distribusi variabel random
DESCRIPTION
Distribusi Variabel Random. Probabilitas dan Statistik. Hasdi Radiles 19770909 201101 1 005 Teknik Telekomunikasi Jurusan Elektro - Fakultas SainTek UIN Suska – Riau Pekanbaru , 14 Mei 2012. Syllabus. Referensi: - PowerPoint PPT PresentationTRANSCRIPT
Distribusi Variabel Random
Hasdi Radiles19770909 201101 1 005
Teknik TelekomunikasiJurusan Elektro- Fakultas SainTek UIN Suska – Riau
Pekanbaru, 14 Mei 2012
Probabilitas dan Statistik
Syllabus
Materi perkuliahan :
1. Distribusi Diskrit
2. Distribusi Kontinu
Referensi:
1. Douglas C. Montgomery: “Applied statistics and Probability for Engineers”, John Wiley & sons, Asia, 2007.
2. http://stattrek.com/probability/random-variable.aspx?Tutorial=Stat, akses Mar 2012
Update : 14 Mei 2012Elektro - UIN SUSKA2 – Probabilitas dan Statistik
Suatu proses random selalu terjadi diseluruh kehidupan kita. Kita mendefenisikan proses tersebut random karena kelemahan manusia dalam
mencari pola pasti (rumusan) dari alam (Sunatullah). Bidang komputer: Utilisasi CPU oleh program-program yang random Bidang Telekom: Penerimaan sinyal radio yang random Bidang Energi: Tegangan dan daya listrik yang random Bidang Multimedia: sinyal informasi suara yang random
Jika outcome-outcome proses random tersebut direkam dan ditampilkan dalam grafik, maka akan membentuk suatu pola tertentu
Ketika proses sampling dilakukan tak hingga, grafik tersebut akan membentuk suatu pola yang stabil yang disebut dengan distribusi probabilitas.
Distribusi tersebut kemudian dapat dipadankan dengan distribusi-distribusi yang telah dikenal rumusannya untuk mendapatkan perihal parameter populasi outcome nya.
Model distribusi inilah yang kemudian digunakan dalam perancangan teknologi-teknologi yang bekerja pada proses random. Berikanlah contoh?
Update : 14 Mei 2012Elektro - UIN SUSKA3 – Probabilitas dan Statistik
Definisi distribusi
Distribusi probabilitas (distribusi peluang) didapatkan dari frekuensi kemunculan outcome dalam suatu eksperimen random. Eksperimen random adalah jika suatu prosedur kerja eksperimen yang sama
diulang berkali-kali, maka akan menghasilkan outcome yang random (acak) Jika ekperimen yang dilakukan tidak random, maka distribusi yang dihasilkan
akan membentuk pola (rumusan) yang pasti (bukan penelitian tetapi perhitungan).
Distribusi probabilitas sering digunakan untuk memodelkan suatu situasi yang tidak mampu didefinisikan secara pasti oleh manusia (Kuasa Illahi). Panas(noise) perangkat Additive White Gaussian Noise (AWGN) Kedatangan user pada server Poisson Pemodelan error bit (kanal digital) Binomial Pola random umum Uniform
Update : 14 Mei 2012Elektro - UIN SUSKA4 – Probabilitas dan Statistik
Definisi distribusi
Ditemukan oleh De Moivre dalam presentasinya Central Limit Theorem, 1733 100 tahun kemudian Gauss secara perorangan membangun distribusi ini dan
memperkenalkannya sebagai Distribusi Gaussian
Karakteristik: Ketika eksperiment random dilakukan berulang-ulang, model r.v yang sebanding dengan rata-rata outcomenya cenderung dimodelkan dengan distribusi normal . Ciri-ciri kurvanya adalah sebagai berikut: Bersifat simetris unimodal di mana µ = mode Kurva bersifat log-concave (berbentuk lonceng) Total area yang diselimuti oleh kurva pada sumbu axis =1 Mean memiliki nilai -∞ < µ < ∞ dan standard deviasi > 0 Dinotasikan dengan:
Update : 14 Mei 2012Elektro - UIN SUSKA5 – Probabilitas dan Statistik
Distribusi normal
2,N
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0 10 20 30 40 50 60 70 80 90 100
Distribusi Normal
N(50,5) N(50,10) N(50,15)
Mean = median = Modus
Probability distribution function (pdf)
Update : 14 Mei 2012Elektro - UIN SUSKA6 – Probabilitas dan Statistik
Distribusi normal
xexfx
2
2
1
2
1
Commulative density function (CDF):
di mana :
Update : 14 Mei 2012Elektro - UIN SUSKA7 – Probabilitas dan Statistik
Distribusi normal
22erf1
2
1
x
XF x tdtex0
2erf
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60 70 80 90 100
Prob
abili
tas
N(50,5) N(50,10) N(50,15)
Gunakan fungsi excell =(NORMSINV(RAND())*5)+50 untuk membangkitkan random variabel terdistribusi normal, sampling outcome hingga 10000 sampel dan sajikan dalam grafik pdf nya.
