Probabilitas

Abdullah Basuki R.,S.Si,M.T
http://www.abdullahbasuki.wordpress.com abasoke@yahoo.com

Informatics Engineering Dept Trunojoyo University

Kuliah Statistika Dasar (TKC116)

1

Terminologi
Teori Probabilitas ± didasarkan pada konsep dari suatu eksperimen random Random ± fenomena/eksperimen dimana keluaran individual tidak pasti tetapi ada distribusi yg regular dari keluaran utk jumlah pengulangan yang banyak Probabilitas ± proporsi berapa kali suatu keluaran spesifik akan muncul dlm suatu serie pengulangan yang panjang dari suatu eksperimen
Informatics Engineering Dept Trunojoyo University 2

Apakah Probabiltas?
Frekuensi relatif jangka panjang 

Jika melempar coin, frekuensi relatif dari ³head´ tidak menentu utk 2, 5 atau 10 pelemparan  Jika pelemparan suatu coin dilakukan bbrp ribu kali, frekuensi relatif tetap stabil

Probabilitas matematis adalah idealisasi dari apa yg terjadi thd frekuensi relatif setelah pengulangan sejumlah tak hingga eksperimen random
Informatics Engineering Dept Trunojoyo University 3

Probabilitas dari ³Head´ Probabilitas didasarkan pd frekuensi relatif jangka panjang Informatics Engineering Dept Trunojoyo University 4 .

set dari semua keluaran (outcomes) yg mungkin dari eksperimen random (S) Event ± suatu keluaran (outcome) atau satu set outcomes dari suatu eksperimen Ukuran Probabilitas adalah suatu bilangan atau fungsi yg memetakan dari events pada sample space ke bilangan real antara 0 dan 1 Probabilitas dari semua outcomes yg mungkin (yaitu sample space) harus sama dg 1 Informatics Engineering Dept Trunojoyo University 5 .Model Probabilitas Sample Space .

5. D= {muncul angka 2} Ukuran Probabilitas: P(A) = 0.4.5.2. P(B) = 0.6} Event: A = {muncul angka genap}. B = {muncul angka ganjil}. P(D) = 1/6 Informatics Engineering Dept Trunojoyo University 6 .3.Model Probabilitas Contoh: Pelemparan (toss) suatu dadu Sample Space: S ={1.5.

Aturan-Aturan Probabilitas Probabilitas dari sembarang event P(A) hrs memenuhi 0 < P(A) < 1 Complement Rule = complement dari sembarang event A adalah event A tdk terjadi P(Ac) = 1 .3.5. mis A = {2}.3. P(Ac) = 1-1/3 = 2/3 Addition Rule = utk dua events A dan B yg terpisah/ disjoint (no common outcomes) P (A or B) = P(A) + P (B) Contoh: Lempar suatu dadu: S = {1.P(A) Contoh: Lempar suatu dadu: S = {1.4.6}.3. Ac = {1.6}. P(A or B) = P(A) + P(B) = 1/6 + 1/2 = 2/3 Informatics Engineering Dept Trunojoyo University 7 .2.5.2.5. P(A) = 1/3.4.4}.3.5}. B = {1. mis A = {2.6}.

Aturan-Aturan Probabilitas
Multiplication Rule = dua events A dan B adalah independent, jika diketahui bhw salah satu terjadi/muncul tdk mengubah probabilitas yg lain muncul P (A and B) = P(A)*P(B)
Contoh: Lempar sepasang dadu S = {(1,1),(1,2),«.(6,6)} 36 kemungkinan outcomes mis A ={dadu pertama 6} = {(6,1),(6,2),(6,3),(6,4),(6,5),(6,6)} mis B = {dadu kedua 1} = {(1,1),(2,1),(3,1),(4,1),(5,1),(6,1)} Maka P(A) = 6/36 = 1/6; P(B) = 6/36 = 1/6 dan P(dadu pertama 6, dadu kedua 1) = P(A and B) = 1/36 = P(A) P(B) menunjukan independence

