PENDAHULUAN
Oleh karena itu, untuk mengetahui suatu kemungkinan maka dipelajari lah
teknik probabilitas ini untuk mengetahui segala kemungkinan yang akan terjadi.
1
1.3 Tujuan Penulisan
2
BAB II
PEMBAHASAN
II. Probabilitas
3
macam produk rekayasa. Diberikan abstraksi matematis yang divalidasi dengan
pengukuran dari sistem kami, kami dapat menggunakan model untuk memahami,
menggambarkan, dan mengukur aspek penting dari sistem fisik dan memprediksi
respons sistem terhadap input. Di seluruh teks ini, kami membahas model yang
memungkinkan variasi dalam output suatu sistem, meskipun variabel yang kami
kontrol tidak sengaja diubah selama penelitian kami. Gambar 2-2 secara grafis
menampilkan model yang memasukkan input yang tidak dapat dikendalikan
(noise) itu bergabung dengan input yang dapat dikontrol untuk menghasilkan
output dari sistem kami. Karena input yang tidak terkendali, pengaturan yang
sama untuk input yang dapat dikontrol tidak menghasilkan identik output setiap
kali sistem diukur.
4
eksternal harus dibeli dari perusahaan telepon untuk memenuhi persyaratan a
bisnis. Dengan asumsi setiap baris hanya dapat melakukan satu percakapan,
berapa banyak baris seharusnya dibeli? Jika terlalu sedikit saluran dibeli,
panggilan dapat ditunda atau hilang. Pembelian juga banyak jalur meningkatkan
biaya. Semakin banyak, desain dan pengembangan produk diperlukan untuk
memenuhi persyaratan pelanggan dengan biaya yang kompetitif. Dalam desain
sistem komunikasi suara, diperlukan model untuk jumlah panggilan dan durasi
panggilan. Bahkan mengetahui bahwa rata-rata, panggilan terjadi setiap lima
menit dan itu mereka lima menit terakhir tidak cukup. Jika panggilan tiba tepat
pada interval lima menit dan berlangsung untuk tepat lima menit, satu saluran
telepon sudah cukup. Namun, variasi terkecil di nomor atau durasi panggilan akan
mengakibatkan beberapa panggilan diblokir oleh orang lain.
5
mungkin nyaman untuk mendefinisikan ruang sampel hanya sebagai garis nyata
positif karena nilai negatif untuk ketebalan tidak dapat terjadi.
S = R+ = { x | x > 0 }
Jika diketahui bahwa semua konektor memiliki ketebalan antara 10 dan 11
milimeter, sampel ruang bisa jadi
S = { x | 10 < x < 11 }
Jika tujuan analisis adalah untuk mempertimbangkan hanya apakah bagian
tertentu rendah, sedang, atau tinggi untuk ketebalan, ruang sampel dapat dianggap
sebagai himpunan tiga hasil:
S = { low, medium, high }
Jika tujuan analisis hanya untuk mempertimbangkan apakah bagian
tertentu sesuai atau tidak untuk spesifikasi pabrikan, ruang sampel mungkin
disederhanakan ke himpunan dua hasil
S = { yes, no }
yang menunjukkan apakah bagian tersebut sesuai atau tidak.
Dalam Contoh 2-1, pilihan S = R+ adalah contoh ruang sampel kontinu,
sedangkan S {ya, tidak} adalah ruang sampel terpisah. Seperti disebutkan, pilihan
terbaik dari ruang sampel tergantung pada tujuan penelitian. Ketika pertanyaan-
pertanyaan spesifik muncul kemudian dalam buku ini, sesuai ruang sampel
dibahas.
Ruang sampel adalah diskrit jika terdiri dari serangkaian hasil yang terbatas
atau tak terbatas.
Ruang sampel kontinu adalah jika mengandung interval (baik terbatas atau
tidak terbatas) dari bilangan real.
2-1.3 Event
Event adalah himpunan bagian dari ruang sampel percobaan acak. Karena
peristiwa adalah bagian himpunan, 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 acara:
6
Persatuan dua peristiwa adalah peristiwa yang terdiri dari semua hasil
yang terkandung dalam salah satu dari dua peristiwa tersebut. Dinyatakan
serikat sebagai E1 U E2
Persimpangan dua peristiwa adalah peristiwa yang terdiri dari semua
hasil yang ada terkandung dalam kedua acara tersebut. Dinyatakan
persimpangan sebagai E1 ∩ E2
Komplemen dari suatu peristiwa dalam ruang sampel adalah himpunan
hasil dalam sampel ruang yang tidak ada di acara tersebut. Di tunjukkan
komponen acara E sebagai E’
Contoh 2.2
Pengukuran waktu yang dibutuhkan untuk menyelesaikan suatu reaksi kimia
dapat dimodelkan dengan ruang sampel S R, himpunan bilangan real positif
sebagai berikut :
Kemudian,
Juga,
7
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 kesamaan
hasil; Buah ara. 2-8 (c) hingga 2-8 (e) menggambarkan peristiwa gabungan
tambahan. Dua peristiwa tanpa hasil yang sama memiliki hubungan yang penting.
Dan juga
8
2.2 Interprestasi Probabilitas
2-2.1 Pendahuluan
9
0,3. Kesimpulannya cocok dengan intuisi kita. Gambar 2-10 menggambarkan
contoh ini.
Lalu,
10
percobaan dapat diartikan sebagai frekuensi relatif dan bahwa penugasan
konsisten dengan kami pemahaman intuitif tentang hubungan antara frekuensi
relatif. Misalnya, jika acara A terkandung dalam acara B, kita harus memiliki
P(A) ≤ P(B). Aksioma tidak menentukan probabilitas; probabilitas diberikan
berdasarkan pengetahuan kami tentang sistem di bawah belajar. Namun, aksioma
memungkinkan kita untuk dengan mudah menghitung probabilitas dari beberapa
peristiwa dari pengetahuan tentang probabilitas kejadian lainnya.
