2-1.

3
Acara Seringkali kami tertarik pada kumpulan hasil terkait dari percobaan acak.
Definisi Suatu peristiwa adalah himpunan bagian dari ruang sampel percobaan acak.
Kami juga dapat tertarik untuk menggambarkan acara baru dari kombinasi acara
yang ada. Karena peristiwa adalah himpunan bagian, kita dapat menggunakan operasi
pengaturan dasar seperti serikat pekerja, persimpangan, dan pelengkap untuk membentuk
acara menarik lainnya. Beberapa operasi himpunan dasar dirangkum di bawah ini dalam hal
peristiwa:
Penyatuan dua peristiwa adalah peristiwa yang terdiri dari semua hasil yang
terkandung dalam salah satu dari kedua peristiwa tersebut. Kami menyatakan serikat
sebagai.
Persimpangan dua peristiwa adalah peristiwa yang terdiri dari semua hasil yang
terkandung dalam kedua peristiwa tersebut. Kami menyatakan persimpangan sebagai.
Komplemen suatu peristiwa dalam ruang sampel adalah sekumpulan hasil dalam
ruang sampel yang tidak ada dalam peristiwa tersebut. Kami menunjukkan komponen acara
E sebagai.
CONTOH 2-6
Pertimbangkan ruang sampel S {yy, yn, ny, nn} dalam Contoh 2-2. Misalkan himpunan
semua hasil yang paling tidak satu bagian sesuai dinyatakan sebagai E1. Kemudian,
Peristiwa di mana kedua bagian tidak sesuai, dilambangkan sebagai E2, hanya berisi hasil
tunggal, E2 {nn}. Contoh acara lainnya adalah, set nol, dan E4 S, ruang sampel. Jika E5 {yn,
ny, nn},
CONTOH 2-7
Pengukuran waktu yang diperlukan untuk menyelesaikan suatu reaksi kimia dapat
dimodelkan dengan ruang sampel SR, himpunan bilangan real positif. Biarkan
Kemudian,
Juga,
CONTOH 2-8
Sampel plastik polikarbonat dianalisis untuk tahan gores dan goncangan. Hasil dari 50
sampel dirangkum sebagai berikut: tahan guncangan tahan gores rendah tinggi tinggi 40 4
rendah 1 5
Misalkan A menunjukkan peristiwa bahwa sampel memiliki ketahanan guncangan tinggi, dan
biarkan B menunjukkan kejadian bahwa sampel memiliki ketahanan gores yang tinggi.
Menentukan jumlah sampel dalam acara tersebut terdiri dari 40 sampel yang tahan gores
dan guncangannya tinggi. Acara ini terdiri dari 9 sampel di mana resistensi guncangan
rendah. Acara ini terdiri dari 45 sampel di mana ketahanan goncangan, ketahanan gores,
atau keduanya tinggi.
Diagram sering digunakan untuk menggambarkan hubungan antar set, dan diagram
ini juga digunakan untuk menggambarkan hubungan antar peristiwa. Kita bisa
menggunakan diagram Venn untuk merepresentasikan ruang sampel dan peristiwa dalam
ruang sampel. Misalnya, pada Gambar 2-8 (a) ruang sampel percobaan acak
direpresentasikan sebagai titik-titik dalam persegi panjang S. Peristiwa A dan B adalah
himpunan bagian dari titik-titik di daerah yang ditunjukkan. Gambar 2-8 (b) menggambarkan
dua peristiwa tanpa hasil yang umum; Buah ara. 2-8 (c) hingga 2-8 (e) menggambarkan
peristiwa gabungan tambahan.
Dua peristiwa pada Gambar 2-8 (b) saling eksklusif, sedangkan dua peristiwa pada Gambar
2-8 (a) tidak saling terpisah.
 Hasil tambahan yang melibatkan acara dirangkum di bawah ini. Definisi komplemen
dari suatu kejadian menyiratkan bahwa
Hukum distributif untuk operasi himpunan menyiratkan bahwa
hukum DeMorgan menyiratkan bahwa
Juga, ingat bahwa
2-1,4 Teknik Penghitungan (Hanya CD)
Ketika ruang sampel menjadi lebih besar, penghitungan lengkap sulit dilakukan. Sebagai
gantinya,
jumlah hasil angka di ruang sampel dan dalam berbagai peristiwa sering digunakan untuk
menganalisis eksperimen acak. Metode-metode ini disebut sebagai teknik penghitungan dan
dijelaskan dalam CD.
2-2 INTERPRETASI PROBABILITAS
2-2.1 Pendahuluan
Dalam bab ini, kami memperkenalkan probabilitas untuk ruang sampel terpisah - yang
hanya memiliki serangkaian hasil yang terbatas (atau tak terhingga jumlahnya). Pembatasan
ruang sampel ini memungkinkan kami untuk menyederhanakan konsep dan presentasi
tanpa matematika yang berlebihan.
Probabilitas digunakan untuk mengukur kemungkinan, atau peluang, bahwa suatu
hasil dari eksperimen acak akan terjadi. "Peluang hujan hari ini adalah 30% '' adalah
pernyataan yang mengukur perasaan kami tentang kemungkinan hujan. Kemungkinan hasil
dihitung dengan menetapkan angka dari interval [0, 1] ke hasil (atau persentase dari 0
hingga 100%). Angka yang lebih tinggi menunjukkan bahwa hasilnya lebih mungkin
daripada angka yang lebih rendah. Tanda 0 menunjukkan hasil tidak akan terjadi.
Probabilitas 1 menunjukkan hasil akan terjadi dengan pasti.
