MAKALAH

TUGAS STATISTIK
“ TEKNIK SAMPLING “

OLEH

KELOMPOK 3 :

1. Mudrika Amalia ( 1610017411002 )

2. Sejica Sekar Ayunne ( 1610017411011 )
3. Firda Rahma Safitri ( 1610017411028 )
4. Amanda Putri Andini ( 1610017411034 )
5. M. Riski Ramadhan ( 1610017411032 )

Dosen : DR. Mulyazmi S.T M.T

JURUSAN TEKNIK KIMIA

FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS BUNG HATTA
2019
 Kata Pengantar

Puji syukur penyusun panjatkan kehadirat Allah SWT yang telah

memberikan rahmat serta karunia-Nya kepada kami sehingga kami berhasil
menyelesaikan Makalah ini.
Oleh karena itu, melalui kesempatan ini penyusun menyampaikan
terimakasih kepada semua pihak terkait yang telah membantu terselesaikannya
tugas ini.
Penyusun menyadari bahwa tugas ini masih jauh dari kesempurnaan. Oleh
karena itu,segala saran dan kritik yang membangun dari semua pihak sangat
penyusun harapkan demi perbaikan pada tugas selanjutnya. Harapan penyusun
semoga tugas ini bermanfaat khususnya bagi penyusun dan bagi pembaca lain
pada umumnya.

Padang, April 2019

Penyusun,

Kelompok 3

i
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Metode statistik digunakan untuk menggambarkan dan memahami variabilitas. Oleh variabilitas,
pengamatan berurutan dari suatu sistem atau fenomena tidak menghasilkan persisnya hasil yang sama.
Dengan hal ini semua menghadapi variabilitas dalam kehidupan sehari-hari, dan pemikiran statistik dapat
memberi cara yang berguna untuk memasukkan variabilitas ini ke dalam proses pengambilan keputusan
kami. Misalnya, perhatikan kinerja jarak tempuh bensin mobil. Apakah selalu persis kinerja jarak tempuh
yang sama pada setiap tangki bahan bakar? Tentu saja tidak, bahkan terkadang jarak tempuh kinerjanya
sangat bervariasi. Variabilitas yang diamati ini dalam jarak tempuh bensin tergantung pada banyak faktor,
seperti jenis mengemudi yang baru saja terjadi (kota versus jalan raya), perubahan kondisi kendaraan dari
waktu ke waktu (yang dapat mencakup faktor-faktor seperti ban inflasi, kompresi mesin, atau keausan
katup), merek dan / atau angka oktan bensin digunakan, atau bahkan mungkin kondisi cuaca yang baru
saja dialami. Faktor-faktor ini mewakili sumber potensial variabilitas dalam sistem. Statistik memberi kita
kerangka kerja untuk mendeskripsikan variabilitas ini dan untuk mempelajari sumber-sumber variabilitas
mana yang potensial paling penting atau yang memiliki dampak terbesar pada kinerja jarak tempuh bensin.
Rincian lebih lanjut berguna untuk menggambarkan peran model probabilitas. Misalkan produksi
banyak mengandung 25 wafer. Jika semua wafer rusak atau semuanya baik, jelas sampel akan
melakukannya menghasilkan semua wafer yang rusak atau semua yang baik, masing-masing. Namun,
anggaplah hanya satu wafer dibanyak yang rusak. Kemudian sampel mungkin atau mungkin tidak
mendeteksi (termasuk) wafer. Model probabilitas, bersama dengan metode untuk memilih sampel, dapat
digunakan untuk mengukur risiko yang dimiliki wafer yang cacat ada atau tidak terdeteksi. Berdasarkan
analisis ini, ukuran sampel mungkin meningkat (atau menurun). Risiko di sini dapat diartikan sebagai
berikut. Misalkan serangkaian lot, masing-masing dengan satu wafer yang cacat, dijadikan sampel.
Rincian metode yang digunakan untuk memilih sampel ditunda sampai keacakan dibahas pada bab
berikutnya. Namun, menganggap bahwa sampel ukuran yang sama (seperti tiga wafer) dipilih dengan cara
yang sama dari setiap lot. Proporsi lot di mana wafer yang cacat dimasukkan dalam sampel atau, lebih
khusus lagi, batas proporsi ini karena jumlah lot dalam rangkaian cenderung tak terhingga, ditafsirkan
sebagai probabilitas bahwa wafer yang cacat terdeteksi.

2
 Model probabilitas digunakan untuk menghitung proporsi ini berdasarkan asumsi yang masuk
akal untuk cara sampel dipilih. Ini beruntung karena kami tidak ingin mencoba untuk mengambil sampel
dari serangkaian lot yang tak terbatas.

1.2 Rumusan Masalah

1. Apa yang dimaksud dengan eksperimen acak
2. Apa yang dimaksud dengan probability dan tekniknya
3. Apa yang dimaksud dengan variable acak

1.3 Manfaat
1. Mengetahui pengertian eksperimen acak dan pengerjaannya
2. Mengetahui deskripsi probability dan teknik penyelesaiannya
3. Mengetahui apa yang dimaksud dengan variable acak

3
 BAB II
PROBABILITAS

2.1 Ruang Sampel dan Acara

2.1.1 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, eksperimen 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,
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. Matematika model (atau abstraksi) dari sistem fisik dikembangkan. Itu tidak perlu
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 berbagai 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.
Kita akan membahas model yang memungkinkan untuk 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

4
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.
Sistem fisik
Pengukuran Analisis
Model

Gambar 2-1 Iterasi berkelanjutan antara model dan sistem fisik

Variabel control

Input output

Variabel noise
Gambar 2-2 Variabel kebisingan mempengaruhitransformasi input ke output.

Eksperimen yang dapat menghasilkan hasil yang berbeda, meskipun itu diulang dalam cara yang
sama setiap kali, disebut percobaan acak.

2.1.2 Ruang Sampel

Untuk memodelkan dan menganalisis eksperimen acak, kita harus memahami

sekumpulan hasil yang mungkin dari eksperimen. Dalam pengantar probabilitas ini, kami
menggunakan konsep dasar set dan operasi pada set. Diasumsikan bahwa pembaca sudah
terbiasa dengan ini topik.
Himpunan semua hasil yang mungkin dari percobaan acak disebut ruang sampel
percobaan. Ruang sampel dilambangkan sebagai S. 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 alat
ukur, dan mereka juga tergantung pada batas atas dan bawah untuk ketebalan. Namun demikian
mungkin nyaman untuk mendefinisikan ruang sampel hanya sebagai garis nyata positif karena
nilai negatif untuk ketebalan tidak dapat terjadi.

5
 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 dengan
spesifikasi pabrikan, ruang sampel mungkin disederhanakan menjadi himpunan dua hasil,

𝑆 = {𝑦𝑒𝑠, 𝑛𝑜}

yang menunjukkan apakah bagian tersebut sesuai atau tidak. Hal ini sangat berguna untuk
membedakan antara dua jenis ruang sampel.
Ruang sampel terpisah jika terdiri dari himpunan hasil tak terbatas yang terbatas atau
dapat dihitung.Ruang sampel kontinu jika berisi interval (baik terbatas atau tidak terbatas)
bilangan real.
Dalam Contoh 2-1, pilihan S=R adalah contoh ruang sampel kontinu, sedangkan S {ya, tidak}
adalah ruang sampel terpisah. Seperti yang disebutkan, pilihan terbaik dari ruang sampel.

2.1.3 Peristiwa
Peristiwa adalah himpunan bagian dari ruang sampel percobaan acak. Kita bisa juga
menggambarkan peristiwa baru dari kombinasi acara yang ada. Karena peristiwa adalah
himpunan bagian, kita dapat menggunakan operasi pengaturan dasar seperti serikat pekerja,
persimpangan, dan dan pelengkap untuk membentuk acara menarik lainnya. Beberapa operasi
himpunan dasar dirangkum di bawah ini dalam hal peristiwa:
a. Persatuan dua peristiwa adalah peristiwa yang terdiri dari semua hasil yang terkandung di
salah satu dari dua acara tersebut. Kami menyatakan serikat sebagai.

