Académique Documents
Professionnel Documents
Culture Documents
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).
2.1
TEORI PROBABILITAS
(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
(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.
(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,
(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
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:
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
1
1
y = pdf('chi2',x,min1,max1);
z = cdf('chi2',x,min1,max1);
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);
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
2.2
Proses Acak
=
=
=
=
0;
pi/2;
pi;
3*pi/2;
= [0,0.5,1.25,2.2,3.4]*10^(-3);
=
=
=
=
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)
=
=
=
=
(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