Review Probabilitas

Hendrawan
hend@telecom.ee.itb.ac.id
 Agenda
• Sejarah dibalik Probability Theory dan Queuing Theory
• Review Probabilitas
 Pendahuluan
• Studi probabilitas muncul dari analisa permainan
peluang (gambling)
• Selanjutnya banyak penerapan aplikasinya pada
berbagai cabang sain dan teknik
 Quote of the day
Marquis Pierre-Simon de Laplace (dlm bukunya Thèorie
Analytique des Probabilitiés, 1812):

“It is remarkable that a science which began with

consideration of games of chance should have become
the most important object of human life ... The most
important questions of life are, for the most part, really
only problems of probability.”
 Man Behind Probability Theory
Gerolamo Cardano (1501 – 1576) • Cardano menulis bbrp buku tentang
gambling:
– Liber de Ludo Aleae (handbook utk gambler)
– Liber de Ludo Aleae (The Book on Games of
Chance)
• Cardano meletakkan prinsip-prinsip dasar
teori probabilitas
– probability as the number of favourable (outcomes)
divided by the number of possible (outcomes)
– probability of a set of independent events is equal
to the product of the probability of each of the
events.
– mathematical expectation
– the law of large numbers
– dll
 Man Behind Probability Theory
Blaise Pascal (1623 – 1662) • Pascal tertarik dengan masalah
dadu, salah satunya:

• Pascal menurunkan solusinya

berkomunikasi dengan Fermat utk
konfirmasi teorinya
 awal dari evolusi mathematical
theory of probability.
 Awal dari Teori Probabilitas
Pierre de Fermat (1601 – 1665)
• Pertukaran surat antara Pascal
dan Fermat pd thn 1654
dianggap awal lahirnya teori
Probabilitas
• Pascal pada saat ini
menginginkan konfirmasi dari
bbrp bukti yg dikembangkan
mengenai masalah gambling
• The exchange of letters
stopped at the end of 1654
when Pascal sacrificed
himself, as the rest of his
family, for the Jansenism1).
 Awal dari Teori Probabilitas

• Fermat sangat terkenal

dg teori terakhirnya
(1637) yg menyatakan:

“tidak ada integer yang

memenuhi xn + yn = zn
dimana n > 2”
 Awal dari Teori Probabilitas
Christiaan Huygens (1629 – 1695)

• Christiaan Huygens yang

berikutnya memperbaiki teori
probabilitas secara signifikan
• Pada tahun 1657 menerbitkan
buku Teori Probabilitas:
Libellus De Ratiociniis in Ludo
Aleae (The Value of all
Chances in Games of
Fortune)
 Model Antrian dan Teori Antrian
• Teori Antrian adalah suatu studi matematik yg
memungkinkan analisa matematik yang terkait proses
antrian: kedatangan, menunggu, layanan
• Teori memungkinkan untuk menunurunkan dan
mengkalkulasi bbrp ukuran performansi:
– waktu tunggu rata-rata,
– waktu rata-rata dalam sistem,
– rata-rata pelanggan dalam antrian atau layanan,
– probabilitas menjumpai kondisi tertentu (misalnya idle, penuh,
server tersedia, perlu menunggu untuk waktu tertentu sblm
dilayani, dll)
 Model Antrian dan Teori Antrian
• Bentuk paling sederhana dari model antrian adalah berdasarkan pada
“the birth and death process” (birth process menjelaskan waktu antar
kedatangan, death process menjelaskan waktu layanan)
• Utk teori antrian, akan sangat menyederhankan solusi, jika distribusi
probabilitas mempunyai sifat memorylessness property
 Model Antrian dan Teori Antrian
• Memorylessness property biasa disebut sbg Markovian property
dan suatu proses dg Markovian property disebut sbg Proses
Markov, yg berarti distribusi probabilitas dari state kedepan
diberikan state saat ini dan semua state masa lalu hanya tergantung
pd state saat ini.
Model Antrian dan Teori Antrian
 Model Antrian dan Teori Antrian
• Model dan Teori Antrian berkembang berawal dari
masalah dimensioning sentral/operator telepon
 Siapa Penemu Telepon?

In 2002 the American Congress

announced that Antonio Meucci
(not Alexander Graham Bell) was
the real inventor of the telephone.
(Kunnskapsforlaget, 2007)
 Perkembangan Queuing Theory
and the Teletraffic Theory

Awal dari Teori Antrian

• Fr. Johannsen sbg managing director dari Copenhagen Telephone
Company pd thn 1903 menyadari bhw sentral manual tidak
“didimensioning” dg benar
• Menerbitkan bbrp pekerjaan awal menggunakan mathematical
theory of probability (Johannsen, 1908 and 1910-11).
• Untuk meningkatkan dimensioning yg lebih akurat Fr. Johannsen
mempekerjakan ahli matematik Agner Krarup Erlang.
• Erlang menunjukan holding times pd sentral telepon mempunyai
distribusi eksponensial dan jumlah percakapan telepon memenuhi
distribusi Poisson
• Selanjutkan pengembangan lebih lanjut oleh org Norwegi Tore
Olaus Engset (1865 – 1943)
The Man Behind The Formula!
 Referensi:

