Bayes Theorem
And Independence
MACAM-MACAM EVENT
MEE
TWO EVENTS P (A I B ) = 0
A and B P (A U B ) = P (A) + P (B )
INDEPENDENT
P (A I B ) = P (A ) P (B )
2
Conditional Probability
Definisi :
B
PA
P
=
AB ;
P(A
)
0
P(
A)
Conditional Probability
Contoh :
Pemecahan :
Sehingga
P( A B) 1 3 2
P B A = = =
P ( A) 12 3
1. P(B│A) > 0
2. P(Ω│A) = 1
3. Jika B1 ∩ B2 = Φ, maka
B
P
1B
2=
AB
PA
1+
B
PA
2
4. Hukum komplemen
B
PA=
-
1PB
A
5. Hukum perkalian
A
P=
BA
P B
P=
AB
P A
P
B
Contoh:
Dalam peristiwa pelemparan sekeping mata
uang sebanyak 3x, misalkan:
A= muncul sisi M sebanyak 2x
B= muncul sisi B pada lemparan ke-3
A = { M M B , M BM , BM M }
A �B = { M M B}
B = { M M B , BBB , M BB , BM B }
3
P ( A) =
8
4 maka: 1
P(B) = P A �B 1
8 P(A B) = = 8 =
P(B) 4 4
1 8
P ( A �B ) =
8
Contoh
Dalam audisi Indonesian Idol diketahui bahwa 32%
peserta berhasil dari tes pertama, sedangkan 20%
peserta berhasil dari tes pertama dan kedua. Gayus
adalah salah satu peserta yang berhasil dari tes
pertama. Berapa peluang dia berhasil juga dari tes
kedua?
P ( I ) = 0.32 P ( I � II ) = 0.20
P ( I � II ) 0.20
P ( II I ) = = = 0.625
P(I ) 0.32
Contoh:
Sebuah kotak berisi 10 bola berwarna merah
dan 40 bola berwarna biru, jika dua bola
diambil tanpa pengembalian, tentukan
peluang bola pertama adalah merah, bola
kedua adalah biru:
10 40
P(M B)= P ( M ). P ( B M ) = 50 . 49
Independent Events
P A B = P A P B
Independent Events
P A B = P A P B A
Dan event A dan B independent, maka
P B A = P B
Dengan cara yang sama diperoleh
P A B = P A
Independent Events
Teorema :
Jika A dan B independent, maka event berikut
juga independent
A dan B A dan B
A dan B
P A B C = P A P B P C
Independent Events
Terdapat kecenderungan untuk menyamakan makna
“mutually exclusive” dan “probabilistically independent”
Mutually exclusive tidak akan pernah menjadi
probabilistically independent, atau sebaliknya
Sebagai ilustrasi, misalkan A dan B adalah events
dengan P(A) = 0.3 dan P(B) = 0.4
Jika A dan B mutually exclusive, maka A ∩ B = Φ dan
P(A ∩ B) = P(Φ ) = 0
Dilain pihak, jika A dan B probabilistically independent,
maka
B1
A
Bn
B2
Event/Kejadian A = {3}
B1
A
Bn
B2
Prior
maka
P A Bi P Bi P A Bi
P Bi A = =
Posterior
P A P Bi P A Bi
i
TEOREMA BAYES
P B k A
B2
B1
A
Bi Bk
P B k P A B k
P Bk A =
P B i P A B i
n
i =1
19
PROBABILITAS DIAGRAM POHON
DEFINISI : Probabilitas diagram pohon melukiskan events atau
serangkaian event sebagai cabang dari suatu pohon
Diagram ini digunakan sebagai peraga untuk menyatakan gambaran
mengenai kondisi probabilitas.
Coba analisa, probabilitas diagram pohon dibawah ini :
7 ) )
( 0, (0,2
( B)= D) =
P P (
)
(0,2 (0,1
)
P(D
) = P(B) (0,3) = )=
P(A P ( C) (0,8
)
,7)
(0 )
= (0,6
(B) D )=
P P(
P(A) P(C)
= (0,8) P(B)= =(0,9 P(D
) ) =(
(0,3) 0,4)
20
PELUANG DIAGRAM POHON DUA TAHAP
P( R | A1)
A1 R EVENT PROBSBILITAS
A 1)
( A1 R P (A1) P( R | A1)
P
P (A2) P( R | A2) A2 R P (A2) P( R | A2)
A2 R
P( A3 R P (A3) P( R | A3)
R A3
) P (A1), P (A2), P(A3)
P( R | A3)
A3 R Disebut prior probabilities
3 P (A1 ), P (R A1)
P (R ) = �P ( A 1 )P ( R A 1 ) P (A1 R) = ; i = 1,2,3
i =1 P (R)
21
Contoh
Pada suatu kotak terdapat 4 kelereng kuning dan 3 kelereng merah. Akan
dilakukan pengambilan secara acak beberapa kali, dimana setelah suatu
pengambilan dilakukan kelerengnya tidak dikembalikan.
No.1
P(B1)=0,6
B1 0,9 A1
P ( A1 | B1 )
0,1
P ( A2 | B1 )
P ( A1 | B2 )
0,1
0,9
B2 P ( A2 | B2 ) A2
P(B2)=0,4
CARILAH
1. Probabilitas sinyal dengan syarat yang
dikirimkan benar pada sisi penerima A1
dan A2 dengan menggunakan teorema
bayes
2. Probabilitas sinyal dengan syarat yang
dikirimkan salah pada sisi penerima A1
dan A2 dengan menggunakan teorema
bayes
No.3
27