PROBABILITAS DASAR

Sebagian besar model dalam buku ini bersifat deterministik. Model stokastik adalah dibahas di
sini dan di Bab 10. Di sini kita hanya menggunakan konsep probabilistik diskrit dasar, tetapi
konsep yang lebih canggih, seperti limit pusat teorema, diperlukan dalam Bab 10. Lampiran berisi
diskusi singkat konsep probabilistik yang diperlukan. Dapat berfungsi sebagai penyegar atau
sebagai referensi untuk diskusi kelas yang lebih santai.

5.1 MODEL ANALITIS

Preferensi Jenis Kelamin dan Rasio Jenis Kelamin
Beberapa orang telah menyatakan keprihatinan tentang kemungkinan suatu populasi secara
nyata mengubah rasio jenis kelaminnya (jumlah laki-laki dibagi dengan jumlah perempuan) karena
preferensi untuk anak-anak dari jenis kelamin tertentu. Ini bisa menjadi masalah nyata jika
penentuan jenis kelamin intrauterin digabungkan dengan aborsi atau jika pembunuhan bayi
dilakukan. Sejauh mana suatu populasi dapat mempengaruhi rasio jenis kelamin semata-mata
melalui pengendalian kelahiran, termasuk aborsi yang tidak terkait dengan jenis kelamin janin?
Pembahasan berikut ini didasarkan pada L. A. Goodman (1961).
Mari kita abaikan kelahiran kembar untuk mempermudah analisis. Mereka cukup langka
sehingga efeknya pada model akan sangat kecil.
Kita harus mengatakan sesuatu tentang kemungkinan bayi sehat yang lahir dari pasangan
tertentu adalah perempuan atau laki-laki. Ini mungkin berbeda dari pasangan ke pasangan.
Seseorang dapat memberikan argumen biologis yang masuk akal bahwa itu tidak tergantung pada
jenis kelamin anak-anak yang sudah lahir dari pasangan tersebut. Ada data yang menunjukkan
bahwa jenis kelamin sedikit terkait dengan usia pasangan. Karena ini tidak mudah dimasukkan ke
dalam model dan karena hanya memiliki sedikit efek, kami mengabaikannya.
Masalah utamanya adalah: Berapa banyak anak yang dapat dikandung oleh suatu
pasangan? Ini adalah masalah yang pelik. Kami mengabaikannya sepenuhnya dalam diskusi
berikut dan mempertimbangkannya secara singkat di Soal 1.
Asumsi kami dapat diringkas sebagai berikut:
1. Terdapat probabilitas Pi bahwa seorang anak yang lahir dari pasangan ke-i adalah laki-laki dan
probabilitas qi = 1 - Pi anak tersebut adalah perempuan. Nilai Pi bukan merupakan fungsi dari
jenis kelamin anak-anak lain dari pasangan tersebut dan tidak dapat disesuaikan oleh pasangan
tersebut.
2. Setiap kelahiran menghasilkan tepat satu anak.
3. Sepasang suami istri dapat memiliki anak sebanyak yang diinginkan

Mengingat asumsi 3, pasangan dapat memiliki anak tambahan jika seorang anak harus
meninggal setiap saat setelah lahir. Oleh karena itu kita dapat mengabaikan kematian di masa
kanak-kanak dan menafsirkan Pi sebagai probabilitas bahwa seorang anak yang lahir dan bertahan
hidup sampai masa kanak-kanak adalah laki-laki. Setelah membaca diskusi berikut, komentari
realisme asumsi dan coba tentukan apa pengaruhnya terhadap kesimpulan. Secara khusus, Soal 1
meminta diskusi tentang model di mana asumsi 3 diganti dengan batas atas pada jumlah anak per
pasangan. Dalam istilah teknis, model yang diusulkan memperlakukan jenis kelamin anak-anak
yang lahir dari pasangan sebagai percobaan Bernoulli
Kami ingin mempelajari nilai µ, fraksi laki-laki dalam populasi. Biarkan Fi menjadi
variabel acak yang sama dengan jumlah perempuan yang lahir dari pasangan ke-i, misalkan Mi
adalah jumlah laki-laki, dan atur Ni = Fi + Mi . Kemudian

di mana E menunjukkan harapan. Menaksir ekspektasi rasio dengan rasio ekspektasi, seperti yang
dilakukan pada (1), cukup akurat untuk populasi besar. (Jika Anda pernah mengikuti kursus teori
probabilitas matematika, Anda mungkin ingin membuktikannya).
Mengingat asumsi 1, fraksi yang diharapkan dari anak laki-laki yang lahir dari pasangan ke-i
adalah Pi . Oleh karena itu E(M;) = PiE(Ni), dan tidak mungkin pasangan dapat mengubah fraksi
anak laki-laki yang diharapkan darinya. Dari (1) kita memiliki

Hal ini mengikuti dari (2) bahwa populasi dapat menyebabkan perubahan µ hanya dengan
memperkenalkan korelasi antara Pi dan E(Ni) Ketika tidak ada preferensi jenis kelamin, masuk
akal untuk mengasumsikan bahwa E(Ni) dan Pi tidak berkorelasi. kasus sisi kanan (2) sama dengan
rata-rata Pi atas semua pasangan.
Berapa nilai µ yang mungkin? Karena (2) adalah rata-rata tertimbang dari Pi, nilai µ harus
berada di antara min Pi dan max Pi . Karena asumsi 3, populasi yang bekerja secara keseluruhan
dapat mendekati nilai apa pun dalam batas-batas ini. Juga, populasi yang bekerja secara individu
dapat memperkirakan λ antara min Pi dan max Pi : Sepasang suami istri terus memiliki anak
selama fraksi laki-laki dalam n anak yang sudah mereka miliki tidak berbeda dari λ lebih dari
𝑛−1/3. Secara umum, semakin dekat beberapa Pi ke λ, semakin dekat kita dapat mengharapkan µ
untuk mendekati λ . Pilihan 𝑛−1/3 agak sewenang-wenang. Kami menginginkan fungsi yang
cenderung mendorong pasangan dengan Pi yang dekat dengan λ untuk memiliki banyak anak.
Karena pecahan anak laki-laki cenderung berbeda dengan sesuatu pada urutan 𝑛−1/2 untuk alasan
acak, kami menginginkan fungsi yang besar dibandingkan dengan 𝑛−1/2 untuk nilai n yang besar.
Fungsi 𝑛−1/3 adalah fungsi seperti itu.
Menggunakan (2) kami berpendapat bahwa min Pi ≤ µ ≤ max Pi. Ada kesalahan dalam
argumen ini: (1) adalah perkiraan yang akurat hanya untuk populasi besar, dan hanya perkiraan
untuk µ terletak di antara min Pi dan max Pi . Untuk melihat bahwa µ tidak perlu berada dalam
batas-batas ini, pertimbangkan populasi yang terdiri dari pasangan tunggal dengan menggunakan
aturan, " Berhenti setelah satu anak jika anak pertama laki-laki, jika tidak punya dua anak."
Tetapkan p1 = p dan 1 - p = q. Barisan anak-anak yang mungkin adalah M, FM, dan FF, dan
peluangnya berturut-turut adalah p, qp, dan q2 . Dengan demikian

1
Ketika p = ini sama dengan 0,625. Sekarang misalkan ada k pasangan yang semuanya
2
1
menggunakan aturan yang sama dan semuanya dengan p = 2 . Rasio jenis kelamin yang diharapkan
untuk k = 1, 2, 3, 4, 5 adalah 0,625 (seperti yang baru saja dihitung), masing-masing 0,563, 0,541,
1
0,530, dan 0,524. Dengan demikian pendekatan untuk 2 cukup lambat.

