Traffine I/O

Bahasa Indonesia

2022-12-23

Distribusi probabilitas bersyarat

Apa itu distribusi probabilitas bersyarat

Distribusi probabilitas bersyarat adalah distribusi probabilitas YY yang mengasumsikan bahwa ada variabel acak XX dan YY dan bahwa XX adalah nilai tertentu. Dengan kata lain, ini adalah distribusi probabilitas di mana peristiwa YY terjadi dengan asumsi bahwa peristiwa XX telah terjadi. Misalnya, jika Anda melempar dadu dua kali dan mendapatkan angka 6 pada lemparan pertama, probabilitas bersyaratnya adalah probabilitas bahwa jumlah lemparan akan menjadi 9.

Distribusi probabilitas bersyarat direpresentasikan sebagai P(YX)P(Y\mid X) atau PX(Y)P_X(Y).

Distribusi probabilitas diskrit bersyarat

Untuk variabel acak diskrit, distribusi probabilitas bersyarat didefinisikan oleh persamaan berikut:

P(YX)=P(XY)P(X) {\displaystyle P(Y\mid X)={\frac {P(X \cap Y)}{P(X)}}}

P(X,Y)P(X,Y) adalah distribusi probabilitas bersama dari XX dan YY dan P(X)P(X) adalah distribusi probabilitas marginal.

Sebagai contoh, misalkan sepasang suami-istri memiliki dua orang anak dan setidaknya salah satu dari mereka diketahui berjenis kelamin perempuan. Dalam kasus ini, probabilitas bahwa kedua anak tersebut adalah perempuan ditentukan.

Probabilitas bahwa setidaknya salah satu dari mereka adalah perempuan adalah 34\frac{3}{4}.

P(X)=34 P(X) = \frac{3}{4}

Probabilitas bahwa mereka berdua adalah perempuan adalah 14\frac{1}{4}.

P(XY)=14 P(X \cap Y) = \frac{1}{4}

Dengan demikian, probabilitas bahwa mereka berdua adalah perempuan adalah 13\frac{1}{3}.

P(YX)=P(XY)P(X)=1434=13 P(Y\mid X)={\frac {P(X \cap Y)}{P(X)}} = \frac{\frac{1}{4}}{\frac{3}{4}} = \frac{1}{3}

Distribusi probabilitas kontinu bersyarat

Untuk variabel acak kontinu, distribusi probabilitas bersyarat didefinisikan oleh persamaan berikut:

f(yx)=f(x,y)f(x),f(x)>0 {\displaystyle f(y\mid x)={\frac {f(x,y)}{f(x)}}}, \quad f(x)>0

f(x,y)f(x,y) adalah distribusi probabilitas bersama dari XX dan YY, dan f(x)f(x) adalah distribusi probabilitas marjinal.

Ryusei Kakujo

researchgatelinkedingithub

Weave the future of cities through data

Transportation modeling/ Urban planning/ Machine learning/ Computer science/ GIS