3.

1 Mendeskripsikan Variasi
3.1.1 Plot Batang dan Daun
Ada beberapa metode grafis yang sangat berguna untuk meringkas dan menyajikan data.
Salah satu teknik grafis yang paling berguna adalah tampilan stem-and-leaf.
Misalkan data diwakili oleh x1, x2,. . . , Xn dan bahwa setiap nomor xi terdiri
minimal dua digit. Untuk membangun plot batang-dan-daun, kita membagi setiap nomor xi
menjadi dua bagian: batang, terdiri dari satu atau lebih dari digit terbesar; dan daun, yang terdiri
dari digit yang tersisa. Misalnya, jika data terdiri dari persentase informasi yang rusak antara 0
dan 100 pada banyak wafer semikonduktor, maka kita dapat membagi nilai 76 ke dalam 7 batang
dan daun 6.
Untuk membangun plot batang-dan-daun, kita bisa memilih nilai 1, 2, 3, 4, dan 5 sebagai
batang. Namun, ini akan mengakibatkan semua 40 nilai data yang dipadatkan menjadi hanya
lima batang, Gambar 3.1 adalah plot batang-dan-daun yang dihasilkan oleh Minitab.

Versi plot batang-dan-daun yang dihasilkan oleh Minitab kadang-kadang disebut

rencana induk-dan-daun, karena daun diatur berdasarkan besar nilainya. Versi
screen membuatnya sangat mudah untuk menemukan persentil dari data. Secara umum, 100 k
persentil adalah nilai seperti bahwa setidaknya 100 k% dari nilai data berada pada atau di bawah
nilai ini dan setidaknya 100 (1 - k)% dari nilai data berada pada atau di atas nilai ini.
Persentil kelima puluh dari distribusi data disebut median sampel. Itu
median dapat dianggap sebagai nilai data yang tepat membagi sampel menjadi dua, dengan
setengah dari pengamatan lebih kecil dari median dan setengah dari mereka yang lebih besar.
Misalnya n = 40 adalah bilangan genap, mediannya adalah rata-rata dari dua pengamatan
dengan peringkat 20 dan 21, atau
Persentil kesepuluh adalah pengamatan dengan peringkat (0,1) (40) + 0,5 = 4,5 (setengah jalan
antara pengamatan keempat dan kelima), atau (22 + 22) / 2 = 22. kuartil pertama adalah
pengamatan dengan peringkat (0,25) (40) + 0,5 = 10,5 (pertengahan antara kesepuluh dan
observasi kesebelas) atau (26 + 27) / 2 = 26,5, dan kuartil ketiga adalah pengamatan dengan
peringkat (0.75) (40) + 0,5 = 30,5 (setengah jalan antara pengamatan ketiga puluh dan tiga puluh
satu), atau (37 + 41) = 39.

Akhirnya, meskipun tampilan stem-and-leaf adalah cara terbaik untuk visual menunjukkan
variabilitas dalam data, tidak mengambil urutan waktu pengamatan ke rekening. Waktu adalah
sering faktor yang sangat penting yang memberikan kontribusi untuk variabilitas masalah
peningkatan kualitas. Kita bisa, tentu saja, hanya plot nilai data terhadap waktu; Grafik seperti
ini disebut waktu seri plot atau grafik run.
Misalkan waktu siklus untuk memproses dan membayar klaim asuransi kesehatan
karyawan di Tabel 3.1 ditampilkan dalam urutan waktu. Gambar 3.2 menunjukkan plot time
series dari data. Kita digunakan Minitab untuk membangun plot ini (disebut plot marjinal) dan
meminta dot plot data yang akan dibangun di margin y-axis. Tampilan ini jelas menunjukkan
bahwa waktu adalah sumber penting dari variabilitas dalam proses ini. Lebih khusus, siklus
waktu proses untuk 20 klaim pertama adalah jauh lebih lama dari waktu siklus selama 20 klaim
terakhir. Sesuatu mungkin telah berubah dalam proses (atau telah sengaja diubah oleh personel
operasi) yang bertanggung jawab untuk perbaikan waktu siklus. Kemudian dalam buku ini kita
secara resmi memperkenalkan peta kendali sebagai teknik grafis untuk proses pemantauan
seperti ini, dan untuk menghasilkan sinyal statistik berdasarkan ketika perubahan proses terjadi.
3.1.2 Histogram
Histogram adalah ringkasan lebih kompak data dari plot batang-dan-daun. Untuk
membangun histogram untuk data kontinu, kita harus membagi berbagai data ke dalam interval,
yang biasanya disebut interval kelas, sel. Sebuah histogram yang menggunakan terlalu sedikit
atau terlalu banyak sampah tidak akan informatif. Biasanya antara 5 dan 20 interval yang
hasilnya memuaskan.
Tabel 3.2 menyajikan ketebalan lapisan logam pada 100 silikon wafer yang dihasilkan dari proses deposisi uap
kimia (CVD) di sebuah pabrik semikonduktor. Membangun histogram untuk data ini.

