Scribd
Unggah
1K tayangan7 halaman

Peluang Total dan Teorema Bayes

Dokumen tersebut membahas tentang peluang total dan kaidah Bayes. Kaidah Bayes digunakan untuk menghitung peluang kejadian berdasarkan informasi tambahan. Jika diketahui peluang kejadian awal dan peluang bersyarat, kaidah Bayes dapat menghitung peluang kejadian baru. Kaidah ini digunakan untuk memecahkan masalah peluang dengan menggabungkan informasi awal dan tambahan.

Diunggah oleh

ROSMWATY
Hak Cipta
© © All Rights Reserved
Kami menangani hak cipta konten dengan serius. Jika Anda merasa konten ini milik Anda, ajukan klaim di sini.
Format Tersedia
Unduh sebagai PPT, PDF, TXT atau baca online di Scribd
1K tayangan7 halaman

Peluang Total dan Teorema Bayes

Dokumen tersebut membahas tentang peluang total dan kaidah Bayes. Kaidah Bayes digunakan untuk menghitung peluang kejadian berdasarkan informasi tambahan. Jika diketahui peluang kejadian awal dan peluang bersyarat, kaidah Bayes dapat menghitung peluang kejadian baru. Kaidah ini digunakan untuk memecahkan masalah peluang dengan menggabungkan informasi awal dan tambahan.

Diunggah oleh

ROSMWATY
Hak Cipta
© © All Rights Reserved
Kami menangani hak cipta konten dengan serius. Jika Anda merasa konten ini milik Anda, ajukan klaim di sini.
Format Tersedia
Unduh sebagai PPT, PDF, TXT atau baca online di Scribd

Materi Pokok 04

PELUANG TOTAL DAN KAIDAH BAYES

Kejadian A1, A2, ……, An membentuk partisi suatu ruang contoh S.


An
A1 …..

A2 A4
A3

B = S  B = (A1  A2  …..  An)  B


= (A1  B)  (A2  B)  …...  (An  B)

Ai  B tidak menenggang sesamanya.


P(B) = P (A1  B) + P (A2  B) + …… + P(An  B)
P(Ai | B) = P(Ai) dengan syarat B

Peluang bersyarat:
P(Ai  B)
 P(Ai /B) 
P(B)
P(Ai  B)
 P(B/Ai ) 
P(Ai )
 P(A i  B)  P(A i ) P(B/A i )
P(A1  B)  P(A1 ) P(B/A1 )
P(A 2  B)  P(A 2 ) P(B/A 2 )

P(A n  B)  P(A n ) P(B/A n )
Peluang Total B

P(B) = P(A1  B) + P(A2  B) + ….. + P(An  B) menjadi:


P(B) = P(A1) P(B/A1) + P(A2) P(B/A2) + ….. + P(An) P(B/An)

Teorema (kaidah) Bayes

A1, A2, ….., An adalah partisi dari S


B adalah suatu kejadian (event)
P(Ai ) P(B/Ai )
P(Ai /B) 
P(A1 ) P(B/A1 )  P(A 2 ) P(B/A 2 )  .....  P(A n ) P(B/A n )
Suatu ilustrasi:

Tiga mesin = A, B, C
Mesin A memproduksi 50 persen
Mesin B memproduksi 30 persen
Mesin C memproduksi 20 persen

Berdasarkan pengalaman:
Produksi rusak dari A = 3 persen
Produksi rusak dari B = 4 persen
Produksi rusak dari C = 5 persen

R = Kejadian rusak bila barang dipilih secara acak

P(R) = P(A) P(R/A) + P(B) P(R/B) + P(C) P(R/C)


= (0,50)(0,03) + (0,30)(),04) + (0,20)(0,50)
P(R) = 0,037
Barang produksi yang dibeli rusak:
 Peluang barang itu berasal dari A dengan Teorema Bayes:

P(A) P(R/A)
P(A/R) 
P(A) P(R/A)  P(B) P(R/B)  P(C) P(R/C)
(0,50) (0,03) 15
P(A/R)  
0,037 37

 Peluang barang itu berasal dari B dengan Teorema Bayes:


P(B) P(R/B)
P(B/R) 
P(R)
(0,30) (0,04)
P(B/R)   0,12
0,037
 Peluang barang itu berasal dari C dengan Teorema Bayes:
P(B) P(R/B)
P(C/R) 
P(R)
(0,20) (0,05)
P(C/R) 
0,037
P(C/R)  0,10

P(A/R)  P (B/R)  P(C/R) 


15 12 10
  1
37 37 37
Diagram Pohon Teorema Bayes
R
0,03

A
N
0,50 R
0,04
0,30
B
0,20 N
R
0,05
C
R = Rusak
N = Baik (Normal) N

Anda mungkin juga menyukai