Informatics Engineering Dept Trunojoyo University

8

Aturan-Aturan Probabilitas
Multiplication Rule Contoh dari kasus Dependent: lempar sepasang dadu S = {(1,1),(1,2),«.(6,6)} 36 kemungkinan outcomes mis A ={dadu pertama 6} = {(6,1),(6,2),(6,3),(6,4),(6,5),(6,6)} mis B = {jumlah dadu pertama & kedua =9} = {(3,6),(4,5),(5,4),(6,3)} Maka P(A) = 6/36 = 1/6; P(B) = 4/36 = 1/9 dan P(dadu pertama 6, jumlah = 9) = P(A and B) = 1/36 tdk sama P(A) P(B) = 1/54 menunjukan dependence

Informatics Engineering Dept Trunojoyo University

9

Aturan-Aturan Probabilitas
Contoh: suatu web site memp tiga server A, B, dan C, yg dipilih secara independent dg probabilitas: P(A) = ¼, P(B) = ½, P(C)= ¼. (a) Cari probabilitas A atau B dipilih P(A or B) = ¼ + ½ = 3/4 (b) Cari probabilitas A tdk dipilih P(Ac) = 1 ± P(A) = ¾ (c) Cari probabilitas server A dipilih dua kali P(AA) = P(A)P(A) = 1/16 (d) Cari probabilitas urutan seleksi server ABCA P(ABCA) = P(A)P(B)P(C)P(A) = (1/4)(1/2)(1/4)(1/4) = 1/128
Informatics Engineering Dept Trunojoyo University 10

P(A|B) = P(A and B)/P(B) = (1/6)/(1/2) = 1/3 Informatics Engineering Dept Trunojoyo University 11 .2. B={bil genap} = {2.6}.Conditional Probability Utk dua event A dan B probabilitas dari event A diberikan bhw event B telah terjadi dinyatakan: P(A|B) dan ditentukan dg P (A|B) = P(A and B)/P(B) Contoh: Lempar satu dadu S = {1.3.6}. mis A ={2}.4.5.4.

(5. Mis A ={jumlah dadu 9 atau lebih besar}. (4.6)} --cat P(A) = 10/36 dan P(B) = 26/36 Informatics Engineering Dept Trunojoyo University 12 .4).4).3).2).) «.6)} 36 kemungkinan outcomes. (5. A = {(6. (6. «.5). (4.6)} B = Ac = {jumlah dadu 8 atau kurang} = {(1.6).5). yaitu (A atau B) = S dan event ketiga C ditentukan di atas A dan B Contoh: Lempar sepasang dadu S = {(1.6).1) .6).1) (1. «(2.Bayes Rule Utk dua event A dan B yg mempartisi sample space.(6.2). (6. (6. (1.5). (5. (6.2. (3.

12}.Bayes Rule Mis C event jumlah dari dadu adalah bil genap {2.10.6. P(C|A) =4/10 dan P(C|B) = 14/26 Informatics Engineering Dept Trunojoyo University 13 .8.4.

Suatu kantong berisi empat bola putih dan tiga bola hitam sedangkan kantong kedua berisi tiga bola putih dan lima bola hitam.4 dan peluang seorang wanita yg telah kawin menonton film yg sama 0. Peluang sepasang suami istri menonton film tsb b. Peluang paling sedikit seorang dari sepasang suami istri menonton film tsb 2. Satu bola diambil dari kantong pertama tanpa melihatnya dan dimasukkan ke kantong kedua.Latihan Soal 1.5.7. peluang seorang lelaki menoton film tsb bila istrinya menonton adalah 0. hitunglah a. berapakah peluang mengambil sebuah bola hitam dari kantong kedua? Peluang seorang lelaki yg telah kawin menonton suatu film seri di tv adalah 0. Informatics Engineering Dept Trunojoyo University 14 . Peluang seorang istri menonton film tsb bila suaminya menonton film c.

h). bilangan jumlah dari head pd pelemparan dua coin yg fair.Random Variables Suatu random variable X adalah suatu variable dimana harganya tergantung pd outcome dari suatu eksperimen random didefinisikan pd sample space S Contoh: Mis X. Sample space S dari eksperimen adalah: S ={(t.(h.(t.(h.h)} dimana t menunjukan tail dan h menunjukan head Informatics Engineering Dept Trunojoyo University 15 .t).t).

