14065-4-651826679248
TRANSCRIPT
Universitas Mercu BuanaFakultas Teknologi Industri
Jurusan Teknik Elektro
Modul IV
Rekayasa trafik
FUNGSI-FUNGSI DISTRIBUSI
Oleh:
Nacep Suryana
Pusat Pengembangan Bahan Ajar - UMB Nacep Suryana, MSc REKAYASA TRAFIK
BAB IV
FUNGSI-FUNGSI DISTRIBUSI
4.1. PENGANTAR
Beberapa Distribusi secara karakter aslinya sangat sesuai untuk analisa
rekayasa trafik dalam sistim telekomunikasi. Beberapa Distribusi akan dibahas pada bab
ini, terutama aplikasi dan sifat-sifatnya seperti nilai ekspektasinya dan variansi-nya.
4.2. DISTRIBUSI GEOMETRI
Definisi: Anggaplah sebuah eksperiment yang mempunyai peluang untuk
terjadinya suatu peristiwa adalah p, sedangkan peluang kegagalannya adalah 1 - p.
Variable random X didefinisikan sebagai jumlah percobaan yang harus dilakukan
sampai munculnya peristiwa yang pertama, dan jika peluang terjadinya suatu
peristiwa dari beberapa experiment satu sama lain tidak saling tergantung, maka
Variabel X mempunyai distribusi Geometris.
Rumusanya: Untuk sampai kepada terjadinya peristiwa yang pertama pada
percobaan yang ke-i, maka kita telah gagal sebanyak i – 1 kali experiment, peluang
kegagalanya berarti (1-p)i-1 dan peluang terjadinya adalah p. Maka peluang
terjadinya peristiwa dari distribusi Geometri pada experimen ke-i adalah:
pi = (1 – p)i-1p i = 1, 2, ……..
Nilai ekspektasinya (Nilai rata-ratanya) adalah:
E[X] = ∑ i (1-p)i-1p
Sedangkan Variansi-nya adalah:
Pusat Pengembangan Bahan Ajar - UMB Nacep Suryana, MSc REKAYASA TRAFIK
σ2 = (1 – p) / p2
Contoh 3.1:
Salah satu metoda untuk membuat simulasi computer tentang sembarang proses
kedatangan (panggilan telepon / data) adalah dengan cara membagi sumbu waktu
menjadi beberapa ‘time slot’ dan setiap time slot mempunyai peluang kedatangan
tertentu. Kita misalkan sumbu waktu kita bagi menjadi potongan kecil-kecil (time
slot) dari 200 ms, dan p adalah peluang kedatangan pada setiap time slot.
Peluang pada setiap slot satu sama lain independent. Ditanyakan:
a. Berapa peluang p harus dipilih agar rata-rata proses kedatangan jumlahnya
adalah satu kedatangan untuk setiap 2 detik?
b. Bagaimana gambaran distribusi peluang dari nomer time slot dengan peluang
kedatangan pertama panggilan?
c. Jika simulasi dimulai pada t = 0 detik, Berapa peluang pada t = 2 detik belum
ada yang datang juga?
Solusi
a. pada interval 2 detik terdapat 10 time slot (karena 1 time slot 200 ms), satu
kedatangan per 2 detik artinya adalah adanya satu kedatangan pada tiap 10 time
slot. Jumlah time slot yang berjalan sampai dengan munculnya kedatangan
pertama adalah 1/p, jadi peluang p yang harus dipilih adalah p = 0.1 (ada satu
kedatangan per 10 time slot).