Karena data set berisi 100 observasi dan 100=10 diduga bahwa sekitar 10 tempat interval
akan memberikan histogram memuaskan. Histogram yang dihasilkan oleh Minitab ditunjukkan
pada Gambar. 3.3. Perhatikan bahwa titik tengah dari bin pertama adalah 415, dan bahwa
histogram hanya memiliki delapan interval yang berisi frekuensi nol

3.1.3 Kesimpulan Numerik Data

Plot batang-dan-daun dan histogram memberikan tampilan visual dari tiga sifat sampel
Data: bentuk distribusi data, kecenderungan sentral dalam data, dan menyebarkan yang
atau variabilitas dalam data. Hal ini juga membantu untuk menggunakan langkah-langkah
numerik tendensi sentral dan menyebarkan. Misalkan x1, x2,. . . , Xn adalah pengamatan dalam
sampel. Ukuran yang paling penting tendensi sentral dalam sampel adalah sampel rata-rata,
Perhatikan bahwa rata-rata sampel hanya mean aritmetik dari pengamatan n. Contoh
Rata-rata untuk data ketebalan logam pada Tabel 3.2 adalah

Lihat Gambar. 3.3 dan perhatikan bahwa sampel rata-rata adalah titik di mana histogram persis
"Balances." Dengan demikian, rata-rata sampel mewakili pusat massa dari data sampel.
Variabilitas dalam data sampel diukur dengan varians sampel,

Perhatikan bahwa varians sampel hanyalah jumlah deviasi kuadrat dari setiap pengamatan
dari rata-rata sampel x, dibagi dengan satu sampel ukuran dikurangi. Jika tidak ada variabilitas
dalam sampel, maka setiap pengamatan sampel xi = x, dan varians sampel s2 = 0. Umumnya,
semakin besar adalah varians sampel s2, semakin besar variabilitas dalam data sampel.
Unit dari s2 varians sampel adalah kuadrat dari unit asli data. Ini sering merepotkan dan
canggung untuk menafsirkan, dan jadi kita biasanya lebih suka menggunakan akar kuadrat dari
s2, disebut deviasi standar sampel s, sebagai ukuran variabilitas. Oleh karena itu

Keuntungan utama dari standar deviasi sampel adalah bahwa hal itu diungkapkan dalam bahasa
aslinya satuan pengukuran. Untuk data ketebalan logam, kita menemukan bahwa
2 2
s =180.2928

Dan
s=13.43

3.1.4 Plot Kotak

Tampilan stem-and-leaf dan histogram memberikan kesan visual tentang kumpulan data,
sedangkan rata-rata dan standar deviasi sampel memberikan informasi kuantitatif tentang
fitur khusus dari data. Kotak plot merupakan tampilan grafis yang secara bersamaan
menampilkan
beberapa fitur penting dari data, seperti lokasi atau tendensi sentral, menyebar atau variabilitas,
keberangkatan dari simetri, dan identifikasi pengamatan yang terletak jauh dari sebagian besar
data (pengamatan ini sering disebut "outlier"). Sebuah plot kotak menampilkan tiga kuartil,
minimum, dan maksimum data pada kotak persegi panjang, selaras baik horisontal maupun
vertikal. kotak membungkus interkuartil yang berkisar dengan kiri (atau lebih rendah) baris di
Q1 kuartil pertama dan kanan (atau atas) line di ketiga kuartil Q3. Sebuah garis ditarik melalui
kotak di kuartil kedua (yang merupakan persentil kelima puluh atau median) Q2 = x. Data pada
Tabel 3.4 adalah diameter (dalam mm) dari lubang dalam kelompok dari 12 sayap terkemuka
rusuk tepi untuk pesawat transport komersial. Membangun dan menginterpretasikan kotak plot
data tersebut.

