Proses Random

06
Modul ke:

Fakultas
Teknik
Cumulative distribution functions
Program Studi
Magister Teknik
Elektro Mudrik Alaydrus
Umaisaroh

Pembuka Daftar Pustaka Akhiri Presentasi

Cumulative distribution functions

Cumulative distribution function (cdf) dari sebuah variable random X didefinisikan

dengan

FX (x) := P(X ≤ x).

Seperti yang akan dilihat nanti, informasi yang ada pada cdf ekuivalen dengan
informasi yang ada pada kerapatan probabilitas atau pada pmf dari sebuah
variable random.
Seperti halnya ketika membahas fungsi karakteristik. Hal ini dibahas, karena ada
masalah-masalah yang lebih mudah dibahas dengan fungsi karakteristik
dibandingkan dengan kerapatan, dan ada sebagian masalah yang lebih mudah
dibahas dengan cdf dibandingkan dengan kerapatan.

<
← MENU AKHIRI >
→
Variabel Random Kontinyus

Jika X adalah sebuah variable random kontinyus dengan kerapatan f, maka

!

𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = + 𝑓 𝑡 𝑑𝑡
#"
Secara grafis, F(x) adalah luasan di bawah fungsi kerapatan f (t) dari −∞ < t ≤ x. Ini
adalah luasan yang diarsir di gambar 5.1. Karena luasan total yang berada di
bawah fungsi kerapatan adalah satu, maka luasan yang tidak diarsir, yaitu
"
∫! 𝑓 𝑡 𝑑𝑡, bernilai 1−F(x). Maka,

"

1 − 𝐹 𝑥 = 𝑃 𝑋 ≥ 𝑥 = + 𝑓 𝑡 𝑑𝑡
!

<
← MENU AKHIRI >
→
Untuk a < b, bisa digunakan cdf untuk menghitung probabilitas

% % $
𝑃 𝑎 ≤ 𝑋 ≤ 𝑏 = + 𝑓 𝑡 𝑑𝑡 = + 𝑓 𝑡 𝑑𝑡 − + 𝑓 𝑡 𝑑𝑡 = 𝐹 𝑏 − 𝐹(𝑎)
$ #" #"

Maka, F(b)−F(a) adalah luasan dari wilayah yang diarsir di gambar 5.2.

<
← MENU AKHIRI >
→
Contoh
Tentukanlah cdf dari variable random Cauchy random X
dengan parameter λ = 1.

Solusi
Dengan

! !
1/𝜋 1
𝐹 𝑥 =+ &
𝑑𝑡 = tan#' (𝑡)6
#" 1 + 𝑡 𝜋 #"

1 −𝜋 1 1
= tan#' 𝑥 − = tan#' 𝑥 +
𝜋 2 𝜋 2
Grafik F ditunjukkan di gambar 5.3.

<
← MENU AKHIRI >
→
Contoh
Tentukanlah cdf dari variable random X uniform[a,b].

Solusi
!
Karena f (t) = 0 untuk t < a dan t > b, maka 𝐹 𝑥 = ∫#" 𝑓(𝑡) 𝑑𝑡 bernilai nol
untuk x < a, dan bernilai 1 untuk x > b.
Sedangkan untuk a ≤ x ≤ b, dihitung
! !
1 𝑥−𝑎
𝐹 𝑥 = + 𝑓(𝑡) 𝑑𝑡 = + 𝑑𝑡 =
#" $ 𝑏 − 𝑎 𝑏−𝑎

Sehingga, untuk a ≤ x ≤ b, F(x) adalah sebuah fungsi affin dari x. Grafik dari F
jika X ∼ uniform[0,1] ditunjukkan di gambar 5.3.

<
← MENU AKHIRI >
→
Sekarang diamati cdf dari variable random Gauss. Jika X ∼ N(m,σ2), maka
! ' (#) !
1 #
𝐹 𝑥 =+ 𝑒 & * 𝑑𝑡
#" 2𝜋 𝜎

Sayangnya, tak ada ekspresi rumusan untuk integral ini. Integral ini dihitung
secara numeris dan program matematika menawarkan subroutine untuk
mengevaluasinya. Sebagai contoh, dalam MATLAB, integral di atas bisa dihitung
dengan normcdf(x,m,sigma).

