MODUL 2

Marcel Tirtakusumah (13210138)

Asisten: Tresna Aglis Salawasna (13210090)
Tanggal Percobaan: 18 Oktober 2013
EL3216 Sistem Komunikasi

Sekolah Teknik Elektro dan Informatika ITB

Abstrak
Pada praktikum ini dilakukan simulasi mengunakan MATLAB untuk teori probabilitas
dan proses acak.Pada percobaan teori probabilitas dipelajari mengenai properties
dari variabel acak diskrit dan kontinu, uniform dari veriabel normal yang dilihat dari
pdf dan cdf juga pengukuran statistik seperti reataan, variansi, standar deviasi dan
mean square. Pada percobaan proses acak dipelacari mengenai konsep dasar dari
prroses acar seperti wide-sensse stationary dan ergociti daan memeriksa korelasi
sebagai pengukuran hubungan antar proses-proses acak.
Kata kunci: probabilitas, proses acak, pdf, cdf, ergocity, korelasi.

1. DASAR TEORI

1.1

TEORI PROBABILITAS

Distribusi peluang bagi suatu variabel acak X pada dasarnya merupakan distribusi dari suatu
populasi. Untuk menjelaskan karakteristik dari distribusi tersebut digunakannilai rata-rata dan
varian dari variabel acak X. Untuk menjelaskan pemusatan (rata-rata) dari distribusi tersebut
digunakan (expected value), sedangkan untuk menjelaskan penyebarannya digunakan ukuran
varian.
E(X) merupakan rata-rata distribusi peluang E(X) merupakan rata-rata tertimbang dari seluruh
hasil yang mungkin Jika X adalah variabel acak diskret yang memiliki fungsi massa peluang p(xi),
nilai harapan X didefinisikan sebagai :

Varian X merupakan ukuran sebaran suatu distribusi Var(X) merupakan nilai harapan dari kuadrat
beda terhadap mean, sehingga :

Akar kuadrat Var(X) adalah standar deviasi X Misal X adalah suatu variabel acak yang bernilai x1,
x2, , xn dengan peluang masing-masing adalah p(x1), p(x2), , p(xn ), sebagai alternatifnya,
Var(X) dapat ditulis dalam bentuk jumlah tertimbang dari kuadrat deviasi, sebagai berikut :

1.2

PROSES ACAK

Sebuah proses acak X (t) menggambarkan pemetaan dari percobaan acak dengan ruang sampel S ke
sebuah ensemble fungsi sampel X (t, i). Untuk setiap titik waktu t 1, X (t1) menjelaskan variabel
acak.
Ensemble Averages And Stationary
Untuk setiap kali instance dari sebuah proses acak, nilai rata-rata, variansi dll dapat dihitung dari
semua fungsi sampel X (t, i).

Time Average and Ergocity

Sejauh ini, nilai rata-rata dan varians dari suatu proses acak X (t) dihitung berdasarkan probabilitas
fungsi kepadatan fX (t). Namun, dalam eksperimen praktis fungsi kepadatan probabilitas dari suatu
proses acak seringkali tidak diketahui. Juga, dalam banyak kasus, hanya ada satu fungsi sampel X
(t, i) tersedia. Oleh karena itu, lebih menguntungkan untuk menghitung rata-rata berdasarkan
waktu dibandingkan mengambil rata-rata ensemble

Perbedaan Ensemble average dan Time average

2. HASIL SIMULASI DAN ANALISIS

2.1

TEORI PROBABILITAS

a. Variabel Acak Diskrit

(a)

(b)

Analisis:
Gambar (a) menunjukan kurva probability density function(pdf ) dimana

nilai

probabilitas dari kemunculan keempat angka sama yaitu 0.25. Hal itu dikarenakan
hasil

pelempaaran

fair

yaitu

memiliki

probabilitas

kemunculan

yangsama.

