DISTRIBUSI PROBABILITAS

3.1 APA ITU PROBABILITAS?

Probabilitas berkaitan dengan kemungkinan fenomena. Ini dapat digambarkan sebagai
frekuensi relatif yang dengannya suatu peristiwa terjadi atau akan terjadi dalam jangka panjang.
Probabilitas telah menarik orang karena minat intrinsiknya dan penerapannya yang sukses di
banyak bidang dalam ilmu fisika, biologi, dan sosial, dalam bidang teknik, kedokteran, dan
lain-lain.
Misalkan seseorang akan melempar koin dan bertanya kepada kita, "Berapa probabilitasnya
untuk muncul dengan ekor?" Solusi yang jelas adalah dengan melemparkannya berulang-
ulang, mengaburkan apakah frekuensi relatifnya t. Tentu saja, melemparkannya lima atau
sepuluh kali tidak akan cukup untuk rata-rata peluang fluktuasi. Tetapi dalam jangka panjang,
frekuensi relatif dari ekor akan mengendap pada nilai yang membatasi, yang merupakan
probabilitas. Artinya, probabilitas adalah proporsi dalam jangka panjang. Secara matematis,
dapat ditulis sebagai:
P (e) = lim (3.1)
di mana
P adalah probabilitas
E adalah hasilya
𝑛1 adalah berapa kali hasil e terjadi.
n adalah jumlah total dari waktu persidangan diulang.
Kami dapat menggeneralisasi dengan mempertimbangkan percobaan dengan N
hasilnya). Frekuensi relatif - dari setiap hasil e, harus positif karena pembilang dan
penyebutnya positif. Selain itu, karena pembilang tidak dapat melebihi penyebut, maka
frekuensi relatif tidak melebihi kesatuan. Jadi:
𝑛1
0≤ ≤1 (3.2)
𝑛

Ini juga benar dalam batasnya, yaitu:

𝑛1
0≤ ≤1 (3.3)
𝑛

And
(e1) + P (e2) + P(e3) + ... + P (eN ) = 1
(3.4)
Probabilitas memberikan dasar bagi sebagian besar kesimpulan statistik. Dikatakan
bahwa probabilitas adalah kendaraan statistik. Ini karena bukti sampel digunakan untuk
membuat pernyataan dan keputusan tentang lation. Probabilitas memberikan cara untuk
menentukan dan mengekspresikan ketidakpastian kami dalam membuat kesimpulan tentang
populasi dari informasi sampel. Kontribusi probabilitas dalam inferensi statistik dapat dihargai
ketika kita berurusan dengan aplikasi mereka di bab-bab selanjutnya. -ndod
3.2 RANDOM VARIABEL
Dalam statistik, kami menggunakan kata eksperimen untuk menggambarkan proses yang
menghasilkan data mentah. Contoh percobaan statistik mungkin adalah melempar koin,
melempar dadu, pendapatan rumah tangga untuk Taman Universiti, dan waktu perjalanan dari
Kelinik Puteri ke Rumah Sakit Sultanah Aminah. Hasil dari setiap percobaan akan tergantung
pada kesempatan dan tidak dapat diprediksi dengan pasti. Namun, kami tahu seluruh rangkaian
kemungkinan. Himpunan semua hasil yang mungkin dari percobaan statistik disebut ruang
sampel. Suatu peristiwa adalah bagian dari ruang sampel. Misalnya, ruang sampel untuk
menggulirkan dadu adalah 1, 2, 3, 4, 5, atau 6, ditulis sebagai: S = {1, 2, 3, 4, 5, 6}
Jika kita hanya tertarik pada angka genap, himpunan bagian dari ruang sampel ini
adalah peristiwa A, ditulis sebagai:
A = {2, 4, 6}
Dalam contoh lain, ruang sampel untuk memberi peringkat fasilitas adalah satu untuk
yang terburuk hingga 10 untuk yang terbaik. Jadi, kita memiliki:
S = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10}
dan subset dari peringkat yang tidak dapat diterima. A, adalah:
A = {1, 2, 3}
Peristiwa dalam percobaan probabilitas harus didefinisikan sedemikian rupa sehingga
setiap peristiwa dapat diberi nilai numerik. Nilai numerik ini akan menjadi nilai variabel acak.
Dengan kata lain, variabel acak digunakan untuk menunjukkan hasil percobaan probabilitas.
Itu disebut acak karena nilai yang diasumsikan adalah hasil dari suatu peluang. Itu disebut
variabel karena dapat mengambil nilai numerik apa pun yang termasuk dalam set semua hasil
yang mungkin dari percobaan (atau ruang sampel).
Jika ruang sampel berisi sejumlah kemungkinan, variabel acak yang didefinisikan di
atas ruang ini disebut variabel acak diskrit. Jika ruang sampel berisi jumlah kemungkinan yang
tak terbatas, maka variabel acak yang didefinisikan di atas ruang ini disebut variabel acak
kontinu. Dalam sebagian besar masalah praktis, variabel acak yang terpisah menghitung data
seperti jumlah kematian per tahun di jalan raya PLUS, jumlah spesies siput bersih di sungai,
atau jumlah properti hunian di otoritas lokal. Variabel acak kontinu, di sisi lain, jarak, atau
periode kehidupan.
Seorang GIScientist memeriksa penggunaan 20 properti yang ditunjuk dan menentukan
apakah setiap properti ditunjuk sebagai perumahan. Variabel acak x adalah jumlah properti
yang digunakan sebagai tempat tinggal. Ini dapat mengambil nilai integer dari 0 hingga 20.
Jumlah properti yang digunakan sebagai perumahan tentu saja merupakan variabel acak diskrit.
Ilmuwan GIS lainnya mengukur panjang batas banyak lot di depan jalan untuk menentukan
panjang batas. Lengrhof batas sebenarnya adalah variabel acak yang terus menerus karena
merupakan data yang diukur dan diambil dari sejumlah kemungkinan yang tak terbatas. 01 -
aidəı merepresentasikan data yang diukur seperti suhu, hcight,