Note : Probabilitas adalah angka yang ditetapkan untuk setiap anggota kumpulan
acara dari eksperimen acak yang memenuhi properti berikut:
Jika S adalah ruang sampel dan E adalah setiap kejadian dalam eksperimen acak
1. P(S)=1
2. 0≤P(E)≤1
3. Untuk dua acara atau 2 bagian E1 dan E2 dengan
11
bersama sering dapat ditentukan dari probabilitas masing-masing peristiwa yang
membentuknya. Operasi himpunan dasar juga terkadang membantu dalam
menentukan probabilitas suatu peristiwa gabungan. Di bagian ini fokusnya adalah
pada serikat acara.
Contoh 2.4
P (H ∩ C) = 112/940
Peristiwa adalah peristiwa wafer berasal dari pusat alat sputtering atau
mengandung kontaminasi tingkat tinggi (atau keduanya). Dari meja,. Sebuah
alternatif perhitungan dapat diperoleh sebagai berikut. Ke-112 wafer yang terdiri
Peristiwa dimasukkan sekali dalam perhitungan P (H) dan lagi dalam perhitungan
P (C). Oleh karena itu, dapat ditemukan
12
Tabel 2.1 Wafer di Klasifikasi Pabrikan Semikonduktor oleh Kontaminasi dan
Lokasi
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 kali berturut-turut
bit. Jika satu bit ditransmisikan, kami dapat memodelkan probabilitas kesalahan
sebagai 1/1000. Namun, jika bit sebelumnya salah, karena semburan, kita
mungkin percaya bahwa probabilitas bahwa bit berikutnya salah 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 itu tidak bisa diterima. Jika kita tahu bahwa
selama perubahan tertentu ada masalah dengan filter yang digunakan untuk
mengendalikan kontaminasi, kami akan menilai kemungkinan bagian yang tidak
dapat diterima lebih tinggi dari 2%.
13
Biarkan D menunjukkan acara bahwa bagian rusak dan biarkan F
menunjukkan acara bahwa bagian memiliki cacat permukaan. Kemudian, kami
menunjukkan probabilitas D yang diberikan, atau dengan asumsi, bahwa suatu
bagian memiliki permukaan cacat sebagai P(D|F). Notasi ini dibaca sebagai
probabilitas bersyarat dari D yang diberikan F, dan itu ditafsirkan sebagai
probabilitas bahwa suatu bagian rusak, mengingat bahwa bagian tersebut memiliki
cacat permukaan. Karena 25% bagian dengan cacat permukaan rusak, kesimpulan
kami dapat dinyatakan sebagai P(D|F) = 0.25. Selanjutnya, karena F’
menunjukkan peristiwa bahwa suatu bagian tidak memiliki permukaan cacat dan
karena 5% dari bagian tanpa cacat permukaan rusak, kami memilikinya P(D|F’) =
0.05.
Contoh 2.5
14
dari bagian dengan cacat permukaan (40 bagian) jumlah yang rusak adalah 10.
Karena itu,
dan dari bagian tanpa cacat permukaan (360 bagian) jumlah yang rusak
adalah 18. Oleh karena itu,
Definisi ini dapat dipahami dalam kasus khusus di mana semua hasil
percobaan acak sama-sama mungkin. Jika ada n hasil total,
Juga,
15
2.5 Peraturan Multiplikasi dan Total
2-5.1 Aturan Multiplikasi
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.
Regulasi Penggandaan
Contoh 2.20
Probabilitas bahwa aki mobil yang terkena suhu kompartemen engine tinggi
mengalami arus pengisian 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 rendah, dan biarkan T
menunjukkan kejadian bahwa baterai tunduk pada suhu kompartemen engine
yang tinggi. Probabilitas bahwa baterai tunduk pada arus pengisian yang rendah
dan suhu kompartemen engine yang tinggi
16
penyatuan bagian B dalam A dan bagian B dalam. Itu adalah, 𝐵 = (𝐴 ∩ 𝐵) ∪
(𝐴′ ∩ 𝐵).
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
17
yang dapat diartikan 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 keduanya secara eksklusif A dan A'. Namun, fakta bahwa, seluruh
ruang sampel, penting. Secara umum, kumpulan set A ꓴ A' = S seluruh ruang
sampel, penting. Secara umum, kumpulan set E1,E2,...,Ek seperti yang E1 ꓴ E2 U
... U EK = Sdikatakan lengkap. Tampilan grafis mempartisi peristiwa B di antara
kumpulan peristiwa yang saling eksklusif dan lengkap ditunjukkan pada Gambar.
2-15 di halaman 43. Total Probability Rule (beberapa peristiwa)
Contoh 2.22
Melanjutkan dengan contoh manufaktur semikonduktor, asumsikan
probabilitas berikut untuk kegagalan produk tergantung pada tingkat kontaminasi
dalam pembuatan:
18
pada tingkat kontaminasi yang rendah. Berapa probabilitas bahwa suatu produk
menggunakan salah satu dari chip ini gagal? 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,
2.6 Kemandirian
Dalam beberapa kasus, probabilitas bersyarat mungkin sama dengan P (B).
Dalam kasus khusus ini, pengetahuan bahwa hasil percobaan di acara A tidak
mempengaruhi probabilitas bahwa hasilnya di acara B.
Contoh 2.23 :
Misalkan produksi 850 bagian yang diproduksi sehari terdiri dari 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
bagian pertama rusak (dilambangkan sebagai A)? Probabilitas yang dibutuhkan
dapat dinyatakan sebagai P(B/A).
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. Itu adalah,
19
Contoh 2.24 :
Informasi dalam Tabel 2-3 terkait dengan cacat permukaan untuk bagian
yang cacat secara fungsional. Dalam hal itu, kami menentukan itu P(D|F) = 10/40
= 0.25 dan P(D) = 28/400 = 0.07. Misalkan situasinya berbeda dan ikuti Tabel 2-
4. Kemudian,
Artinya, probabilitas bahwa bagian itu rusak tidak tergantung pada apakah ia
memiliki cacat permukaan. Juga,
jadi kemungkinan cacat permukaan tidak tergantung pada apakah bagian itu rusak.