Selanjutnya ditunjukkan bahwa N(m,σ2) cdf selalu bisa ditampilkan dalam bentuk
cdf yang bersifat normal standard,
+
1 '
# ,!
Φ 𝑦 = + 𝑒 & 𝑑𝜃
2𝜋 #"

Yang ditunjukkan secara grafis di gambar 5.3.

<
← MENU AKHIRI >
→
Dengan melakukan substitusi variable, θ = (t −m)/σ didapatkan
! ' (#) !
1 #& *
𝐹 𝑥 =+ 𝑒 𝑑𝑡
#" 2𝜋 𝜎
(!#))/*
1 '
#& , ! 𝑥−𝑚
𝐹 𝑥 = + 𝑒 𝑑𝜃 = Φ
2𝜋 #" 𝜎

Juga didefinisikan complementary cumulative distribution function (ccdf),

"
1 '
#& , !
𝑄 𝑦 =1−Φ 𝑦 = + 𝑒 𝑑𝜃
2𝜋 +

<
← MENU AKHIRI >
→
Contoh
(Probabilitas bit-error). Pada penerima dari sebuah sitim komunikasi digital, noise
termal dalam amplifier kadang-kadang menghasilkan keputusan yang tidak tepat.
Sebagai contoh, jika sinyal antipodal dengan energy E digunakan, maka
probabilitas bit-error bisa ditunjukkan 𝑃(𝑋 > 𝐸) yang mana X ∼ N(0,σ2)
merepresentasikan noise, dengan daya noise sebesar σ2. Berikan probabilitas bit-
error dalam bentuk tampilan cdf Φ normal standard dan dalam bentuk Q.

Solusi
Probabilitas dituliskan dengan
𝐸 𝐸 𝐸
𝑃 𝑋 > 𝐸 = 1 − 𝐹0 𝐸 =1−Φ =1−Φ =𝑄
𝜎 𝜎& 𝜎&

Perhitungan ini menunjukkan bahwa probabiltias bit-error secara lengkap diberikan

oleh E/σ2, yang dinamakan signal-to-noise ratio (SNR). Ketika nilai SNR
meningkat, demikian juga Φ, tetapi Q menurun, dan demikian juga probabilitas error.

Dengan kata lain, menaikkkan SNR menurunkan probabilitas error. Sehingga, satu-
satunya jalan untuk memperbaiki unjuk kinerja adalah menggunakan sinyal berdaya
tinggi atau amplifier low-noise. ← < →
MENU AKHIRI >
Karena setiap cdf Gauss bisa dinyatakan dalam bentuk cdf normal standar Φ, maka
setiap probabilitas Gauss bisa dihitung jika table nilai Φ(x) tersedia atau tersedianya
program untuk menghitung Φ(x). Sebagai contoh, sebuah table kecil nilai-nilai Φ(x)
dan Q(x) = 1−Φ(x) diberikan di table 5.1. Untungnya, karena Φ bisa dinyatakan
dalam bentuk fungsi error (error function), yang tersedia di sebagian besar
subroutine libraries, sehingga table jarang sekali diperlukan.

Nilai dari cdf standard normal

Φ(x) and ccdf Q(x) := 1−Φ(x).
Untuk mengevaluasi Φ dan Q
dengan argument negatif,
gunakan Φ(−x) = Q(x).

<
← MENU AKHIRI >
→
Contoh
Hitunglah probabilitas bit-error di contoh yang lalu jika signal-to-noise ratio
bernilai 6 dB.

Solusi
Seperti yang ditunjukkan di contoh yang lalu, probabilitas bit-error adalah
𝑄 𝐸/𝜎 & . Rumusan masalah di atas memberikan perhitungan
𝐸
10 log & = 6
𝜎
1
Atau ! = 102/'3 ≈ 3.98 dan 𝐸/𝜎 & ≈ 2.0. Sehingga dari table 5.1, probabilitas
*
error menjadi Q(2) = 0.0228.

<
← MENU AKHIRI >
→
Contoh
Diberikan variable random X yang memiliki cdf
𝑥, 0 < 𝑥 < 1
𝐹 𝑥 = O 1, 𝑥≥1
0, 𝑥≤0
Tentukanlah kerapatan probabilitas dan sketsakanlah cdf dan pdf.