Kotak plot ditunjukkan pada Gambar. 3.7. Perhatikan bahwa median sampel adalah
setengah jalan antara rankordered keenam dan ketujuh observasi, atau (120,5 + 120,7) / 2 =
120,6, dan bahwa
kuartil adalah Q1 = 120,35 dan Q3 = 120,9. Kotak petak menunjukkan bahwa distribusi diameter
lubang tidak tepat simetris di sekitar nilai tengah, karena kiri dan kanan kumis dan kotak kiri dan
kanan sekitar median adalah tidak sama panjang.

Box plot sangat berguna dalam perbandingan grafis antara set data, karena memiliki dampak
visual dan mudah dimengerti. Misalnya, Gambar. 3.8 menunjukkan kotak komparatif
plot untuk indeks kualitas manufaktur pada produk di tiga pabrik manufaktur. Inspeksi
layar ini mengungkapkan bahwa ada terlalu banyak variabilitas di pabrik 2.
3.1.5 Distribusi Probabilitas
Histogram (atau stem-and-leaf plot, atau kotak plot) digunakan untuk menggambarkan data
sampel. Sebagai contoh, pengukuran ketebalan lapisan pada Tabel 3.2 diperoleh dari sampel
wafer dipilih dari proses manufaktur. Ada dua jenis distribusi probabilitas.
 Definisi
1. Distribusi kontinyu. Ketika variabel yang diukur dinyatakan pada skala kontinyu, distribusi
probabilitas tersebut disebut distribusi kontinyu. Distribusi probabilitas dari ketebalan lapisan
logam kontinyu.
2. Distribusi Diskrit. Ketika parameter yang diukur hanya dapat mengambil tertentu nilai-nilai,
seperti bilangan bulat 0 , 1 , 2 , . . . , Distribusi probabilitas tersebut disebut distribusi diskrit.
Misalnya, distribusi jumlah ketidaksesuaian atau cacat pada papan sirkuit akan menjadi distribusi
diskrit.
Hipergeometrik Probabilitas
Misalkan ada populasi terbatas yang terdiri dari N item . Beberapa nomor katakanlah, D(D
N) -dari item ini termasuk kedalamnya . Sebuah sampel acak dari n item yang dipilih dari
populasi tanpa penggantian, dan jumlah item dalam sampel yang masuk - mengatakan, x -
diamati. Maka x adalah variabel acak hipergeometrik dengan distribusi probabilitas didefinisikan
sebagai berikut.
Definisi
Distribusi hipergeometrik probabilitas ialah:

p(x)=
( x )( nx )
D ND

x = 0,1,2,.., min (n,D)

( Nn )
Rata-rata dan variansi distribusi:
nD nD D
=
N dan 2=
N (1
N )( NN n
1 )

Distribusi Poisson
Distribusi diskrit yang berguna dalam pengendalian kualitas statistik adalah distribusi Poisson,
didefinisikan sebagai berikut.
Definisi
 Rumus:
x
e
p ( x )= x=0,1
x!
Dimana parameter 0. Maka rata-rata dan variansinya adalah:
2
= dan =

Perhatikan bahwa pada mean dan varians keduanya merupakan parameter.

Pengaplikasian distribusi Poisson dalam pengendalian kualitas adalah sebagai model jumlah
cacat atau ketidaksesuaian yang terjadi di unit produk. Bahkan, fenomena acak yang terjadi pada
per unit (area atau per unit, per satuan volume, per satuan waktu, dll) sering juga didekatkan
dengan menggunakan distribusi Poisson.

DISTRIBUSI KONTINU PENTING

Dalam paragraph ini kita bicarakan beberapa distribusi kontinu yang penting dalam
pengendalian kualitas statistik. Ini meliputi distribusi normal, distribusi lognormal, distribusi
eksponensial, distribusi gamma, dan distribusi Weibull.
1. Distribusi Normal
Mungkin distribusi normal adalah distribusi yang paling penting baik dalam teori maupun
penerapan statistika. Jika x suatu variabel random normal, maka distribusi probabilitas x adalah

Gambar 2.29 Distribusi Normal

2
Parameter distribusi normal adalah mean (dengan - < < dan variansi > 0.
Distribusi itu digunakan secara luas sehingga kerap kali kita gunakan notasi khusus, , yang
2
berarti x distribusi normal dengan mean dan variansi . Bentuk visual distribusi
normal adalah simetrik, mempunyai satu modus atau kurve berbentuk Lonceng, dan ditunjukkan
pada Gambar 2.29.

