Anda di halaman 1dari 103

Review Teori Probabilitas

Rekayasa Trafik

Sukiswo
sukiswok@yahoo.com
sukiswo@elektro.ft.undip.ac.id

Rekayasa Trafik, Sukiswo 1


Outline
 Arti Probabilitas
 Counting Method
 Random Variable
 Discrete RV
 Continuous RV
 Multiple RVs

Rekayasa Trafik, Sukiswo 2


Arti Probabilitas

Rekayasa Trafik, Sukiswo 3


Apakah Probabilitas
 Arti probabilitas
– Situasi tdk dp secara eksak direplikasi
– Tetapi tdk chaotic (memp suatu pola)

Rekayasa Trafik, Sukiswo 4


Probabilitas
 Definisi
– Logika probabilitas

 Aksioma
– Fakta tanpa bukti/proof

 Teorema
– Diturunkan dari Definisi, Aksioma, atau Teorema
lainnya

Rekayasa Trafik, Sukiswo 5


Matematik Probabilitas
 Teori set
– Operasi set
– Set properties

Rekayasa Trafik, Sukiswo 6


Set Properties Penting

Rekayasa Trafik, Sukiswo 7


Eksperimen
 Apakah suatu eksperimen?
– Metoda utk mencari sejumlah fakta/konklusi
 Berikan suatu contoh?
– Utk film “Matrix Reloaded”, apakah fun?
– Berdiri di depan bioskop
– Tanya audiences, fun atau tdk?
 Komposisi dari suatu eksperimen
– Prosedure
– Observasi
 Mengapa eksperimen diperlukan?
– Ketidakpastian

Rekayasa Trafik, Sukiswo 8


Eksperimen
 Concern mengenai film “Matrix Reloaded”
– Apakah sebaiknya saya tanya laki-laki dewasa, perempuan
dewasa atau remaja?
– Pengalaman dari audiences
– Pengetahuan dari audiences

 Complicated experiment  perlu Model


– Eksperiment nyata: terlalu rumit
– Tangkap hanya bagian penting
– Contoh Model:
• Perlakukan semua audiences sama
• Jawaban hanya akan suka/tdk suka

Rekayasa Trafik, Sukiswo 9


Eksperimen

 Contoh:
– Lempar suatu coin 3 kali, observasi deretan heads/tails
– Lempar suatu coin 3 kali, observasi jumlah heads

Rekayasa Trafik, Sukiswo 10


Definisi dalam Probabilitas
 Outcome
– Sembarang observasi yg mungkin
 Sample Space
– Finest-grain: masing-masing outcome berbeda
– Mutually exclusive: jika satu outcome muncul, lainnya
tdk akan
– Collectively exhaustive: tiap outcome harus dlm sample
space

 Event
– Set dari outcomes (harus tahu semua outcomes)
– Event ⊂ Sample Space

Rekayasa Trafik, Sukiswo 11


Contoh-Contoh Event

Outcomes:
bilangan = 1,2,3,4,5,6

Sample space:
S = {1,2,3,…,6}

Event examples:
E1 = {bilangan < 3} = {1,2}
E2 = {bilangan ganjil} = {1,3,5}

Rekayasa Trafik, Sukiswo 12


Set vs Probabilitas

Rekayasa Trafik, Sukiswo 13


Probabilitas dari Event P[ ]

Dari eksperimen: Lempar dadu


Outcomes:
bilangan = 1,2,3,4,5,6

Sample space:
S = {1,2,3,…,6}

Event examples:
E1 = {bilangan < 3} = {1,2}
E2 = {bilangan ganjil} = {1,3,5}

Rekayasa Trafik, Sukiswo 14


Aksioma-Aksioma Probabilitas
 Aksioma 1: Utk sembarang event A, P[A] ≥ 0

 Aksioma 2: P[S] = 1

 Aksioma 3: Utk events A1, A2,…, An yg mutual


exclusive events

Rekayasa Trafik, Sukiswo 15


Contoh Teorema-Teorema
 Teorema: Jika A dan B disjoint maka

 Teorema: Jika B = B1  B2  B3  …  Bn dan Bi


 Bj =  maka

Rekayasa Trafik, Sukiswo 16


Equally Likely
 Teorema:
Utk suatu eksperimen dg sample space
S={s1,…, sn}
Jika tiap outcome adalah equally likely,

