Probabilistic Thinking

Wandhansari Sekar Jatiningrum

 Pendahuluan

Salah satu prinsip utama dalam analisis keputusan adalah

merepresentasikan berbagai jenis ketidakpastian melalui
penggunaan teknik probabilitas yang sesuai.
Permasalahan ketidakpastian dapat dimodelkan dengan
decision trees dan influence diagrams
 Events

Event kejadian yang nanti akan terjadi, ada unsur

uncertainty
Example:
Whether the next person entering the room is a beer drinker
The date of the next general election
Whether it will be raining tonight
Our next head of department
Etc
 Clarity test

When we identify an event, we have in mind what we meant. But will other
people know precisely what you mean?
Untuk menghindari ambiguitas, setiap event harus melalui clarity test
Clarity test : untuk meyakinkan bahwa kita benar-benar bisa mendefinisikan
setiap event yang berkaitan dengan permasalahan pengambilan keputusan
dengan jelas dan tepat
The clarity test is conducted by submitting our definition of each event to a
clairvoyant
 Clarity test

A clairvoyant is a person who knew the future, who had access to all future
newspapers, readings of physical devices, or any other determinable quantity
Passing the clarity test: If and only if the clairvoyant can tell its outcome
without any further judgment
 Clarity test

Example:
The next person entering this room is a beer drinker
What is a beer drinker? What is a beer?
The next person entering this room is a graduate
What is a graduate?
 Possibility Tree

In probability theory, a possibility tree may be used to represent a

probability space.
Possibility tree may represent a series of independent events (such
as a set of coin flips) or conditional probabilities (such as drawing
cards from a deck, without replacing the cards)
Probability trees are useful for calculating combined probabilities. It
helps you to map out the probabilities of many possibilities
graphically, without the use of complicated probability equations.
 Possibility Tree

SINGLE EVENT TREE :

Example: event the next person entering this room is a businessman
Suppose B represents a businessman and B otherwise
 Possibility Tree

TWO EVENT TREES :

Simultaneously consider several events
Example: event the next person entering this room is a businessman and
event the next person entering this room is a graduate can be jointly
considered

B : Businessman G : Graduate
B : bukan Businessman G : bukan Graduate
 Possibility Tree
REVERSING THE ORDER OF EVENTS IN A TREE:
In the previous example, we have considered the distinctions in the order of
businessman then graduate, i.e., B to G.
The same information can be expressed with the events in the reverse order,
i.e., G to B.
 Possibility Tree
MULTIPLE EVENT TREES :
We can jointly consider three events businessman, graduate, and gender.
Probabilitas untuk Merepresentasikan Ketidakpastian

Frequentist
view

Probability

Subjective
(Bayesian) view
 Assigning probabilities to events

To assign probabilities, it depends on our state of information about the event

Example: information relevant to assessment of the likelihood that the next person entering
the room is a businessman might include the followings:
There is an alumni meeting outside the room and most of them are businessman
You have made arrangement to meet a friend here and she to your knowledge is not a
businessman. She is going to show up any moment.
Etc
After considering all relevant background information, we assign the likelihood that the next
person entering the room is a businessman by assigning a probability value to each of the
possibilities or outcomes
 Probabilitas
2 variabel independen P(AB) = P(A) P(B)
Contoh : diketahui 5 bola merah+5 bola biru. 1 bola diambil dulu secara acak
kemudian dikembalikan, lalu diambil 1 bola lagi secara acak. Tentukan
peluang terambilnya 1 bola merah dan 1 bola biru.
P(M) = 5/10; P(B)=5/10 sehingga P(MB) = 5/10 x 5/10 = 1/4
2 variabel dependen P(AB) = P(A|B) P(B)
Contoh : diketahui 5 bola merah+5 bola biru. 1 bola diambil terlebih dahulu,
kemudian diambil lagi 1 bola. Tentukan peluang terambilnya 1 bola merah
dan 1 bola biru.
P(M)=5/10; P(B|M)=5/9; P(MB) = 5/9 x 5/10 = 5/18
 Teorema Bayes
Untuk mendapatkan probabilitas sebuah kejadian yang dipengaruhi oleh
kejadian lain (atau kejadian-kejadian lain) yang muncul sebelumnya,
digunakan probabilitas kondisional atau probabilitas marginal.
Pada kejadian yang lebih kompleks, untuk mencari kemungkinan penyebab
yang diakibatkan oleh sebuah kejadian digunakan Teorema Bayes