Solusi
'
Untuk 0 < x < 1, 𝑓 𝑥 = 𝐹 4 𝑥 = 𝑥 #'/& , sementara untuk nilai x lainnya, F(x) konstan
&
secara per-potong dengan nilai nol atau satu; untu nilai-nilai ini, F’(x) = 0. Sehingga
1
, 0<𝑥<1
𝑓 𝑥 = R2 𝑥
0, lainnya
cdf dan pdf diberikan di gambar 5.4.

<
← MENU AKHIRI >
→
Contoh
Amati sebuah rangkaian listrik yang memiliki tegangan masukan random X.
Tegangan ini pertama-tama diperkuat dengan gain μ > 0 dan ditambahkan dengan
sebuah tegangan offset yang konstan β . Maka tegangan keluarannya menjadi Y =
μX +β . Jika tegangan input adalah sebuah variable random kontinyus, tentukanlah
kerapatan dari tegangan output Y.

Solusi
Walaupun yang ditanyakan adalah kerapatan dari Y, sangatlah menguntungkan jika
dihitung cdf terlebih dahulu kemudian mendiferensiasikannya untuk mendapatkan
kerapatan.
Dengan
𝑦−𝛽
𝐹5 𝑦 = 𝑃 𝑌 ≤ 𝑦 = 𝑃 𝜇𝑋 + 𝛽 ≤ 𝑦 = 𝑃 𝑋 ≤ , karena 𝜇 > 0
𝜇
𝑦−𝛽
= 𝐹0
𝜇
Jika X memiliki kerapatan fX , maka
𝑑𝐹5 𝑦 𝑑 𝑦−𝛽 1 𝑦−𝛽 1 𝑦−𝛽
𝑓5 𝑦 = = 𝐹 = 𝐹′0 = 𝑓0
𝑑𝑦 𝑑𝑦 0 𝜇 𝜇 𝜇 𝜇 𝜇

<
← MENU AKHIRI >
→
Contoh
Dalam sistim komunikasi wireless, fading seringkali dimodelkan dengan bantuan
variable random lognormal. Dikatakan sebuah variable random positif Y sebagai
lognormal jika lnY adalah sebuah variable random normal. Tentukanlah kerapatan
dari Y jika lnY ∼ N(m,σ2).

Solusi
Gunakan X := lnY sehingga bahwa Y = eX, yang mana X ∼ N(m,σ2).
Walaupun ditanyakan tentang kerapatan dari Y, tapi jauh lebih menguntungkan jika
dihitung dahulu cdf kemudian dengan diferensiasi didapatkan kerapatan.
Mula-mula, diperhatikan karena Y = eX bernilai positif, jika y ≤ 0, FY (y) = P(Y ≤y) =
0.
Untuk y > 0, dituliskan
FY (y) = P(Y ≤ y) = P(eX ≤ y) = P(X ≤ ln y) = FX (lny).
Dengan aturan rantai,
fY (y) = fX (lny) 1/y
Dengan fakta bahwa X ∼ N(m,σ2),
' 67 +#) !
#
𝑒 & *
𝑓5 𝑦 = , 𝑦>0
2𝜋 𝜎 𝑦

<
← MENU AKHIRI >
→
Fungsi g(x) = μx+β dan g(x) = ex yang ditunjukkan di dua contoh yang lalu bersifat
kontinyus, fungsi yang monoton membesar dengan x.

Secara umum, jika g(x) kontinyus dan monoton membesar (atau monoton
mengecil), bisa ditunjukkan bahwa jika Y = g(X), maka

𝑓5 𝑦 = 𝑓0 ℎ(𝑦) ℎ′(𝑦)

Yang mana h(y) := g−1(y). Dari Kalkulus didapatkan h’(y) = 1/g’(g−1(y)), persamaan
di atas kadang-kadang dituliskan dengan
𝑓0 𝑔#' (𝑦)
𝑓5 𝑦 =
𝑔′(𝑔#' (𝑦))