6
 b. Persimpangan dua peristiwa adalah peristiwa yang terdiri dari semua hasil yang ada
terkandung dalam kedua acara tersebut. Kami menyatakan persimpangan sebagai.
c. Komplemen dari suatu peristiwa dalam ruang sampel adalah himpunan hasil dalam
sampel ruang yang tidak ada di acara tersebut. Kami menunjukkan komponen acara E
sebagai.
Contoh 2.6 :
Pertimbangkan ruang sampel S={yy, yn, ny, nn} dalam Contoh 2-2. Misalkan himpunan semua
hasil yang paling tidak satu bagian sesuai dinyatakan sebagai E1. Kemudian,

𝐸1 = {𝑛𝑦, 𝑦𝑦, 𝑦𝑛}

Peristiwa di mana kedua bagian tidak sesuai, dilambangkan sebagai E2, hanya berisi hasil
tunggal, E2={nn}. Contoh acara lainnya adalah, set nol, dan E4 S, sampel
ruang. Jika E5={yn, ny, nn},

E1 U E5=S E1∩E5={yn, ny,} E’1={nn}

Dua peristiwa, dilambangkan sebagai E1 dan E2, seperti yang dikatakan saling eksklusif.
E1 U E2≠Ø

Hasil tambahan yang melibatkan peristiwa dirangkum di bawah ini. Definisi pelengkap suatu
peristiwa menyiratkan bahwa (E’)= E
Hukum distributif untuk operasi tertentu menyiratkan bahwa :
(A U B) ∩ C= (A ∩ C) U (B ∩ C)
dan, (A ∩ B) U C= (A U C) ∩ (B U C)
Hukum DeMorgan menyiratkan hal itu,
(A U B)’ = A’ ∩ B’ dan (A ∩ B)’ = A’ U B’
Juga, ingat bahwa : A∩B=BUA dan AUB=B∩A

7
2.1.4 Teknik Menghitung

Karena ruang sampel menjadi lebih besar, enumerasi lengkap menjadi sulit. Sebagai
gantinya, jumlah hasil jumlah di ruang sampel dan di berbagai acara sering digunakan untuk
menganalisis percobaan acak. Metode-metode ini disebut sebagai teknik penghitungan dan
dijelaskan pada CD.

Latihan untuk sesi 2.1

2-9) Konsentrasi ozo ke bagian terdekat ppb

S={0,1,2,3……..1E09)dalam ppb

2-10) Waktu hingga layanan transaksi diminta dari computer ke milidetik terdekat

Jawab :

S adalah ruang sampel dari tiap kemungkinan waktu hingga layanan saksi diminta dari computer
ke milidetik terdekat

S = {0,1,2,3……..) dalam milidetik

2-11) Pembacaan pH sampel air ke sepersepuluh unit terdekat.

Jawab :

Skala pH berkisar dari 1-14. Nilai 7 di anggap netral, dibawah 7 disebut asam dan diatas 7
disebut basa.

S adalah ruang sampel untuk Pembacaan pH sampel air ke sepersepuluh unit terdekat

S = {1.0, 1.1, 1.2, 1.3, . . . . . .14.0}

2-12) Rongga dalam lempegan ferit diklasifikasikan sebagai kecil, sedang, atau besar. Jumlah
rongga di setiap kategori diukur dengan inspeksi optik sampel

Diketahui :

8
Misalnya, berdasarkan dari jumlah rongga, sebuah lempengan ferit di klasifikasikan sebagai
kecil, sedang, atau besar. misalkan bahwa kita memiliki sampel lempengan (n) yang dipilih
untuk pengujian. Menunjukkan :

0 : adalah klasifikasi untuk kecil

1 : adalah klasifikasi untuk sedang

2 : adalah klasifikasi untuk besar

Asumsikan bahwa kita hanya tertarik beberapa dari banyaknya lempengan yang di
klasifikasikan sebagai kecil, sedang, atau besar. sampel akan terdiri dari beberapa kejadian

{0.0……0.0}, {0.0…..0.1}, {0.0…..0.2}……(2.2……2.2}

Dimana, untuk contoh {0.0……..0.0} diartikan semua n lempengan ferit klasifikasi kecil. Dan
sebagai catatan bahwa data disamping hanya sebagai contoh {0.0……0.0}, {0.0…..0.1},
{0.0…..0.2}……(2.2……2.2}

Jadi, ruang sampel (S) adalah

S = {X1,X2…….Xn} | X1.X2……..Xn ϵ {0,1,2}

2.29) Waktu naik reactor diukur dalam menit dan fraksi menit. Misalkan ruang sampel menjadi
positif dan dinyatakan dengan angka. Tentukan acara A dan B sebagai berikut :

A = {x|x < 72,5} dan B = {x|x > 52,5}

Masing-masing pada peristiwa berikut :

a. A’

b. B”

c. A П B

d. A U B

Jawab : a. A’ = {x|x ≥ 72,5}

b. B’ = {x|x ≤ 52,5}

c. A П B = {x|52,5 < x < 72,5}

9
 d. A U B = {x|x > 0}

2.30) Dipilih dari batch sampel dua item tanpa mengganti. Jelaskan ruang sampel untuk masing-
masing berikut:

a. Batch berisi item {a,b,c,d}

b. Batch berisi item { a,b,c,d,e,f,g}

c. Batch berisi 4 item rusak dan 20 item bagus

d. Batch berisi 1 item yang rusak dan 20 item yang bagus

Jawab : a. {ab , ac , ad , bc ,bd , cd ,ba ,ca , da ,cb ,db dc}

b. {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, fg,fd, fe, ga, gb, gc, gd, ge, gf} = 42 element

c. misalkan d dan g menunjukkan cacat dan baik . S = { gg, gd, dg, dd}

d. S = { gd, dg, gg}

2.31) Sampel dari dua papan sirkuit cetak dipilih tanpa tanpa pergantian dari batch. Jelaskan
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

Jawab : misalkan g menunjukkan papan yang baik,m dengan cacat kecil dan j dengan cacat besar

a. S = {gg, gm, gj, mg, mm, mj, jg, jm, jj}

b. S = { gg, gm, gj,mg, mm, mj, jg, jm}

2.2 Interpretasi Probabilitas

2.2.1 Pendahuluan
Probabilitas digunakan untuk mengkuantifikasi kemungkinan, atau kebetulan, bahwa
suatu hasil acak. Percobaan akan terjadi. “Peluang hujan hari ini adalah 30%’ adalah pernyataan
yang menghitung kami perasaan tentang kemungkinan hujan. Kemungkinan hasil diukur dengan

10
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.
Angka 0 menunjukkan hasil tidak akan terjadi. Probabilitas 1 menunjukkan hasil akan terjadi
dengan pasti.
Probabilitas hasil dapat diartikan sebagai probabilitas subjektif kami, atau derajat
keyakinan, bahwa hasilnya akan terjadi. Individu yang berbeda pasti akan berbeda probabilitas
untuk hasil yang sama. Interpretasi probabilitas lain didasarkan pada model konseptual replikasi
berulang dari eksperimen acak. Probabilitas suatu hasil ditafsirkan sebagai nilai pembatas dari
proporsi kali hasil terjadi pada pengulangan percobaan acak saat n meningkat melampaui semua
batas. Misalnya, kalau kita menetapkan probabilitas 0,2 untuk hasil bahwa ada pulsa yang rusak
dalam sinyal digital, kita mungkin menafsirkan tugas ini sebagai menyiratkan bahwa, jika kami
menganalisis banyak pulsa, kira-kira 20% dari mereka akan rusak. Contoh ini memberikan
interpretasi frekuensi relative kemungkinan. Proporsi, atau frekuensi relatif, dari ulangan
percobaan yang dihasilkan dalam hasilnya adalah 0,2. Probabilitas dipilih sehingga jumlah
probabilitas dari semua hasil dalam suatu eksperimen bertambah hingga 1. Konvensi ini
memfasilitasi interpretasi frekuensi relatif dari probabilitas. Gambar 2-9 menggambarkan konsep
frekuensi relatif. Peluang untuk percobaan acak sering kali diberikan atas dasar yang masuk akal
model sistem yang diteliti. Salah satu pendekatan adalah mendasarkan penugasan probabilitas
pada konsep sederhana dari hasil yang kemungkinan sama. Sebagai contoh, misalkan kita akan
memilih satu dioda laser secara acak dari batch 100.
Ruang sampel adalah himpunan 100 dioda. Secara acak menyiratkan bahwa itu masuk
akal untuk berasumsi bahwa setiap dioda dalam bets memiliki peluang yang sama untuk dipilih.
Karena jumlah dari 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 diberikan pada
dioda tertentu mewakili proporsi ulangan dalam dimana dioda tertentu dipilih.
Ketika model hasil yang kemungkinan besar diasumsikan, probabilitas dipilih untuk
sama. Setiap kali ruang sampel terdiri dari N hasil yang mungkin sama kemungkinannya,
probabilitas setiap hasil adalah 1/N.