Deviasi standar suatu distribusi normal mempunyai interpretasi sederhana, seperti pada
gambar 2.30. perhatikan bahwa 68,26 persen dari nilai-nilai populasi itu jatuh diantara batas-
batas yang didefinisikan dengan mean ditambah dan dikurangi satu deviasi standar ( 1 ) ,
95,46 persen dari nilai-nilai itu jatuh diantara batas-batas yang didefinisikan dengan mean
ditambah dan dikurangi dua deviasi standar ( 2 ) , dan 99,73 persen dari nilai populasi
jatuh didalam batas-batas yang didefinisikan dengan mean ditambah dan dikurangi tiga deviasi
standar ( 3 ) . Jadi, deviasi standar mengukur jarak pada skala mendatar yang berkaitan
dengan batas-batas 68,26%, 95,46%, dan 99,73% luasan.

Distribusi normal kumulatif didefinisikan sebagai probabilitas bahwa variabel random normal x
lebih atau sama dengan suatu harga a, atau
Integral ini tidak dapat dihitunga dalam bentuk rumus. Tetapi dengan menggunakan perubahan
variabel
x
z=

Hitungan itu dapat dilakukan independen dengan dan 2 . Yakni,

Dengan (.) adalah fungsi distribusi kumulatif distribusi normal standar (mean = 0, deviasi
standar = 1). Tabel distribusi kumulatif normal standar diberikan dalam Tabel Lampiran II.
Transformasi (2-23) biasanya dinamakan standarisasi, sebab transformasi itu mengubah variabel
2
random N ( ; ) menjadi variabel random N (0 ; 1) .

Contoh 3.7
Daya rentang kertas yang digunakan untuk membuat kantong belanja merupakan ciri kualitas
penting. Diketahui bahwa daya x berdistribusi normal dengan mean = 40 pound/inc2.
Probablitas bahwa satu kantung yang dihasilkan dari kertas ini akan memenuhi atau melebihi
spesifikasi ini adalah P( x 35) . Perhatikan bahwa
Untuk menghitung probabilitas ini dari table normal standar, kita standarisasi titik 35 dan kita
peroleh

Dan hasilnya probabilitas yang kita inginkan adalah

Gambar 3-18 menunjukkan probabilitas yang ditabelkan untuk distribusi N (40 ; 22 ) dan
2
distribusi normal standar. Perhatikan bahwa daerah yang bertitik dari 35 pound/inc kekiri dalam
Gambar 3-18 menunjukkan bagian yang rusak atau dibuang yang dihasilkan oleh proses
pembuatan kantong itu.

Teorema Limit Pusat. Distribusi normal kerap sekali dianggap sebagai model probabilitas yang
cocok untuk suatu variabel acak. Dalam banyak hal sulit untuk memeriksa keabsahan anggapan
ini; tetapi, teorema limit pusat kerap kali digunakan sebagai dasar untuk pembenaran pendekatan
normalitas.
 Teorema Limit Pusat. Jika x1,x2, , xn variabel acak berdistribusi independen dengan mean
1 dan variansi 2 , dan apabila y=x 1+ x 2++ xn , maka distribusi

Mendekati distribusi N(0;1) apabila n mendekati tak berhingga.

2. Distribusi Lognormal
Variabel dalam suatu sistem kadang-kadang mengikuti hubungan eksponensial, mengatakan x =
exp (w). Jika eksponen adalah variabel acak, bahwa w, x = exp (w) adalah variabel acak dan
distribusi x adalah kepentingan. Sebuah kasus khusus yang penting terjadi ketika w memiliki
distribusi normal. Dalam hal ini, distribusi x disebut distribusi lognormal. Nama mengikuti dari
ln transformasi (x) = w. Artinya, logaritma natural dari x biasanya didistribusikan.
Probabilitas untuk x diperoleh dari transformasi ke w, tetapi kita perlu menyadari bahwa kisaran
x yaitu (0,). Misalkan w terdistribusi normal dengan mean dan varians maka fungsi distribusi
kumulatif untuk x adalah

