Review Probst at

Review Probabilitas
Hendrawan hend@telecom.ee.itb.ac.id
2005 Hendrawan Lab. Telematika - ITB
ET6043 Kinerja Jaringan Telekomunikasi & Komputer
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
Hendrawan Lab. Telematika - ITB ET6043 Kinerja Jaringan Telekomunikasi & Komputer
Apakah Probabiltas?
Frekuensi relatif jangka panjang
Jika melempar coin, frekuensi relatif dari head 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
Probabilitas dari Head

Probabilitas didasarkan pd frekuensi relatif jangka panjang
Hendrawan Lab. Telematika - ITB
Model Probabilitas
Sample Space - 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
Model Probabilitas
Contoh: Pelemparan (toss) suatu dadu Sample Space: S ={1,2,3,4,5,6} Event: A = {muncul angka genap}, B = {muncul angka ganjil}, D= {muncul angka 2}
Ukuran Probabilitas: P(A) = 0,5; P(B) = 0,5; P(D) = 1/6
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 - P(A)
Contoh: Lempar suatu dadu: S = {1,2,3,4,5,6}; mis A = {2,4}, Ac = {1,3,5,6}; P(A) = 1/3; 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 = {1,2,3,4,5,6}; mis A = {2}, B = {1,3,5}; P(A or B) = P(A) + P(B) = 1/6 + 1/2 = 2/3
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
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
Contoh: suatu web site memp tiga server A, B, dan C, yg dipilih secara independent dg probabilitas: P(A) = , P(B) = , P(C)= . (a) Cari probabilitas A atau B dipilih P(A or B) = + = 3/4 (b) Cari probabilitas A tdk dipilih P(Ac) = 1 P(A) = (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
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 = {1,2,3,4,5,6}. mis A ={2}, B={bil genap} = {2,4,6}, P(A|B) = P(A and B)/P(B) = (1/6)/(1/2) = 1/3
Bayes Rule
Utk dua event A dan B yg mempartisi sample space, yaitu (A atau B) = S dan event ketiga C ditentukan di atas A dan B
Contoh: Lempar sepasang dadu S = {(1,1) (1,2), . (6,6)} 36 kemungkinan outcomes. Mis A ={jumlah dadu 9 atau lebih besar}, A = {(6,3),(5,4), (4,5), (3,6), (6,4), (5,5), (4,6), (6,5), (5,6), (6,6)} B = Ac = {jumlah dadu 8 atau kurang} = {(1,1) , (1,2,) .(6,2), (2,6)} --cat P(A) = 10/36 dan P(B) = 26/36
Bayes Rule
Mis C event jumlah dari dadu adalah bil genap {2,4,6,8,10,12}, P(C|A) =4/10 dan P(C|B) = 14/26
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, bilangan jumlah dari head pd pelemparan dua coin yg fair. Sample space S dari eksperimen adalah: S ={(t,t),(t,h),(h,t),(h,h)} dimana t menunjukan tail dan h menunjukan head
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, yg merupakan jumlah head pd pelemparan dua coin
f(x) diberikan dg P{X = 0} = .25; P{X=1} = .5 ; P{X=2} = .25 F(x) diberikan dg
Probability Density Function

Formula matematis Memperlihatkan semua harga, X, & frekuensi, f(X)
f(X) adalah probability density function (pdf)
Properties
Area di bawah kurva = 1 Mean () Standard Deviation ()
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., jumlah head pd pelemparan dua coin) Jika S adalah kontinyu X adalah suatu random variable kontinyu (mis., waktu antar queries ke suatu server database)
Tipe-Tipe Random Variables

Jika X discrete random variables maka
Jika X continuous random variables maka
Discrete Random Variables

Discrete Random Variables yg umum:
Bernoulli, Geometric, Binomial dan Poisson
Bernoulli memodelkan eksperimen spt toss suatu coin

X adalah suatu indicator function X = 1 sukses; X = 0 gagal
Spt coin toss dg probabilitas p mendpkan head, 1-p mendpkan tail


Geometric memodelkan jumlah percobaan X sampai sukses pertama pd suatu deretan percobaan Bernoulli trials P{X = x} = f(x) = (1-p)x-1p; dimana x = 1,2,3, Mean = 1/p Variance = (1-p)/p2
Sbg contoh, memodelkan jumlah tail yg terlihat sblm head pertama pd suatu deretan coin tosses

Binomial memodelkan jumlah sukses X pd n percobaan/trials. Mis p menyatakan probabilitas sukses pd 1 trial, probabilitas dari k sukses diberikan dg
Mean = np, Variance = np(1-p)
Tabel pd textbook memp macam-macam harga dari P(X = k)

Contoh Continuous Random Variable

Eksperimen Random Variable Harga Yg Mungkin 43.2, 78, Kg 900, 875.9, jam 3.2, 1,53, menit 0, 1.3, 2.78, det
Berat mahasiswa ITB Berat Umur hidup battery Jam
Lama panggilan Lama panggilan telepon Waktu antar Waktu antar kedatangan paket ke kedatangan router
Contoh Continuous Random Variable
Continuous Random Variable

Continuous Random Variables yg umum:
Exponential, Uniform, Normal
Exponential memodelkan waktu antar kedatangan, lama waktu pelayanan (mis., waktu dari panggilan telepon), mis X suatu exponential random variable dg mean a.