Lebih jauh, definisi probabilitas bersyarat menyiratkan hal itu
tetapi dalam kasus khusus masalah ini
kami memperoleh
20
Ini dibiarkan sebagai latihan yang memperluas pikiran untuk menunjukkan bahwa
kemandirian menyiratkan hasil terkait seperti :
Ini adalah hasil yang berguna yang memungkinkan kami untuk menyelesaikannya
dalam hal P(A\ B) istilah dari P(B \ A).
Contoh 2.29 :
Kita dapat menjawab pertanyaan yang diajukan pada awal bagian ini sebagai
berikut: Probabilitas yang diminta dapat dinyatakan sebagai P (H|F). Kemudian
21
Contoh 2.30 :
Karena prosedur medis baru terbukti efektif dalam deteksi dini suatu
penyakit, penyaringan medis terhadap populasi diusulkan. Probabilitas bahwa tes
dengan benar mengidentifikasi seseorang dengan penyakit sebagai positif adalah
0,99, dan probabilitas bahwa tes dengan benar mengidentifikasi seseorang tanpa
penyakit sebagai negatif adalah 0,95. Insiden penyakit pada populasi umum
adalah 0,0001. Anda mengikuti tes, dan hasilnya positif. Berapa probabilitas Anda
menderita penyakit itu? Biarkan D menunjukkan peristiwa bahwa Anda memiliki
penyakit, dan biarkan S menunjukkan peristiwa bahwa tes menunjukkan sinyal
positif. Probabilitas yang diminta dapat dilambangkan sebagai
22
dianggap sebagai sebuah kontinum. Dalam percobaan lain, kami mungkin
mencatat jumlah seperti jumlah bit yang dikirim yang diterima karena kesalahan.
Maka pengukuran terbatas pada bilangan bulat. Atau kita dapat mencatat bahwa
proporsi seperti 0,0042 dari 10.000 bit yang dikirim diterima karena kesalahan.
Maka pengukurannya adalah fraksional, tetapi masih terbatas pada titik-titik
diskrit pada garis nyata. Setiap kali pengukuran terbatas pada titik diskrit pada
garis nyata, variabel acak dikatakan sebagai variabel acak diskrit. Variabel acak
diskrit adalah variabel acak dengan rentang terbatas (atau tak terhingga tak
terbatas). Variabel acak kontinu adalah variabel acak dengan interval (baik
terbatas atau tidak terbatas) dari bilangan real untuk rentangnya.
Dalam beberapa kasus, variabel acak X sebenarnya diskrit tetapi, karena
rentang nilai yang mungkin sangat besar, mungkin lebih mudah untuk
menganalisis X sebagai variabel acak kontinu. Misalnya, anggaplah pengukuran
saat ini dibaca dari instrumen digital yang menampilkan arus hingga seperseratus
miliampere terdekat. Karena pengukuran yang mungkin terbatas, variabel acak
adalah diskrit. Namun, mungkin lebih mudah, perkiraan sederhana untuk
mengasumsikan bahwa pengukuran saat ini adalah nilai-nilai variabel acak
kontinu. Contoh variabel acak kontinu: arus listrik, panjang, tekanan, suhu, waktu,
tegangan, berat. Contoh variabel acak diskrit: jumlah goresan pada permukaan,
proporsi bagian yang rusak di antara 1000 yang diuji, jumlah bit yang dikirim
yang diterima karena kesalahan.
23
Contoh 3-1
Sebuah sistem komunikasi suara untuk bisnis berisi 48 jalur eksternal. Pada
waktu tertentu, sistem diamati, dan beberapa garis sedang digunakan. Biarkan
variabel acak X menunjukkan jumlah garis yang digunakan. Kemudian, X dapat
mengasumsikan salah satu dari nilai integer 0 hingga 48. Kapan sistem diamati,
jika 10 baris digunakan, x = 10.
Contoh 3-2
Dalam proses pembuatan semi konduktor, dua wafer dari banyak diuji.
Setiap wafer diklasifikasikan sebagai lulus atau gagal. Asumsikan bahwa
probabilitas seorang wafer lulus tes adalah 0,8 dan itu wafer bersifat independen.
Ruang sampel untuk percobaan dan probabilitas terkait ditunjukkan pada Tabel 3-
1. Misalnya, karena kemandirian, kemungkinan hasilnya bahwa wafer pertama
yang diuji lolos dan wafer kedua yang diuji gagal, dilambangkan sebagai pf,
adalah
P(pf) = 0.8(0.2) = 0.16
Variabel acak X didefinisikan sama dengan jumlah wafer yang lulus. Itu kolom
terakhir dari tabel menunjukkan nilai-nilai X yang ditugaskan untuk setiap hasil di
percobaan.
Contoh 3-3
Tentukan variabel acak X menjadi jumlah partikel kontaminasi pada wafer
dalam pembuatan semikonduktor. Meskipun wafer memiliki sejumlah
karakteristik, acak variabel X meringkas wafer hanya dalam hal jumlah partikel.
Nilai yang mungkin dari X adalah bilangan bulat dari nol hingga beberapa nilai
besar yang mewakili jumlah maksimum partikel yang dapat ditemukan di salah
satu wafer. Jika angka maksimum ini sangat besar, kita mungkin mengasumsikan
bahwa kisaran X adalah himpunan bilangan bulat dari nol hingga tak terbatas.
Perhatikan bahwa lebih dari satu variabel acak dapat didefinisikan pada ruang
sampel. Dalam contoh 3-3, kita mungkin mendefinisikan variabel acak Y menjadi
jumlah chip dari wafer yang gagal ujian akhir.
