Kalkulator Distribusi Geometrik

Tentang Kalkulator Distribusi Geometrik

Kalkulator Distribusi Geometrik menghitung probabilitas eksak untuk jumlah percobaan Bernoulli independen yang diperlukan untuk mencapai keberhasilan pertama. Masukkan probabilitas keberhasilan per percobaan dan nomor percobaan (atau jumlah kegagalan) untuk mendapatkan probabilitas titik dan kumulatif secara instan, solusi langkah-demi-langkah, visualisasi urutan percobaan beranimasi, bagan PMF/CDF, dan tabel distribusi lengkap. Kedua parameterisasi — nomor percobaan dan kegagalan sebelum berhasil — didukung sepenuhnya.

Apa Itu Distribusi Geometrik?

Distribusi geometrik adalah distribusi probabilitas diskrit yang memodelkan jumlah percobaan independen yang diperlukan untuk mendapatkan keberhasilan pertama dalam serangkaian percobaan Bernoulli. Setiap percobaan memiliki probabilitas p yang sama untuk berhasil dan probabilitas q = 1 − p untuk gagal. Ini adalah analog diskrit dari distribusi eksponensial dan merupakan satu-satunya distribusi diskrit dengan sifat tanpa memori (memoryless property).

Dua Parameterisasi Umum

Distribusi geometrik memiliki dua bentuk standar yang sering kali menimbulkan kebingungan. Kalkulator ini mendukung keduanya:

• Parameterisasi Percobaan (X): X menghitung nomor percobaan di mana keberhasilan pertama terjadi. X bernilai 1, 2, 3, … dan P(X = k) = (1 − p)^k−1 × p. Mean-nya adalah 1/p.
• Parameterisasi Kegagalan (Y): Y menghitung jumlah kegagalan sebelum keberhasilan pertama terjadi. Y bernilai 0, 1, 2, … dan P(Y = k) = (1 − p)^k × p. Mean-nya adalah (1 − p)/p. Perhatikan bahwa Y = X − 1.

Rumus PMF Geometrik

Untuk parameterisasi percobaan (default pada kalkulator ini):

P(X = k) = (1 − p)^k−1 × p, untuk k = 1, 2, 3, …

Intuisinya sederhana: (k − 1) percobaan pertama haruslah kegagalan (masing-masing dengan probabilitas 1 − p), dan percobaan ke-k haruslah keberhasilan (probabilitas p). Karena percobaan tersebut independen, kita mengalikan probabilitas-probabilitas ini bersama-sama.

CDF (Cumulative Distribution Function)

CDF memiliki ekspresi bentuk tertutup yang bersih:

P(X ≤ k) = 1 − (1 − p)^k

Ini memberikan probabilitas bahwa keberhasilan pertama terjadi dalam k percobaan pertama. Ini setara dengan 1 dikurangi probabilitas bahwa semua k percobaan adalah kegagalan.

Mean, Varians, dan Statistik Lainnya

• Mean (Nilai Harapan): E[X] = 1/p — Rata-rata, Anda membutuhkan 1/p percobaan untuk mendapatkan keberhasilan pertama.
• Varians: Var(X) = (1 − p) / p² — Varians lebih tinggi ketika p kecil (keberhasilan jarang terjadi).
• Deviasi Standar: σ = √((1 − p) / p²)
• Median: ⌈−1 / log₂(1 − p)⌉ — Nilai k terkecil sedemikian sehingga P(X ≤ k) ≥ 0,5.
• Modus: Selalu 1 — Hasil yang paling mungkin adalah keberhasilan pada percobaan pertama.
• Skewness (Kemencengan): (2 − p) / √(1 − p) — Selalu positif (menceng ke kanan).

Sifat Tanpa Memori (Memoryless Property)

Distribusi geometrik adalah satu-satunya distribusi diskrit dengan sifat tanpa memori:

P(X > s + t | X > s) = P(X > t)

Ini berarti jika Anda sudah gagal sebanyak s kali, probabilitas membutuhkan setidaknya t percobaan lagi adalah sama seolah-olah Anda baru memulai dari awal. Kegagalan di masa lalu tidak mengubah probabilitas di masa depan — yang masuk akal karena setiap percobaan bersifat independen.