P(AB) = P(A|B) P(B) 2 variabel dependen ex : ambil bola tanpa pengembalian

P(AB) = P(A) P(B) 2 variabel independen ex : ambil bola dg pengembalian

( (|
= =
( (
Probabilitas Marginal (Marginal/Prior Probability)

Probabilitas tak bersyarat

Probabilitas yang tidak dibatasi oleh apapun
Ex. : Probabilitas pengambilan sebuah kelereng berwarna merah dalam
sekali pengambilan pada sebuah kotak yang berisi 3 bola merah dan 7 bola
biru. Dalam contoh ini, besarnya peluang terambilnya kelereng berwarna
merah dibatasi oleh banyak sampel (yaitu 10 kelereng) dan banyaknya
kejadian yang memungkinkan (terdapat 3 kelereng merah). Sehingga nilai
probabilitas untuk contoh di atas adalah 3/10.
Probabilitas Kondisional (Conditional Probability)

Probabilitas bersyarat
terdapat kondisi yang turut membatasi nilai probabilitas yang dihasilkan
Jika peristiwa B terjadi dipengaruhi terjadinya peristiwa A, maka dinamakan
probabilitas bersyarat P(B|A), secara matematis :
Probabilitas Kondisional (Conditional Probability)

Ex : Suatu perusahaan asuransi menemukan bahwa 53% penduduk kota

memiliki asuransi rumah (H) kepada perusahan, serta 15% penduduk
memiliki asuransi rumah dan tidak punya asuransi mobil P(AcH). Untuk
menentukan target marketing diduga probabilitas seorang penduduk tidak
memiliki asuransi mobil Ac dari penduduk yang sudah punya asuransi rumah
adalah :
 Probabilitas Gabungan (Joint Probability)

probabilitas terjadinya dua atau lebih peristiwa secara berurutan

(bersamaan) dan peristiwa-peristiwa itu saling mempengaruhi.
Probabilitas irisan (interseksi)
 Probabilitas Gabungan (Joint Probability)

Ex. : Dari satu set kartu bridge berturut-turut diambil kartu itu sebanyak 2 kali
secara acak. Hitunglah probabilitasnya kartu king (A) pada pengambilan
pertama dan as(B) pada pengambilan kedua, jika kartu pada pengambilan
pertama tidak dikembalikan
Penyelesaian :
(A) = pengambilan pertama keluar kartu king P(A) = 4/52
(B/A) = pengambilan kedua keluar kartu as P(B/A) = 4/51
P(AB) = P(A) x P(B/A) = 4/52 x 4/51 = 0,006
 Contoh :
Joint probability