11
 Sering kali perlu untuk menetapkan probabilitas untuk peristiwa yang terdiri dari
beberapa hasil dari ruang sampel. Ini mudah untuk ruang sampel yang terpisah.

2.2.2 Aksioma Kemungkinan

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 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. 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.

Latihan Untuk Sesi 2.2

2.36) Bagian yang dipilih untuk pengujian kemungkinan besar telah diproduksi pada salah satu
dari enam pahat pemotong. (a) Berapa ruang sampel? (b) Berapa probabilitas bahwa bagian
tersebut dari alat 1? (c) Berapa probabilitas bagian tersebut dari alat 3 atau alat 5? (d) Berapakah
probabilitas bahwa bagian tersebut bukan dari alat 4?

Enam alat pahat pemotong

- Alat 1
- Alat 2
- Alat 3
- Alat 4
- Alat 5
- Alat 6

Ditanya :

a. berapa ruang sampel ?

12
b. berapa probabilitas bahwa bagian tersebut dari alat 1?

c. Berapa probabilitas bagian tersebut dari alat 3 atau alat 5?

d. Berapakah probabilitas bahwa bagian tersebut bukan dari alat 4?

Jawab :

a. ruang saampel (S) = 6 { alat 1, alat 2, alat 3, alat 4, alat 5, alat 6}

b. jumlah alat (N) = 6

peluang alat 1 (n) = 1

1
probabilitas = 6

c. jumlah alat (N) = 6

peluang alat 3, alat 5 (n) = 2

2 1
probabilitas = 6 = 3

d. jumlah alat (N) = 6

peluang bukan alat 4 (n) = 1

1 5
probabilitas = 1 − 6 = 6

2.43) Misalkan kendaraan Anda dilisensikan, dalam keadaan mengeluarkan plat nomor yang
terdiri dari tiga digit (antara 0 dan 9) diikuti oleh tiga huruf (antara A dan Z). Jika nomor lisensi
dipilih secara acak, berapakah probabilitas milik Anda adalah yang dipilih?

Jawab :

- Banyak angka antara 0 dan 9 adalah 10 dipilih 3 digit

- Banyak huruf antara A dan Z adalah 26 dipilih 3 digit

Probabilitas yang dipilih adalah

13
 1
- Banyak peluang yang terjadi dari pemilihan 3 digit angka adalah 10 × 10 × 10
1
- Banyak peluang yang terjadi dari pemilihan 3 digit huruf adalah 26 ×26 ×26

Jadi, peluang lisensi plat yang dapat terpilih adalah

1 1 1
× = = 5,689576695 × 10−8
10 × 10 × 10 26 × 26 × 26 17.576.000

2.3 Aturan Tambahan

Peristiwa gabungan dihasilkan dengan menerapkan operasi set dasar untuk peristiwa
individual. Serikat acara, seperti ; A U B persimpangan acara, seperti; A ∩ B dan pelengkap
acara, seperti A’, biasanya menarik. Probabilitas acara bersama sering dapat ditentukan dari
probabilitas masing masing peristiwa yang membentuknya. Operasi set dasar juga terkadang
membantu dalam menentukan probabilitas suatu peristiwa bersama. Di bagian ini fokusnya
adalah pada serikat acara.
Contoh 2.13 :
Tabel 2.1 Wafer di Manufaktur Semikonduktoroleh Kontaminasi dan Lokasi
Lokasi di Alat Sputtering
Kontaminasi Center edge Total
Low 514 68 582
High 112 246 358
total 626 314

Tabel 2.1 mencantumkan riwayat 940 wafer dalam proses pembuatan semikonduktor.
Seharusnyasatu wafer dipilih secara acak. Biarkan H menunjukkan acara yang mengandung
wafer tingkat tinggi kontaminasi. Kemudian, .P(H)=358/940.
Biarkan C menunjukkan kejadian bahwa wafer berada di tengah-tengah alat sputtering.
Kemudian, P(C)=626/940 Juga, P(H ∩ C) probabilitas bahwa wafer berasal dari pusat alat
sputtering dan mengandung kontaminasi tingkat tinggi. Karena itu, P(H ∩ C)=112/940
Peristiwa H U C adalah peristiwa wafer berasal dari pusat alat sputtering atau mengandung
kontaminasi tingkat tinggi (atau keduanya). Dari tabel, P(H U C)=872/940. Sebuah alternatif
perhitungan P(H U C) dapat diperoleh sebagai berikut. Ke-112 wafer yang terdiri Peristiwa H ∩

14
C dimasukkan sekali dalam perhitungan P (H) dan lagi dalam perhitungan P (C). Oleh karena itu,
P(H U C) dapat ditemukan :
P(H U C) = P (H)+ P (C)- 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)- A ∩ B …(pers.2.1)

Jika A dan B adalah acara yang saling eksklusif,

P(A U B) = P (A)+ P (B) …(pers. 2.2)

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 tentang ada atau tidaknya cacat permukaan.
Contoh-contoh ini menggambarkan bahwa probabilitas perlu dievaluasi kembali ketika
informasi tambahan tersedia. Notasi dan detail diilustrasikan lebih lanjut untuk contoh ini.
Biarkan D menunjukkan acara bahwa bagian rusak dan biarkan F menunjukkan acara bahwa
bagian memiliki cacat permukaan. Kemudian, kami menunjukkan probabilitas D yang diberikan,

15
atau dengan asumsi, bahwa suatu bagian memiliki cacat permukaan. 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.

2.5 Multiplikasi Dan Total Aturan Kemungkinan

2.5.1 Aturan Multiplikasi

Definisi probabilitas bersyarat dalam Persamaan 2-5 dapat ditulis ulang untuk
memberikan gambaran umum ekspresi untuk probabilitas persimpangan dua peristiwa. Formula
ini disebut sebagai aturan multiplikasi untuk probabilitas.

Aturan Multiplikasi : P(A ∩ B)= P(B / A)P(A)= P(A /B)P(B) …(pers.2.6)

Contoh 2.20:
Kemungkinan bahwa baterai mobil terkena suhu kompartemen mesin yang tinggi menderita arus
pengisian yang rendah adalah 0.7. Probabilitas bahwa baterai tunduk pada mesin tinggi suhu
kompartemen adalah 0,05. Biarkan C menunjukkan kejadian bahwa baterai mengalami arus
pengisian rendah, dan biarkan T menunjukkan seandainya baterai tunduk pada suhu
kompartemen engine yang tinggi. Probabilitas bahwa baterai tergantung pada arus pengisian
rendah dan suhu kompartemen engine tinggi.

P(C ∩ T) P(C / T)P(T) = 0.7 0.05=0.035

2.5.2 Total Probability Rule

Aturan multiplikasi berguna untuk menentukan probabilitas suatu peristiwa yang

tergantung acara lainnya. Sebagai contoh, anggaplah bahwa dalam pembuatan semikonduktor
probabilitasnya adalah 0,10 bahwa chip yang mengalami kontaminasi tingkat tinggi selama

16
penyebab manufaktur kegagalan produk. Probabilitasnya adalah 0,005 bahwa chip yang tidak
mengalami tingkat kontaminasi tinggi selama pembuatan menyebabkan kegagalan produk.
Dalam menjalankan produksi tertentu, 20% chip terkena kontaminasi tingkat tinggi. Berapa
probabilitas suatu produk menggunakan salah satu dari chip ini gagal?
Jelas, probabilitas yang diminta tergantung pada apakah chip terkena tinggi atau tidak
tingkat kontaminasi. Kami dapat mengatasi masalah ini dengan alasan berikut. Untuk acara apa
pun B, kita dapat menulis B sebagai penyatuan bagian B dalam A dan bagian B dalam. Itu
adalah,
B (A ∩ B) U (A’ ∩ B)

Hasil ini ditunjukkan dalam diagram Venn pada Gambar 2-14. Karena A dan saling eksklusif,
dan saling eksklusif. Karena itu, dari probabilitas persatuan dari peristiwa yang saling eksklusif
dalam Persamaan 2-2 dan Aturan Penggandaan dalam Persamaan 2-6, mengikuti aturan
probabilitas total diperoleh.
Total Probabilitas Aturan (dua peristiwa) :