25  F(x) diberikan dg Informatics Engineering Dept Trunojoyo University 16 . P{X=1} = . yg merupakan jumlah head pd pelemparan dua coin  f(x) diberikan dg P{X = 0} = .25.5 . P{X=2} = .Random Variables Suatu random variable X dikarakteristikan oleh salah satu:  probability density function (pdf): f(x)  cumulative density function (cdf): Contoh: perhatikan random variable X.

Probability Density Function Formula matematis Memperlihatkan semua harga. & frekuensi. X. f(X)  f(X) adalah probability density function (pdf) Properties  Area di bawah kurva = 1  Mean (µ)  Standard Deviation (W) Informatics Engineering Dept Trunojoyo University 17 .

jumlah head pd pelemparan dua coin)  Jika S adalah kontinyu X adalah suatu random variable kontinyu (mis...Tipe-Tipe Random Variables Suatu random variable X adalah suatu variable dimana harganya tergantung pd outcome dari suatu eksperimen random didefinisikan pd sample space S  Jika S adalah terbatas (finite) atau dp dihitung (countable) X adalah suatu discrete random variable (mis. waktu antar queries ke suatu server database) Informatics Engineering Dept Trunojoyo University 18 .

Tipe-Tipe Random Variables Jika X discrete random variables maka Jika X continuous random variables maka Informatics Engineering Dept Trunojoyo University 19 .

Binomial dan Poisson Bernoulli ± memodelkan eksperimen spt toss suatu coin  X adalah suatu indicator function  X = 1 sukses. 1-p mendpkan tail Informatics Engineering Dept Trunojoyo University 20 . X = 0 gagal Spt coin toss dg probabilitas p mendpkan head. Geometric.Discrete Random Variables Discrete Random Variables yg umum:  Bernoulli.

2.Discrete Random Variables Geometric ± memodelkan jumlah percobaan X sampai sukses pertama pd suatu deretan percobaan Bernoulli trials P{X = x} = f(x) = (1-p)x-1p. memodelkan jumlah tail yg terlihat sblm head pertama pd suatu deretan coin tosses Informatics Engineering Dept Trunojoyo University 21 . dimana x = 1.3. « Mean = 1/p Variance = (1-p)/p2 Sbg contoh.

Discrete Random Variables Binomial ± memodelkan jumlah sukses X pd n percobaan/trials. probabilitas dari k sukses diberikan dg Mean = np. Variance = np(1-p) Tabel pd textbook memp macam-macam harga dari P(X = k) Informatics Engineering Dept Trunojoyo University 22 . Mis p menyatakan probabilitas sukses pd 1 trial.

Contoh Continuous Random Variable Eksperimen Random Variable Harga Yg Mungkin 43. 2. 1.78. « det Berat mahasiswa ITB Berat Umur hidup battery Jam Lama panggilan Lama panggilan telepon Waktu antar Waktu antar kedatangan paket ke kedatangan router Informatics Engineering Dept Trunojoyo University 23 . 78.2. 1. « Kg 900. 875.9. « jam 3.3.2.53. « menit 0.

Contoh Continuous Random Variable Informatics Engineering Dept Trunojoyo University 24 .

Normal Exponential ± memodelkan waktu antar kedatangan.Continuous Random Variable Continuous Random Variables yg umum:  Exponential. Uniform. waktu dari panggilan telepon). lama waktu pelayanan (mis. Informatics Engineering Dept Trunojoyo University 25 . mis X suatu exponential random variable dg mean a..

X uniform random variable antara a dan b ± yaitu X akan mempunyai harga antara a dan b dengan kemungkinan ³equally likely´ Informatics Engineering Dept Trunojoyo University 26 .Continuous Random Variable Uniform ± memodelkan kasus ³equally likely´. Mis.

Mis X suatu normal random variable Standard Normal Z adalah kasus dimana: Mean = 0. Informatics Engineering Dept Trunojoyo University 27 .Continuous Random Variable Normal ± Normal random variable memodelkan fenomena random alamiah utk jumlah yg besar. Variance = 1.