Probabilitas suatu hasil dapat diartikan sebagai probabilitas subjektif kita, atau
tingkat kepercayaan, bahwa hasil itu akan terjadi. Individu yang berbeda tidak diragukan lagi
akan menetapkan probabilitas yang berbeda untuk hasil yang sama. Interpretasi probabilitas
lain didasarkan pada model konseptual replikasi berulang dari eksperimen acak. Probabilitas
hasil ditafsirkan sebagai nilai pembatas proporsi kali hasil terjadi dalam pengulangan
percobaan acak karena n meningkat melampaui semua batas. Misalnya, jika kita
menetapkan probabilitas 0,2 ke hasil bahwa ada pulsa yang rusak dalam sinyal digital, kita
mungkin menafsirkan penugasan ini sebagai menyiratkan bahwa, jika kita menganalisis
banyak pulsa, sekitar 20% dari mereka akan rusak. Contoh ini memberikan interpretasi
frekuensi relatif dari probabilitas. Proporsi, atau frekuensi relatif, dari replikasi percobaan
yang menghasilkan hasilnya adalah 0,2. Probabilitas dipilih sehingga jumlah probabilitas dari
semua hasil dalam eksperimen ditambahkan hingga 1. Konvensi ini memfasilitasi
interpretasi frekuensi relatif dari probabilitas. Gambar 2-9 menggambarkan konsep frekuensi
relatif.
Probabilitas untuk eksperimen acak sering diberikan atas dasar model yang masuk
akal dari sistem yang diteliti. Salah satu pendekatan adalah mendasarkan penugasan
probabilitas pada konsep sederhana untuk hasil yang sama-sama berpeluang.
Sebagai contoh, misalkan kita akan memilih satu dioda laser secara acak dari batch
100. Ruang sampel adalah himpunan 100 dioda. Secara acak menyiratkan bahwa masuk
akal untuk menganggap bahwa setiap dioda dalam bets memiliki peluang yang sama untuk
dipilih. Karena jumlah probabilitas harus sama dengan 1, model probabilitas untuk
percobaan ini memberikan probabilitas 0,01 untuk masing-masing dari 100 hasil. Kita dapat
menafsirkan probabilitas dengan membayangkan banyak ulangan percobaan. Setiap kali
kita mulai dengan 100 dioda dan memilih satu secara acak. Probabilitas 0,01 yang
ditetapkan untuk dioda tertentu mewakili proporsi ulangan di mana dioda tertentu dipilih.
Ketika model hasil yang kemungkinan besar diasumsikan, probabilitas dipilih untuk
menjadi sama.
Sering kali perlu untuk menetapkan probabilitas untuk peristiwa yang terdiri dari
beberapa hasil dari ruang sampel. Ini mudah untuk ruang sampel yang terpisah.
CONTOH 2-9
Asumsikan bahwa 30% dari dioda laser dalam batch 100 memenuhi persyaratan daya
minimum pelanggan tertentu. Jika dioda laser dipilih secara acak, yaitu, masing-masing
dioda laser sama-sama cenderung dipilih, perasaan intuitif kami adalah bahwa kemungkinan
memenuhi persyaratan pelanggan adalah 0,30.
Biarkan E menunjukkan subset dari 30 dioda yang memenuhi persyaratan
pelanggan. Karena E mengandung 30 hasil dan setiap hasil memiliki probabilitas 0,01, kami
menyimpulkan bahwa probabilitas E adalah 0,3. Kesimpulannya cocok dengan intuisi kita.
Gambar 2-10 menggambarkan contoh ini.
Untuk ruang sampel diskrit, probabilitas suatu peristiwa dapat ditentukan oleh alasan
yang digunakan dalam contoh di atas.
CONTOH 2-10
Eksperimen acak dapat menghasilkan salah satu hasil {a, b, c, d} dengan probabilitas
masing-masing 0,1, 0,3, 0,5, dan 0,1. Biarkan A menunjukkan acara {a, b}, B acara {b, c, d},
dan C acara {d}. Kemudian,
Juga,, dan. Selanjutnya karena. Karena Karena adalah set nol,.
CONTOH 2-11
Suatu inspeksi visual dari suatu lokasi pada wafer dari suatu proses pembuatan
semikonduktor menghasilkan tabel berikut:
Jika satu wafer dipilih secara acak dari proses ini dan lokasi itu diperiksa, berapa
probabilitas bahwa itu tidak mengandung partikel? Jika informasi tersedia untuk setiap
wafer, kami dapat mendefinisikan ruang sampel sebagai himpunan semua wafer yang
diinspeksi dan melanjutkan seperti pada contoh dengan dioda. Namun, tingkat detail ini tidak
diperlukan dalam kasus ini. Kita dapat mempertimbangkan ruang sampel terdiri dari enam
kategori yang merangkum jumlah partikel kontaminasi pada wafer. Kemudian, peristiwa
bahwa tidak ada partikel di lokasi yang diperiksa pada wafer, dilambangkan sebagai E,
dapat dianggap terdiri dari hasil tunggal, yaitu, E {0}. Oleh karena itu,
Berapa probabilitas wafer mengandung tiga atau lebih partikel di lokasi yang
diinspeksi? Biarkan E menunjukkan kejadian bahwa wafer mengandung tiga atau lebih
partikel di lokasi yang diinspeksi. Kemudian, E terdiri dari tiga hasil {3, 4, 5 atau lebih}. Oleh
karena itu,
CONTOH 2-12
Misalkan sebuah bets berisi enam bagian dengan nomor bagian {a, b, c, d, e, f}. Misalkan
dua bagian dipilih tanpa penggantian. Biarkan E menunjukkan peristiwa bahwa nomor
bagian dari bagian pertama yang dipilih adalah a. Maka E dapat ditulis sebagai E {ab, ac,
ad, ae, af}. Ruang sampel dapat disebutkan. Ini memiliki 30 hasil. Jika setiap hasil memiliki
kemungkinan yang sama,.
Juga, jika E2 menunjukkan peristiwa bahwa bagian kedua yang dipilih adalah a, E2
{ba, ca, da, ea, fa} dan dengan hasil yang kemungkinan sama,.
