200 likes | 523 Views
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:
E N D
DistribusiVariabel Random Probabilitas dan Statistik HasdiRadiles 19770909 201101 1 005 Teknik Telekomunikasi JurusanElektro- FakultasSainTek UIN Suska – Riau Pekanbaru, 14 Mei 2012
Syllabus Referensi: Douglas C. Montgomery: “Applied statistics and Probability for Engineers”, John Wiley & sons, Asia, 2007. http://stattrek.com/probability/random-variable.aspx?Tutorial=Stat, akses Mar 2012 Materiperkuliahan : • DistribusiDiskrit • DistribusiKontinu Elektro - UIN SUSKA
Definisidistribusi • Suatuproses random selaluterjadidiseluruhkehidupankita. • Kita mendefenisikanprosestersebut random karenakelemahanmanusiadalammencaripolapasti (rumusan) darialam (Sunatullah). • Bidangkomputer: Utilisasi CPU oleh program-program yang random • Bidang Telekom: Penerimaansinyal radio yang random • BidangEnergi: Tegangandandayalistrik yang random • Bidang Multimedia: sinyalinformasisuara yang random • Jikaoutcome-outcome proses random tersebutdirekamdanditampilkandalamgrafik, makaakanmembentuksuatupolatertentu • Ketikaproses sampling dilakukantakhingga, grafiktersebutakanmembentuksuatupola yang stabil yang disebutdengandistribusiprobabilitas. • Distribusitersebutkemudiandapatdipadankandengandistribusi-distribusi yang telahdikenalrumusannyauntukmendapatkanperihal parameter populasi outcome nya. • Model distribusiinilah yang kemudiandigunakandalamperancanganteknologi-teknologi yang bekerjapadaproses random. Berikanlahcontoh? Elektro - UIN SUSKA
Definisidistribusi • Distribusiprobabilitas (distribusipeluang) didapatkandarifrekuensikemunculan outcome dalamsuatueksperimen random. • Eksperimen random adalahjikasuatuprosedurkerjaeksperimen yang samadiulangberkali-kali, makaakanmenghasilkan outcome yang random (acak) • Jikaekperimen yang dilakukantidak random, makadistribusi yang dihasilkanakanmembentukpola (rumusan) yang pasti (bukanpenelitiantetapiperhitungan). • Distribusiprobabilitasseringdigunakanuntukmemodelkansuatusituasi yang tidakmampudidefinisikansecarapastiolehmanusia (KuasaIllahi). • Panas(noise) perangkat Additive White Gaussian Noise (AWGN) • Kedatangan user pada server Poisson • Pemodelan error bit (kanal digital) Binomial • Pola random umum Uniform Elektro - UIN SUSKA
Distribusi normal • DitemukanolehDe Moivredalampresentasinya Central Limit Theorem, 1733 • 100 tahunkemudian Gauss secaraperoranganmembangundistribusiinidanmemperkenalkannyasebagaiDistribusi Gaussian • Karakteristik: Ketikaeksperiment random dilakukanberulang-ulang, model r.v yang sebandingdengan rata-rata outcomenyacenderungdimodelkandengandistribusi normal . Ciri-cirikurvanyaadalahsebagaiberikut: • Bersifatsimetrisunimodaldimana µ = mode • Kurvabersifat log-concave (berbentuklonceng) • Total area yang diselimutiolehkurvapadasumbu axis =1 • Mean memilikinilai -∞ < µ < ∞ dan standard deviasi > 0 • Dinotasikandengan: Elektro - UIN SUSKA
Distribusi normal • Probability distribution function (pdf) Mean = median = Modus Elektro - UIN SUSKA
Distribusi normal • Commulative density function (CDF): dimana : Elektro - UIN SUSKA
Distribusi normal • Gunakanfungsiexcell=(NORMSINV(RAND())*5)+50 untukmembangkitkan random variabelterdistribusi normal, sampling outcome hingga 10000 sampeldansajikandalamgrafikpdfnya. • Gantifungsi excel =(NORMSINV(RAND())*15)+50 untukgrafikberikutnya Elektro - UIN SUSKA
Distribusi normal • Area integrasi normal Elektro - UIN SUSKA
