BAB I

PENDAHULUAN

1.1 Latar Belakang

Probabilitas atau peluang adalah cara untuk mengungkapkan pengetahuan

atau kepercayaan bahwa suatu kejadian akan berlaku atau telah terjadi. Konsep ini
telah dirumuskan dengan lebih ketat dalam matematika, dan kemudian digunakan
secara lebih luas tidak hanya dalam matematika atau statistika, tetapi juga
keuangan, sains dan filsafat.

Probabilitas juga didifinisikan sebagai peluang atau kemungkinan suatu

kejadian, suatu ukuran tentang kemungkinan atau derajat ketidakpastian suatu
peristiwa (event) yang akan terjadi di masa mendatang. Rentangan probabilitas
antara 0 sampai dengan 1. Jika kita mengatakan probabilitas sebuah peristiwa
adalah 0, maka peristiwa tersebut tidak mungkin terjadi. Dan jika kita mengatakan
bahwa probabilitas sebuah peristiwa adalah 1 maka peristiwa tersebut pasti
terjadi. Serta jumlah antara peluang suatu kejadian yang mungkin terjadi dan
peluang suatu kejadian yang mungkin tidak terjadi adalah satu, jika kejadian
tersebut hanya memiliki 2 kemungkinan kejadian yang mungkin akan terjadi.

Probabilitas adalah kemungkinan yang dapat terjadi dalam suatu peristiwa.

Dalam kehidupan sehari-hari sulit untuk mengetahui dengan “pasti” apa yang
akan terjadi pada waktu yang akan datang, baik dalam jangka pendek maupun
jangka panjang.

Oleh karena itu, untuk mengetahui suatu kemungkinan maka dipelajari lah
teknik probabilitas ini untuk mengetahui segala kemungkinan yang akan terjadi.

1.2 Rumusan Masalah

1. Apa itu probabilitas ?

2. Apa saja pembagian probabilitas ?

3. Apa saja variabel acak dan distribusi probabilitas ?

1
1.3 Tujuan Penulisan

1. Mengetahui pengertian probabilitas

2. Mengetahui variabel acak dan distribusi probabilitas

2
 BAB II

PEMBAHASAN

II. Probabilitas

2.1 Sample Spaces And Events

2-1.1 Eksperimen Acak

Eksperimen yang dapat menghasilkan hasil yang berbeda, meskipun

diulangi dengan cara yang sama setiap kali, disebut eksperimen acak.
Jika kita mengukur arus dalam kawat tembaga tipis, kita sedang melakukan
percobaan. Namun, dalam pengulangan pengukuran sehari-hari hasilnya sedikit
berbeda karena kecil variasi dalam variabel yang tidak dikontrol dalam percobaan
kami, termasuk perubahan dalam lingkungan suhu, sedikit variasi dalam pengukur
dan pengotor kecil dalam komposisi kimia kawat jika lokasi yang berbeda dipilih,
dan sumber arus melayang. Akibatnya, percobaan ini (dan juga banyak yang kita
lakukan) dikatakan memiliki komponen acak. Dalam beberapa kasus, variasi acak,
cukup kecil, relatif terhadap sasaran eksperimental kami, sehingga dapat
dihasilkan diabaikan. Namun, tidak peduli seberapa hati-hati eksperimen kami
dirancang dan dilakukan, the variasi hampir selalu ada, dan besarnya bisa cukup
besar yang penting kesimpulan dari percobaan kami tidak jelas. Dalam kasus ini,
metode yang disajikan dalam hal ini buku untuk memodelkan dan menganalisis
hasil eksperimen cukup berharga.
Tujuan kami adalah untuk memahami, mengukur, dan memodelkan jenis
variasi yang sering kami lakukan pertemuan. Ketika kita memasukkan variasi ke
dalam pemikiran dan analisis kita, kita dapat membuatnya penilaian berdasarkan
informasi dari hasil kami yang tidak dibatalkan oleh variasi. Model dan analisis
yang memasukkan variasi tidak berbeda dari model yang digunakan di area lain
teknik dan sains. Gambar 2-1 menampilkan komponen-komponen penting. A
matematika model (atau abstraksi) dari sistem fisik dikembangkan. Itu tidak harus
menjadi abstraksi yang sempurna. Sebagai contoh, hukum Newton bukan
deskripsi sempurna tentang alam semesta fisik kita. Tetap saja mereka model yang
berguna yang dapat dipelajari dan dianalisis untuk mengukur kinerja a berbagai

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.