3.3 KETENTUAN PENAMBAHAN DAN PERATURAN MASALAH

 Seringkali lebih mudah untuk menghitung probabilitas suatu peristiwa dari mengetahui
probabilitas dari peristiwa lain. Ini terjadi jika peristiwa dapat direpresentasikan sebagai
persatuan atau persimpangan dari dua peristiwa. Dua aturan penting yang sering
menyederhanakan perhitungan probabilitas adalah aturan penambahan dan aturan
multisplikasi.
Aturan addirion menyatakan bahwa jika A dan Bare ada dua peristiwa, maka:
P (A atau B) = P (A) + P (B) - P (A dan B)
dan jika A dan Bare saling eksklusif atau terpisah, maka:
P (A atau B) = P (A) + P (B)
Aturan penambahan dapat dengan mudah dibenarkan dengan memeriksa diagram Venn
pada Gambar 3.1. Untuk kasus yang saling eksklusif, penambahan sederhana dibenarkan.
Untuk kasus yang tidak eksklusif satu sama lain, P (A dan B) harus dikurangkan dari peristiwa
yang digabungkan untuk menghasilkan hasil yang benar.

Aturan penggandaan menyatakan bahwa if A dan B adalah peristiwa non-independen,

maka:
PA dan B) = PA) PB | A)
Jika A dan Bare acara independen, maka:
P (A dan B) = P (A) P (B)
Aturan penggandaan acara independen adalah kasus khusus dari peristiwa dependen.
Aturan kejadian dependen adalah aturan yang benar-benar diperlukan. Aturan kejadian
dependen mengurangi aturan kejadian independen karena P (B | A) = P (B) ketika A dan Bare
independen. Sebagai contoh. seorang GIScientist pergi ke cadangan game dan probabilitas
1 1
melihat seekor harimau adalah5, probabilitas untuk melihat seekor gajah adalah 4, dan
1
probabilitas untuk melihat hewan kedua adalah 3. Kemudian, probabilitas melihat harimau (A)
atau gajah (B) adalah
P (A atau B) = P (A) + P (B) - P (A dan B)
1 1 1 7
=5 × 4 × 3 = 60

Dalam contoh lain, perumahan Estate berisi 2000 unit teras berlantai tunggal dan 800
unit teras berlantai ganda. Seorang GIScientist ingin mencicipi dua rumah toko dari area
tersebut, tanpa penggantian. Kemungkinan mendapatkan rumah satu lantai di pilihan pertama
 2000
adalah2800. Jika ia berhasil mendapatkan satu rumah berlantai satu pada seleksi pertama, maka
1999
probabilitas mendapatkan satu rumah berlantai satu pada seleksi kedua adalah Dengan
2800
demikian, probabilitas mendapatkan satu rumah berlantai satu pada seleksi pertama. (A) dan
pilihan kedua (B) adalah:
P (A dan B) = P (A) P (B)
2000 1999
× 2800
2800

