Kalkulator Kebarangkalian
Kira kebarangkalian kejadian. Masukkan hasil yang menguntungkan dan jumlah hasil untuk mencari kebarangkalian, peluang, dan peratusan. Keputusan langkah demi langkah segera.
<bahagian kandungan
Apakah Probabiliti?
Probabiliti ialah ukuran matematik kebarangkalian suatu kejadian berlaku. Ia dinyatakan dalam nombor antara 0 dan 1, di mana 0 bermaksud kejadian itu mustahil dan 1 bermaksud kejadian itu pasti. Formula asasnya ialah: P(kejadian) = nombor kebarangkalian kejadian yang menguntungkan ÷ nombor kebarangkalian kejadian yang mungkin.
Contohnya, apabila melontar dadu enam sisi, kebarangkalian melontar 4 ialah 1/6 ≈ 0.1667 (sekitar 16.67%). Terdapat 1 kejadian yang menguntungkan (melontar 4) daripada 6 kemungkinan yang sama. Probabiliti boleh dinyatakan dalam pecahan (1/6), desimal (0.1667), atau peratus (16.67%) — semua tiga bentuk itu menyampaikan maklumat yang sama.
Kajian probabiliti bermula pada abad ke-17 apabila ahli matematik Blaise Pascal dan Pierre de Fermat menukar surat tentang masalah-masalah judi. Karya mereka telah meletakkan asas untuk teori probabiliti, yang hari ini menopang statistik, kewangan, fizik, kecerdasan buatan, dan hampir setiap bidang yang melibatkan ketidakpastian.
Cara Mengira Probabiliti: Langkah demi Langkah
Ikuti langkah-langkah berikut untuk mengira kebarangkalian mana-mana kejadian:
- Definisi ruang contoh: Senaraikan semua kejadian yang mungkin. Untuk melompat koin: {Kepala, Ekor} — 2 kejadian keseluruhan.
- Identifikasi kejadian yang menguntungkan: Hitung kejadian yang sesuai dengan kejadian yang anda minati. Untuk "mendapatkan kepalak": 1 kejadian yang menguntungkan.
- Gunakan formula: P = menguntungkan ÷ keseluruhan = 1 ÷ 2 = 0.5 = 50%.
- Periksa: Probabiliti mesti antara 0 dan 1. Jika anda mendapat nombor negatif atau nilai di atas 1, semak semula hitungannya.
Untuk skenario yang lebih kompleks, anda mungkin perlu menggunakan aturan penjumlahan atau perkalian. Aturan penjumlahan menghadapi skenario "atau": P(A atau B) = P(A) + P(B) − P(A dan B). Aturan perkalian menghadapi skenario "dan": P(A dan B) = P(A) × P(B) jika A dan B adalah bebas.
Memahami ODDS vs. Probabiliti
Probabiliti membandingkan kejadian yang menguntungkan dengan semua kejadian. Odds membandingkan kejadian yang menguntungkan dengan kejadian yang tidak menguntungkan. Ini adalah ukuran yang berbeza, dan mengelirukan mereka adalah salah faham yang biasa.
Jika kebarangkalian menang permainan ialah 1/4 (25%), maka: odds dalam keuntungan = 1:3 (satu kemenangan untuk setiap tiga kekalahan), dan odds melawan = 3:1 (tiga kekalahan untuk setiap satu kemenangan). Untuk mengubah odds ke probabiliti: jika odds dalam keuntungan adalah a:b, maka P = a/(a+b). Jika odds 3:1 dalam keuntungan, P = 3/(3+1) = 0.75 = 75%.
Perjudian sukan menggunakan format odds seperti pecahan (3/1), desimal (4.0), atau Amerika (+300). Dalam format desimal, kebarangkalian yang disarankan oleh odds 4.0 ialah 1/4.0 = 25%. Pemasar membina margin ("vig" atau "juice") supaya kebarangkalian semua kejadian jumlahkan lebih daripada 100% — ini adalah bagaimana mereka untung tanpa kira hasilnya.
Tiga Interpretasi Probabiliti
Terdapat tiga interpretasi utama probabiliti, setiap satu berguna dalam konteks yang berbeza:
Probabiliti Klasik (Teori): Berdasarkan logik matematik dan simetri. Menganggap semua hasil sama kemungkinannya. Contoh: lemparan koin, lemparan dadu, dan undian kad. Probabiliti lemparan enam ialah tepat 1/6 berdasarkan simetri dadu yang adil — kita tidak perlu lemparkan ribuan kali untuk mengetahui ini.