Gambar 2.1. Iterasi Gambar 2.2 Variabelkebisingan

berkelanjutan antara model mempengaruhi transformasi input ke
dan sistem fisik. output.

Gambar 2.3 Pemeriksaan Gambar 2.4 Variasi menyebabkan

sistem lebih dekat gangguan pada sistem.
mengidentifikasi
penyimpangan dari model.
Lihat Gambar. 2-3. Sebagai contoh lain, dalam perancangan sistem
komunikasi, seperti komputer atau jaringan komunikasi suara, kapasitas informasi
yang tersedia untuk individu yang menggunakan layanan jaringan merupakan
pertimbangan desain yang penting. Untuk komunikasi suara, cukup saluran

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.

Lihat Gambar 2-4. Sebuah sistem dirancang tanpa mempertimbangkan

variasi akan sangat tidak memadai untuk penggunaan praktis. Model kami untuk
jumlah dan durasi panggilan perlu memasukkan variasi sebagai komponen
integral. Sebuah analisis model termasuk variasi penting untuk desain sistem
telepon.

2-1.2 Ruang Sampel

Himpunan semua hasil yang mungkin dari percobaan acak. Ruang sampel
dilambangkan sebagai S.
Untuk memodelkan dan menganalisis eksperimen acak, kita harus
memahami serangkaian hasil yang mungkin dari percobaan. Dalam pengantar
probabilitas ini, kami menggunakan dasar konsep dasar set dan operasi pada set.
Diasumsikan bahwa pembaca sudah terbiasa dengan ini topik. Ruang sampel
sering didefinisikan berdasarkan tujuan analisis.
Contoh 2.1
Pertimbangkan percobaan di mana Anda memilih bagian plastik yang
dicetak, seperti konektor, dan mengukur ketebalannya. Nilai yang mungkin untuk
ketebalan tergantung pada resolusi pengukuran instrumen, dan mereka juga
bergantung pada batas atas dan bawah untuk ketebalan. Namun demikian

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.

Dua peristiwa, dilambangkan sebagai E1 dan E2, sedemikian rupa sehingga

membentuk persamaan:

yang dapat dikatakan saling eksekutif .

Hasil tambahan yang melibatkan acara dirangkum di bawah ini. Definisi

pelengkap suatu peristiwa menyiratkan hal itu.

Hukum distributif untuk operasi tertentu menyatakan

Hukum De Morgan menyatakan

Dan juga

8
 2.2 Interprestasi Probabilitas

2-2.1 Pendahuluan

Pada bagian memperkenalkan probabilitas untuk ruang sampel diskrit —

yang hanya memiliki serangkaian hasil yang terbatas (atau tak terhingga).
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 kita tentang kemungkinan hujan. Kemungkinan hasil diukur
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 untuk eksperimen acak sering diberikan berdasarkan 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
menginterpretasikan 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. Setiap kali ruang sampel terdiri dari N hasil yang
mungkin yang kemungkinannya sama, probabilitas setiap hasil adalah 1 N. 30
dioda yang memenuhi persyaratan pelanggan. Karena E berisi 30 hasil dan setiap
hasil memiliki probabilitas 0,01, kami menyimpulkan bahwa probabilitas E adalah

9
0,3. Kesimpulannya cocok dengan intuisi kita. Gambar 2-10 menggambarkan
contoh ini.

Untuk ruang sampel diskrit, probabilitas peristiwa E, dilambangkan sebagai

P (E), sama dengan jumlah probabilitas hasil di E.