Sedangkan kurva (b) menunjukan kurva cumulative distribution function (cdf) untuk
variabel acak diskrit. Kurva ini bebentuk tangga karena merupakan distribusi diskrit.
Hasil untuk sampel acak dadu 4 sisis yang dibuat biased, yakni probabilitas
kemunculan setiap sisi tidak sama:

(pdf)

(cdf)

Analisis :
Perbedaan dengan percobaan sebelumnya adalah pada kurva pdf yang menunjukan
probabilitas kemunculan setiap sisi yang tidak sama
b. Variabel Acak Kontinu

Variabel Acak Uniform

Hasil pdf dan cdf untuk sampel acak uniform

(pdf)
P(0 < U 3)
0.2720

(cdf)
P(3< U 5)
0.4620

P(U 5)
0.2660

mean1 = 3.9797
var1 = 1.3886
std1 = 1.1784
Analisis :
Kurva pdf menunjukan nilai probabilitas yang sama, hal itu dikarenakan sampel acak
terdistribusi uniform atau fair. Dan kurva cdf menunjukan bahwa sampel acak
terdistribusi secara kontinu.
Nilai rataan, variansi, dan standar deviasi tidak akan berbeda jauh untuk sampling
dengan jumlah sampel yang banyak.

Variabel Acak Normal

Hasil pdf dan cdf untuk sampel acak normal

(Input sampel acak)

(pdf)
P(0 < U 3)
0.2760

(cdf)
P(3< U 5)
0.4520

P(U 5)
0.2720

Analisis :
Kurva pdf menunjukan nilai rata-rata dan standar deviasi dari input sampel acak,

Hasil untuk nilai tetap dan 2 ={ 0.5, 1, 2, 5, 10};

6

(pdf)

(cdf)

Analisis:
Hasil plot menunjukan semakin kecil nilai standar deviasi maka kurva pdf akan semakin landai.
Hasil untuk N(,2), dengan 2 tetap dan ={-4,-1,2,5}

Analisis:
Perbedaan nilai mean memperngaruhi pada posisi kurva pdf
c. Mean, Variance, Power

100 nilai acak dengan distribusi normal dengan nilai = 1 ; {-5,0,5}

Analisis:
Perbedaan nilai mean memperngaruhi pada posisi kurva pdf
100 nilai acak dengan distribusi normal dengan nilai = {2,1,0.5,0.01} ; = 0

Analisis:
Hasil plot menunjukan semakin kecil nilai standar deviasi maka kurva pdf akan semakin landai.
d. Dart

(pdf)
2.2

(cdf)

PROSES ACAK

T (msec)
0.0

0.5

1.25

2.2

3.4

X(1,t)

5.062

2.062

4.062

5.298

0.0169

X(2,t)

4.062

4.062

1.062

0.2578

1.1231

X(3,t)

3.062

6.062

4.062

2.8259

8.1071

X(4,t)

4.062

4.062

7.062

7.8662

7.0009

E[X(,t)]

4.062

4.062

4.062

4.062

4.062

E[X2(,t)]

2.0615

2.1506

2.2913

2.4749

2.6926

Tabel 4

t1/t2

0.0

0.7

1.9

2.6

0.0

(Kurva)

(Kurva)

(Kurva)

(Kurva)

0.7

(Kurva)

(Kurva)

(Kurva)

(Kurva)

1.9

(Kurva)

(Kurva)

(Kurva)

(Kurva)

2.6

(Kurva)

(Kurva)

(Kurva)

(Kurva)

Tabel 5
Fungsi autocorrelation Rx(t1,t2), dengan nilai t1 dan t2

Tabel diisikan fungsi diatas dan seluruhnya memiliki gambar yang sama.
Garis biru pada gambar menunkukan nilai mean.

E[X(,t)]

E[X2(,t)]

2.0292

1.0299

2.0292

1.0299

2.0292

1.0299

2.0292

1.0299

Tabel 6

Perbandingan nilai pada tabel 4 dan 6 berbeda karena ensemble average hanya menghitung rata-rata
dan variansipada satu waktu, sedangkan time average menghitung rata-rata dan variansi pad suatu
rentang waktu

3. KESIMPULAN
Dari Hasil percobaan mengenai teori probabilitas dan proses acak yang telh dilaksanakan
dapat disimpulkan bahwa:

Distribusi uniform memberika probabilitas keluaran suatu nilai bernilai sama

karena pada distribusi uniform nilai terdistribusi fair atau sama

Nilai rata-rata dan variansi mempengaruhi pada prose acak

Untuk Proses acak stationari, pdf tidak bergantung pada waktu sedangkan unruk
proses acak ergositi, pdf bergantung pada waktu(t)

4. DAFTAR PUSTAKA
[1]

Carlson, A. B. 1986, Communication Systems. 3rd Ed. New York. McGraw Hill, Inc.