Tabel 3.1 Tes Wafer
24
(sumber: Montgomery-Runger-Applied-Statistics-and-Probability-for-Engineers-3rd2003)
2.2 Distribusi Probabilitas dan Fungsi Massa Masalah
Contoh 3.4
Ada kemungkinan bahwa sedikit yang dikirimkan melalui saluran
transmisi digital diterima dikesalahan. Biarkan X sama dengan jumlah bit yang
salah dalam empat bit berikutnya yang dikirimkan. Nilai yang mungkin untuk X
adalah {0, 1, 2, 3, 4}. Berdasarkan model untuk kesalahan yang disajikan sebagai
berikut, bagian probabilitas untuk nilai-nilai ini akan ditentukan. Misalkan
probabilitasnya adalah
P (X=0) = 0.6561 P(X= 1)= 0.2916 P(X= 2) = 0.0486
P(X=3) = 0.0036 P(X = 4) = 0.0001
Distribusi probabilitas X ditentukan oleh nilai-nilai yang mungkin bersama
dengan setiap probabilitas. Deskripsi grafis dari distribusi probabilitas X
25
ditunjukkan pada Gambar. 3.1. Misalkan pemuatan pada balok yang panjang dan
tipis menempatkan massa hanya pada titik diskrit. Lihat Gambar. 3.2.
Contoh 3.5
Biarkan variabel acak X menunjukkan jumlah wafer semikonduktor yang perlu
dianalisis untuk mendeteksi partikel besar kontaminasi. Asumsikan bahwa
probabilitas sebuah wafer mengandung partikel besar 0,01 dan wafer itu
independen. Tentukan distribusi probabilitas X. Biarkan p menunjukkan wafer di
mana partikel besar hadir, dan biarkan a menunjukkan wafer tidak ada. Ruang
sampel percobaan tidak terbatas, dan dapat direpresentasikan sebagai semua
kemungkinan urutan yang dimulai dengan string a dan diakhiri dengan p. Itu
adalah,
5={ p, ap, aap, aaap, aaaap, aaaaap, dan sebagainya }
26
Formula umum adalah:
Menjelaskan probabilitas yang terkait dengan X dalam hal rumus ini adalah
metode paling sederhana menggambarkan distribusi X dalam contoh ini. Jelas .
Fakta bahwa jumlah probabilitasnya adalah 1 dibiarkan sebagai latihan. Ini adalah
contoh dari variabel acak geometris, dan perinciannya diberikan nanti dalam bab
ini.
2.3 Fungsi Distribusi Kumulatif
Contoh 3.6
Dalam Contoh 3-4, kita mungkin tertarik pada probabilitas tiga atau lebih
sedikit dari kesalahan. Pertanyaan ini dapat dinyatakan sebagai ini
merupakan adalah penyatuan acara dan dan
Jelas, ketiga peristiwa ini saling eksklusif. Karena itu,
27
Seperti fungsi massa probabilitas, fungsi distribusi kumulatif memberikan
probabilitas. Perhatikan bahwa meskipun variabel acak X hanya dapat
mengasumsikan nilai integer, fungsi distribusi kumulatif dapat didefinisikan pada
nilai-nilai noninteger. Dalam
Contoh 3.6
F (1.5) = P (X ≤ 1,5) P = {X = 0} P + (X = 1) = 0,6561+ 0,2916 = 0,9477.
Properti (1) dan (2) fungsi distribusi kumulatif mengikuti dari definisi. Properti
(3) berikut dari kenyataan bahwa jika x ≤ y, peristiwa yang terkandung {x ≤ x }
dalam acara tersebut {x ≤ y}.
Contoh berikutnya menunjukkan bagaimana fungsi distribusi kumulatif dapat
digunakan untuk menentukan fungsi massa probabilitas dari variabel acak diskrit.
Contoh 3.7
Tentukan probabilitas fungsi massa X dari distribusi kumulatif berikut
fungsi
Gambar 3.3 menampilkan plot Dari plot, satu-satunya poin yang menerima nol
probabilitas 2, 0, dan 2. Fungsi massa probabilitas pada setiap titik adalah
perubahan dalam fungsi distribusi kumulatif pada titik tersebut. Karena itu,
Contoh 3.8
28
Misalkan produksi satu hari dari 850 bagian yang diproduksi mengandung
50 bagian yang tidak sesuai dengan kebutuhan pelanggan. Dua bagian dipilih
secara acak, tanpa penggantian, dari batch. Biarkan variabel acak X sama dengan
jumlah bagian yang tidak sesuai dalam sampel. Apa fungsi distribusi kumulatif X?
Pertanyaannya dapat dijawab dengan terlebih dahulu menemukan fungsi massa
probabilitas X.
Karena itu,
29
Rata-rata dari variabel acak diskrit X adalah rata-rata tertimbang dari nilai
yang mungkin X, dengan bobot sama dengan probabilitas. Jika probabilitas fungsi
massa memuat pada balok panjang dan tipis, titik di mana balok
menyeimbangkan. Karena itu, E(X) menggambarkan "pusat" dari distribusi X
dengan cara yang mirip dengan titik keseimbangan sebuah pemuatan. Lihat
Gambar. 3-5.
Varians dari variabel acak X adalah ukuran dispersi atau sebaran dalam
kemungkinan nilai untuk X. Varian X menggunakan bobot sebagai pengali dari
setiap kuadrat yang mungkin penyimpangan. Gambar 3-5 menggambarkan
distribusi probabilitas dengan rata-rata sama tetapi variasi berbeda. Properti
penjumlahan dan definisi dari dapat digunakan untuk menunjukkan persamaan
formula untuk varian.
Contoh 3.9
Dalam Contoh 3-4, ada kemungkinan bahwa sedikit ditransmisikan melalui
saluran transmisi digital diterima karena kesalahan. Biarkan X sama dengan
jumlah bit yang salah dalam empat bit berikutnya yang dikirimkan. Nilai yang
mungkin untuk X adalah { 0, 1, 2, 3, 4 }. Berdasarkan model untuk kesalahan
30
yang disajikan di bagian berikut, probabilitas untuk nilai-nilai ini akan ditentukan.