Probabiliti Frekuensi (Eksperimen): Berdasarkan data yang diamati dari eksperimen yang diulang. Jika kita lemparkan koin 1,000 kali dan mendapat 512 kepal, probabiliti eksperimen kepal ialah 512/1000 = 51.2%. Menurut Undang-Undang Besar Bilangan, probabiliti eksperimen akan konsisten dengan probabiliti teori apabila bilangan ujian meningkat.
Probabiliti Bayes (Subjektif): Mewakili tahap kepercayaan, yang diperbarui apabila bukti baru tiba. Seorang penerbit cuaca yang berkata terdapat 70% kemungkinan hujan adalah mewakili probabiliti subjektif berdasarkan model atmosfer. Probabiliti Bayes digunakan secara meluas dalam pembelajaran mesin, diagnosis perubatan, dan inferens sains.
Probabiliti Gabungan dan Kondisional
Peristiwa Bebas: Dua peristiwa adalah bebas jika kejadian satu tidak mempengaruhi probabiliti peristiwa yang lain. Lemparan koin dua kali: lemparan kedua tidak dipengaruhi oleh lemparan pertama. P(kepal pada kedua-dua) = P(kepal) × P(kepal) = 0.5 × 0.5 = 0.25 = 25%.
Peristiwa Tergantung: Mengundi kad tanpa penggantian. P(kad pertama adalah as) = 4/52. Diberi kad pertama adalah as, P(kad kedua juga as) = 3/51 (kurang as dan kurang kad). P(dua as) = (4/52) × (3/51) = 12/2652 ≈ 0.45%.
Probabiliti Kondisional: P(A|B) — probabiliti A diberi B telah berlaku — dihitung sebagai P(A dan B) / P(B). Contoh: dalam kelas 30 pelajar di mana 12 adalah atlet dan 8 adalah atlet dan pelajar berprestasi: P(pelajar berprestasi | atlet) = (8/30) / (12/30) = 8/12 ≈ 0.667 = 66.7%.
Teorem Bayes: P(A|B) = P(B|A) × P(A) / P(B). Formula ini kuat membenarkan pembaharuan probabiliti hipotesis apabila bukti baru tiba. Ia digunakan dalam ujian perubatan, penyaringan spam, dan banyak algoritma pembelajaran mesin.
Taburan Probabiliti
Apabila kita ukur fenomena rawak berulang-ulang, hasilnya membentuk taburan probabiliti — deskripsi hasil yang berlaku dan berapa kerapnya. Taburan utama termasuk:
| Taburan | Penggunaan | Parameter Utama |
|---|---|---|
| Uniform | Probabiliti sama untuk semua hasil (lemparan dadu) | Min, Max |
| Binomial | Hitungan kejayaan dalam n ujian (lemparan koin) | n (ujian), p (probabiliti kejayaan) |
| Normal (Gelung Belah) | Data berterusan: ketinggian, markah ujian, kesalahan pengukuran | μ (purata), σ (piawaian pelbagai) |
| Poisson | Hitungan kejayaan jarang berlaku dalam masa/space (emel per jam) | λ (suhu purata) |
| Exponential | Masa sehingga kejadian berikutnya (masa antara kedatangan) | λ (suhu) |
Taburan normal adalah yang paling penting dalam statistik kerana Teorem Had Sentral: purata banyak perniagaan rawak yang bebas akan menghampir taburan normal, tanpa kaitan dengan taburan asal. Ini adalah mengapa markah ujian, ketinggian, dan kesalahan pengukuran seringkali taburan normal.
Applikasi Dunia Nyata Probabiliti
Perubatan: Ujian klinik menggunakan probabiliti untuk menilai sama ada rawatan berfungsi lebih baik daripada kebetulan. Ujian diagnostik mempunyai sensitiviti ( kadar positif sebenar) dan spesifik (kadar negatif sebenar) dinyatakan sebagai probabiliti. Hasil ujian positif tidak bermaksud kepastian penyakit — teorem Bayes mengira probabiliti sebenar diberi ketepatan ujian dan prevalensi penyakit.
Insurans: Insurans mengira probabiliti klaim untuk menetapkan premium dengan untung. Seorang aktuar insurans menggunakan jadual kematian (probabiliti mati pada setiap umur) untuk menentukan berapa banyak untuk membayar polis.
