Konsep Peluang Bersyarat dan Teorema Bayes
Peluang Bersyarat
KONSEP DASAR PELUANG
Percobaan (experiment) Æ hasil (outcome) Æ kejadian (event) Æ ruang contoh (sample space)
Definisi 1.1 (Ruang Contoh) : Himpunan dari semua kemungkinan hasil (outcome) dari suatu percobaan disebut ruang contoh (sample space), dinotasikan dengan S
Ilustrasi 1.1. Jika kita melempar sebuah dadu sisi enam, maka ruang contoh S adalah suatu himpunan yang memiliki 6 unsur yaitu {1, 2, 3, 4, 5, 6}
Ilustrasi 1.2. Perhatikan pelemparan dua dadu sisi enam, ruang contoh yang mungkin adalah S = {(1,1), (1,2), (1,3), …, (6,6)}. Dalam hal ini (i, j) berarti : i = mata dadu pertama, dan j = mata dadu kedua yang muncul.
Ruang contoh bersifat tidak unik, tergantung dari cara pandang, keperluan, tujuan percobaan atau permasalahan.
Perhatikan untuk ilustrasi 1.2 di atas, jika kita tertarik pada jumlah kedua mata dadu yang muncul, maka S = {2, 3, 4, …, 12}
Peluang BersyaratDefinisi 1.5. (Peluang Besyarat) : Peluang kejadian A dengan syarat bahwa kejadian B telah diketahui terjadi adalah , asal P(B) > 0Teorema 1.2 : a. Untuk sembarang kejadian A dan B berlaku P(A) = P(B) P(A|B) + P(BC) P(A|BC), asal 0 < P(B) < 1 b. Secara umum misalkan ada B1, B2, …, Bn adalah partisi yang bersifat saling lepas dari S, maka
Kejadian Bebas Jika A adalah suatu kejadian, maka adanya keterangan tentang suatu kejadian lain, misal kejadian B, dapat memperkecil atau memperbesar atau tidak mengubah besarnya peluang kejadian A. Jika besarnya peluang kejadian A tidak berubah karena adanya keterangan bahwa kejadian B telah terjadi, maka A dan B adalah dua kejadian yang saling bebasDefinisi 1.6. (Kejadian Saling Bebas) : Kejadian A dan B disebut dua kejadian yang saling bebas jika dan hanya jika P(A ∩ B) = P(A) P(B)
Teorema 1.3 : Jika A dan B adalah dua kejadian bebas, maka a. A dan BC juga dua kejadian bebas b. AC dan B juga dua kejadian bebas c. AC dan BC juga dua kejadian bebasBukti (a) : Akan ditunjukkan bahwa P(A ∩ BC) = P(A) P(BC). Karena A = (A ∩ B) ∪ (A ∩ BC) dan (A ∩ B) ∩ (A ∩ BC) = ∅ maka P(A) = P(A ∩ B) + P(A ∩ BC) Jadi P(A ∩ BC) = P(A) - P(A ∩ B) = P(A) - P(A) P(B) = P(A) (1 – P(B)) = P(A) P(BC)Bukti lain sebagai latihan.
Jika kejadian A dan B bebas, maka kejadian bersyaratnya tidak merubah nilai peluang
Kejadian Bebas Jika A adalah suatu kejadian, maka adanya keterangan tentang suatu kejadian lain, misal kejadian B, dapat memperkecil atau memperbesar atau tidak mengubah besarnya peluang kejadian A. Jika besarnya peluang kejadian A tidak berubah karena adanya keterangan bahwa kejadian B telah terjadi, maka A dan B adalah dua kejadian yang saling bebasDefinisi 1.6. (Kejadian Saling Bebas) : Kejadian A dan B disebut dua kejadian yang saling bebas jika dan hanya jika P(A ∩ B) = P(A) P(B)
Teorema 1.3 : Jika A dan B adalah dua kejadian bebas, maka a. A dan BC juga dua kejadian bebas b. AC dan B juga dua kejadian bebas c. AC dan BC juga dua kejadian bebasBukti (a) : Akan ditunjukkan bahwa P(A ∩ BC) = P(A) P(BC). Karena A = (A ∩ B) ∪ (A ∩ BC) dan (A ∩ B) ∩ (A ∩ BC) = ∅ maka P(A) = P(A ∩ B) + P(A ∩ BC) Jadi P(A ∩ BC) = P(A) - P(A ∩ B) = P(A) - P(A) P(B) = P(A) (1 – P(B)) = P(A) P(BC)Bukti lain sebagai latihan.
