Bab 1

lntroduction to
Teori probabilitas

1.1 Introduction
Setiap model realistis dari fenomena dunia nyata harus memperhitungkan
kemungkinan keacakan. Artinya, lebih sering daripada tidak, jumlah yang kita minati
tidak akan dapat diprediksi sebelumnya, namun, akan menunjukkan variasi yang
melekat yang harus dipertimbangkan oleh model. Hal ini biasanya dilakukan dengan
membiarkan model menjadi bersifat probabilistik. Model seperti itu, tentu saja, disebut
sebagai model probabilitas.
Sebagian besar bab buku ini akan membahas model probabilitas fenomena alam
yang berbeda. Jelas, untuk menguasai kedua "bangunan model" dan analisis selanjutnya
dari model ini, kita harus memiliki pengetahuan teori probabilitas dasar tertentu. Sisa
dari bab ini, dan juga dua bab berikutnya, akan membahas studi tentang subjek ini.

1.2 Ruang dan Acara Sampel

Misalkan kita akan melakukan eksperimen yang hasilnya tidak dapat diprediksi
sebelumnya. Namun, sementara hasil eksperimen tidak akan diketahui sebelumnya,
mari kita anggap bahwa himpunan semua hasil yang mungkin diketahui. Kumpulan
semua kemungkinan hasil percobaan dikenal sebagai ruang sampel percobaan dan
dilambangkan dengan S.

Beberapa contoh adalah sebagai berikut.

1. Jika eksperimen terdiri dari membalik koin maka
S = (H, T)
Dimana H berarti bahwa hasil lemparan adalah kepala dan T bahwa itu adalah ekor.
2. Jika percobaan terdiri dari melempar die, maka ruang sampelnya adalah

dimana hasilnya saya berarti bahwa saya muncul di die, i = 1,2,3,4,5,6.

3. Jika percobaan terdiri dari membalik dua koin, maka ruang sampel terdiri dari
empat poin berikut:

Hasilnya adalah (H, H) jika kedua koin itu muncul; itu akan menjadi (H, T) jika
koin pertama muncul dan kedua muncul ekor; itu akan menjadi (T, H) jika yang
pertama muncul ekor dan kepala kedua; dan akan (T, T) jika kedua koin itu muncul
ekornya.
4. Jika percobaan terdiri dari melempar dua dadu, maka ruang sampel terdiri dari 36 poin
berikut:

dimana hasilnya (i, j) dikatakan terjadi jika saya muncul pada die pertama dan j pada die
kedua.
5. Jika eksperimen terdiri dari pengukuran umur mobil, maka ruang sampel terdiri dari semua
bilangan real nonnegatif. Itu adalah,
Setiap subset E dari ruang sampel S dikenal sebagai suatu peristiwa. Beberapa contoh
kejadian adalah sebagai berikut.
1 '. Pada Contoh (I), jika E = (H), maka E adalah kejadian dimana kepala muncul di flip koin.
Demikian pula, jika E = (T), maka E akan menjadi peristiwa dimana sebuah ekor muncul.
* Set (a, b) didefinisikan terdiri dari semua titik x sedemikian rupa sehingga <x <b.
Himpunan [a, bl didefinisikan terdiri dari semua titik x sedemikian rupa sehingga a / x / b. Set
[a, b] dan [a, b] didefinisikan masing-masing, terdiri dari semua titik x sedemikian rupa
sehingga <x / b dan semua titik x sedemikian rupa sehingga a / x <b.
2 '. Dalam Contoh (2), jika E = (11, maka E adalah kejadian yang muncul pada lemparan die.
Jika E = [2,4,6], maka E akan menjadi peristiwa dimana bilangan genap muncul pada
lemparan itu
3 '. Pada Contoh (3), jika E = ((H, H), (H, T)), maka E adalah kejadian dimana kepala muncul
pada koin pertama.
4 '. Dalam Contoh (4), jika E = ((1,6), (2,5), (3,4), (4,3), (5,2), (6, I)), maka E adalah
Kejadian bahwa jumlah dadu sama dengan tujuh.
5 '. Dalam Contoh (9, jika E = (2,6), maka E adalah kejadian dimana mobil berlangsung
antara dua dan enam tahun.
Untuk dua peristiwa E dan F dari ruang sampel S kita mendefinisikan peristiwa baru E U F
untuk terdiri dari semua titik yang berada dalam E atau F atau di E dan
F. Yaitu, peristiwa E U F akan terjadi jika terjadi E atau F. Sebagai contoh,
dalam (1) jika E = {H} dan F = {T}, maka
E U F = {H, T}
Artinya, E U F adalah keseluruhan ruang sampel S. In (2) jika E = [1,3,5] dan
F = (1,2,3), lalu
E U F = (1,2,3,5)
dan dengan demikian E U F akan terjadi jika hasil die adalah 1 atau 2 atau 3 atau 5.
Acara E U F sering disebut sebagai penyatuan acara E dan acara F.

