Contoh

 Tiga toples memuat bola berwarna yang digambarkan

Teorema Bayes dalam tabel berikut:
 Sebuah toples dipilih secara acak and sebuah bola diambil. Jika
Bayes’ Theorem bolanya berwarna merah, berapa peluang bola tersebut berasal
dari toples kedua?

Toples # Merah Putih Biru

1 3 4 1
2 1 2 3
3 4 3 2

Contoh Contoh
 Mendefinisikan kejadian:  Kejadian J1 , J2 , dan J3 adalah saling lepas
 J1 adl kejadian toples pertama yang dipilih  Mengapa?
 J2 adl kejadian toples kedua yang dipilih  Karena kita tidak memilih dua toples secara
bersamaan
 J3 adl kejadian toples ketiga yang dipilih
 Oleh sebab itu, maka ruang sampel kita
R adl kejadian bola merah yang terambil
bisa dibagi (dipartisi) menjadi tiga kejadian
Diagram Venn Diagram Venn
 Bola merah terdapat pada toples pertama,
Perhatikan Diagram Venn berikut:
kedua, dan ketiga, shg himpunannya
tumpang tindih dalam partisi

Mendapatkan Peluang Menghitung Peluang

3 1 1
P ( J 1 ∩R ) =P ( R∣J 1 ) P ( J 1 ) = ⋅ =
 Berapa peluang tiap kejadian dalam ruang 8 3 8
sampel tadi?  Perhitungan yang
 Bagaimana mendapatkannya? sama menunjukkan:
1 1 1
P ( J 2∩R ) =P ( R∣J 2 ) P ( J 2 )= ⋅ =
P ( A ∩B )=P ( A∣B ) P ( B ) 6 3 18
4 1 4
P ( J 3 ∩R ) =P ( R∣J 3 ) P ( J 3 )= ⋅ =
9 3 27
 Diagram Venn Menghitung Peluang
 Isi peluangnya!  Masalah utama kita adl:
 Satu toples dipilih secara acak dan sebuah
bola diambil. Jika bola merah yg terambil,
berapa peluang bola tsb berasal dari toples
kedua?

P ( J 2 ∩R )
P ( J 2∣R ) =
P ( R)

Mendapatkan Peluang Aritmatika biasa

 Ingat peluang yang sudah kita tulis dalam  Masukkan nilai yg bersesuaian:
diagram Venn P ( J 2 ∩R )
 Berapa nilai penyebut? P ( J 2∣R ) =
P ( J 1 ∩R ) + P ( J 2∩R ) + P ( J 3∩ R )
P( J ∩ R)
1
( )
2
P ( J ∣R ) =
2 P (R)
P ( J ∩R ) 18 12
2 = = ≈0 .17
=
1 1 4 71
P ( J ∩R ) +P ( J ∩ R ) + P ( J ∩R )
1 2 2
( 8 ) (18 ) (27 )
+ +
Contoh lain—Tree Diagrams Definisikan Kejadian
Semua perusahan yang memproduksi traktor  R adl kejadian traktor diproduksi pabrik Red
mempunyai 3 pabrik, sebutlah namanya Red,
White, dan Blue. Kemungkinan sebuah traktor  W adl kejadian traktor diproduksi pabrik White
rusak dan diproduksi oleh pabrik Red adalah 6%,  B adl kejadian traktor diproduksi pabrik Blue
pabrik White 11%, dan 8% oleh pabrik Blue. 48%
traktor yang diproduksi berasal dari pabrik Red ,  D adl kejadian traktor rusak
31% oleh Blue, sisanya White. Berapa persen
traktor rusak yang diproduksi perusahaan
tersebut?

Informasi Apa yang kita cari?

 Peluang yang kita ketahui:  Pertanyaan:
 Bagian dari traktor yang diproduksi
P ( R )=0 . 48
perusahaan yang rusak
P ( W )=0 . 21
 Dengan kata lain:
P ( B )=0. 31
P ( D∣R ) =0 . 06
P ( D∣W ) =0 . 11 P ( D)
P ( D∣B ) =0 . 08
Tree Diagram Apa yang kita cari?
 Peluang, yaitu:

P ( R∩ D )
P (W ∩D )
P ( B∩D )