2-2.2 Aksioma Peluang
Sekarang setelah probabilitas suatu peristiwa telah ditentukan, kita dapat mengumpulkan
asumsi yang telah kita buat mengenai probabilitas menjadi seperangkat aksioma yang harus
dipenuhi oleh probabilitas dalam setiap percobaan acak. Aksioma memastikan bahwa
probabilitas yang ditetapkan dalam percobaan dapat ditafsirkan sebagai frekuensi relatif dan
bahwa tugas tersebut konsisten dengan pemahaman intuitif kami tentang hubungan antara
frekuensi relatif. Misalnya, jika acara A terkandung dalam acara B, kita seharusnya
memilikinya. Aksioma tidak menentukan probabilitas; probabilitas diberikan berdasarkan
pengetahuan kami tentang sistem yang diteliti. Namun, aksioma memungkinkan kita untuk
dengan mudah menghitung probabilitas dari beberapa peristiwa dari pengetahuan tentang
probabilitas dari peristiwa lain.
Properti yang setara dengan persyaratan bahwa frekuensi relatif harus antara 0 dan 1.
Properti yang P (S) 1 adalah konsekuensi dari kenyataan bahwa hasil dari ruang sampel
terjadi pada setiap percobaan percobaan. Akibatnya, frekuensi relatif S adalah 1. Properti 3
menyiratkan bahwa jika peristiwa E1 dan E2 tidak memiliki hasil yang sama, frekuensi relatif
hasil adalah jumlah frekuensi relatif dari hasil di E1 dan E2.
Aksioma ini menyiratkan hasil berikut. Derivasi dibiarkan sebagai latihan di akhir
bagian ini. Sekarang,
dan untuk setiap peristiwa E,
Misalnya, jika probabilitas peristiwa E adalah 0,4, interpretasi kami tentang frekuensi
relatif menyiratkan bahwa probabilitas adalah 0,6. Selanjutnya, jika peristiwa E1 terkandung
dalam peristiwa E2,
2-3 ATURAN TAMBAHAN
Peristiwa gabungan dihasilkan dengan menerapkan operasi set dasar untuk peristiwa
individu. Persatuan acara, seperti; persimpangan acara, seperti; dan pelengkap acara,
seperti, biasanya menarik. Probabilitas acara bersama sering dapat ditentukan dari
probabilitas masing-masing peristiwa yang membentuknya. Operasi himpunan dasar juga
terkadang membantu dalam menentukan probabilitas suatu peristiwa bersama. Di bagian ini
fokusnya adalah pada serikat acara.
CONTOH 2-13
Tabel 2-1 mencantumkan sejarah 940 wafer dalam proses pembuatan semikonduktor.
Misalkan satu wafer dipilih secara acak. Biarkan H menunjukkan kejadian bahwa wafer
mengandung kontaminasi tingkat tinggi. Kemudian, .
Misalkan C menunjukkan kejadian bahwa wafer berada di tengah alat sputtering.
Kemudian, Juga, adalah probabilitas bahwa wafer berasal dari pusat alat sputtering dan
mengandung kontaminasi tingkat tinggi. Oleh karena itu,
Peristiwa adalah peristiwa bahwa wafer berasal dari pusat alat pemercikan atau
mengandung kontaminasi tingkat tinggi (atau keduanya). Dari meja,. Perhitungan alternatif
dapat diperoleh sebagai berikut. Ke-112 wafer yang terdiri dari acara tersebut dimasukkan
satu kali dalam perhitungan P (H) dan sekali lagi dalam perhitungan P (C). Oleh karena itu,
dapat ditemukan
contoh sebelumnya menggambarkan bahwa probabilitas A atau B ditafsirkan
sebagai dan bahwa aturan penambahan umum berikut berlaku.
CONTOH 2-14
Wafer seperti yang diuraikan dalam Contoh 2-13 selanjutnya diklasifikasikan sebagai
"pusat" atau "tepi" alat pemercikan yang digunakan dalam pembuatan, dan berdasarkan
tingkat kontaminasi. Tabel 2-2 menunjukkan proporsi wafer di setiap kategori. Berapa
probabilitas bahwa wafer berada di tepi atau mengandung empat atau lebih partikel?
Biarkan E1 menunjukkan peristiwa bahwa wafer mengandung empat atau lebih partikel, dan
biarkan E2 menunjukkan peristiwa bahwa wafer berada di tepi.
 Probabilitas yang diminta adalah. Sekarang, dan. Juga, dari tabel,. Oleh karena itu,
menggunakan Persamaan 2-1, kami menemukan bahwa
Berapa probabilitas wafer mengandung kurang dari dua partikel atau keduanya
berada di tepi dan mengandung lebih dari empat partikel? Biarkan E1 menunjukkan
peristiwa bahwa wafer mengandung kurang dari dua partikel, dan biarkan E2 menunjukkan
peristiwa bahwa wafer keduanya dari tepi dan mengandung lebih dari empat partikel.
Probabilitas yang diminta adalah. Sekarang, dan. Juga, E1 dan E2 saling eksklusif.
Akibatnya, tidak ada wafer di persimpangan dan. Oleh karena itu,
Ingatlah bahwa dua peristiwa A dan B dikatakan saling eksklusif jika. Kemudian,, dan
hasil umum untuk probabilitas disederhanakan menjadi aksioma probabilitas ketiga.
Tiga atau Lebih Peristiwa
Probabilitas yang lebih rumit, seperti, dapat ditentukan dengan berulang kali
menggunakan Persamaan 2-1 dan dengan menggunakan beberapa operasi himpunan
dasar. Misalnya,
Setelah berkembang dengan Persamaan 2-1 dan menggunakan aturan terdistribusi
untuk menyederhanakan operasi yang ditetapkan, kami memperoleh
Kami telah mengembangkan formula untuk probabilitas penyatuan tiga peristiwa.
Rumus dapat dikembangkan untuk probabilitas penyatuan sejumlah peristiwa, meskipun
rumus menjadi sangat kompleks. Sebagai ringkasan, untuk kasus tiga peristiwa,
Hasil untuk tiga atau lebih peristiwa sangat menyederhanakan jika peristiwa itu saling
eksklusif. Secara umum, kumpulan acara, dikatakan saling eksklusif jika tidak ada tumpang
tindih di antara mereka.