Misalkan kemungkinannya adalah
Sekarang :
Meskipun X tidak pernah mengasumsikan nilai 0,4, rata-rata tertimbang dari nilai
yang mungkin adalah 0,4. Menghitung tabel itu mudah.
Formula alternatif untuk varian juga dapat digunakan untuk mendapatkan hasil
yang sama.
Contoh 3.10
Dua desain produk baru harus dibandingkan berdasarkan potensi
pendapatan. Pemasaran merasa bahwa pendapatan dari desain A dapat diprediksi
cukup akurat menjadi $ 3 juta. Itu potensi pendapatan dari desain B lebih sulit
untuk dinilai. Pemasaran menyimpulkan bahwa ada a probabilitas 0,3 bahwa
pendapatan dari desain B akan menjadi $ 7 juta, tetapi ada probabilitas 0,7 bahwa
pendapatan hanya akan menjadi $ 2 juta. Desain mana yang Anda sukai?
31
Misalkan X menyatakan pendapatan dari desain A. Karena tidak ada
ketidakpastian dalam pendapatan dari desain A, kita dapat memodelkan distribusi
variabel acak X dengan $ 3 juta probabilitas 1. Oleh karena itu, jutaan. Biarkan Y
menunjukkan pendapatan dari desain B. Nilai yang diharapkan dari Y dalam
jutaan dolar adalah
Karena E (Y) melebihi E (X), kami mungkin lebih suka desain B. Namun,
variabilitas hasilnya dari desain B lebih besar. Itu adalah,
Karena unit variabel dalam contoh ini adalah jutaan dolar, dan karena varians dari
variabel acak kuadratkan penyimpangan dari rata-rata, unit adalah jutaan dolar
kuadrat. Unit-unit ini membuat interpretasi menjadi sulit. Karena satuan standar
deviasi sama dengan satuan variabel acak, standar deviasi lebih mudah
diinterpretasikan. Dalam contoh ini, kami dapat merangkum hasil kami sebagai
"penyimpangan rata-rata Y dari rata-rata adalah $ 2,29 juta."
Contoh 3.11
Jumlah pesan yang dikirim per jam melalui jaringan komputer memiliki
distribusi berikut:
Tentukan rata-rata dan simpangan baku dari jumlah pesan yang dikirim per jam.
Varians dari variabel acak X dapat dianggap sebagai nilai yang diharapkan dari
suatu spesifik fungsi X, yaitu ,. Secara umum, nilai yang
diharapkan dari setiap fungsi h(X) dari variabel acak diskrit didefinisikan dengan
cara yang sama. Nilai yang Diharapkan dari sebuah
32
Fungsi sebuah Acak Terpisah Variabel Jika X adalah variabel acak diskrit dengan
probabilitas fungsi massa f(x)
Contoh 3.12
Dalam Contoh 3-9, X adalah jumlah bit yang salah dalam empat bit
berikutnya yang dikirimkan. Apakah yang nilai yang diharapkan dari kuadrat dari
jumlah bit yang salah? Sekarang, . Karena i tu,
Dalam contoh sebelumnya, nilai yang diharapkan tidak sama dengan x2. Namun,
dalam kasus khusus yang untuk konstanta a dan b
, Ini dapat ditunjukkan dari sifat-sifat penjumlahan dalam
definisi dalam Persamaan 3.4.
2.5 Distribusi Seragam Diskrit
Variabel acak diskrit paling sederhana adalah variabel yang mengasumsikan
hanya sejumlah kemungkinan yang terbatas nilai, masing-masing dengan
probabilitas yang sama. Variabel acak X yang mengasumsikan masing-masing
nilai dengan probabilitas 1/n yang sama sering kali menarik.
Variabel acak X memiliki distribusi seragam diskrit jika masing-masing nilai n di
jangkauannya, katakanlah memiliki probabilitas yang sama.
Kemudian,
Contoh 3.13
Digit pertama dari nomor seri bagian memiliki kemungkinan yang sama
dengan digit 0 hingga 9. Jika satu bagian dipilih dari batch besar dan X adalah
digit pertama dari nomor seri, X memiliki distribusi seragam diskrit dengan
probabilitas 0,1 untuk setiap nilai dalam Itu adalah
untuk setiap nilai dalam R. Fungsi massa probabilitas X ditunjukkan pada
Gambar. 3-7. Misalkan rentang variabel acak diskrit X adalah bilangan bulat
berurutan sebuah
Rentang X berisi nilai masing-masing dengan probabilitas nilai masing-
masing dengan probabilitas Sekarang,
33
Identitas aljabar dapat digunakan untuk
Varian X adalah
Kemungkinan
fungsi massa untuk a
variabel acak seragam diskrit.
Contoh 3.14
Seperti dalam Contoh 3.1, biarkan variabel acak X menunjukkan jumlah
dari 48 suara yang ada di gunakan pada waktu tertentu. Asumsikan bahwa X
adalah variabel acak seragam diskrit dengan rentang dari 0 hingga 48. Lalu,
Persamaan 3-6 lebih berguna daripada yang mungkin muncul pertama kali. Jika
semua nilai dalam kisaran a variabel acak X dikalikan dengan konstanta (tanpa
mengubah probabilitas), mean dan standar deviasi X dikalikan dengan konstanta.
Anda diminta untuk memverifikasi hasil ini dalam berolahraga. Karena varians
dari variabel acak adalah kuadrat dari deviasi standar, varians X dikalikan dengan
kuadrat konstan.
Contoh 3.15
Biarkan variabel acak Y menunjukkan proporsi dari 48 saluran suara yang
sedang digunakan pada waktu tertentu, dan X menunjukkan jumlah garis yang
sedang digunakan pada waktu tertentu. Kemudian, Y= X/48 dan
34
2.6 Distribusi Binomial
Variabel acak X yang sama dengan angka percobaan yang menghasilkan
kesuksesan adalah binomial
n x
x p 1 p
n x
f for x 0,1,...n (3-7)
x
a
n
a b bnk
n n k
k
k 0
100 99 98 97.96!