KJELLSTORDAHL, “The History Behind the Probability

Theory and the Queuing Theory”, Telektronikk 2.2007
 Sample Space dan Event
• Eksperimen Random:
– Dlm studi probabilitas, sembarang proses observasi dikatakan sbg
suatu eksperimen
– Hasil suatu observasi disebut outcome dari eksperimen
– Suatu eksperimen disebut eksperimen random jika outcome-nya
tidak dapat diprediksi
– Contoh tipikal dari eksperimen random adalah melempar dadu, toss
coin, mengambil kartu dari tumpukan kartu, dll.
– Outcome dari eksperimen diberikan nilai probabilitas (mis
merefleksikan frekuensi kemunculan relatif pd sistem real)

• Sample Space:
– Set dari semua outcome yg mungkin dari suatu eksperimen random
disebut sample space (atau set universal), dinyatakan dg S
– Suatu elemen pd S disebut sample point
– Tiap outcome dari suatu eksperimen random berkorespondensi dg
satu sample point
 Sample Space dan Event
• Contoh 1
Cari sample space utk eksperimen tossing coin
(a) satu kali (b) dua kali

Jawab:
(a) Ada dua kemungkinan outcomes, head(H) atau tail(T)
S = {H, T}

(b) Ada empat kemungkinan outcome, merupakan pasangan head

dan tail

S = {HH, HT, TH, TT}

 Sample Space dan Event
• Contoh 2
Cari sample space utk eksperimen tossing coin secara berulang dan
menghitung jumlah toss diperlukan sd pertama kali head muncul

Semua kemungkinan dari outcome: 1,2,3, . . . .

S = {1, 2, 3, . . .}
 Jumlah outcomes tak hingga (infinite)

• Contoh 3
Cari sample space dari eksperimen mengukur (dlm jam) umur suatu
transistor

Semua kemungkinan dari outcome: semua bil real non-negative

S = {ω : 0  ω   }
dimana ω merepresentasikan umur transistor dlm jam
 Sample Space dan Event
• Suatu eksperimen tertentu dapat mempunyai banyak sample
space berbeda tergantung pd observasi yg menjadi perhatian
• Suatu sample space S dikatakan diskrit jika berisi sejumlah
terbatas sample point atau sample point tak hingga yg dp
dihitung (countable)

• Satu set dikatakan countable jika elemen-elemennya dp

ditempatkan dlm korespondensi satu-satu dg integer positif

• Suatu sample space S dikatakan kontinyu jika sample point

kotinyu
 Event
• Jika ξ adalah suatu elemen dari S, maka ditulis

• Jika S bukan elemen dari S, maka ditulis

• Satu set A disebut subset dari B, dinyatakan dg

jika setiap elemen dari A juga elemen dari B

• Sembarang subset dari sample space S disebut event

• Satu sample point dari S disebut elementary event
• Cat. sample space S adalah subset dari dirinya sendiri, yaitu S  S
• Krn S adalah set dari semua outcome yg mungkin, biasa disebut: certain event
 Event
• Contoh 4
Perhatikan contoh 2. (tossing coin secara berulang dan menghitung
jumlah toss diperlukan sd pertama kali head muncul)

1. Mis. A adalah event jumlah toss diperlukan sampai head pertama

muncul adalah genap.
2. Mis. B adalah event jumlah toss diperlukan sampai head pertama
muncul adalah ganjil.
3. Mis. C adalah event sampai jumlah toss diperlukan sampai head
pertama muncul adalah lebih kecil drpd 5
 Aljabar Set
Operasi Set:
1. Equality:
Dua set A dan B adalah sama (equal), dinyatakan dg A = B, jika
dan hanya jika A  B dan B  A

2. Complementation :
Misalkan A  S. Complement dari set A, dinyatakan sbg A, adalah
set berisi semua elemen di S tetapi tidak di A.

3. Union:
Union dari set A dan B, dinyatakan sbg A  B, adalah set berisi
semua element di A atau B atau keduanya
 Aljabar Set
4. Intersection:
Intersection dari set A dan B, dinyatakan dg A  B, adalah set
berisi semua elemen baik di A dan B

5. Null Set:
Set yg tidak berisi elemen disebut sbg null set, dinyatakan dg .
Catat bahwa

6. Disjoint Set:
Dua set A dan B disebut disjoint atau mutually exclusive jika
mereka tidak memuat common elemen, yaitu jika, A  B = 0.
 Aljabar Set
• Definisi union dan intersection dari dua set dp diperluas ke
sembarang jumlah set sbb:
Aljabar Set
 Aljabar Set
• Diagram Venn
Representasi grafis yg sangat berguna utk ilustrasi operasi
Diagram Venn
 Aljabar Set
• Identities
Dari definisi set di atas diperoleh:
 Aljabar Set
• Operasi union dan intersection juga memenuhi hukum
berikut:
Aljabar Set
 Prinsip dan Aksioma Probabilitas
• Pengalokasian bil real [0,1] thd event pd sample space S
disebut sbg ukuran probabilitas
• Nilai yg diberikan pd event A  S ditulis P(A) disebut sbg
probabilitas dari event A