P(B)=P (B ∩ A)+ P (B ∩ A’)=P(B/A)P(A)+ P(B/A’)P(A’) …(pers. 2.7)

Total Probabilitas Aturan (berganda peristiwa) :

Asumsikan E1,E2,E3…adalah set yang saling eksklusif dan lengkap. Kemudian :

P(B) =P (B ∩ E1)+ P (B ∩ E2)+…+ P (B ∩ Ek)

=P(B/ E1)P(E1)+ P(B/ E2)P(E2)+…+ P(B/ Ek)P(Ek) …(pers. 2.8)

2.6 Kemandirian

Dalam beberapa kasus, probabilitas bersyarat mungkin sama dengan P (B/A). Dalam
kasus khusus ini, pengetahuan bahwa hasil percobaan adalah dalam kejadian A tidak
mempengaruhi probabilitas itu hasilnya ada di acara B.
Contoh 2.23 :
Misalkan sehari produksi 850 bagian yang diproduksi mengandung 50 bagian yang tidak
terpenuhi kebutuhan pelanggan. Misalkan dua bagian dipilih dari batch, tetapi bagian pertama
adalah diganti sebelum bagian kedua dipilih. Berapa probabilitas bagian kedua itu cacat

17
(dilambangkan sebagai B) mengingat bahwa bagian pertama cacat (dilambangkan sebagai A)?
Probabilitas dibutuhkan dapat dinyatakan sebagai P(B/A).
Karena bagian pertama diganti sebelum memilih bagian kedua, bets masih berisi 850 bagian, 50
di antaranya rusak. Oleh karena itu, probabilitas B tidak bergantung pada apakah bagian pertama
rusak atau tidak. Itu adalah, P(B/A)=50/850
Juga, probabilitas bahwa kedua bagian tersebut rusak adalah

P (B ∩ A)= P(B/A)P(A)= (50/850).(50/850)=0.0035

Definisi
Dua peristiwa bersifat independen jika salah satu dari pernyataan yang setara berikut ini benar:
(1) P(A/B)=P(A)
(2) P(B/A)=P(B)
(3) P (A ∩ B)= P(A)P(B)
Ini dibiarkan sebagai latihan yang memperluas pikiran untuk menunjukkan bahwa independensi
menyiratkan hasil terkait seperti :

P (A’ ∩ B’)= P(A’)P(B’)

Konsep kemandirian adalah hubungan yang penting antara peristiwa dan digunakan di
seluruh teks ini. Hubungan yang saling eksklusif antara dua peristiwa hanya didasarkan pada
hasil yang terdiri dari acara tersebut. Namun, hubungan kemandirian tergantung pada model
probabilitas digunakan untuk percobaan acak. Seringkali, independensi dianggap sebagai bagian
dari eksperimen acak yang menggambarkan sistem fisik yang diteliti.
Conoth 2.25 :
Produksi 850 bagian yang diproduksi sehari terdiri dari 50 bagian yang tidak memenuhi
pelanggan Persyaratan. Dua bagian dipilih secara acak, tanpa penggantian, dari batch. Biarkan A
menunjukkan peristiwa bahwa bagian pertama rusak, dan biarkan B menunjukkan peristiwa
bahwa bagian kedua rusak. Kita menduga bahwa kedua peristiwa ini tidak independen karena
pengetahuan itu yang pertama bagian cacat menunjukkan bahwa kecil kemungkinan bagian

18
kedua yang dipilih rusak. Memang P(B/A)=49/489, Sekarang, apa itu P (B)? Menemukan P (B)
tanpa syarat agak sulit karena nilai yang mungkin dari seleksi pertama perlu dipertimbangkan:

P (B)= P(B/A)P(A)+ P(B/A’)P(A’)

= (49/849)(50/850)+(50/849)(800/850)
=50/580

Menariknya, P (B), probabilitas tanpa syarat bahwa bagian kedua yang dipilih rusak,
tanpa sepengetahuan bagian pertama, sama dengan probabilitas bahwa bagian pertama yang
dipilih rusak. Namun, tujuan kami adalah untuk menilai independensi. Karena P (B / A) tidak
sama P(B), kedua peristiwa itu tidak independen, seperti yang kita duga.
Ketika mempertimbangkan tiga peristiwa atau lebih, kita dapat memperluas definisi kemerdekaan
dengan hasil umum berikut.
Asumsikan E1,E2,Ek…adalah independen jika dan hanya jika untuk subset ini peristiwa E1,E2,Ek

P(E1 ∩ E2 ∩…∩ Ek= P(Ei1)x P(Ei2)x… x P(Eik) …(pers.2.10)

Definisi ini biasanya digunakan untuk menghitung probabilitas bahwa beberapa peristiwa terjadi
dengan asumsi bahwa mereka independen dan probabilitas peristiwa individu diketahui.
Pengetahuan bahwa peristiwa itu independen biasanya berasal dari pemahaman mendasar dari
eksperimen acak.

2.7 Bayes 'Theorem

Dari definisi probabilitas bersyarat,

P(A ∩ B)= P(A/ B)P(B)= P(B ∩ A)= P(B /A)P(A)

Sekarang mempertimbangkan istilah kedua dan terakhir dalam ungkapan di atas, kita dapat
menulis:
P(A/ B)= (P(B /A)P(A))/P(B), untuk P(B)>0 …(Pers. 2.11)

Ini adalah hasil yang berguna yang memungkinkan kami untuk memecahkan dalam hal P(A/B)
P(B/A)
19
Bayes’ Theorem :
Jika E1,E2 ….. Ek adalah k acara yang saling eksklusif dan lengkap dan B adalah apa saja
peristiwa,
P(E1/ B)= (P(B / E1)P(E1))/ P(B / E1)P(E1)+ P(B / E2)P(E2)+ ....+P(B / Ek)P(Ek), untuk P(B)>0

2.8 Variabel Acak

Kita sering merangkum hasil dari percobaan acak dengan jumlah sederhana. Dari contoh
percobaan acak yang telah kita pertimbangkan, ruang sampel memiliki menjadi deskripsi hasil
yang mungkin. Dalam beberapa kasus, uraian hasil cukup, tetapi dalam kasus lain, berguna untuk
mengaitkan angka dengan setiap hasil dalam ruang sampel. Karena hasil khusus dari percobaan
tidak diketahui sebelumnya, maka nilai hasil dari variabel kami tidak diketahui sebelumnya.
Untuk alasan ini, variabel itu mengaitkan angka dengan hasil percobaan acak disebut sebagai
acak variabel.
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.
Terkadang pengukuran (seperti arus dalam kawat tembaga atau panjang bagian mesin)
dapat mengasumsikan nilai apa pun dalam suatu interval bilangan real (setidaknya secara
teoritis). Maka presisi sewenang-wenang dalam pengukuran dimungkinkan. Tentu saja, dalam
praktiknya, kami mungkin membulatkan ke yang terdekat kesepuluh atau seratus unit. Variabel
acak yang mewakili pengukuran ini dikatakan menjadi variabel acak kontinu. Rentang variabel
acak mencakup semua nilai dalam interval bilangan real; artinya, rentang dapat dianggap sebagai
sebuah kontinum.
Dalam eksperimen lain, kami mungkin mencatat hitungan seperti jumlah bit yang
ditransmisikan itu diterima karena kesalahan. Maka pengukuran terbatas pada bilangan bulat.
Atau kita dapat merekam bahwa Proporsi seperti 0,0042 dari 10.000 bit yang dikirim diterima
karena kesalahan. Lalu pengukuran adalah fraksional, tetapi masih terbatas pada titik-titik diskrit
pada garis nyata. Kapanpun pengukuran terbatas pada titik diskrit pada garis nyata, variabel acak
dikatakan variabel acak diskrit.

20
 a. Variabel acak diskrit adalah variabel acak dengan terbatas (atau mungkin tak
terhingga) jarak.
b. Variabel acak kontinu adalah variabel acak dengan interval (baik terbatas atau tak
terbatas) dari bilangan real untuk kisarannya.
Dalam beberapa kasus, variabel acak X sebenarnya diskrit tetapi, karena rentang
kemungkinan nilai sangat besar, mungkin lebih mudah untuk menganalisis X sebagai variabel
acak kontinu. Untuk contoh, misalkan pengukuran saat ini dibaca dari instrumen digital yang
menampilkan saat ini ke seperseratus miliampere terdekat. Karena kemungkinan pengukurannya
adalah terbatas, variabel acak diskrit. Namun, mungkin lebih mudah, perkiraan sederhana untuk
mengasumsikan bahwa pengukuran saat ini adalah nilai-nilai variabel acak kontinu.

