Definisi :

Reliabilitas suatu kompenen atau produk adalah besar kemungkinan dari

komponen atau produk tersebut akan berfungsi secara baik, paling tidak dalam
suatu waktu tertentu dari kondisi eksperimen yang tertentu pula.

Oleh karena itu, reliabilitas suatu komponen pada waktu t, yaitu R(t), adalah:

R ( t )=P(T > t)

∞
¿ ∫ f ( t ) dt=1−F (t)
t

Dimana F (t) adalah distribusi kumulatif T .

Besar kemungkinan terkondisi bahwa suatu komponen akan tidak berfungsi

dalam interval waktu T =t dan T =t+ ∆ t adalah :

F¿¿

Jika dibagi dengan ∆ t dan ∆ t → 0, akan kita peroleh tingkat kegagalan yang
dinotasikan oleh Z( t)

lim F ( t+ ∆ t )−F (t )
∆t →0 1
Z ( t )= .
∆t R( t)

F !(t ) f ( t ) f (t)
¿ − −
R( t) R(T ) 1−F (T )

Yang menyatakan tingkat kegagalan dalam distribusi waktu kegagalan. Dari

R ( t )=1−F (t) dan R' ( t )=1−F' (t ), diperoleh :

R' (t )
Z ( t )= =−d ¿ ¿
R (t)

ln R ( t )=−∫ Z ( t ) dt

− Z ( t ) dt
R ( t )=e ∫ TC
C adalah konstanta yang akan memenuhi asumsi bahwa R ( 0 )=1 atau
F ( 0 )=1−R ( 0 ) =0

11.5 Proses Stochastic

Perhatikan suatu eksperimen E yang spesifikasikan oleh out-come s yang

membentuk ruang (space) S oleh subset tertentu dari S yang disebut event, dan
oleh probabilitas dari events tersebut. Untuk setiap out-come s itu ada suatu
waktu x(t,s) yang harganya bisa berupa bilangan riil atau bilangan kompleks.
Maka kita telah membuat satu “keluarga” fungsi, yang masing-masing fungsi
berlaku untuk masing-masing s . keluarga fungsi ini disebut suatu proses
stochastic.

Proses stochastic ini dapat dipandang sebagai suatu fungsi dari dua
variabel t dan s, dimana domain s adalah set S dan domain t adalah set bilanan
riil. Untuk suatu outcome si tertentu, ekspresi , x (t , si ) menyatakan suatu
fungsi waktu tunggal, sedangkan untuk suatu harga t i tertentu, x (t¿ ¿i , s)¿
adalah suatu besaran yang bergantung pada s, dan disebut sebagai variabel
random. Akhirnya, , x (t ¿ ¿i , s i)¿ adalah suatu bilangan murni.

Kita dapat menggunakan notasi , x (t ) untuk menyatakan suatu proses

stochasticyang menghilangkan kebergantungannya pada s, maka x (t ) ini akan
menyatakan empat hal yang berbeda , yaitu :

a. Suatu keluarga dari fungsi waktu (t dan s berupa variabel)

b. Suatu fungsi waktu tunggal (t variabel, s tetap)
c. Suatu variabel random (t tetap, s variabel)
d. Suatu bilangan tunggal (t tetap. s tetap)

Contoh:
Dari suatu eksperimen pembuatan generator diketahui bahwa gaya
elektromotif untuk generator tertentu merupakan gelombang sinus sebagai
berikut :
Gambar

dimana amlitudo, frekuensi, dan fasenya bergantung pada generator

terpilih. Maka a, ω, dan θ adalah variabel random, dan
x ( t )=a sin(ω t +θ)
Adalah suatu proses stochastic.
Contoh lain yang lebih sederhana adalah pada eksperimen
pelemparan mata uang. Jika didefinisikan suatu fungsi x ( t ) sedemikian
sehingga.
x ( t )=sin t jika s=¿ muka, dan
x ( t )=2 t jika s=¿ belakang,

Maka x ( t ) terdiri atas dua kurva yang sangat teratur. Namun, ini adalah
suatu proses stochastic juga.
Kelas yang penting dari sistem stochastic ini adalah yang dikenal
sebagai proses Markov dan rantai Markov. Rantai markov ini sebenarnya
suatu kasus khusus dari proses Markov yang digunakam untuk
mempelajari perilaku sistem stochastic tertentu.
Proses Markov adalah suatu sistem stochastic yang mempunyai
karakter bahwa terjadinya suatu state pada suatu saat bergantung pada dan
hanya pada state sebelumnya. Maka apabila
t 0< t 1 <…< t n (n = 0, 1, ...)