Diskusi di atas menunjukkan apa yang dapat dicapai sebagai nilai untuk µ. Apa yang akan
dicapai jika setiap pasangan secara mandiri menjalankan rencana berdasarkan keinginan untuk
memiliki anak dari jenis kelamin tertentu? Banyak rencana yang mungkin. Tiga contohnya adalah
1. Sepasang suami istri dapat terus melahirkan anak sampai mereka memiliki anak dengan jenis
kelamin yang diinginkan.
2. Mereka dapat terus melahirkan sampai mereka memiliki anak yang bukan dari jenis kelamin
yang diinginkan.
3. Rencana 2 dapat dimodifikasi dengan persyaratan bahwa setidaknya ada satu anak dari jenis
kelamin yang diinginkan
Rencana dapat bervariasi dari pasangan ke pasangan, sangat memperumit masalah. Kami
berasumsi bahwa seluruh populasi mengikuti rencana yang sama dan anak laki-laki diinginkan.
Jika P adalah peluang keberhasilan (atau kegagalan) dalam percobaan Bernoulli berulang,
waktu tunggu yang diharapkan sampai keberhasilan (atau kegagalan) pertama adalah

Oleh karena itu E(Ni) = l/pi untuk rencana 1 dan E(Ni) = l/qi untuk rencana 2. Untuk
rencana 3 kita memiliki salah satu pola boy(s)-girl atau gir1(s)-boy untuk urutan kelahiran anak.
Yang pertama melibatkan kelahiran anak laki-laki dan memiliki probabilitas pi dan jumlah
kelahiran yang diharapkan 1 + l/qi, Kasus kedua serupa. Dengan demikian

Dari sini mudah untuk menghitung perkiraan ke µ dengan menggunakan (2). Untuk
rencana 1 kita mendapatkan rata-rata harmonik dari pi, Karena rata-rata aritmatika melebihi rata-
rata harmonik, ini µ kurang dari acak. Hal ini disebabkan fakta bahwa pi tinggi berkorelasi dengan
E(Ni) rendah Demikian pula, rencana 2 mengarah ke µ yang lebih tinggi daripada acak. Apa yang
terjadi pada rencana 3 tergantung pada distribusi pi, Sampai saat ini kami belum membutuhkan
informasi seperti itu tentang pi, Ini bagus, karena tidak dapat dihitung. Lihat juga halaman 217.
Membuat Pilihan Sederhana
Proses mental apa yang terjadi (mungkin secara tidak sadar) ketika Anda membuat
keputusan sederhana, seperti memilih yang lebih panjang dari dua baris? Tidak ada yang benar-
benar tahu, dan model di bidang ini diganggu oleh penyederhanaan yang berlebihan; misalnya,
suatu proses dapat diasumsikan identik dari percobaan ke percobaan, atau suatu hubungan dapat
diasumsikan linier, meskipun asumsi ini diketahui hanya perkiraan kasar. Model berikut, meskipun
tidak terkecuali, mengilustrasikan beberapa ide menarik. Ini diadaptasi dari R. J. Audley (1960).
Masalah lain adalah adanya beberapa model yang sama baik (atau buruk) untuk situasi yang sama.
Lihat R. R. Bush dan F. Mosteller (1959).
Kami ingin memodelkan situasi eksperimental di mana subjek diharuskan memilih antara
dua alternatif sederhana, misalnya, mana dari dua garis yang hampir sama yang lebih panjang.
Alternatifnya disebut A dan B, dan pilihan yang benar adalah A. Kami berasumsi bahwa subjek
membuat urutan pilihan secara implisit (baik secara sadar atau tidak sadar) dan ini menentukan
pilihan akhir. Secara khusus, kami berasumsi
a) Ada parameter α dan β sedemikian rupa sehingga selama interval waktu kecil dengan panjang
Δt pilihan implisit A terjadi dengan probabilitas α Δt dan pilihan implisit B dengan probabilitas
β Δt. Peristiwa ini bersifat independen.
b) Pilihan akhir dibuat setelah menjalankan K pilihan implisit yang identik, dan itu sama dengan
pilihan implisit yang baru saja dipilih K kali berturut-turut.
Kami hanya mempertimbangkan dua kasus model yang paling sederhana: K = 1, 2. Akan lebih
tepat untuk memperlakukan K sebagai parameter, tetapi ini akan mengarah pada matematika yang
lebih terlibat.
Asumsi 1 menyiratkan bahwa pilihan implisit berikutnya adalah A dengan probabilitas p =
α/(α+ β). Misalkan q = 1 – p. Oleh karena itu, probabilitas serangkaian pilihan implisit yang terdiri
dari a A’s dan b B’s dalam beberapa urutan tertentu adalah

Dalam interval panjang Δt,

Ini menjelaskan apa yang disebut proses Poisson dengan parameter λ= α + β. Sifat-sifat proses
seperti itu sudah diketahui dengan baik. Secara khusus, waktu rata-rata antara respons implisit
adalah 1/λ dan probabilitas tepat n respons implisit selama interval waktu dengan panjang t adalah
 Proses Poisson dibahas dalam Lampiran. Ini juga muncul secara singkat dalam contoh
peluruhan radioaktif di Bab 10.
Kita dapat menggunakan K, p, dan λ sebagai parameter dasar daripada K, α, dan β, karena
α = pλ dan β = (1 - p)λ. Semua distribusi probabilitas dapat diparameterisasi oleh p dan K jika
dilihat sebagai fungsi dari ℩ = λt daripada t. Oleh karena itu p dan K menentukan bentuk distribusi,
dan λ menentukan skala waktu.
Ketika K = 1, subjek hanya membuat satu pilihan implisit. dan ini adalah pilihan
terakhirnya. Probabilitas respon pada waktu t adalah 1 – Po(t), yaitu Poisson sebesar (4). Audley
mencatat bahwa ini tidak sesuai dengan hasil eksperimen
Ketika K = 2, subjek bergantian antara A dan B dalam implisitnya pilihan sampai dia
akhirnya membuat dua pilihan implisit yang identik
Kita mulai dengan mempelajari rangkaian pilihan seperti itu. Misalkan PA(n) adalah
probabilitas bahwa terdapat tepat n jawaban implisit dan pilihan terakhir adalah A, dan misalkan
PA = ∑ 𝑃𝐴(𝑛) adalah probabilitas bahwa pilihan terakhir adalah A. Probabilitas
dari n-panjang string berakhir di B adalah (pq)m jika n = 2m dan q(pq)m jika n = 2m + 1.
(Hal ini memungkinkan untuk kasus n = 0.) Oleh karena itu, untuk k > 0, PA( 2k) = p2 (pq)k-1, PA
(2k + 1) = p(pq)k, dan

Karena PA dapat ditentukan dari data eksperimen, kami memiliki cara untuk
memperkirakan p
Untuk mengestimasi λ, diperlukan beberapa informasi yang melibatkan waktu. Karena
rata-rata biasanya dapat diperkirakan dengan cukup baik dari data, waktu rata-rata adalah pilihan
yang masuk akal. Biarkan LA menjadi waktu untuk pilihan akhir mengingat pilihannya adalah A,
dan biarkan L menjadi waktu untuk pilihan akhir terlepas dari apakah itu A atau B. Seperti biasa,
kami menggunakan notasi seperti L untuk menunjukkan mean dari L, dan E(L) untuk menunjukkan
nilai yang diharapkan dari L. Kami memiliki

Dengan menggunakan ∑ 𝑛𝑥 n = x/(1 – x)2, adalah hal yang mudah untuk mengevaluasi jumlah ini:
Dan juga

5
Konsekuensi yang menarik dari (6a) adalah bahwa r = E(LA)/E(LB) berkurang dari sekitar 4
4
menjadi sekitar 5 seiring dengan peningkatan p dari 0 ke 1. Untuk melihat ini cukup dipelajari

karena r = f(p)/ f(q). Anda harus mengerjakan detailnya. Cara lain untuk menggambarkan
perilaku r adalah
Waktu rata-rata untuk pilihan akhir lebih lama untuk pilihan yang lebih kecil
kemungkinannya, tetapi tidak pernah melebihi waktu rata-rata lainnya lebih dari sekitar 25%.
Kami sekarang siap untuk membandingkan model dengan hasil eksperimen. Audley
mencatat bahwa sangat sedikit data yang sesuai yang tersedia dan mendasarkan pengujian
utamanya terhadap model pada karya V. A. C. Henmon (1911). Kami hanya mengandalkan
karyanya; lihat makalah Audley untuk diskusi lebih lanjut. Dalam eksperimennya Henmon
menampilkan dua garis vertikal, salah satunya sedikit lebih panjang dari yang lain. Setengah dari
waktu subjek diminta untuk memilih garis yang lebih panjang, dan setengah dari waktu, garis yang
lebih pendek. Subjek juga diminta untuk mengungkapkan tingkat kepercayaan dalam pilihan.
Garis ditampilkan sampai penilaian dibuat. Dalam satu seri subjek diharuskan membuat 50
penilaian. Dari tiga subjek diambil 1000 penilaian, dan masing-masing 500 diambil dari tujuh
subjek lainnya
Sayangnya, hanya data dari tiga subjek pertama yang disajikan dengan cara yang
memungkinkan untuk memplot jumlah keputusan terhadap waktu hingga keputusan (Tabel
Henmon II), kurva yang akan memberikan pengujian model yang paling detail. Namun, PA, L, LA,
dan LB dapat ditentukan untuk semua mata pelajaran dengan menggunakan Tabel I dan IV-nya.
Ini disajikan dalam Tabel 1.
 Kami telah mengambil A untuk menjadi benar dan B untuk menjadi salah. Perhatikan
bahwa nilai LB/LA untuk beberapa mata pelajaran kurang dari 1, bertentangan dengan teori.
Beberapa rasio sangat dekat dengan 1 sehingga penyimpangannya tidak signifikan, tetapi rasio
untuk subjek F sangat rendah. Mungkin dapat dijelaskan dengan mengasumsikan bahwa nilai K
bervariasi dari seri ke seri. Anda diminta untuk mendiskusikan ide ini dalam soal. Setelah
menggunakan PA dan L untuk mengestimasi p dan λ menggunakan (5) dan (6b), nilai E(LA) dan
E(LB) dihitung dengan (6a).
dan analognya untuk E(LB). Audley telah memasang kurva pada data yang lebih rinci
(Tabel Henmon II) untuk mata pelajaran B1 dan Br. Untuk melakukan ini, ia memperkenalkan
parameter ketiga: jeda waktu singkat di mana subjek bersiap untuk membuat keputusan implisit.
Maka perlu untuk mengabaikan keputusan yang dibuat sebelum jeda, karena keputusan itu terjadi
sebelum subjek "siap". Tanpa jeda waktu, fitnya buruk, tetapi dengan jeda 0,40 detik untuk BI dan
0,34 detik untuk Br, fitnya bagus. Saya belum dapat memperoleh kecocokan yang baik untuk H
seperti yang dapat diperoleh untuk Br dan Bl. Karena ada begitu sedikit data untuk setiap mata
pelajaran (empat angka), saya pikir model yang tidak sesuai adalah tanda kekurangan yang serius;
namun, saya tidak dapat menyarankan model yang lebih baik.
Model terkait telah diusulkan oleh Estes dan Bower dan diperluas oleh W. Kintsch (1963)
untuk memasukkan proses Poisson untuk waktu respons implisit. Asumsikan ada lima state : S,
iA, iB, fA, dan fB-starting, implisit A dan B, dan final A dan B. Subjek membuat keputusan untuk
berpindah dari satu state ke state lainnya. lain. Kemungkinannya adalah

