Distribusi Probabilitas Diskrit

Dalam statistika, pemahaman mengenai probabilitas merupakan fondasi yang sangat penting untuk menganalisis ketidakpastian. Salah satu konsep kunci dalam probabilitas adalah distribusi probabilitas. Secara sederhana, distribusi probabilitas menjelaskan bagaimana peluang didistribusikan di antara berbagai kemungkinan hasil dari sebuah eksperimen acak. Khusus untuk eksperimen yang hasilnya dapat dihitung atau terbatas, kita menggunakan yang disebut dengan Distribusi Probabilitas Diskrit.

Sebuah variabel acak dikatakan diskrit jika nilai-nilai yang mungkin diambil dapat dihitung (countable). Contoh variabel acak diskrit meliputi jumlah mata dadu yang muncul saat dilempar, jumlah siswa yang lulus ujian dalam sebuah kelas, atau jumlah mobil yang melewati gerbang tol dalam satu jam. Berbeda dengan variabel acak kontinu yang dapat mengambil nilai apa pun dalam suatu rentang (seperti tinggi badan atau waktu), variabel diskrit hanya mengambil nilai-nilai spesifik, biasanya berupa bilangan bulat.

Syarat Distribusi Probabilitas

Agar suatu fungsi dapat disebut sebagai distribusi probabilitas diskrit yang valid, ia harus memenuhi dua syarat utama:

• Peluang untuk setiap nilai variabel acak harus antara 0 dan 1 (inklusif), ditulis sebagai 0 P(x) 1.
• Jumlah total peluang untuk semua kemungkinan hasil harus sama dengan 1, ditulis sebagai P(x) = 1.

Distribusi probabilitas diskrit biasanya direpresentasikan dalam bentuk tabel, grafik, atau rumus matematika yang menghubungkan setiap hasil eksperimen dengan peluang kejadiannya. Dalam mempelajari distribusi ini, terdapat beberapa jenis distribusi yang paling sering digunakan dalam analisis data dan penelitian, di antaranya adalah Distribusi Binomial dan Distribusi Poisson.

Distribusi Binomial

Distribusi Binomial adalah salah satu distribusi probabilitas diskrit yang paling fundamental. Distribusi ini menggambarkan jumlah keberhasilan dalam sejumlah percobaan independen yang identik, yang sering disebut sebagai percobaan Bernoulli.

Agar suatu kasus dapat dikategorikan ke dalam distribusi Binomial, harus memenuhi empat kriteria berikut:

• Terdiri dari n percobaan yang tetap (fixed number of trials).
• Setiap percobaan hanya memiliki dua kemungkinan hasil: sukses atau gagal (binary outcomes).
• Peluang keberhasilan, yang dilambangkan dengan p, adalah konstan dari satu percobaan ke percobaan lainnya.
• Percobaan-percobaan tersebut independen, artinya hasil dari satu percobaan tidak memengaruhi hasil percobaan lainnya.

Sebagai contoh, bayangkan Anda melempar koin sebanyak 10 kali. Anda ingin mengetahui peluang mendapatkan tepat 5 kali gambar. Lemparan koin memenuhi kriteria Binomial: jumlah lemparan tetap (10), hasilnya cuma angka atau gambar, peluang muncul gambar selalu 0,5, dan setiap lemparan tidak memengaruhi lemparan berikutnya.

Rumus untuk menghitung peluang pada Distribusi Binomial adalah:

Di mana:

• P(X = x) adalah peluang mendapatkan tepat x keberhasilan dalam n percobaan.
• n adalah jumlah total percobaan.
• x adalah jumlah keberhasilan yang dicari.
• p adalah peluang keberhasilan dalam satu percobaan.
• (1 - p) sering disebut q, yaitu peluang kegagalan.
• C(n, x) adalah kombinasi dari n objek yang diambil x sekaligus.

Distribusi Poisson

Selain Distribusi Binomial, terdapat juga Distribusi Poisson. Distribusi ini sangat berguna ketika kita ingin memodelkan jumlah kejadian yang terjadi dalam interval waktu atau ruang yang tertentu. Distribusi Poisson biasanya diterapkan pada peristiwa yang terjadi secara acak dan independen.

Contoh penerapan Distribusi Poisson dalam kehidupan sehari-hari antara lain menghitung jumlah email yang masuk ke kotak masuk dalam satu jam, jumlah pemadam kebakaran yang dipanggil ke suatu lokasi dalam sehari, atau jumlah titik cacat pada selembar kain pabrik. Inti dari distribusi ini adalah memprediksi frekuensi kejadian langka atau sporadis dalam skala besar.

Syarat utama penggunaan Distribusi Poisson adalah:

• Kejadian dapat dihitung (countable).
• Kejadian terjadi secara independen.
• Rata-rata kejadian per interval diketahui (dilambangkan dengan - lambda).
• Peluang dua atau lebih kejadian terjadi pada saat yang sama sangat kecil (relatif terhadap interval waktunya).

Rumus peluang untuk Distribusi Poisson adalah:

Di mana:

• P(X = x) adalah peluang terjadinya x kejadian dalam interval tertentu.
• (lambda) adalah rata-rata jumlah kejadian dalam interval tersebut.
• e adalah konstanta bilangan Euler yang kira-kira sama dengan 2,71828.
• x! adalah faktorial dari x.

Misalnya, jika rata-rata jumlah pelanggan yang datang ke kasir minimarket adalah 3 orang per menit ( = 3), kita dapat menghitung peluang bahwa dalam menit berikutnya akan datang tepat 5 pelanggan menggunakan rumus di atas.

Kesimpulan

Memahami Distribusi Probabilitas Diskrit adalah langkah awal yang krusial dalam statistika inferensial. Dengan Binomial, kita dapat menganalisis situasi dengan percobaan berulang yang memiliki hasil sukses-gagal tetap. Sementara itu, Poisson membantu kita memahami frekuensi kejadian dalam rentang waktu atau ruang tertentu. Kedua distribusi ini memberikan kerangka kerja matematis untuk mengambil keputusan yang lebih baik berdasarkan data dan probabilitas, mengurangi ketidakpastian dalam berbagai bidang seperti bisnis, teknik, ilmu sosial, dan sains.