100
4 4!96!
100!
4 3 2 1.96!
3, 921, 225
μ = E (X) = np
dan
σ2 = V (X) = np (1-p)
Untuk jumlah bit yang dikirim diterima dalam kesalahan dalam Contoh 3-16, n = 4 dan p
= 0,1. Temukan artinya dan varians dari variabel acak binomial.
35
μ = E(X) = np = 4*0.1 = 0.4
σ = SD(X) = 0.6
Contoh :
Biarkan X menunjukkan jumlah sampel yang dianalisis hingga partikel besar terdeteksi.
Kemudian X adalah variabel acak geometrik dengan parameter p = 0,01.
36
1
EX
p
and
2 V X
1 p
p2
Contoh :
Probabilitas yang sedikit ditransmisikan melalui transmisi digital saluran diterima karena
kesalahan adalah 0,1. Asumsikan bahwa transmisi adalah peristiwa independen, dan
biarkan variabel acak X menunjukkan angka bit yang ditransmisikan hingga kesalahan
pertama. Temukan nilai tengah dan standar deviasi.
yang sama dengan jumlah percobaan hingga r berhasil terjadi adalah variabel acak
binomial negatif dengan
x rx11 p r 1 p
x r
f for x r , r 1, r 2... (3-11)
37
r
EX
p
and
r 1 p
2 V X
p2
Contoh :
Probabilitas bahwa kamera melewati tes tertentu adalah 0,8, dan kamera tampil secara
independen. Berapa probabilitas kegagalan ketiga diperoleh dalam lima atau lebih sedikit
tes?
Biarkan X menunjukkan jumlah kamera yang diuji sampai tiga kegagalan terjadi telah
diperoleh. Peluang yang diminta adalah P (X ≤ 5). Di sini X memiliki distribusi binomial
negatif dengan p = 0,2 dan r = 3. Oleh karena itu,
5
x 1
P ( X 5) 3
(0.2) (0.8)
x 3
x 3 2
3 4
0.23 0.23 (0.8) 0.23 (0.8) 2
2 2
0.056
Sampel ukuran n objek dipilih tanpa penggantian dari objek N secara acak, di mana K ≤
N dan n ≤ N.
f x
x n x
K N K
where x max 0, n K N to min K , n
Nn
(3-13)
38
Batch bagian berisi 100 bagian dari pemasok A dan 200 bagian dari Pemasok B. Jika 4
bagian dipilih secara acak, tanpa penggantian, apa probabilitas bahwa mereka semua
berasal dari Pemasok A?
Berapa probabilitas dua atau lebih suku cadang berasal dari pemasok A?
Berapa probabilitas bahwa setidaknya satu bagian dalam sampel dari Pemasok A?
N n
E X np and 2 V X np 1 p (3-14)
N 1
where p K
N
N n
and is the finite population correction factor.
N 1
2
σ approaches the binomial variance as n /N becomes small.
39
Contoh :
Daftar akun pelanggan di perusahaan besar berisi 1.000 pelanggan. Dari jumlah tersebut,
700 telah membeli setidaknya salah satu produk perusahaan dalam 3 bulan terakhir.
Untuk mengevaluasi produk baru, 50 pelanggan dijadikan sampel acak dari daftar. Berapa
probabilitas yang lebih dari 45 dari pelanggan sampel telah membeli dari perusahaan
dalam 3 bulan terakhir?
Misalkan X menunjukkan jumlah pelanggan dalam sampel yang dimiliki dibeli dari
perusahaan dalam 3 bulan terakhir. Maka X adalah sebuah variabel acak hypergeometrik
dengan N = 1.000, K = 700, n = 50.
P X 45
x 50 x
700 300
50
1,50
000
x 46
Variabel acak X yang sama dengan jumlah acara dalam proses Poisson adalah
sebuah Variabel acak poisson dengan parameter λ> 0, dan fungsi kepadatan probabilitas
adalah:
e x
f x for x 0,1, 2, 3,... (3-16)
x!
Untuk kasus kawat tembaga tipis, anggap saja itu jumlah cacat mengikuti distribusi
Poisson dengan rata-rata 2,3 cacat per mm. Temukan probabilitas tepat 2 cacat dalam 1
mm kawat.
Jawab:
Jawaban:
40
Misalkan X menunjukkan jumlah kekurangan pada kawat 5 mm.
dari kawat.
Jawaban:
III. Latihan
A. Chapter 2
c= gagal terkoneksi
b = dapat terkoneksi
Solusi nya :
41
Asumsikan : 3 bagian itu akan muncul
42
A B
C. (A∩B) U C
Persimpangan antara A dan B dan semua kejadian di wilayah C
D. (B U C)’
setiap peristiwa yang tidak dalam b atau dalam c
E. (A∩B)’ U C
setiap acara yang tidak berada di persimpangan antara A dan B dan semua
acara di C juga
43
A B
a.A’ b. A ∩ B
c. (A∩B) U C d. (B U C)’
e.(A∩B)’ U C
2.20 Tiga peristiwa ditampilkan pada diagram Venn di gambar berikut:
44
Selesaikan menaungi daerah yang sesuai masing-masing dari peristiwa berikut.
a. A’
b. (A∩B) U (A∩B’)
c. (A∩B) U C
d. (B U C)’
e. (A∩B)’ U C
Jawaban
a. A’ b . (A∩B) U (A∩B’)
c. (A∩B) U d. (B U C)’
e . (A∩B)’ U C
45
2.38. Ruang sampel berisi 20 hasil yang kemungkinan sama. Jika probabilitas
kejadian A adalah 0,3, berapa banyak hasil dalam acara A?
