Soal latihan, kuis, dan pelajaran langkah demi langkah tentang Distribusi Diskret dan Kontinu II - tingkatkan kemampuan matematika dengan soal terarah dan penjelasan yang jelas.
Kuis Latihan Distribusi Diskret & Kontinu II dengan Pelajaran Interaktif Langkah demi Langkah
Gunakan kuis di awal halaman untuk berlatih distribusi probabilitas diskret dan kontinu dengan fakta dan rumus yang paling sering diuji: fungsi massa probabilitas (PMF) dan fungsi kepadatan probabilitas (PDF), fungsi distribusi kumulatif (CDF) dan fungsi survival, nilai harapan \(E[X]\) dan varians \(\mathrm@@P36@@(X)\), model diskret seperti distribusi Poisson \((\lambda)\), distribusi geometrik \((p)\), dan distribusi hipergeometrik \((N,K,n)\), pendekatan Poisson untuk Binomial (\(n\) besar, \(p\) kecil, \(\lambda=np\)), model kontinu seperti distribusi eksponensial (laju \(\lambda\), skala \(1/\lambda\), waktu tunggu), distribusi gamma dan chi-square \((\chi^2)\) (derajat kebebasan dan bentuk miring ke kanan), distribusi F (rasio varians), serta kasus khusus seperti distribusi logistik (CDF sigmoid, \(\mathrm@@P37@@(X)=\pi^2 s^2/3\)) dan distribusi Cauchy (mean dan varians tidak terdefinisi). Jika Anda ingin penyegaran, klik Mulai pelajaran untuk membuka panduan langkah demi langkah dengan contoh penyelesaian dan cek cepat.
Cara kerja latihan Distribusi II ini
1. Kerjakan kuis: jawab soal Distribusi Diskret & Kontinu II di awal halaman.
2. Buka pelajaran (opsional): tinjau PMF/PDF, CDF, support, makna parameter, dan rumus mean/varians dengan contoh jelas.
3. Coba lagi: kembali ke kuis dan langsung terapkan aturan distribusi.
Yang akan Anda pelajari dalam pelajaran Distribusi Diskret & Kontinu II
F, logistik, Cauchy & keterampilan memilih distribusi
Distribusi F \(F(d_1,d_2)\): rasio variabel chi-square terskala; mean ada hanya jika \(d_2@@P2@@2\)
Distribusi logistik: CDF sigmoid dan \(\mathrm@@P2@@(X)=\pi^2 s^2/3\)
Distribusi Cauchy: ekor berat dengan mean dan varians tidak terdefinisi; cara mengenali jebakan ini
Kembali ke kuis
Jika Anda sudah siap, kembali ke kuis di awal halaman dan terus berlatih distribusi diskret dan kontinu.
⭐⭐⭐⭐⭐
🎲
Distribusi II
Diskret & kontinu
Ketuk untuk membuka ->
Memuat...
Pelajaran Distribusi Diskret & Kontinu II
1 / 8
Ikhtisar Pelajaran
Ikhtisar pelajaran
Tujuan: Bangun pemahaman Distribusi Diskret & Kontinu II yang jelas dan siap ujian. Anda akan berlatih mengidentifikasi distribusi dari cerita, membaca support, menggunakan PMF/PDF dan CDF yang tepat, serta menghitung fakta utama seperti nilai harapan dan varians untuk model diskret umum (Poisson, geometrik, hipergeometrik) dan model kontinu (eksponensial, chi-square, F, logistik, Cauchy).
Kriteria keberhasilan
Kenali apakah model diskret (PMF) atau kontinu (PDF/CDF).
Gunakan support dengan benar (misalnya, nilai Poisson \(0,1,2,\dots\); nilai eksponensial \(x\ge 0\)).
Tulis PMF Poisson \(P(X=k)=e^{-\lambda}\dfrac{\lambda^k}{k!}\) dan ingat \(E[X]=\mathrm@@P46@@(X)=\lambda\).
Kenali kapan memakai distribusi geometrik (percobaan sampai keberhasilan pertama) dan support-nya \(1,2,3,\dots\).
