Asas Kebarangkalian Bersyarat
Kebarangkalian merupakan cara formal untuk mengukur sejauh mana sesuatu peristiwa itu mungkin berlaku. Dalam banyak situasi dunia sebenar, kebarangkalian sesuatu peristiwa tidak berdiri sendiri tetapi dipengaruhi oleh maklumat lain yang telah kita ketahui. Di sinilah konsep kebarangkalian bersyarat menjadi penting. Kebarangkalian bersyarat membantu kita mengemas kini kepercayaan kita tentang peristiwa tertentu selepas memperoleh maklumat tambahan. Artikel ini membincangkan definisinya, formula asas, contoh dan hubungannya dengan peraturan hasil darab dan Teorem Bayes.
1. Memahami Kebarangkalian Bersyarat
Secara intuitif, kebarangkalian bersyarat ialah peluang peristiwa A berlaku memandangkan peristiwa B telah berlaku. Ia ditulis sebagai:
\[
P(A \mid B)
\]
baca “kebarangkalian A diberi B”.
Contohnya, kita ingin mengetahui kebarangkalian seseorang membawa payung (A) memandangkan hari ini hujan (B). Jelas sekali, kebarangkalian membawa payung adalah lebih besar jika kita tahu hari ini hujan. Maklumat "hari ini hujan" mengubah ruang pertimbangan kita—kita tidak lagi mempertimbangkan semua keadaan cuaca, tetapi hanya keadaan ketika hujan.
2. Formula Kebarangkalian Bersyarat
Takrifan matematik bagi kebarangkalian bersyarat ialah:
\[
P(A \mid B) = \frac{P(A \cap B)}{P(B)}
\]
dengan syarat bahawa \(P(B) > 0\).
Maklumat:
– \(P(A \mid B)\): kebarangkalian A berlaku memandangkan B berlaku.
– \(P(A \cap B)\): kebarangkalian A dan B berlaku serentak (persilangan A dan B).
– \(P(B)\): kebarangkalian B berlaku.
Maksud formula ini: kita hadkan perhatian kita kepada peristiwa B, kemudian kira berapa besar bahagian B yang turut merangkumi A.
3. Contoh Mudah: Kad Permainan
Ambil satu kad daripada satu set kad permainan standard (52 kad). Contohnya:
– A: Kad yang dikeluarkan ialah Ace
– B: kad yang dikeluarkan ialah Spades
Kita ingin mengira \(P(A \mid B)\), iaitu kebarangkalian mendapat Ace memandangkan kad itu ialah sekop.
Langkah:
– Dalam sekop terdapat 13 kad, jadi \(P(B) = 13/52\).
– Hirisan A dan B ialah “Ace of spades” yang menghasilkan 1 kad, jadi \(P(A \cap B) = 1/52\).
Jadi:
\[
P(A \mid B) = \frac{1/52}{13/52} = \frac{1}{13}
\]
Ini bermakna jika kita sudah tahu kad itu ialah sekop, kebarangkalian kad itu ialah Ace ialah 1 dalam 13.
4. Memahami Persilangan (A ∩ B) dan Peranan Maklumat
Satu kesilapan biasa semasa mengkaji kebarangkalian adalah mengelirukan \(P(A)\) dengan \(P(A|B)\). Dalam contoh kad:
– \(P(A) = 4/52 = 1/13\) (kebarangkalian Ace tanpa maklumat tambahan)
– \(P(A|B) = 1/13\) (kebetulan sama dalam kes ini)
Walau bagaimanapun, dalam banyak kes, kedua-dua nilai tersebut berbeza. Maklumat tambahan boleh:
– meningkatkan peluang (cth. peluang untuk lulus peperiksaan jika seseorang tahu seseorang sedang belajar),
– mengurangkan peluang (kemungkinan jalan raya yang lancar jika anda tahu sudah tiba masanya untuk pulang dari kerja),
– atau tidak mengubah kebarangkalian jika peristiwa tersebut adalah bebas.
5. Peristiwa Bebas Saling (Kemerdekaan)
Dua peristiwa A dan B dikatakan tidak bersandar jika peristiwa B tidak mempengaruhi kebarangkalian A, dan sebaliknya. Secara formal:
\[
P(A \mid B) = P(A)
\]
atau setaraf dengan:
\[
P(A \ bab B) = P(A)P(B)
\]
Contoh: melambung syiling dan menggolekkan dadu. Hasil syiling (nombor/muka) tidak dipengaruhi oleh hasil dadu (1–6), jadi kedua-duanya adalah bebas. Jika A ialah “syiling menunjukkan nombor” dan B ialah “dadu menunjukkan 6”, maka:
\[
P(A) = 1/2,\quad P(B)=1/6,\quad P(A \cap B)=1/12
\]
dan memang benar bahawa \(1/12 = (1/2)(1/6)\).