Diagram Venn untuk beberapa peristiwa yang saling eksklusif ditunjukkan pada
Gambar 2-11. Dengan menggeneralisasi alasan untuk penyatuan dua peristiwa, hasil berikut
dapat diperoleh:
CONTOH 2-15 Contoh
sederhana dari peristiwa yang saling eksklusif akan digunakan cukup sering. Biarkan X
menunjukkan pH sampel. Pertimbangkan kejadian bahwa X lebih besar dari 6,5 tetapi
kurang dari atau sama dengan 7,8. Probabilitas ini adalah jumlah dari setiap kumpulan
acara yang saling eksklusif dengan penyatuan yang sama dengan kisaran yang sama untuk
X. Salah satu contohnya adalah
contoh lain adalah
Pilihan terbaik tergantung pada probabilitas tertentu yang tersedia.
2-4 PROBABILITAS KONDISIONAL
Saluran komunikasi digital memiliki tingkat kesalahan satu bit per setiap seribu yang
ditransmisikan. Kesalahan jarang terjadi, tetapi ketika terjadi, mereka cenderung terjadi
dalam semburan yang memengaruhi banyak bit berturut-turut. Jika satu bit ditransmisikan,
kami dapat memodelkan probabilitas kesalahan sebagai 1/1000. Namun, jika bit
sebelumnya dalam kesalahan, karena semburan, kami mungkin percaya bahwa probabilitas
bahwa bit berikutnya dalam kesalahan lebih besar dari 1/1000.
Dalam proses pembuatan film tipis, proporsi bagian yang tidak dapat diterima adalah
2%. Namun, proses ini peka terhadap masalah kontaminasi yang dapat meningkatkan
tingkat bagian yang tidak dapat diterima. Jika kami tahu bahwa selama perubahan tertentu
ada masalah dengan filter yang digunakan untuk mengontrol kontaminasi, kami akan menilai
kemungkinan bagian yang tidak dapat diterima lebih tinggi dari 2%.
Dalam proses pembuatan, 10% bagian mengandung cacat permukaan yang terlihat
dan 25% bagian dengan cacat permukaan adalah bagian yang cacat (secara fungsional).
Namun, hanya 5% dari bagian tanpa cacat permukaan adalah bagian yang rusak.
Probabilitas bagian yang cacat tergantung pada pengetahuan kita tentang ada atau tidak
adanya cacat permukaan.
Contoh-contoh ini menggambarkan bahwa probabilitas perlu dievaluasi kembali
ketika informasi tambahan tersedia. Notasi dan detail diilustrasikan lebih lanjut untuk contoh
ini.
Biarkan D menunjukkan peristiwa bahwa bagian rusak dan biarkan F menunjukkan
peristiwa bahwa bagian memiliki cacat permukaan. Kemudian, kami menunjukkan
probabilitas D yang diberikan, atau dengan asumsi, bahwa suatu bagian memiliki cacat
permukaan. Notasi ini dibaca sebagai probabilitas bersyarat dari D yang diberikan F, dan
ditafsirkan sebagai probabilitas bahwa suatu bagian cacat, mengingat bahwa bagian
tersebut memiliki cacat permukaan. Karena 25% bagian dengan cacat permukaan rusak,
kesimpulan kami dapat dinyatakan sebagai. Lebih lanjut, karena menunjukkan kejadian
bahwa suatu bagian tidak memiliki cacat permukaan dan karena 5% dari bagian tanpa cacat
permukaan rusak, maka P1D ƒ F¿2 0,05. Hasil ini ditunjukkan secara grafis pada Gambar 2-
12.
CONTOH 2-16
Tabel 2-3 memberikan contoh dari 400 bagian yang diklasifikasikan berdasarkan cacat
permukaan dan sebagai (secara fungsional) rusak. Untuk tabel ini probabilitas bersyarat
cocok dengan yang dibahas sebelumnya di bagian ini. Sebagai contoh, dari bagian dengan
cacat permukaan (40 bagian) angka cacat adalah 10. Oleh karena itu,
dan bagian tanpa cacat permukaan (360 bagian) angka cacat adalah 18. Oleh karena itu,
dalam Contoh 2-16 probabilitas kondisional dihitung secara langsung . Probabilitas
ini juga dapat ditentukan dari definisi formal probabilitas kondisional.
Definisi ini dapat dipahami dalam kasus khusus di mana semua hasil percobaan acak sama-
sama mungkin. Jika ada n hasil total,
Juga,
Oleh
karena itu, dapat diartikan sebagai frekuensi relatif peristiwa B di antara percobaan yang
menghasilkan hasil dalam peristiwa A.
CONTOH 2-17
Sekali lagi pertimbangkan 400 bagian dalam Tabel 2-3. Dari tabel ini
Perhatikan bahwa dalam contoh ini keempat probabilitas berikut berbeda:
Di sini, P (D) dan probabilitas dari peristiwa yang sama, tetapi mereka dihitung di bawah dua
tingkat pengetahuan yang berbeda. Demikian pula, P (F) dan dihitung di bawah dua tingkat
pengetahuan yang berbeda.
Diagram pohon pada Gambar. 2-13 juga dapat digunakan untuk menampilkan
probabilitas bersyarat. Cabang pertama ada di permukaan cacat. Dari 40 bagian dengan
cacat permukaan, 10 cacat secara fungsional dan 30 tidak. Oleh karena itu, Dari 360 bagian
tanpa cacat permukaan, 18 secara fungsional cacat dan 342 tidak. Oleh karena itu,
Sampel Acak dari Batch
Ingatlah bahwa untuk memilih satu item secara acak dari suatu batch menyiratkan bahwa
setiap item memiliki kemungkinan yang sama. Jika lebih dari satu item dipilih, secara acak
menyiratkan bahwa setiap elemen ruang sampel kemungkinan sama. Misalnya, ketika ruang
sampel disajikan sebelumnya dalam bab ini, pengambilan sampel dengan dan tanpa
penggantian didefinisikan dan diilustrasikan untuk kasus sederhana batch dengan tiga item
{a, b, c}. Jika dua item dipilih secara acak dari batch ini tanpa penggantian, masing-masing
dari enam hasil dalam ruang sampel yang dipesan memiliki probabilitas. Jika ruang sampel
tak berurutan digunakan, masing-masing dari tiga hasil dalam {{a, b}, {a, c}, {b, c}} memiliki
probabilitas.