Contoh soal 2.3

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
peristiwa {a, b}, B acara {b, c, d}, dan C acara {d}.

Lalu,

Juga, P(A’) = 0.6 , P(B’) = 0.1 , dan P(C’) = 0.9

Karena A ∩ B = {b}, P (A ∩ B) = Karena A U B = {a,b,c,d},

P(A U B) = 0.1+0.3+0.5+0.1 = 1. Karena A ∩ C ,dengan set nol P (A∩C) = 0

2-2.2 Kebenaran Peluang

Sekarang probabilitas dari suatu peristiwa telah ditentukan, kita dapat

mengumpulkan asumsi bahwa kita telah membuat probabilitas tentang
serangkaian aksioma bahwa probabilitas dalam sembarang acak Eksperimen harus
memuaskan. Aksioma memastikan bahwa probabilitas ditetapkan dalam

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

Properti itu setara dengan persyaratan bahwa frekuensi relatif

harus antara 0 dan 1. Properti itu P (S)= 1 adalah konsekuensi dari fakta 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 di adalah

jumlah dari frekuensi relatif dari hasil di E1 dan E2.

Dari persamaan didapatkan hasil berikut. Derivasi dibiarkan sebagai latihan

di akhir bagian ini. Sekarang, dan untuk setiap acara E

Sebagai contoh, jika probabilitas peristiwa E adalah 0,4, interpretasi kami

tentang frekuensi relatif menyiratkan bahwa probabilitas E’ adalah 0,6.
Selanjutnya, jika acara E1 terkandung dalam acara E2,

2.3 Addition Rules

Peristiwa gabungan dihasilkan dengan menerapkan operasi set dasar untuk

peristiwa individual. Serikat acara,seperti persimpangan acara, seperti
dan pelengkap acara, seperti A’biasanya menarik. Probabilitas acara

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

Tabel 2-1 mencantumkan riwayat 940 wafer dalam proses pembuatan

semikonduktor. Seharusnya satu wafer dipilih secara acak. Biarkan H
menunjukkan acara yang mengandung wafer tingkat tinggi kontaminasi.
Kemudian, P(H) = 358/940.

Bila C menunjukkan kejadian bahwa wafer berada di tengah-tengah alat

sputtering. Kemudian, P(C) = 626/940. Juga, P(H U C) adalah probabilitas bahwa
wafer berasal dari pusat sputtering alat dan mengandung kontaminasi tingkat
tinggi. Karena itu

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

P(H U C) = P(H) + P(C) - P(H ∩ C)

= 358/940 + 626/940 – 112/940 =872/940

Contoh sebelumnya menggambarkan bahwa probabilitas A atau B

ditafsirkan sebagai P (A U B) dan bahwa aturan penambahan umum berikut ini
berlaku.

P (A U B) = P(A) + P(B) – P(A∩B) (2-1)

12
 Tabel 2.1 Wafer di Klasifikasi Pabrikan Semikonduktor oleh Kontaminasi dan
Lokasi

2.4 Probabilitas Kondisi

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%.

Dalam proses pembuatan, 10% bagian mengandung cacat permukaan yang

terlihat dan 25% bagian-bagian dengan cacat permukaan adalah (secara
fungsional) bagian yang rusak. Namun, hanya 5% dari bagian tanpa cacat
permukaan adalah bagian yang rusak. Probabilitas bagian yang cacat tergantung
pada pengetahuan kita ada tidaknya cacat permukaan.

Contoh-contoh ini menggambarkan bahwa probabilitas perlu dievaluasi

kembali sebagai informasi tambahan menjadi tersedia. Notasi dan detail
diilustrasikan lebih lanjut untuk contoh ini.

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.

Hasil-hasil ini ditunjukkan secara grafis pada Gambar 2-12

Gamabar 2.12 Peluang bersyarat untuk bagian dengan cacat permukaan.