Finans: Model harga pilihan (Black-Scholes) menggunakan probabiliti untuk menilai derivatif. Nilai di Bawah Risiko (VaR) mengukur probabiliti kehilangan lebih daripada jumlah tertentu. Teori portfolio menggunakan probabiliti untuk mengoptimumkan perpaduan di antara pulangan dijangka dan risiko.
Machine Learning: Model kelasifikasi mengeluarkan probabiliti. Naive Bayes classifiers, regresi logistik, dan jaringan saraf dengan output softmax semua menghasilkan prediksi probabiliti. Setiap penyaringan spam di dalam kotak masuk email menggunakan probabiliti untuk memutuskan berapa banyak pesanan untuk mengasingkan.
Kejadian Probabiliti yang Biasa untuk Dihindari
Kejadian Penjudi: Percaya bahawa kejadian acak masa lalu mempengaruhi kejadian masa depan. Selepas mata uang mendarat kepalanya 10 kali berturut-turut, probabiliti kepalanya pada lonceng seterusnya masih tepat 50%. Mata uang tidak mempunyai kenangan. Orang yang berfikir "kepalanya adalah wajar" sedang melakukan kejadian penjudi.
Membingungkan "Atau" dengan "Dan": "Probabiliti bergolek 1 ATAU 2" adalah P(1) + P(2) = 1/6 + 1/6 = 1/3 (kerana mereka tidak boleh berlaku secara serentak). "Probabiliti bergolek 1 terlebih dahulu DAN kemudian 2" adalah 1/6 × 1/6 = 1/36 (kejadian bebas bergantung).
Tidak mengambil Kadar Asas: Kadar asas jatuh adalah apabila orang lupa kadar asas. Penyakit jarang berlaku 1 dalam 10,000 orang. Ujian 99% tepat. Jika anda ujian positif, probabiliti anda sebenarnya mempunyai penyakit itu adalah sangat rendah — hanya kira-kira 1%, dikira melalui teorem Bayes — kerana penyakit itu sangat jarang sehingga palsu positif mengatasi positif sebenar.
Soalan Lazim
Apakah kemungkinan kejadian kepal batu ketika melempar koin?
Kemungkinannya ialah 1/2 atau 50%. Terdapat 1 keputusan yang menguntungkan (kepal batu) daripada 2 keputusan yang mungkin (kepal batu atau kepal kanan), dengan asumsi koin yang adil. Dalam jutaan kejadian, kepal batu akan berlaku sangat dekat dengan 50% oleh Hukum Besar Bilangan.
Bagaimana saya boleh mengubah kemungkinan kepada peratusan?
Bilangkan kemungkinan dengan 100. P = 0.25 → 0.25 × 100 = 25%. P = 1/6 → (1/6) × 100 ≈ 16.67%. Untuk mengubah peratusan ke kemungkinan, bahagikan dengan 100: 30% → 0.30.
Adakah kemungkinan boleh melebihi 1?
Tidak. Kemungkinan harus antara 0 (mustahil) dan 1 (pasti). Jika anda mengira nilai melebihi 1, anda mungkin telah membuat kesilapan — semak baliklah bahawa keputusan yang menguntungkan tidak melebihi keputusan keseluruhan.
Apakah perbezaan antara kemungkinan dan kebarangkalian?
Kemungkinan = menguntungkan / keseluruhan. Kebarangkalian = menguntungkan / tidak menguntungkan. Untuk kemungkinan 25%: kebarangkalian untuk keuntungan = 1:3, kebarangkalian menentang = 3:1. Perjudian menggunakan kebarangkalian; sains dan statistik menggunakan kemungkinan.
Apakah maksud "statistik bebas"?
Kejadian-kejadian adalah bebas jika kejadian-kejadian tersebut tidak mempengaruhi kemungkinan kejadian-kejadian lain. Kejadian-kejadian yang berurutan adalah bebas. Mengeluarkan kad tanpa penggantian bukanlah bebas — mengeluarkan kad akan mengubah komposisi dek kad yang tinggal.
Apakah Hukum Besar Bilangan?
Sejauh bilangan ujian bertambah, frekuensi yang diamati dari kejadian-kejadian akan berkonvergen ke kemungkinan sebenar. Melempar koin adil 10 kali dan anda mungkin mendapat 7 kepal batu (70%). Melempar koin 10,000 kali dan anda akan mendapat sangat dekat dengan 5,000 kepal batu (50%). Hukum ini menjamin kestabilan jangka panjang, bukan kestabilan jangka pendek.
Apakah kemungkinan kondisional?