Z Scores & Probability Normal Distribution Hubungan langsung antara persentase dan probabilitas Persentase dari kurva normal dp di.rephrased sbg problem probabilitas Informatics Engineering Dept Trunojoyo University 28 .

µ)/ W 29 Berapakah probabilitas bhw pekerja pabrik yg dipilih random akan melaksanakan test dibawah 81 seconds atau diatas 75 seconds? Informatics Engineering Dept Trunojoyo University . P(X<x) = P(Z <z) dimana z = (x.Z Scores & Probability Suatu konsultan menyelidiki waktu diperlukan pekerja pabrik utk assemble suatu part stlh mereka ditraining Konsultan menentukan bhw waktu dlm detik terdistribusi normal dg mean µ = 75 seconds dan standard deviation W = 6 seconds.

P(75 < X < 81) Informatics Engineering Dept Trunojoyo University 30 .

P(75 < X < 81) Informatics Engineering Dept Trunojoyo University 31 .

Moments Ekspektasi E[x] atau mean atau first moment dari suatu random variable X di definisikan dg Moment lebih tinggi didp dg mengganti x dg xn Informatics Engineering Dept Trunojoyo University 32 .

Mode.5 quantile disebut median dimana 50% harga pd kedua sisi Informatics Engineering Dept Trunojoyo University 33 . Quantile Variance didefiniskan sbg Mode adalah titik dimana f(x) adalah maximum Quantile ± E quantile dari X ditulis xE adalah titik pd X dimana F(xE) = E Cat. 0.Variance.

Yaitu jika X adalah suatu random variable dg mean µX dan a dan b adalah konstanta maka jika Y = aX + b mean dari Y diberikan oleh µY = aµX + b  Mean dari sum dari suatu set dari random variables adalah sum dari individual mean.Aturan-Aturan untuk Random Variables Aturan utk Means  Suatu transformasi linier dari suatu random variable menghasilkan suatu linear scaling dari mean. Yaitu jikaf X dan Y adalah random variables maka µX+Y = µX + µY Informatics Engineering Dept Trunojoyo University 34 .

Aturan-Aturan untuk Random Variables Aturan utk Variances  Suatu transformasi liniear dari suatu random variable menghasilkan suatu squared scaling dari variance. Yaitu jika X dan Y adalah random variables maka Wx+y2 = Wx2 + Wy2 Informatics Engineering Dept Trunojoyo University 35 . Yaitu jika X adalah suatu random variable dg variance Wx2 dan a dan b adalah konstanta maka jika Y = aX + b variance dari Y diberikan oleh Wy2 = a2 Wx2  Variance dari sum dari suatu set dari independent random variables adalah sum dari individual variances.

Statistical Inference Menggunakan teori probabilitas utk membuat kesimpulan mengenai suatu populasi dari data sampel Tdk dp memperoleh data dari setiap anggota populasi maka menguji suatu sampel random dari populasi dan berdasarkan statistik dari sampel menyimpulkan mengenai parameter dari populasi Informatics Engineering Dept Trunojoyo University 36 .

standard deviation) dari semua sampel yg mungkin dari ukuran yg sama dari suatu populasi Informatics Engineering Dept Trunojoyo University 37 .Statistical Inference Statistical Inference: menggunakan statistik dari suatu sampel random utk menyimpulkan mengenai parameter dari suatu populasi  Sbg contoh menguji mean x dari sampel utk menyimpulkan mean dari populasi µ  Perlu mengerti bagaimana perubahan statistik dengan tiap sampel Sample Distribution: distribusi probabilitas dari suatu statistik (spt mean.

³sukses´ atau ³gagal´  Probabilitas suatu ³sukses´ (p) sama utk tiap observasi  Probabilitas suatu ³gagal´ (1-p) Mis X menyatakan count dari jumlah sukses dalam suatu sampel ukuran n.Distribusi Sampel dari Counts dan Proportions Perhatikan suatu sampel random tetap (fixed) ukuran n dari observasi independen dari suatu populasi. Tiap observasi jatuh kedalam satu dari dua kategori. X memp distribusi Binomial Informatics Engineering Dept Trunojoyo University 38 .