[2]
Co.

Couch II, L. W. 1990, Communication Systems. 3rd ED. New York. MacMilan Publishing,

[3]

Haykin, Sion. 2009. Communication Systems. 5th Ed. New York. John Wiley & Sons, Inc.

1
0

LAMPIRAN
Kode MATLAB
2.1

Teori Probabilitas
a. Variabel Acak Diskrit

%variabel acak diskrit

clear
clc
x = randi([1,4],2000,1);
y = pdf('chi2',x,4);
z = cdf('chi2',x,4);
plot(y),title('Probability Density Function');;
axis([0 5 0 1]);
figure, cdfplot(z);
grid on;

b. Variabel Acak Kontinu

Variabel acak uniform

% variabel acak kontinu distribusi uniform

clear
clc
x = random('unif',2,6,500,1);
max1 = max(x);
min1 = min(x);
y = pdf('unif',x,min1,max1);
z = cdf('unif',x,min1,max1);
t=[1:length(x)];
plot(y),title('Probability Density Function');
axis([0 5 0 1]);
figure,plot(t,x),title('nilai input');
figure,cdfplot(z);
grid on;
% variable mean, var, std
mean1 = mean(x)
var1 = var(x)
std1 = std(x)
untuk distribusi biased y dan z digan ti 'chi2'

1
1

y = pdf('chi2',x,min1,max1);
z = cdf('chi2',x,min1,max1);

Variabel acak normal

% variabel acak kontinu nomor 8 (distribusi normal)

clear;
clc;
x = random('unif',2,6,500,1);
mean1 = mean(x);
std1 = std(x);
a=random('norm',mean1,std1,500,1);
max2 = max(a);
min2 = min(a);
step2 = (max2-min2)/1000;
std2 = std(a);
mean2 = mean(a);
pdf2 = pdf('norm',min2:step2:max2,mean2,std2);
cdf2 = cdf('norm',min2:step2:max2,mean2,std2);
figure,plot(pdf2),title('Probability Density Function');
figure,plot(a),title('nilai input');
figure,cdfplot(cdf2);
grid on;
% variabel acak kontinu nomor 10 (distribusi normal)
clear;
clc;
b=random('norm',1,sqrt(0.5),500,1);
c=random('norm',1,sqrt(1),500,1);
d=random('norm',1,sqrt(2),500,1);
e=random('norm',1,sqrt(5),500,1);
f=random('norm',1,sqrt(10),500,1);
maxb=max(b);
minb=min(b);
stepb=(maxb-minb)/1000;
stdb=std(b);
meanb=mean(b);
pdfb=pdf('norm',minb:stepb:maxb,meanb,stdb);
cdfb=cdf('norm',minb:stepb:maxb,meanb,stdb);
maxc=max(c);
minc=min(c);
stepc=(maxc-minc)/1000;
stdc=std(c);
meanc=mean(c);
pdfc=pdf('norm',minc:stepc:maxc,meanc,stdc);
cdfc=cdf('norm',minc:stepc:maxc,meanc,stdc);
maxd=max(d);
mind=min(d);
stepd=(maxd-mind)/1000;
stdd=std(d);
meand=mean(d);
pdfd=pdf('norm',mind:stepd:maxd,meand,stdd);
cdfd=cdf('norm',mind:stepd:maxd,meand,stdd);