Contoh dari Acak Variabel:

Contoh variabel acak kontinu: arus listrik, panjang, tekanan, suhu, waktu, tegangan, berat
Contoh variabel acak diskrit: jumlah goresan di permukaan, proporsi bagian yang rusak di antara
1000 diuji, jumlah bit yang dikirim diterima dalam kesalahan.

21
 BAB III
ACAK TERPISAH VARIABEL DAN KEMUNGKINAN DISTRIBUSI

3.1 Variabel Acak Diskrit

Banyak sistem fisik dapat dimodelkan oleh eksperimen acak dan variabel acak yang sama
atau serupa. Ditribusi variabel acak yang terlibat dalam masing-masing sistem umum ini dapat
dianalisis, dan hasil analisi tersebut dapat digunakan dalam berbagai aplikasi dan contoh.
Beberapa percobaan acak dan variabel acak dikstrit yang sering muncul dalam aplikasi. Ruang
sampel yang mendasari percobaan acak dan secara langsung menggambarkan distribusi variabel
acak tertentu.
Contoh :
Sistem komunikasi suara untuk suatu bisnis berisi 48 saluran eksternal. Pada waktu partikel,
sistem diamati dan beberapa garis sedang digunakan. Biarkan variabel acak X menunjukkan
jumlah baris yang digunakan. Kemudian, X dapat mengasumsikan salah satu dari nilai bilangan
utuh 0 hingga 48. Ketika sistem diamati, jika 10 garis yang digunakan, maka X = 10.

3.2 Distribusi Probabilitas dan Fungsi Massa Probabilitas

Variabel acak sangat penting dalam eksperimen acak yang kadang-kadang pada dasarnya
mengabaikan ruang sampel asli percobaan dan focus pada distribusi probabilitas variabel acak.
Misalnya pada contoh 3.1, Analisis mungkin berfokus pada bilangan bula (0,1,..48) dalam kiaran
X. Dengan cara ini, variabel acak dapat menyederhanakan deskripsi dan analisi acak.
Distribusi Probabilitas dari variabel acak X adalah deskripsi probabilitas yang terkait
dengan nilai-nilai yang mungkin bersama dengan probabilitas masing-masing. dalam beberapa
kasus, mudah untuk menyatakan probabilitas dalam hal rumus.
Contoh :
Ada kemungkinan sedikit ditransmisikan melalui saluran transmisi digital diterima dalam
kesalahan. Biarkan X sama dengan jumlah bit yang salah dalam empat bit berikutnya yang
dikirimkan. Nilai yag mungkin untuk X adalah (0,1,2,3,4). Berdasarkan model untuk kesalahan
yang disajikan pada bagian berikut, probabilitas untuk nilai-nilai ini akan ditentukan. Misalkan
probabilitasnya adalah

22
 P(X = 0) = 0.6561 P(X = 1) = 0.2916 P(X = 12) = 0.0486

P(X = 3) = 0.0036 P(X = 4) = 0.0001

Distribusi probabilitas X ditentukan oleh nilai-nilai yang mungkin bersama dengan probabilitas
masing-masing. Deskripsi grafis dari distribusi probabilitas X ditunjukkan pada Gambar 3-1.

Misalkan permuatan pada balok yang panjang dan tipis menempatan massa hanya pada
titik dikstrit. Lihat Gambar 3-2. Permuatan dapat dijelaskan oleh fungsi yang menentukan massa
setiap titik dikstrit. Demikian pula, untuk variabel acak dikstrik X, distribusnya dapat
dideskripsikan dengan fungsi yang menentukan probabilitas pada masing-masing nilai diskrit

yang mungkin untuk X.

Untuk variabel acak dikstrit X denga nilai yang mungkin x1,x2,…..xn. Fungsi massa probabilitas
adalah fungsi sedemikian rupa sehingga:

1) 𝑓(𝑥𝑖) ≥ 0
2) ∑𝑛𝑖=1 𝑓(𝑥𝑖) = 1
3) 𝑓(𝑥𝑖) = 𝑃(𝑋 = 𝑥𝑖)

Jadi, 𝑓(0) = 0.6561, 𝑓(1) = 0.2916, 𝑓(2) = 0.0486, 𝑓(3) = 0.0036, 𝑑𝑎𝑛 𝑓(4) = 0.0001.

Latihan untuk sesi 3.2

3.15) Semua kemungkinan lebih besar dari atau sama dengan nol dan jumlah sama dengan satu

X -2 -1 0 1 2
f(X) 1/8 2/8 2/8 2/8 1/8

23
 a. P (X≤2) = 1/8+2/8+2/8+2/8+1/8 = 1
b. P (X>-2) = 2/8+2/8+2/8+1/8 = 7/8
c. P (-1≤X≤1) = 2/8+2/8+2/8 = 6/8 = 3/4
d. P (X≤-1 atau X=2) = 1/8+2/8+1/8 = 4/8 = 1/2

3.20) Adisk drive manufacturer estimates that in five years a storage device with 1 terabyte of
capacity will sell withprobability 0.5, a storage device with 500 gigabytes capacity will sell with
a probability 0.3, and a storage device with 100 gigabytes capacity will sell with probability 0.2.
The revenue associated with the sales in that year are estimated to be $50 million, $25 million,
and $10 million, respectively. Let X be the revenue of storage devices during that year.
Determine the probability mass function of X

Answer : Probality mass function

f(50) = P(X=50) = 0.5

f(25) = P(X=25) = 0.3
f(10) = P(X=10) = 0.2

3.21) An optical inspection system is to distinguish among different part types. The probability
of a correct classification of any part is 0.98. Suppose that three parts are inspected and that the
classifications are independent. Let the random variable X denote the number of parts that are
correctly classified. Determine the probability mass function of X.

P(X=0) = 0.023 = 0.008

P(X=1) = 3 x 0.98 x 0.022 = 0.00176

P(X=2) = 3 x 0.982 x 0.02 = 0.0576

P(X=3) = 0.983 = 0.941192

3.22) In a semiconductor manufacturing process, three wafers from a lot are tested. Each wafer is
classified as passor fail. Assume that the probability that a wafer passes the test is 0.8 and that
wafers are independent. Determine the probability mass function of the number of wafers from a
lot that pass the test.

Answer : P(water pass the test)= 0.8 , P(water fail the test)= 1-0.8 = 0.2

P(X=0) = 0.023 = 0.008

P(X=1) = 3 x 0.2 x 0.8 X 0.2 = 0.096
P(X=2) = 3 x 0.2 x 0.8 X 0.8 = 0.384
P(X=3) = 0.83 = 0.512

24
3.23) The distributor of a machine for cytogenics has developed a new model. The company
estimates that when it is introduced into the market, it will be very successful with a probability
0.6, moderately successful with a probability 0.3, and not successful with probability 0.1. The
estimated yearly profit associated with the model being very successful is $15 million and being
moderately successful is $5 million; not successful would result in a loss of $500,000. Let X be
the yearly profit of the new model. Determine the probability mass function of X.

Answer : The probality mass function of the yearly profit of the new model (in million dolar)

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) An assembly consists of two mechanical components. Suppose that the probabilities that
the first and second components meet specifications are 0.95 and 0.98. Assume that the
components are independent. Determine the probability mass function of the number of
components in the assembly that meet specifications.

Answer : Range of X = 0,1,2P1 = 0.95 P2 = 0.98

P1’ = 1 – P1 = 0.05

P2’ = 1 – P2 = 0.02

P(X=0) = P1’ xP2’ = 0.05 x 0.02 = 0.001

P(X=1) = P1P2’ + P1’P2 = (0.95 x 0.02) + (0.05 x 0.98) = 0.068

P(X=2) = P1 xP2 = 0.95 x 0.98 = 0.931

3.25) An assembly consists of three mechanical components. Suppose that the probabilities that
the first, second, and third components meet specifications are 0.95, 0.98, and 0.99. Assume that
the components are independent. Determine the probability mass function of the number of
components in the assembly that meet specifications.