Ganti fungsi excel =(NORMSINV(RAND())*15)+50 untuk grafik berikutnya
Update : 14 Mei 2012Elektro - UIN SUSKA8 – Probabilitas dan Statistik
Distribusi normal
0
100
200
300
400
500
600
700
800
900
0 10 20 30 40 50 60 70 80 90 1000
50
100
150
200
250
300
0 10 20 30 40 50 60 70 80 90 100
Area integrasi normal
Update : 14 Mei 2012Elektro - UIN SUSKA9 – Probabilitas dan Statistik
Distribusi normal
Contoh soal:
Suatu rumah menggunakan layanan daya listrik 1300 watt. Pemakaian peralatan listrik dirumah tersebut rata-rata adalah 1000 watt dengan deviasi 250 watt. Setiap kali penggunakaan listrik lebih dari 1300 watt, maka sekering listrik akan memutuskan arus yang mengalir di rumah tersebut.
a. Carilah kemungkinan dalam 30 hari terdapat 3 kali mati listrik akibat kelebihan beban pemakaian.
b. Jika harga per kwh listrik adalah Rp. 1000,- , berapakah peluang pembayaran listrik kurang dari Rp. 57600 per bulan
Update : 14 Mei 2012Elektro - UIN SUSKA10 – Probabilitas dan Statistik
Distribusi normal
Karakteristik distribusi Binomial (Bernoulli trial): Terdapat n kali observasi dimana setiap observasi bersifat identik dan
independent Jumlah outcome adalah 2, misalkan sukses dan gagal. Peluang event a adalah p
dan peluang event b adalah 1 – p ; untuk setiap observasi yang dilakukan. Contoh pasangan event adalah: Sukses dan gagal Jawaban yes dan no Laki-laki dan perempuan Sempurna dan error
Peluang sukses dan gagal untuk setiap observasi adalah konstan. Grafik p.m.f bersifat unimodal (skew atau simetris) Di notasikan dengan b( x, n, p) Jika terdapat 2 outcome dengan peluang munculnya event adalah p dan peluang
tidak munculnya event adalah q = 1 – p, dilakukan sebanyak n kali observasi, maka peluang munculnya event tersebut adalah:
Update : 14 Mei 2012Elektro - UIN SUSKA11 – Probabilitas dan Statistik
Distribusi Binomial
Definisi: jika terdapat n kali observasi, dimana peluang setiap kesuksesan adalah p dan peluang setiap kegagalan adalah q = 1-p, maka peluang untuk x kali sukses adalah:
Nilai Ekspektasi dan standard deviasi
Besaran posisi: Nilai standar Z
Update : 14 Mei 2012Elektro - UIN SUSKA12 – Probabilitas dan Statistik
Distribusi Binomial
xnx qp
xnx
nxp
!!
!