b. Nomer dari time slot dengan kedatangan pertama menggambarkan jumlah yang
harus dipenuhi sampai kejadian sukses pertama muncul. Besaran ini adalah
variable stochastic diskrit dengan distribusi geometris, dan jika digambar dengan
Histogram maka akan tampak seperti dibawah ini:
Pusat Pengembangan Bahan Ajar - UMB Nacep Suryana, MSc REKAYASA TRAFIK
c. Pada t = 2 detik, ada 10 time slot. Peluang bahwa sampai pada 10 time slot
belum ada panggilan yang datang, adalah sama dengan peluang kedatangan
terjadi pada time slot ke 11 atau lebih:
Distribusi geometris mempunyai sifat memoryless (untuk distribusi diskrit),
artinya ketika sudah dilakukan k experiment dan belum ada sukses yang terjadi, maka
distribusi peluang dari jumlah experiment yang harus diakukan lagi sampai sebuah
sukses terjadi sama dengan distribusi peluang asal-nya. Histogram dibawah ini
menggambarkan distribusi peluang untuk time slot 11 dan seterusnya, ketika sampai 10
time lot belum ada sukses yang terjadi.
Pusat Pengembangan Bahan Ajar - UMB Nacep Suryana, MSc REKAYASA TRAFIK
10Pr{X>10} = 1 - Pr{X ≤ 10} = 1 - Σ 0.9i-1. 0.1
i = 1
1 - 0.910
1- 0.1 = 0.910 = 0.349 1 - 0.9
4.3. DISTRIBUSI BINOMIALE
Definisi : Jika variabel X menggambarkan suatu experiment sebanyak n kali
experiment yang satu sama lain independent dan setiap experiment mempunyai
peluang sukses p, maka variable random X mempunyai distribusi Binomiale
dengan parameter n dan p. Peluang dari distribusi Binomiale diberikan sbb:
Dimana
notasi :
Harga Rata-rata dan variansi dari distribusi Binomiale adalah sbb:
Harga rata-ratanya adalah: E[X] = np
Variansi-nya adalah: σ2 = np(1 - p)
Contoh 3.2 .:
Pusat Pengembangan Bahan Ajar - UMB Nacep Suryana, MSc REKAYASA TRAFIK
nPi = (1 – p)n – i pi 0 ≤ i ≤ n i
Kita melanjutkan contoh soal yang ada pada contoh 3.1 dimana peluang terjadi 1
kedatangan setiap time slot sebesar 200 ms adalah 0.1.
Ditanyakan adalah: Berapa peluang bahwa dalam interval 20 detik terjadi
kedatangan 5 atau kurang?
Jawab:
Jumlah kedatangan dalam 20 detik (sama dengan 100 time slot) dapat dianggap
sama dengan jumlah experiment 100 kali, maka variable random ini adalah
distribusi Binomiale dengan n = 100 dan p = 0.1. maka harga ekspektasi-nya
atau rata-ratanya adalah n.p = 10, sedangkan peluang terjadinya 5 kedatangan
atau kurang adalah:
P(X ≤ 5) = p0 + p1 + p2 + p3 + p4 + p5
Jadi,
= 0.000027 + 0.000295 + 0.001623 + 0.005892 + 0.015875 + 0.033866
= 0.058
4.4. DISTRIBUSI POISSON
Definisi: Distribusi Poisson adalah distribusi peluang dari variable stochastic X yang
diskrit. Kalau sebuah proses kedatangan adalah proses Poisson dengan rata-rata
kedatangan λ per detik dan kita mendefinisikan varaibel X sebagai jumlah
kedatangan didalam interval waktu t detik, maka X adalah distribusi Poisson dengan
parameter α = λ t. maka peluang dalam distribusi Poisson dengan parameter α
adalah:
Pi = e- α
Rata-rata dan variasi dalam distribusi Poisson adalah sbb:
E(X) = α
Pusat Pengembangan Bahan Ajar - UMB Nacep Suryana, MSc REKAYASA TRAFIK
n dan pi = (1 – p)n – i pi 0 ≤ i ≤ n i
100 100 100
P(X ≤ 5) = . 0.9100 + 0.999 0.1+ ……+ 0.9950.00001
0 1 5
σ2 = α
Histogram untuk distribusi poisson dapat dilihat pada halaman berikut:
Contoh 3.3
Kita akan membuat model untuk proses kedatangan panggilan pada sebuah
sentral telepon. Untuk membuat perbandingan dengan 2 metoda terdahulu, kita akan
mengajukan pertanyaan yang sama: Berapa besar peluangnya 5 kedatangan atau
kurang dalam waktu 20 detik, dimana rata-rata ada satu kedatangan tiap 2 detik.