Answer :X = number of component that meet specification Range of X = 0,1,2,3

The probability that first component will not specification is 1 – 0.95 = 0.05

The probability that second component will not specification is 1 – 0.98 = 0.02

The probability that third component will not specification is 1 – 0.99 = 0.01

P(X=0) = (0.5)(0.2)(0.1)= 0.00001

25
 P(X=1) = [(0.95)(0.2)(0.1)]+[(0.5)(0.98)(0.1)]+[(0.5)(0.2)(0.99)]= 0.00167

P(X=2) = [(0.95)(0.98)(0.1)]+[(0.95)(0.02)(0.99)]+[(0.5)(0.98)(0.99)]= 0.07663

P(X=3) = (0.95)(0.98)(0.99)= 0.92169

3.3 Fungsi Distribusi Kumulatif

Contoh :

Pada contoh 3.2, kita mungkin tertarik pada probabilitas tiga atau lebih sedikit dari kesalahan.

Pertanyaan ini dapat dinyatakan sebagai 𝑃(𝑋 ≤ 3)

Peristiwa ini {𝑋 ≤ 3} adalah gabungan dari peristiwa-peristiwa {𝑋 = 0}, {𝑋 = 1}, {𝑋 = 2}, dan
{𝑋 = 3}. Jelas, ketiga peristiwa ini saling eksklusif. karena itu,

𝑃(𝑋 ≤ 3) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3)

= 0.6561 + 0.2196 + 0.0486 + 0.0036 + 0.0001

= 0.9999

3.4 Maksud 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

26
 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 :
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 yang disajikan di bagian berikut, probabilitas untuk nilai-nilai ini akan
ditentukan. Misalkan kemungkinannya adalah

27
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.

3.5 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,

28
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,

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 :
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,

29
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.

3.6 Distribusi Binomial

Pertimbangkan eksperimen acak dan variabel acak berikut:
1. Balik koin 10 kali. Biarkan X jumlah kepala diperoleh.
2. Alat mesin yang aus menghasilkan 1% bagian yang rusak. Biarkan X jumlah bagian yang
rusak dalam 25 bagian berikutnya diproduksi.
3. Setiap sampel udara memiliki kemungkinan 10% mengandung molekul langka tertentu.
Membiarkan X jumlah sampel udara yang mengandung molekul langka di 18 sampel berikutnya
dianalisis.
4. Dari semua bit yang dikirimkan melalui saluran transmisi digital, 10% diterima di kesalahan.
Biarkan X jumlah bit yang salah dalam lima bit berikutnya yang dikirimkan.
5. Tes pilihan ganda berisi 10 pertanyaan, masing-masing dengan empat pilihan, dan Anda
menebak di setiap pertanyaan. Biarkan X jumlah pertanyaan dijawab dengan benar.
6. Dalam 20 kelahiran berikutnya di rumah sakit, biarkan X jumlah kelahiran perempuan.
7. Dari semua pasien yang menderita penyakit tertentu, 35% mengalami peningkatan dari a obat
tertentu. Dalam 100 pasien berikutnya yang memberikan obat, biarkan X jumlah pasien yang
mengalami peningkatan.
Contoh-contoh ini menggambarkan bahwa model probabilitas umum yang memasukkan
eksperimen ini sebagai kasus-kasus tertentu akan sangat berguna.
Masing-masing percobaan acak ini dapat dianggap terdiri dari serangkaian berulang, percobaan
acak: 10 membalik koin dalam percobaan 1, produksi 25 bagian dalam percobaan 2, Dan
seterusnya. Variabel acak dalam setiap kasus adalah jumlah dari jumlah percobaan yang
memenuhi sebuah kriteria yang ditentukan. Hasil dari masing-masing percobaan memenuhi
kriteria yang diperhitungkan X atau itu tidak; akibatnya, setiap percobaan dapat diringkas
sebagai hasil baik sukses atau gagal. Misalnya, dalam percobaan pilihan ganda, untuk setiap
pertanyaan, hanya pilihan itu benar dianggap sukses. Memilih salah satu dari tiga pilihan yang

30
salah akan menghasilkan persidangan dirangkum sebagai suatu kegagalan. Istilah sukses dan
gagal hanyalah label. Kita bisa menggunakan A dan B atau 0 atau 1. Sayangnya, label yang biasa
kadang-kadang bisa menyesatkan. Dalam percobaan 2, karena X menghitung bagian yang cacat,
produksi bagian yang cacat disebut sukses. Percobaan dengan hanya dua hasil yang mungkin
digunakan begitu sering sebagai blok bangunan sebuah Percobaan acak yang disebut uji coba
Bernoulli. Biasanya diasumsikan bahwa cobaan itu merupakan eksperimen acak yang
independen. Ini menyiratkan bahwa hasil dari satu uji coba tidak berpengaruh pada hasil yang
akan diperoleh dari uji coba lainnya. Lebih jauh, Seringkali masuk akal untuk mengasumsikan
bahwa probabilitas keberhasilan dalam setiap percobaan adalah konstan. Di Eksperimen pilihan
ganda, jika peserta tes tidak memiliki pengetahuan materi dan adil menebak pada setiap
pertanyaan, kita dapat mengasumsikan bahwa probabilitas jawaban yang benar adalah ¼ untuk
setiap pertanyaan. Notasi faktorial digunakan dalam bagian ini. Ingat yang menunjukkan produk
dari bilangan bulat kurang dari atau sama dengan n:

Untuk contoh :

dan menurut definisi. Kami juga menggunakan notasi kombinatorial

Contoh :

Contoh :
Kemungkinan bit yang ditransmisikan melalui saluran transmisi digital diterima karena
kesalahan 0,1. Juga asumsikan bahwa uji coba transmisi independen. Biarkan X jumlah bit
masuk kesalahan dalam empat bit berikutnya yang dikirimkan. Biarkan huruf E menunjukkan
kesalahan sedikit, dan biarkan huruf O menyatakan bahwa bit itu oke, yaitu, diterima tanpa
kesalahan. Kami dapat mewakili hasil percobaan ini sebagai daftar empat huruf yang
menunjukkan bit yang salah dan yang baik-baik saja. Misalnya saja hasilnya OEOE

31
menunjukkan bahwa bit kedua dan keempat salah dan dua bit lainnya baik-baik saja. Itu nilai
yang sesuai untuk x adalah

Peristiwa bahwa X = 2 terdiri dari enam hasil:

Dengan menggunakan asumsi bahwa uji coba independen, probabilitas {EEOO} adalah

Juga, salah satu dari enam hasil yang saling eksklusif yang X=2 memiliki kemungkinan yang
sama terjadi. Karena itu,

Secara umum,

Untuk melengkapi formula probabilitas umum, hanya ekspresi untuk jumlah hasil
diperlukan yang mengandung x error. Hasil yang berisi x kesalahan dapat dibangun dengan
mempartisi empat percobaan (huruf) dalam hasil menjadi dua kelompok. Satu grup berukuran x
dan berisi kesalahan, dan grup lainnya berukuran n x dan terdiri dari uji coba yang baik-baik
saja. Jumlah cara mempartisi empat objek menjadi dua kelompok, salah satunya adalah ukuran x,
adalah :

32
Eksperimen acak terdiri dari uji coba Bernoulli sedemikian rupa sehingga
(1) Uji coba bersifat independen
(2) Setiap percobaan menghasilkan hanya dua hasil yang mungkin, dilabeli sebagai "sukses" dan
"kegagalan''
(3) Probabilitas keberhasilan dalam setiap percobaan, dilambangkan sebagai p, tetap konstan.
Variabel acak X yang sama dengan jumlah percobaan yang menghasilkan kesuksesan memiliki
variabel acak binomial dengan parameter
0 < p < 1 dan n= 1, 2, .......fungsi massa probabilitas X adalah

Seperti pada Contoh 3.16 , sama dengan jumlah total urutan uji coba yang berbeda itu
mengandung x keberhasilan dan n x kegagalan. Jumlah total urutan berbeda yang berisi x
keberhasilan dan kegagalan x kali probabilitas dari setiap urutan sama dengan. Ungkapan
probabilitas di atas adalah formula yang sangat berguna yang dapat diterapkan dalam sejumlah
contoh. Nama distribusi diperoleh dari ekspansi binomial. Untuk konstanta a dan b,

ekspansi binomial adalah

Biarkan p menunjukkan probabilitas keberhasilan pada satu percobaan. Kemudian, dengan

menggunakan binomial ekspansi dengan p dan b 1 p, kita melihat bahwa jumlah probabilitas
untuk variabel acak binomial adalah 1. Selanjutnya, karena setiap percobaan dalam percobaan
diklasifikasikan menjadi dua hasil, {sukses, gagal}, distribusi disebut "dua" - nomial.

