條件機率基礎
Probabilitas adalah cara formal untuk mengukur seberapa besar kemungkinan suatu peristiwa terjadi. Dalam banyak situasi nyata, peluang suatu peristiwa tidak berdiri sendiri, melainkan dipengaruhi oleh informasi lain yang sudah kita ketahui. Di sinilah konsep probabilitas kondisional menjadi penting. Probabilitas kondisional membantu kita memperbarui keyakinan tentang kejadian tertentu setelah memperoleh informasi tambahan. Artikel ini membahas pengertian, rumus dasar, contoh, serta kaitannya dengan aturan perkalian dan Teorema Bayes.
1. 理解條件機率
Secara intuitif, probabilitas kondisional adalah peluang terjadinya peristiwa A dengan syarat peristiwa B telah terjadi. Notasinya ditulis sebagai:
\[
P(A \mid B)
\]
閱讀「在給定 B 的情況下 A 發生的機率」。
Misalnya, kita ingin mengetahui peluang seseorang membawa payung (A) dengan syarat hari ini hujan (B). Jelas peluang membawa payung akan lebih besar jika kita tahu hujan sedang terjadi. Informasi “hujan” mengubah ruang pertimbangan kita—kita tidak lagi melihat semua kondisi cuaca, tetapi hanya kondisi saat hujan.
2. 條件機率公式
條件機率的數學定義是：
\[
P(A \mid B) = \frac{P(A \cap B)}{P(B)}
\]
前提是 \(P(B) > 0\)。
信息：
– \(P(A \mid B)\): 在 B 發生的情況下 A 發生的機率。
– \(P(A \cap B)\): A 和 B 同時發生的機率（A 和 B 的交集）。
– \(P(B)\): B 發生的機率。
公式的含義是：我們只關注事件 B，然後計算 B 中包含 A 的部分有多大。
3. 簡單範例：撲克牌
從一副標準撲克牌（52張）中抽出一張牌。例如：
– A: kartu yang terambil adalah As
– B: kartu yang terambil adalah Sekop
我們想要計算 \(P(A \mid B)\)，也就是在已知牌是黑桃的情況下抽到 A 的機率。
蘭卡：
– 黑桃有 13 張牌，所以 \(P(B) = 13/52\)。
– 切片 A 和 B 都是“黑桃 A”，總共有 1 張牌，所以 \(P(A \cap B) = 1/52\)。
所以：
\[
P(A \mid B) = \frac{1/52}{13/52} = \frac{1}{13}
\]
這意味著，如果我們已經知道這張牌是黑桃，那麼這張牌是 A 的機率是 1/13。
4. 瞭解交集（A ∩ B）及訊息的作用
學習機率時常見的錯誤是將 P(A) 與 P(A|B) 混淆。在卡片範例中：
– \(P(A) = 4/52 = 1/13\)（在沒有額外資訊的情況下，出現 A 的機率）
– \(P(A|B) = 1/13\)（巧合的是，本例也相同）
然而，在很多情況下，這兩個值並不相同。其他資訊可能包括：
– 增加機會（例如，如果知道某人正在學習，則通過考試的機會就會增加），
– 減少機會（如果你知道該下班回家了，那麼遇到順暢道路的機會就減少了），
——或者，如果事件是獨立的，則不會改變機率。
5. 相互獨立的事件（獨立性）
Dua peristiwa A dan B disebut saling bebas jika kejadian B tidak mempengaruhi peluang A, dan sebaliknya. Secara formal:
\[
P(A \mid B) = P(A)
\]
或等效於：
\[
P(A ∩ B) = P(A)P(B)
\]
例如：拋硬幣和擲骰子。硬幣的結果（數字/圖案）不受骰子的結果（1-6）的影響，因此兩者是獨立的。如果 A 是“硬幣顯示的數字”，B 是“骰子顯示 6”，那麼：
\[
P(A) = 1/2, P(B) = 1/6, P(A ∩ B) = 1/12
\]
\(1/12 = (1/2)(1/6)\)。