Untuk dua peristiwa E dan F, kita juga bisa menentukan event baru EF, yang disebut sebagai
persimpangan E dan F, sebagai berikut. EF terdiri dari semua poin yang ada di E dan di F.
Yaitu, kejadian EF akan terjadi hanya jika E dan F terjadi. Misalnya, pada (2) jika keduanya
E = (1,3,5) dan F = (1,2,3), maka

EF = {1,3}

dan dengan demikian EF akan terjadi jika hasil dari die adalah 1 atau 3. Pada Contoh (1) jika
E = [H] dan F = {T}, maka event EF tidak akan terdiri dari beberapa titik dan karenanya tidak
dapat terjadi. Untuk memberi nama kejadian semacam itu, kita akan menyebutnya sebagai
kejadian nol dan menunjukkannya dengan . (Artinya, mengacu pada kejadian yang
tidak terdiri dari poin.) Jika EF = , maka E dan F dikatakan saling eksklusif.

Kami juga mendefinisikan serikat pekerja dan persimpangan lebih dari dua acara dengan cara
yang sama. Jika E1, E2,,. . . adalah peristiwa, maka penyatuan peristiwa ini, yang
dilambangkan dengan , didefinisikan sebagai peristiwa yang terdiri dari semua
titik yang ada di En untuk setidaknya satu nilai n = 1,2, .... Demikian pula, persimpangan dari
peristiwa En, dilambangkan dengan , didefinisikan sebagai peristiwa yang terdiri
dari titik-titik yang ada dalam semua kejadian En, n = 1,2, ....
Akhirnya, untuk setiap kejadian E kita mendefinisikan event baru Ec, yang disebut sebagai
pelengkap E, yang terdiri dari semua titik di ruang sampel S yang tidak berada di E. Ec
adalah Ec jika terjadi hanya jika E tidak terjadi. . Pada Contoh (4) jika E = ((1,6), (2, 5), (3,4),
(4,3), (5,2), (6, I)), maka Ec akan terjadi Jika jumlah dadu tidak sama dengan tujuh.
Perhatikan juga bahwa karena percobaan harus menghasilkan beberapa hasil, maka Sc = 0.

1.3. Probabilitas Ditetapkan pada Acara

Pertimbangkan percobaan yang ruang sampelnya adalah S. Untuk setiap kejadian E dari
ruang sampel S, kita asumsikan bahwa sejumlah P (E) didefinisikan dan memenuhi tiga
kondisi berikut:
(i)
(ii) P (S) = 1.
(iii) Untuk setiap urutan kejadian El, E,,. . . yang saling eksklusif, yaitu kejadian dimana
saat n m, lalu

Kita mengacu pada P (E) sebagai probabilitas dari kejadian E.