Uniform memodelkan kasus equally likely. Mis. X uniform random variable antara a dan b yaitu X akan mempunyai harga antara a dan b dengan kemungkinan equally likely

Normal Normal random variable memodelkan fenomena random alamiah utk jumlah yg besar. Mis X suatu normal random variable
Standard Normal Z adalah kasus dimana: Mean = 0, Variance = 1.

Z Scores & Probability

Normal Distribution Hubungan langsung antara persentase dan probabilitas Persentase dari kurva normal dp di- rephrased sbg problem probabilitas
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 = 75 seconds dan standard deviation = 6 seconds. P(X<x) = P(Z <z) dimana z = (x- )/
Berapakah probabilitas bhw pekerja pabrik yg dipilih random akan melaksanakan test dibawah 81 seconds atau diatas 75 seconds?
P(75 < X < 81)
P(75 < X < 81)
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

Variance, Mode, Quantile

Variance didefiniskan sbg
Mode adalah titik dimana f(x) adalah maximum Quantile quantile dari X ditulis x adalah titik pd X dimana F(x) = Cat. 0,5 quantile disebut median dimana 50% harga pd kedua sisi
Aturan-Aturan untuk Random Variables

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

Aturan utk Variances
Suatu transformasi liniear dari suatu random variable menghasilkan suatu squared scaling dari variance. Yaitu jika X adalah suatu random variable dg variance x2 dan a dan b adalah konstanta maka jika Y = aX + b variance dari Y diberikan oleh y2 = a2 x2 Variance dari sum dari suatu set dari independent random variables adalah sum dari individual variances. Yaitu jika X dan Y adalah random variables maka x+y2 = x2 + y2
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
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 Perlu mengerti bagaimana perubahan statistik dengan tiap sampel
Sample Distribution: distribusi probabilitas dari suatu statistik (spt mean, standard deviation) dari semua sampel yg mungkin dari ukuran yg sama dari suatu populasi
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, sukses atau gagal
Probabilitas suatu sukses (p) sama utk tiap observasi Probabilitas suatu gagal (1-p)
Mis X menyatakan count dari jumlah sukses dalam suatu sampel ukuran n. X memp distribusi Binomial

Ingat distribusi Binomial memodelkan jumlah sukses X dlm n percobaan Bernoulli dan memp. Mean = np, Variance = np(1-p)
Dg n bertambah besar distribusi dari X mendekati distribusi Normal dg mean dan variance

Utk estimasi probabilitas atau proportion dari suatu populasi p kita uji sample proportion:
dimana X adalah jumlah dari sukses dlm suatu sampel ukuran n adalah estimasi unbiased dari population proportion p. Jika ukuran sampel n besar, mendekati suatu distribusi Normal dg
Sample Distribution of Means

Perhatikan suatu sampel random ukuran tetap n dari suatu populasi dg mean dan standard deviation . Distribusi dari sample mean x (jika dihasilkan dari repeated random samples) memp. mean = 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
Central Limit Theorem
Central Limit Theorem

Central limit theorem menyatakan bhw dg bertambah besarnya ukuran sampel n, tdk tergantung pd distribusi populasi, distribusi dari sample mean mendekati distribusi Normal utk ukuran sampel yg besar, dg mean = dan standard deviation =
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?
Point Estimation
Menyediakan harga tunggal/single value, mis., sample mean, 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 = 22.9 adalah point estimate dari mean populasi yg tdk diketahui
Interval Estimation
Menyediakan nilai interval (a, b) dimana parameter populasi 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)
Level of Confidence
Nilai adalah probabilitas bhw parameter tidak berada dalam interval (a,b) 100(1 - ) % adalah confidence level dan adalah kemungkinan bhw parameter populasi yg tdk diketahui jatuh dlm interval (a,b) Nilai tipikal adalah = .1, .05, .01 yg memberikan confidence levels masing-masing 90%, 95%, dan 99% Contoh: Mean populasi yg tdk diketahui terletak antara 50 & 70 dg 95% confidence
Element Kunci dari Interval Estimation
Confidence Interval Process
Confidence Interval utk Population Mean