Contoh 2.5

Tabel 2-3 memberikan contoh 400 bagian yang diklasifikasikan berdasarkan

cacat permukaan dan (secara fungsional) cacat. Untuk tabel ini probabilitas
bersyarat cocok dengan yang dibahas sebelumnya dalam hal ini bagian. Misalnya,

14
dari bagian dengan cacat permukaan (40 bagian) jumlah yang rusak adalah 10.
Karena itu,

P(D|F) = 10/40 = 0.25

dan dari bagian tanpa cacat permukaan (360 bagian) jumlah yang rusak
adalah 18. Oleh karena itu,

P(D|F’) = 18/360 = 0.05

Dalam Contoh 2-16 probabilitas bersyarat dihitung secara langsung.

Probabilitas ini juga dapat ditentukan dari definisi formal probabilitas bersyarat.

Probabilitas kondisional dari peristiwa B yang diberikan peristiwa A,

dinyatakan sebagai, adalah P (A|B) adalah

P (A|B) = P (A ∩ B)/ P(A) (2.2)

Untuk P(A) > 0

Definisi ini dapat dipahami dalam kasus khusus di mana semua hasil
percobaan acak sama-sama mungkin. Jika ada n hasil total,

P(A)=( jumlah hasil di A)/n

Juga,

P (A ∩ B) = (jumlah hasil di A ∩ B)/n

Oleh karena itu

𝑗𝑢𝑚𝑙𝑎ℎ 𝑎𝑛𝑔𝑘𝑎 𝑑𝑎𝑟𝑖 A ∩ B

P (A ∩ B)/ P(A) = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑎𝑛𝑔𝑘𝑎 𝑑𝑎𝑟𝑖 𝐴

Gambar 3.13 Diagram pohon untuk bagian yang diklasifikasikan

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

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐵|𝐴)𝑃(𝐴) = 𝑃(𝐴|𝐵)𝑃(𝐵) (2 − 6)

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

𝑃(𝐶 ∩ 𝑇) = 𝑃(𝐶|𝑇)𝑃(𝑇) = 0.7𝑥0.05 = 0.035

2-5.2 Total Probability Rule

Aturan multiplikasi 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
proses produksi tertentu, 20% dari chip tersebut terkena tingkat kontaminasi yang
tinggi. Berapa probabilitas bahwa suatu produk menggunakan salah satu dari chip
ini gagal? 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

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.

gambar 2.14 mempartisi sebuah

peristiwa menjadi dua yang saling gambar 2.14 mempartisi sebuah
eksklusif peristiwa menjadi dua yang saling
eksklusif
Total Probability Rule (dua peristiwa)

Untuk acara A dan B,

Contoh 2.21

Pertimbangkan pembahasan 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,

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:

Dalam menjalankan produksi tertentu, 20% dari chip dikenai tingkat

kontaminasi yang tinggi, 30% hingga kontaminasi tingkat menengah, dan 50%

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,

Juga, probabilitas bahwa kedua bagian tersebut rusak 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

contoh sebelumnya menggambarkan kesimpulan berikut. Dalam kasus khusus itu

kami memperoleh

Kesimpulan ini mengarah pada definisi penting.

Definisi dua peristiwa bersifat independen jika salah satu dari pernyataan
ekivalen berikut ini benar:

20
Ini dibiarkan sebagai latihan yang memperluas pikiran untuk menunjukkan bahwa
kemandirian menyiratkan 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 independensi tergantung pada model probabilitas yang digunakan untuk
eksperimen acak. Seringkali, independensi diasumsikan sebagai bagian dari
eksperimen acak yang menggambarkan sistem fisik yang diteliti.