Walaupun persamaan di atas dirumuskan dengan baik, tetapi hanya bisa digunakan
untuk fungsi-fungsi yang monoton naik atau monoton turun. Bahkan untuk fungsi
sederhana seperti g(x) = x2 persamaan itu tidak cocok digunakan (fungsi x2 turun
untuk x < 0 dan monoton naik untuk x > 0). Fungsi yang seperti ini akan ditangani
sebagai berikut ini.
<
← MENU AKHIRI >
→
Contoh
Modulasi amplitudo pada suatu sistim komunikasi bisa dilakukan oleh berbagai macam
komponen elektronik tidak linier seperti diode. Andaikan komponen tidak linier ini
dimodelkan dengan Y = X2. Jika input X adalah variable random kontinyus, hitunglah
kerapatan dari output Y = X2.

Solusi
Walaupun ditanyakan tentang kerapatan dari Y, tapi jauh lebih menguntungkan jika
dihitung dahulu cdf kemudian dengan diferensiasi didapatkan kerapatan.
Dimulai dengan catatan bahwa karena Y =X2 nonnegative, untuk y < 0, FY (y) = P(Y ≤
y) = 0. Untuk y yang non-negatif dituliskan
+
𝐹5 𝑦 = 𝑃 𝑌 ≤ 𝑦 = 𝑃 𝑋& ≤𝑦 =𝑃 − 𝑦≤𝑋≤ 𝑦 =+ 𝑓0 𝑡 𝑑𝑡
# +
Fungsi kerapatan adalah diferensiasinya terhadap y
+
𝑑 1
𝑓5 𝑦 = + 𝑓0 𝑡 𝑑𝑡 = 𝑓 𝑦 + 𝑓0 (− 𝑦) , 𝑦>0
𝑑𝑦 # + 2 𝑦 0

Karena P(Y ≤ y) = 0 untuk y < 0, f (y) = 0 untuk y < 0.

Y

<
← MENU AKHIRI >
→
Jika tegangan input pada diode adalah X yang memiliki model seperti pada
contoh yang lalu N(0,1), maka Y akan memiliki bentuk chi-squared dengan
sebuah derajat kebebasan (degree of freedom).
Jika X memiliki bentuk N(m,1) dengan m ≠ 0, maka Y berbentuk noncentral chi-
squared dengan sebuah derajat kebebasan (degree of freedom).
Kedua hasil ini sering dipakai dalam analisa di sistim komunikasi digital.
Kedua contoh terakhir mengilustrasikan problem menentukan kerapatan dari Y
= g(X) jika X adalah sebuah variable random kontinyus.
Contoh berikut mengilustrasikan problem menentukan kerapatan dari Z = g(X,Y)
jika X diskret dan Y kontinyus.

<
← MENU AKHIRI >
→
Contoh
(sinyal terkontaminasi noise aditif). Diberikan X dan Y variable random yang
independen, dengan X diskret dengan pmf pX dan Y kontinyus dengan kerapatan
fY . Gunakan Z := X +Y dan tentukanlah kerapatan dari Z.

Solusi
Walaupun ditanyakan tentang kerapatan dari Z, tapi jauh lebih menguntungkan
jika dihitung dahulu cdf kemudian dengan diferensiasi didapatkan kerapatan.
Kali ini digunakan hukum probabilitas total, substitusi, dan independensi. Dengan
𝐹8 𝑧 = 𝑃 𝑍 ≤ 𝑧 = ` 𝑃 𝑍 ≤ 𝑧 𝑋 = 𝑥9 𝑃(𝑋 = 𝑥9 )
9

= ` 𝑃 𝑋 + 𝑌 ≤ 𝑧 𝑋 = 𝑥9 𝑃(𝑋 = 𝑥9 ) = ` 𝑃 𝑥9 + 𝑌 ≤ 𝑧 𝑋 = 𝑥9 𝑃(𝑋 = 𝑥9 )
9 9

= ` 𝑃 𝑌 ≤ 𝑧 − 𝑥9 𝑋 = 𝑥9 𝑃(𝑋 = 𝑥9 ) = ` 𝑃(𝑌 ≤ 𝑧 − 𝑥9 )𝑃(𝑋 = 𝑥9 )

