

Saluran Biner dengan

probabilitas crossover ε dan δ,
jika ε = δ, dinamakan juga
saluran biner simetris (binary
symmetric channel).
Solusi
Diagram ini menginformasikan bahwa P(Y = 1|X = 0) = ε dan P(Y = 0|X = 1) = δ . Besaran-
besaran ini dinamakan probabilitas menyilang (crossover probabilities).
Diagram ini juga memberikan informasi redundan bahwa P(Y = 0|X = 0) = 1−ε dan P(Y =
1|X = 1) = 1−δ.
Menggunakan hukum probabilitas total, didapatkan
P(Y = j) = P(Y = j|X = 0)P(X = 0)+P(Y = j|X = 1)P(X = 1).
Khususnya,
P(Y = 0) = P(Y = 0|X = 0)P(X = 0)+P(Y = 0|X = 1)P(X = 1)= (1−ε )(1− p)+δ p,
dan
P(Y = 1) = P(Y = 1|X = 0)P(X = 0)+P(Y = 1|X = 1)P(X = 1) = ε (1− p)+(1−δ )p.
<
← MENU AKHIRI >
→
Contoh:
Pada contoh yang lalu, andaikan p = 1/2, δ = 1/3, dan ε = 1/4.
Hitunglah P(Y = 0) dan P(Y = 1).

Solusi
Hasilnya P(Y = 0) = 13/24 dan P(Y = 1) = 11/24.

Karena crossover probabilities bernilai kecil, efek dari saluran terhadap data minimal.
Karena bit-bit masukan kemungkinan terjadinya sama, diharapkan bit keluaran juga
mendekati kondisi kemungkinan yang sama juga.

Contoh:
Sebuah sampel radioaktif mengeluarkan partikel alpha dengan suatu rate yang
tergantung dari ukuran sampel tersebut. Untuk sampel yang memiliki ukuran k,
andaikan bahwa jumlah partikel yang diamati berupa variable random Poisson Y dengan
parameter k. Jika ukuran sampel berupa variable random geometric1(p) X, tentukanlah
P(Y = 0) dan P(X = 1|Y = 0).

Solusi
Langkah pertama untuk dilakukan adalah rumusan masalah di contoh ini
menginformasikan bahwa P(Y = n|X = k) sebagai fungsi dari n adalah pmf Poisson
dengan parameter k. Dengan kata lain, <
← MENU AKHIRI >
→
 Khususnya, didapat P(Y = 0|X = k) = e−k.
Dan dengan menggunakan hukum probabilitas total dituliskan

Dengan n=0 dan k=1

𝑃 𝑌 = 0 𝑋 = 1 = 𝑒 −1
Dengan k=1
Selanjutnya, 𝑃 𝑋 =1 =1−𝑝

<
← MENU AKHIRI >
→
Contoh
Sebuah mata robot yang menggunakan sebuah photodetector, yang memiliki effisiensi yang
dalam suatu kesempatan merosot menjadi setengah.
Jika bekerja dengan baik, detector menghasilkan photoelectron yang mengikuti pmf
Poisson(λ).
Jika detector ini memiliki malfunctions, maka outputnya mengikuti pola pmf Poisson(λ /2).

Dengan p < 1 yang menggambarkan probabilitas bahwa detector ini berfungsi dengan baik.
Tentukanlah pmf dari jumlah photoelectrons yang diamati. Juga tentukanlah probabilitas
bersyarat bahwa rangkaian bekerja dengan kesalahan jika diberikan hanya ada n buah
photoelectrons yang diamati.

Solusi
Gunakan Y untuk mengamati output dari detector, dan gunakan X = 1 untuk tanda, bahwa
detector bekerja dengan baik. X =0 untuk detector yang berkerja secara malfunctioning.
Maka rumusan masalah di sini bahwa P(X = 1) = p dan

<
← MENU AKHIRI >
→
Dengan menggunakan hukum probabilitas total,

Ini adalah pmf dari jumlah photoelectrons yang diamati.

Rumusan ini bisa digunakan untuk menentukan P(X = 0|Y = n). Dengan

Yang jelas menghasilkan angka antara nol dan 1 sebagaimana suatu

probabilitas seharusnya.
Perlu dicatat bahwa sebuah nilai yang lebih besar Y = n, probabilitas
bersyarat bahwa detector mengalami malfunction dengan kemungkinan
yang lebih kecil.

<
← MENU AKHIRI >
→
 Daftar Pustaka
• John Gubner, (2006) Probability and Random
Processes, Cambridge.

<
← MENU AKHIRI >
→
Terima Kasih
Mudrik Alaydrus
Umaisaroh