Berapakah probabilitas bersyarat bahwa b dipilih kedua mengingat a dipilih pertama?
Karena pertanyaan ini mempertimbangkan hasil dari setiap pengambilan, ruang sampel
yang dipesan digunakan. Definisi probabilitas bersyarat diterapkan sebagai berikut. Biarkan
E1 menunjukkan peristiwa bahwa item pertama yang dipilih adalah a dan biarkan E2
menyatakan peristiwa bahwa item kedua yang dipilih adalah b. Kemudian, dan dari definisi
probabilitas bersyarat
Ketika ruang sampel lebih besar, perhitungan alternatif biasanya lebih nyaman.
Sebagai contoh, misalkan suatu bets berisi 10 bagian dari alat 1 dan 40 bagian dari alat 2.
Jika dua bagian dipilih secara acak, tanpa penggantian, berapa probabilitas kondisional
bahwa bagian dari alat 2 dipilih kedua mengingat bahwa bagian dari alat 1 dipilih lebih dulu?
Ada 50 kemungkinan bagian untuk memilih yang pertama dan 49 untuk memilih yang kedua.
Oleh karena itu, ruang sampel (dipesan) memiliki hasil. Misalkan E1 menunjukkan peristiwa
bahwa bagian pertama adalah dari alat 1 dan E2 menyatakan peristiwa bahwa bagian kedua
adalah dari alat 2. Seperti di atas, hitungan jumlah hasil dalam E1 dan persimpangan
diperlukan.
Meskipun jawabannya dapat ditentukan sejak awal, jenis pertanyaan ini dapat
dijawab dengan lebih mudah dengan hasil sebagai berikut.
Jika bagian dari alat 1 dipilih dengan memilih pertama, 49 item akan tetap, 9 dari alat
1 dan 40 dari alat 2, dan mereka akan cenderung sama-sama akan dipilih. Oleh karena itu,
probabilitas bahwa bagian dari alat 2 akan dipilih dengan pick kedua mengingat pick
pertama ini adalah
Dengan cara ini, probabilitas lain juga dapat disederhanakan. Misalnya, biarkan
acara E terdiri dari hasil dengan bagian yang dipilih pertama dari alat 1 dan bagian kedua
dari alat 2. Untuk menentukan probabilitas E, pertimbangkan setiap langkah. Probabilitas
bahwa bagian dari alat 1 dipilih dengan pick pertama adalah. Probabilitas bersyarat bahwa
bagian dari alat 2 dipilih dengan pick kedua, mengingat bagian dari alat 1 dipilih terlebih
dahulu. Oleh karena itu,
Terkadang partisi pertanyaan menjadi pilihan yang berurutan adalah metode yang
lebih mudah untuk menyelesaikan masalah.
CONTOH 2-18
Produksi 850 bagian yang diproduksi sehari terdiri dari 50 bagian yang tidak memenuhi
persyaratan pelanggan. Dua bagian dipilih secara acak tanpa penggantian dari batch.
Berapa probabilitas bahwa bagian kedua rusak mengingat bahwa bagian pertama rusak?
Biarkan A menunjukkan peristiwa bahwa bagian pertama yang dipilih rusak, dan
biarkan B menunjukkan peristiwa bahwa bagian kedua yang dipilih rusak. Probabilitas yang
diperlukan dapat dinyatakan sebagai Jika bagian pertama rusak, sebelum memilih bagian
kedua, bets berisi 849 bagian, di mana 49 rusak, oleh karena itu
CONTOH 2-19
Melanjutkan contoh sebelumnya, jika tiga bagian dipilih secara acak. , berapakah
probabilitas bahwa dua yang pertama rusak dan yang ketiga tidak rusak? Peristiwa ini dapat
dijelaskan dalam notasi singkat sebagai hanya P (ddn). Kami memiliki
Istilah ketiga diperoleh sebagai berikut. Setelah dua bagian pertama dipilih, ada 848
yang tersisa. Dari bagian yang tersisa, 800 tidak rusak. Dalam contoh ini, mudah untuk
mendapatkan solusi dengan probabilitas kondisional untuk setiap seleksi.
2-5 ATURAN MULTIPLIKASI DAN TOTAL PROBABILITAS
2-5.1 Aturan Penggandaan
Definisi probabilitas bersyarat dalam Persamaan 2-5 dapat ditulis ulang untuk memberikan
ekspresi umum untuk probabilitas persimpangan dua peristiwa. Rumus ini disebut sebagai
aturan perkalian untuk probabilitas.
Ungkapan terakhir dalam Persamaan 2-6 diperoleh dengan menukar A dan B.
CONTOH 2-20
Probabilitas bahwa baterai mobil yang terkena suhu kompartemen engine tinggi mengalami
arus pengisian yang rendah adalah 0,7. Probabilitas bahwa baterai tunduk pada suhu
kompartemen engine yang tinggi adalah 0,05.