Variance = np(1-p) Dg n bertambah besar distribusi dari X mendekati distribusi Normal dg mean dan variance Informatics Engineering Dept Trunojoyo University 39 . Mean = np.Distribusi Sampel dari Counts dan Proportions Ingat distribusi Binomial memodelkan jumlah sukses X dlm n percobaan Bernoulli dan memp.

mendekati suatu distribusi Normal dg Informatics Engineering Dept Trunojoyo University 40 .Distribusi Sampel dari Counts dan Proportions Utk estimasi probabilitas atau proportion dari suatu populasi p kita uji sample proportion: dimana X adalah jumlah dari ³sukses´ dlm suatu sampel ukuran n adalah estimasi unbiased dari population proportion p. Jika ukuran sampel n besar.

mean = µ dan standard deviation Jika populasi memp. distribusi Normal maka distribusi dari sample mean adalah Normal Dari Central Limit Theorem ± distribusi dari suatu sum dari random variables mendekati distribusi Normal jika jumlah terms dlm sum menjadi besar Informatics Engineering Dept Trunojoyo University 41 .Sample Distribution of Means Perhatikan suatu sampel random ukuran tetap n dari suatu populasi dg mean µ dan standard deviation W. Distribusi dari sample mean x (jika dihasilkan dari repeated random samples) memp.

Central Limit Theorem Informatics Engineering Dept Trunojoyo University 42 .

distribusi dari sample mean mendekati distribusi Normal utk ukuran sampel yg besar. dg mean = µ dan standard deviation = Informatics Engineering Dept Trunojoyo University 43 . tdk tergantung pd distribusi populasi.Central Limit Theorem Central limit theorem menyatakan bhw dg bertambah besarnya ukuran sampel n.

Tipe-Tipe Statistical Inference Confidence Intervals: mengestimasi harga suatu parameter populasi dg suatu harga rentang  Berapakah mean IQ dari mahasiswa SIT ITB?  Berapakah proporsi dari switches pd suatu network perlu perbaikan? Hypothesis Testing: menilai bukti yg disediakan data menyetujui suatu claim mengenai populasi  Apakah mean IQ dari mhs SIT ITB sama dg dg IQ populasi secara umum?  Apakah proporsi switches yg memerlukan perbaikan pd jaringan Telkom berbeda dg proporsi pd jaringan Indosat? Informatics Engineering Dept Trunojoyo University 44 .

sample proportion  Berdasarkan observasi dari 1 sample Tdk memberikan informasi mengenai seberapa dekat harga point estimate thd parameter populasi yg tdk diketahui Contoh: Sample mean X = 22.Point Estimation Menyediakan harga tunggal/single value. sample mean. mis..9 adalah point estimate dari mean populasi yg tdk diketahui µ Informatics Engineering Dept Trunojoyo University 45 .

Interval Estimation Menyediakan nilai interval (a. b) dimana parameter populasi µ diprediksi berada  Interval berdasarkan observasi dari 1 sampel Memberikan informasi mengenai seberapa dekat dari estimasi ke parameter populasi yg tdk diketahui  Dp dinyatakan sbg  Atau dinyatakan dlm terms probabilitas. (confidence level) Informatics Engineering Dept Trunojoyo University 46 .

b) Nilai tipikal adalah E = .Level of Confidence Nilai E adalah probabilitas bhw parameter tidak berada dalam interval (a. .b) 100(1 .E) % adalah confidence level dan adalah kemungkinan bhw parameter populasi yg tdk diketahui jatuh dlm interval (a.05. .01 yg memberikan confidence levels masing-masing 90%. dan 99% Contoh: Mean populasi yg tdk diketahui terletak antara 50 & 70 dg 95% confidence Informatics Engineering Dept Trunojoyo University 47 . 95%.1.

Element Kunci dari Interval Estimation Informatics Engineering Dept Trunojoyo University 48 .

Confidence Interval Process Informatics Engineering Dept Trunojoyo University 49 .