Solusi
Jumlah kedatangan dalam interval waktu adalah merupakan variable diskrit
stochastic yg terdistribusi secara poisson. Parameter untuk distribusi poisson dalam
contoh ini adalah α = 10, maka peluang 5 kedatangan atau kurang adalah:
Pr { X ≤ 5} = P0 + P1 + P2 + P3 + P4 + P5
= e-10 + e-10 10 + e-10 (102/2!) + e-10 (103/3!) + e-10 (104/4!) + e-10 (105/5!)
= 0.000045 + 0.000454 + 0.002270 + 0.007567 + 0.01917 + 0.03733
= 0.067
Distribusi poisson lebih teliti ketimbang distribusi binomial (memiliki koefisien variance
yg lebih besar). Untuk peluang sampai dengan 1% cukup teliti, dalam kasus ini distribusi
poisson lebih baik dari distribusi binomiale.
4.5. DISTRIBUSI NORMAL (DISTRIBUSI GAUSS)
Ketika beberapa variable stochastic dijumlahkan maka distribusinya akan
semakin mendekati distribusi Normal. Dalam praktek sering sekali beberapa hasil
analisa kita terdiri dari beberapa variable yg dijumlahkan, misalkan kita mempunyai 2
variabel stochastik X1 dan X2, maka penjumlahan dari X1 + X2 juga merupakan variable
stochastic dimana rata-rata nya sama dengan penjumlahan dari masing-masing
variable dan demikian juga dengan variance-nya.
Variable stochastic Rata-rata Variance
X1 E{X1} σ12
Pusat Pengembangan Bahan Ajar - UMB Nacep Suryana, MSc REKAYASA TRAFIK
X2 E{X2} Σ22
X1 + X2 E{X1} + E{X2} σ12 + σ2
2
Kepadatan peluang dari variable stochastic dengan rata-rata μ dan variance σ2 adalah:
Dibawah ini adalah grafik distribusi normal dengan rata-rata 10 dan variance-nya 10.
pada distribusi normal yang standard nilai rata-ratanya adalah 0 dan variance-nya 1,
maka kepadatan peluang-nya adalah:
Fungsi distribusinya adalah sering disebut juga error function, Erf(.) sbb:
Erf(x) = ∫ f(t) dt
Misalkan kita mempunyai variable stochastic X dengan rata-rata μ dan variance σ2
disimbolkan X ≈N(μ, σ2 ), maka jika kita ingin menghitung berapa besar Pr{X ≤ x}, kita
harus mendefinisikan variable stochastic baru Y yg berhubungan dengan X sbb:
Pusat Pengembangan Bahan Ajar - UMB Nacep Suryana, MSc REKAYASA TRAFIK
1F(x) = e -1/2 (x-μ)2
σ√2π σ
X – μY =
σ
Proses translasi dengan μ dan σ menyebabkan Y juga memiliki distribusi normal Y≈N(0,
1). Fungsi distribusi dari dapat dinyatakan dalam Erf(.) sbb:
Pr {X ≤ x} = Pr{Y ≤ x – μ } = Erf (x – μ) σ σ
pada halaman berikut table dari error function diberikan, melalui sifat simetri dari
kepadatan peluang dalam distribusi normal standard terhadap 0 maka:
Erf (-x) = 1 – Erf(x)
Contoh 3.4.
Pada sebuah PABX baru semua peralatan ISDN dan terminal powernya disuplai
dari pheriperal circuit board. Power suplai hanya memberikan powernya ketika peralatan
aktif. Dari data-data sebelumnya diketahui bahwa pada jam-jam sibuk peluang aktif
peralatan adalah 0,1. jumlah peralatan yg ada di PABX adalah 200. untuk menentukan
apakah power suplainya dapat mencukupi atau tidak, kita perlu menghitung berapa
besar peluangnya pada jam-jam sibuk lebih dari 30 peralatan aktif?