Rekayasa Trafik, Sukiswo 17


Konsekuensi Dari Aksioma-Aksioma
Teorema:

 P[∅] = 0
 P[Ac] = 1 - P[A]
 Utk sembarang A dan B (tdk harus disjoint)
– P[A ∪ B] = P[A] + P[B] – P[A∩B]
– Jika A ⊂ B , maka P[A] ≤ P[B]

Rekayasa Trafik, Sukiswo 18


Suatu Teorema yg Berguna
Mis B1, B2,…,Bn event-
Event yg mutual exclusive
Dimana gabungannya
(union)
Sama dg sample space S
 partisi dari S
Utk sembarang event A

Teorema

Rekayasa Trafik, Sukiswo 19


Conditional Probability
 Dlm praktek, mungkin tdk mungkin utk menemukan
outcome yg persis dari suatu eksperimen

 Namun, jika kita tahu bhw Event B telah terjadi


(outcome dari Event A adalah dlm set B)
– Probabilitas dari A jika B muncul dp dinyatakan
– Masih belum tahu P[A]

Rekayasa Trafik, Sukiswo 20


Conditional Probability
 Notasi: P[A|B]
– Probabilitas dari A diberikan B
– Condition probability dari
event A diberikan kemunculan
dari event B

 Definisi:

Rekayasa Trafik, Sukiswo 21


Penjelasan Lanjut

Rekayasa Trafik, Sukiswo 22


Law of Total Probability
 Mis B1, B2,…,Bn event-
event mutual exclusive
dimana union sama dg
sample space S
 P[Bi] > 0

Rekayasa Trafik, Sukiswo 23


Bayes’ Theorem

Rekayasa Trafik, Sukiswo 24


2 Independent Events

Rekayasa Trafik, Sukiswo 25


Independent Interpretation

Rekayasa Trafik, Sukiswo 26


Independent vs Disjoint

Rekayasa Trafik, Sukiswo 27


3 Independent Events

Rekayasa Trafik, Sukiswo 28


Most Common Application
 Asumsi bhw events dari eksperiments terpisah
adalah independent

 Contoh:
– Asumsi bhw outcome dari suatu toss coin toss
independent dari outcomes dari semua toss coin
sebelum dan sesudahnya
P[H] = P[T] = ½
P[HTH] = P[H]P[T]P[H] =
1/2*1/2*1/2 = 1/8

Rekayasa Trafik, Sukiswo 29


Eksperimen Sekuensial
 Eksperimen: secara sekuensial
subexperiments  subexperiments
 Tiap subexp. bisa tergantung pd yg sebelumya
 Direpresentasikan dg suatu Tree Diagram
 Model Conditional Prob.  Sequential Experiment

Rekayasa Trafik, Sukiswo 30


Contoh Sekuensial

 Koordinasi waktu 2 lampu lalu lintas


– P[lampuke-2 berwarna sama dg yg pertama] = 0.8
– Asumsi lampu ke-1 memp kemungkinan sama utk hijau
atau merah

 Cari P[lampu ke-2 adalah hijau] ?

Rekayasa Trafik, Sukiswo 31


Contoh Sekuensial

Rekayasa Trafik, Sukiswo 32


Contoh Sekuensial

P[lampu ke-2 adalah hijau] ?

Rekayasa Trafik, Sukiswo 33


Counting Method

Rekayasa Trafik, Sukiswo 34


Prinsip Counting Method

Rekayasa Trafik, Sukiswo 35


K-permutations

Rekayasa Trafik, Sukiswo 36


Pilih dengan Replacement

Rekayasa Trafik, Sukiswo 37


K-combination

Rekayasa Trafik, Sukiswo 38


Independent Trials
 Laksanakan pengulangan percobaan (trials)
 p = probabilitas sukses
 (1-p) = probabilitas gagal
 Tiap percobaan adalah independent
 Sk,n = event bahwa k sukses dlm n percobaan

Rekayasa Trafik, Sukiswo 39


Independent Trial: Contoh
 3 percobaan dg 2 sukses
 000 001 010 011 100 101 110 111
 Berapa banyak cara utk memilih 2 dari 3

– Berapa probabilitas sukses utk tiap cara?