2.7 Teorema Bayes

Dalam beberapa contoh, kami tidak memiliki tabel informasi lengkap
seperti bagian-bagian pada Tabel 2-3. Kita mungkin tahu satu probabilitas
bersyarat tetapi ingin menghitung yang berbeda. Dalam masalah kontaminasi
semikonduktor dalam Contoh 2-22, kita dapat menanyakan hal berikut: Jika chip
semikonduktor dalam produk gagal, berapakah probabilitas bahwa chip tersebut
terkena kontaminasi tingkat tinggi? Dari definisi probabilitas bersyarat

Sekarang mempertimbangkan istilah kedua dan terakhir dalam ungkapan di atas,

kita dapat menulis

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

Dari teorema bayes

2.8 Variabel Acak

Variabel acak adalah fungsi yang menetapkan bilangan real untuk setiap
hasil dalam ruang sampel percobaan acak. Variabel acak dilambangkan dengan
huruf besar seperti X. Setelah percobaan dilakukan, nilai yang diukur dari variabel
acak dilambangkan dengan huruf kecil seperti miliampere x 70.
Kadang-kadang pengukuran (seperti arus dalam kawat tembaga atau
panjang bagian mesin) dapat mengasumsikan nilai apa pun dalam interval
bilangan real (setidaknya secara teoritis). Maka presisi sewenang-wenang dalam
pengukuran dimungkinkan. Tentu saja, dalam praktiknya, kita mungkin
membulatkan ke sepuluh atau seratus unit terdekat. Variabel acak yang mewakili
pengukuran ini dikatakan sebagai variabel acak kontinu. Rentang variabel acak
mencakup semua nilai dalam interval bilangan real; artinya, rentang dapat

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.

II. Variabel Acak Terpisah dan Distribusi Probabilitas

2.1 Variabel Acak Diskrit

Banyak sistem fisik dapat dimodelkan dengan eksperimen acak dan variabel
acak yang sama atau serupa. Distribusi variabel acak yang terlibat dalam masing-
masing persamaan ini dapat dianalisis, dan hasil analisis itu dapat digunakan
dalam aplikasi yang berbeda dan contoh. Dalam bab ini, kami menyajikan analisis
beberapa percobaan acak dan variabel acak diskrit yang sering muncul dalam
aplikasi. Kami sering menghilangkan diskusi tentang ruang sampel yang
mendasari percobaan acak dan langsung menggambarkan distribusi dari variabel
acak tertentu.

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

Variabel acak sangat penting dalam percobaan acak yang kadang-kadang

pada dasarnya mengabaikan ruang sampel asli, percobaan dan fokus pada
distribusi probabilitas variabel acak. Misalnya, dalam Contoh 3-1, analisis kami
mungkin berfokus secara eksklusif bilangan bulat {0, 1,. . . , 48} dalam kisaran X.
Dalam Contoh 3-2, kita dapat merangkum percobaan acak dalam tiga
kemungkinan nilai X, yaitu {0, 1, 2}. Dengan cara ini, a variabel acak dapat
menyederhanakan deskripsi dan analisis percobaan acak. Distribusi probabilitas
variabel acak X adalah deskripsi probabilitas terkait dengan nilai yang mungkin
dari X. Untuk variabel acak diskrit, distribusinya adalah sering ditentukan hanya
dengan daftar nilai-nilai yang mungkin bersama dengan probabilitas masing-
masing. Dalam beberapa kasus, lebih mudah untuk mengekspresikan probabilitas
dalam hal formula.

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 }

Pertimbangkan beberapa kasus khusus. Kami punya , menggunakan asumsi

independensi

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,

Contoh 3.6 menunjukkan bahwa kadang-kadang berguna untuk dapat

memberikan probabilitas kumulatif seperti dan bahwa probabilitas tersebut dapat
digunakan untuk menemukan massa probabilitas fungsi variabel acak. Oleh
karena itu, menggunakan probabilitas kumulatif adalah alternatif metode
menggambarkan distribusi probabilitas dari variabel acak. Secara umum, untuk
setiap variabel acak diskrit dengan nilai yang mungkin
acara saling eksklusif. Karena itu,
Fungsi distribusi kumulatif dari variabel acak diskrit X,
dinotasikan sebagai F(x) adalah

Untuk variabel acak diskrit X, memenuhi properti berikut.