Contoh 1.1 Dalam contoh melempar koin, jika kita berasumsi bahwa kepala sama-sama
cenderung tampak seperti ekor, maka kita akan memiliki
P ({H}) = P ({T}) = 1/2
Di sisi lain, jika kita memiliki koin yang bias dan merasa bahwa kepala dua kali lebih
mungkin muncul sebagai ekor, maka kita akan memiliki
P ({H}) = 2/3, P ({T}) = 1/3
Contoh 1.2 Dalam contoh melempar mati, jika kita menduga bahwa keenam angka itu sama-
sama cenderung muncul, maka kita akan melakukannya

Dari (iii) itu akan mengikuti bahwa probabilitas mendapatkan bilangan genap
akan sama
p ({2, 4,6}) = P ((21) + P ((41) + P ({6}) = 1/2

Keterangan : Kita telah memilih untuk memberikan definisi probabilitas definisi yang agak
formal sebagai fungsi yang didefinisikan pada kejadian ruang sampel. Namun, ternyata
probabilitas ini memiliki sifat intuitif yang bagus. Yaitu, jika percobaan kita diulang berulang-
ulang maka (dengan probabilitas 1) proporsi waktu kejadian E terjadi hanya akan menjadi P
(E).
Karena peristiwa E dan Ec selalu saling eksklusif dan sejak saat itu E U E c = S yang kita miliki
dengan (ii) dan (iii) itu

Dengan kata lain, Persamaan (l) menyatakan bahwa probabilitas bahwa suatu peristiwa tidak
terjadi adalah satu dikurangi probabilitas bahwa hal itu terjadi.
Kita sekarang akan memperoleh formula untuk P (EUF), probabilitas semua titik di E atau di
F. Untuk melakukannya, pertimbangkan P (E) + P (F), yang merupakan probabilitas dari semua
titik di E ditambah dengan probabilitas semua titik dalam F. Karena setiap titik yang ada di E
dan F akan dihitung dua kali dalam P (E) + P (F) dan hanya sekali dalam P (EUF), kita harus
memiliki
P (E) + P (F) = P (E U F) + P (EF)
atau setara
P (E U F) = P (E) + P (F) - P (EF) (1.2)
Perhatikan bahwa ketika E dan F saling eksklusif (yaitu, ketika EF = ), maka Persamaan
(1.2) menyatakan bahwa

hasil yang juga mengikuti kondisi (iii). [Mengapa P ( ) = 0?]

Contoh 1.3 Misalkan kita melempar dua koin, dan anggap bahwa kita mengasumsikan bahwa
masing-masing dari empat titik di ruang

sampel sama-sama mungkin dan karenanya memiliki probabilitas 1/4.

Artinya, E adalah peristiwa bahwa koin pertama jatuh ke kepala, dan F adalah kejadian bahwa
koin kedua jatuh ke kepala.

Dengan Persamaan (1.2), kita memiliki bahwa P (E U F), probabilitas bahwa koin pertama atau
kedua jatuh, diberikan oleh

Probabilitas ini tentu saja bisa dihitung sejak saat itu

Kita juga dapat menghitung probabilitas bahwa salah satu dari tiga kejadian E atau F atau G
terjadi. Hal ini dilakukan sebagai berikut

yang oleh Persamaan (1,2) sama dengan

Sekarang kita tinggalkan agar pembaca menunjukkan bahwa peristiwa (E U F) G dan EG U

FG setara, dan karenanya sama di atas

Sebenarnya, bisa ditunjukkan dengan induksi itu, untuk setiap n acara E1, E2, E3...... En.
Dengan kata lain, Persamaan (1.4) menyatakan bahwa probabilitas penyatuan n kejadian sama
dengan jumlah probabilitas kejadian ini yang diambil satu per satu dikurangi jumlah
probabilitas kejadian ini yang dilakukan dua per satu ditambah jumlah probabilitas kejadian ini
diambil tiga per satu, dan seterusnya.

