Distribusi Peluang (Probabilitas)

Sains Probabilitas

Memetakan Ketidakpastian Menjadi Pola Matematis.

Kejadian di alam semesta seringkali tampak acak. Namun, dalam jumlah yang besar, ketidakpastian tersebut tunduk pada hukum matematika yang ketat yang disebut Distribusi Peluang. Pahami polanya, dan Anda bisa memprediksi probabilitas masa depan.

Capaian Pembelajaran

● Membedakan antara Variabel Acak Diskrit (dapat dihitung) dan Kontinu (diukur).
● Memahami karakteristik bentuk kurva Distribusi Normal, Binomial, dan Poisson.
● Menganalisis pergeseran bentuk kurva (Skewness) akibat perubahan parameter parameter dasar (Mean, Deviasi Standar, Peluang Sukses).

1. Distribusi Peluang

Pilih model distribusi yang tepat berdasarkan sifat kejadian eksperimen Anda.

Diskrit

Distribusi Binomial

Menghitung probabilitas k kesuksesan dalam n percobaan berulang. Setiap percobaan hanya memiliki dua kemungkinan hasil: Sukses atau Gagal.

Rumus Probabilitas (PMF):

$$P(X=k) = \binom{n}{k} p^k (1-p)^{n-k}$$

Keterangan & Interpretasi:
$n$ = Jumlah percobaan total independen
$k$ = Jumlah kejadian sukses yang ingin diamati
$p$ = Probabilitas sukses per satu percobaan
$\binom{n}{k} = \frac{n!}{k!(n-k)!}$ (Kombinasi; menunjukkan banyak cara $k$ sukses dapat terjadi dari $n$ percobaan)

Contoh Kasus: Quality Control
Menghitung peluang terdapat tepat 2 produk cacat dari 50 sampel acak yang diambil dari mesin produksi dengan tingkat kecacatan historis konstan sebesar 5%.

Penyelesaian :

$P(X=2) = \binom{50}{2} (0.05)^2 (0.95)^{48} \approx 0.261$

Jadi, ada peluang sebesar 26.11% untuk menemukan tepat 2 produk cacat.

Diskrit

Distribusi Poisson

Menggambarkan probabilitas sejumlah peristiwa (biasanya langka) yang terjadi dalam interval waktu, jarak, atau ruang tertentu, dengan laju rata-rata ($\lambda$) yang konstan.

Rumus Probabilitas (PMF):

$$P(X=k) = \frac{\lambda^k e^{-\lambda}}{k!}$$

Keterangan & Interpretasi:
$\lambda$ (Lambda) = Tingkat kejadian (rata-rata kemunculan per interval)
$k$ = Jumlah kejadian aktual yang diprediksi probabilitasnya
$e \approx 2.71828$ (Konstanta bilangan Euler)
Sangat ideal memprediksi kejadian diskrit pada matriks berkesinambungan.

Contoh Kasus: Manajemen Medis
Memprediksi probabilitas datangnya 10 pasien ke Instalasi Gawat Darurat (IGD) antara jam 8-9 malam, jika rata-rata kedatangan historis adalah 6 pasien per jam.

Penyelesaian :

$P(X=10) = \frac{6^{10} e^{-6}}{10!} \approx 0.0413$

Jadi, peluang kedatangan melonjak menjadi tepat 10 pasien adalah 4.13%.

Kontinu

Distribusi Normal

Kurva lonceng simetris yang menjadi tulang punggung statistika. Data memusat di sekitar rata-rata ($\mu$). Berlaku untuk data kontinu (bisa bernilai desimal/pecahan tak terhingga).

Fungsi Kepadatan (PDF):

$$f(x) = \frac{1}{\sigma \sqrt{2\pi}} e^{-\frac{1}{2}\left(\frac{x-\mu}{\sigma}\right)^2}$$

Keterangan & Interpretasi:
$x$ = Nilai variabel acak observasi kontinu
$\mu$ (Mu) = Nilai Pusat / Rata-rata populasi (Mean)
$\sigma$ (Sigma) = Deviasi Standar (Jarak penyebaran data)
Total probabilitas (Luas area di bawah kurva) = 1.

Contoh Kasus : Toleransi Manufaktur
Mengevaluasi probabilitas mesin secara tidak sengaja mengisi air kurang dari 490ml pada kemasan bervolume target (Rata-rata) 500ml dengan deviasi standar 5ml.

Penyelesaian :

Hitung Z-Score: $Z = \frac{490 - 500}{5} = -2.0$
Luas kurva $P(Z < -2.0) \approx 0.0228$

Jadi, terdapat probabilitas sekitar 2.28% produk akan underfill (kurang terisi).

2. Simulator Distribusi

Modifikasi parameter matematis di panel kiri untuk melihat bagaimana probabilitas merespons secara real-time.

Pilih Model Distribusi:

Pengaturan Parameter ($\theta$):

Rata-rata ($\mu$) 50

Menggeser posisi puncak kurva ke kiri/kanan.

Deviasi Standar ($\sigma$) 10

Mengatur tingkat kelebaran/sebaran data dari rata-rata.

Kurva Distribusi Normal

Probabilitas kepadatan (PDF) untuk variabel acak kontinu.

Interpretasi Analitik

Ilusi Acak & Hukum Bilangan Besar

Hukum Bilangan Besar (Law of Large Numbers) menyatakan bahwa seiring bertambahnya jumlah percobaan, frekuensi empiris dari suatu kejadian akan semakin mendekati probabilitas teoritisnya. Hal ini sering disalahpahami dalam Gambler's Fallacy.

Simulasi Pelemparan Koin

Probabilitas teoretis Angka (Head) adalah 50%. Dalam jangka pendek (misal 10 lemparan), hasil bisa saja sangat timpang (misal 80% Angka). Namun, lihat apa yang terjadi ketika koin dilempar ribuan kali.

3. Evaluasi Pemahaman

Uji penguasaan Anda terhadap konsep fungsi kepadatan dan probabilitas kejadian.