– p2 * (1-p)

Rekayasa Trafik, Sukiswo 40


Independent Trial: Contoh
 Contoh: pd ronde pertama dari makanan, probabilitas suatu
piring akan lulus test adalah 0.8
Dari 10 kandidat, berapa probabilitas bhw x kandidat akan
lolos? P[x = 8]?
 Solusi:
A = {suatu piring lolos test}, P[A] = 0.8
Testing suatu piring adalah suatu independent trial

Rekayasa Trafik, Sukiswo 41


Independent Trials: Reliabilitas

Mis probabilitas suatu komputer bekerja = p


Series: P[A] = P[A1A2] = p2
Paralel: P[B] = ?
P[B] = 1 – P[Bc]
= 1 – P[B1cB2c]
= 1 – (1 – p)2

Rekayasa Trafik, Sukiswo 42


Random Variabel

Rekayasa Trafik, Sukiswo 43


Random Variable
 Suatu varibel yg menggambarkan outcome dari suatu
aktivitas random seperti rolling a die
 Mendefinisikan sebuah pemetaan dari outcome menjadi
suatu nilai (value)
 Has a range of values over which it can vary and a
probability distribution with which it takes on these values
 Discrete random variable – can take on a finite or
countable set of values, e.g., number of customers in
system
 Continuous random variable – can take on values over a
continuous interval, e.g., waiting time

Rekayasa Trafik, Sukiswo 44


Random Variable
 Eksperimen (Model Fisik)
 Komposisi dari prosedur & observasi
 Dari observasi, kita dapat outcomes
 Dari semua outcomes, kita mendapatkan model
probabilitas (matematis) disebut “Sample space”
 Dari model, kita dapat P[A], A  S

Rekayasa Trafik, Sukiswo 45


Random Variable
Dari suatu model probabilitas
 Mis.: 2 lampu lalu lintas, observasi urutan dari lampu
S = {R1R2,R1G2,G1R2,G1G2}
 Jika dialokasikan suatu bilangan pd tiap outcome pd
S, tiap bilangan yg kita observasi disebut “Random
Variable”
 Observasi jumlah lampu merah
SX = {0,1,2}

Rekayasa Trafik, Sukiswo 46


Random Variable

Rekayasa Trafik, Sukiswo 47


2 Tipe Random Variable
 Discrete Random Variable
Contoh:
X = # jumlah shuttle-cocks yg digunakan pd suatu
pertandingan badminton

 Continuous Random Variable


Contoh:
Z = # menit dari lama panggilan

Rekayasa Trafik, Sukiswo 48


Discrete Random Variabel

Rekayasa Trafik, Sukiswo 49


Discrete Random Variable
 Definisi:
– X adalah suatu discrete random variable jika
rentang/range dari X dp dihitung/ countable
Sx = {x1,x2,…}

– X adalah suatu finite random variable jika semua nilai


dg probabilitas tdk nol ada dlm set terbatas
Sx = {x1,x2,…,xn}

Rekayasa Trafik, Sukiswo 50


Mengapa Kita Memerlukan suatu RV

 Utk suatu model probabilitas (eksperimen), outcome


pd S dp dlm berbagai bentuk sembarang

 Jika kita implementasikan suatu Random Variable,


kita dp kalkulasi rata-rata!

 Dlm Probabilitas, rata-rata disebut “expected value”


dari suatu random variable

Rekayasa Trafik, Sukiswo 51


Probability Mass Function
 Utk suatu model probabilitas (discrete), P[A] =
[0,1]

 Utk suatu discrete random variable, model


probabilitas disebut suatu “Probability Mass Function
(PMF)”

Rekayasa Trafik, Sukiswo 52


Probability Mass Function

Rekayasa Trafik, Sukiswo 53


Contoh PMF

 Contoh:
2 lampu lalu lintas, observasi urutan lampu
S = { R1R2 , R1G2 , G1R2 , G1G2}