1.4. Probabilitas Bersyarat

Misalkan kita melemparkan dua dadu dan anggap bahwa masing-masing dari 36 kemungkinan
hasil sama-sama mungkin terjadi dan karenanya memiliki probabilitas &. Misalkan kita amati
bahwa yang pertama mati adalah empat. Kemudian, mengingat informasi ini, berapakah
probabilitas bahwa jumlah dari dua dadu itu sama dengan enam? Untuk menghitung
probabilitas ini, kita beralasan sebagai berikut: Mengingat bahwa die awal adalah empat, maka
akan ada paling banyak enam kemungkinan hasil eksperimen kami, yaitu, (4, l), (4,2), (4, 3),
(4,4), (4,5), dan (4,6). Karena masing-masing hasil ini memiliki probabilitas terjadinya yang
sama, mereka harus memiliki probabilitas yang sama. Artinya, mengingat bahwa die pertama
adalah empat, maka probabilitas (bersyarat) dari masing-masing hasil (4, l), (4,2), (4,3), (4,4),
(4, 5), (4,6) adalah 1/6 sedangkan probabilitas (kondisional) dari 30 poin lainnya di ruang
sampel adalah 0. Oleh karena itu, probabilitas yang diinginkan adalah i. Jika kita membiarkan
E dan F menunjukkan masing-masing kejadian bahwa jumlah dadu adalah enam dan kejadian
bahwa die pertama adalah empat, maka probabilitas yang diperoleh hanya disebut probabilitas
bersyarat bahwa E terjadi karena F telah terjadi dan dilambangkan oleh
P (E I F)
Rumus umum untuk P (E) F) yang berlaku untuk semua kejadian E dan F diturunkan dengan
cara yang sama seperti di atas. Yaitu, jika kejadian F terjadi, maka agar E terjadi maka perlu
adanya kejadian sebenarnya menjadi titik di E dan F, yaitu harus di EF. Sekarang, seperti yang
kita ketahui bahwa F telah terjadi, maka F menjadi ruang sampel baru kita dan oleh karena itu
probabilitas bahwa kejadian yang terjadi pada EF akan sama dengan probabilitas EF relatif
terhadap probabilitas F. yaitu

Perhatikan bahwa Persamaan (1,5) hanya didefinisikan dengan baik ketika P (F)> 0 dan
karenanya P (E I F) hanya didefinisikan saat P (F)> 0.

Contoh 1.4 Misalkan kartu bernomor satu sampai sepuluh ditempatkan di topi, bercampur, dan
kemudian salah satu kartu ditarik. Jika kita diberitahu bahwa nomor pada kartu yang ditarik
paling sedikit lima, lalu berapa probabilitas bersyaratnya yaitu sepuluh?
Solusi: Misalkan E menunjukkan bahwa jumlah kartu yang ditarik adalah sepuluh, dan
misalkan F adalah event minimal lima. Probabilitas yang diinginkan adalah P (E I F). Sekarang,
dari Persamaan (1.5)

Namun, EF = E karena jumlah kartu akan menjadi sepuluh dan setidaknya lima jika dan
hanya jika nomor sepuluh. Karenanya,
Contoh 1.5 Sebuah keluarga memiliki dua anak. Berapakah probabilitas bersyarat bahwa
keduanya adalah anak laki-laki mengingat setidaknya satu dari mereka adalah anak laki-laki?
Asumsikan bahwa ruang sampel S diberikan oleh S = [(b, b), (b, g), (g, b), (g, g)], dan semua
hasil sama-sama mungkin terjadi. [(b, g) berarti misalnya bahwa anak yang lebih tua adalah
anak laki-laki dan anak yang lebih muda seorang gadis.]
Solusi: Membiarkan E menunjukkan kejadian bahwa kedua anak itu adalah anak laki-laki,
dan F bahwa setidaknya satu dari mereka adalah anak laki-laki, maka probabilitas yang
diinginkan diberikan oleh

Contoh 1.6 Bev bisa mengambil kursus komputer atau kimia. Jika Bev mengikuti kursus
komputer, maka dia akan menerima nilai A dengan probabilitas *, sementara jika dia
mengikuti kursus kimia maka dia akan menerima nilai A dengan probabilitas f. Bev
memutuskan untuk mendasarkan keputusannya pada flip koin yang adil. Berapakah
probabilitas Bev akan mendapatkan A dalam kimia?
Solusi: Jika kita membiarkan F menjadi event yang Bev mengambil chemistry dan E
Tunjukkan kejadian bahwa dia menerima A dalam cara apapun yang dia ambil, kalau begitu
Probabilitas yang diinginkan adalah P (EF). Ini dihitung dengan menggunakan Persamaan
(1.5) sebagai berikut:

Contoh 1.7 Misalkan sebuah guci berisi tujuh bola hitam dan lima bola putih. Kami
menggambar dua bola dari guci tanpa penggantian. Dengan asumsi bahwa setiap bola di guci
sama-sama mungkin ditarik, berapakah probabilitas bola yang ditarik keduanya hitam?
Solusi: Misalkan F dan E menunjukkan masing-masing kejadian bahwa bola pertama dan
kedua yang ditarik berwarna hitam. Nah, mengingat bahwa bola pertama yang dipilih
adalahhitam, ada enam bola hitam tersisa dan lima bola putih, jadi Karena P (F)
jelas 7/12, probabilitas yang kita inginkan adalah

Contoh 1.8 Misalkan masing-masing tiga orang di sebuah pesta melempar topinya ke tengah
ruangan. Topinya pertama kali tercampur dan kemudian masing-masing memilih topi secara
acak. Berapakah probabilitas bahwa tidak satu pun dari ketiga pria tersebut memilih topinya
sendiri?
Solusi: Kita akan menyelesaikannya di atas dengan terlebih dahulu menghitung probabilitas
komplementer bahwa setidaknya satu orang memilih topinya sendiri. Mari kita nyatakan oleh
Ei, i = 1,2,3, kejadian dimana orang itu memilih topinya sendiri. Untuk menghitung
probabilitas P (El U E2 U E3), pertama-tama kita catat itu

Untuk melihat mengapa Persamaan (1,6) benar, pertimbangkan dulu

Sekarang P (Ei), probabilitas bahwa orang itu memilih topinya sendiri, jelas 1/3 karena dia
kemungkinan besar memilih salah satu dari tiga topi itu. Di sisi lain, mengingat bahwa orang
itu telah memilih topinya sendiri, maka tetap ada dua topi yang bisa dipilih orang itu, dan
karena salah satu dari keduanya adalah topinya sendiri, maka dengan probabilitas 1/2 ia akan
memilih saya t. Artinya, P (Ej, Ei) = 1/2 dan seterusnya

Untuk menghitung P (E1 E2 E3) kita tulis

Namun, mengingat bahwa dua orang pertama mendapatkan topi mereka sendiri, maka pria
ketiga juga harus mendapatkan topinya sendiri (karena tidak ada topi lain yang tersisa).
Artinya, P (E3 | E1, E2) = 1 dan seterusnya

Sekarang, dari Persamaan (1.4) kita memilikinya

Oleh karena itu, probabilitas bahwa tak satu pun pria memilih topinya sendiri adalah 1-1 / 2 =
2/3. 4

1.5. Acara Independen

Dua peristiwa E dan F dikatakan independen jika

Dengan Persamaan (1.5) ini berarti bahwa E dan F adalah independen jika
P (E | F) = P (E)
[yang juga menyiratkan bahwa P (F1 E) = P (F)]. Itu, adalah, E dan F adalah independen jika
pengetahuan bahwa F telah terjadi tidak mempengaruhi probabilitas E terjadi. Artinya,
terjadinya E tidak tergantung pada apakah F terjadi atau tidak.
Dua peristiwa E dan F yang tidak independen dikatakan tergantung.