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,

2.4 Mean dan Variasi Random Variabel Diskrit

Dua angka sering digunakan untuk merangkum distribusi probabilitas untuk
variabel acak X. Mean adalah ukuran pusat atau tengah dari distribusi
probabilitas, dan varians adalah ukuran dispersi, atau variabilitas dalam distribusi.
Dua langkah ini tidak secara unik mengidentifikasi distribusi probabilitas.
Artinya, dua distribusi yang berbeda dapat memiliki mean dan varians yang sama.
Namun, langkah-langkah ini adalah ringkasan yang berguna dan sederhana dari
distribusi probabilitas X.
Nilai rata-rata atau yang diharapkan dari variabel acak diskrit X,
dilambangkan apa adanya

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

menyederhanakan hasilnya Derivasi varians dibiarkan sebagai

latihan. Misalkan X adalah variabel acak seragam diskrit pada bilangan bulat
berurutan Mean X adalah

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

variabel acak dengan parameter 0 <p <1 dan n = 1, 2, ....

Fungsi massa probabilitas adalah:

n x
 x    p 1  p 
n x
f for x  0,1,...n (3-7)
 x

Untuk konstanta a dan b, ekspansi binomial adalah

  a
n
a  b  bnk
n n k
k
k 0

Exercises in binomial coefficient calculation:

10  9  8  7!
 103   3!7!
10!

3  2 1  7!
 120

15 14 13 12 11.10!

   10!5!
15
10
15!

10!.5  4  3  2 1
 3, 003

100  99  98  97.96!
 100
4   4!96!
100!

4  3  2 1.96!
3, 921, 225

Rata-Rata Binomial dan Varians

Jika X adalah variabel acak binomial dengan parameter p dan n,

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

σ2 = V(X) = np(1-p) = 4*0.1*0.9 = 0.36

σ = SD(X) = 0.6

2.7 Distribusi Geometris

Distribusi binomial mencakup:

 Memperbaiki jumlah percobaan.

 Jumlah keberhasilan acak.

Distribusi geometris memiliki peran terbalik:

 Jumlah percobaan acak.

 Memperbaiki jumlah keberhasilan, dalam hal ini 1.

Fungsi kepadatan probabilitas distribusi Geometrik adalah

f (x) = p (1-p) x-1

x = 1, 2, ...∞, jumlah kegagalan hingga keberhasilan pertama. 0 <p <1, probabilitas

keberhasilan.

Contoh :

Probabilitas bahwa wafer mengandung partikel besar kontaminasi adalah 0,01.

Asumsikan bahwa wafer adalah independen. Berapa probabilitas tepatnya 125 wafer
perlu dianalisis sebelum partikel terdeteksi?

Biarkan X menunjukkan jumlah sampel yang dianalisis hingga partikel besar terdeteksi.
Kemudian X adalah variabel acak geometrik dengan parameter p = 0,01.

P (X = 125) = (0,99) 124 (0,01) = 0,00288.

Rata-Rata Geometris Dan Varians

Jika X adalah variabel acak geometrik dengan parameter p,

36
 1
  EX  
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.

Mean = μ = E(X) = 1 / p = 1 / 0.1 = 10

Varians = σ2 = V(X) = (1-p) / p2 = 0.9 / 0.01 = 90

Standard deviation = 90 = 9.49

Distribusi Binomial Negatif

Dalam serangkaian uji coba independen dengan konstan probabilitas keberhasilan

p, variabel acak X

yang sama dengan jumlah percobaan hingga r berhasil terjadi adalah variabel acak
binomial negatif dengan

parameter 0 <p <1 dan r = 1, 2, 3, ....

Fungsi massa probabilitas adalah:

 x    rx11  p r 1  p 
x r
f for x  r , r  1, r  2... (3-11)

Rata-rata dan Varians dari Binomial Negatif

Jika X adalah variabel acak binomial negatif dengan parameter p dan r,

37
 r
  EX  
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

2.8 Distribusi Hypergeometric

Satu set objek N berisi:

 Objek K diklasifikasikan sebagai sukses

 Objek N - K diklasifikasikan sebagai kegagalan

Sampel ukuran n objek dipilih tanpa penggantian dari objek N secara acak, di mana K ≤
N dan n ≤ N.