 Cari PMF dari T, jumlah dari lampu merah

Rekayasa Trafik, Sukiswo 54


Contoh PMF
 T adalah suatu random variable dari # lampu merah
 Cari PT(t)
 PT(t) = P[T = t]
 Pertama-tama, cari probabilitas utk tiap t
 Tiap outcome adalah equally likely 1/4
P[T=0] = P[{G1G2}] = 1/4
P[T=1] = P[{R1G2 , G1R2 }] = 2/4 = 1/2
P[T=2] = P[{R1R2}] = 1/4

Rekayasa Trafik, Sukiswo 55


Contoh PMF

Rekayasa Trafik, Sukiswo 56


Teorema PMF

Rekayasa Trafik, Sukiswo 57


Discrete RV Yg Berguna
 Discrete Uniform Random Variable
 Bernoulli Random Variable
 Geometric Random Variable
 Binomial Random Variable
 Pascal Random Variable
 Poisson Random Variable

Rekayasa Trafik, Sukiswo 58


Discrete RV Yg Berguna

Rekayasa Trafik, Sukiswo 59


Discrete RV Yg Berguna

Rekayasa Trafik, Sukiswo 60


Cumulative Distribution Function
(CDF)

Memuat informasi lengkap mengenai model


probabilitas dari random variable

Rekayasa Trafik, Sukiswo 61


Teorema CDF

Rekayasa Trafik, Sukiswo 62


Contoh CDF
 Utk suatu binomial RV, # durian jatuh dlm 5 test dg p
= 0.2

Rekayasa Trafik, Sukiswo 63


Contoh CDF

Rekayasa Trafik, Sukiswo 64


Rata-Rata
 Study RV  rata-rata

 Berapakah rata-rata dari suatu RV?


– Satu bilangan tunggal yg dp menggambarkan RV
– Suatu contoh dari statistik

 Apakah Statistik?
– Bilangan yg mengumpulkan semua informasi yg
dibawah perhatian kita
– Rata-rata: mean, mode, dan median

Rekayasa Trafik, Sukiswo 65


Rata-Rata
 Mean:
– Sum / #terms

 Mode:
– Nilai yg paling sering
– PX(xmod) ≥ PX(x) x

 Median:
– Pertengahan dari set data
– P[X < xmed] = P[X > xmed]

Rekayasa Trafik, Sukiswo 66


Mean  Expected Value
 Menambahkan semua pengukuran/ #terms

 Contoh:

 E[T] = ?
= 0(1/4) + 2(3/4) = 3/2

Rekayasa Trafik, Sukiswo 67


Expected Value

Rekayasa Trafik, Sukiswo 68


Discrete RV yg Berguna

Rekayasa Trafik, Sukiswo 69


Discrete RV yg Berguna

Rekayasa Trafik, Sukiswo 70


Variance & Standard Deviation
 Kita tahu rata-rata, E[X], kenapa kita perlu Variance &
Standard Deviation?

 Seberapa jauh dari rata-rata?

 T = X – µx
E[T] = E[X – µx]
=0

Rekayasa Trafik, Sukiswo 71


Variance
 Ukuran yg berguna adalah E[|T|]
 E[T2] = E[(X – µx)2]  Variance

Rekayasa Trafik, Sukiswo 72


Standard Deviation

 σX andingkan dg µx
 Ex. σX = 15, Score +6 dari mean
 OK. Pertengahan kelas
 Ex. σX = 3,Score +6 dari mean
 Sangat baik dlm grup Top class

Rekayasa Trafik, Sukiswo 73


Derived Random Variable

Rekayasa Trafik, Sukiswo 74


Mengapa Kita Perlu Derived
Random Variable
 Dari harga sampel dari random variable, harga-harga
ini utk menghitung quantities lain

 Contoh:
– cari bentuk harga suatu decibel dari signal-to-noise
ratio

 Y = g(X)

Rekayasa Trafik, Sukiswo 75


Contoh-1
 Random Variable X = # hal dlm satu fax
PX(x) = jumlah hal dlm tiap fax

 Charging plan
– Hal ke-1 = 100 Rupiah
– Hal ke-2 = 90 Rupiah
– …
– Hal ke-5 = 60 Rupiah
– Hal 6 – 10 = 500 Rupiah