Tunjukkan bahwa, jika probabilitas S ----> iA, iA ----> fA, dan iB ----> iA semuanya sama,
ini direduksi menjadi model Audley. Kintsch terutama membahas kasus di mana probabilitas iA
----> fA dan iB ----> fB adalah sama.
Satu masalah yang tidak ditangani oleh kedua model ini adalah kemungkinan bias bawah
sadar subjek terhadap garis kanan atau garis kiri. Lain adalah kemungkinan bahwa lebih sulit untuk
memilih yang lebih kecil daripada yang lebih besar, atau sebaliknya. Salah satu dari ini dapat
menyebabkan pencampuran model dengan nilai parameter yang berbeda. Selanjutnya, data dari
sesi yang berbeda dengan subjek yang sama mungkin memiliki nilai parameter yang berbeda.
Pencampuran seperti ini dapat menimbulkan masalah dalam menyesuaikan data. Tabulasi Henmon
tidak memungkinkan untuk memeriksa semua ini; namun, dia mencatat bahwa ada sedikit
perbedaan dalam reaksi terhadap garis yang lebih pendek versus reaksi terhadap garis yang lebih
panjang
MASALAH
1. Diskusikan model preferensi jenis kelamin ketika setiap pasangan dapat memiliki anak tidak
lebih dari C.
2. Dalam masalah ini Anda akan mempertimbangkan cara mengadaptasi model Audley agar sesuai
dengan data Henmon secara lebih akurat. Jika Anda menjadi sangat terlibat dalam hal ini, itu akan
menjadi ide yang baik untuk membaca makalah Henmon. Henmon memperoleh data berikut untuk
subjek Bl, Br, dan H. Dia meminta mereka untuk mengungkapkan tingkat kepercayaan dalam
pilihan mereka mulai dari a (sangat yakin) hingga d (meragukan).

a) Modifikasi model Audley yang paling sederhana dapat berupa: pilih nilai tetap yang berbeda
untuk K atau biarkan p, λ, atau K bervariasi sementara dua lainnya tetap. Apa pendapat Anda
tentang ide ini (sebelum kita benar-benar mengujinya dengan data)?
(b) Berargumen bahwa, jika p, λ, dan K semuanya tetap, keakuratan keputusan hanya bergantung
pada kecepatan pengambilan keputusan. Bagaimana ini cocok dengan data? Petunjuk : Sebuah
keputusan sesuai dengan campuran A dan B diikuti oleh K simbol identik (baik A atau B).
(c) Asumsikan bahwa PA/PB mendekati (p/q)K-1 dan bahwa L adalah fungsi naik dari K dan fungsi
menurun dari p.
(d) Tunjukkan bahwa, jika p dan λ tetap dan K variabel, keputusan lebih lama kali dikaitkan dengan
akurasi yang lebih besar. Bagaimana jika hanya λ yang bervariasi? Hanya p? Manakah dari
prediksi ini yang tampaknya masuk akal berdasarkan data? Mengapa ?
(e) Dapatkah Anda mengusulkan model spesifik yang dapat diuji? data Henmon? Jika Anda bisa
membantu Henmon mendesainnya eksperimen, apa yang akan Anda sarankan agar dia lakukan
secara berbeda? dalam menjalankan eksperiment yang sebenarnya dan dalam kompilasi data?
3. Kembangkan model Kintsch, Estes, dan Bower yang disebutkan pada halaman 98 dengan
asumsi kesetaraan yang dibuat oleh Kintsch. Bandingkan model dengan data yang diberikan di
atas dan dalam teks. Bandingkan dengan model Audley dengan K = 2. Mana yang lebih baik?
Mengapa ? Bisakah Anda menyarankan eksperimen tambahan yang akan berguna dalam menguji
model?
4. Banyak perguruan tinggi dan universitas dihadapkan pada masalah mengenai posisi tetap. Untuk
menarik fakultas muda yang baik, prospek masa jabatan harus tinggi, tetapi untuk memungkinkan
adaptasi, persentase jabatan tetap tidak boleh terlalu tinggi. Apa strategi terbaik? Materi berikut
ini diadaptasi dari artikel oleh 1. G. Kemeny (1973).
Untuk tujuan kita, mari kita bedakan tiga posisi:
1, asisten profesor (penunjukan pertama).
2, asisten profesor (pengangkatan kedua).
t, masa jabatan.
Posisi 1 dan 2 masing-masing biasanya berlangsung selama 3 tahun, dan posisi t berlangsung
selama rata-rata sekitar 30 tahun. Karena waktu ini adalah kelipatan dari 3 tahun, maka akan
memakan waktu 3 tahun sebagai satuan waktu. Misalkan Pi menyatakan peluang dari 1 ke 2, pz
peluang dari 2 ke t (mengingat bahwa langkah dari 1 ke 2 telah dibuat), dan qr peluang
meninggalkan posisi tetap (kematian, pensiun, pindah ke institusi lain) selama selang waktu 3
tahun.
(a) Tunjukan bahwa peluang untuk memperoleh tenurial adalah ℩ = p1p2
(b) Tunjukkan bahwa fraksi fakultas yang memiliki masa kerja dalam keseimbangan (yaitu,
keadaan tunak) situasinya adalah