Biarkan variabel acak X menunjukkan jumlah keberhasilan dalam sampel. Kemudian X

adalah variabel acak hipergeometrik dengan fungsi kerapatan probabilitas

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?

Biarkan X sama dengan jumlah bagian dalam sampel 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?

Hypergeometric Mean & Varians

Jika X adalah variabel acak hipergeometrik dengan parameter N, K, dan n, lalu

 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

2.9 Poisson Distribution

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:

Biarkan X menunjukkan jumlah kekurangan dalam 1 mm kawat

Tentukan probabilitas 10 cacat dalam 5 mm kawat.

Jawaban:

40
Misalkan X menunjukkan jumlah kekurangan pada kawat 5 mm.

Tentukan probabilitas setidaknya 1 cacat dalam 2 mm

dari kawat.

Jawaban:

Biarkan X menunjukkan jumlah kekurangan dalam 2 mm kawat. Perhatikan bahwa P (X

≥ 1) membutuhkan istilah ∞

III. Latihan
A. Chapter 2

2.17 Asumsikan : kita asumsikan semua tempat panggilan sibuk ( tidak

terkoneksi)

c= gagal terkoneksi

b = dapat terkoneksi

Solusi nya :

“”Semua tempat tidak adapat menerima panggilan”” di anggap aja kemungkinaan

Sampel ruang S akan terisi :

S = {( c, bc, bbc, bbbc,….)}

2.18 Ruang Sampel disuatu tempat terpisah menjadi 3 bagian .

41
Asumsikan : 3 bagian itu akan muncul

s dianggap keberasilan operasi terbaca

f dianggap tidak terbaca

S dianggap kebergasilan dari error pemulihan prosedur

F dianggap kesalahn dari eror pemulihan procedure

A dianggap pesan batalkan ke operator

Solusi ada 7 kemungkin yang akan terjadi seperti

 Pertama kemungkinan muncul operasi terbaca
 Pertama kemungkinan kegagalan terbaca dan kedua sukses
 Pertama dan kedua percobaan tidak terbaca dan ketiga sukses
 Ketiga gagal terbaca, lalu sebagian kebergasilan dari error pemulihan
prosedur
 Ketiga gagal dibaca , lalu kesalahn dari eror pemulihan procedure, lalu
kebergasilan dari error pemulihan prosedur.
 Ketiga gagal dibaca, lalu kedua kesalahn dari eror pemulihan procedure,
lalu dianggap pesan batalkan ke operator.
 Ketiga gagal terbaca, lalu ketiga kesalahn dari eror pemulihan procedure,
lalu pesan batalkan ke operator.

Solusi S : {(s, fs,ffs,fffs,fffFS, fffFFS,fffFFFA)}.

2.19 Tiga peristiwa ditampilkan pada diagram Venn di gambar berikut:

42
 A B

Selesaikan menaungi daerah yang sesuai masing-masing dari peristiwa

berikut.
a. A’
b. A ∩ B
c. (A∩B) U C
d. (B U C)’
e. (A∩B)’ U C
SOLUTION
A. A;
Setiap kejadian yang tidak ada di grup A
B. (A∩B)
persimpangan antara A dan B adalah wilayah yang di A dan juga di B
secara bersamaan

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

lihat gamabar dibawah ini

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:

Biarkan A menunjukkan acara bahwa disk memiliki ketahanan guncangan tinggi,

dan biarkan B menunjukkan acara bahwa disk memiliki ketahanan gores yang
tinggi. Jika disk dipilih secara acak, tentukan yang berikut ini probabilitas:

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

A) P(x=4) b)P(x<1) c)P(2<x<4) d)P(x>-10)