 Cari charge dlm Rupiah utk mengirim satu fax

Rekayasa Trafik, Sukiswo 76


Contoh-1
 Random Variable Y = charge dlm Rupiah utk
mengirim satu fax

Rekayasa Trafik, Sukiswo 77


PMF dari Y

P[Y=y] = Σ dari semua outcomes X = x dimana Y = y

Rekayasa Trafik, Sukiswo 78


Conditional PMF

Rekayasa Trafik, Sukiswo 79


Continuous Random Variabel

Rekayasa Trafik, Sukiswo 80


Random Variable

Rekayasa Trafik, Sukiswo 81


Continuous Sample Space

 Utk Discrete: Set bilangan countable


– SX = {-1,0,1,3,4}
– SX = {-1,0,9,0,0,5,1,1,8,2.25,2.9,3}

 Utk continuous: Set bilangan uncountable


– SX = Interval antara 2 limit
– SX = (x1,x2) = (-1,3)

Rekayasa Trafik, Sukiswo 82


Probabilitas dari Suatu Continuous
RV
 Mengukur T, waktu download
ST= {t | 0 < t < 12}
 Tebak waktu download adalah (0, 10] menit
 Tebak waktu download adalah [5, 8] menit
 Tebak waktu download adalah [5, 5.5] menit
Kemungkinan tebakan kita benar makin kecil
 Tebak waktu download adalah tepat 5.25 menit

Probabilitas utk tiap outcome individual adalah nol.


Probabilitas yg jadi perhatian adalah suatu interval

Rekayasa Trafik, Sukiswo 83


CDF
 Utk Discrete:
– Probability Mass Function PMF, PX(X)

 Utk Continuous:
– Tdk mungkin utk mendefinisikan PMF
– Cumulative Distribution Function (CDF)

Rekayasa Trafik, Sukiswo 84


Teorema CDF

Rekayasa Trafik, Sukiswo 85


Probability Density Function

Rekayasa Trafik, Sukiswo 86


Probability Density Function
 Slope dari CDF pd suatu region dekat x
 Probabilitas dari random variable X dekat x
 Prob. Pd suatu region keci (∆) = slope * ∆
– Slope dari CDF  PDF

Rekayasa Trafik, Sukiswo 87


Teorema PDF

Rekayasa Trafik, Sukiswo 88


Expected Values

Rekayasa Trafik, Sukiswo 89


Expected Value & Varaiance

Rekayasa Trafik, Sukiswo 90


Beberapa Continuous RV Berguna
 Uniform
 Exponential
 Gaussian

Rekayasa Trafik, Sukiswo 91


Uniform Continuous RV

Rekayasa Trafik, Sukiswo 92


Uniform Continuous RV

Rekayasa Trafik, Sukiswo 93


Exponential Continuous RV

Rekayasa Trafik, Sukiswo 94


Contoh Exponential

Rekayasa Trafik, Sukiswo 95


Exponential Continuous RV

Rekayasa Trafik, Sukiswo 96


Gaussian Random Variables

Rekayasa Trafik, Sukiswo 97


Gaussian Random Variables

Rekayasa Trafik, Sukiswo 98


Mixed Random Variable
 Discrete RV  PMF & Summation
 Continuous RV  PDF & Integral
 Kombinasi dari Discrete dan Continuous RV
 Unit impulse function
 Dp menggunakan formulas sama utk
menyatakan kedua RVs

Rekayasa Trafik, Sukiswo 99


PMF  PDF

Rekayasa Trafik, Sukiswo 100


PMF  PDF

Rekayasa Trafik, Sukiswo 101


Contoh

Rekayasa Trafik, Sukiswo 102


Summary
 Probability and Random Variable

 Discrete Random Variable


– Uniform/Bernoulli/Geometric/…
– PMF & CDF
– Expected Value
– Variance & Standard Deviation

 Continuous Random Variable


– PDF
– Uniform/Exponential/Gaussian
 Multiple Random Variables
 Stochastic Process
Rekayasa Trafik, Sukiswo 103