Contoh 1.9 Misalkan kita melemparkan dua dadu yang adil. Biarkan El menunjukkan
kejadian bahwa jumlah dadu adalah enam dan F menunjukkan kejadian bahwa kematian
pertama sama dengan empat. Kemudian

dan karenanya E1, dan F tidak independen. Secara intuitif, alasan untuk ini jelas jika kita
tertarik pada kemungkinan melempar enam (dengan dua dadu), maka kita akan sangat senang
jika yang pertama meninggal empat (atau angka 1, 2, 3, 4, 5) untuk saat itu kita masih
memiliki kemungkinan untuk mendapatkan total enam. Di sisi lain, jika yang pertama
meninggal mendarat enam, maka kita akan merasa tidak bahagia karena kita tidak lagi
memiliki kesempatan untuk mendapatkan total enam. Dengan kata lain, kesempatan kita
untuk mendapatkan total enam bergantung pada hasil dari kematian pertama dan karenanya
E1 dan F tidak dapat independen.

Biarkan E2 menjadi ajang bahwa jumlah dadu sama dengan tujuh. Apakah E2
independen dari F? Jawabannya adalah ya sejak
sementara

Kami menyerahkannya kepada pembaca untuk mempresentasikan argumen intuitif mengapa

acara tersebut bahwa jumlah dadu sama dengan tujuh adalah independen dari hasil pada
pertama mati.
Definisi independen dapat diperluas hingga lebih dari dua peristiwa. Peristiwa El, E2,. . . , En
dikatakan independen jika untuk setiap subset E1’, E2’, E3’... En’, r<=n dari kejadian ini

Secara intuitif, peristiwa E1’, E2’, E3’... En’ adalah independen jika pengetahuan tentang
Terjadinya salah satu peristiwa ini tidak berpengaruh pada probabilitas apapun
acara lainnya

Contoh 1.10 (Pairwise Independent Events Itu. Tidak Merdeka): Biarkan bola ditarik dari
sebuah guci berisi empat bola, diberi nomor 1, 2, 3, 4. Misalkan E = (1,2), F = (1, 31, G =
(1,4) .Jika keempat hasil tersebut adalah diasumsikan sama mungkin, lalu

Namun,

Oleh karena itu, meskipun kejadian E, F, G berpasangan independen, mereka tidak

independen secara bersama-sama.
Misalkan urutan percobaan, yang masing-masing menghasilkan a
"kesuksesan" atau "kegagalan", harus dilakukan. Biarkan Ei, i >= 1, menunjukkan
Acara yang berujung eksperimen berujung sukses. Jika, untuk semua i,, i2,. . . in,

kita mengatakan bahwa urutan percobaan terdiri dari percobaan independen.

Contoh 1.11 Flip berturut-turut dari koin terdiri dari independen

Percobaan jika kita asumsikan (seperti biasanya dilakukan) bahwa hasilnya pada flip tidak
dipengaruhi oleh hasil pada flips sebelumnya. Sebuah "kesuksesan" mungkin terdiri dari
kepala hasil dan ekor "kegagalan", atau mungkin sebaliknya.

1.6. Formula Bayes

Biarkan E dan F menjadi acara. Kita mungkin mengekspresikan E sebagai
E = EF U EFc
karena agar satu poin berada di E, itu harus berada dalam E dan F, atau itu harus di E dan
tidak di F. Karena EF dan EFc jelas saling eksklusif, kita memilikinya

Persamaan (1.7) menyatakan bahwa probabilitas kejadian E adalah bobot rata probabilitas
bersyarat dari E mengingat bahwa F telah terjadi dan probabilitas bersyarat dari E mengingat
bahwa F tidak terjadi, masing-masing Kemungkinan bersyarat diberi bobot sebanyak
peristiwa itu dikondisikan telah terjadi.

Contoh 1.12 Pertimbangkan dua guci. Yang pertama berisi dua putih dan tujuh bola hitam,
dan yang kedua berisi lima bola putih dan enam bola hitam. Kita flip koin yang adil dan
kemudian menarik bola dari guci pertama atau yang kedua guci tergantung pada apakah
hasilnya adalah kepala atau ekor. Apakah yang Kemungkinan bersyarat bahwa hasil lemparan
adalah kepala yang diberi sebuah bola putih dipilih?

