Fungsi Massa Probabilitas: Panduan untuk Distribusi Diskret

Dalam probabilitas dan statistika, peluang suatu keluaran untuk peubah acak diskret diukur dengan fungsi massa probabilitas (PMF), sedangkan untuk peubah kontinu, kita menggunakan fungsi densitas probabilitas (PDF).

Baik saat memodelkan lemparan koin, kegagalan peralatan, maupun klik pengguna pada laman web, PMF membantu kita mengukur kemungkinan berbagai keluaran.

Memahami Fungsi Massa Probabilitas

Rumus fungsi massa probabilitas

Secara matematis, fungsi massa probabilitas dari peubah acak diskret X didefinisikan sebagai:

Dengan:

• X adalah peubah acak diskret,
• x adalah nilai yang dapat diambil X,
• p(x) adalah probabilitas bahwa X sama dengan x.

Dua syarat penting yang harus dipenuhi agar PMF valid:

1. Non-negativitas

2. Total probabilitas harus sama dengan satu

Syarat-syarat ini memastikan bahwa semua probabilitas yang ditetapkan masuk akal secara logis dan matematis. PMF memberikan deskripsi lengkap distribusi X, sehingga memungkinkan perhitungan nilai harapan, varians, dan ukuran statistik lainnya.

Definisi dan properti utama

PMF memiliki beberapa properti penentu yang membedakannya:

• Kediskretan: PMF hanya berlaku untuk peubah acak diskret, yaitu yang dapat mengambil nilai yang dapat dihitung (seperti 0, 1, 2, ...).
• Normalisasi: Jumlah PMF di seluruh nilai yang mungkin dari X harus tepat 1.
• Penetapan probabilitas individual: Setiap nilai yang mungkin x diberi probabilitas spesifik p(x), yang menangkap seberapa besar kemungkinan keluaran tersebut.

Sebagai contoh, PMF untuk melempar dadu adil bersisi enam adalah:

Di sini, setiap nilai dari 1 hingga 6 memiliki peluang muncul yang sama, dan jumlah semua probabilitas adalah 1.

Fungsi Massa Probabilitas vs. Fungsi Densitas Probabilitas

Mari pahami secara rinci perbedaan antara PMF dan PDF serta bagaimana masing-masing memodelkan distribusi diskret d an kontinu:

Contoh PMF

Mari ambil contoh PMF klasik: melempar koin adil (uji Bernoulli):

Mari lakukan uji Bernoulli di Python untuk memahaminya lebih baik.

import matplotlib.pyplot as plt
from scipy.stats import bernoulli
# Parameters
p = 0.5  # Probability of Heads
# PMF for a fair coin
x = [0, 1]  # 0 = Tails, 1 = Heads
pmf_values = bernoulli.pmf(x, p)

# Plotting
plt.bar(x, pmf_values, tick_label=['Tails (0)', 'Heads (1)'])
plt.title('PMF of a Fair Coin Toss (Bernoulli Trial)')
plt.ylabel('Probability')
plt.xlabel('Outcome')
plt.grid(axis='y', linestyle='--')
plt.show()Didukung oleh

Contoh PDF

Berikut contoh PDF: mengukur tinggi badan seseorang (variabel kontinu).

PDF mungkin menunjukkan bahwa densitas probabilitas tertinggi berada di sekitar 170 cm, tetapi probabilitas untuk tinggi persis tertentu secara teknis bernilai 0.

Sekali lagi, mari memahaminya dengan contoh kode.

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm

# Parameters
mu = 170   # mean height
sigma = 10  # standard deviation

# Continuous range of heights
x = np.linspace(130, 210, 500)

pdf_values = norm.pdf(x, mu, sigma)

# Plotting
plt.plot(x, pdf_values, label='PDF')
plt.title('PDF of Human Height (Normal Distribution)')
plt.xlabel('Height (cm)')
plt.ylabel('Probability Density')
plt.grid(True)
plt.axvline(mu, color='red', linestyle='--', label='Mean (170 cm)')
plt.legend()
plt.show()Didukung oleh

Sementara PMF memberikan probabilitas aktual untuk keluaran spesifik, PDF menggambarkan kemungkinan relatif dari keluaran dalam suatu interval.

Distribusi Diskret Umum yang Menggunakan PMF

Contoh umum distribusi probabilitas diskret adalah distribusi Bernoulli, binomial, geometri, dan Poisson. Mari kita lihat masing-masing.