Hitung nilai harapan hipergeometrik: \(E[X]=n\cdot\frac@@P47@@@@P48@@\) (pengambilan tanpa pengembalian).
Gunakan CDF eksponensial \(F(x)=1-e^{-\lambda x}\) dan survival \(P(X@@P44@@x)=e^{-\lambda x}\) untuk \(x\ge 0\).
Tafsirkan laju eksponensial \(\lambda\) (kejadian per satuan waktu) dan skala \(1/\lambda\).
Ketahui fakta inti \(\chi^2\): \(\chi^2_k\) tidak pernah negatif, \(E[\chi^2_k]=k\), \(\mathrm@@P49@@(\chi^2_k)=2k\), dan \(k\) (derajat kebebasan) mengontrol bentuk.
Gunakan distribusi F \(F(d_1,d_2)\) sebagai rasio variabel chi-square terskala dan ketahui \(E[F]=\dfrac@@P50@@@@P51@@\) saat \(d_2@@P45@@2\).
Ingat distribusi khusus: varians Logistik \(\mathrm@@P52@@(X)=\dfrac{\pi^2 s^2}@@P53@@\) dan Cauchy memiliki mean dan varians tidak terdefinisi.
Kosakata kunci
Support: himpunan nilai yang dapat diambil variabel acak.
PMF: \(P(X=k)\) untuk \(X\) diskret.
PDF: \(f(x)\) untuk \(X\) kontinu (probabilitas memakai luas di bawah kurva).
CDF: \(F(x)=P(X\le x)\).
Laju / skala: tafsir parameter umum (misalnya, laju eksponensial \(\lambda\), skala \(1/\lambda\)).
Derajat kebebasan: parameter untuk keluarga \(\chi^2\), \(t\), dan \(F\) yang mengontrol bentuk.
Ekor berat: pencilan sangat besar lebih mungkin terjadi (contoh klasik: Cauchy).
Cek awal cepat
Cek awal 1: Nilai apa saja yang dapat diambil variabel acak Poisson?
Petunjuk: Poisson memodelkan hitungan, jadi hasilnya \(0,1,2,\dots\).
Cek awal 2: Untuk variabel acak eksponensial dengan laju \(\lambda\), berapa CDF pada \(0\), \(F(0)\)?
Petunjuk: Untuk \(x\ge 0\), \(F(x)=1-e^{-\lambda x}\). Jadi \(F(0)=1-e^0=0\).
Distribusi Diskret
Poisson, geometrik, dan hipergeometrik (serta pendekatan penting)
Tujuan pembelajaran: Cocokkan situasi hitungan dengan distribusi diskret yang benar dan hitung fakta cepat seperti support, PMF, dan \(E[X]\) tanpa bingung.
Ide utama
Untuk variabel acak diskret, probabilitas berasal dari PMF \(P(X=k)\). Tiga model yang sering muncul:
Poisson \(\mathrm\(E[X]=\mathrm\(\lambda\ge 0\)(X)=\lambda\)(\lambda)\): hitungan kejadian dalam interval (dengan laju rata-rata konstan).
Catatan: \(E[X]\) terbatas untuk setiap \(p@@P40@@0\) yang valid, tetapi bisa sangat besar jika \(p\) kecil.
Hipergeometrik \(\mathrm@@P49@@(N,K,n)\): pengambilan tanpa pengembalian dari total \(N\) item dengan \(K\) "keberhasilan", mengambil \(n\) item.
Mean: \(E[X]=n\cdot\frac@@P50@@@@P51@@\)
Pendekatan yang wajib diketahui
Jika \(X\sim \mathrm@@P4@@(n,p)\) dengan \(n\) besar dan \(p\) kecil sehingga \(\lambda=np\) sedang, maka \[\mathrm@@P5@@(n,p)\ \approx\ \mathrm@@P6@@(\lambda=np).\] Ini salah satu fakta "pendekatan cepat" yang paling umum di kuis dan ujian.
