Dasar probabilitas

Sample space, sample points, events

 Sample space,, adalah sekumpulan semua sample points,, yang mungkin;
dimana 
 Contoh 1. Melemparkan satu buah koin:={Gambar,Angka}
 Contoh 2. Menggelindingkan dadu: ={1,2,3,4,5,6}
 Contoh 3. Jumlah pelanggan dalam antrian: ={0,1,2,…}
 Contoh 4. Waktu pendudukan panggilan (call holding time): ={xx>0}
 Events A,B,C,…   adalah himpunan bagian (yang dapat diukur) dari sample
space
 Contoh 1. Angka genap pada sebuah dadu:A={2,4,6}
 Contoh 2. Tidak ada pelanggan yang mengantri : A={0}
 Contoh 3. Call holding time lebih dari 3 menit. A={xx>3}
  adalah kumpulan semua events
 Event yang pasti : sample space  merupakan elemen dari 
 Event yang tidak mungkin : himpunan kosong  yang juga merupakan
anggota 
3

Kombinasi event
 Union (gabungan) :“A atau B” : AB={A atau
B}
 Irisan: “A dan B” : AB={A dan B}
 Komplemen : “bukan A”:Ac={A}
 Event A dan B disebut tidak beririsan (disjoint) bila :
AB=
 Sekumpulan event {B1,B2,…} merupakan partisi dari event
A jika
 (i) Bi  Bj= untuk semua ij
 (ii) iBi =A
4

Probabilitas (peluang)
 Probabilitas suatu event dinyatakan oleh P(A)
 P(A)[0,1]
 Sifat-sifat peluang
5

Conditional Probability
(Peluang bersyarat)
 Asumsikan bahwa P(B)>0
 Definisi : Conditional probability dari suatu
event A bila diketahui event B terjadi
didefinisikan sebagai berikut

 Dengan demikian
6

Teorema Probabilitas Total

 Bila {Bi} merupakan partisi dari sample
space 
 Lalu {ABi} merupakan partisi dari event A,
maka berdasarkan sifat probabilitas yang
ketujuh pada slide nomor 4

 Kemudian asumsikan bahwa P(Bi)>0 untuk

semua i. Maka berdasarkan uraian pada
slide nomor 5 dapat didefinisikan teorema
probabilitas total sbb
7

Contoh:
 Suatu berkas saluran terdiri dari 2 saluran :
P(k)= Prob bahwa saluran baik.
P(0)=0,2; P(1)=0,3; P(2)=0,5
Dan E(k)=Prob bahwa suatu panggilan diblok,
bila diketahui k saluran baik.
E(0)=1;E(1)=2/3 dan E(2)=2/5
Berapa besar probabilitas suatu panggilan
diblok?dan Berapa besar probabilitas suatu
panggilan tidak di blok?
8

Di blok
1
0 sal.baik
0
Tidak di blok
0,2
2/3 Di blok
0,3
1/3
1 sal baik Tidak di blok
0,5
2/5 Di blok

2 sal. baik Tidak di blok

3/5
9

Jawab:

Prob suatu panggilan di blok=

P(0).E(0)+P(1).E(1) +P(2).E(2)=
0,2.1 +0,3.(1/3) +0,5.(2/5)=0,6

 Prob suatu panggilan tidak di blok=

0,2.0 +0,3.(2/3)+0,5.(3/5) =0,4
10

Teorema Bayes
 Bila {Bi} merupakan partisi dari sample space 
 Asumsikan bahwa P(A)>0 dan P(Bi)>0 untuk semua i.
Maka berdasarkan uraian pada slide nomor 5

 Kemudian, berdasarkan teorema probabilitas total, kita

peroleh

 Ini merupakan teorema Bayes

 Peluang P(Bi) disebut peluang a priori dari event Bi
 Peluang P(BiA) disebut peluang a posteriori dari event Bi (bila
diketahui event A terjadi)
11

Kesalingbebasan statistik dari event

(Statistical independence of event)
 Definisi : Event A dan B saling bebas
(independent) jika

 Dengan demikian

 Demikian pula
12

Peubah acak (random variables)