Jika kejadian A dan B bebas, maka kejadian bersyaratnya tidak merubah nilai peluang
Teorema Bayes
Dalam teori probabilitas dan statistika, teorema Bayes adalah sebuah teorema dengan dua penafsiran berbeda. Dalam penafsiran Bayes, teorema ini menyatakan seberapa jauh derajat kepercayaan subjektif harus berubah secara rasional ketika ada petunjuk baru. Dalam penafsiran frekuentis teorema ini menjelaskan representasi invers probabilitas dua kejadian. Teorema ini merupakan dasar dari statistika Bayes dan memiliki penerapan dalam sains, rekayasa, ilmu ekonomi (terutama ilmu ekonomi mikro), teori permainan, kedokteran dan hukum. Penerapan teorema Bayes untuk memperbarui kepercayaan dinamakan inferens Bayes.
Misalkan kawan Anda bercerita dia bercakap-cakap akrab dengan seseorang lain di atas kereta api. Tanpa informasi tambahan, peluang dia bercakap-cakap dengan perempuan adalah 50%. Sekarang misalkan kawan Anda menyebut bahwa orang lain di atas kereta api itu berambut panjang. Dari keterangan baru ini tampaknya lebih bolehjadi kawan Anda bercakap-cakap dengan perempuan, karena orang berambut panjang biasanya wanita. Teorema Bayes dapat digunakan untuk menghitung besarnya peluang bahwa kawan Anda berbicara dengan seorang wanita, bila diketahui berapa peluang seorang wanita berambut panjang.
Misalkan:
- W adalah kejadian percakapan dilakukan dengan seorang wanita.
- L adalah kejadian percakapan dilakukan dengan seorang berambut panjang
- M adalah kejadian percakapan dilakukan dengan seorang pria
Kita dapat berasumsi bahwa wanita adalah setengah dari populasi. Artinya peluang kawan Anda berbicara dengan wanita,
Misalkan juga bahwa diketahui 75 persen wanita berambut panjang. Ini berarti bila kita mengetahui bahwa seseorang adalah wanita, peluangnya berambut panjang adalah 0,75. Kita melambangkannya sebagai:
Sebagai keterangan tambahan kita juga mengetahui bahwa peluang seorang pria berambut panjang adalah 0,3. Dengan kata lain:
Di sini kita mengasumsikan bahwa seseorang itu adalah pria atau wanita, atau P(M) = 1 - P(W) = 0,5. Dengan kata lain M adalah kejadian komplemen dari W.
Tujuan kita adalah menghitung peluang seseorang itu adalah wanita bila diketahui dia berambut panjang, atau dalam notasi yang kita gunakan, P(W|L). Menggunakan teorema Bayes, kita mendapatkan:
Di sini kita menggunakan aturan peluang total. Dengan memasukkan nilai-nilai peluang yang diketahui ke dalam rumus di atas, kita mendapatkan peluang seseorang itu wanita bila diketahui dia berambut panjang adalah 0,714. Angka ini sesuai dengan intuisi awal kita, bahwa peluang kawan kita itu bercakap-cakap dengan wanita meningkat.
Dari contoh di atas kita bisa merumuskan teorema Bayes secara umum.
Secara umum, teorema Bayes dinyatakan sebagai:
Dalam notasi ini P(A|B) berarti peluang kejadian A bila B terjadi dan P(B|A) peluang kejadian B bila A terjadi.
Komentar
Posting Komentar