Menyatakan titik-titik waktu , kumpulan variabel random ¿ x (t¿¿ n)∨¿ ¿

adalah suatu proses Markov jika memenuhi sifat berikut ini :
P¿ =
P{ x ( t n )=x n∨x ( t n−1 ) =x n−1}

Untuk seluruh harga x (t¿ ¿ 0) , x (t¿¿ 1) ,… , x (t ¿ ¿ n)¿ ¿ ¿

 Probabilitas P X n−1 ,xn
=P { x ( t n )=x n∨x ( t n−1 ) =x n−1}

Disebut sebagai probabilitas transisi. Probabilitas transisi ini menyatakan

probabilitas bersyarat (conditional probability) dari sistem yang berada
dalam x n pada aat t n jika diketahui bahwa sistem ini berada dalam x n−1
pada saat t n−1 .
Dari suatu eksperimen E diperoleh s1 , s 2 , … , s j ( j = 0, 1, 2, ...)yang
menyatakan outcome (state dari surtu sistem pada suatu waktu). Pada
mulanya, yaitu pada saat t 0, sistem tersebut pada salah satu state diatas.

Tentukan a j(0 ) ( j = 0, 1, 2, ...) sebagai probabilitas absolut bahwa sistem

berada pada state s j pada saat t 0. Berikutnya asumsikan bahwa sistemnya
adalah sistem Markov.
Definisikan :
Pij =¿P{ x ( t n )= j∨x ( t n−1 )=i }

Sebagai probabilitas transisi dari state i pada t n−1 ke state j pada saat t n,
dan asumsikan bahwa probabilitas ini tetap sepanjang waktu. Maka
probabilitas transisi dari state si ke state s jini akan lebih mudah jika
disusun dalam suatu bentuk matriks sebagai berikut :

P00 P01 P02 P03 …

[
P10
P= P20
P30
.
P11
P21
P31
.
P12
P22
P32
.
P13
P23
P33
.
…
… .¿.¿.¿¿ .¿.¿.¿.¿¿
…
¿
]
Matriks P ibni disebut sebagai transisi homogen atau matriks Stochastic karena
seluruh probabilitas transisi Pij berharga tetap dan independen terhadap waktu.

Probabilitas Pij ini harus memenuhi kondisi berikut :

∑ Pij=1 untuk seluruh i

j

Pij ≥ 0 untuk seluruh i dan j.

Matriks transisi P bersama-sama dengan probabilitas inisial { a j(0) } yang berkaitan
dengan state

s j inilah yang disebut sebagai rantai Markov (Markov chain).

Berdasarkan { a j } dan P dari suatu rantai Markov, maka probabilitas absolut dari
(0)

sistem yang telah menjalani sejumlah transisi ditentukan sebagai berikut : jika

{ a j(0) } adalah probabilitas absolut dari sistem setelah transisi , yaitu pada saat t n,
maka seara umum { a j } dapat dinyatakan sebagai :
(0)

a j(1) =ai(0 ) p1 j+a2(0) p 2 j+ a3(0) p3 j+…

(0)
¿ ∑ ai pi j
i

Demikian juga

a j(2) =∑ ai(0) pi j=∑ ¿ ¿

i i

¿ ∑ a k(0) ( ∑ p k i p i j)=∑ ak (0 ) pk j (2)

k i k

Dimana pk i(2)=∑ p k i pi j adalah probabilitas transisi dua langkah atau

i

probabilitas transisi order kedua, yaitu probabilitas dari state k ke state j dalam

( 0) ( n−1 )
pk j =∑ ai(0) pi j n ¿ ¿
(n )
dua transisi. Maka :a j =∑ ai (∑ p k i
)
i k i

Dimana pi j n adalah probabilitas transisi n langkah (atau order ke-n) yang

dinyatakan dengan rumus: pi j n=∑ pi k ( n−1) p k j

k

Maka seara umum, untuk seluruh i dan j:

pi j n=∑ pi k ( n−m) p k j m , 0<m<n

k

Persamaan ini dikenal sebagai persamaan Chapman-Kolmogorov.