Solusi: Biarkan W menjadi ajang bola putih ditarik, dan biarkan H menjadi Kejadian itu
muncul. Probabilitas yang diinginkan P (H | W) dapat dihitung sebagai berikut:

Contoh 1.13 Dalam menjawab pertanyaan pada tes pilihan ganda sebuah siswa entah tahu
jawabannya atau dia tebak. Letp menjadi probabilitas itu dia tahu jawabannya dan
kemungkinan dia menebaknya. Menganggap bahwa seorang siswa yang menebak
jawabannya akan benar dengan probabilitasnya l / m, di mana m adalah jumlah alternatif
pilihan ganda. Apakah yang kemungkinan bersyarat bahwa seorang siswa mengetahui
jawaban atas sebuah pertanyaan yang diberikan Apa dia menjawabnya dengan benar?

Solusi: Misalkan C dan K menunjukkan masing-masing kejadian bahwa siswa tersebut

jawab pertanyaannya dengan benar dan acara yang sebenarnya dia ketahui
menjawab. Sekarang

Jadi, misalnya, jika m = 5, p = i, maka probabilitas bahwa seorang siswa Tahu jawaban atas
pertanyaan yang dia jawab dengan benar adalah 5/6.

Contoh 1.14 Tes darah laboratorium efektif 95 persen mendeteksi penyakit tertentu saat ini,
pada kenyataannya, hadir. Namun, tes juga menghasilkan hasil "positif palsu" untuk 1 persen
orang sehat yang diuji. (Artinya, jika orang sehat diuji, maka dengan probabilitas 0,01, tesnya
Hasilnya akan berarti dia menderita penyakit ini.) Jika 0,5 persen dari populasi sebenarnya
Ada penyakitnya, berapakah probabilitas seseorang terkena penyakit itu hasil tesnya positif?

Solusi: Misalkan D adalah kejadian dimana orang yang diuji memiliki penyakit ini, dan E
pada saat hasil tesnya positif. Probabilitas yang diinginkan P (D | E) diperoleh oleh
Jadi, hanya 32 persen orang yang hasil tesnya positif sebenarnya memiliki penyakit.

Persamaan (1.7) dapat digeneralisasi dengan cara berikut. Misalkan 4, F2,. . . , Fn adalah
acara yang saling eksklusif sehingga Dengan kata lain, tepatnya salah satu
acara F1, F2,. . . , Fn, akan terjadi. Dengan menulis

dan menggunakan fakta bahwa peristiwa EFi, i = 1,. . . , n, saling eksklusif, kita dapatkan itu

Dengan demikian, Persamaan (1.8) menunjukkan bagaimana, untuk kejadian yang diberikan
F1, F2,. . . , Fn yang satu dan hanya satu harus terjadi, kita dapat menghitung P (E) dengan
"pengkondisian" pertama yang menjadi salah satu dari F, terjadi. Artinya, ia menyatakan
bahwa P (E) sama dengan rata-rata tertimbang P (E | F), setiap istilah dibobot oleh
probabilitas kejadian dimana ia dikondisikan. Misalkan sekarang E telah terjadi dan kami
tertarik untuk menentukan mana yang juga terjadi. Dengan Persamaan (1.8) kita memilikinya

Persamaan (1.9) dikenal sebagai formula Bayes.

Contoh 1.15 Anda tahu bahwa huruf tertentu sama-sama mungkin ada pada salah satu dari
tiga folder yang berbeda. Misalkan αi adalah probabilitas bahwa Anda akan menemukan surat
Anda saat melakukan pemeriksaan cepat terhadap folder i jika surat tersebut, sebenarnya,
dalam folder i, i = 1,2,3. (Kita mungkin memiliki αi <1.) Misalkan Anda melihat ke dalam
folder 1 dan tidak menemukan suratnya. Berapakah probabilitas huruf itu ada di folder 1?
Solusi: Misalkan Fi , i = 1,2,3, jadilah event dimana huruf tersebut ada di folder i; dan biarkan
E menjadi acara yang mencari folder 1 tidak muncul dengan surat itu. Kami menginginkan P
(4 | E). Dari rumus Bayes kita dapatkan