Untuk x > 0, yang mana z adalah variabel acak normal standar. Oleh karena itu, Lampiran Tabel
II dapat digunakan untuk menentukan probabilitas. Juga, f (x) = 0, untuk x 0 untuk variabel
acak lognormal selalu tidak negative.
Distribusi lognormal didefinisikan sebagai berikut.
Buat w memiliki distribusi normal, mean dan varians maka x = exp (w) adalah variabel acak
lognormal, dan distribusi lognormal adalah

Parameter dari distribusi lognormal dan perawatan diperlukan untuk menafsirkan bahwa ini
adalah mean dan varians dari variabel acak w normal. Mean dan varians dari x adalah fungsi dari
 parameter ini ditunjukkan pada persamaan (3.30). Gambar 3.20 menggambarkan distribusi
lognormal untuk nilai-nilai parameter.
Masa produk yang mendegradasi dari waktu ke waktu sering dimodelkan oleh variabel acak
lognormal. Misalnya, ini adalah distribusi umum untuk seumur hidup laser semikonduktor.
distribusi kontinu lainnya juga dapat digunakan dalam jenis aplikasi. Namun, karena distribusi
lognormal berasal dari fungsi eksponensial sederhana dari variabel acak normal, mudah
dipahami dan mudah untuk mengevaluasi probabilitas.

3. Distribusi Eksponensial
Distribusi probabilitas variabel acak eksponensial adalah

Dengan suatu konstan. Grafik distribusi eksponensial ditunjukkan dalam Gambar 3.22. Mean dan
variansi distribusi eksponensial adalah masing-masing

Distribusi eksponensial kumulatif adalah

Gambar 3.22 melukiskan fungsi distribusi kumulatif eksponensial.

Distribusi eksponensial digunakan secara luas dalam bidang teknik keandalan sebagai suatu
model tahan hidup suatu komponen atau system. Dalam penerapan ini, parameter dinamakan
tingkat kegagalan system itu, dan mean distribusi itu 1/ dinamakan mean tahan hidup. Sebagai
contoh, andaikan bahwa suatu komponen elektronik dalam suatu radar kapal terbang mempunyai
tahan hidup yang dilukiskan dengan distribusi eksponensial yang tingkat kegagalannya 10 -4 jam,
yakni = 10-4. Mean tahan hidup komponen ini adalah 1/ = 10 4 = 10.000 jam. Apabila kita ingin
menentukan probabilitas bahwa komponen ini akan gagal sebelum tahan hidup yang diharapkan,
kita hitung

Hasil ini berlaku berapa pun nilai ; yakni probabilitas bahwa nilai suatu variabel acak
eksponensial akan lebih kecil dari mean-nya adalah 0,63212. Tentu saja ini terjadi karena
distribusi itu tidak simetrik.

3.3.4 The Gamma Distribution

Distribusi probabilitas dari gamma variabel acak didefinisikan sebagai berikut.
Beberapa distribusi gamma ditunjukkan pada Gambar. 3.23. Perhatikan bahwa jika r = 1,
distribusi gamma mengurangi distribusi eksponensial dengan parameter (Bagian 3.3.3).
Distribusi gamma dapat mengasumsikan berbagai bentuk, tergantung pada nilai-nilai yang dipilih
untuk r dan ini membuatnya berguna sebagai model untuk berbagai variabel acak kontinu.
Jika parameter r adalah bilangan bulat, maka distribusi gamma adalah jumlah r independen dan
identik didistribusikan distribusi eksponensial, masing-masing dengan parameter Artinya, jika
x1, x2,. . . , Xr adalah eksponensial dengan parameter dan independen, maka

didistribusikan sebagai gamma dengan parameter r dan Ada sejumlah aplikasi penting dari hasil
ini.
Akibatnya, distribusi gamma kumulatif dapat dievaluasi sebagai jumlah dari r Poisson berdamai
dengan parameter Hasil ini tidak terlalu mengejutkan, jika kita mempertimbangkan distribusi
Poisson sebagai model dari jumlah kemunculan sebuah acara di interval tetap, dan gamma
distribusi sebagai model porsi interval yang diperlukan untuk mendapatkan jumlah tertentu
kejadian.

