Distribusi Seragam (Uniform Distribution)

Distribusi Seragam, atau dalam bahasa Inggris dikenal sebagai Uniform Distribution, adalah salah satu jenis distribusi probabilitas yang paling sederhana dan fundamental dalam statistika. Distribusi ini memiliki ciri khas yaitu setiap hasil (outcome) memiliki peluang yang sama untuk terjadi. Dengan kata lain, tidak ada hasil yang lebih mungkin muncul dibandingkan dengan hasil lainnya.

Konsep distribusi seragam seringkali digunakan sebagai dasar dalam pemodelan simulasi, teori permainan, dan berbagai eksperimen acak sederhana. Secara umum, distribusi seragam dibagi menjadi dua kategori utama berdasarkan jenis variabel acaknya, yaitu Distribusi Seragam Diskret dan Distribusi Seragam Kontinu.

1. Distribusi Seragam Diskret

Distribusi seragam diskret berlaku untuk variabel acak diskrit, yaitu variabel yang hanya dapat mengambil nilai-nilai tertentu yang terhitung (finite). Dalam distribusi ini, peluang untuk setiap nilai adalah identik.

Contoh paling klasik dari distribusi seragam diskret adalah pelemparan sebuah dadu yang adil. Sebuah dadu standar memiliki enam sisi bernomor 1 sampai 6. Karena dadu tersebut dianggap adil, peluang munculnya angka 1 sama dengan peluang munculnya angka 2, 3, 4, 5, atau 6.

Rumus Probabilitas

Jika variabel acak X dapat mengambil nilai x, x, ..., x dan masing-masing memiliki peluang yang sama, maka fungsi massa probabilitas (PMF) dinyatakan sebagai:

Di mana:

• P(X = x) adalah peluang variabel acak X mengambil nilai x.
• n adalah jumlah hasil yang mungkin terjadi.

Nilai Harapan (Mean) dan Varians

Dalam analisis statistik, kita sering perlu menghitung nilai harapan (rata-rata) dan varians untuk memahami sebaran data. Untuk distribusi seragam diskret dengan nilai integer dari a sampai b:

• Nilai Harapan (E[X] atau ):
  E[X] = (a + b) / 2
• Varians (Var(X) atau ):
  Var(X) = [(n - 1)] / 12
  atau
  [(b - a + 1) - 1] / 12

2. Distribusi Seragam Kontinu

Distribusi seragam kontinu berlaku untuk variabel acak kontinu, yaitu variabel yang dapat mengambil nilai apa pun dalam suatu interval tertentu. Dalam distribusi ini, probabilitas didistribusikan secara merata di seluruh interval. Probabilitas seragam kontinu sering digambarkan sebagai persegi panjang, sehingga sering disebut sebagai distribusi persegi panjang (rectangular distribution).

Contoh kasus untuk distribusi ini adalah estimasi waktu kedatangan bus. Jika bus dikatakan akan tiba setiap 15 menit sekali, dan Anda tiba di halte secara acak, waktu Anda menunggu bisa berkisar dari 0 menit (bus baru saja datang) sampai 15 menit (bus baru datang). Waktu tunggu tersebut mengikuti distribusi seragam kontinu pada interval [0, 15].

Fungsi Kepadatan Probabilitas (PDF)

Distribusi seragam kontinu didefinisikan oleh dua parameter, a (nilai minimum) dan b (nilai maksimum). Fungsi kepadatan probabilitas f(x) dinyatakan sebagai:

Karena luas di bawah kurva probabilitas harus sama dengan 1, dan bentuknya persegi panjang dengan lebar (b - a), maka tingginya haruslah 1 / (b - a) agar total luasnya tetap 1.

Rumus Kumulatif (CDF)

Fungsi distribusi kumulatif F(x), yang memberikan probabilitas bahwa variabel acak X akan mengambil nilai kurang dari atau sama dengan x, adalah:

Nilai Harapan dan Varians

Sama seperti distribusi diskrit, kita dapat menghitung ukuran pemusatan dan penyebaran untuk kasus kontinu:

• Nilai Harapan (E[X] atau ):
  E[X] = (a + b) / 2
  Ini adalah titik tengah dari interval.
• Varians (Var(X) atau ):
  Var(X) = (b - a) / 12

Kesimpulan

Distribusi Seragam, baik diskret maupun kontinu, menyediakan kerangka kerja sederhana untuk memahami situasi di mana ketidakpastian tersebar merata. Dalam distribusi diskret, fokusnya pada jumlah hasil yang terbatas, sedangkan dalam distribusi kontinu, fokusnya pada probabilitas di dalam suatu interval.

Memahami distribusi ini sangat penting karena ia sering menjadi asumsi dasar dalam simulasi Monte Carlo, pengujian hipotesis, dan pembangkit bilangan acak dalam pemrograman komputer. Dengan mengetahui bahwa setiap hasil memiliki peluang yang sama, analis dapat membuat model awal yang netral sebelum mempertimbangkan faktor-faktor yang lebih kompleks atau bias dalam data.