Contoh dikerjakan
Contoh: Misalkan \(X\sim\mathrm@@P2@@(N=10,K=4,n=3)\). Cari \(E[X]\).
Gunakan mean hipergeometrik: \[E[X]=n\cdot\frac@@P0@@@@P1@@=3\cdot\frac@@P2@@@@P3@@=\frac@@P4@@@@P5@@=1.2.\]
Geometrik (percobaan sampai keberhasilan pertama): \(k=1,2,3,\dots\), \(P(X=k)=(1-p)^@@P9@@p\).
Mean hipergeometrik: \(E[X]=n\cdot\frac@@P10@@@@P11@@\).
Pendekatan: \(\mathrm@@P12@@(n,p)\approx \mathrm@@P13@@(\lambda=np)\) untuk \(n\) besar, \(p\) kecil.
Eksponensial
Distribusi eksponensial: laju, skala, CDF, dan waktu tunggu
Tujuan pembelajaran: Gunakan PDF/CDF eksponensial dengan benar, tafsirkan \(\lambda\), dan hitung probabilitas dengan fungsi survival.
Ide utama
Distribusi eksponensial memodelkan waktu tunggu sampai kejadian berikutnya saat kejadian datang dengan laju rata-rata konstan. Jika \(X\sim\mathrm@@P4@@(\lambda)\), maka:
Support: \(x\ge 0\)
PDF: \(f(x)=\lambda e^{-\lambda x}\) untuk \(x\ge 0\)
CDF: \(F(x)=P(X\le x)=1-e^{-\lambda x}\) untuk \(x\ge 0\)
Distribusi eksponensial juga tanpa memori: \[P(X@@P2@@s+t\mid X@@P3@@s)=P(X@@P4@@t).\]
Contoh dikerjakan
Contoh: Jika \(X\sim\mathrm\(P(X@@P2@@t)\)(\lambda)\), berapa \(P(X@@P2@@t)\)?
Gunakan fungsi survival: \[P(X@@P0@@t)=1-F(t)=1-(1-e^{-\lambda t})=e^{-\lambda t}.\]
Coba
Coba 1: Dalam distribusi eksponensial, apa arti parameter \(\lambda\)?
Petunjuk: \(\lambda\) yang lebih besar berarti kejadian lebih sering terjadi, sehingga waktu tunggu lebih kecil.
Coba 2: Berapa parameter skala untuk distribusi eksponensial dengan laju \(\lambda\)?
Petunjuk: Mean eksponensial \(E[X]=1/\lambda\), dan parameter skala sama dengan mean.
Ringkasan
CDF eksponensial: \(F(x)=1-e^{-\lambda x}\) untuk \(x\ge 0\); khususnya \(F(0)=0\).
Laju/skala: \(\lambda@@P6@@0\), skala \(=1/\lambda\), mean \(=1/\lambda\), varians \(=1/\lambda^2\).
model waktu tunggu: \(P(X@@P7@@t)=e^{-\lambda t}\).
Chi-Square
Gamma dan chi-square: derajat kebebasan, bentuk, dan fakta utama
Tujuan pembelajaran: Kenali distribusi \(\chi^2\), tafsirkan derajat kebebasan, dan gunakan sifat paling penting dengan cepat.
Ide utama
Distribusi chi-square dengan \(k\) derajat kebebasan ditulis \(\chi^2_k\). Distribusi ini muncul secara alami sebagai jumlah kuadrat: \[Z_1^2+\cdots+Z_k^2 \sim \chi^2_k \quad \text{when } Z_i\sim N(0,1)\text{ independently.}\]
Support: \(x\ge 0\) (jadi tidak pernah negatif)
Bentuk: miring ke kanan untuk \(k\) kecil; makin simetris saat \(k\) meningkat
Parameter yang mengontrol bentuk: \(k\) (derajat kebebasan)
Koneksi dengan distribusi gamma
Chi-square adalah kasus khusus dari distribusi gamma: \[\chi^2_k \sim \mathrm@@P2@@\!\left(\alpha=\frac@@P3@@@@P4@@,\ \theta=2\right),\] dengan \(\alpha\) sebagai bentuk dan \(\theta\) sebagai skala.