Distribusi normal • Contohsoal: Suaturumahmenggunakanlayanandayalistrik 1300 watt. Pemakaianperalatanlistrikdirumahtersebut rata-rata adalah 1000 watt dengandeviasi 250 watt. Setiap kali penggunakaanlistriklebihdari 1300 watt, makasekeringlistrikakanmemutuskanarus yang mengalirdirumahtersebut. • Carilahkemungkinandalam 30 hariterdapat 3 kali matilistrikakibatkelebihanbebanpemakaian. • Jikaharga per kwhlistrikadalahRp. 1000,- , berapakahpeluangpembayaranlistrikkurangdariRp. 57600 per bulan Elektro - UIN SUSKA
Distribusi Binomial • Karakteristikdistribusi Binomial (Bernoulli trial): • Terdapat n kali observasidimanasetiapobservasibersifatidentikdan independent • Jumlah outcome adalah 2, misalkansuksesdangagal. Peluang event a adalah p danpeluang event b adalah 1 – p ; untuksetiapobservasi yang dilakukan. Contohpasangan event adalah: • Suksesdangagal • Jawaban yes dan no • Laki-lakidanperempuan • Sempurnadan error • Peluangsuksesdangagaluntuksetiapobservasiadalahkonstan. • Grafikp.m.fbersifatunimodal (skew atausimetris) • Di notasikandengan b( x, n, p) • Jikaterdapat 2 outcome denganpeluangmunculnya event adalah p danpeluangtidakmunculnya event adalah q = 1 – p, dilakukansebanyak n kali observasi, makapeluangmunculnya event tersebutadalah: Elektro - UIN SUSKA
Distribusi Binomial • Definisi:jikaterdapat n kali observasi, dimanapeluangsetiapkesuksesanadalah p danpeluangsetiapkegagalanadalah q = 1-p, makapeluanguntuk x kali suksesadalah: • NilaiEkspektasidan standard deviasi • Besaranposisi: Nilaistandar Z Probabilitasdari x kali suksesdiantara n kali observasiuntuksetiapurutankombinasi Jumlahkombinasi outcome dimanaterdapat x kali suksesjikadilakukan n kali observasi Elektro - UIN SUSKA
Distribusi Binomial • Fungsiprobabilitas (pmf) danKumulatif (CDF): p(3) = 0.3125 P(X≤3) = 0.3125 Elektro - UIN SUSKA
Distribusi Binomial • Kurvapmfdengan program excel • Gunakanfungsi: =BINOMDIST(x,6,0.5,FALSE) • Lakukanuntuk p =0.25 dan p = 0.75 Elektro - UIN SUSKA
Distribusi Binomial • Contohsoal Dalamsuatupenelitian, diketahuibahwa bit error rate (BER) kanal radio adalah 10-2. Jikadikirimkansinyalinformasidenganjumlah 1000 frame dimana 1 frame terdiridari 1000 bit. • Berapakahpeluangbahwa 1000 bit error selamatransmisi • Jikasinyaldikirim per frame, berapakahpeluang 100 frame error Elektro - UIN SUSKA
Distribusipoisson • Penurunanpersamaan • Transformasidarisuatudereteksponensialdimana n sangatbesar • Ketika1/n digantidengan 1/: • Dan jikadikonversibalikdidapatkan: • Sehinggadefinisipoissondidapatkanketika n cukupbesarmaka Elektro - UIN SUSKA
Distribusipoisson • Contohsoal Elektro - UIN SUSKA
Faktapenggunaandistribusi • Jika data set dengan n cukupbesarsehinggan.p > 5 dann.q >5, makadistribusi normal akanmemberikannilaipendekatan yang lebihbaik • Jika data set dengandengan yang kecildan p dan q bukanlah event yang sukarmunculdimanan.pdann.q >5, makadistribusi binomial dapatdigunakan. Jika data set n cukupbesar, makadistribusi normal merupakanpendekatan yang lebihbaikuntukkasustersebut • Jika data set besar (n>50) danprobabilitas event jarangterjadidimana mean daridistribusin.p < 5, makadapatdimodelkandenganpoisson. Elektro - UIN SUSKA
Distribusi uniform (diskrit) • Karakteristik: • Finite possible value: memiliki range yang terbatasdandiskrit • Equal probability: masing-masing outcome memilikiprobabilitas yang sama • Constant probability: probabilitasmasing-masing outcome adalahkonstan • Definisi • Mean • Variansi f(x) 0.1 0 1 2 3 4 5 6 7 8 9 x Elektro - UIN SUSKA
Distribusi uniform (diskrit) • c Elektro - UIN SUSKA