Biarkan C menunjukkan kejadian bahwa baterai mengalami arus pengisian yang
rendah, dan biarkan T menunjukkan kejadian bahwa baterai tunduk pada suhu
kompartemen engine yang tinggi. Probabilitas bahwa baterai tunduk pada arus pengisian
rendah dan suhu kompartemen engine tinggi adalah
2-5.2 Total Probability Rule Aturan
penggandaan berguna untuk menentukan probabilitas suatu peristiwa yang tergantung pada
peristiwa lain. Sebagai contoh, anggaplah bahwa dalam pembuatan semikonduktor
probabilitasnya adalah 0,10 bahwa chip yang mengalami kontaminasi tingkat tinggi selama
pembuatan menyebabkan kegagalan produk. Probabilitasnya adalah 0,005 bahwa chip yang
tidak mengalami tingkat kontaminasi tinggi selama pembuatan menyebabkan kegagalan
produk. Dalam menjalankan produksi tertentu, 20% dari chip dikenakan tingkat kontaminasi
yang tinggi. Berapa probabilitas produk gagal menggunakan salah satu chip ini?
Jelas, probabilitas yang diminta tergantung pada apakah chip tersebut terkena
kontaminasi tingkat tinggi atau tidak. Kami dapat mengatasi masalah ini dengan alasan
berikut. Untuk setiap kejadian B, kita dapat menulis B sebagai penyatuan bagian B dalam A
dan bagian B dalam. Yaitu,
hasil ini ditunjukkan dalam diagram Venn pada Gambar 2-14. Karena A dan saling
eksklusif, dan saling eksklusif. Oleh karena itu, dari probabilitas penyatuan peristiwa yang
saling eksklusif dalam Persamaan 2-2 dan Aturan Penggandaan dalam Persamaan 2-6,
diperoleh aturan probabilitas total berikut.
CONTOH 2-21
Pertimbangkan diskusi kontaminasi pada awal bagian ini. Biarkan F menunjukkan peristiwa
bahwa produk gagal, dan biarkan H menunjukkan peristiwa bahwa chip terkena kontaminasi
tingkat tinggi. Probabilitas yang diminta adalah P (F), dan informasi yang diberikan dapat
direpresentasikan sebagai
Dari Persamaan 2-7, yang dapat ditafsirkan sebagai hanya rata-rata tertimbang dari dua
probabilitas kegagalan.
Alasan yang digunakan untuk mengembangkan Persamaan 2-7 dapat diterapkan
secara lebih umum. Dalam pengembangan Persamaan 2-7, kami hanya menggunakan dua
A dan. Namun, fakta bahwa, seluruh ruang sampel, penting. Secara umum, kumpulan set
seperti itu dikatakan lengkap. Tampilan grafis mempartisi suatu peristiwa B di antara
sekumpulan peristiwa yang saling eksklusif dan lengkap ditunjukkan pada Gambar. 2-15 di
halaman 43.
CONTOH 2-22
Melanjutkan dengan contoh manufaktur semikonduktor, asumsikan probabilitas berikut
untuk kegagalan produk tergantung pada level kontaminasi dalam pembuatan: Peluang
Kegagalan Tingkat Kontaminasi 0,10 Tinggi 0,01 Sedang 0,001 Rendah
Dalam proses produksi tertentu, 20% dari chip mengalami kontaminasi tingkat tinggi,
30% kontaminasi tingkat menengah, dan 50% ke level rendah kontaminasi. Berapa
probabilitas produk gagal menggunakan salah satu chip ini? Misalkan H menunjukkan
peristiwa bahwa chip terkena kontaminasi tingkat tinggi M menunjukkan kejadian bahwa
chip terkena kontaminasi tingkat menengah L menunjukkan kejadian bahwa chip terkena
kontaminasi tingkat rendah Kemudian, Masalah ini juga nyaman dipecahkan menggunakan
diagram pohon pada Gambar 2-16.
2-6 INDEPENDENSI
Dalam beberapa kasus, probabilitas bersyarat mungkin sama dengan P (B). Dalam kasus
khusus ini, pengetahuan bahwa hasil percobaan adalah dalam kejadian A tidak
mempengaruhi probabilitas bahwa hasilnya ada dalam kejadian B.
CONTOH 2-23
Misalkan produksi sehari dari 850 bagian yang diproduksi mengandung 50 bagian yang
tidak memenuhi persyaratan pelanggan . Misalkan dua bagian dipilih dari batch, tetapi
bagian pertama diganti sebelum bagian kedua dipilih. Berapa probabilitas bahwa bagian
kedua rusak (dilambangkan sebagai B) mengingat bahwa bagian pertama rusak
(dilambangkan sebagai A)? Probabilitas yang diperlukan dapat dinyatakan sebagai
Karena bagian pertama diganti sebelum memilih bagian kedua, bets masih berisi 850
bagian, yang 50 di antaranya rusak. Oleh karena itu, probabilitas B tidak tergantung pada
apakah bagian pertama rusak atau tidak. Yaitu,
juga, probabilitas bahwa kedua bagian itu rusak adalah
CONTOH 2-24
Informasi dalam Tabel 2-3 cacat permukaan yang terkait dengan bagian yang cacat secara
fungsional. Dalam hal ini, kami menentukan itu dan Misalkan situasinya berbeda dan
mengikuti Tabel 2-4. Kemudian,
Yaitu, probabilitas bahwa bagian itu cacat tidak tergantung pada apakah ia memiliki
cacat permukaan. Juga,
sehingga kemungkinan cacat permukaan tidak tergantung pada apakah bagian
tersebut rusak. Lebih lanjut, definisi probabilitas bersyarat menyiratkan bahwa
tetapi dalam kasus khusus masalah ini,
Contoh sebelumnya menggambarkan kesimpulan berikut. Dalam kasus khusus yang
kami peroleh
dan
Kesimpulan-kesimpulan ini mengarah pada definisi yang penting
Ditinggalkan sebagai latihan yang memperluas pikiran untuk menunjukkan bahwa
independensi menyiratkan hasil-hasil terkait seperti
Konsep kemerdekaan adalah hubungan penting antara berbagai peristiwa dan
digunakan di seluruh teks ini. Hubungan yang saling eksklusif antara dua peristiwa hanya
didasarkan pada hasil yang terdiri dari peristiwa tersebut. Namun, hubungan kemandirian
tergantung pada model probabilitas yang digunakan untuk percobaan acak. Seringkali,
independensi diasumsikan sebagai bagian dari eksperimen acak yang menggambarkan
sistem fisik yang diteliti.