G
10 G 0,4x0,25 = 0,1
0,25
B
40 B
30 G 0,4 0,75
G
0,4x0,75=0,3

100 orang G
40 G 0,67
0,6x0,67=0,4

0,6 B
60 B
20 G Marginal/prior probability 0,33 G
0,67x0,33=0,2

B : businessman B : bukan businessman Conditional probability

G : gradute G : bukan graduate
 Contoh

P (B)=0,4 P(B)=0,6
P(G|B)=0,25 P(G|B)=0,67
P(G|B)=0,75 P(G|B)=0,33
P(BG)=0,1 P(BG)=0,3
P(BG)=0,4 P(BG)=0,2
 Contoh
Diketahui dari 100 orang kepala keluarga di sutu perumahan, 70 di antaranya
memiliki asuransi rumah, sedangkan 30 lainnya tidak memiliki asuransi rumah. Dari
70 kepala keluarga yang memiliki asuransi rumah, 20 di antaranya memiliki asuransi
mobil, sisanya tidak memiliki asuransi mobil. Dari 30 kepala keluarga yang tidak
memiliki asuransi rumah, 5 di antaranya memiliki asuransi mobil, sisanya tidak
memiliki asuransi mobil.
a. Hitung probabilitas marginal, kondisional, dan gabungannya dengan
menggunakan possibility tree!
b. Tentukan probabilitas kepala keluarga memiliki asuransi rumah dan asuransi
mobil!
c. Tentukan probabilitas kepala keluarga tidak memiliki asuransi mobil tetapi sudah
memiliki asuransi rumah!
 Jawab
M 0,2
0,286

0,7 0,714
M
0,5

M 0,05
0,167
0,3
R

0,833
M
0,25
 Changing the order of conditioning

Suppose in the previous tree we have

G
0,4x0,25 = 0,1
0,25
B

0,4 G
0,75 0,4x0,75=0,3

G
0,6x0,67=0,4
0,67
0,6 B

0,33 G
0,67x0,33=0,2
 Changing the order of conditioning

Kita tidak hanya dapat mengetahui probabilitas seseorang merupakan graduate jika
diketahui informasi sebelumnya bahwa dia seorang businessman P(G|B)
Berapa probabilitas seorang businessman jika diketahui informasi sebelumnya dia
seorang graduate P(B|G) ??
B
Need to flip the tree!
G

B
 Changing the order of conditioning
B
0,1
P(B|G) = P(BG)/P(G) = 0,1/0,5
0,1/0,5 P(B|G) = P(BG)/P(G) = 0,3/0,5
G dst...

0,5 0,4/0,5 B
0,4

B
P(B|G)=0,2 P(B|G)=0,8
0,3/0,5
0,3 P(B|G)=0,6 P(B|G)=0,4
0,5 G

0,2/0,5 B
0,2
 Application of conditional probability
Direct conditioning: Relevance of smoking to lung cancer
Diketahui:
S : Seorang perokok berat didefinisikan sebagai seseorang yang menghabiskan 2 bungkus
rokok setiap hari selama 10 tahun
L : Seseorang yang divonis menderita kanker paru-paru sesuai diagnosis medis
Seorang dokter yg tdk berhubungan langsung dengan pengobatan kanker paru-paru menetapkan
probabilitas sebagai berikut :
S1 : perokok berat
S2 : bukan perokok berat
L1 : penderita kanker paru-paru
L2 : bukan penderita kanker paru-paru
 Example 1 : Relevance of smoking to lung cancer

Dokter spesialis kanker paru-paru mengatakan: The probability p(L1|S1) = 0.1 is too low
Ketika ditanyakan mengapa, dia menyatakan:
Because in all these years as a lung cancer specialist, whenever I visited my lung cancer ward,
it is always full of smokers.
Apa yang salah dengan pernyataan di atas?
The answer can be found by flipping the tree:
 Example 1 : Relevance of smoking to lung cancer

Yg dimaksud oleh dokter spesialis paru-paru tsb high probabilitas

seseorang merupakan perokok berat jika diketahui informasi sebelumnya dia
adalah penderita kanker paru-paru P(S1|L1) = 0.769
Bukan probabilitas seseorang merupakan penderita kanker paru-paru jika
diketahui informasi sebelumnya dia seorang perokok berat P(L1|S1)
Karena yg disurvei adalah ruangan penderita kanker paru-paru sehingga
informasi yg lebih dulu diketahui adalah apakah seseorang menderita kanker
paru-paru atau tidak

Penting utk mengurutkan fakta dan query!