Petunjuk : Misalkan x, y, dan z adalah banyaknya fakultas pada posisi 1, 2, dan t, masing-
masing. Tunjukkan bahwa E(y) = PiE(X) dan E(z) = (1 - qr)E(z)+ pzE(y).
(c) Simpulkan bahwa, ketika ℩ ditetapkan, p adalah minimum ketika p1 = 1. Menafsirkan ini
sebagai proposal kebijakan.
(d) Kemeny memperkirakan bahwa qt kira-kira 0,15. Tabulasi p versus ℩ untuk p1 = 1. Seberapa
sensitif tabulasi terhadap variasi dalam p1 ? Komentari proposal di (c) sehubungan dengan hal ini.
(e) Memasukkan penunjukan ke tingkat tenurial dari luar dan pengunduran diri dari tingkat asisten
profesor dalam model. Petunjuk : Lihatlah arus orang seperti yang disarankan dalam (b).
(f) Diskusikan modelnya. Apakah itu realistis? Memiliki psikologis yang penting faktor diabaikan?
Apa efek psikologis dari proposal di (c) cenderung memiliki asisten profesor? Apa yang akan Anda
rekomendasikan? Mengapa ?
5. Dalam Bagian 3.2 perlombaan senjata rudal nuklir dibahas secara kualitatif. Masalah ini dan
yang berikutnya berurusan dengan model kuantitatif sederhana yang dibahas oleh T. L. Saaty
(1968, hlm. 22-25) dan R. H. Kupperman dan H. A. Smith (1972). Lihat juga K. Tsipis (1975).
Misalkan sebuah negara memiliki M rudal yang sedang diserang oleh w hulu ledak, yang masing-
masing memiliki probabilitas P untuk menghancurkan rudal yang diserangnya. Misalkan lebih
lanjut bahwa perilaku hulu ledak adalah independen.
(a) Tunjukkan bahwa, jika misil ke-i diserang oleh hulu ledak Wi, ∑ 𝑤𝑖 = 𝑤
dan jumlah misil yang bertahan adalah
S = ∑(1−𝑃) 𝑤𝑖
(b) Tunjukkan bahwa ekspresi di atas adalah minimum ketika nilai-nilai wi sedekat mungkin.
Menafsirkan ini dalam hal strategi. Simpulkan bahwa
di mana [x] adalah bilangan bulat terbesar yang tidak melebihi x dan {x} = x - [x] adalah bagian
pecahan dari x.
(c) Mengapa varians dari nilai harapan S penting? Bisakah kamu mengatakan sesuatu yang
berguna tentang nilai varians? Dengan tambahan asumsi?
6. Pada pembahasan berikut, gunakan hasil dari soal sebelumnya. Untuk membuat diskusi
seragam, asumsikan bahwa gaya pembalasan S = 100 rudal yang bertahan diinginkan dan p = 0,5.
(a) Misalkan ada dua negara yang sama (jadi w = M). Menentukan minimum M yang diperlukan
untuk stabilitas.
(b) Misalkan ABM dipasang untuk melindungi rudal pertahanan. Mengapa hal ini akan
menyebabkan penurunan p ? Plot M sebagai fungsi dari p ≤ 0,5. Diskusikan implikasi kebijakan.
Jangan lupa untuk memperhitungkan keterbatasan model. Bagaimana jika penyerang memiliki
ABM yang dapat melindungi kota-kotanya? (Pertimbangkan S.)
(c) Misalkan kedua negara memperkenalkan MIRV dengan t hulu ledak per peluru kendali.
Diskusikan modifikasi dalam rumus untuk S dan yang diinginkan nilai untuk S. Cukup masuk akal
untuk mengasumsikan bahwa p berbanding lurus sebanding dengan akar pangkat tiga dari
kekuatan hulu ledak dan bahwa ini sebanding dengan beratnya. Maka p(t) ≈ p/t1/3. (Mengapa?)
(d) Misalkan ada tiga negara adidaya nuklir yang sama dan masing-masing ingin memiliki
kekuatan pembalasan yang selamat dari serangan terkoordinasi oleh dua kekuatan lainnya.
Membahas.
7. Pernahkah Anda memperhatikan bagaimana anak-anak di taman bermain atau orang-orang di a
kelompok bentuk pesta dengan berbagai ukuran? Pola seperti apa yang ada?
Masalah ini berkaitan dengan distribusi ukuran kesetimbangan dari membentuk kelompok
dan diadaptasi dari J. S. Coleman dan J. James (1961). Kami berasumsi bahwa ada kumpulan
orang-orang yang bebas untuk bergabung dalam kelompok yang mereka pilih. Contohnya adalah
pejalan kaki, anak-anak bermain, dan pembeli. Kami ingin menjelaskan distribusi ukuran
kelompok. Lima set data diberikan dalam tabel terlampir. Kolom pertama

menunjukkan ukuran grup, dan lima kolom lainnya merujuk ke lima kelompok berbeda yang
diamati oleh James. Kumpulan data yang saya rujuk pejalan kaki, set data II untuk pembeli, set
data III dan IV untuk anak-anak di taman bermain, dan set data V untuk orang-orang di pantai.
Entri di baris ke-i adalah jumlah kelompok ukuran i di masing-masing dari lima sampel.
(a) Misalkan N adalah jumlah total orang yang hadir, G jumlah total kelompok, dan Gi jumlah
kelompok dengan tepat i anggota. Menunjukkan bahwa ∑ 𝐺𝑖 𝑑𝑎𝑛 𝑁 = ∑ 𝑖𝐺𝑖
(b) Misalkan dalam interval waktu yang sangat kecil dengan panjang Δt satu orang (yaitu,
kelompok berukuran 1) bergabung dengan kelompok dengan probabilitas α Δt per orang,
 bahwa kelompok yang bergabung dipilih secara acak, dan orang-orang meninggalkan
kelompok dan menjadi lajang dengan probabilitas fJ M per orang. Asumsikan bahwa orang
bertindak secara independen satu sama lain (dalam arti teori probabilitas "independen").
Tunjukkan bahwa laju aliran bersih yang diharapkan dari grup dari kumpulan ukuran i + 1
ke kumpulan ukuran i adalah β(i + l)Gi+ 1 – αG1 (Gi/G) karena kelompok ukuran i + 1 pecah
dan kelompok ukuran i tumbuh. Menunjukkan bahwa ini harus nol pada kesetimbangan,
yaitu, meskipun aliran terjadi, aliran bersih adalah nol.
(c) Misal Pi = Gi/G. Tafsirkan pi dan tunjukkan bahwa ∑ 𝑝𝑖 = 1. Tunjukkan bahwa di
kesetimbangan pi = (p1α/β )i-1 p1/i! Menggunakan ini dan pi = 1, simpulkan bahwa pi =
λi/i(eλ-1)!, dimana λ= p1α/β. (Ini disebut terpotong Poisson.) Perhatikan bahwa hanya rasio
α/β yang penting, bukan nilai sebenarnya dari α dan β. Apakah ini benar jika kita khawatir
dengan situasi yang tidak seimbang? Mengapa?
(d) Kita membutuhkan rumus untuk A dalam hal data. Tunjukkan bahwa N/G = λ/(1-e-λ) dan
gunakan ini untuk menyesuaikan model dengan lima contoh yang diberikan di atas.
Seberapa bagus kecocokannya? (Jika Anda terbiasa dengan chi-kuadrat tes, Anda mungkin
ingin menggunakannya.)
(e) Cara lain untuk menyesuaikan model adalah dengan memperkirakan λ menggunakan λ =
(i + l)Pi+1/Pi; misalnya λ = 2P2/Pi. Apakah ini ide yang lebih baik daripada di (d)? Ide
yang lebih buruk? Mengapa ?
(f) Sarankan pengujian model lebih lanjut selain pemasangan sederhana: data yang telah Anda
lakukan. Kritiklah modelnya. Bisakah Anda membenarkan? mengusulkan model yang
lebih rumit daripada yang dikembangkan di sini berdasarkan datanya? Mengapa ?
(g) Kembangkan model alternatif dengan mengganti " grup yang bergabung adalah dipilih
secara acak " di (b) dengan " orang yang terkait dengannya adalah dipilih secara acak."
Perkenalkan qi = iGi/N dan λ = q1 α/β. Tunjukkan bahwa qi = q1λi-1, q1 = 1 - λ, dan G/N =
(λ - l)/λ log (1 - λ). Yang model memberikan kecocokan yang lebih baik dengan data? Anda
mungkin ingin melihat J. E. Cohen (1971).
5.2. SIMULASI MONTE CARLO
Ketika model probabilistik tidak dapat dianalisis secara analitis, simulasi Monte Carlo
sering digunakan. Ide dasarnya adalah untuk membangun model deterministik berdasarkan satu
probabilistik dengan memilih nilai-nilai tertentu untuk variabel acak sesuai dengan distribusi yang
diasumsikan untuk mereka. Banyak model seperti itu dibangun, dan informasi statistik
dikumpulkan tentang berbagai variabel dependen. Informasi ini digunakan untuk memperkirakan
parameter distribusi variabel dependen. Jika Anda tidak memiliki akses ke komputer, itu bukan
alasan untuk melewatkan bagian ini.
Misalnya, anggaplah koin "adil" dilempar 100 kali. Berapa banyak kepala bisa kita harapkan?
Berikut ini adalah algoritma untuk simulasi Monte Carlo dari masalah ini.
1. Masukan N, jumlah percobaan. Lakukan langkah 2 sampai 4 N kali.
2. Atur KEPALA ke 0. Lakukan langkah 3 sebanyak 100 kali.
1
3. Pilih X sehingga Pr {X = O} = Pr {X = I } = 2 Setel KEPALA ke KEPALA + X.
4. Catat nilai KEPALA.
5. Menganalisis data yang terkumpul.
Untuk ilustrasi ini, analisis pada langkah 5 akan terdiri dari menentukan mean dan varians
dari nomor KEPALA.
Saya menjalankan algoritme di komputer masing-masing tiga kali untuk N = 10, 100, dan
1000. Nilai mean dan varians adalah:

Perhatikan variabilitas yang lebih besar dalam perkiraan untuk mean dan varians ketika N
kecil. Nilai teoretis dari mean dan varians adalah tepat 50 dan 25. Seberapa akurat perkiraan
parameter distribusi? Menjawab pertanyaan ini dan memperoleh perkiraan yang lebih akurat
tanpa jumlah percobaan yang berlebihan adalah masalah utama dalam simulasi Monte Carlo,
tetapi kami hanya menyentuhnya di sini. Diberikan 𝜀 𝑑𝑎𝑛 𝛿 lebih besar dari nol, kita dapat
memperoleh estimasi Ŝ dari parameter S sedemikian sehingga

asalkan jumlah percobaan N cukup besar. Penentuan N sebelum simulasi biasanya sangat
sulit; namun, perkiraan post hoc dapat dibuat sebagai berikut. Asumsikan bahwa, ketika
beberapa perkiraan S diperoleh dengan simulasi, mereka ditarik dari distribusi normal dengan
rata-rata S. (Ini mungkin tidak benar, tetapi sering tidak terlalu realistis.) Jika m perkiraan Si
telah diperoleh, Ŝ = ∑ Ŝ𝑖/𝑚 adalah estimasi dari S dan varians dari estimasi diberikan oleh

Jika kita menerapkan ini pada masalah lempar koin, kita memperoleh estimasi berikut, S
- 𝜎 pasangan yang pertama mengacu pada mean dan yang terakhir mengacu pada varians. Nilai
m adalah 3.