3998000
7840000
= 0,51

3.4 DISTRIBUSI PROBABILITAS DISKRET

Sebuah variabel acak diskrit mengasumsikan setiap nilainya dengan kemungkinan tertentu.
Dalam kasus melempar dua koin, kami mendefinisikan variabel acak x menjadi jumlah kepala
yang diamati. Dengan demikian, x dapat mengambil nilai 0, 1, atau 2. Probabilitas P (x) dari
masing-masing peristiwa ini adalah
1 1 1
P (x = 1) =4 P (x = 1)=2 P (x = 2) = 4

karena independensi melemparkan dua koin. Perhitungan probabilitas lebih baik ditampilkan
sebagai:
1 1 1
P (H dan H) = P (H) P (H) = 2 × 2 = 4
1 1 1
P (H dan T) = P (H) P (T) = 2 × 2 = 4

Probabilitas ini dari variabel acak x dapat ditampilkan dalam jumlah cara tetapi mereka
ditampilkan terbaik dalam bentuk tabel, seperti yang ditunjukkan pada Tabel 3.1.
Tabel 3.1. Tabel distribusi probabilitas
ꭓ P(ꭓ )
0 1
4
1 1
2
2 1
4

1 1 1
P (T dan H) = P (T) P (H) = 2 × 2 = 4
1 1 1
P (T dan T) = P (T) P (T) = 2 × 2 = 4
 Nilai-nilai x menghabiskan semua kasus yang mungkin dan karenanya probabilitas
berjumlah satu. Tabel seperti ini dikenal sebagai fungsi probabilitas atau distribusi probabilitas
variabel acak diskrit x.
Seringkali bermanfaat untuk melihat distribusi probabilitas secara grafis - dalam
bentuk histogram probabilitas. Gambar 3.2 menunjukkan histogram probabilitas dari distribusi
probabilitas Tabel 3.1. Histogram dibangun sedemikian rupa sehingga basisnya dengan lebar
yang sama dipusatkan pada nilai cach x, dan ketinggiannya sama dengan probabilitas yang
sesuai, P (x). Ketika basis adalah lebar unit, probabilitas P (x = 0), P (x = 1), dan P (x = 2)
sama dengan luas persegi panjang yang berpusat pada ar 0, 1, dan

2, masing-masing. Konsep ini menggunakan area untuk mewakili probabilitas adalah penting
ketika kita berurusan dengan distribusi probabilitas berkelanjutan di Bagian 3.5.
Demikian pula, dalam kasus pengambilan sampel properti hunian, kami mendefinisikan
variabel acak x menjadi jumlah kamar tidur sampel. Dengan demikian, x dapat mengambil nilai
2,3, 4, atau 5 (dengan asumsi bahwa ada properti, tidak ada properti dengan satu atau lebih
dari lima kamar tidur). Biarkan:
P (x = 2) = 0,2, P (x = 3) = 0,4, P (x = 4) = 0,3, P (x = 5) = 0,1
Probabilitas variabel acak x dapat diberikan dalam bentuk tabel, seperti yang
ditunjukkan pada Tabel 3.2, atau histogram, seperti yang ditunjukkan pada Gambar 3.3.
Tabel 3.2 Tabel distribusi probabilitas jumlah kamar tidur
ꭓ P(ꭓ )
2 0,2
3 0,4
4 0,3
5 0,1
Gambar 3.3. Histogram distribusi probabilitas jumlah kamar tidur
3.4.1. Mean dan Varian dari Distribusi Probabilitas Diskrit
Jika x adalah variabel acak diskrit dengan distribusi probabilitas P (x), nilai rata-rata atau yang
diharapkan dari x diberikan sebagai:

µ = ∑ 𝑥. 𝑃(𝑥)
dan varians diberikan sebagai:

𝜎 2 = ∑ (𝑥 − µ)2 . 𝑃(𝑥) (3.6)

Perhatikan bahwa kita menggunakan symbol µ dan 𝜎 2 bukan ͞x dan s² karena kita berurusan
dengan frekuensi relative yang diharapkan p(x) yang akan terjadi dalam jangka Panjang. Oleh
karena itu, kita berurusan dengan seluruh populasi hasil eksperimen
Contoh 3.1. Hitung mean dan varians dari variabel acak x di mana x merupakan distribusi
probabilitas melemparkan dua koin dan mengamati kepala.
Penyelesaian:
1 1 1
Setiap hasil dari 0, 1, dan 2 kepala terjadi dengan probabilitas , 3 dan 4, masing-masing
4
(Tabel 3.1). Perhitungan mean dan varians diilustrasikan pada Tabel 3.3.
Tabel 3.3. Perhitungan mean dan varians