Kemungkinan kejadian A diberikan kejadian B telah berlaku: P(A|B) = P(A dan B) / P(B). Contoh: Diberikan pelajar yang dipilih secara rawak adalah perempuan, apa kemungkinan dia belajar kejuruteraan? Jika 30% pelajar adalah perempuan jurutera dan 50% adalah perempuan: P(kejuruteraan|perempuan) = 0.30/0.50 = 60%.
Bagaimana kemungkinan digunakan dalam ujian perubatan?
Ujian diagnostik mempunyai sensitiviti (kemungkinan positif diberikan penyakit) dan spesifik (kemungkinan negatif diberikan tiada penyakit). Teorem Bayes mengubah nilai-nilai ini ke nilai positif prediktif — kemungkinan sebenar anda mempunyai penyakit diberikan ujian positif. Penyakit yang jarang dapat memiliki nilai PPV yang mengejutkan rendah walaupun dengan ujian yang tepat.
Apakah komplement kemungkinan?
P(tidak A) = 1 − P(A). Jika kemungkinan hujan adalah 30%, kemungkinan tidak hujan adalah 70%. Hukum komplement sering digunakan untuk memudahkan pengiraan: "sekurang-kurangnya satu" masalah lebih mudah sebagai 1 − P(tidak ada).
Apakah nilai dijangka?
Nilai dijangka (E[X]) ialah purata berat kemungkinan semua keputusan yang mungkin: E[X] = Σ (keputusan × kemungkinan). Sebuah dadu adil mempunyai E[X] = (1+2+3+4+5+6)/6 = 3.5. Nilai dijangka memberitahu anda apa yang akan berlaku dalam purata berulang, bukan apa yang akan berlaku dalam ujian tunggal.
Probabiliti dalam Sukan, Cuaca, dan Kehidupan Seharian
Probabiliti tersemat dalam bahasa sehari-hari. Ramalan cuaca "70% kemungkinan hujan" bermaksud bahawa dalam keadaan atmosferik yang serupa, hujan berlaku 70% masa. Ini tidak bermaksud hujan akan berlaku selama 70% hari. Ini adalah probabiliti frekuensi yang digunakan dalam satu kejadian masa depan — sebuah ramalan yang probabilistik secara asas.
Dalam sukan, odds pertaruhan menandakan probabiliti. Jika odds pasukan ialah 2.50 dalam format desimal, probabiliti menang ialah 1/2.50 = 40%. Pemasang taruhan menambahkan margin (kelebihan) supaya probabiliti ke atas semua keputusan jumlahkan lebih daripada 100% — ini adalah mekanisme keuntungan mereka. Membandingkan probabiliti anda dengan probabiliti yang disarankan oleh pemasang taruhan adalah latihan asas dalam analisis nilai taruhan sukan.
Program pemeriksaan perubatan menggunakan konsep probabiliti untuk menyeimbangkan kesilapan positif dan negatif. Pemeriksaan mammogram dengan 90% sensitiviti dan 95% spesifikan terdengar hebat, tetapi jika prevalensi kanser payudara dalam populasi yang disaring ialah 1%, nilai prediktif positif (probabiliti kanser diberikan ujian positif) ialah hanya kira-kira 15%. Memahami nombor-nombor ini adalah penting untuk membuat keputusan perubatan yang berdasarkan maklumat.
Permutasi, Kombinasi, dan Prinsip Pengiraan
Banyak masalah probabiliti memerlukan mengira hasil yang berfaedah dan hasil keseluruhan dengan tepat. Dua alat pengiraan asas ialah permutasi dan kombinasi.
Permutasi mengira susunan di mana urutan penting. Bilangan cara untuk mengatur k item dari n item yang berbeza: P(n,k) = n!/(n−k)!. Untuk 5 atlet dalam perlumbaan dengan pingat untuk 1st, 2nd, 3rd: P(5,3) = 5!/2! = 60 susunan yang mungkin.
Kombinasi mengira pilihan di mana urutan tidak penting: C(n,k) = n!/(k!(n−k)!). Untuk loteri memilih 6 nombor dari 1–49: C(49,6) = 13,983,816 kombinasi yang mungkin. Probabiliti menang = 1/13,983,816 ≈ 0.0000071% ≈ 1 dalam 14 juta.