Perkiraan rata-rata paling akurat ketika N = 10. Ini hanya kebetulan; perkiraan terbaik yang
bisa kami berikan adalah 49,7. Selain gagasan untuk mengukur keakuratan pendugaan, ada hasil
teoretis yang dapat digunakan untuk memperoleh gagasan tentang berapa banyak percobaan lagi
yang kita perlukan: Setelah N percobaan, kesalahan dalam pendugaan parameter sering kali secara
kasar sebanding dengan 1√N.
Bagaimana kita bisa menghasilkan pilihan acak yang diperlukan pada langkah 3 dari algoritma
pelemparan koin? Karena komputer adalah (semoga) perangkat deterministik, kami tidak dapat
benar-benar menghasilkan angka acak. Namun, hampir setiap pusat komputer memiliki subrutin
yang dapat menghasilkan angka antara 0 dan 1 setiap kali dipanggil, dan melakukannya
sedemikian rupa sehingga seluruh urutan tampaknya telah diambil sampelnya dari interval [0, 1)
menggunakan distribusi yang seragam. Jika komputer tidak tersedia, tabel angka acak dapat
digunakan: Cukup mulai di suatu tempat di tabel, tulis titik desimal, dan salin setelahnya beberapa
digit berikutnya dalam tabel. Ini memberikan nomor acak yang diambil dari distribusi seragam
pada [0, 1). Sebuah tabel singkat dari angka acak muncul di akhir bab ini. Menggunakan variabel
acak terdistribusi seragam, seseorang dapat menghasilkan variabel acak sesuai dengan distribusi
apa pun. Misalnya, jika X terdistribusi merata pada (0, 1), bilangan bulat terbesar di kX terdistribusi
merata pada himpunan {0, 1, 2, . . . , k-1}. Secara umum, jika F adalah fungsi distribusi, F-1 (X)
adalah variabel acak dengan fungsi distribusi F. Karena tabel F-1 dapat dibangun sebelumnya,
maka relatif mudah untuk memilih variabel acak dengan distribusi fungsi F. Ide-ide ini dibahas
lebih lengkap di Bagian A.6. Di sini saya akan puas dengan dua contoh sederhana. Distribusi
eksponensial diberikan oleh Pr {T> t} = e-kt untuk t ≥ O. Misalkan k = 2. Maka F(t) = 1 - e-2t, dan
1
F- 1(x)= -2 log (1 - x). Kami menghasilkan lima nilai acak T dengan menggunakan tiga digit nomor
dari tabel di akhir bab ini, dimulai dengan entri pertama dalam tabel:

Mari kita lihat distribusi seragam pada {O, 1, . . . , k - 1}. Pada kasus ini

di mana [y] adalah bilangan bulat terbesar di y. Oleh karena itu F -1 (x) = [kx], seperti yang
disebutkan sebelumnya. (Ada sedikit kesalahan dalam definisi F- 1 pada titik x dimana kx adalah
bilangan bulat. Secara teoritis ini tidak relevan, karena nilai-nilai ini terjadi dengan probabilitas
nol. Praktis, rumusnya benar karena seragam distribusi berasal dari [0, 1) bukan [0, 1].)
Ruang Tunggu Dokter
Anda mungkin pernah mengalami penantian yang lama untuk mendapatkan dokter. Mengapa ini
terjadi? Masalah ini cukup sederhana sehingga model yang cukup realistis dapat dianalisis secara
teoritis menggunakan teknik teori antrian. Saya berencana untuk mengambil keuntungan dari
kesederhanaan masalah untuk bekerja melalui simulasi Monte Carlo dengan tangan, menggunakan
tabel angka acak di akhir bab ini. Pada hari biasa, Dr. Smock memiliki resepsionis yang
menjadwalkan satu pasien setiap 10 menit dari pukul 09:30. sampai 11:50 dan<;l mulai pukul
13.10 sampai pukul 16:00, kecuali dua pasien dijadwalkan pada pukul 09:30. dan tidak ada pasien
yang dijadwalkan pada pukul 10:40. atau 14:40 Mulai pukul 09:30 dia bekerja sampai semua
pasien pagi telah dirawat, istirahat makan siang, dan kemudian bekerja sampai semua pasien sore
telah dirawat. Tunduk pada batasan bahwa istirahat makan siangnya selalu setidaknya 45 menit,
ia melihat pasien sore pertama pada pukul 13:10. atau sesegera mungkin. Satu minggu perawat Dr.
Smock adalah diminta untuk mengatur waktu kunjungan pasien. Dia membaginya menjadi
"pendek," "sedang," dan "panjang," menurut petunjuk dokter, dan mengumpulkan data yang
ditunjukkan di bawah ini.