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

Catatan
x adalah sample mean. Z(1-/2) adalah nilai standard normal value dimana /2 adalah tail ke sebelah kanan dari nilai Z adalah standard deviation populasi n adalah ukuran sampel
Contoh: Confidence Interval utk Population Mean

Suatu retailer e-commerce spt Amazon.com, 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. Dari data yg lalu standard deviation dari populasi = 9 {23, 33, 14, 15, 42, 28, 33, 45, 23, 34, 39, 21, 36, 23, 34, 36, 25, 9, 11, 19, 35, 24, 31, 29, 16, 23, 34, 24, 38, 15, 13, 35, 28} Tentukan 90% confidence interval dari rata-rata waktu proses dan pengapalan pesanan.
sample mean x adalah = 26.9091, ukuran sampel n = 33 pd 90% confidence level Z(1-/2) = Z.95 = 1.645
Contoh: Confidence Interval utk Population Mean

Krnnya confidence interval adalah menghasilkan
Cat margin of error kadang-kadang diekspresikan sbg persentase dari estimasi. Utk contoh ecommerce: margin of error % = 100 * (2.577 / 26.9091) = 9.57% Juga confidence interval dp diekspresikan sbg (24.332, 29.486) yg dp diinterpretasikan sbg P(24.332 < < 29.486) = .9
Confidence Intervals
Trade off antara confidence level 100(1-) % dan margin of error
Lebih tinggi confidence lebih tinggi harga Z lebih besar margin of error
Contoh proses dan pengiriman pemesanan ecommerce. Suatu 95% confidence interval memp. Z = 1.96 (dimana 90% memp Z = 1.645) dan sbg hasil
Margin of error juga tergantung pd ukuran sampel n, 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
Cat utk margin of error yg diinginkan m kita dp tentukan ukuran sampel yg diperlukan n utk mencapai m. Kita mendpkan
Utk contoh e-commerce pd 90% confidence level jika diinginkan margin of error 3%, m.x = .03 x 26.9091= .80727 dan selesaikan utk ukuran sampel n
Cat perlu 337-33= 304 tambahan observasi

Confidence Interval utk Proportion of population

Dari aproksimasi Normal pd distribusi Binomial kita dapatkan 100(1- )% confidence interval pd suatu population proportion sbg
dimana Z1- /2 adalah /2 critical point dari standard distribusi Normal
Confidence Interval utk Proportion of population

Contoh: Perhatikan suatu link komunikasi satelit. Spy dp mengestimasi packet error rate pd link kita transmit 5000 packets dan observasi bhw 23 diterima error. Tentukan 90% confidence interval pd packet error probability. Dari, Z.95 = 1.645, n = 5000,
Krnnya 90% confidence interval utk packet error probability diberikan oleh (.0030, .0062)
Confidence Interval utk Quantile of population

Quantile: Harga xq dimana CDF mempunyai harga q disebut q-quantile atau 100-q-percentile
50-percentile (atau 0.5-quantile) disebut median Posisi dari suatu harga q-quantile value dari suatu sorted order list x1, x2, x3, , xn adalah
* dibulatkan ke integer terdekat


100(1-)% confidence interval pd suatu harga populasi q-quantile xq adalah
dimana

Contoh: 45 titik data (n=45) 6, 6, 7, 8, 8.5, 9, 11, 13, 15, 24, 29, 30, 32, 34, 37, 39, 41, 42, 42, 43, 46, 47, 47.5, 49, 50, 52, 54, 55, 59, 62, 63, 66, 68, 71, 81, 83, 84, 88, 93, 97, 103, 108, 111, 116, 134 Cari 90% c.i. pd 0.5 quantile. Posisi dari 0.5 quantile = (45-1)*0.5 + 1 = 23 x0.5 = 47.5
Krnnya, 90% c.i. pd x0.5 = (41, 59)

Tugas (kumpulkan minggu depan)