Solusinya: Probabilitas adalah rasio hasil yang menguntungkan dengan hasil total
Jika probability nya 0.3 adan tpatal yang akan keluar sebanyak 20
𝑿
P (A) = 0.3= 𝟐𝟎
X = 20 x 0.3
X=6
Dipastikan lagi
6 keluar dari 20
𝟔
= 𝟐𝟎
𝟑
= 𝟏𝟎
=0.3
2.45 Disk plastik polikarbonat dari pemasok dianalisis untuk tahan gores dan
guncangan. Hasil dari 100 disk diringkas sebagai berikut:
a) P(A)
b) P(B)
c) P(A’)
46
d) P(A ∩B)
e) P (A U B)
f) P(A’ U B)
Penyelesaian :
86
a. P (A) = 100 = 0.86
79
b. P(B) =100 = 0.79
14
c. P (A’) = 100 = 0.14
70
d. P (A ∩ B) =100 = 0.70
70+9+16
e. P (A U B) = 0.95
100
70+9+5
f. P(A’ U B) = 0.84
100
B. Chapter 3
2x 1
3.17 f ( x) x = 0,1,2,3
25
Jawab
9
P (x=4) = f(4)=
25
1 3 4
P (X<1) = F(0)+F(1)=
25 25
5 7 12
P (2<X<4) = F(2)+F(3)
25 25
P (X>-10) = F(0)+F(2)+F(3)+F(4)=1
47
Jawaban
F(5)= P( X = 5) = 0.3
3.20 Produsen disk drive memperkirakan bahwa dalam lima tahun perangkat
penyimpanan dengan kapasitas 1 terabyte akan terjual dengan kemungkinan 0,5
perangkat penyimpanan dengan kapasitas 500 gigabytes akan terjual dengan
probabilitas 0,3 dan perangkat penyimpanan dengan kapasitas 100 gigabytes akan
terjual dengan probabilitas 0,2. pendapatan yang terkait dengan penjualan pada
tahun itu masing-masing diperkirakan $ 50 juta $ 25 juta dan $ 10 juta. biarkan x
menjadi pendapatan perangkat penyimpanan selama tahun itu. menentukan
probabilitas fungsi massa x
Jawab
Probabilitas fungsi : X 10 25 50
f(25)= p(x=25)=0.3
F(50)= p(x=10)=0.2
3.21 Sistem inspeksi optik adalah untuk membedakan antara jenis bagian yang
berbeda, probabilitas klasifikasi yang benar dari bagian mana pun adalah 0,98.
misalkan tiga bagian diperiksa dan klasifikasi itu independen. biarkan variabel
acak x menunjukkan jumlah bagian yang diklasifikasikan dengan benar.
menentukan probabilitas fungsi massa x
Jawab
48
F(1) = (3 x 0.98 x (0.02)(0.02)= 0.00176
P( x = 0 ) = 0.00008
P( x = 1) = 0.00176
P( x = 2) = 0.0576
P( x = 3) = 0.941192
3.22 Dalam proses pembuatan semikonduktor, tiga wafer dari banyak diuji,
masing-masing wafer digolongkan sebagai pas atau gagal, dengan asumsi bahwa
kemungkinan wafer yang lulus tes adalah 0,8 dan wafer itu independen.
menentukan probabilitas fungsi massa dari jumlah wafer dari banyak yang lulus
tes
P(x=2)=3(0.2)(0.8)(0.8)= 0.384
P(x=3)=(0.8)(0.8)(0.8)= 0.512
X 1 2 3 4
P 0.008 0.096 0.384 0.512
Jawab
49
F(15)= P( X = 15) = 0.6
F(5)= P( X = 5) = 0.3
3.24 sebuah perakitan terdiri dari dua komponen mekanis misalkan probabilitas tge yang
memenuhi spesifikasi komponen pertama dan kedua adalah 0,95 dan 0,98. anggap bahwa
komponennya independen. menentukan probabilitas fungsi massa dari jumlah komponen dalam
perakitan yang memenuhi spesifikasi
Jawab
Range yang digunakan x = (0,1,2)
Probabilitas komponen 1 = 0.95
Probabilitas komponen 2 = 0.98
P(not a ) = 1 - P(a)
P( x = 0 ) = 0.05 x 0.02 = 0.001
P( x = 1 ) = (0.95 x 0.02 + 0.05 x 0.98 ) = 0.68
P( x = 2 ) = (0.98 x 0.95 )= 0.931
3.25 sebuah perakitan terdiri dari tiga komponen mekanis, anggaplah bahwa probabilitas
probabilitas bahwa komponen pertama, kedua dan ketiga memenuhi spesifikasi adalah 0,95, 0,98,
0,99 dengan asumsi bahwa komponen tersebut independen. menentukan probabilitas fungsi massa
dari jumlah komponen dalam perakitan yang memenuhi spesifikasi
P( X = 0) = 0.001
P( X = 1) = 0.068
P( X = 2) = 0.931
50
Soal kelompok
Halaman 32
2.42 Sebuah kartu kredit berisi 16 digit antara 0 dan 9. Namun, hanya
100.000.000 angka yang valid. Jika nomor dimasukkan secara acak, apa
probabilitas bahwa itu adalah nomor yang valid ?
Jawab
3.11 Sekelompok 10.000 orang diuji untuk gen yang disebut Ifi202 yang telah
ditemukan untuk meningkatkan risiko untuk Lupus. Variabel acak adalah jumlah
orang yang membawa gen.
Jawaban
a. P = X/N
= 1.5/10000 = 0.00015
b. P = X/N
X= 0.6
P= 0.6/10000=0.0006
c. P = 3/10000 =0.0003
d. P =
e. P untuk X= 0
P=0/10000= 0
P untuk X= 2
P= 2/10000=0.0002
51
P=0+0.0002=0.0002
Soal bersama
2.30 Sampel dua item yang dipilih tanpa penggantian dari batch. Menjelaskan
ruang sampel (memerintahkan) untuk masing-masing batch berikut ini:
Solusi
a) S = {ab,ac,ad,ba,bc,bd,ca,cb,cd}
b) S = {ab,ac,ad,ae,af,ag,ba,bc,bd,be,bf,bg,
ca,cb,cd,ce,cf,cg,da,db,dc,de,df,dg,ea,eb,
ec,ed,ef,eg,fa,fb,fc,fd,fe,fg,ga,gb,gc,gd,ge,gf}
c) S = { DD,DG,GD,GG}
d) S = { DG,GD,GG}
2.32 Jumlah halaman web yang disediakan oleh masing-masing dua server
komputer di jam yang dipilih pada hari dicatat. Biarkan A menunjukkan peristiwa
bahwa setidaknya 10 halaman yang disediakan oleh server 1 dan membiarkan B
menunjukkan peristiwa yang setidaknya 20 halaman yang disediakan oleh server
2. (a) jelaskan ruang sampel untuk jumlah halaman untuk dua server secara grafis.
