Professional Documents
Culture Documents
Probabilistic Thinking
Probabilistic Thinking
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
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
( (|
= =
( (
Probabilitas Marginal (Marginal/Prior 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. : 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
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
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
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
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