Distribusi Probabilitas Diskrit dan Evaluasinya dalam Kasus Nyata

Dalam statistika, distribusi probabilitas diskrit adalah distribusi yang digunakan untuk menggambarkan probabilitas dari kejadian-kejadian diskrit, yaitu kejadian yang memiliki jumlah kemungkinan hasil yang dapat dihitung, seperti lemparan dadu atau jumlah pelanggan harian.

📊 Jenis-Jenis Distribusi Diskrit

1. Distribusi Binomial – Jumlah keberhasilan dalam sejumlah percobaan (misal: jumlah sukses dalam 10 kali promosi)
2. Distribusi Poisson – Jumlah kejadian dalam interval waktu/ruang tertentu (misal: jumlah pelanggan per jam)
3. Distribusi Geometrik – Probabilitas percobaan pertama berhasil setelah beberapa kali percobaan

🧠 Evaluasi Distribusi Diskrit

• Pastikan data bersifat diskrit (bilangan bulat, bisa dihitung)
• Pilih distribusi yang sesuai dengan kondisi (berulang, interval tetap, dll.)
• Hitung nilai harapan (mean), varians, dan standar deviasi untuk memahami pola distribusi
• Visualisasi data menggunakan histogram atau plot batang

📌 Contoh Kasus Nyata: Pelanggan Restoran Cepat Saji

Latar Belakang: Sebuah restoran ingin memprediksi jumlah pelanggan yang datang per jam selama jam makan siang. Data menunjukkan rata-rata 4 pelanggan per jam.

Menggunakan Distribusi Poisson

• Misal λ = 4 pelanggan per jam
• Ingin mengetahui peluang bahwa 6 pelanggan datang dalam 1 jam

Rumus:
P(X = k) = (λ^k * e^-λ) / k!

Perhitungan:
P(X = 6) = (4⁶ * e⁻⁴) / 6! ≈ 0.104

Interpretasi: Peluang 6 pelanggan datang dalam 1 jam adalah sekitar 10,4%. Informasi ini digunakan untuk menyesuaikan jumlah staf pada jam sibuk.

🎯 Kapan Menggunakan Distribusi Diskrit?

• Ketika variabel adalah bilangan bulat (jumlah orang, benda, keberhasilan)
• Ketika eksperimen dilakukan dalam percobaan berulang
• Ketika hasil terbatas pada nilai-nilai tertentu (misal: 0, 1, 2, 3, …)

✅ Kesimpulan

Distribusi probabilitas diskrit sangat berguna untuk mengukur dan mengevaluasi kejadian yang dapat dihitung. Dengan menggunakan distribusi seperti binomial atau poisson, pengambil keputusan bisa lebih akurat dalam merancang strategi berdasarkan probabilitas nyata di lapangan.

📚 Referensi

• Walpole, Myers, Myers, & Ye. (2012). Probability and Statistics for Engineers and Scientists.
• Wikipedia: Discrete Probability Distribution
• StatTrek – Poisson Distribution