Solusi
Untuk menyederhanakan masalah kita misalkan bahwa periode aktif dari
beberapa alat satu sama lain tidak tergantung, maka jumlah peralatan yang aktif X pada
jam-jam sibuk merupakan variable stochastic yang terdistribusi secara binomial, rata-
rata dan variance-nya:
μ = n.p = 20
σ = n.p.(1-p) = 200(1 - 0,1).0,1 = 18
penjumlahan langsung dari rumus menghitung peluang binomial dari P30 sampai P100,
maka kita akan menemui kesulitan untuk menghitung koefisien binomial berikut:
hal sama terjadi jika kita menghitungnya dengan bantuan distribusi poisson
Untuk dapat menghitung peluang ini kita harus menggunakan pendekatan distribusi
normal. Misalkan W adalah distribusi Normal dengan rata-rata 20 dan variance-nya
adala 18, maka Y didefinisikan Y = (W – 20)/√18:
Pusat Pengembangan Bahan Ajar - UMB Nacep Suryana, MSc REKAYASA TRAFIK
200 = 4096817050221277735306652363950880 300
Pr { W > 30 } = 1 – Pr{X ≤ 30}
= 1 – Pr {Y ≤ 2,36} = Erf (-2,36}
= 0,00914 (dengan melihat table)
Pusat Pengembangan Bahan Ajar - UMB Nacep Suryana, MSc REKAYASA TRAFIK
Pusat Pengembangan Bahan Ajar - UMB Nacep Suryana, MSc REKAYASA TRAFIK
4.6 DISTRIBUSI EXPONENSIAL NEGATIF
Distribusi Exponensial Negatif dapat didefinisikan: Berapa lama waktu
berlangsung sampai sebuah peristiwa yg didinginkan terjadi. contoh masalah ini adalah
Waktu yang berjalan sampai panggilan telephone pertama berikutnya ketika ada rata-
rata λ panggilan per satuan waktu.
Misalkan T adalah variable stochastic kontinyu dengan kepadatan peluang sbb:
dan untuk fungsi distribusinya adalah sbb:
jadi T adalah distribusi negative exponential dengan rata-rata dan variance sbb:
m 1 = 1 / λ
σ2 = 1 / λ2
Gambar 4.3. kepadatan peluang distribusi exponensial negative dengan m1 =
2 (jadi λ = 0.5)
Contoh:
Pada contoh ini kita akan membandingkan perhitungan dengan contoh pada paragraph
4.1 diatas. Sekarang kita menggunakan assumsi bahwa proses kedatangan yaitu: waktu
Pusat Pengembangan Bahan Ajar - UMB Nacep Suryana, MSc REKAYASA TRAFIK
λ e-λt utk t ≥ 0f(t) =
0 utk t < 0
1 - e-λt utk t ≥ 0 F(t) =
0 utk t < 0
sampai munculnya kedatangan pertama dan waktu antar 2 kedatangan berurutan
mempunyai distribusi exponensial negative dengan rata-rata 2.
Yang ditanyakan adalah berapa peluang bahwa pada t = 2 belum ada kedatangan
panggilan (jika variable stochastic ini terdistribusi secara exponensial negative)?.
Solusi
Peluang bahwa selama 2 detik pertama belum ada kedatangan yang muncul adalah:
Pr{T > 2} = 1 - Pr{T ≤ 2}
= 1 - F(2)
= 1 - (1 - e-1)
= e-1 = 0.368
Distribusi ini memiliki sifat memoryless (sama dengan distribusi geometris). maka dari itu
distribusi ini banyak sekali dipakai pada rekayasa trafik, dimana waktu antar kedatangan
dan lamanya pelayanan (holding time) sering diasumsikan sebagai distribusi
exponensial negatif.
Pusat Pengembangan Bahan Ajar - UMB Nacep Suryana, MSc REKAYASA TRAFIK