Business Statistics I - Key Concepts on Probability Distributions

Learning Outcomes

  • LO1: Explain the concept of statistics.

  • LO2: Apply statistical concepts properly.

  • LO3: Demonstrate critical thinking in interpreting statistical results to solve economic and business problems.

Learning Objectives

  • LO6-1: Identify characteristics of a probability distribution.

  • LO6-2: Distinguish between discrete and continuous random variables.

  • LO6-3: Compute mean, variance, and standard deviation of a discrete probability distribution.

  • LO6-4: Explain assumptions of binomial distribution and calculate probabilities.

  • LO6-5: Explain assumptions of hypergeometric distribution and calculate probabilities.

  • LO6-6: Explain assumptions of Poisson distribution and calculate probabilities.

Probability Distribution Overview

  • Definition: A listing of all outcomes of an experiment and probabilities associated with each.

  • Characteristics:

    1. Probability of an outcome is between 0 and 1.

    2. Outcomes are mutually exclusive.

    3. Total probability equals 1.

Random Variables

  • Definition: A quantity resulting from an experiment that can assume different values by chance.

  • Types:

    • Discrete Random Variables: Can take on specific values (e.g., counts).

    • Continuous Random Variables: Can take on any value within a range (e.g., measurements).

Binomial Distribution

  • Requirements:

    1. Two outcomes (success/failure).

    2. Fixed and known number of trials.

    3. Same probability of success for each trial.

    4. Independent trials.

  • Probability Calculation Formula: P(x) = nCr(π)^r(1−π)^{n−r}

Hypergeometric Distribution

  • Used for sampling without replacement from small populations.

  • Example: Probability that a certain number of sampled individuals belong to a union.

Poisson Distribution

  • Describes the number of times an event occurs in a specified interval.

  • Assumptions:

    1. Probability proportional to the interval size.

    2. Non-overlapping intervals.

  • Probability Calculation Formula: P(x) = \frac{μ^xe^{-μ}}{x!} where μ is the mean number of occurrences.

Common Formulas

  • Mean of Binomial Distribution: μ = nπ

  • Variance of Binomial Distribution: σ^2 = nπ(1 - π)

  • Mean of Poisson Distribution: μ = η

Examples of Probability Distributions

  • Binomial Example: Probability of purchase behaviors (e.g., using debit cards).

  • Hypergeometric Example: Committee selection from a group with union members.

  • Poisson Example: Number of lost bags on selected flights.

Hasil Pembelajaran

  • LO1: Menjelaskan konsep statistik secara rinci, mencakup signifikansinya dalam analisis data, aplikasinya di berbagai bidang, dan perannya dalam membuat keputusan yang informatif berdasarkan interpretasi data.

  • LO2: Menerapkan konsep statistik dengan benar dengan memanfaatkan rumus dan metodologi yang sesuai untuk analisis data, termasuk ukuran lokasi pusat, variabilitas, dan statistik inferensial, memastikan akurasi dalam interpretasi dan kesimpulan yang diambil dari dataset.

  • LO3: Menunjukkan pemikiran kritis dalam menginterpretasikan hasil statistik untuk menyelesaikan masalah ekonomi dan bisnis, mempromosikan pemahaman konteks di mana data dikumpulkan dan implikasi temuan statistik dalam skenario dunia nyata.

Tujuan Pembelajaran

  • LO6-1: Mengidentifikasi karakteristik dari distribusi probabilitas, termasuk definisi, jenis-jenis distribusi probabilitas (diskrit dan kontinu), dan pentingnya memahami distribusi ini dalam aplikasi praktis.

  • LO6-2: Membedakan antara variabel acak diskrit dan kontinu sambil memberikan contoh dunia nyata yang menggambarkan penggunaannya dan relevansinya dalam analisis data.

  • LO6-3: Menghitung rata-rata, varians, dan deviasi standar dari distribusi probabilitas diskrit, menunjukkan proses langkah-demi-langkah untuk meningkatkan pemahaman tentang ukuran statistik ini.

  • LO6-4: Menjelaskan asumsi dari distribusi binomial dan menghitung probabilitas melalui contoh praktis yang menjelaskan aplikasi umum dari distribusi ini.

  • LO6-5: Menjelaskan asumsi dari distribusi hypergeometrik dan menghitung probabilitas menggunakan studi kasus realistis untuk menunjukkan utilitasnya dalam berbagai skenario pengambilan sampel.

  • LO6-6: Menjelaskan asumsi dari distribusi Poisson dan menghitung probabilitas dengan penekanan pada peristiwa kehidupan nyata yang sesuai dengan model distribusi ini.

Ikhtisar Distribusi Probabilitas

  • Definisi: Distribusi probabilitas adalah fungsi matematis yang memberikan probabilitas terjadinya berbagai hasil yang mungkin dalam sebuah percobaan, menjadi fondasi penting untuk analisis statistik.