6. 乘法法則
Dari definisi probabilitas kondisional, kita dapat menurunkan aturan perkalian :
\[
P(A ∩ B) = P(A ∩ B)P(B)
\]
或者也可以這樣說：
\[
P(A ∩ B) = P(B ∪ A)P(A)
\]
當我們想要計算兩個事件同時發生的機率時，這條規則非常有用，但是如果先知道其中一個事件的機率，再評估另一個事件的機率就容易多了。
例如：假設某人通過面試的機率 (B) 為 0,4。如果他通過了面試，被錄用的機率 (A) 為 0,6。那麼「通過面試且被錄用的機率」為：
\[
P(A ∩ B) = P(A ∩ B)P(B) = 0.6 × 0.4 = 0.24
\]
7. 貝葉斯定理：反轉條件
Sering kali kita mengetahui \(P(A|B)\), tetapi yang kita butuhkan adalah \(P(B|A)\). Teorema Bayes menyediakan cara untuk “membalik” probabilitas kondisional:
\[
P(B \mid A) = \frac{P(A \mid B)P(B)}{P(A)}
\]
該定理在醫學診斷、機器學習、垃圾郵件檢測和資料驅動決策等領域廣為人知。
簡短範例（健康）
例如：
– B：某人病得很重（盛行率）\(P(B)=0{,}01\)
– A：檢測結果呈陽性
– 測試靈敏度：\(P(A|B)=0{,}95\)
– 假陽性：\(P(A|\text{未患病})=0{,}05\)
問題：如果檢測結果為陽性，那麼這個人實際患病的機率是多少，即\(P(B|A)\)？
我們需要 \(P(A)\):
\[
P(A)=P(A|B)P(B) + P(A|\neg B)P(\neg B)
\]
\[
P(A)=0{,}95(0{,}01) + 0{,}05(0{,}99)=0{,}0095+0{,}0495=0{,}059
\]
所以：
\[
P(B|A)=\frac{0,95 \times 0,01}{0,059} \approx 0,161
\]
結果約為16,1%。這表明，檢測結果呈陽性並不一定意味著某人一定生病了，尤其是在疾病的盛行率非常低的情況下。
8. 全機率公式（全機率定律）
Untuk menghitung \(P(A)\) dalam situasi yang terbagi ke beberapa kondisi, kita dapat memakai hukum probabilitas total . Jika \(B_1, B_2, …, B_n\) membentuk partisi ruang sampel (saling lepas dan mencakup semua kemungkinan), maka:
\[
P(A) = \sum_{i=1}^{n} P(A|B_i)P(B_i)
\]
它通常與貝葉斯定理結合使用，以處理來自多個類別或來源的資訊。
9. 條件機率中的常見錯誤
一些常見的錯誤：
1. Menganggap \(P(A|B)\) sama dengan \(P(B|A)\) . Ini tidak benar secara umum.
2. Mengabaikan peluang dasar (base rate) , misalnya prevalensi penyakit pada contoh Bayes.
3. Keliru menentukan ruang sampel setelah kondisi diberikan , padahal syarat B berarti kita hanya menghitung di dalam “wilayah B”.
10. 結論
Probabilitas kondisional adalah fondasi penting dalam statistik dan pemodelan ketidakpastian. Dengan memahami definisi \(P(A|B)=\frac{P(A \cap B)}{P(B)}\), kita dapat menilai peluang dengan mempertimbangkan informasi tambahan. Konsep ini terhubung langsung dengan aturan perkalian, kejadian saling bebas, hukum probabilitas total, dan Teorema Bayes yang sangat berguna dalam berbagai aplikasi nyata. Semakin sering Anda berlatih dengan contoh konkret—kartu, dadu, survei, hingga kasus medis—semakin kuat pula intuisi Anda tentang bagaimana peluang berubah saat informasi baru masuk.