 Definisi : Peubah acak X (yang merupakan bilangan riil
[real-valued]) adalah fungsi bernilai riil dan dapat diukur
yang didefinisikan pada sample space ;X:   
 Setiap titik sample (sample points)  dihubungkan dengan
sebuah bilangan riil X()
 Dapat diukur memiliki arti bahwa semua himpunan yang
berbentuk

 berasal dari kumpulan event , yaitu

 Peluang event yang seperti itu dinyatakan oleh P{X  x}

13

Contoh
 Sebuah koin dilempar (menghasilkan head (H)
atau tail (T)
 Sample space:

 Misalnya peubah acak X merupakan jumlah

total tail (T) dalam ketiga eksperimen
pelemparan koin tersebut, maka :
14

Indikator dari suatu event

 Misalkan A   merupakan suatu event
 Definisi : indikator dari suatu event A adalah
peubah acak yang didefinisikan sbb:

 Maka
15

Probability Distribution Function

(PDF)
 Definisi : PDF dari suatu peubah acak X adalah fungsi
FX:   [0,1] yang didefinisikan sebagai berikut

 PDF menentukan distribusi dari peubah acak

 Peluang P{XB}, dimana B  dan {XB} 
 Sifat
16

Kesalingbebasan statistik dari peubah

acak (Statistical independence of random
variables)

 Definisi : Peubah acak X dan Y saling

bebas jika untuk semua x dan y

 Definisi : Peubah acak X1, …,Xn saling

bebas jika untuk semua i dan xi
17

Maximum dan minimum dari peubah

acak yang saling bebas
 Misalkan peubah acak X1,…,Xn saling
bebas
 Bila Xmax:=max{X1,…,Xn}, maka

 Bila Xmin:=min{X1,…,Xn}, maka

18

Peubah acak diskrit

 Definisi : himpunan A disebut diskrit bila
 Terbatas : A={x1,…,xn}, atau
 Tak terbatas : A={x1,x2,…}
 Definisi : peubah acak X disebut diskrit bila terdapat
sebuah himpunan diskrit Sx sedemikian hingga

 Maka
 P{X=x}  0 untuk semua x  Sx
 P{X=x}  0 untuk semua x  Sx
 Himpunan Sx disebut himpunan nilai (value set)
19

Peluang titik (point probabilities)

 Misalkan X adalah peubah acak diskrit
 Distribusi X ditentukan oleh peluang titik pi

 Definisi : probability mass function (pmf) dari X adalah

merupakan fungsi pX:   [0,1] yang didefinisikan sbb

 Pada kasus ini, PDF merupakan fungsi step

20

Contoh
21

Kesalingbebasan peubah acak

 Peubah acak diskrit X dan Y dikatakan
saling bebas jika dan hanya jika untuk
semua xiSX dan yjSy
22

Ekspektasi (harapan,rataan)
 Definisi : Harga ekspektasi (rata-rata/mean value) dari X
dinyatakan oleh

 Catatan 1: ekspektasi akan ada hanya jika

 Catatan 2 : Jika , maka
 Sifat-sifat
23
Contoh:
 Suatu berkas saluran terdiri dari 10 saluran:

Jumlah sal yang di P(Xi) Xi.P(Xi)

duduki
0 0,20 0
1 0,19 0,19
2 0,16 0,32
3 0,13 0,39
4 0,10 0,40
5 0,07 0,35
6 0,05 0,30
7 0,04 0,28
8 0,03 0,24
9 0,02 0,18
10 0,01 0,10

Total 1 2,75
24

 Nilai di atas menunjukkan harga rata-

rata dari jumlah saluran yang di duduki
terus menerus dalam 1 jam sibuk (A).
 Sehingga dari contoh, nilai 2,75
menunjukkan bahwa dalam 1 jam sibuk
diharapkan 2,75 saluran di duduki.
25

1 Jam

1
2

10
26

Variance
 Definisi : Variance dari X didefinisikan sbb

 Rumus yang bermanfaat

 Sifat-sifat
27

Covariance
 Definisi : Covariance antara X dan Y didefinisikan
sbb

 Rumus yang bermanfaat

 Sifat-sifat
28

Parameter lain yang berhubungan dengan

distribusi

 Deviasi standard dari X

 Koefisien perubahan (coefficient of

variation) dari X

 Momen ke-k dari X

29

Rata-rata dari peubah acak IID

 Misalkan X1,…,Xn saling bebas dan teridistribusi secara
identik (independent and identically distributed [IID])
dengan m dan variance s2
 Rata-rata-nya(average/sample mean)

 Maka
30

Law of large numbers (LLN)