• Definisi Frekuensi Relatif:

Misal suatu eksperimen random diulang n kali. Jika event A
muncul n(A) kali, maka probabilitas event A, dinyatakan P(A),
didefiniskan sbg

Dimana n(A)/n adalah frekuensi relatif dari event A

 Prinsip dan Aksioma Probabilitas
• Utk sembarang event A, frekuensi relatif dari A memp.
sifat:
1. 0  n(A)/n  1 , dimana n(A)/n = 0 jika A tidak muncul dlm n kali
percobaan dan n(A)/n = 1 jika A muncul utk setiap dari n
percobaan
2. Jika A dan B event yg mutually exclusive events, maka

dan
 Prinsip dan Aksioma Probabilitas
• Definisi Axiomatic:
Mis. S adalah sample space terbatas (finite) dan A suatu event pd
S. maka definisi axiomatic: probabilitas P(A) dari event A adalah
suatu bilangan real dialokasikan ke A yg memenuhi tiga axioma :

Jika A1, A2, A3, …….. Adalah deretan event yg mutually exclusive,
maka, axioma 3 harus dimodifikasi:
 Prinsip dan Aksioma Probabilitas
Elementary Properties dari Probabilitas:
Prinsip dan Aksioma Probabilitas
 Equally Likely Events
• Finite Sample Space:
Perhatikan suatu finite sample space S dg n elemen terbatas

dimana ξi adalah event elementer. Misalkan P(ξi) = pi, maka

 Equally Likely Events
• Equally Likely Events:
Jika semua event elementer ξi adalah (i = 1, 2, 3, … n) adalah
equally likely, yaitu:
p1 = p2 = ….. = pn
maka

dimana n(A) jumlah outcomes event A dan n jumlah sample points

pd S
 Conditional Probability
• Definisi
Conditional probability dari suatu event A diberikan event B,
dinyatakan dg P(A I B), didefiniskan sbg

dimana P(A  B) adalah joint probability dari A dan B. Serupa,

adalah conditional probability dari event B diberikan event A. dari

dua persamaan di atas didapat
 Conditional Probability
• Bayes’s Rule
Dari pers-pers di atas didp Bayes rule
 Total Probability
• Event A1, A2, . . . , An, disebut mutually exclusive dan exhaustive jika

• Mis. B sembarang event pd S maka

dikenal sbg total probability dari event B, maka

 Bayes Theorem
 Independent Events
• Dua event A dan B dikatakan independen (secara statistik) jika dan hanya
jika

• Jika A dan B independen, maka

• Jika dua event A dand B independen, maka dp diperlihatkan bahwa A dan B

juga independen

Jadi, jika A independen thd B, maka probabilitas A muncul tdk

berubah thd informasi apakah B telah atau tidak muncul
 Independent Events
• Tiga event A, B, C dikatakan independen jika dan hanya jika

• Dp diperluas utk event A1, A2, . . . , An independen jika dan hanya

jika utk setiap subset (Ai1, Ai2, . . . , Aik) (2  k  n) dari event-event
ini
• Set tak hingga dari event independent jika dan hanya jika utk setiap
subset terbatas dari event-event ini independent

1. Jika {Ai, i = 1,2, . . . , n} adalah deretan event mutual exclusive,

maka

2. Jika {Ai, i = 1,2, . . . , n} adalah deretan event independen, maka

 In-Class Excersices

1. Suatu data biner ditransmisikan dalam blok 32 bit

melalui suatu kanal yang mengandung noise yang
menyebabkan 3% dari bit yg ditransmisikan akan
diterima error. Berapa probabilitas bahwa suatu blok
mengandung satu atau lebih bit error?

Jawab:
 PR
1. Suatu sistem komunikasi transmit informasi biner melalui suatu kanal
yang bisa mengintrodusir error random dengan probabilitas p = 10 -3.
Pengirim transmit tiap bit sebanyak tiga kali dan penerima
memutuskan bit yang diterima berdasarkan voting mayoritas. Hitung
probabilitas penerima akan membuat keputusan yang salah.

2. Suatu kanal komunikasi biner menerapkan teknik coding sedemikian

shg proporsi bit 0 dan 1 dari informasi yg dibangkitkan adalah 4:3.
Pada saat transmisi, karena noise, satu dari empat bit 0 yg
ditransmisikan diterima sbg 1, dan satu dari lima bit 1 yg
ditransmisikan diterima 0. Berapakah probabilitas bahwa suatu bit yg
diterima 0 memang berasal dari bit 0 yg ditransmisikan?