Aturan umum (Rule of thumb) utk ukuran sampel adalah (n • 30) 100(1-E) % confidence interval pd sample mean diberikan oleh Informatics Engineering Dept Trunojoyo University 50 .Confidence Interval utk Population Mean Asumsi  Standard deviation populasi W diketahui Ukuran sampel n cukup besar shg hasil central limit theorem dp diaplikasikan dan sample mean distribution dp diperkirakan dg distribusi normal.

Confidence Interval for Population Mean Catatan  x adalah sample mean.  Z(1-E/2) adalah nilai standard normal value dimana E/2 adalah tail ke sebelah kanan dari nilai Z  W adalah standard deviation populasi  n adalah ukuran sampel Informatics Engineering Dept Trunojoyo University 51 .

36. 19. 25. 14. 35.com. 38. 33. 31. 9. 33. 16. 28} Tentukan 90% confidence interval dari rata-rata waktu proses dan pengapalan pesanan. ingin melakukan studi waktu rata-rata (mean time) yg diperlukan utk memproses dan mengapalkan pesanan. Suatu random sample dari waktu utk proses dan mengapalkan 33 pesanan dikumpulkan dan dinyatakan sbg n dlm jam di bawah. 24. 39.9091. 34. 21. 34. 29. 24. 28.  sample mean x adalah = 26. 23. 34. 45. 36. 35. Dari data yg lalu standard deviation dari populasi W = 9 {23. 15. 13. 23. 15.95 = 1. 23.Contoh: Confidence Interval utk Population Mean Suatu retailer e-commerce spt Amazon. 11. ukuran sampel n = 33 pd 90% confidence level Z(1-E/2) = Z. 42.645 Informatics Engineering Dept Trunojoyo University 52 .

Utk contoh ecommerce: margin of error % = 100 * (2.577 / 26.486) yg dp diinterpretasikan sbg P(24. 29.486) = .Contoh: Confidence Interval utk Population Mean Krnnya confidence interval adalah menghasilkan Cat margin of error kadang-kadang diekspresikan sbg persentase dari estimasi.332 < µ < 29.9 Informatics Engineering Dept Trunojoyo University 53 .57% Juga confidence interval dp diekspresikan sbg (24.9091) = 9.332.

Suatu 95% confidence interval memp.96 (dimana 90% memp Z = 1.Confidence Intervals Trade off antara confidence level 100(1-E) % dan margin of error  Lebih tinggi confidence besar margin of error lebih tinggi harga Z lebih Contoh proses dan pengiriman pemesanan ecommerce.645) dan sbg hasil Informatics Engineering Dept Trunojoyo University 54 . Z = 1.

lebih besar n makin kecil margin of error Utk confidence interval pd population mean. margin of error berkurang setengahnya utk tiap pertambahan faktor 4 pd ukuran sampel Utk contoh e-commerce jika utk 90% confidence interval ukuran sample adalah 4 kali lebih besar (yaitu 132) dg mean dan standard deviation yg sama interval akan Informatics Engineering Dept Trunojoyo University 55 .Confidence Intervals Margin of error juga tergantung pd ukuran sampel n.

m.80727 dan selesaikan utk ukuran sampel n Cat perlu 337-33= 304 tambahan observasi Informatics Engineering Dept Trunojoyo University 56 .9091= .Confidence Intervals Cat utk margin of error yg diinginkan m kita dp tentukan ukuran sampel yg diperlukan n utk mencapai m.x = . Kita mendpkan Utk contoh e-commerce pd 90% confidence level jika diinginkan margin of error 3%.03 x 26.

E)% confidence interval pd suatu population proportion sbg dimana Z1.Confidence Interval utk Proportion of population Dari aproksimasi Normal pd distribusi Binomial kita dapatkan 100(1.E /2 adalah E/2 critical point dari standard distribusi Normal Informatics Engineering Dept Trunojoyo University 57 .