3.4.2 Distribusi Probabilitas Binomial

Eksperimen terdiri dari percobaan berulang yang independen, masing-masing dengan
dua hasil yang mungkin yang dapat diberi label sebagai keberhasilan atau kegagalan. dikenal
sebagai percobaan binomial. Tepatnya, percobaan binomial melengkapi sifat-sifat berikut:
(1) Percobaan ini terdiri dari z percobaan berulang.
(2) Setiap percobaan menghasilkan hasil yang dapat diklasifikasikan sebagai keberhasilan atau
kegagalan.
(3) Probabilitas keberhasilan, dilambangkan dengan p, tetap konstan dari percobaan ke
percobaan.
(4) Uji coba yang diulang bersifat independen.
(5) Jumlah x keberhasilan yang diamati selama uji coba dicatat.
Pertimbangkan untuk menggambar lima kartu secara berurutan dari setumpuk dan setiap
percobaan diberi label sebagai berhasil atau gagal tergantung pada apakah kartu tersebut merah
atau hitam. Jika setiap kartu diganti dan deck dikocok sebelum gambar berikutnya, maka
probabilitas keberhasilan atau kegagalan tetap konstan dari percobaan ke percobaan. Ini adalah
contoh percobaan binomial. Namun, jika kartu tidak diganti, probabilitas keberhasilan atau
kegagalan tidak akan sama. Dalam kasus seperti itu, percobaan tidak lagi dianggap percobaan
binomial. Dengan demikian, jumlah keberhasilan dalam uji coba pengalaman binomial disebut
variabel acak binomial, dan distribusi probabilitas variabel diskrit ini disebut distribusi
binomial.
Mari kita perhatikan contoh ilmuwan GIS yang mencoba menemukan spesies burung.
1
Peluang menemukan seekor burung adalah 2 dan GIScientist berencana untuk pergi ke hutan
tiga kali untuk menemukan spesies. Biarkan jumlah bercak yang berhasil menjadi variabel
acak x, yang dapat mengasumsikan nilai 0 (jika spesies tidak terlihat dalam salah satu dari tiga
upaya), 1 (jika spesies itu terlihat dalam satu upaya), 2 (jika spesies terlihat dalam dua
percobaan), dan 3 (jika spesies terlihat pada ketiga percobaan). Jika N mewakili tidak melihat
dan S mewakili pengamatan, maka kami dapat menghitung probabilitas melihat burung untuk
tiga upaya dari berikut ini:
1 1 1 1
O pengamatan = P (N dan N dan N) = P (N) P (N) P (N) = 2 × 2 × 2 = 8
1 1 1 1
1 pengamatan = P (S dan N dan N) = P (S) P (N) P (N) = 2 × 2 × 2 = 8
1 1 1 1
1 pengamatan = P (N dan S dan N) = P (N) P (S) P (N) = 2 × 2 × 2 = 8
1 1 1 1
1 pengamatan = P (N dan N dan S) = P (S) P (N) P (S) = 2 × 2 × 2 = 8
1 1 1 1
2 pengamatan = P (S dan S dan N) = P (S) P (N) P (N) = 2 × 2 × 2 = 8
1 1 1 1
2 pengamatan = P (N dan S dan S) = P (N) P (S) P (S) = 2 × 2 × 2 = 8
1 1 1 1
2 pengamatan = P (S dan N dan S) = P (S) P (N) P (S) = 2 × 2 × 2 = 8
1 1 1 1
3 pengamatan = P (S dan S dan S) = P (S) P (S) P (S) = 2 × 2 × 2 = 8

Lembar 10
Distribusi probabilitas variabel acak adalah binomial (Tabel 3.4 dan Gambar 3.4).
Tabel 3.4. Tabel distribusi probabilitas pengamatan burung
x P(x)

0 1
8
1 3
8
 2 3
8
3 1
8

Gambar 3.4 histogram distribusi probabilitas pengamatan burung

Pertimbangkan lagi percobaan melempar dua koin dan mengamati kepala (dibahas pada Bagian
3.4 ). Ini adalah contoh lain dari percobaan biologis dan distribusinya ditunjukkan pada Tabel
3,1 dan Gambar 3.2. Perhatikan kesamaan dalam bentuk distribusi dengan yang ada pada Tabel
3.4 dan Gambar 3.4. Faktanya, kita akan memiliki distribusi binomial yang persis sama untuk
setiap percobaan binomial untuk probabilitas n dan P. binomial yang sama telah dihitung dan
ditabulasikan untuk nilai-nilai kunci dari n dan x.
Jadi, rumus umum untuk fungsi probabilitas binomial diberikan sebagai:

P(x) = (𝑛𝑘)𝑝𝑘 𝑎𝑛−𝑥 untuk x = 1, 2, 3, .. n (3.7)