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

3,19 memperkirakan pemasaran bahwa instrumen baru untuk analisis sampel

tanah akan sangat berhasil, cukup berhasil, atau tidak berhasil, dengan
probabilitas masing-masing 0,3, 0,6, dan 0,1. pendapatan tahunan yang terkait
dengan produk yang sangat sukses, cukup berhasil, atau tidak berhasil, adalah $
10 juta, $ 5 juta dan $ 1 juta, masing-masing, biarkan variabel acak x
menunjukkan pendapatan dari produk tersebut. menentukan probabilitas fungsi
massa x

47
Jawaban

F(15)= P( X = 15) = 0.6

F(5)= P( X = 5) = 0.3

F(-0.5)=P( X = -0.5) = 0.1

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

P(X= 10 juta) = 0.2 P(x=25 juta) = 0.3 P(X=50 juta) = 0.5

Probabilitas fungsi : X 10 25 50

P 0.2 0.3 0.5

f(50) = p(x=50)= 0.5

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

Variabel acak yang dipakai adalah (0,1,2,3)

Kemudian menghitung massa dari probabilitas

F(0) = (0.02)(0.02)(0.02)= 0.000008)

48
 F(1) = (3 x 0.98 x (0.02)(0.02)= 0.00176

F(2) = 3 x (0.98)(0.98) x 0.02 = 0.0576

F(3) = (0.98)(0.98)(0.98) = 0.941192

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(wafers yang lulus ) = 0.8P(wafer yang tidak lulus ) = 0.2

P(x=0) = (0.2)3 = 0.008

P(x=1) =3(0.2)(0.8)(0.8)= 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

X 1 2 3 4
P 0.008 0.096 0.384 0.512

3.23 distributor mesin untuk cytogenies telah mengembangkan model baru,

perusahaan memperkirakan bahwa ketika diperkenalkan ke pasar, ia akan sangat
berhasil, dengan probabilitas 0,6 cukup berhasil, dengan probabilitas 0,3, dan
tidak berhasil, dengan probabilitas 0,1. estimasi laba tahunan yang dikaitkan
dengan model yang sangat sukses adalah $ 15 juta dan sedang sukses $ 5 juta
tidak berhasil, akan menghasilkan kerugian $ 500.000 biarkan x menjadi laba
tahunan dari model baru, tentukan probabilitas fungsi massa x

Jawab

49
 F(15)= P( X = 15) = 0.6

F(5)= P( X = 5) = 0.3

F(-0.5)=P( X = -0.5) = 0.1

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

S = 1016 ; V = 108 peluang V terhadap S = 108/1016 = 1/108

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

Jadi P(X=0 atau X=2)

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:

(a) batch berisi item {a, b, c, d}.

(b) batch berisi item {a, b, c, d, e, f, g}.

(c) batch berisi 4 Cacat item dan 20 item yang baik.

(d) batch berisi 1 item cacat dan 20 item yang baik.

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

3.23 Distributor mesin untuk sitogenik miliki mengembangkan model baru.

Perusahaan memperkirakan bahwa ketika itu diperkenalkan ke pasar, itu akan
sangat sukses dengan
probabilitas 0,6, cukup berhasil dengan probabilitas 0,3, dan tidak berhasil dengan
probabilitas 0,1. Diperkirakan setiap tahun keuntungan yang terkait dengan model
yang sangat sukses adalah $ 15juta dan cukup sukses adalah $ 5 juta; tidak sukses
akan menghasilkan kerugian $ 500.000. Biarkan X menjadi keuntungan tahunan
dari model baru. Tentukan probabilitasnya fungsi massa X.
Solusi
f(15) = P(X=15) = 0.6

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

(b) P(B) =79/100= 0.79

(c) P(A’)= 14/100 = 0.14

(d) P(A Ո B) =70/100 = 0.70

(e) P(A Ս B) =(70+9+16)/100 = 0.95

(f) P(A’ Ս B) =(70+9+5)/100 = 0.84

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