Contoh dikerjakan
Contoh: Jika \(X\sim \chi^2_@@P2@@\), berapa \(E[X]\) dan \(\mathrm@@P3@@(X)\)?
Tujuan pembelajaran: Kenali distribusi F, pahami parameternya \((d_1,d_2)\), dan gunakan rumus mean utama dengan benar.
Ide utama
Distribusi F muncul dari rasio dua variabel chi-square independen yang dibagi derajat kebebasannya: \[F=\frac{(\chi^2_@@P6@@/d_1)}{(\chi^2_@@P7@@/d_2)} \sim F(d_1,d_2).\] Distribusi ini banyak dipakai dalam ANOVA dan dalam pengujian/estimasi rasio varians.
\(E[F]=\dfrac@@P8@@\(d_2@@P7@@2\)\) ada hanya saat \(d_2@@P7@@2\).
Distribusi F muncul dalam rasio varians dan ANOVA.
Logistik & Cauchy
Varians logistik dan jebakan "mean tidak terdefinisi" pada Cauchy
Tujuan pembelajaran: Kenali distribusi logistik dan Cauchy serta ingat momen mana yang ada (dan mana yang tidak).
Distribusi logistik
Variabel acak logistik \(X\sim \mathrm\(\mu\)(\mu,s)\) memiliki CDF berbentuk S (sigmoid) yang halus: \[F(x)=\frac@@P6@@{1+e^{-(x-\mu)/s}},\] dengan \(\mu\) sebagai parameter lokasi dan \(s@@P4@@0\) sebagai parameter skala.
Mengapa penting: CDF logistik muncul dalam regresi logistik dan pemodelan "probabilitas sebagai ambang halus".
Distribusi Cauchy
Distribusi Cauchy adalah distribusi berekor berat klasik. Untuk \(X\sim \mathrm@@P4@@(x_0,\gamma)\), ekornya sangat berat sehingga mean dan varians tidak terdefinisi. Kasus khusus umum adalah Cauchy standar \(\mathrm@@P5@@(0,1)\) dengan PDF: \[f(x)=\frac@@P6@@{\pi(1+x^2)}.\]
Contoh dikerjakan
Contoh: Jika \(X\sim\mathrm@@P2@@(\mu,s)\), berapa \(\mathrm@@P3@@(X)\)?
Cauchy: mean dan varians tidak terdefinisi (tidak ada).
Pilih model
Cara memilih distribusi yang tepat (identifikasi cepat)
Tujuan pembelajaran: Cocokkan kata kunci dalam soal dengan distribusi yang benar dan hindari jebakan umum (support salah, aturan parameter salah, salah memahami makna \(\lambda\)).
Cerita -> pintasan distribusi
Hitungan dalam interval waktu/luas (kedatangan, cacat, panggilan, email): Poisson\((\lambda)\).
Waktu tunggu sampai kejadian berikutnya: eksponensial\((\lambda)\).
Percobaan sampai keberhasilan pertama (keberhasilan pertama pada percobaan \(k\)): Geometric\((p)\).
Pengambilan tanpa pengembalian dari populasi terbatas: Hypergeometric\((N,K,n)\).
Contoh: Kejadian terjadi dengan laju rata-rata \(\lambda\) per satuan waktu.
Hitungan kejadian dalam satu satuan waktu dapat dimodelkan oleh \(N\sim\mathrm@@P16@@(\lambda)\).
Waktu tunggu sampai kejadian berikutnya dapat dimodelkan oleh \(X\sim\mathrm@@P17@@(\lambda)\).
Itulah mengapa soal Poisson dan eksponensial sering muncul bersama dalam "Distribusi II".
Coba
Coba 1: Skenario mana yang dapat dimodelkan dengan distribusi eksponensial?
Petunjuk: Eksponensial adalah model waktu tunggu.
Coba 2: Nilai mana yang tidak mungkin diambil variabel acak berdistribusi Poisson?