33
distribusi umum, yang mencakup binomial sebagai kasus khusus, adalah multinomial distribusi.
Contoh distribusi binomial ditunjukkan pada Gambar. 3.8. Untuk n tetap, distribusi menjadi lebih
simetris karena p meningkat dari 0 menjadi 0,5 atau berkurang dari 1 menjadi 0,5. Untuk
diperbaiki p, distribusi menjadi lebih simetris karena n bertambah.

3.7 Geometric dan Distribusi Binomial Negatif

3.7.1 Distribusi Geometris

Pertimbangkan eksperimen acak yang terkait erat dengan yang digunakan dalam definisi
distribusi binomial. Sekali lagi, asumsikan serangkaian uji coba Bernoulli (uji coba independen
dengan probabilitas konstan p dari keberhasilan pada setiap uji coba). Namun, alih-alih sejumlah
uji coba, uji coba dilakukan hingga keberhasilan diperoleh. Biarkan variabel acak X
menunjukkan jumlah percobaan hingga keberhasilan pertama. Dalam Contoh 3-5, wafer
berturut-turut dianalisis sampai partikel besar terdeteksi. Kemudian, X adalah jumlah wafer yang
dianalisis. Dalam transmisi bit, X mungkin jumlah bit yang ditransmisikan hingga terjadi
kesalahan.

Contoh :

34
 Probabilitas bahwa sedikit yang ditransmisikan melalui saluran transmisi digital diterima
dalam kesalahan adalah 0,1. Asumsikan transmisi adalah peristiwa independen, dan biarkan
variabel acak X menunjukkan jumlah bit yang ditransmisikan hingga kesalahan pertama.

Kemudian, P (X 5) adalah probabilitas bahwa empat bit pertama ditransmisikan dengan

benar dan bit kelima salah. Acara ini dapat dilambangkan sebagai {OOOOE}, di mana O
menunjukkan bit yang oke. Karena uji coba independen dan probabilitas transmisi yang benar
adalah 0,9.

Perhatikan bahwa ada beberapa probabilitas bahwa X akan sama dengan nilai integer apa
pun. Juga, jika percobaan pertama berhasil, X = 1. Oleh karena itu, rentang X adalah {1,2,3 ..}
artinya, semua bilangan bulat positif.

Definisi

Dalam serangkaian uji coba Bernoulli (uji coba independen dengan probabilitas p
konstan keberhasilan), biarkan variabel acak X menunjukkan jumlah uji coba hingga
keberhasilan pertama. Kemudian X adalah variabel acak geometrik dengan parameter 0> p> 1
dan

Contoh fungsi massa probabilitas untuk variabel acak geometrik ditunjukkan pada Gambar. 3-9.
Perhatikan bahwa ketinggian garis pada x adalah (1 - p) dikali ketinggian garis pada x - 1.
Artinya, probabilitas menurun dalam perkembangan geometris. Distribusi memperoleh namanya
dari hasil ini.

35
 Gambar 3-9 distribusi geometrik untuk nilai yang dipilih dari
parameter

3.7.2 Distribusi Binomial Negatif

Generalisasi distribusi geometrik di mana variabel acak adalah jumlah uji coba
Bernoulli yang diperlukan untuk mendapatkan hasil r hasil dalam distribusi binomial negatif.

Contoh :

Seperti dalam Contoh 3.20, misalkan probabilitas bahwa sedikit yang ditransmisikan
melalui saluran transmisi digital diterima dalam kesalahan adalah 0,1. Asumsikan transmisi
adalah peristiwa independen, dan biarkan variabel acak X menunjukkan jumlah bit yang
ditransmisikan hingga kesalahan keempat. Kemudian, X memiliki distribusi binomial negatif
dengan r = 4. Probabilitas yang melibatkan X dapat ditemukan sebagai berikut. P (X = 10)
adalah probabilitas bahwa tepat tiga kesalahan terjadi dalam sembilan percobaan pertama dan
kemudian percobaan 10 menghasilkan kesalahan keempat. Probabilitas bahwa tepat tiga
kesalahan terjadi dalam sembilan percobaan pertama ditentukan dari distribusi binomial menjadi.

36
 Karena uji coba bersifat independen, probabilitas bahwa tepat tiga kesalahan terjadi
dalam 9 uji coba pertama dan uji coba 10 menghasilkan kesalahan keempat adalah produk dari
probabilitas kedua peristiwa ini, yaitu

Hasil sebelumnya dapat digeneralisasi sebagai berikut.

Definisi Dalam serangkaian uji coba Bernoulli (uji coba independen dengan probabilitas
konstan p dari keberhasilan), biarkan variabel acak X menunjukkan jumlah uji
coba sampai r keberhasilan terjadi. Kemudian X adalah variabel acak binomial
negatif dengan parameter 0 <p <1 dan r 1, 2 3, p, dan

37
Gambar 3-10 Distribusi binomial negatif untuk nilai yang dipilih dari parameter r dan p

Karena setidaknya r percobaan diperlukan untuk mendapatkan r keberhasilan,

rentang X adalah dari r ke. Dalam kasus khusus bahwa r = 1, variabel acak binomial negatif
adalah variabel acak geometrik. Distribusi binomial negatif terpilih diilustrasikan pada Gambar
3-10.

Kurangnya properti memori variabel acak geometris menyiratkan yang berikut.

Biarkan X menunjukkan jumlah total percobaan yang diperlukan untuk mendapatkan r
kesuksesan. Biarkan X1 menunjukkan jumlah uji coba yang diperlukan untuk memperoleh
kesuksesan pertama, biarkan X2 menyatakan jumlah uji coba tambahan yang diperlukan untuk
mendapatkan keberhasilan kedua, biarkan X3 menunjukkan jumlah uji coba tambahan untuk
mendapatkan keberhasilan ketiga, dan sebagainya. Kemudian, jumlah total percobaan yang
diperlukan untuk mendapatkan r keberhasilan adalah X = X1 + X2 + ... Xr. Karena kurangnya
properti memori, masing-masing variabel acak memiliki distribusi geometrik dengan nilai p yang
sama. Akibatnya, variabel acak binomial negatif dapat diartikan sebagai jumlah dari variabel
acak r geometrik. Konsep ini diilustrasikan pada Gambar 3-11. Ingatlah bahwa variabel acak
binomial adalah hitungan jumlah keberhasilan dalam uji coba Bernoulli. Artinya, jumlah
percobaan sudah ditentukan sebelumnya, dan jumlah keberhasilannya acak. Variabel acak
binomial negatif adalah jumlah dari jumlah percobaan yang diperlukan

Gambar 3-11 Variabel acak binomial negatif direpresentasikan sebagai jumlah variabel acak
geometrik.

dapatkan proses. Artinya, jumlah keberhasilan sudah ditentukan sebelumnya, dan jumlah
percobaannya acak. Dalam pengertian ini, variabel acak binomial negatif dapat dianggap
sebaliknya, atau negatif, dari variabel acak binomial. Deskripsi variabel acak binomial negatif

38
sebagai jumlah variabel acak geometrik mengarah ke hasil berikut untuk mean dan varians.
Jumlah variabel acak dipelajari dalam Bab 5.

