Kalkulator Distribusi Probabilitas

Selamat datang di Kalkulator Distribusi Probabilitas, alat statistik komprehensif untuk menghitung probabilitas, probabilitas kumulatif (CDF), dan kuantil (invers CDF) untuk berbagai distribusi probabilitas. Baik Anda seorang mahasiswa yang sedang belajar statistik, peneliti yang menganalisis data, atau profesional yang bekerja dengan model statistik, kalkulator ini menyediakan solusi langkah demi langkah yang terperinci dan visualisasi interaktif untuk membantu Anda memahami distribusi probabilitas.

Distribusi Probabilitas yang Didukung

Kalkulator ini mendukung tujuh distribusi probabilitas yang umum digunakan, masing-masing cocok untuk jenis fenomena acak yang berbeda:

Memahami Fungsi PDF, CDF, dan Kuantil

Fungsi Kepadatan/Massa Probabilitas (PDF/PMF)

PDF (untuk distribusi kontinu) atau PMF (untuk distribusi diskrit) memberikan kecenderungan relatif variabel acak untuk mengambil nilai tertentu. Untuk distribusi kontinu, nilai PDF itu sendiri bukanlah probabilitas melainkan kepadatan—probabilitas ditemukan dengan mengintegrasikan PDF di atas suatu interval.

Fungsi Distribusi Kumulatif (CDF)

CDF, yang dilambangkan dengan F(x), memberikan probabilitas bahwa variabel acak X kurang dari atau sama dengan nilai x. Ini ditulis sebagai P(X ≤ x). CDF selalu meningkat dari 0 ke 1 seiring bertambahnya x.

Fungsi Kuantil (Invers CDF)

Fungsi kuantil (juga disebut fungsi titik-persen atau invers CDF) menemukan nilai x di mana P(X ≤ x) = p. Ini menjawab: "Nilai apa yang dilampaui oleh hanya (1-p)×100% dari distribusi?" Ini sangat penting untuk menemukan nilai kritis dalam pengujian hipotesis.

Rumus Distribusi

Distribusi Normal

Distribusi Normal (Gaussian) bersifat simetris dan berbentuk lonceng, ditandai dengan mean μ (pusat) dan standar deviasi σ (sebaran).

• PDF: \( f(x) = \frac{1}{\sigma\sqrt{2\pi}} e^{-\frac{(x-\mu)^2}{2\sigma^2}} \)
• CDF: \( F(x) = \frac{1}{2}\left[1 + \text{erf}\left(\frac{x-\mu}{\sigma\sqrt{2}}\right)\right] \)
• Kuantil: \( x = \mu + \sigma \cdot \Phi^{-1}(p) \)

Distribusi Binomial

Memodelkan jumlah keberhasilan dalam n percobaan independen, masing-masing dengan probabilitas sukses p.

• PMF: \( P(X=k) = \binom{n}{k} p^k (1-p)^{n-k} \)
• CDF: \( F(k) = \sum_{i=0}^{k} \binom{n}{i} p^i (1-p)^{n-i} \)

Distribusi Poisson

Memodelkan jumlah peristiwa dalam interval tetap ketika peristiwa terjadi pada laju rata-rata konstan λ.

• PMF: \( P(X=k) = \frac{e^{-\lambda} \lambda^k}{k!} \)
• CDF: \( F(k) = e^{-\lambda} \sum_{i=0}^{k} \frac{\lambda^i}{i!} \)

Distribusi Eksponensial

Memodelkan waktu antar peristiwa dalam proses Poisson dengan laju λ.

• PDF: \( f(x) = \lambda e^{-\lambda x} \) untuk x ≥ 0
• CDF: \( F(x) = 1 - e^{-\lambda x} \)
• Kuantil: \( x = -\frac{\ln(1-p)}{\lambda} \)

Distribusi Chi-Square

Muncul dalam statistik sebagai jumlah dari variabel normal standar yang dikuadratkan. Digunakan dalam pengujian hipotesis dan interval kepercayaan untuk varians.

