Probabilitas Kejadian Marginal dan Teorema Bayes.

 

Halo, teman-teman! 👋

Selamat datang lagi di blog saya minggu ini! 🎉 Kali ini, kita akan membahas topik seru di dunia probabilitas, yaitu Probabilitas Kejadian Marginal dan Teorema Bayes. Wah, kedengarannya cukup berat ya? Tapi tenang aja, kita bakal bahas dengan gaya santai dan mudah dipahami, seperti ngobrol bareng teman sendiri. Yuk, langsung kita mulai!

 

Apa Itu Probabilitas Kejadian Marginal? 🤔

Sebelum kita masuk ke Teorema Bayes, yuk kita pahami dulu apa itu probabilitas kejadian marginal.

Probabilitas marginal adalah peluang terjadinya suatu kejadian tanpa memperhatikan kejadian lain. Dengan kata lain, ini adalah probabilitas dari satu kejadian yang dihitung dari data total, terlepas dari apakah ada kejadian lain yang berhubungan.

Contohnya gini: Bayangkan kamu punya data mahasiswa di sebuah kampus, dan kamu ingin tahu berapa peluang seseorang adalah mahasiswa Teknik Industri, tanpa peduli apakah dia laki-laki atau perempuan. Nah, peluang ini disebut probabilitas marginal!

Misalnya:

• Jumlah seluruh mahasiswa: 200 orang

• Mahasiswa Teknik Industri: 80 orang

Maka:

P(Mahasiswa TI) = 80 / 200 = 0,4 atau 40%

Gampang banget, kan?

 

Nah, Sekarang Kita Kenalan Sama Teorema Bayes! 

Teorema Bayes ini keren banget karena bisa bantu kita membalik kondisi. Maksudnya gimana?

Kalau biasanya kita tahu sebab lalu menebak akibat, lewat Teorema Bayes kita bisa balik: dari akibat, kita menebak sebabnya. Cocok banget dipakai di dunia medis, prediksi cuaca, sampai deteksi spam!

Rumus Teorema Bayes:

P(A|B) = [P(B|A) × P(A)] / P(B)

Waduh, rumus lagi?! Tenang… kita bahas pelan-pelan ya!

• P(A|B): Probabilitas A terjadi jika B terjadi

• P(B|A): Probabilitas B terjadi jika A terjadi

• P(A): Probabilitas awal dari A (sebelum tahu B)

• P(B): Probabilitas awal dari B

   

Contoh Sederhana Teorema Bayes 

Misalnya, dalam suatu tes medis:

• 1% populasi punya penyakit X → P(P) = 0.01

• Jika seseorang punya penyakit, 99% tesnya positif → P(Positif|P) = 0.99

• Tapi, 5% orang sehat juga bisa positif palsu → P(Positif|¬P) = 0.05

Nah, kamu tes dan hasilnya positif. Berarti berapa peluang kamu benar-benar punya penyakit itu?

Gunakan Teorema Bayes:

P(P|Positif) = [P(Positif|P) × P(P)] / [P(Positif|P) × P(P) + P(Positif|¬P) × P(¬P)]
= [0.99 × 0.01] / [0.99 × 0.01 + 0.05 × 0.99]
= 0.0099 / (0.0099 + 0.0495)
≈ 0.0099 / 0.0594
≈ 0.1667 atau 16,67%

Ternyata meskipun tesnya positif, peluang kamu benar-benar sakit cuma 16,67%! 😱
Inilah kekuatan Teorema Bayes—bisa kasih perspektif yang lebih akurat dari sekadar hasil tes.

 

Gabungan Probabilitas Marginal dan Teorema Bayes dalam Kehidupan 🌍

Dalam kehidupan sehari-hari, kita sering banget tanpa sadar menggunakan konsep ini.

Misalnya:

• Kamu lagi cari tempat makan, dan kamu tahu secara umum (probabilitas marginal) 30% restoran di kota kamu punya rating tinggi.

• Tapi kamu juga tahu, kalau restoran itu ramai, kemungkinan besar rating-nya tinggi.

Nah, kalau kamu lihat restoran yang lagi ramai, kamu bisa pakai Teorema Bayes buat memperkirakan: “Kalau restoran itu ramai, seberapa besar kemungkinan rating-nya bagus?”

 

Kesimpulan 🎯

Oke teman-teman, minggu ini kita sudah bahas dua konsep penting:

1. Probabilitas Marginal → Peluang suatu kejadian tanpa melihat kejadian lainnya.

2. Teorema Bayes → Cara memperbarui peluang sebuah kejadian berdasarkan informasi baru.

Keduanya punya peran penting banget dalam statistik dan kehidupan nyata, apalagi kalau kita berurusan dengan pengambilan keputusan yang kompleks. Jadi, jangan takut sama rumus! Dengan latihan dan contoh nyata, probabilitas bisa jadi sahabatmu 😄

Terima kasih udah baca sampai selesai! Kalau kalian punya pertanyaan atau pengen sharing soal pengalaman kalian dengan probabilitas, tulis aja di kolom komentar. Sampai jumpa minggu depan ya! 👋