Kode sumberVideo

Command Palette

Search for a command to run...

Analisis Data dan Peluang

Nilai Harapan Distribusi Binomial

Memahami Konsep Nilai Harapan

Bayangkan kamu adalah seorang pemain basket. Secara rata-rata, dari 1010 kali lemparan bebas, kamu berhasil memasukkan bola sebanyak 88 kali. Nah, angka 88 ini bisa kita sebut sebagai nilai harapan atau ekspektasi keberhasilanmu.

Secara sederhana, nilai harapan adalah nilai rata-rata yang kita harapkan terjadi dari sebuah percobaan jika percobaan itu diulang berkali-kali dalam kondisi yang sama. Ini bukan berarti kamu pasti akan mendapatkan hasil itu setiap kali, tapi ini adalah prediksi rata-rata jangka panjangnya.

Rumus Harapan untuk Binomial

Konsep ini sangat berguna dalam distribusi binomial. Ingat, distribusi binomial dipakai untuk percobaan yang hasilnya hanya ada dua (sukses atau gagal) dan dilakukan berulang-ulang. Nilai harapan binomial membantu kita memprediksi berapa banyak keberhasilan yang paling mungkin kita dapatkan.

Distribusi binomial b(x;n,p)b(x;n,p) memiliki nilai harapan:

E(X)=npE(X) = np

dengan nn adalah banyaknya percobaan dan pp adalah peluang keberhasilan.

Rumus ini sangat intuitif. Jika peluang sukses dalam satu kali coba adalah pp, maka dalam nn kali percobaan, harapan suksesnya adalah:

E(X)=n×pE(X) = n \times p

Dari Mana Rumusnya Berasal?

Mungkin kamu penasaran, kenapa rumusnya sesederhana itu? Mari kita bedah logikanya.

Setiap percobaan dalam distribusi binomial bisa kita anggap sebagai variabel acak kecil, sebut saja IkI_k. Variabel ini bernilai 11 jika percobaan ke-kk sukses, dan 00 jika gagal.

Nilai harapan untuk satu percobaan tunggal adalah:

E(Ik)=1p+0q=pE(I_k) = 1 \cdot p + 0 \cdot q = p

Karena jumlah total keberhasilan (XX) adalah jumlah dari semua keberhasilan di setiap percobaan, maka:

X=I1+I2+...+InX = I_1 + I_2 + ... + I_n

Dengan menggunakan sifat nilai harapan, kita bisa menjumlahkan semua nilai harapan dari setiap percobaan:

E(X)=E(I1)+E(I2)+...+E(In)E(X) = E(I_1) + E(I_2) + ... + E(I_n)
E(X)=p+p+...+pn kali=npE(X) = \underbrace{p + p + ... + p}_{n \text{ kali}} = np

Terbukti, kan? Nilai harapan totalnya adalah hasil kali dari jumlah percobaan dengan peluang keberhasilannya.

Studi Kasus Lempar Dadu

Mari kita terapkan konsep ini pada sebuah contoh.

Soal:

Sebuah dadu seimbang dilempar sebanyak 77 kali. Berapa nilai harapan untuk munculnya mata dadu lima dari seluruh lemparan tersebut?

Penyelesaian:

Pertama, mari kita pastikan bahwa ini memenuhi syarat distribusi binomial:

  • Hanya ada dua kemungkinan: sukses (keluar angka 55) atau gagal (keluar angka selain 55)
  • Jumlah percobaan tetap: 77 kali
  • Setiap lemparan independen: hasil lemparan sebelumnya tidak mempengaruhi lemparan berikutnya
  • Peluang sukses sama: p=16p = \frac{1}{6} di setiap lemparan

Sekarang kita identifikasi parameternya:

S={1,2,3,4,5,6}S = \{1, 2, 3, 4, 5, 6\}
p=16p = \frac{1}{6}
n=7n = 7

Sekarang kita bisa langsung hitung nilai harapannya menggunakan rumus:

E(X)=np=7×16=76=1.167E(X) = np = 7 \times \frac{1}{6} = \frac{7}{6} = 1.167

Jadi, apa artinya angka 1.1671.167 ini?

Nilai harapan 1.1671.167 bukan berarti kamu akan mendapat "1.1671.167 kali" angka 55 dalam satu eksperimen (karena itu tidak mungkin). Yang dimaksud adalah: jika kamu mengulangi eksperimen "lempar dadu 77 kali" ini ratusan atau ribuan kali, maka rata-rata kamu akan mendapat angka 55 sekitar 1.1671.167 kali per set 77 lemparan.

Dalam praktiknya, dalam satu set 77 lemparan, kamu mungkin mendapat angka 55 sebanyak 00, 11, 22, atau bahkan 33 kali. Tapi kalau dirata-ratakan dalam jangka panjang, hasilnya akan mendekati 1.1671.167.