Jumlah kombinasi outcome dimana terdapat
x kali sukses jika dilakukan n kali observasi
Probabilitas dari x kali sukses diantara n kali observasi untuk setiap urutan kombinasi
pnqpx
nxxxpxE xnx
n
x
n
x
00
qpn
nqp
pnx
qpn
pnxxz
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 1 2 3 4 5 6
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0 1 2 3 4 5 6
Fungsi probabilitas (pmf) dan Kumulatif (CDF):
Update : 14 Mei 2012Elektro - UIN SUSKA13 – Probabilitas dan Statistik
Distribusi Binomial
1210 xppppxXP
p(3) = 0.3125
P(X≤3) = 0.3125
Kurva pmf dengan program excel Gunakan fungsi: =BINOMDIST(x,6,0.5,FALSE) Lakukan untuk p =0.25 dan p = 0.75
Update : 14 Mei 2012Elektro - UIN SUSKA14 – Probabilitas dan Statistik
Distribusi Binomial
0.015625
0.09375
0.234375
0.3125
0.234375
0.09375
0.015625
0 1 2 3 4 5 6
Distribusi b(x,n,q)
n = 6; p =0.5
0 1 2 3 4 5 6n = 6; p =0.25
0 1 2 3 4 5 6n = 6; p =0.75
Contoh soal
Dalam suatu penelitian, diketahui bahwa bit error rate (BER) kanal radio adalah 10-2. Jika dikirimkan sinyal informasi dengan jumlah 1000 frame di mana 1 frame terdiri dari 1000 bit.
a. Berapakah peluang bahwa 1000 bit error selama transmisi
b. Jika sinyal dikirim per frame, berapakah peluang 100 frame error
Update : 14 Mei 2012Elektro - UIN SUSKA15 – Probabilitas dan Statistik
Distribusi Binomial
Penurunan persamaan Transformasi dari suatu deret eksponensial dimana n sangat besar
Ketika 1/n di ganti dengan 1/:
Dan jika di konversi balik di dapatkan:
Sehingga definisi poisson didapatkan ketika n cukup besar maka
Update : 14 Mei 2012Elektro - UIN SUSKA16 – Probabilitas dan Statistik
Distribusi poisson
enn
n
nLt
!
1
!4
1
!3
1
!2
1
!1
11
11
e
nn
nn
nLt
!!4!3!2!1
114321
!!4!3!2!111
4321
neee
n
!r
erpr
Contoh soal
Update : 14 Mei 2012Elektro - UIN SUSKA17 – Probabilitas dan Statistik
Distribusi poisson
Jika data set dengan n cukup besar sehingga n.p > 5 dan n.q >5, maka distribusi normal akan memberikan nilai pendekatan yang lebih baik
Jika data set dengan dengan yang kecil dan p dan q bukanlah event yang sukar muncul di mana n.p dan n.q >5, maka distribusi binomial dapat digunakan. Jika data set n cukup besar, maka distribusi normal merupakan pendekatan yang lebih baik untuk kasus tersebut
Jika data set besar (n>50) dan probabilitas event jarang terjadidi mana mean dari distribusi n.p < 5, maka dapat dimodelkan dengan poisson.
Update : 14 Mei 2012Elektro - UIN SUSKA18 – Probabilitas dan Statistik
Fakta penggunaan distribusi
Karakteristik: Finite possible value: memiliki range yang terbatas dan diskrit Equal probability: masing-masing outcome memiliki probabilitas yang sama Constant probability: probabilitas masing-masing outcome adalah konstan
Definisi Mean
Variansi
Update : 14 Mei 2012Elektro - UIN SUSKA19 – Probabilitas dan Statistik
Distribusi uniform (diskrit)
ninxf i ,,2,1/1
2
2b
XE
12
11 22
ab
0 1 2 3 4 5 6 7 8 9 x
f(x)
0.1
c
Update : 14 Mei 2012Elektro - UIN SUSKA20 – Probabilitas dan Statistik
Distribusi uniform (diskrit)
ninxf i ,,2,1/1
2
2b
XE