1
2

maxe=max(e);
mine=min(e);
stepe=(maxe-mine)/1000;
stde=std(e);
meane=mean(e);
pdfe=pdf('norm',mine:stepe:maxe,meane,stde);
cdfe=cdf('norm',mine:stepe:maxe,meane,stde);
maxf=max(f);
minf=min(f);
stepf=(maxf-minf)/1000;
stdf=std(f);
meanf=mean(f);
pdff=pdf('norm',minf:stepf:maxf,meanf,stdf);
cdff=cdf('norm',minf:stepf:maxf,meanf,stdf);
plot(pdfb);
hold all
plot(pdfc);
hold all
plot(pdfd);
hold all
plot(pdfe);
hold all
plot(pdff);
figure,cdfplot(cdfb);
hold all
cdfplot(cdfc);
hold all
cdfplot(cdfd);
hold all
cdfplot(cdfe);
hold all
cdfplot(cdff);
% variabel acak kontinu nomor 11 (distribusi normal)
clear;
clc;
b=random('norm',-100,sqrt(1),500,1);
c=random('norm',-1,sqrt(1),500,1);
d=random('norm',2,sqrt(1),500,1);
e=random('norm',5,sqrt(1),500,1);
maxb=max(b);
minb=min(b);
stepb=(maxb-minb)/1000;
stdb=std(b);
meanb=mean(b);
pdfb=pdf('norm',minb:stepb:maxb,meanb,stdb);
cdfb=cdf('norm',minb:stepb:maxb,meanb,stdb);
maxc=max(c);
minc=min(c);
stepc=(maxc-minc)/1000;
stdc=std(c);
meanc=mean(c);
pdfc=pdf('norm',minc:stepc:maxc,meanc,stdc);

1
3

cdfc=cdf('norm',minc:stepc:maxc,meanc,stdc);
maxd=max(d);
mind=min(d);
stepd=(maxd-mind)/1000;
stdd=std(d);
meand=mean(d);
pdfd=pdf('norm',mind:stepd:maxd,meand,stdd);
cdfd=cdf('norm',mind:stepd:maxd,meand,stdd);
maxe=max(e);
mine=min(e);
stepe=(maxe-mine)/1000;
stde=std(e);
meane=mean(e);
pdfe=pdf('norm',mine:stepe:maxe,meane,stde);
cdfe=cdf('norm',mine:stepe:maxe,meane,stde);
plot(pdfb);
hold all
plot(pdfc);
hold all
plot(pdfd);
hold all
plot(pdfe);
figure,cdfplot(cdfb);
hold all
cdfplot(cdfc);
hold all
cdfplot(cdfd);
hold all
cdfplot(cdfe);

c. Mean, Variance, Power

% variabel acak kontinu MEAN, variance, power
clear;
clc;
b=random('norm',-5,1,100,1);
c=random('norm',0,1,100,1);
d=random('norm',5,1,100,1);
maxb=max(b);
minb=min(b);
stepb=(maxb-minb)/1000;
stdb=std(b);
meanb=mean(b);
pdfb=pdf('norm',minb:stepb:maxb,meanb,stdb);
cdfb=cdf('norm',minb:stepb:maxb,meanb,stdb);
maxc=max(c);
minc=min(c);
stepc=(maxc-minc)/1000;
stdc=std(c);
meanc=mean(c);

1
4

pdfc=pdf('norm',minc:stepc:maxc,meanc,stdc);
cdfc=cdf('norm',minc:stepc:maxc,meanc,stdc);
maxd=max(d);
mind=min(d);
stepd=(maxd-mind)/1000;
stdd=std(d);
meand=mean(d);
pdfd=pdf('norm',mind:stepd:maxd,meand,stdd);
cdfd=cdf('norm',mind:stepd:maxd,meand,stdd);
plot(pdfb),title('Probability Density Function');
hold all
plot(pdfc);
hold all
plot(pdfd);
figure,cdfplot(cdfb);
hold all
cdfplot(cdfc);
hold all
cdfplot(cdfd);

d. DART
% variabel acak kontinu DART
clear;
clc;
mean_x
mean_y
var_x
var_y
no_dart

=
=
=
=
=

0.2;
0.2;
0.1;
0.1;
20;

a1 = random('norm',mean_x,var_x,no_dart,1);
a2 = random('norm',mean_y,var_y,no_dart,1);
t=[0:(2*length(a1))];
max21 = max(a1);
min21 = min(a1);
step21 = (max21-min21)/40;
std21 = std(a1);
mean21 = mean(a1);
pdf21 = pdf('norm',min21:step21:max21,mean21,std21);
cdf21 = cdf('norm',min21:step21:max21,mean21,std21);
max22 = max(a2);
min22 = min(a2);
step22 = (max22-min22)/40;
std22 = std(a2);
mean22 = mean(a2);
pdf22 = pdf('norm',min22:step22:max22,mean22,std22);
cdf22 = cdf('norm',min22:step22:max22,mean22,std22);
figure,plot(t,pdf21),hold all;