 Example 2 : Lets Make a Deal Game Show
Rules:
Consider the TV game show where the contestant is shown on stage three boxes, one of
which contains a valuable prize; the other two are empty
The rules of the game are that the contestant first chooses one of the boxes. Then, the
game show host who knows the location of the prize opens one of the remaining two
boxes, making sure to open an empty one.
the contestant then gets to decide if he wants to stick with his initial selection or switch
to the remaining unopened box.
If the prize is in the box that he finally chooses, he wins the prize
Question:
If at the start of the game the contestant chose box A and the host open box B, should the
contestant keep choosing box A or switch to box C?
 Example 2 : Lets Make a Deal Game Show
Jika peserta membuka box A : Host membuka box B :
B A
1/2 1/6 1/6
1/3
A B
1/2 C
C 2/3
1/3 1/2 1/6 1/3

1/3 B C A
1/3 1/6
1/2 C
1/3 Host buka B
1/3
C B box Posisi
1/3
Posisi Host buka hadiah
hadiah box P(A|B) = (1/6) / (1/2) = 1/3
P(C|B) = (1/3) / (1/2) = 2/3

Keputusan : pindah ke box C

 Example 3: weather forecast

Probabilitas marginal bahwa nanti malam hujan adalah 0,6 dan tidak hujan adalah
0,4
Jika kita menggunakan informasi dari ramalan cuaca, didapatkan data sebagai
berikut :
Actual weather Weather forecast
condition Hujan (akan hujan) Tdk hujan (tdk akan hujan)
Hujan 0,9 0,1
Tdk hujan 0,3 0,7

Jika ramalan cuaca di stasiun TV mengumumkan bahwa nanti malam akan hujan,
berapa probabilitas ramalan tersebut tepat (benar-benar terjadi hujan)?
Dengan kata lain, berapa probabilitas terjadinya hujan jika ramalan cuaca
mengatakan hujan?
 Example 3: weather forecast P(hujan|hujan)=
0,54/0,66 = 0,8

hujan
0,54
0,9 hujan
hujan 0,54
P(hujan|hujan) ? ?
hujan
0,6 0,1 tidak 0,06 Diketahui prediksi
0,66 tidak
ditanya fakta? 0,12
hujan
0,12
0,4 0,3 hujan
tidak 0,06
0,34
0,7 tidak 0,28 Flip the tree! tidak
Fakta
tidak 0,28
Prediksi Prediksi
Fakta
 Example 4

Di suatu kota hanya beroperasi 2 macam taksi, taksi biru dan taksi hijau. 90% taksi yang
beroperasi dalam kota tersebut adalah taksi biru, sedangkan sisanya taksi hijau.
Suatu malam terjadi kejadian tabrak lari yang dilakukan oleh sebuah taksi dan menyebabkan
korban meninggal.
Hanya ada satu orang saksi yg melihat kejadian tsb. Namun, kemampuan saksi tersebut
untuk membedakan warna taksi dalam kegelapan dipertanyakan, sehingga saksi tsb dites
dengan menggunakan kondisi yg sama pada saat kejadian kecelakaan.
Jika dia melihat taksi hijau, dia akan mengatakan hijau sebanyak 80% dan biru sebanyak
20%. Jika dia melihat taksi biru, dia akan mengatakan biru sebanyak 80% dan hijau 20%.
Hakim kasus tsb percaya bahwa tes yang dilakukan dapat menggambarkan kemampuan
saksi pada saat kejadian kecelakaan.
Jika saksi mengatakan, taksi yang terlibat dalam kejadian kecelakaan adalah taksi hijau,
berapa probabilitas hakim pengadilan percaya bahwa taksi yang terlibat adalah benar-benar
taksi hijau?
 Example 4 P(hijau|hijau)=
0,08/0,26 = 0,3

hijau
0,08 hijau
hijau
0,8 P(hijau|hijau) ? ?
0,08
hijau
0,1 0,2 biru 0,02
Diketahui saksi
ditanya fakta? 0,26 biru 0,18

hijau"
0,2 0,18
hijau
0,9 0,02
biru 0,74
Flip the tree! biru
Fakta 0,8 biru 0,72
biru 0,72
Saksi Saksi

Fakta
Thank You