Dia juga mencatat bahwa dokter menghabiskan 1 menit di antara pasien dan mengambil
10 menit rehat kopi pada pukul 10:40. dan 14:40, atau segera setelah waktu-waktu ini ketika ada
jeda antar pasien. Resepsionis mengamati bahwa sekitar 10% dari waktu janji temu tidak dipenuhi
karena pembatalan yang terlambat dan pasien yang tidak datang. Sayangnya, dia tidak
memperhatikan apakah ada bias terhadap waktu-waktu tertentu dalam sehari. Tidak ada informasi
yang tersedia di akhir kedatangan, tetapi resepsionis berpikir bahwa pasien biasanya datang tepat
waktu. Itu data yang harus kita kerjakan.
Misalkan kita bisa merancang pengumpulan data sendiri. Apa yang akan Anda minta?
Sebelum menyiapkan model, menarik untuk dicatat bahwa menurut tabel Dr. Smock
menghabiskan rata-rata 10 menit dengan setiap pasien yang dilihatnya. Membiarkan 1 menit antara
pasien dan 10% janji yang tidak terisi, ini berarti rata-rata sehari penuh untuk dokter.
Sekarang kita perlu memodelkan ruang tunggu entah bagaimana. Berbagai kemungkinan
ada untuk memodelkan jumlah waktu yang dihabiskan pasien dengan dokter. Salah satu yang
paling sederhana adalah membatasi semua kunjungan masing-masing 5, 11, atau 20 menit.
Sarankan orang lain. Saya akan menggunakan simulasi berikut dan mengulanginya beberapa kali
untuk menghasilkan data selama beberapa hari biasa. Kritik dan sarankan perbaikan.
1. Untuk setiap waktu kedatangan pasien di siang hari, pilih angka acak. Jika angkanya sama
dengan nol, pasien tidak datang.
2. Untuk setiap pasien yang datang, pilih nomor acak dua digit. Jika angkanya paling banyak
37, Dr. Smock menemui pasien selama 5 menit. Jika nomor terletak antara 38 dan 84
inklusif, ia melihat pasien selama 11 menit. Kalau tidak, dia melihat pasien selama 20
menit.
3. Menggunakan hasil dari dua langkah sebelumnya dan informasi tentang Tingkah laku Dr.
Smock bisa kita jadikan hari dokter bersama.
Saya menggunakan metode berikut untuk membuat model sehari. Pada selembar kertas untuk
hari saya memiliki satu baris untuk setiap slot pasien dan lima kolom berlabel "waktu masuk",
"kosong", "ketik", "lihat Dr.," dan "waktu habis". Kolom " waktu dalam " diisi dengan berbagai
waktu yang diperbolehkan untuk janji temu, yaitu 9:30, 9:30, 9:40, 9:50, . .. , 4 : 00. Saya kemudian
mengisi kolom berikutnya dengan membaca angka acak dari tabel mulai dari awal baris 01 dan
menggunakan langkah 1. Hasilnya, 11: 20, 1: 20, 2: 50 , dan slot 3: 00 kosong. Saya kemudian
membaca tabel dua digit sekaligus untuk melakukan langkah 2 untuk slot yang tidak kosong. Saya
memperoleh urutan kunjungan berikut (pendek, sedang, panjang, dan-untuk kosong):
smsmmsmlsms-sml, makan siang, m-lmssmsm--msmsss. Akibatnya, pasien pertama 9:30
menemui dokter dari 9:30 hingga 9:35, dan yang kedua melihatnya dari jam 9:36 sampai 9:47,
membuat pasien jam 9:40 menunggu sebentar. Melanjutkan cara ini untuk mengisi kolom terakhir,
saya menemukan bahwa pasien 10:50 tidak menemui dokter sampai 1 1: 07 karena dokter
terlambat dan tidak minum kopi sampai 10: 56. Seperti alhasil ada dua pasien di ruang tunggu
yang sangat singkat pada pukul 11:10. Pembatalan 11:20 memungkinkan dokter untuk mengejar
dan bahkan istirahat 3 menit pada pukul 11:36. Sore sedikit lebih lambat, dan terjadinya dua
pembatalan tepat setelah waktu rehat kopi memungkinkan istirahat berjalan selama 25 menit.
Untuk mendapatkan gambaran tentang betapa khasnya ini, saya memutuskan untuk
memodelkan hari kedua. Saya mengambil di tabel nomor acak pada titik yang saya tinggalkan di
akhir hari pertama: entri ke dua puluh empat pada baris 03. Meskipun hanya ada satu pembatalan
pagi, semuanya agak lambat karena banyak jumlah kunjungan singkat. Sore itu lebih sibuk, dengan
dua pasien di ruang tunggu dua kali, sekali selama seperempat jam ketika pasien 3:40 tiba.
Anda mungkin ingin membuat model hari tambahan dan membandingkannya dengan
keduanya. Jika menurut Anda ruang tunggu cenderung agak kosong dan dokter tidak ingin terlalu
lama menunggu pasien tiba, Anda mungkin ingin menyesuaikan dengan mengubah jadwal.
Penjadwalan dua pasien pada waktu seperti 9:30 (sudah dilakukan), 9:40, 1:10, dan 1:20 cenderung
membuat antrian di ruang tunggu sehingga pembatalan tidak akan membuat Dr. Smock berlarut-
larut. Anda mungkin ingin membiarkan dokter bekerja lebih lama (rata-rata 30 menit) untuk
menangani tiga pasien tambahan, atau Anda mungkin ingin membatalkan beberapa janji untuk
menebus yang tambahan, misalnya, 11 : 50, 3 : 50, dan 4:00.
Volume Sedimen
Apa yang terjadi ketika partikel tersuspensi mengendap? Apakah mereka saling menarik!
Geser setelah kontak? Ternyata hal-hal tersebut mempengaruhi kepadatan sedimen. Dengan
demikian kita dapat memperoleh informasi tentang pengendapan secara tidak langsung dengan
mempelajari kepadatan sedimen. Tapi bagaimana pengukuran seperti itu bisa ditafsirkan? Kami
membutuhkan metode untuk menghitung densitas sedimen dengan berbagai asumsi. Itulah tujuan
dari model ini. Kami tertarik pada fraksi volume yang ditempati di bagian khas sedimen, dan kami
menghindari permukaan sedimen di mana fraksi volume yang ditempati bukanlah konsep yang
terdefinisi dengan baik. Model ini diadaptasi dari M.J. VoId (1959, 1959a). Untuk mempermudah,
kita asumsikan bahwa partikel dalam suspensi semuanya berbentuk bola dengan ukuran yang
sama. Jelas volume tergantung pada apakah partikel saling tarik menarik, koheren saat kontak,
meluncur saat kontak, atau saling tolak. Kasus terakhir dapat dihilangkan, karena kami
mengasumsikan bahwa penangguhan telah selesai. Manakah dari kasus lain yang terjadi? Jika
tarik-menarik atau geser terjadi, sejauh mana hal itu terjadi? Kami tidak dapat mensimulasikan
perilaku seluruh suspensi sekaligus, tetapi kami dapat mensimulasikan partikel secara berurutan.
Dengan demikian, kita dapat membayangkan sedimen di mana kita membiarkan partikel
mengendap satu per satu. Ini mungkin asumsi yang masuk akal jika suspensi cukup encer. Wadah
dipilih berbentuk silinder untuk kesederhanaan. Karena kita tidak tertarik pada overflow, wadah
dipilih sedalam-dalamnya. Kita dapat dengan mudah mengatur r = 1 dan cukup menyesuaikan
ukuran wadah. Langkah 2 dan 3 memerlukan penjelasan lebih lanjut. Cara termudah untuk
melacak partikel mungkin dengan lokasi pusatnya, katakanlah dengan tiga koordinat (x, y, z), di
mana x dan y berada di bidang horizontal dan z meningkat ke atas. Titik (x0 , y0 ) di mana sebuah
partikel dijatuhkan harus dipilih secara acak (ini adalah bagian Monte Carlo) dengan menggunakan
distribusi seragam pada x dan y. Ketika sebuah partikel baru dijatuhkan, ia berakhir pada posisi
(x', y', z'), ditentukan sebagai berikut. Untuk setiap partikel sebelumnya dengan (x – x0)2 + (y – yo)2
≤ (λr)2 , carilah z0 sehingga

dan pilih partikel di (x, y, z) yang memberikan z0 maksimum. Maka (x', y', z') adalah titik pada
ruas garis yang menghubungkan (x, y, z) dan (x0 , y0 , z0) yang berjarak 2r dari (x, y, z). Jika tidak
ada partikel yang cukup dekat, partikel baru akan mengendap di dasar. Anda harus meyakinkan
diri sendiri bahwa ini benar.
Statistik yang kami kumpulkan pada langkah 3 akan menjadi fraksi volume yang ditempati oleh
partikel. Karena permukaan atas sedimen tidak rata, kami mengambil penampang sedimen jauh
di bawah permukaan. Ini membutuhkan beberapa eksperimen numerik.
Saya memilih partikel berjari-jari 1 dalam wadah dengan bentuk sedemikian rupa sehingga (x, y)
untuk pusat partikel akan berada di bujur sangkar dengan sisi 14. Jadi luas penampang wadah
adalah A = 162 - 4 + π, dan fraksi volume yang ditempati oleh n bola di bagian wadah dengan
ketinggian h adalah 4πn/3Ah.
Dengan 300 partikel dan λ = 2, saya menemukan bahwa fraksi volume untuk h = 10,15, 20, 25,
30, 40, dan 50 adalah 0,1 63, 0,151, 0,147, 0,152, 0,150, 0,123, dan 0,099 , masing-masing.
Oleh karena itu tampaknya masuk akal untuk mengasumsikan bahwa h = 20 jauh di bawah efek
permukaan tetapi masih cukup besar sehingga fraksi volume tidak akan banyak dipengaruhi oleh
dasar datar. Saya kemudian membuat tiga putaran masing-masing untuk berbagai nilai λ. Cukup
lama setelah perhitungan ini dilakukan, N. P. Herzberg menyarankan bahwa kemungkinan
kesulitan dengan bagian bawah ditunjukkan oleh fraksi volume untuk h = 10 dan ini dapat dihindari
dengan mengambil potongan di antara, katakanlah h = 10 dan h = 25. Karena program lama sudah
tidak ada, saya memutuskan untuk membiarkan semuanya apa adanya.
Tren penurunan dalam fraksi volume cukup terlihat. [VoId's simulasi (1959) menyebabkan fraksi
volume sedikit lebih kecil dari saya, tetapi ini mungkin karena dasar datar.] Dia juga menentukan
jumlah bola yang menyentuh bola tertentu dan menemukan bahwa rata-ratanya sangat mendekati
2. Apa artinya ini?
Hasil percobaan memberikan fraksi volume sekitar 0,125 untuk kaca bola dalam cairan nonpolar
dan sekitar 0,64 dalam cairan polar. Bagaimana data ini dapat ditafsirkan dalam kaitannya dengan
model yang dibahas di sini? (Lihat juga Soal1 .)
Jaringan Aliran
Apakah ada keteraturan dalam jaringan aliran? Beberapa ahli geomorfologi percaya bahwa banyak
fitur jaringan aliran bersifat acak. Secara khusus, apakah pola percabangan itu acak? Akan
menyenangkan untuk mengetahuinya, karena jika kami menemukan bahwa mereka tidak acak,
kami dapat mencari penjelasan (atau setidaknya ahli geomorfologi bisa). Apa yang kami maksud
dengan "acak" dalam konteks ini?
Kami menggunakan satu ide acak yang diadaptasi dari A. E. Scheidegger (1970, Sec. 5.33).
Pertama kita perlu beberapa definisi. Sebuah cekungan drainase terdiri dari jaringan sungai (atau
sungai) dan daerah yang mengalirkannya. Jaringan aliran adalah aliran bersama dengan semua
aliran yang mengalir ke dalamnya di atas titik di mana kita mempertimbangkan aliran tersebut.
Tautan adalah bagian dari aliran antara dua persimpangan atau antara persimpangan dan sumber.
Jaringan aliran hampir selalu terdiri dari sekumpulan link yang bergabung sehingga pada setiap
persimpangan hanya dua link yang mengalir bersama-sama membentuk sepertiga. (Kesempatan
langka ketika lebih dari dua aliran

Gambar 1. Dua contoh ekstrim jaringan sungai.