Prinsip perkalian: jika satu pilihan mempunyai m pilihan dan yang lain mempunyai n pilihan, terdapat m×n kombinasi keseluruhan. Restoran dengan 4 hidangan utama, 6 hidangan utama, dan 3 hidangan pencuci mulut mempunyai 4×6×3 = 72 hidangan tiga-course yang mungkin. Ini adalah asas untuk membina ruang contoh dalam masalah probabiliti kompleks.
| Skenario | Formula | Contoh | Hasil |
|---|---|---|---|
| Pilih 2 dari 5, urutan penting | P(5,2) = 5!/3! | Posisi pingat 2 orang dari 5 | 20 |
| Pilih 3 dari 8, urutan tidak penting | C(8,3) = 8!/(3!5!) | Komite 3 orang dari 8 | 56 |
| Melempar koin 4 kali | 2⁴ | Hasil yang mungkin | 16 |
| Melempar 2 dadu | 6² | Pasangan hasil | 36 |
Masalah Kehidupan Hari dan Probabiliti yang Tidak Logik
Probabiliti sering menghasilkan hasil yang terasa tidak tepat menurut intuisi manusia. Masalah kehidupan hari adalah contoh yang paling terkenal: berapa banyak orang yang perlu ada di dalam bilik untuk ada 50% peluang dua orang di antaranya berbagi hari lahir? Banyak orang menebak bilangan besar seperti 183 (setengah dari 365). Jawapan sebenarnya hanya 23 orang.
Pengiraan menggunakan probabiliti komplementari: P(ada setidaknya satu hari lahir yang sama) = 1 − P(tidak ada hari lahir yang sama). P(tidak ada hari lahir yang sama) untuk 23 orang = (365/365) × (364/365) × (363/365) × … × (343/365) ≈ 0.493. Jadi P(ada setidaknya satu match) = 1 − 0.493 ≈ 50.7%.
Alasan mengapa sangat rendah adalah bilangan pasangan: dengan 23 orang terdapat C(23,2) = 253 pasangan mungkin, setiap pasangan dengan peluang kecil (~0.27%) untuk menemui. Dengan banyak peluang bebas, match menjadi lebih mungkin daripada tidak. Logik ini meluas ke keselamatan: dengan hanya 82 orang, terdapat 99.9% peluang ada hari lahir yang sama. Untuk serangan hash dalam kriptografi (masalah yang berkaitan yang dipanggil "serangan hari lahir"), matematik ini menunjukkan mengapa fungsi hash memerlukan ruang keluaran yang sangat besar.
Contoh-contoh lain probabiliti yang tidak logik termasuk masalah Monty Hall (menukar pintu menang 2/3 kali), teorema kehabisan (keuntungan rumah yang sedikit pasti akan menyebabkan kebankrapan jangka panjang pemain), dan paroksism Simpson (trend muncul dalam beberapa kumpulan boleh berubah apabila kumpulan-kumpulan itu digabungkan). Contoh-contoh ini menunjukkan mengapa pengiraan probabiliti formal lebih dapat dipercayai daripada intuisi.
Rujukan Notasi dan Istilah Probabiliti
| Simbol/Istilah | Arti | Contoh |
|---|---|---|
| P(A) | Probabiliti kejadian A | P(kepalan) = 0.5 |
| P(A ∪ B) | P(A atau B) — setidaknya satu berlaku | P(1 atau 2 pada dadu) = 1/3 |
| P(A ∩ B) | P(A dan B) — kedua berlaku | P(ganjil dan >4 pada dadu) = 1/6 |
| P(A|B) | P(A diberi B telah berlaku) | P(hati|kard yang merah) = 1/2 |
| P(Aᶜ) | P(tidak A) = 1 − P(A) | P(tidak kepalan) = 0.5 |
| E[X] | Nilai harapan X | E[dadu] = 3.5 |
| Var(X) | Variansi X | Var(dadu) = 35/12 ≈ 2.92 |
| σ | Deviasi standard = √Var(X) | σ(dadu) ≈ 1.71 |
| n! | n faktorial = n×(n-1)×…×1 | 5! = 120 |
| C(n,k) | Kombinasi: n pilih k | C(10,3) = 120 |
Menggunakan Kalkulator Probabiliti Ini
Masukkan bilangan kejadian yang menguntungkan dan bilangan kejadian yang mungkin. Kalkulator kembali probabiliti sebagai desimal, peratus, dan mengungkapkan keadaan baik dan tidak baik. Periksa masukan: kejadian yang menguntungkan harus tidak negatif dan tidak melebihi kejadian yang mungkin. Kejadian yang mungkin harus positif. Hasil akan diperbarui secara langsung — ideal untuk memeriksa masalah bilik darjah, latihan ujian, dan memastikan pengiraan manual.