• PDF: \( f(x) = \frac{x^{k/2-1} e^{-x/2}}{2^{k/2} \Gamma(k/2)} \) untuk x > 0

Distribusi t-Student

Mirip dengan Normal tetapi dengan ekor yang lebih berat. Digunakan untuk inferensi tentang rata-rata populasi ketika ukuran sampel kecil atau varians populasi tidak diketahui.

• PDF: \( f(x) = \frac{\Gamma\left(\frac{\nu+1}{2}\right)}{\sqrt{\nu\pi}\,\Gamma\left(\frac{\nu}{2}\right)} \left(1+\frac{x^2}{\nu}\right)^{-\frac{\nu+1}{2}} \)

Cara Menggunakan Kalkulator Ini

1. Pilih distribusi: Klik pada kartu distribusi yang sesuai dengan data atau masalah Anda. Setiap kartu menunjukkan jenis distribusi (kontinu atau diskrit).
2. Pilih jenis perhitungan: Pilih PDF/PMF untuk probabilitas pada satu titik, CDF untuk probabilitas kumulatif, atau Kuantil untuk menemukan nilai bagi probabilitas yang diberikan.
3. Masukkan parameter: Masukkan parameter distribusi. Formulir secara dinamis hanya menampilkan parameter yang relevan untuk distribusi pilihan Anda.
4. Masukkan nilai atau probabilitas: Untuk PDF/CDF, masukkan nilai x (atau k untuk diskrit). Untuk Kuantil, masukkan probabilitas antara 0 dan 1.
5. Tinjau hasil: Periksa hasil yang dihitung, derivasi matematika langkah demi langkah, dan visualisasi distribusi interaktif.

Pertanyaan yang Sering Diajukan

Apa itu distribusi probabilitas?

Distribusi probabilitas adalah fungsi matematika yang menggambarkan kemungkinan berbagai hasil yang mungkin terjadi untuk variabel acak. Ini bisa berupa diskrit (seperti Binomial atau Poisson) untuk hasil yang dapat dihitung, atau kontinu (seperti Normal atau Eksponensial) untuk hasil yang dapat mengambil nilai apa pun dalam suatu rentang.

Apa perbedaan antara PDF dan CDF?

PDF (Probability Density Function) atau PMF (Probability Mass Function) memberikan kepadatan probabilitas pada titik tertentu. Untuk distribusi diskrit, PMF memberikan probabilitas tepat P(X=k). CDF (Cumulative Distribution Function) memberikan probabilitas bahwa variabel acak kurang dari atau sama dengan suatu nilai: P(X≤x). CDF adalah jumlah kumulatif/integral dari PDF/PMF.

Kapan saya harus menggunakan distribusi Normal?

Distribusi Normal tepat untuk data kontinu yang terdistribusi secara simetris di sekitar nilai rata-rata. Ini umum digunakan untuk fenomena seperti tinggi badan, skor tes, kesalahan pengukuran, dan banyak variabel biologis. Teorema Limit Pusat menyatakan bahwa rata-rata sampel cenderung menuju distribusi normal terlepas dari distribusi populasi.

Apa itu fungsi kuantil?

Fungsi kuantil (juga disebut invers CDF atau fungsi titik-persen) menemukan nilai x sedemikian rupa sehingga P(X≤x) = p untuk probabilitas p yang diberikan. Misalnya, persentil ke-95 (p=0,95) dari suatu distribusi adalah nilai di bawah mana 95% observasi berada.

Bagaimana cara memilih di antara distribusi yang berbeda?

Pilih berdasarkan karakteristik data Anda: Normal untuk data kontinu simetris di sekitar rata-rata; Binomial untuk menghitung keberhasilan dalam percobaan tetap; Poisson untuk menghitung peristiwa langka dalam interval tetap; Eksponensial untuk waktu antar peristiwa; Seragam untuk probabilitas yang sama di seluruh rentang; Chi-Square untuk pengujian varians; t-Student untuk sampel kecil dengan varians populasi yang tidak diketahui.

Sumber Daya Tambahan

• Distribusi Probabilitas - Wikipedia
• Distribusi Normal - Wikipedia
• Statistik dan Probabilitas - Khan Academy