1. Perhatikan N mobile phones dlm suatu cell. Tiap phone mungkin berusaha utk transmit data pd suatu kanal shared time slot. Tiap transmisi terjadi tepat pd satu slot, dan tdk ada pencegahan collision digunakan serta tiap phone akan transmit dlm suatu slot dg probabilitas p, independen thd phone lainnya. a). Berapakah probabilitas suatu time slot kosong, yaitu tdk ada usaha dari sembarang phone? b). Berapakah probabilitas suatu transmisi sukses, yaitu secara tepat satu phone berusaha transmit. c). Berapakah probabilitas collision pd suatu slot, yaitu dua atau lebih phone berusaha transmit pd slot yg sama?
Tugas (cont.)
2. Dlm suatu access switched data network, user bisa request suatu koneksi utk di-set up utk suatu transfer data. Jika suatu call-setup request tiba, suatu access network node akan menentukan apakah menerima permintaan atau menolak berdasarkan ketersediaan resources. Jika permintaan ditolak, user akan mengulang usaha sampai 10 kali sblm menyerah. Asumsikan bhw tiap permintaan call-setup memp. probabilitas 0.02 utk diterima dan usaha permintaan panggilan adalah independent. a). Berapakah probabilitas suatu permintaan panggilan diberikan pd usaha pertama? b). Berapakah probabilitas bhw suatu panggilan pertama diterima adalah usaha yg ke-empat? c). Berapakah probabilitas bhw memerlukan lebih dari lima usaha bagi user utk koneksi? d). Berapakah probabilitas bhw user akhirnya menyerah? e). Berapakah rata-rata jumlah usaha panggilan diperlukan utk koneksi?
Tugas (cont.)
3. Perhatikan waktu transaksi pd suatu aplikasi web-based, dari 3000 transaksi terdistribusi normal dg mean 66 sec dan standard deviation 3 sec. jika 80 sampel masing-masing terdiri dari 25 transaksi didapat, a). berapakah mean dan standard deviation yg diharapkan sbg hasil dari mean dari distribusi sampling? b). Dalam berapa banyak sampel kita bisa mengharapkan mean: (i) antara 64.8 dan 66.3 sec dan (ii) kurang dari 64.4 sec?

Review Probst at

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Review Probst at

Uploaded by

Copyright:

Available Formats

Review Probabilitas

2005 Hendrawan Lab. Telematika - ITB

ET6043 Kinerja Jaringan Telekomunikasi & Komputer

Probabilitas dari Head

Hendrawan Lab. Telematika - ITB

ET6043 Kinerja Jaringan Telekomunikasi & Komputer

Ukuran Probabilitas: P(A) = 0,5; P(B) = 0,5; P(D) = 1/6

Hendrawan Lab. Telematika - ITB

ET6043 Kinerja Jaringan Telekomunikasi & Komputer

Hendrawan Lab. Telematika - ITB

ET6043 Kinerja Jaringan Telekomunikasi & Komputer

Hendrawan Lab. Telematika - ITB

ET6043 Kinerja Jaringan Telekomunikasi & Komputer

Hendrawan Lab. Telematika - ITB

ET6043 Kinerja Jaringan Telekomunikasi & Komputer

Hendrawan Lab. Telematika - ITB

ET6043 Kinerja Jaringan Telekomunikasi & Komputer

Hendrawan Lab. Telematika - ITB

ET6043 Kinerja Jaringan Telekomunikasi & Komputer

Probability Density Function

Tipe-Tipe Random Variables

Tipe-Tipe Random Variables

Jika X continuous random variables maka

Hendrawan Lab. Telematika - ITB

ET6043 Kinerja Jaringan Telekomunikasi & Komputer

Discrete Random Variables

Bernoulli memodelkan eksperimen spt toss suatu coin

Spt coin toss dg probabilitas p mendpkan head, 1-p mendpkan tail

Discrete Random Variables

Discrete Random Variables

Mean = np, Variance = np(1-p)

Tabel pd textbook memp macam-macam harga dari P(X = k)

Contoh Continuous Random Variable

Berat mahasiswa ITB Berat Umur hidup battery Jam

Hendrawan Lab. Telematika - ITB

ET6043 Kinerja Jaringan Telekomunikasi & Komputer

Contoh Continuous Random Variable

Hendrawan Lab. Telematika - ITB

ET6043 Kinerja Jaringan Telekomunikasi & Komputer

Continuous Random Variable

Hendrawan Lab. Telematika - ITB

ET6043 Kinerja Jaringan Telekomunikasi & Komputer

Continuous Random Variable

Hendrawan Lab. Telematika - ITB

ET6043 Kinerja Jaringan Telekomunikasi & Komputer

Continuous Random Variable

Standard Normal Z adalah kasus dimana: Mean = 0, Variance = 1.

Z Scores & Probability

Hendrawan Lab. Telematika - ITB

ET6043 Kinerja Jaringan Telekomunikasi & Komputer

Z Scores & Probability

ET6043 Kinerja Jaringan Telekomunikasi & Komputer

P(75 < X < 81)

Hendrawan Lab. Telematika - ITB

ET6043 Kinerja Jaringan Telekomunikasi & Komputer

P(75 < X < 81)

Hendrawan Lab. Telematika - ITB

ET6043 Kinerja Jaringan Telekomunikasi & Komputer

Moment lebih tinggi didp dg mengganti x dg xn

Variance, Mode, Quantile

Aturan-Aturan untuk Random Variables

Aturan-Aturan untuk Random Variables