PMF dari distribusi Bernoulli

Distribusi Bernoulli memodelkan satu percobaan dengan hanya dua kemungkinan keluaran: sukses (1) dan gagal (0).

Di mana p adalah probabilitas sukses.

Berikut contoh: melempar koin adil dengan sukses = gambar (heads):

PMF dari distribusi binomial

Distribusi Binomial menggeneralisasi Bernoulli ke banyak percobaan:

Dengan:

• n adalah jumlah percobaan independen,
• p adalah probabilitas sukses di tiap percobaan,
• x adalah jumlah sukses.

Salah satu contohnya adalah menghitung jumlah barang cacat dalam satu batch produk.

PMF dari distribusi Geometrik

Distribusi Geometrik digunakan untuk memodelkan jumlah kegagalan sebelum sukses pertama dalam uji Bernoulli yang diulang dan independen:

Contoh yang umum adalah jumlah lemparan koin hingga gambar (heads) pertama muncul.

PMF dari distribusi Poisson

Distribusi Poisson memodelkan jumlah kejadian dalam interval waktu atau ruang yang tetap:

Di mana λ adalah jumlah kejadian yang diharapkan per interval.

Contohnya adalah jumlah kedatangan pelanggan di pusat layanan per jam.

Memvisualisasikan Fungsi Massa Probabilitas

PMF divisualisasikan menggunakan diagram batang, di mana:

• Sumbu x mewakili nilai-nilai yang mungkin dari peubah acak.
• Sumbu y mewakili probabilitas yang ditetapkan oleh PMF.

Berikut tabel yang menunjukkan contoh: melempar dadu adil

Visualisasi semacam ini memudahkan untuk:

• Menafsirkan distribusi secara intuitif,
• Membandingkan probabilitas relatif,
• Mengidentifikasi distribusi yang condong atau simetris.

Aplikasi Fungsi Massa Probabilitas

PMF digunakan di berbagai domain:

Statistika

Untuk menghitung nilai harapan:

dan varians:

.

Machine learning

Dalam algoritma klasifikasi (misalnya, Naive Bayes), PMF menggambarkan kemungkinan fitur kategorikal. Model probabilistik seperti Hidden Markov Model juga bergantung pada PMF untuk transisi dan emisi status.

Rekayasa keandalan

PMF membantu menentukan probabilitas sistem atau komponen gagal pada langkah waktu tertentu.

Ekonomi dan keuangan

Memodelkan skenario pasar atau hasil investasi ketika jumlah keluaran bersifat terbatas dan berbeda-beda.

Inferensi Bayesian

PMF berfungsi sebagai distribusi prior dalam model Bayesian diskret. Saat bukti baru diamati, PMF prior diperbarui menjadi PMF posterior, sehingga pembaruan Bayesian menjadi terkelola untuk masalah diskret.

Jika Anda ingin mempelajari cara kerja probabilitas bersyarat, silahkan lihat tutorial Probabilitas Bersyarat: Tinjauan Mendalam kami.

Simulasi Monte Carlo

PMF juga penting dalam simulasi Monte Carlo, terutama untuk sistem dengan keluaran diskret dan probabilistik. Simulasi ini menggunakan pengambilan sampel acak dari PMF untuk memperkirakan perilaku atau kinerja model selama banyak iterasi.

Kesimpulan

Fungsi massa probabilitas menyediakan struktur matematis untuk memodelkan peubah acak diskret, berbeda dengan PDF yang menangani peubah kontinu. Keduanya memungkinkan pemodelan yang kuat di berbagai domain, dari lempar koin dasar hingga sistem machine learning yang kompleks.

Inti pembahasan:

• PMF bernilai non-negatif dan berjumlah 1 di seluruh nilai yang mungkin.
• PMF mendefinisikan bentuk dan karakteristik distribusi probabilitas diskret.
• PMF penting dalam berbagai aplikasi, dari statistika klasik hingga AI modern dan keuangan.
• Dalam inferensi Bayesian dan metode Monte Carlo, PMF berperan sentral untuk memperbarui keyakinan dan mensimulasikan sistem yang tidak pasti.

Bagi Anda yang ingin mendalami teori probabilitas, mempelajari fungsi distribusi kumulatif (CDF) dan perhitungan nilai harapan akan semakin memperkaya pemahaman tentang bagaimana ketidakpastian dapat diukur dan dimanfaatkan dalam pengambilan keputusan. Jelajahi kursus kami:

• Simulasi Monte Carlo di Python
• Dasar-Dasar Probabilitas di Python