31

Distribusi Bernoulli
Menyatakan suatu eksperimen acak dengan dua keluaran yang
mungkin
 Sukses (1) : “Probabilitas di duduki” (P)
 Gagal (0) : “Probabilitas bebas” (q= 1-P)
Nilai 1 berpeluang p (nilai 0 untuk peluang 1-p)
32

Distribusi binomial
Menyatakan jumlah sukses dalam sejumlah eksperimen acak yang
saling bebas (masing-masing eksperimen bersifat Bernoulli);
 n = jumlah total eksperimen
 p = peluang sukses dalam suatu eksperimen
33

1
2

Prob. P(X=i) saluran diduduki = P(x):

34

Contoh:
 Suatu berkas saluran terdiri dari 12
saluran, dengan probabilitas diduduki
untuk setiap saluran 0,3. tentukan
probabilitas:
a. Tak ada saluran yang diduduki?
b. 10 saluran diduduki?
35

Distribusi geometrik

Menyatakan jumlah sukses yang terjadi sampai didapatkan

kegagalan yang pertama dari sejumlah eksperimen acak yang saling
bebas (masing-masing eksperimen bersifat Bernoulli)
 p = peluang sukses dalam suatu eksperimen
36

Sifat memoryless
 Distribusi geometrik mempunyai sifat
memoryless yaitu untuk semua i,j {0,1…}
37

Minimum dari peubah acak geometrik

38

Distribusi Poisson
Limit dari distribusi binomial dimana n  dan p  0,
sedemikian hingga np  a
39

Contoh
 Asumsikan
 200 pelanggan terhubung ke sentral lokal
 Trafik setiap pelanggan adalah 0.01
 Pelanggan saling bebas
 Maka jumlah panggilan yang aktif X ~ Bin(200,0.01)
 Pendekatan Poisson X  Poisson(2,0)
 Peluang titik
40

Sifat-sifat distribusi Poisson

i. Penjumlahan (sum) : Bila X1~Poisson(a1) dan
X2~Poisson(a2) saling bebas, maka X1+ X2 ~Poisson(a1+
a2)
ii. Random sample : Misalkan X~Poisson(a) menyatakan
jumlah elemen dalam suatu himpunan, dan Y
menyatakan ukuran random sample dari himpunan
tersebut (setiap elemen diambil secara saling bebas
dengan peluang p), maka Y~Poisson (pa)
iii. Random sorting: Misalkan X dan Y seperti pada (ii),
dan Z=X-Y, maka Y dan Z adalah saling bebas (bila X
tidak diketahui) dan Z~Poisson ((1-p)a)
41

Peubah acak kontinu

 Definisi : peubah acak X kontinu jika terdapat fungsi yang dapat
diintegralkan fX:+, sedemikian hingga untuk semua x

 Fungsi fX disebut probability density function (pdf)

 Himpunan SX, dimana fX>0 disebut value set
 Sifat-sifat
42

Contoh
43

Ekspektasi dan parameter lain

 Ekspektasi (nilai rata-rata/mean value) dari X didefinisikan
sbb

 Note 1: Ekspektasi ada hanya jika

 Note 2: Jika , maka
 Sifat sama dengan distribusi diskrit
 Parameter distrubusi lainnya didefinisikan dan memiliki sifat
yang sama seperti pada distribusi diskrit
44

Distribusi Uniform (X~U(a,b), a<b)

45

Distribusi Eksponensial (X~Exp(l), l>0)

 Versi kontinu dari distribusi geometrik (peluang gagal  ldt)
46

Sifat memoryless
 Distribusi eksponensial mempunyai sifat
memoryless untuk semua x,y(0,)
P{X>x+yX>x}=P{X>y}
 Aplikasi
 Asumsikan bahwa call holding time terdistribusi
secara eksponensial dengan mean (rata-rata) h
 Misalnya suatu panggilan telah berakhir selama x
menit. Dengan sifat memoryless, hal ini memberi
informasi tentang lamanya waktu holding time yang
masih tersisa : juga terdistribusi seperti holding time
yang asli
 Ekspektasi dari holding time sisa adalah selalu h
47

Minimum dari peubah acak eksponensial

48

Distribusi normal (Gaussian)

ternormalisasi (X ~ N(0,1))
49

Distibusi normal (Gaussian)

50

Sifat-sifat distribusi Gaussian

51

Central Limit Theorem (CLT)