Menghitung Peluang Jumlahkan

 Tiap bagian kita kalikan  Karena peluang (Rusak) Defective P(D)
 Maka kita dapatkan adalah jumlahan dari rusak tiap bagian,
maka, kita dapatkan::
P ( R∩ D ) =P ( D∣R ) P ( R )
P ( W ∩ D )=P ( D∣W ) P (W )
P ( D )=P ( D∣R ) P ( R ) +P ( D∣W ) P ( W ) +P ( D∣B ) P ( B )
P ( B∩D ) =P ( D∣B ) P ( B )
Pertanyaan Selanjutnya: Aturan Bayes’
 Diberikan dua kejadian A dan B dan misalkan Pr(A) > 0. Maka
 Berapa peluang traktor rusak tersebut
Pr( AB ) Pr( A | B ) Pr( B )
berasal dari pabrik Red diberikan bahwa Pr( B | A)  
Pr( A) Pr( A)
traktornya rusak?  Contoh:

P ( R∩D ) Pr(R) = 0.8

R: Hari ini musim
P ( R∣D ) = Pr(W|R) R R penghujan
P ( D) W 0.7 0.4 W: Rumput basah

W 0.3 0.6 Pr(R|W) = ?

Aturan Bayes Aturan Bayes

R R R R
R: Hari Hujan R: Hari hujan
W 0.7 0.4 W 0.7 0.4
W: Rumput Basah W: Rumput basah
W 0.3 0.6 W 0.3 0.6

Informasi
Informasi: Pr(E|H)
Pr(W|R)
Hypothesis H Fakta E
R W Posterior Likelihood Prior
Inferens: Pr(H|E)

Inferens
Pr(R|W) Pr( E | H ) Pr( H )
Pr( H | E ) 
Pr( E )
Aturan Bayes: Lebih Kompleks
 Misalkan B1, B2, … Bk membentuk n partisi dari S:
B i ∩B j =∅ ;i B i=S
Misalkan bahwa Pr(Bi) > 0 dan Pr(A) > 0. Maka
Aturan Bayes: Lebih Kompleks
 Misalkan B1, B2, … Bk membentuk n partisi dari S:
Bi ∩B j =∅ ;i B i=S
Misalkan bahwa Pr(Bi) > 0 dan Pr(A) > 0. Maka

Pr( A | Bi ) Pr(Bi ) Pr( A | Bi ) Pr(Bi )

Pr( Bi | A)  Pr( Bi | A) 
Pr( A) Pr( A)
Pr( A | Bi ) Pr(Bi ) Pr( A | Bi ) Pr(Bi )
 
 j 1 Pr( AB j )  j 1 Pr( AB j )
k k

Pr( A | Bi ) Pr( Bi ) Pr( A | Bi ) Pr( Bi )

 
 
k k
j 1
Pr( B j ) Pr( A | B j ) j 1
Pr( B j ) Pr( A | B j )

Aturan Bayes: Lebih Kompleks Kasus Yang Lebih Kompleks

 Misalkan B1, B2, … Bk membentuk n partisi dari S: R Hari hujan
R
W Rumput basah
B i ∩B j =∅ ;i B i=S
U Orang-orang membawa
Misalkan bahwa Pr(Bi) > 0 dan Pr(A) > 0. Maka payung
W U
Pr(UW|R)=Pr(U|R)Pr(W|R)
Pr( A | Bi ) Pr( Bi )
Pr( Bi | A)  Pr(R) = 0.8 Pr(UW| R)=Pr(U| R)Pr(W| R)
Pr( A)
Pr(W|R) R R Pr(U|R) R R
Pr( A | Bi ) Pr( Bi )
 W 0.7 0.4 U 0.9 0.2
 j 1 Pr( AB j )
k

W 0.3 0.6 U 0.1 0.8

Pr( A | Bi ) Pr( Bi )

 j 1 Pr(B j ) Pr( A | B j )
k
Pr(U|W) = ?
 Kasus Yang Lebih Kompleks Kasus Yang Lebih Kompleks
R Hari hujan R Hari hujan
R R
W Rumput basah W Rumput basah
U Orang-orang membawa
W U U Orang-orang membawa payung W U payung
Pr(UW|R)=Pr(U|R)Pr(W|R) Pr(UW|R)=Pr(U|R)Pr(W|R)
Pr(R) = 0.8 Pr(R) = 0.8
Pr(UW| R)=Pr(U| R)Pr(W| R) Pr(UW| R)=Pr(U| R)Pr(W| R)
Pr(W|R) R R Pr(U|R) R R Pr(W|R) R R Pr(U|R) R R
W 0.7 0.4 U 0.9 0.2 W 0.7 0.4 U 0.9 0.2

W 0.3 0.6 U 0.1 0.8 W 0.3 0.6 U 0.1 0.8

Pr(U|W) = ? Pr(U|W) = ?