9 9

= ` 𝐹5 (𝑧 − 𝑥9 )𝑝0 (𝑋 = 𝑥9 )
9

Diferensiasi ekspresi di atas terhadap z didapatkan

𝑓8 𝑧 = ` 𝑓5 𝑧 − 𝑥9 𝑝0 (𝑥9 )
<
← MENU AKHIRI >
→
9
Variabel Random Diskret

Dalam membahas cdf, analogi antara kasus kontinyus dan diskret sangat
jelas:
Kerapatan menjadi pmf, dan integral menjadi penjumlahan.
Di bagian ini ditunjukkan bahwa untuk sebuah variable random diskret yang
memiliki nilai-nilai terpisah (distinct) xi dengan probabilitas p(xi) := P(X = xi),
rumusannya secara analog menjadi

𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = ` 𝑝(𝑥9 )
9:!" ;!

Dan untuk dua nilai berdampingan xj−1 < xj ,

𝑝 𝑥< = 𝐹 𝑥< − 𝐹 𝑥<#'

<
← MENU AKHIRI >
→
Contoh
Tentukanlah cdf dari sebuah variable random Bernoulli(p).

Solusi
Karena variable random Bernoulli hanya mengambil nilai nol dan satu, ada tiga
interval x yang menuntut perhatian: x < 0, 0 ≤ x < 1, dan x ≥ 1.
Amati sebuah x di interval 0 ≤ x < 1. Satu-satunya cara mendapatkannya X ≤ x
untuk x seperti itu jika X = 0. Sehingga, untuk x seperti itu, F(x) = P(X ≤ x) =
P(X = 0) = 1− p.
Selanjutnya diamati an x < 0. Karena tak pernah didapatkan X < 0, tak akan
pernah didapatkan nilai X ≤ x. Maka, F(x) = P(X ≤ x) = P(∅) = 0.
Dan, karena selalu didapatkan X ≤ 1, jika x ≥ 1, selalu didapatkan X ≤ x. Maka,
F(x) = P(X ≤ x) = P(Ω) = 1. Secara keseluruhan didapatkan
0, 𝑥<0
𝐹 𝑥 = O1 − 𝑝, 0≤𝑥<1
1, 𝑥≥1
Perhatikan F(1)−F(0) = p = P(X = 1).

<
← MENU AKHIRI >
→
Contoh
Tentukanlah cdf dari sebuah variable random diskret yang memiliki nilai-nilai 0, 1, dan 2 dengan
probabilitas p0, p1, dan p2, yang mana pi bersifat nonnegative dan jumlahnya satu.

Solusi
Karena X memiliki tiga nilai, maka ada empat interval: x < 0, 0 ≤ x < 1, 1 ≤ x < 2, dan x ≥ 2.

Untuk x lebih kecil dari nilai minimal yang mungkin dicapai oleh X, P(X ≤ x) = P(∅) = 0.
Demikian juga, untuk x yang lebih besar atau sama dengan nilai maksimum yang bisa dicapai
oleh X, didapatkan P(X ≤ x) = P(Ω) = 1.

Untuk 0 ≤ x < 1, satu-satunya cara bisa didapatkan X ≤ x untuk mendapatkan X = 0. Maka, F(x)
= P(X ≤ x) = P(X = 0) = p0.

Untuk 1 ≤ x < 2, satu-satunya cara bisa didapatkan X ≤ x untuk mendapatkan X = 0 atau X = 1.

Maka, F(x) = P(X ≤ x) = P({X = 0}∪{X = 1}) = p0+ p1.
Sebagai ringkasan,
0, 𝑥<0
𝑝!, 0≤𝑥<1
𝐹 𝑥 =
𝑝! + 𝑝", 1≤𝑥<2
1, 𝑥≥2

Yang disketsakan di gambar 5.6. Sebagai catatan bahwa F(1)−F(0) = p1, dan
F(2)−F(1) = 1−(p0+ p1) = p2 = P(X = 2).
Maka, setiap probability masses bisa direkoveri dari cdf. <
← MENU AKHIRI >
→
 Daftar Pustaka
• John Gubner, (2006) Probability and Random
Processes, Cambridge.

<
← MENU AKHIRI >
→
Terima Kasih
Mudrik Alaydrus
Umaisaroh