3.3.5 The Weibull Distribution

Distribusi Weibull sangat fleksibel, dan dengan pilihan yang tepat parameter dan distribusi dapat
mengasumsikan berbagai bentuk. Beberapa distribusi Weibull ditunjukkan pada Gambar. 3,25
untuk dan dan 4. Perhatikan bahwa ketika distribusi Weibull mengurangi distribusi eksponensial
dengan maksud Distribusi Weibull kumulatif

Distribusi Weibull telah digunakan secara luas dalam rekayasa keandalan sebagai model waktu
kegagalan untuk komponen listrik dan mekanik dan sistem. Contoh situasi di yang Weibull telah
digunakan termasuk perangkat elektronik seperti elemen memori, komponen mekanis seperti
bantalan, dan elemen struktur di pesawat dan mobil.

3.4 Probability Plots

3.4.1 Normal Probability Plots
Probabilitas merencanakan adalah metode grafis untuk menentukan apakah data sampel sesuai
dengan distribusi hipotesis berdasarkan pemeriksaan visual subjektif dari data. Umum Prosedur
ini sangat sederhana dan dapat dilakukan dengan cepat. Probabilitas merencanakan biasanya
menggunakan kertas grafik khusus, yang dikenal sebagai kertas probabilitas, yang telah
dirancang untuk distribusi hipotesis. kertas probabilitas yang banyak tersedia untuk normal,
lognormal, Weibull, dan berbagai chi-square dan gamma distribusi.
Sebuah plot probabilitas normal juga dapat dibangun pada kertas grafik biasa dengan memplot
yang standar yang normal skor z j terhadap x (j), dimana nilai yang normal standar memuaskan

Sebuah aplikasi yang sangat penting dari probabilitas merencanakan normal adalah di verifikasi
asumsi bila menggunakan prosedur inferensi statistik yang memerlukan asumsi normalitas. Ini
akan diilustrasikan kemudian.
3.4.2 Plot Probabilitas Lainnya
Probabilitas plot sangat berguna dan sering teknik pertama digunakan ketika kita perlu
menentukan distribusi probabilitas kemungkinan untuk menyediakan model yang wajar untuk
data. Di menggunakan plot probabilitas, biasanya distribusi dipilih oleh penilaian subjektif dari
plot probabilitas. Lebih formal statistik kebaikan-of-fit tes juga dapat digunakan bersama dengan
probabilitas merencanakan.
Untuk menggambarkan bagaimana probabilitas plotting dapat berguna dalam menentukan
distribusi yang tepat untuk data, mempertimbangkan data pada kontaminasi aluminium (ppm)
dalam plastik ditampilkan di Tabel 3.5. Gambar 3.28 menyajikan beberapa plot probabilitas data
ini, dibangun menggunakan Minitab. Gambar 3.28a adalah plot probabilitas normal. Perhatikan
bagaimana data di ekor plot
Akhirnya, Gambar. 3.28c dan 3.28d adalah Weibull dan plot probabilitas eksponensial untuk
data.
Pengamatan di plot ini tidak sangat dekat dengan garis lurus, menunjukkan bahwa baik Weibull
maupun eksponensial adalah model yang sangat baik untuk data. Oleh karena itu, berdasarkan
pada empat plot probabilitas bahwa kita telah dibangun, distribusi lognormal tampaknya menjadi
yang paling sesuai pilihan sebagai model untuk data kontaminasi aluminium.
3.5 Beberapa Aproksimasi Berguna
3.5.1 The Binomial Approximation ke Hipergeometrik
Mempertimbangkan distribusi hipergeometrik dalam persamaan (3.8). Jika rasio n / N (sering
disebut fraksi sampling) kecil-katakanlah, n / N 0,1-maka distribusi binomial dengan parameter
p = D / N dan n adalah pendekatan yang baik untuk hipergeometrik tersebut. pendekatan yang
lebih baik untuk nilai-nilai kecil dari n / N.
pendekatan ini berguna dalam desain rencana penerimaan-sampel. Ingat bahwa distribusi
hipergeometrik adalah model yang sesuai untuk jumlah item yang tidak sesuai diperoleh dalam
sampel acak dari n item dari banyak ukuran terbatas N. Dengan demikian, jika ukuran sampel n
relatif kecil untuk ukuran lot N, pendekatan binomial dapat digunakan, yang biasanya
menyederhanakan perhitungan jauh.
Sebagai contoh, misalkan banyak produksi 200 unit mengandung 5 unit yang tidak memenuhi
spesifikasi. Probabilitas bahwa sampel acak dari 10 unit akan berisi item tidak sesuai, dari
persamaan (3.8),