Perlihatkan setiap peristiwa berikut pada grafik ruang sampel: (b) A (c) B (d) (e)
2.29 Waktu naik reaktor diukur dalam menit (dan fraksi menit). Biarkan ruang
sampel menjadi positif, nyata angka. Tentukan peristiwa A dan B sebagai berikut
A = {x I x < 72.5} dan B = {x I x > 52.5}
Gambarkan tiap pertistiwa berikut
a) A
b) A ∩ B
52
c) B
d) A U B
Solusi
A = {x I x < 72.5} dan B = {x I x > 52.5}
a) A’ = { x l x ≥ 72.5}
b) B’ = { x l x ≤ 52.5}
c) A∩ B = { x l 52.5 < x<72.5}
d) A U B = { x l < 72.5 x ≥ 72.5}
2.31 Sampel dari dua papan sirkuit tercetak dipilih tanpa penggantian dari batch.
Jelaskan (dipesan) ruang sampel untuk masing-masing kumpulan berikut:
(a) Batch berisi 90 papan yang tidak rusak, 8 papan dengan cacat minor, dan 2
papan dengan mayor cacat.
(B) Batch berisi 90 papan yang tidak rusak, 8 papan dengan cacat minor, dan 1
papan dengan mayor cacat.
Solusi
a) S = {NN,Nm,NM,Mn,mM,mm,Mn,Mm,MM }
b) S = {NN,Nm,NM,mN,mM,mm,MN,Mm}
N = Non defective
M = Major Defect
m = based with minor defect
2.33 Waktu naik reaktor diukur dalam menit (dan sebagian kecil dari menit).
Biarkan ruang sampel untuk kenaikan waktu setiap bets menjadi positif, bilangan
real. Mempertimbangkan naiknya waktu dua batch. Biarkan A menunjukkan acara
bahwa
naiknya waktu batch 1 kurang dari 72,5 menit, dan biarkan B menunjukkan
kejadian bahwa kenaikan waktu batch 2 lebih besar dari 52,5 menit.
53
Jelaskan ruang sampel untuk waktu naik dua batch grafis dan menunjukkan
masing-masing peristiwa berikut secara dua dimensi merencanakan
a) A’
b) A ∩ B
c) B’
d) A U B
Solusi
54
3.21 Sistem inspeksi optik adalah untuk membedakan di antara berbagai jenis
bagian. Probabilitas yang benar Klasifikasi bagian mana pun adalah 0,98.
Misalkan tiga bagian
diperiksa dan bahwa klasifikasinya independen. Biarkan variabel acak X
menunjukkan jumlah bagian itu diklasifikasikan dengan benar. Tentukan massa
probabilitas fungsi X.
Solusi
P(X=0) (0.2)3 = 0.008
P(X=1) 3(0.2)(0.8)(0.2) = 0.096
P(X=2) 3(0.2)(0.8)(0.8) = 0.384
P(X=3) (0.8)(0.8)(0.8) = 0.512
3.22 Dalam proses pembuatan semikonduktor, tiga wafer dari banyak yang diuji.
Setiap wafer diklasifikasikan sebagai lulus atau gagal. Asumsikan bahwa
probabilitas seorang wafer lulus tes adalah 0,8 dan wafer itu independen.
Tentukan probabilitasnya fungsi massa jumlah wafer dari banyak yang lulus ujian.
Solusi
P[X=0] = 0.008
P[X=1] = 0.096
P[X=2] =0.384
P[X=3] = 0.512
55
f(5) = P(X=5) = 0.3
f(-0.5) = P(X=-0.5) = 0.1
3.24 Perakitan terdiri dari dua komponen mekanis. Misalkan probabilitas bahwa
komponen pertama dan kedua memenuhi spesifikasi adalah 0,95 dan 0,98.
Asumsikan bahwa komponen independen. Tentukan massa probabilitas fungsi
jumlah komponen dalam perakitan itu memenuhi spesifikasi
Solusi
P(X=0) = 0.001
P(X=1) = 0.068
P(X=2) = 0.931
3.25 Perakitan terdiri dari tiga komponen mekanis. Misalkan probabilitas bahwa
yang pertama, kedua, dan ketiga komponen yang memenuhi spesifikasi adalah
0,95, 0,98, dan 0,99. Asumsikan bahwa komponennya independen. Tentukan
fungsi massa probabilitas dari jumlah komponen dalam perakitan yang memenuhi
spesifikasi
Solusi
(a) P(A) = 86/100 = 0.86
56
BAB III
PENUTUP
3.1 Kesimpulan
Probabilitas didefinisikan sebagai peluang atau kemungkinan suatu kejadian,suatu
ukuran tentang kemungkinan atau derajat ketidakpastian suatu peristiwa event
yang akan terjadi di masa mendatang Sebuah contoh sederhana adalah jika
sebuah koin dilempar, maka akan sulit untuk memastikan bahwa muka gambar
atau muka angka yang berada di atas, jadi dalam kehidupan kita
sehari-hari kita tidak lepas dari probabilitas
3.2 Saran
Kami berharap seluruh mahasiswa teknik kimia Universitas Bung Hatta,
khususnya bagi kami agar semakin berkembang alasan tentang Konsep
Probabilitas dalam teori pengambilan keputusan dan berharap saran yang
membangun
57