CONTOH 2-25
Produksi 850 bagian yang diproduksi sehari terdiri dari 50 bagian yang tidak memenuhi
persyaratan pelanggan. Dua bagian dipilih secara acak, tanpa penggantian, dari batch.
Misalkan A menunjukkan peristiwa bahwa bagian pertama rusak, dan biarkan B
menunjukkan peristiwa bahwa bagian kedua rusak.
Kami menduga bahwa kedua peristiwa ini tidak independen karena pengetahuan
bahwa bagian pertama rusak menunjukkan kemungkinan kecil bahwa bagian kedua yang
dipilih rusak. Memang, Sekarang, apa itu P (B)? Menemukan P (B) tanpa syarat agak sulit
karena nilai-nilai yang mungkin dari seleksi pertama perlu dipertimbangkan:
 Menariknya, P (B), probabilitas tanpa syarat bahwa bagian kedua yang dipilih rusak,
tanpa pengetahuan bagian pertama, adalah sama dengan probabilitas bahwa bagian
pertama yang dipilih rusak. Namun, tujuan kami adalah untuk menilai independensi. Karena
tidak sama dengan P (B), kedua peristiwa itu tidak independen, seperti yang kami duga.
Ketika mempertimbangkan tiga peristiwa atau lebih, kita dapat memperluas definisi
kemerdekaan dengan hasil umum berikut.
Definisi ini biasanya digunakan untuk menghitung probabilitas bahwa beberapa
peristiwa terjadi dengan asumsi mereka independen dan probabilitas masing-masing
peristiwa diketahui. Pengetahuan bahwa peristiwa itu independen biasanya berasal dari
pemahaman mendasar dari eksperimen acak.

CONTOH 2-26
Asumsikan bahwa probabilitas bahwa wafer mengandung partikel besar kontaminasi adalah
0,01 dan bahwa wafer independen; yaitu, probabilitas bahwa wafer mengandung partikel
besar tidak tergantung pada karakteristik wafer lainnya. Jika 15 wafer dianalisis, berapakah
probabilitas bahwa tidak ada partikel besar yang ditemukan?
Misalkan Ei menyatakan peristiwa bahwa wafer ke-i tidak mengandung partikel
besar, Kemudian, probabilitas yang diminta dapat direpresentasikan sebagai Dari asumsi
kemandirian dan Persamaan 2-10.
Contoh 2-27
. Sirkuit berikut ini beroperasi hanya jika ada jalur perangkat fungsional dari kiri ke kanan.
Probabilitas fungsi masing-masing perangkat ditampilkan pada grafik. Asumsikan bahwa
perangkat gagal secara independen. Berapa probabilitas bahwa rangkaian beroperasi?
Biarkan T dan B masing-masing menunjukkan peristiwa yang dioperasikan
perangkat atas dan bawah. Ada jalur jika setidaknya satu perangkat beroperasi. Probabilitas
bahwa rangkaian beroperasi adalah formula sederhana untuk solusi dapat berasal dari
komplemen dan Dari asumsi independensi,
CONTOH 2-28
Sirkuit berikut beroperasi hanya jika ada jalur perangkat fungsional dari kiri ke kanan.
Probabilitas fungsi masing-masing perangkat ditampilkan pada grafik. Asumsikan bahwa
perangkat gagal secara independen. Berapa probabilitas bahwa rangkaian beroperasi?
Solusinya dapat diperoleh dari partisi grafik menjadi tiga kolom. Probabilitas bahwa
ada jalur perangkat fungsional hanya melalui tiga unit di sebelah kiri dapat ditentukan dari
independensi dengan cara yang mirip dengan contoh sebelumnya. It is
Similarly, the probability that there is a path of functional devices only through the two
units in the middle is
The probability that there is a path of functional devices only through the one unit on
the right is simply the probability that the device functions, namely, 0.99. Therefore, with the
independence assumption used again, the solution is
2-7 BAYES' THEOREM
In some examples, we do not have a complete table of information such as the parts in
Table 2-3. We might know one conditional probability but would like to calculate a different
one. In the semiconductor contamination problem in Example 2-22, we might ask the
following: If the semiconductor chip in the product fails, what is the probability that the chip
was exposed to high levels of contamination?
From the definition of conditional probability,
Now considering the second and last terms in the expression above, we can write
This is a useful result that enables us to solve for in terms of P1A ƒ B2 P1B ƒ A2.
EXAMPLE 2-29
We can answer the question posed at the start of this section as follows: The probability
requested can be expressed as Then,
The value of P(F) in the denominator of our solution was found in Example 2-20.
In general, if P(B) in the denominator of Equation 2-11 is written using the Total
Probability Rule in Equation 2-8, we obtain the following general result, which is known as
Bayes'Theorem.

EXAMPLE 2-30
Because a new medical procedure has been shown to be effective in the early detection of
an illness, a medical screening of the population is proposed. The probability that the test
correctly identifies someone with the illness as positive is 0.99, and the probability that the
test correctly identifies someone without the illness as negative is 0.95. The incidence of the
illness in the general population is 0.0001. You take the test, and the result is positive. What
is the probability that you have the illness?
Let D denote the event that you have the illness, and let S denote the event that the
test signals positive. The probability requested can be denoted as . The probability that the
test correctly signals someone without the illness as negative is 0.95. Consequently, the
probability of a positive test without the illness is
From Bayes'Theorem,
Surprisingly, even though the test is effective, in the sense that is high and is low,
because the incidence of the illness in the general population is low, the chances are quite
small that you actually have the disease even if the test is positive.
2-8 RANDOM VARIABLES
We often summarize the outcome from a random experiment by a simple number. In many
of the examples of random experiments that we have considered, the sample space has
been a description of possible outcomes. In some cases, descriptions of outcomes are
sufficient, but in other cases, it is useful to associate a number with each outcome in the
sample space. Because the particular outcome of the experiment is not known in advance,
the resulting value of our variable is not known in advance. For this reason, the variable that
associates a number with the outcome of a random experiment is referred to as a random
variable.