bertemu secara bersamaan dapat diselesaikan, tetapi kita tidak akan membahas komplikasi itu di
sini.) Lihat Gambar 1. Urutan Strahler dari tautan aliran didefinisikan sebagai berikut.
Tautan yang dimulai dari sumber adalah orde 1. Jika dua tautan orde A dan B mengalir ke tautan
ketiga orde C, maka C sama dengan A + 1 jika A = B, dan C sama dengan maksimum A dan B
sebaliknya. Lihat Gambar 1. Segmen adalah bentangan sungai yang urutannya tidak berubah.
Biarkan ni menjadi jumlah segmen. dari urutan i. Jadi n2 = 1 pada Gambar 1a dan n2 = 4 pada
Gambar lb. Hukum bilangan aliran Horton adalah hubungan empiris yang menyatakan bahwa n1
/n1 + 1 hampir bebas dari i. Untuk aliran di Amerika Serikat, perkiraan konstan ini (apa pun artinya)
adalah sekitar 3,5 menurut Scheidegger. Namun, data L.B. Leopold et al. (1964, hal. 142) untuk
seluruh Amerika Serikat, disajikan pada Tabel 2, tidak setuju dengan ini. Jika jaringan aliran
cenderung cukup linier seperti pada Gambar 1a atau agak lebat seperti pada Gambar 1b, hukum
ini tidak berlaku. (Hitung ni dan nJni+ 1 dalam kasus ini.) Telah disarankan bahwa hasilnya dapat
dijelaskan dengan mengasumsikan bahwa jaringan aliran adalah acak.
Kami memodelkan ide ini mengikuti Liao dan A. E. Scheidegger (lihat A. E. Scheidegger, 1970).
Satu-satunya properti geometris dari jaringan aliran yang telah kami perkenalkan adalah pola
koneksi di antara tautan; panjang dan kelengkungan telah dihilangkan. Mengingat jumlah sumber,
hanya ada sejumlah terbatas jaringan drainase yang berbeda. Mereka dengan empat sumber
ditunjukkan pada Gambar 2. Pola koneksi ini secara matematis dikenal sebagai bidang yang
ditanam pohon biner ("pohon" karena bentuknya, "bidang" karena digambar pada permukaan yang
datar, "ditanam" karena mata rantai yang kita potong jaringannya berbeda dari yang lain dan dapat
digunakan untuk menanam pohon, dan "biner"
Tabel 2 Jumlah Tautan Aliran Berbagai Pesanan di Amerika Serikat.

Gambar 2. Pesawat tujuh-simpul 5 menanam pohon biner dan urutan Lukasiewicz tujuh digitnya.
karena bifurkasi pada setiap node saat kita bergerak ke hulu). Karena ini adalah satu-satunya jenis
pohon yang kami pedulikan di sini, kami menyebutnya "pohon". Tidak sulit untuk menunjukkan
bahwa sebuah pohon dengan n sumber memiliki 2n - 1 simpul dan 2n - 1 tautan (termasuk tautan
di mana kami telah memotong jaringan untuk dipelajari, yaitu, tautan paling hilir).

Untuk mempelajari n/ni+ 1 kita ingin rata-rata semua pohon dengan n sumber, atau setidaknya lebih
dari sejumlah wajar pohon n-sumber yang dihasilkan secara acak; yaitu, setiap pohon dengan n
sumber memiliki kemungkinan yang sama untuk dipilih. Karena hukum Horton diformulasikan
untuk jaringan aliran berukuran wajar, kita ingin n cukup besar. Ketika n adalah sekitar 100, ada
sekitar 1056 pohon-jauh dari banyak untuk menghasilkan semuanya. Oleh karena itu diperlukan
suatu cara untuk membangkitkan dan menyimpan sebuah pohon acak dalam sebuah komputer
digital. Untungnya masalah matematika ini memiliki solusi yang cukup sederhana karena
Lucasiewicz. Kami membayangkan bepergian di sepanjang pohon sehingga setiap tautan dilalui
tepat satu kali ke hulu dan tepat sekali hilir. Kami mulai ke hulu pada tautan yang digunakan untuk
menanam pohon, menggunakan aturan berikut, dan berhenti ketika kami kembali ke hilir pada
tautan yang dipotong.

1. Pergi ke hulu jika memungkinkan.

2. Jika pilihan memungkinkan, pergi ke hulu di cabang sebelah kanan.
3. Ketika sebuah simpul yang bukan merupakan sumber ditemui saat menuju ke hulu pada cabang
sebelah kanan, catat angka nol.
4. Ketika sebuah sumber ditemukan, catatlah satu sumber.

Proses ini diilustrasikan pada Gambar 2. Dimungkinkan untuk merekonstruksi pohon dari string
nol dan satu:

1. Gambarkan tautan yang ditanam.

2. Jika digit berikutnya adalah nol, gambar simpul bercabang dan lanjutkan ke hulu di cabang
sebelah kanan.
3. Jika digit berikutnya adalah satu, gambarkan sumbernya dan lanjutkan ke hilir sampai
ditemukan tautan hulu yang tidak dilalui. Naik itu.

Anda harus meyakinkan diri sendiri bahwa algoritma ini memang bekerja. Serangkaian nol dan
satu sesuai dengan jaringan aliran dengan n sumber jika dan hanya jika memiliki dua sifat :
1. Jumlah satu di setiap segmen awal tidak pernah melebihi jumlah nol.
2. Jumlah total satu sama dengan n, dan jumlah total nol sama dengan n-1.
Persyaratan kedua hanya mengatakan bahwa ada n sumber dan n - 1 node internal. Persyaratan
pertama memastikan bahwa saat kita pergi ke hilir, kita tidak pernah kembali ke tautan di mana
kita telah memotong jaringan sebelum langkah terakhir.
Karena sifat 1 dan 2 diperlukan dan cukup dan karena semua pohon diperoleh tepat satu kali
dengan cara ini, cukup untuk menghasilkan barisan yang memenuhi sifat 1 dan 2 secara acak.
Sebuah metode untuk melakukan ini dibahas dalam Soal 2.
Mengingat representasi internal pohon, kita membutuhkan cara untuk menemukan ni . Hal ini
dapat dilakukan sebagai berikut. Kami membuat daftar node dalam urutan yang pertama kali
dicapai dengan berkeliling pohon seperti yang dijelaskan di atas. Setiap simpul merujuk ke tautan
langsung ke hilir darinya. Bangun dua urutan, Lorder dan ORDER : yang pertama mengacu pada
urutan yang terkait dengan cabang tangan kiri dan yang lainnya mengacu pada urutan yang
sebenarnya. Kami melanjutkan secara berurutan melalui urutan L dari nol dan yang mewakili
pohon. Jika L1 = 0, tidak melakukan apa-apa jika L1 = 1:

1. Rekam I di ORDERr dan LordERr dan atur ORDERNOW ke 1.

2. Temukan LordERJ terdekat sebelumnya yang kosong (yaitu, J < I, J maksimum, dan LordER J
kosong) dan lakukan langkah berikut untuk K = I - 1, I - 2, . .. ,J+1.
a. Catat di setiap ORDERK kosong, jumlah maksimum LordERK dan
PESAN SEKARANG jika ≠ = PESAN SEKARANG dan catat 1 + LordERK jika LordERK =
PESAN SEKARANG.
b. Atur ORDERNOW sama dengan nilai ORDERK yang baru saja direkam.
3. Atur LordERJ sama dengan ORDERNOW

Pelajari beberapa contoh dan coba lihat mengapa metode ini berhasil.
Perhatikan bahwa dalam simulasi Monte Carlo ini masalah utamanya adalah membangun
algoritme untuk menangani konsep pohon dan keteraturan yang sederhana dalam komputer digital.
Kami memiliki satu masalah tersisa: Bagaimana kami mengidentifikasi segmen? Ini cukup mudah.
Saat kita menghitung urutan tautan, itu akan menjadi segmen baru jika itu adalah sumber, atau jika
urutan kedua cabang yang masuk sama; jika tidak, itu akan menjadi bagian dari segmen yang berisi
cabang kiri atau kanan. Berguna untuk menyimpan SEGMEN urutan yang dicatat
tautan mana yang merupakan tautan hulu terjauh dari beberapa segmen.
Saya membuat jaringan aliran acak menggunakan ide di atas dan menemukan hasil yang
serupa dengan yang diperoleh Liao dan Scheidegger: Untuk i tetap, nilai ni/ni-1 ; _ 1 meningkat
perlahan dengan 11 menjadi sekitar 4.0. Ketika ni-1 ≥ 15, nilai rasio yang diharapkan tampaknya
melebihi 3,8. Apakah menurut Anda ini adalah bukti yang mendukung model jaringan aliran acak
atau menentangnya? Mengapa ?
Bisakah Anda menyarankan tes lain? Lihat A. E. Scheidegger (1970, Bab 5)"untuk diskusi lebih
lanjut.
S. B. Barker et al. (1973) membuat beberapa studi tentang struktur percabangan pohon asli.
Mereka menghitung semua cabang pada pohon apel dan pohon birch. Untuk pohon apel mereka
menemukan bahwa ni/ni - l sekitar 4,35, dan untuk birch pohon itu sekitar 4.00. Apakah ini terlihat
acak? Akan menjadi ide yang baik untuk mencoba pendekatan yang berbeda terhadap gagasan
tentang apa itu jaringan acak, jika kita dapat memikirkannya. Satu kemungkinan dibahas dalam
masalah. M. J. Wolden berg (1969) membahas pendekatan lain untuk memahami jaringan aliran
dan mengkritik klaim bahwa ni/ni – l tidak tergantung pada i. Metodenya adalah adaptasi dari
model pemasaran geoekonomi yang disebut teori tempat sentral. Lihat S. Plattner (1975) untuk
diskusi. Pohon dan grafik lainnya adalah alat yang berguna untuk beberapa jenis masalah
pemodelan. Anda mungkin menikmati membaca F. S. Roberts (1976, Bab 3).