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

3.8 Distribusi Hypergeometric

Dalam Contoh 3.8, produksi 850 bagian yang diproduksi sehari mengandung 50
bagian yang tidak sesuai dengan persyaratan pelanggan. Dua bagian dipilih secara acak, tanpa
penggantian dari produksi hari itu. Artinya, unit yang dipilih tidak diganti sebelum pemilihan
berikutnya dilakukan. Biarkan A dan B menunjukkan peristiwa bahwa bagian pertama dan kedua
tidak sesuai, masing-masing. Dalam Bab 2, kami menemukan P (B / A) = 49/849 dan P (A) =
50/850. Akibatnya, pengetahuan bahwa bagian pertama tidak sesuai menunjukkan bahwa
kemungkinan kecil bagian kedua yang dipilih tidak sesuaiPercobaan ini secara fundamental
berbeda dari contoh-contoh berdasarkan pada distribusi binomial. Dalam percobaan ini, uji coba
tidak independen. Perhatikan bahwa, dalam kasus yang tidak biasa bahwa setiap unit yang dipilih
diganti sebelum pemilihan berikutnya, uji coba independen dan ada kemungkinan konstan bagian
yang tidak sesuai pada setiap uji coba. Kemudian, jumlah bagian yang tidak sesuai dalam sampel
adalah variabel acak binomial. Biarkan X sama dengan jumlah bagian yang tidak sesuai dalam
sampel. Kemudian P(X=0)=P(keduanya sesuai)=(800/850)(799/849)=0,886 P(X=1)=P(bagian
pertama yang dipilih tidak dan bagian kedua yang dipilih tidak sesuai, atau bagian pertama yang
dipilih tidak dipilih sesuai)=(800/850)(50/849)+(50/850)(800/849)=0,111 P (X=2) = P(kedua
bagian tidak sesuai)=(50/850)(49/849)=0,003. Seperti dalam contoh ini, sampel sering dipilih
tanpa penggantian. Meskipun probabilitas dapat ditentukan oleh alasan yang digunakan dalam
contoh di atas, rumus umum untuk menghitung probabilitas ketika sampel dipilih tanpa
penggantian cukup berguna. Aturan penghitungan yang disajikan dalam Bagian 2-1.4, bagian
dari materi CD untuk Bab 2, dapat digunakan untuk membenarkan rumus yang diberikan di
bawah ini.

Defenisi :

39
 Aset dari objek N, Objek K diklasifikasikan sebagai keberhasilan. Obyek N
diklasifikasikan sebagai kegagalan. Sampel ukuran n objek dipilih secara acak (tanpa
penggantian) dari objek N, di mana K <N dan n <N.Biarkan variabel acak X menunjukkan
jumlah keberhasilan dalam sampel. Kemudian X adalah variabel acak dan

Ekspresi min digunakan dalam definisi rentang X karena jumlah keberhasilan maksimum yang
dapat terjadi dalam sampel adalah lebih kecil dari ukuran sampel n,

Gambar 3-12 Distribusi hypergeometric untuk nilai yang dipilih dari parameter N,Kdan n

dan jumlah keberhasilan yang tersedia, K. Juga, jika n + K > N setidaknya n + K – N kesuksesan
harus terjadi dalam sampel. Distribusi hypergeometrik yang dipilih diilustrasikan pada Gambar
3-12.

Contoh :

Contoh pada awal bagian ini dapat dianalisis kembali dengan menggunakan ekspresi umum
dalam definisi variabel acak hipergeometrik. Itu adalah,

40
3.9 Distribusi Poisson
Kami memperkenalkan distribusi Poisson dengan sebuah contoh sebagai berikut :
Contoh 1 :
Pertimbangkan transmisi n bit melalui saluran komunikasi digital. Biarkan variabel acak X sama
dengan jumlah bit yang salah. Ketika probabilitas bit dalam kesalahan adalah konstan dan
transmisi independen, X memiliki distribusi binomial. Biarkan p menunjukkan probabilitas
bahwa sedikit kesalahan. Biarkan , dan lalu dan

Sekarang, anggaplah bahwa jumlah bit yang dikirim meningkat dan probabilitas kesalahan
berkurang cukup tepat sehingga pn tetap sama dengan konstanta. Artinya, n meningkat dan p
menurun , sehingga tetap konstan. Kemudian, dengan beberapa pekerjaan, bisa jadi

menunjukkan
Juga, karena jumlah bit yang ditransmisikan cenderung hingga tak terbatas, jumlah kesalahan
bisa sama dengan bilangan bulat tidak negatif. Oleh karena itu, kisaran X adalah bilangan bulat
dari nol hingga tak terbatas.Contoh berikut menggambarkan penerapan yang lebih luas
Contoh :
Cacat terjadi secara acak di sepanjang kawat tembaga tipis. Misalkan X menunjukkan variabel
acak yang menghitung jumlah cacat dalam panjang L milimeter dari kawat dan anggap bahwa
jumlah rata-rata cacat dalam L milimeter adalah. Distribusi probabilitas X dapat ditemukan
dengan penalaran dengan cara yang mirip dengan contoh sebelumnya. Partisi panjang kawat

41
menjadi n sub-lubang dengan panjang kecil, katakanlah, masing-masing 1 mikrometer. Jika sub
interval yang dipilih cukup kecil, probabilitasnya lebih dari satu cacat terjadi di subinterval
diabaikan. Selanjutnya, kita bisa mengartikan anggapan cacat terjadi secara acak untuk
menyiratkan bahwa setiap subinterval memiliki probabilitas yang sama untuk mengandung
sebuah cacat. Akhirnya, jika kita mengasumsikan bahwa probabilitas bahwa subinterval
mengandung cacat tidak tergantung pada subinterval lain, kita dapat memodelkan distribusi X
sebagai kira-kira variabel acak binomial. Karena
kami memperol. Artinya, probabilitas bahwa subinterval mengandung cacat. Dengan subinterval
yang cukup kecil, n sangat besar dan p sangat kecil. Oleh karena itu, distribusi X diperoleh
seperti pada contoh sebelumnya.
Contoh 3.31 dapat digeneralisasi untuk memasukkan beragam eksperimen acak. Interval
yang dipartisi adalah panjang kawat. Namun, alasan yang sama bisa terjadi dan diterapkan pada
interval apa pun, termasuk interval waktu, area, atau volume. Sebagai contoh,menghitung :
(1) partikel kontaminasi dalam pembuatan semikonduktor,
(2) cacat pada gulungan tekstil,
(3) panggilan ke pertukaran telepon,
(4) pemadaman listrik, dan
(5) partikel atom yang dipancarkan dari spesimen semuanya telah berhasil dimodelkan oleh
fungsi massa probabilitas dalam definisi berikut.
Diberikan interval bilangan real, anggap jumlah terjadi secara acak sepanjang interval.
Jika intervalnya bisa dipartisi menjadi subinterval dengan panjang yang cukup kecil bahwa : (1)
probabilitas lebih dari satu hitungan dalam subinterval adalah nol, (2) probabilitas satu hitungan
dalam subinterval adalah sama untuk semua subinterval dan sebanding dengan panjang
subinterval, dan (3) hitungan di setiap subinterval tidak tergantung pada subinterval lain,
percobaan acak disebut proses Poisson. Variabel acak X yang sama dengan jumlah hitungan
dalam interval adalah Poisson variabel acak dengan parameter 0 < ʎ dan probabilitas fungsi
massa X adalah

42
 Distribusi poisson untuk nilai parameter yang dipilih

Secara historis, istilah proses telah digunakan untuk menyarankan pengamatan atas suatu sistem
waktu. Dalam contoh kami dengan kawat tembaga, kami menunjukkan bahwa distribusi Poisson
bisa juga berlaku untuk interval seperti panjang diatas menyediakan grafik Poisson yang dipilih
distribusi.
Penting untuk menggunakan unit yang konsisten dalam perhitungan probabilitas, cara, dan
varians yang melibatkan variabel acak Poisson. Contoh berikut menggambarkan konversi unit.
Misalnya, jika rata-rata jumlah kekurangan per milimeter kawat adalah 3,4, kemudian
rata-rata jumlah kekurangan dalam 10 milimeter kawat adalah 34, dan rata-rata jumlah
kekurangan dalam 100 milimeter kawat adalah 340. Jika variabel acak Poisson mewakili jumlah
hitungan dalam beberapa interval, rata-rata dari variabel acak harus sama dengan jumlah
hitungan yang diharapkan dalam interval waktu yang sama.

43
 BAB IV

PENUTUP

4.1 Kesimpulan

Berdasarkan pembahasan pada bab II dan bab III, dapat ditarik kesimpulan bahwa:
1. Ruang sampel adalah himpunan semua hasil yang mungkin dari semua percobaan acak.
Ruang sampel dilambangkan sebagai S.Ruang sampel sering didefinisikan berdasarkan
tujuan
2. Pembagian-pembagian ruang sampel yaitu :
- Eksperimen Acak (Random experiment)
- Ruang Sampel
- Event (acara)

3. interpretasi probabilitas

4. Aturan Tambahan

5. Probabilitas Kondisi

6. Peraturan Multiplikasi Dan Total

44
 DAFTAR PUSTAKA

Montgromery Runger Appliend Statistics and Probability For Engineer

45