Petunjuk: Hasil Poisson adalah hitungan: \(0,1,2,\dots\) (bukan pecahan).
Ringkasan
Eksponensial memodelkan waktu tunggu; Poisson memodelkan hitungan.
Selalu cek support: Poisson \(0,1,2,\dots\); eksponensial \(x\ge 0\); \(\chi^2\) \(x\ge 0\); F \(x@@P6@@0\).
Makna parameter penting: \(\lambda\) eksponensial adalah laju; \(\lambda\) Poisson adalah mean hitungan per interval.
Gambaran Besar
Mengapa distribusi ini penting (dan cek akhir)
Tujuan pembelajaran: Hubungkan rumus distribusi dengan tugas statistika nyata - lalu akhiri dengan cek akhir untuk mengunci fakta yang paling sering diuji.
Di mana Distribusi II muncul
Antrean & keandalan: hitungan Poisson dan waktu tunggu eksponensial (panggilan, kedatangan, kegagalan).
Kontrol kualitas: cacat per satuan (Poisson), percobaan lulus/gagal (geometrik).
Sampling & genetika: pengambilan hipergeometrik tanpa pengembalian.
Pengujian hipotesis: uji chi-square (goodness-of-fit, independensi) dan uji F (rasio varians, ANOVA).
Pemodelan data: logistik untuk kurva probabilitas berbentuk S; Cauchy sebagai pengingat bahwa tidak semua distribusi memiliki mean.
Contoh: Jika \(X\sim\mathrm@@P4@@(p)\) menghitung jumlah percobaan sampai keberhasilan pertama, berapa \(P(X=1)\)?
"Keberhasilan pertama pada percobaan 1" berarti percobaan pertama berhasil: \[P(X=1)=p.\]
Coba
Coba 1: Jika probabilitas keberhasilan adalah \(p\), berapa probabilitas percobaan pertama berhasil dalam distribusi geometrik (percobaan sampai keberhasilan pertama)?
Petunjuk: "Keberhasilan percobaan pertama" berarti langsung berhasil, jadi nilainya \(p\).
Coba 2: Berapa nilai terkecil yang dapat diambil variabel acak Poisson?
Petunjuk: Poisson adalah distribusi hitungan, jadi mulai dari \(0\).
Rekap akhir
Poisson: \(P(X=k)=e^{-\lambda}\dfrac{\lambda^k}{k!}\), support \(k=0,1,2,\dots\), \(E[X]=\mathrm@@P31@@(X)=\lambda\).
Geometrik (percobaan sampai keberhasilan pertama): support \(k=1,2,3,\dots\), \(P(X=k)=(1-p)^@@P32@@p\), \(E[X]=1/p\).
Hipergeometrik: pengambilan tanpa pengembalian, \(E[X]=n\cdot\frac@@P33@@@@P34@@\).
Eksponensial: \(f(x)=\lambda e^{-\lambda x}\), \(F(x)=1-e^{-\lambda x}\) untuk \(x\ge 0\), mean \(1/\lambda\), varians \(1/\lambda^2\).
\(\chi^2_k\): tak negatif, \(E[\chi^2_k]=k\), \(\mathrm@@P35@@(\chi^2_k)=2k\), bentuk dikontrol oleh \(k\).
F(d\(_1\),d\(_2\)): positif, \(E[F]=\dfrac@@P36@@@@P37@@\) untuk \(d_2@@P30@@2\).
Logistik: \(\mathrm@@P38@@(X)=\dfrac{\pi^2 s^2}@@P39@@\). Cauchy: mean dan varians tidak terdefinisi.
Langkah berikutnya: Tutup pelajaran ini dan coba kuis Anda lagi. Jika ada soal yang salah, buka kembali buku dan tinjau halaman yang sesuai dengan distribusi (Poisson, geometrik, hipergeometrik, eksponensial, \(\chi^2\), F, logistik, Cauchy) dan fakta utama yang Anda butuhkan (support, makna parameter, CDF, mean/varians).
Rentetan 5+
Rentetan 10+
Rentetan 15+
Rentetan 20+
Rentetan 25+