MASALAH
1. Buatlah model simulasi Monte Carlo untuk volume sedimen ketika partikel dibiarkan meluncur
ke bawah dalam pengendapan. Dapatkah Anda menjelaskan fraksi volume untuk pelarut polar
dengan model ini?
2. Kami ingin memilih urutan nol dan satu yang memenuhi sifat 1 dan 2 dalam contoh jaringan
aliran.
(a) Tunjukkan bahwa, jika suatu barisan memenuhi sifat 2, tepat satu " rotasi " dari barisan itu akan
memenuhi sifat 1. Sebuah rotasi d1, d2, .... dn adalah barisan d1+i , d2+i, ... , dm+i, dimana dj = dk
dengan 1 ≤ k ≤ m dan j - k kelipatan m.
(b) Gunakan (a) untuk membuat algoritma untuk memutar barisan yang memenuhi sifat 2 untuk
mendapatkan yang memenuhi sifat 1.
(c) Sekarang kita menginginkan sebuah algoritma untuk memilih k posisi secara acak
dari m sedemikian rupa sehingga setiap kemungkinan memiliki peluang yang sama. Temukan satu.
(d) Gabungkan di atas untuk menghasilkan algoritme lengkap untuk menghasilkan string nol dan
string yang mewakili pohon secara acak.
3. Sebuah pabrik sedang mencoba untuk memutuskan apakah akan meningkatkan jumlah dok
pemuatan untuk truk. Kedatangan truk di dermaga tidak seragam pada hari kerja.
(a) Jelaskan bagaimana Anda akan menyiapkan model Monte Carlo untuk membantu manajemen
memutuskan berapa banyak dok pemuatan yang harus dimiliki. Ingat bahwa pengumpulan data
harus masuk akal. Anda harus bekerja model keluar ke titik di mana Anda bisa melakukan simulasi
jika data diberikan.
(b) Diskusikan di kelas faktor-faktor apa yang dapat menyebabkan tingkat kedatangan yang tidak
seragam. Pilih situasi spesifik yang mengarah pada ketidakseragaman dan berhipotesiskan
beberapa tingkat kedatangan yang masuk akal. (Perhatikan bahwa untuk jumlah dermaga yang
kira-kira tepat, seperti yang diduga, jumlah kedatangan per hari harus rata-rata agak kurang dari
yang dapat ditangani oleh dermaga pemuatan dengan bekerja terus menerus. Mengapa?) Pilih
metode simulasi Monte Carlo tertentu dari ( a), berhipotesis data yang masuk akal, membagi
pekerjaan, dan melakukan simulasi dengan tangan. Selama periode kelas berikutnya kumpulkan
hasil Anda untuk menjawab pertanyaan manajemen pertanyaan

4. Ada berapa komet di tata surya? Berapakah laju hilangnya komet dari tata surya? Model berikut
berkaitan dengan jumlah komet "periode panjang" di tata surya dan mengikuti J. M; Hammersley
(1961). Fitur yang paling menarik adalah bahwa, meskipun kita biasanya menganggap hukum
gerak planet sebagai contoh klasik dari sistem deterministik, simulasi Monte Carlo berguna. Ini
karena jumlah komet yang banyak. Kami memiliki situasi yang sama dalam masalah sedimentasi.
Komet periode panjang adalah komet yang melampaui orbit Jupiter, dan dengan "komet"
yang kami maksud adalah komet periode panjang. Jika kita mengukur energi E dari suatu benda
yang mengorbit matahari sedemikian rupa sehingga menjadi nol ketika beristirahat pada jarak tak
terbatas, dengan salah satu hukum Kepler, periode T orbit sama dengan ( - CE/m) - 3/2 , di mana m
adalah massa benda dan konstanta C hanya bergantung pada konstanta gravitasi dan massa
matahari. Jika E ≥ 0, benda tersebut akan lepas dari tata surya.
(a) Apa yang dapat menyebabkan E berubah? Pengaruh utama adalah medan gravitasi Jupiter.
Diskusikan yang lain. Jika kita menetapkan zi = - CE/m, di mana E adalah energi setelah
melewati orbit Jupiter, Δzi dapat diperlakukan sebagai bilangan acak dengan distribusi
yang bergantung pada Jupiter dan matahari tetapi tidak pada m. Perkirakan ini dengan
distribusi normal dengan rata-rata nol. Bagaimana Anda bisa memeriksa perkiraan ini?
[Lihat R. H. Kerr (1961).J
(b) Tunjukkan bahwa, hingga skala, masa hidup komet "acak" diberikan oleh

dimana zi > 0 untuk 1 ≤ i ≤ T - 1, zr ≤ 0, dan Δzi memiliki normal distribusi dengan mean
nol dan varians satu. Apa skalanya? faktor?
(c) Jelaskan model Monte Carlo untuk memperoleh informasi tentang distribusi masa hidup
komet, ketika waktu dan Zo adalah diukur dalam satuan apa pun yang diperlukan untuk
penskalaan.
(d) Jika sebagian besar komet mengembara ke tata surya dari luar, sebagaimana adanya
diyakini oleh beberapa astronom, berapa nilai zo yang masuk akal? Haruskah kita
mengabaikan zo -3/2 in (b)? Mengapa ?
(e) Bagaimana kita bisa memperkirakan jumlah total komet di matahari? sistem, dengan
asumsi kerugian dan keuntungan sama dan (d) berlaku? Hammersley memperoleh
perkiraan sekitar 2 juta komet.
(f) Misalkan semua komet terbentuk di dalam tata surya ketika muncul. Diskusikan
perubahan pada (d) dan (e).
5. Kami mempertimbangkan cara lain untuk mendekati keacakan dalam jaringan aliran. Idenya
adalah bahwa topografinya acak. Bayangkan sebagian dari sebuah pesawat ditutupi dengan
kotak. Kami menganggap tepi setiap bujur sangkar sebagai kemungkinan penghubung aliran.
Air mungkin mengalir dari atau melalui titik tertentu ke titik yang berdekatan. Lihat Gambar
3. Ide ini disarankan oleh diskusi di L. B. Leopold et al. (1964, hlm. 419).
(a) Diberikan sebuah simpul v, pilihlah simpul yang berdekatan secara acak dan izinkan air
mengalir dari v ke w. Hati-hati. Kita tidak bisa melakukan ini jika kita sudah sebelumnya
memutuskan untuk membiarkan air mengalir dari w ke v. Sumber bercabang dan sungai yang
 "hilang" harus dihindari. Lihat A dan B pada Gambar 3. Bagaimana bisakah Anda menerapkan
ini di komputer? Bagaimana dengan kemungkinan air mengalir dalam loop tertutup seperti C
pada Gambar 3? Bisakah Anda menangani ini dengan membiarkan danau atau entah
bagaimana berhenti dengan pemrograman pintar?

Gambar 3 Memilih jaringan aliran acak pada grid. (a) Bagian dari kisi. (b) Tautan yang dibuat
secara acak pada bagian kisi ini. Masalah muncul di A, B, dan C.
(b) Ubah model pada (a) sehingga setiap titik memiliki ketinggian dan air mengalir ke titik
terendah yang berdekatan. Masalah apa yang muncul dalam implementasi ?
(c) Diskusikan bias kedua model yang baru saja disarankan untuk memungkinkan kemiringan
keseluruhan umum ke tanah.
(d) Karena empat sisi bertemu di simpul bujur sangkar, kita dapat berharap memiliki beberapa
simpul di mana tiga aliran bergabung untuk membentuk yang keempat. Ini dapat dihindari dengan
menggunakan pola heksagonal (sarang lebah) alih-alih pola persegi.
(e) Mengkritik model.
(f) Mungkin beberapa siswa benar-benar dapat menerapkan Monte Carlo model. Jika ini akan
dilakukan, diskusikan detail praktisnya hati-hati sebelumnya. Di antara hal-hal yang perlu Anda
pertimbangkan adalah:
Model mana yang akan diterapkan?
Bagaimana seharusnya model disimpan?
Seberapa besar modelnya?
Bagaimana urutan tautan ditentukan?
Bagaimana segmen dapat diidentifikasi?
Data apa, jika ada, yang dibutuhkan?
Jangan lupa masalah yang disebutkan dalam (a) dan (b).

Tabel 3000 Digit Acak