Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

NIPRL 1.4 Probabilitas Bersyarat 1.4.1 Definisi Probabilitas Bersyarat(1/2) Probabilitas Bersyarat Probabilitas bersyarat kejadian A pada kejadian B adalah.

Presentasi serupa


Presentasi berjudul: "NIPRL 1.4 Probabilitas Bersyarat 1.4.1 Definisi Probabilitas Bersyarat(1/2) Probabilitas Bersyarat Probabilitas bersyarat kejadian A pada kejadian B adalah."— Transcript presentasi:

1 NIPRL 1.4 Probabilitas Bersyarat Definisi Probabilitas Bersyarat(1/2) Probabilitas Bersyarat Probabilitas bersyarat kejadian A pada kejadian B adalah untuk P(B)>0. Fungsi tersebut mengukur kejadian A terjadi bila mengethaui bahwa B terjadi

2 NIPRL Definisi Probabilitas Bersyarat(2/2)

3 NIPRL Contoh Probabilitas Bersyarat(1/3) Contoh: Power Plant Operation A = { pembangkit X tidak beroperasi } dan P(A) = 0.32 Misalkan diketahui bahwa setidaknya dua dari tiga pabrik yang menghasilkan listrik ( event B ). B = {setidaknya dua dari tiga pembangkit menghasilkan listrik } P(A) = 0.32 => P(A|B) = 0.257

4 NIPRL Contoh Probabilitas Bersyarat(2/3) - Dadu dilempar. - Dadu merah dan biru dilempar. A = { Angka 6 dadu merah } B = { paling tidak angka 6 diperoleh pada dua dadu}

5 NIPRL Contoh C = { tepat hanya satu angka 6 }

6 NIPRL 1.5 Probabilitas dari kejadian yang beririsan Hukum perkalian Probabilitas Kejadian yang saling berkaitan Probabilitas dari kejadian yang saling berkaitan dapat dihitung dari

7 1.5.2 Kejadian Saling bebas Kejadian saling bebas Dua kejadian A dan B Saling bebas jika

8 NIPRL Interpretasi dua kejadian saling bebas adalah bahwa kejadian satu tidak berpengaruh terhadpa probabilitas kejadian yang lain Keterkaitan (irisan) dari kejadian saling bebas Probabilitas dari kejadian saling bebas dinyatakan dengan

9 1.5.3 Examples and Probability Trees(1/3) Contoh : Garansi Mobil Perusahaan menjual type mobil tertentu, yang dirakit di salah satu dari 4 tempat perakitan. Tempatt I 20%; Tempat II, 24%; Tempat III, 25%; Tempat IV, 31%. Pembeli membeli mobil tidak tahu dimana mobil dirakit, sehingga probabilitas dari mobil yang dibeli dari setiap tempat empat dinyatakan dengan probabilitas 0.20, 0.24, 0.25, dan Setiap mobil diberi garansi dengan : P( claim | plant I ) = 0.05, P( claim | plant II ) = 0.11 P( claim | plant III ) = 0.03, P( claim | plant IV ) = 0.08 Contoh : mobil dirakit ditempat I memiliki probabilitas 0.05 menerima garansinya. Perhatikan bahwa claim jelas tidak terlepas dari lokasi perakitan karena keempat probabilitas kondisional tidak sama.

10 NIPRL Examples and Probability Trees(2/3) P( claim ) = P( plant I, claim ) + P( plant II, claim ) + P( plant III, claim) + P( plant IV, claim ) =

11 NIPRL Examples and Probability Trees(3/3) GAMES OF CHANCE - Dadu merah dan biru dilempar A = { dadu merah muncul angka genap} B = { dadu biru muncul angka genap }

12 NIPRL 1.6 Posterior Probabilitas Hukum Jumlah Probabilitas(1/3)

13 NIPRL Hukum Jumlah Probabilitas Jika adalah bagian dari ruang sampel, maka probabilitas dari kejadian B dapat diperoleh dari probabilitias dan menggunakan formula

14 NIPRL Menghitung Posterior Probabilitas Bayes’ Theorem If adalah bagian-bagian dari ruang sampel, maka posterior probabilities dari kejadian bersyarat A i pada kejadian B dapat diperoleh dari B dapat diperoleh dari dan dengan

15 NIPRL Examples of Posterior Probabilities(1/2) Contoh : Garansi Mobil - Prior probabilitas -Jika klaim dibuat pada garansi mobil didasarkan pada tempat? Cara menghitungnya….

16 NIPRL Examples of Posterior Probabilities(2/2) - Tidak ada klaim yang dibuat pada garansinya

17 June 8, 2015 Data Mining: Concepts and Techniq ues17 Aplikasi Theorema Bayesian Perhatikan D adalah record training dan ditetapkan label- label kelasnya dan masing-masing record dinyatakan n atribut ( n field ) X = (x 1, x 2, …, x n ) Misalkan terdapat m kelas C 1, C 2, …, C m. Klassifikasi adalah diperoleh maximum posteriori yaitu maximum P(C i |X) Ini dapat diperoleh dari teorema Bayes Karena P(X) adalah konstan untuk semua kelas, hanya Perlu dimaksimumkan

18 18 Derivation of Naïve Bayes Classifier Diasumsikan: atribut dalam kondisi saling bebas (independent) yaitu tidak ada kebergantungan antara atribut-atribut : A k adalah categorical, P(x k |C i ) adalah jumlah record dalam kelas C i yang memiliki nilai x k untuk A k dibagi dengan |C i, D | jumlah record dalam C i dalam D)

19 19 Naïve Bayesian Classifier: Training Dataset Class: C1:buys_computer = ‘yes’ C2:buys_computer = ‘no’ Data sample X = (age <=30, Income = medium, Student = yes Credit_rating = Fair) D= 14

20 June 8, 2015 Data Mining: Concepts and Techniq ues20 Naïve Bayesian Classifier: An Example P(C i ): P(buys_computer = “yes”) = 9/14 = P(buys_computer = “no”) = 5/14= Compute P(X|C i ) for each class P(age = “<=30” | buys_computer = “yes”) = 2/9 = P(age = “<= 30” | buys_computer = “no”) = 3/5 = 0.6 P(income = “medium” | buys_computer = “yes”) = 4/9 = P(income = “medium” | buys_computer = “no”) = 2/5 = 0.4 P(student = “yes” | buys_computer = “yes) = 6/9 = P(student = “yes” | buys_computer = “no”) = 1/5 = 0.2 P(credit_rating = “fair” | buys_computer = “yes”) = 6/9 = P(credit_rating = “fair” | buys_computer = “no”) = 2/5 = 0.4 X = (age <= 30, income = medium, student = yes, credit_rating = fair) P(X|C i ) : P(X|buys_computer = “yes”) = x x x = P(X|buys_computer = “no”) = 0.6 x 0.4 x 0.2 x 0.4 = P(X|C i )*P(C i ) : P(X|buys_computer = “yes”) * P(buys_computer = “yes”) =0,044*0.643 = P(X|buys_computer = “no”) * P(buys_computer = “no”) = Sehingga, X belongs to class (“buys_computer = yes”)


Download ppt "NIPRL 1.4 Probabilitas Bersyarat 1.4.1 Definisi Probabilitas Bersyarat(1/2) Probabilitas Bersyarat Probabilitas bersyarat kejadian A pada kejadian B adalah."

Presentasi serupa


Iklan oleh Google