Tentukan 90% confidence interval pd packet error probability. Z.0030.Confidence Interval utk Proportion of population Contoh: Perhatikan suatu link komunikasi satelit. .645.0062) Informatics Engineering Dept Trunojoyo University 58 . Spy dp mengestimasi packet error rate pd link kita transmit 5000 packets dan observasi bhw 23 diterima error.95 = 1. Dari. Krnnya 90% confidence interval utk packet error probability diberikan oleh (. n = 5000.

xn adalah * dibulatkan ke integer terdekat Informatics Engineering Dept Trunojoyo University 59 . x2. «.Confidence Interval utk Quantile of population Quantile: Harga xq dimana CDF mempunyai harga q disebut q-quantile atau 100-q-percentile 50-percentile (atau 0. x3.5-quantile) disebut median Posisi dari suatu harga q-quantile value dari suatu sorted order list x1.

Confidence Interval utk Quantile of population 100(1-E)% confidence interval pd suatu harga populasi q-quantile xq adalah dimana Informatics Engineering Dept Trunojoyo University 60 .

34.i.5. 52. 97.5 = (41. 62. 47. 84. 66. 116. 15. 111. 50.5 = 47. 108. 88. 134 Cari 90% c. Posisi dari 0. 29. 32.5.5 Krnnya. 46. 42. 90% c.5 + 1 = 23 x0. pd x0.i. 8. 39. 71. 54. 63. 93. 59. 8. 11. 103. 37. 42. 6. 49.5 quantile = (45-1)*0. 81. 43. 83. 24. pd 0. 30.5 quantile. 13. 68. 55. 7. 41. 47. 9.Confidence Interval utk Quantile of population Contoh: 45 titik data (n=45) 6. 59) Informatics Engineering Dept Trunojoyo University 61 .

dan tdk ada pencegahan collision digunakan serta tiap phone akan transmit dlm suatu slot dg probabilitas p. Berapakah probabilitas suatu time slot kosong. yaitu dua atau lebih phone berusaha transmit pd slot yg sama? Informatics Engineering Dept Trunojoyo University 62 . Perhatikan N mobile phones dlm suatu cell. Berapakah probabilitas collision pd suatu slot.Tugas (kumpulkan minggu depan) 1. independen thd phone lainnya. c). Tiap phone mungkin berusaha utk transmit data pd suatu kanal shared time slot. Tiap transmisi terjadi tepat pd satu slot. a). yaitu tdk ada usaha dari sembarang phone? b). yaitu secara tepat satu phone berusaha transmit. Berapakah probabilitas suatu transmisi sukses.

Dlm suatu access switched data network.) 2. Berapakah probabilitas bhw memerlukan lebih dari lima usaha bagi user utk koneksi? d). suatu access network node akan menentukan apakah menerima permintaan atau menolak berdasarkan ketersediaan resources. Berapakah probabilitas suatu permintaan panggilan diberikan pd usaha pertama? b). Jika suatu call-setup request tiba. user bisa request suatu koneksi utk di-set up utk suatu transfer data. Jika permintaan ditolak. Berapakah probabilitas bhw user akhirnya menyerah? e). user akan mengulang usaha sampai 10 kali sblm menyerah.02 utk diterima dan usaha permintaan panggilan adalah independent. Berapakah probabilitas bhw suatu panggilan pertama diterima adalah usaha yg ke-empat? c). a). Berapakah rata-rata jumlah usaha panggilan diperlukan utk koneksi? Informatics Engineering Dept Trunojoyo University 63 . probabilitas 0.Tugas (cont. Asumsikan bhw tiap permintaan call-setup memp.

jika 80 sampel masing-masing terdiri dari 25 transaksi didapat. Perhatikan waktu transaksi pd suatu aplikasi web-based.Tugas (cont.4 sec? Informatics Engineering Dept Trunojoyo University 64 .) 3.8 dan 66. dari 3000 transaksi terdistribusi normal dg mean 66 sec dan standard deviation 3 sec. Dalam berapa banyak sampel kita bisa mengharapkan mean: (i) antara 64. a).3 sec dan (ii) kurang dari 64. berapakah mean dan standard deviation yg diharapkan sbg hasil dari mean dari distribusi sampling? b).

Sign up to vote on this title
UsefulNot useful