Aplikasi Umum

• Lemparan Koin — Berapa banyak lemparan sampai muncul angka pertama kali? Dengan p = 0,5, nilai harapannya adalah 2 lemparan.
• Penjualan dan Pemasaran — Berapa banyak panggilan dingin sampai terjadi penjualan pertama? Jika tingkat konversi adalah 5%, harapkan sekitar 20 panggilan secara rata-rata.
• Kontrol Kualitas — Berapa banyak item yang harus diperiksa sebelum menemukan cacat pertama? Memodelkan waktu tunggu untuk peristiwa langka.
• Perjudian dan Permainan — Berapa banyak lemparan dadu sampai muncul angka 6? Dengan p = 1/6, nilai harapannya adalah 6 lemparan.
• Keandalan Jaringan — Berapa banyak transmisi paket sampai satu paket berhasil? Memodelkan protokol retransmisi dalam jaringan komputer.
• Genetika — Berapa banyak keturunan sampai muncul satu dengan sifat spesifik? Berlaku ketika pewarisan sifat mengikuti rasio Mendel.

Hubungan dengan Distribusi Lain

• Binomial Negatif: Distribusi geometrik adalah kasus khusus dari binomial negatif dengan r = 1 (menunggu tepat 1 keberhasilan).
• Eksponensial: Distribusi geometrik adalah analog diskrit dari distribusi eksponensial kontinu. Keduanya memiliki sifat tanpa memori.
• Bernoulli: Setiap percobaan mengikuti distribusi Bernoulli. Distribusi geometrik menghitung berapa banyak percobaan Bernoulli sampai keberhasilan pertama.

Cara Menggunakan Kalkulator Ini

1. Masukkan probabilitas keberhasilan (p) per percobaan. Nilai ini harus di antara 0 (eksklusif) dan 1 (inklusif).
2. Pilih parameterisasi: nomor percobaan (k = 1, 2, 3, …) atau kegagalan sebelum berhasil (k = 0, 1, 2, …).
3. Masukkan nilai k.
4. Klik "Hitung Probabilitas" untuk melihat probabilitas eksak dan kumulatif, solusi langkah-demi-langkah, urutan percobaan beranimasi, bagan PMF/CDF, dan tabel distribusi lengkap.
5. Gunakan tombol skenario cepat untuk mengeksplorasi contoh dunia nyata secara instan.

Pertanyaan yang Sering Diajukan

Untuk apa distribusi geometrik digunakan?

Distribusi geometrik memodelkan jumlah percobaan independen yang diperlukan untuk mendapatkan keberhasilan pertama. Ini digunakan kapan pun Anda ingin menjawab pertanyaan "Berapa kali saya harus mencoba sebelum saya berhasil?" dengan asumsi setiap upaya memiliki probabilitas keberhasilan yang sama. Aplikasi umum meliputi analisis panggilan penjualan, pemeriksaan kualitas, perjudian, retransmisi jaringan, dan genetika.

Apa perbedaan antara kedua parameterisasi tersebut?

Parameterisasi percobaan menghitung nomor percobaan dari keberhasilan pertama (dimulai dari 1), sedangkan parameterisasi kegagalan menghitung jumlah kegagalan sebelum keberhasilan pertama (dimulai dari 0). Keduanya berbeda tepat 1: jika X adalah nomor percobaan, maka Y = X − 1 adalah jumlah kegagalan. Keduanya memberikan nilai probabilitas yang sama untuk k yang bersesuaian.

Apa itu sifat tanpa memori?

Sifat tanpa memori berarti kegagalan di masa lalu tidak memengaruhi probabilitas keberhasilan di masa depan. Jika Anda sudah melempar koin yang adil sebanyak 10 kali tanpa mendapatkan angka, probabilitas membutuhkan tepat 1 lemparan lagi tetap 0,5 — koin tersebut tidak "mengingat" lemparan sebelumnya. Distribusi geometrik adalah satu-satunya distribusi diskrit dengan sifat ini.

Bagaimana hubungan distribusi geometrik dengan binomial negatif?

Distribusi geometrik adalah kasus khusus dari distribusi binomial negatif di mana Anda menunggu tepat r = 1 keberhasilan. Binomial negatif menggeneralisasi hal ini untuk menunggu r keberhasilan, di mana r bisa berupa bilangan bulat positif apa pun.

Mengapa modusnya selalu 1?

Modusnya selalu 1 (atau 0 dalam parameterisasi kegagalan) karena hasil tunggal yang paling mungkin adalah keberhasilan pada percobaan pertama — ini memiliki probabilitas p, yang merupakan nilai tertinggi dari PMF. Setiap percobaan berikutnya memiliki probabilitas yang jauh lebih rendah karena memerlukan kegagalan tambahan terlebih dahulu.