1
26-Jan-2018
Exhibit 3.13
5 6
Analisa Keputusan dengan Informasi Tambahan Analisa Keputusan dengan Informasi Tambahan
Analisa Bayesian (1 of 3) Analisa Bayesian(2 of 3)
Dengan Analisa Bayesian informasi tambahan digunakan untuk Probabilitas Kondisional (conditional probability) adalah probabilitas bahwa suatu kejadian akan
mengubah probabilitas marginal atas terjadinya suatu kejadian. terjadi dengan asumsi kejadian lain telah terjadi.
Dalam contoh investasi real estate, menggunakan kriteria nilai yang Analis Ekonomi memberikan informasi tambahan bagi investor real estate, berdasarkan
diperkirakan, keputusan terbaik adalah untuk membeli office building probabilitas kondisional:
dengan nilai yang diperkirakan $44,000, dan EVPI $28,000. g = Kondisi ekonomi yg baik
p = Kondisi ekonomi yg buruk Seperti sebelumnya…
P = Laporan ekonomi yg bersifat positif
Info baru
N = Laporan ekonomi yg bersifat negatif
P(Pg) = .80 P(Ng) = .20
Baru , diberikan
P(Pp) = .10 P(Np) = .90
Table 3.11
Tabel hasil untuk contoh Investasi Real Estate
7 8
2
26-Jan-2018
Analisa Keputusan dengan Informasi Tambahan Analisa Keputusan dengan Informasi Tambahan
Analisa Bayesian(3 of 3) Pohon Keputusan dengan Probabilitas Posterior (1 of 4)
Probabilitas Posterior (posterior probability) merupakan probabilitas Pohon keputusan dengan probabilitas posterior berbeda dengan pohon
marginal suatu kejadian yang telah diubah berdasarkan suatu informasi keputusan sebelumnya (prior probabilities) dalam hal:
tambahan. Ada dua cabang pada awal pohon keputusan yang menunjukkan dua
Probabilitas Prior untuk kondisi ekonomi baik atau buruk dalam keputusan hasil laporan.
investasi real estate: Probabilitas tiap kondisi dasar tidak lagi merupakan probabilitas prior,
P(Pg) = .80 P(Ng) = .20
P(g) = 0.60; P(p) = 0.40 melainkan probabilitas posterior yang telah dihitung dengan
P(Pp) = .10 P(Np) = .90
Probabilitas Posterior dengan Analisa Bayes: menggunakan aturan bayes
P(gP) = P(Pg)P(g)/[P(Pg)P(g) + P(Pp)P(p)] Aturan bayes dapat dijadikan lebih simpel, dikarenakan
P(A|B)P(B)=P(AB) adalah probabilitas gabungan., dan iP(ABi)=P(A)
= (0.80)(0.60)/[(0.80)(0.60) + (0.10)(0.40)] = 0.923 adalah probabilitas marginal. maka:
Probabilitas Posterior untuk keputusan lainnya: P(Bk|A)=P(A|Bk)P(Bk)/[iP(A|Bi)P(Bi)] = P(ABk)/P(A),
P(gN) = 0.250 P(pP) = 0.077 P(pN) = 0.750
lebih cepat, jika probabilitas gabungan dan marginal diketahui.
9 10
Analisa Keputusan dengan Informasi Tambahan Analisa Keputusan dengan Informasi Tambahan
Pohon Keputusan dengan Probabilitas Posterior (2 of 4) Pohon Keputusan dengan Probabilitas Posterior (3 of 4)
11 12
3
26-Jan-2018
Analisa Keputusan dengan Informasi Tambahan Analisa Keputusan dengan Informasi Tambahan
Pohon Keputusan dengan Probabilitas Posterior (4 of 4) Menghitung Probabilitas Posterior dengan Tabel
Figure 3.6
Analisa Pohon Keputusan
Table 3.12
Tabel Perhitungan Probabilitas Posterior
13 14
Analisa Keputusan dengan Informasi Tambahan Analisa Keputusan dengan Informasi Tambahan
Expected Value of Sample Information Utilitas (1 of 2)
Nilai yang Diperkirakan atas Informasi Sampel /
expected value of sample information (EVSI) adalah
perbedaan antara nilai yang diperkirakan dengan dan
tanpa informasi tambahan:
Sebagai contoh, EVSI = $63,194 - 44,000 = $19,194
Efisiensi informasi sampel / efficiency of sample
information adalah rasio dari nilai yang diharapkan
dari informasi sampel dengan nilai yang diharapkan Table 3.13
Tabel hasil dari contoh asuransi mobil
dari informasi yang sempurna: Biaya
Efisiensi = EVSI /EVPI = $19,194/ 28,000 = .68
15 16
4
26-Jan-2018
Latihan-2
Tentukan keputusan apa yang akan diambil berdasarkan pohon keputusan berkesinambungan
dibawah ini! 0,40 $300.000
(-$20.000)
7
0,60 $60.000
0,30 4
$45.000
2
$200.000
End Of Week-14
Investasi A 0,70 0,20
(-$70.000)
$75.000
(-$17.000) 8
0,80 $70.000
1 5
$60.000
Investasi B 0,15 0,35 $105.000
(-$50.000)
(-$9.000) 9
0,55
3 6 0,65 $40.000
0,30 $55.000
$80.000