1
5

plot(t,pdf22),title('Probability Density Function');

figure,cdfplot(cdf21),hold all;
cdfplot(cdf22);
grid on;

2.2

Proses Acak

%wss dan ergodicity

clear;
clc;
sudut1
sudut2
sudut3
sudut4
t

=
=
=
=

0;
pi/2;
pi;
3*pi/2;

= [0,0.5,1.25,2.2,3.4]*10^(-3);

t1 = [0 0.7 1.9 2.6]*10^(-3);

t2 = [0 0.7 1.9 2.6]*10^(-3);
noise = random('unif',2,6,400,1);
for n = 1:400
for T = 1 :
X1(n,T)
X2(n,T)
X3(n,T)
X4(n,T)
end
end
mean_X1
mean_X2
mean_X3
mean_X4

=
=
=
=

5
=
=
=
=

T*cos(2*pi*1000*t(T)
T*cos(2*pi*1000*t(T)
T*cos(2*pi*1000*t(T)
T*cos(2*pi*1000*t(T)

+
+
+
+

sudut1)
sudut2)
sudut3)
sudut4)

+
+
+
+

noise(n);
noise(n);
noise(n);
noise(n);

mean(X1)
mean(X2)
mean(X3)
mean(X4)

mean_1 = (mean_X1 + mean_X2 + mean_X3 + mean_X4) / 4

mean_2 = sqrt(mean_X1.^2 + mean_X2.^2 + mean_X3.^2 + mean_X4.^2) / 4
for n = 1:400
for T = 1 : 4
corr_X1_11(n,T)
corr_X2_11(n,T)
corr_X3_11(n,T)
corr_X4_11(n,T)
end
end

=
=
=
=

(cos(2*pi*1000*(t1(T)-t2(1))
(cos(2*pi*1000*(t1(T)-t2(1))
(cos(2*pi*1000*(t1(T)-t2(1))
(cos(2*pi*1000*(t1(T)-t2(1))

+
+
+
+

sudut1)
sudut2)
sudut3)
sudut4)

+
+
+
+

noise(n))/2;
noise(n))/2;
noise(n))/2;
noise(n))/2;

for n = 1:400
for T = 1 : 4
corr_X1_12(n,T)
corr_X2_12(n,T)
corr_X3_12(n,T)
corr_X4_12(n,T)
end
end

=
=
=
=

(cos(2*pi*1000*(t1(T)-t2(2))
(cos(2*pi*1000*(t1(T)-t2(2))
(cos(2*pi*1000*(t1(T)-t2(2))
(cos(2*pi*1000*(t1(T)-t2(2))

+
+
+
+

sudut1)
sudut2)
sudut3)
sudut4)

+
+
+
+

noise(n))/2;
noise(n))/2;
noise(n))/2;
noise(n))/2;

for n = 1:400

1
6

for T = 1 : 4
corr_X1_13(n,T)
corr_X2_13(n,T)
corr_X3_13(n,T)
corr_X4_13(n,T)
end

=
=
=
=

(cos(2*pi*1000*(t1(T)-t2(3))
(cos(2*pi*1000*(t1(T)-t2(3))
(cos(2*pi*1000*(t1(T)-t2(3))
(cos(2*pi*1000*(t1(T)-t2(3))

+
+
+
+

sudut1)
sudut2)
sudut3)
sudut4)

+
+
+
+

noise(n))/2;
noise(n))/2;
noise(n))/2;
noise(n))/2;

for n = 1:400
for T = 1 : 4
corr_X1_14(n,T)
corr_X2_14(n,T)
corr_X3_14(n,T)
corr_X4_14(n,T)
end
end

=
=
=
=

(cos(2*pi*1000*(t1(T)-t2(4))
(cos(2*pi*1000*(t1(T)-t2(4))
(cos(2*pi*1000*(t1(T)-t2(4))
(cos(2*pi*1000*(t1(T)-t2(4))

+
+
+
+

sudut1)
sudut2)
sudut3)
sudut4)

+
+
+
+

noise(n))/2;
noise(n))/2;
noise(n))/2;
noise(n))/2;

end

1
7