Sometimes a measurement (such as current in a copper wire or length of a machined
part) can assume any value in an interval of real numbers (at least theoretically). Then
arbitrary precision in the measurement is possible. Of course, in practice, we might round off
to the nearest tenth or hundredth of a unit. The random variable that represents this
measurement is said to be a continuous random variable. The range of the random variable
includes all values in an interval of real numbers; that is, the range can be thought of as a
continuum.
In other experiments, we might record a count such as the number of transmitted bits
that are received in error. Then the measurement is limited to integers. Or we might record
that a proportion such as 0.0042 of the 10,000 transmitted bits were received in error. Then
the measurement is fractional, but it is still limited to discrete points on the real line.
Whenever the measurement is limited to discrete points on the real line, the random variable
is said to be a discrete random variable.
In some cases, the random variable X is actually discrete but, because the range of
possible values is so large, it might be more convenient to analyze X as a continuous
random variable. For example, suppose that current measurements are read from a digital
instrument that displays the current to the nearest one-hundredth of a milliampere. Because
the possible measurements are limited, the random variable is discrete. However, it might be
a more convenient, simple approximation to assume that the current measurements are
values of a continuous random variable.

2-1.4 Counting Techniques (CD Only)

In many of the examples in Chapter 2, it is easy to determine the number of outcomes in
each event. In more complicated examples, determining the number of outcomes that
comprise the sample space (or an event) becomes more difficult. To associate probabilities
with events, it is important to know the number of outcomes both in an event and in the
sample space. Some simple rules can be used to simplify the calculations.
In Example 2-4, an automobile manufacturer provides vehicles equipped with
selected options. Each vehicle is ordered With or without an automatic transmission With or
without air conditioning With one of three choices of a stereo system With one of four
exterior colors
The tree diagram in Fig. 2-6 describes the sample space of all possible vehicle types.
The size of the sample space equals the number of branches in the last level of the tree and
this quantity equals 2 2 3 4 = 48. This leads to the following useful result.
EXAMPLE S2-1
In the design of a casing for a gear housing, we can use four different types of fasteners,
three different bolt lengths, and three different bolt locations. From the multiplication rule, 4 3
3 36 different designs are possible.
Permutations
Another useful calculation is the number of ordered sequences of the elements of a set.
Consider a set of elements, such as S {a, b, c}. A permutation of the elements is an ordered
sequence of the elements. For example, abc, acb, bac, bca, cab, and cba are all of the
permutations of the elements of S.
This result follows from the multiplication rule. A permutation can be constructed by selecting
the element to be placed in the first position of the sequence from the n elements, then
selecting the element for the second position from the n 1 remaining elements, then
selecting the element for the third position from the remaining n 2 elements, and so forth.
Permutations such as these are sometimes referred to as linear permutations.
In some situations, we are interested in the number of arrangements of only some of
the elements of a set. The following result also follows from the multiplication rule.
EXAMPLE S2-2
A printed circuit board has eight different locations in which a component can be placed. If
four different components are to be placed on the board, how many different designs are
possible?
Each design consists of selecting a location from the eight locations for the first
component, a location from the remaining seven for the second component, a location from
the remaining six for the third component, and a location from the remaining five for the
fourth component. Therefore,
Sometimes we are interested in counting the number of ordered sequences for
objects that are not all different. The following result is a useful, general calculation.
EXAMPLE S2-3
Consider a machining operation in which a piece of sheet metal needs two identical diameter
holes drilled and two identical size notches cut. We denote a drilling operation as d and a
notching operation as n. In determining a schedule for a machine shop, we might be
interested in the number of different possible sequences of the four operations. The number
of possible sequences for two drilling operations and two notching operations is
The six sequences are easily summarized: ddnn, dndn, dnnd, nddn, ndnd, nndd.
EXAMPLE S2-4
A part is labeled by printing with four thick lines, three medium lines, and two thin lines. If
each ordering of the nine lines represents a different label, how many different labels can be
generated by using this scheme?
From Equation S2-3, the number of possible part labels is
Combinations
Another counting problem of interest is the number of subsets of r elements that can be
selected from a set of n elements. Here, order is not important. Every subset of r elements
can be indicated by listing the elements in the set and marking each element with a “*” if it is
to be included in the subset. Therefore, each permutation of r *'s and nr blanks indicate a
different subset and the number of these are obtained from Equation S2-3.
For example, if the set is S = {a, b, c, d} the subset {a, c} can be indicated as
EXAMPLE S2-5
A printed circuit board has eight different locations in which a component can be placed. If
five identical components are to be placed on the board, how many different designs are
possible?
Each design is a subset of the eight locations that are to contain the components. From
Equation S2-4, the number of possible designs is
The following example uses the multiplication rule in combination with Equation S2-4 to
answer a more difficult, but common, question.
EXAMPLE S2-6
A bin of 50 manufactured parts contains three defective parts and 47 nondefective parts. A
sample of six parts is selected from the 50 parts. Selected parts are not replaced. That is,
each part can only be selected once and the sample is a subset of the 50 parts. How many
different samples are there of size six that contain exactly two defective parts?
A subset containing exactly two defective parts can be formed by first choosing the
two defective parts from the three defective parts. Using Equation S2-4, this step can be
completed in
Then, the second step is to select the remaining four parts from the 47 acceptable parts in
the bin. The second step can be completed in
Therefore, from the multiplication rule, the number of subsets of size six that contain exactly
two defective items is
As an additional computation, the total number of different subsets of size six is found to be
When probability is discussed in this chapter, the probability of an event is
determined as the ratio of the number of outcomes in the event to the number of outcomes
in the sample space (for equally likely outcomes). Therefore, the probability that a sample
contains exactly two defective parts is
Note that Example S2-7 illustrates the hypergeometric distribution.