6. Peraturan Pendaraban
Daripada takrif kebarangkalian bersyarat, kita boleh memperoleh peraturan pendaraban:
\[
P(A \cap B) = P(A \mid B)P(B)
\]
atau juga:
\[
P(A \ bab B) = P(B \ mid A)P(A)
\]
Peraturan ini sangat berguna apabila kita ingin mengira kebarangkalian dua peristiwa berlaku secara serentak, tetapi lebih mudah untuk menilai kebarangkalian salah satunya setelah mengetahui yang lain.
Contoh: Katakan kebarangkalian seseorang lulus temu duga (B) ialah 0,4. Kebarangkalian diterima untuk pekerjaan (A) jika mereka lulus temu duga ialah 0,6. Maka kebarangkalian "lulus temu duga dan diterima untuk pekerjaan" ialah:
\[
P(A \cap B) = P(A \mid B)P(B) = 0{,}6 \times 0{,}4 = 0{,}24
\]
7. Teorem Bayes: Membalikkan Syarat
Selalunya kita tahu \(P(A|B)\), tetapi apa yang kita perlukan sebenarnya ialah \(P(B|A)\). Teorem Bayes menyediakan cara untuk "membalikkan" kebarangkalian bersyarat:
\[
P(B \mid A) = \frac{P(A \mid B)P(B)}{P(A)}
\]
Teorem ini sangat terkenal dalam bidang diagnosis perubatan, pembelajaran mesin, pengesanan spam dan pembuatan keputusan berasaskan data.
Contoh Ringkas (Kesihatan)
Contohnya:
– B: seseorang itu benar-benar sakit (prevalens) \(P(B)=0{,}01\)
– A: keputusan ujian positif
– Kepekaan ujian: \(P(A|B)=0{,}95\)
– Positif palsu: \(P(A|\text{tidak sakit})=0{,}05\)
Soalan: Jika keputusan ujian adalah positif, apakah kebarangkalian orang itu sebenarnya sakit, iaitu \(P(B|A)\)?
Kita perlukan \(P(A)\):
\[
P(A)=P(A|B)P(B) + P(A|\neg B)P(\neg B)
\]
\[
P(A)=0{,}95(0{,}01) + 0{,}05(0{,}99)=0{,}0095+0{,}0495=0{,}059
\]
Jadi:
\[
P(B|A)=\frac{0{,}95 \times 0{,}01}{0{,}059} \approx 0{,}161
\]
Keputusannya adalah sekitar 16,1%. Ini menunjukkan bahawa ujian positif tidak semestinya bermakna seseorang itu benar-benar sakit, terutamanya jika prevalens penyakit ini sangat rendah.
8. Jumlah Kebarangkalian (Hukum Jumlah Kebarangkalian)
Untuk mengira \(P(A)\) dalam situasi yang dibahagikan kepada beberapa keadaan, kita boleh menggunakan hukum kebarangkalian keseluruhan. Jika \(B_1, B_2, …, B_n\) membentuk pembahagian ruang sampel (saling terpisah dan merangkumi semua kemungkinan), maka:
\[
P(A) = \sum_{i=1}^{n} P(A|B_i)P(B_i)
\]
Ia sering digabungkan dengan Teorem Bayes untuk memproses maklumat daripada pelbagai kategori atau sumber.
9. Kesilapan Lazim dalam Kebarangkalian Bersyarat
Beberapa kesilapan biasa:
1. Andaikan \(P(A|B)\) adalah sama dengan \(P(B|A)\). Ini tidak benar secara umum.
2. Mengabaikan kadar asas, contohnya kelaziman penyakit dalam contoh Bayes.
3. Tersalah menentukan ruang sampel selepas syarat diberikan, walaupun syarat B bermaksud kita hanya mengira dalam “kawasan B”.
10. Penutup
Kebarangkalian bersyarat merupakan asas penting dalam statistik dan pemodelan ketidakpastian. Dengan memahami definisi \(P(A|B)=\frac{P(A \cap B)}{P(B)}\), kita boleh menilai kebarangkalian dengan mempertimbangkan maklumat tambahan. Konsep ini berkaitan secara langsung dengan peraturan hasil darab, peristiwa bebas, hukum kebarangkalian keseluruhan dan Teorem Bayes, yang sangat berguna dalam banyak aplikasi dunia sebenar. Lebih banyak anda berlatih dengan contoh konkrit—kad, dadu, tinjauan dan juga kes perubatan—lebih kuat intuisi anda tentang bagaimana kebarangkalian berubah apabila maklumat baharu masuk.