  • Karakteristik: 1. Probabilitas dari suatu hasil berada di antara 0 dan 1, memastikan bahwa semua kemungkinan hasil diakui dalam rentang ini.

    1. Hasil saling eksklusif, yang berarti bahwa terjadinya satu hasil mencegah terjadinya hasil yang lain dalam percobaan yang sama.

    2. Total probabilitas dari semua kemungkinan hasil sama dengan 1, menegaskan bahwa distribusi mencakup semua skenario potensial.

Variabel Acak

  • Definisi: Variabel acak adalah variabel yang nilainya tergantung pada keberuntungan, memungkinkan variasi berdasarkan hasil dari proses acak. Ini sangat penting dalam statistik untuk memodelkan ketidakpastian dan variabilitas dalam data.

  • Jenis: - Variabel Acak Diskrit: Ini dapat mengambil nilai tertentu yang bisa dihitung, seperti jumlah siswa di dalam kelas, mencerminkan hasil yang terbatas.

    • Variabel Acak Kontinu: Ini dapat mengasumsikan nilai apa pun dalam rentang kontinu, seperti tinggi individu, menekankan interval daripada hitungan.

Distribusi Binomial

  • Persyaratan: 1. Harus ada tepat dua hasil (sering disebut sukses dan gagal), yang dengan jelas mendefinisikan peristiwa yang diukur.

    1. Harus ada jumlah percobaan tetap dan diketahui (n), seperti melakukan survei sejumlah kali yang ditentukan.

    2. Probabilitas sukses (π) tetap sama untuk setiap percobaan, memastikan konsistensi dalam eksperimen.

    3. Percobaan harus independen, yang berarti bahwa hasil satu percobaan tidak memengaruhi yang lain, menyoroti perlunya kondisi yang terkontrol dalam eksperimen.

  • Rumus Perhitungan Probabilitas: P(x) = nCr(π)^r(1−π)^{n−r}, di mana:

    • P(x) adalah probabilitas memperoleh tepat r keberhasilan dalam n percobaan.

    • nCr mewakili jumlah kombinasi dari n item yang diambil r sekaligus.

Distribusi Hypergeometrik

  • Distribusi ini digunakan untuk pengambilan sampel tanpa penggantian dari populasi terbatas, yang penting ketika berhadapan dengan grup kecil di mana masing-masing pemilihan memengaruhi kumpulan yang tersisa.

  • Contoh: Menghitung probabilitas bahwa sejumlah individu terpilih termasuk dalam kategori tertentu, seperti anggota serikat pekerja dalam suatu tenaga kerja, dapat menggambarkan karakteristik kunci dari distribusi hypergeometrik.

Distribusi Poisson

  • Distribusi Poisson memodelkan jumlah kali suatu peristiwa terjadi dalam interval tertentu, baik itu waktu, ruang, atau area, memberikan wawasan tentang peristiwa langka.

  • Asumsi: 1. Probabilitas terjadinya peristiwa tersebut sebanding dengan ukuran interval yang dipertimbangkan.

    1. Terjadinya peristiwa bersifat independen, yang berarti terjadinya peristiwa dalam satu interval tidak memengaruhi yang lain, penting untuk memastikan prediksi yang akurat.

  • Rumus Perhitungan Probabilitas: P(x) = rac{μ^xe^{-μ}}{x!} di mana μ adalah rata-rata jumlah kejadian, menyediakan model yang kuat untuk memprediksi peristiwa dalam berbagai konteks, mulai dari alur lalu lintas hingga tingkat kedatangan pelanggan.

Rumus Umum

  • Rata-rata Distribusi Binomial: μ = nπ, menyoroti kecenderungan pusat dalam keberhasilan di seluruh percobaan.

  • Varians Distribusi Binomial: σ^2 = nπ(1 - π), memberikan wawasan tentang sebaran distribusi dan keandalan dalam memprediksi hasil.

  • Rata-rata Distribusi Poisson: μ = η, yang menetapkan laju rata-rata kejadian, penting untuk memahami frekuensi seiring waktu.

Contoh Distribusi Probabilitas

  • Contoh Binomial: Menghitung probabilitas perilaku pembelian di antara pelanggan yang bisa memberikan wawasan kepada bisnis tentang kebiasaan konsumen (misalnya, kemungkinan seorang pelanggan melakukan pembelian menggunakan kartu debit).

  • Contoh Hypergeometrik: Memilih komite dari kelompok yang beragam, memastikan perwakilan dari berbagai segmen, terutama di antara individu yang terafiliasi dengan serikat.

  • Contoh Poisson: Memperkirakan jumlah kejadian kehilangan bagasi pada penerbangan yang dipilih, menunjukkan kegunaan model probabilitas dalam logistik dan manajemen operasional untuk maskapai penerbangan.