Kalkulator Teorema Bayes

Hitung probabilitas posterior menggunakan teorema Bayes. Masukkan probabilitas prior, likelihood, dan tingkat false positive untuk mendapatkan solusi langkah demi langkah dengan diagram pohon probabilitas dan visualisasi frekuensi alami.

Embed Kalkulator Teorema Bayes Widget

Tentang Kalkulator Teorema Bayes

Kalkulator Teorema Bayes menghitung probabilitas posterior P(A|B) menggunakan teorema Bayes. Masukkan probabilitas prior, likelihood, dan tingkat positif palsu untuk melihat solusi langkah demi langkah, diagram pohon probabilitas, rincian frekuensi alami, dan ringkasan probabilitas mendalam. Baik Anda sedang menganalisis akurasi tes medis, mengevaluasi filter spam, atau mempelajari probabilitas bersyarat, alat ini membuat penalaran Bayes menjadi intuitif dan visual.

Cara Menggunakan Kalkulator Teorema Bayes

Masukkan probabilitas prior P(A) — ini adalah keyakinan awal Anda tentang seberapa mungkin hipotesis tersebut sebelum melihat bukti apa pun. Misalnya, jika 1% populasi mengidap penyakit, maka P(A) = 0.01.
Masukkan likelihood P(B|A) — ini adalah probabilitas mengamati bukti ketika hipotesis benar. Untuk tes medis, ini adalah sensitivitas atau tingkat positif benar. Tes dengan sensitivitas 99% berarti P(B|A) = 0.99.
Masukkan tingkat positif palsu P(B|¬A) — ini adalah probabilitas mengamati bukti ketika hipotesis salah. Tes dengan tingkat positif palsu 5% berarti P(B|¬A) = 0.05.
Klik Hitung untuk melihat probabilitas posterior P(A|B) dengan pengerjaan langkah demi langkah yang lengkap.
Jelajahi visualisasi — diagram pohon probabilitas menunjukkan bagaimana populasi terbagi, bagian frekuensi alami menggunakan bilangan bulat untuk pemahaman intuitif, dan bilah perbandingan menunjukkan bagaimana bukti menggeser keyakinan Anda.

Apa Itu Teorema Bayes?

Teorema Bayes adalah aturan dasar probabilitas yang menjelaskan cara memperbarui keyakinan berdasarkan bukti baru. Dinamai setelah Pendeta Thomas Bayes (1701–1761), teorema tersebut menyatakan:

P(A|B) = P(B|A) × P(A) / P(B)

Di mana:

P(A|B) — Probabilitas Posterior: probabilitas A yang diperbarui setelah mengamati B
P(B|A) — Likelihood: seberapa mungkin bukti tersebut jika A benar
P(A) — Probabilitas Prior: probabilitas awal dari A
P(B) — Marginal Likelihood: total probabilitas mengamati B

Kekeliruan Tingkat Dasar (Base Rate Fallacy)

Salah satu hasil yang paling berlawanan dengan intuisi dalam probabilitas adalah kekeliruan tingkat dasar, yang dibantu diungkap oleh teorema Bayes. Pertimbangkan penyakit yang menyerang 1% orang (P(A) = 0.01), dengan tes yang 99% akurat (P(B|A) = 0.99) dan memiliki tingkat positif palsu 5% (P(B|¬A) = 0.05). Secara intuitif, kebanyakan orang berasumsi hasil tes positif berarti mereka hampir pasti mengidap penyakit tersebut. Namun, teorema Bayes mengungkapkan probabilitas posterior hanya sekitar 16.7%. Ini karena positif palsu dari populasi sehat yang besar melebihi positif benar dari kelompok kecil yang terdampak.

Memahami Rasio Likelihood

Rasio likelihood (LR) adalah P(B|A) dibagi dengan P(B|¬A). Ini mengukur kekuatan diagnostik dari bukti tersebut:

LR > 10: Bukti kuat yang mendukung hipotesis
LR 3–10: Bukti moderat
LR 1–3: Bukti lemah
LR = 1: Bukti tidak relevan (tidak mengubah keyakinan Anda)
LR < 1: Bukti menentang hipotesis

Aplikasi Teorema Bayes di Dunia Nyata

Diagnosis Medis: Menghitung probabilitas penyakit berdasarkan hasil tes positif, dengan mempertimbangkan sensitivitas tes, spesifisitas, dan prevalensi penyakit.
Penyaringan Spam: Pengklasifikasi email menggunakan probabilitas Bayesian untuk menentukan apakah suatu pesan adalah spam berdasarkan kata-kata yang terkandung di dalamnya.
Penalaran Hukum: Mengevaluasi bagaimana bukti DNA atau hasil forensik lainnya memengaruhi probabilitas kesalahan.
Machine Learning: Pengklasifikasi Naive Bayes, jaringan Bayesian, dan model probabilistik semuanya bergantung pada teorema Bayes.
Prakiraan Cuaca: Memperbarui probabilitas hujan berdasarkan tekanan barometrik, kelembapan, dan sinyal lainnya.
Kontrol Kualitas: Menentukan probabilitas bahwa suatu produk cacat berdasarkan tes inspeksi yang gagal.

Frekuensi Alami: Membuat Bayes Menjadi Intuitif

Penelitian oleh Gerd Gigerenzer dan lainnya telah menunjukkan bahwa manusia memahami penalaran Bayesian jauh lebih baik ketika disajikan dengan frekuensi alami daripada probabilitas abstrak. Alih-alih mengatakan "P(A) = 1%", kita bisa mengatakan "10 dari 1.000 orang memiliki kondisi tersebut." Kalkulator kami menyediakan kedua representasi tersebut, membantu Anda membangun intuisi nyata untuk probabilitas bersyarat.

FAQ

Apa itu teorema Bayes?

Teorema Bayes adalah rumus matematika yang menggambarkan cara memperbarui probabilitas suatu hipotesis berdasarkan bukti baru. Rumusnya adalah P(A|B) = P(B|A) × P(A) / P(B), di mana P(A|B) adalah probabilitas posterior, P(B|A) adalah likelihood, P(A) adalah probabilitas prior, dan P(B) adalah total probabilitas dari bukti tersebut.

Apa perbedaan antara probabilitas prior dan posterior?

Probabilitas prior P(A) adalah keyakinan awal Anda tentang probabilitas suatu peristiwa sebelum mempertimbangkan bukti baru. Probabilitas posterior P(A|B) adalah probabilitas yang diperbarui setelah mempertimbangkan bukti. Teorema Bayes menyediakan kerangka kerja matematika untuk menghitung pembaruan ini.

Mengapa hasil tes medis positif tidak selalu berarti Anda mengidap penyakit tersebut?

Ketika suatu penyakit jarang terjadi (probabilitas prior rendah), bahkan tes yang sangat akurat menghasilkan banyak positif palsu dibandingkan positif benar. Misalnya, dengan tingkat penyakit 1% dan tes akurasi 95% dengan tingkat positif palsu 5%, hasil positif hanya berarti sekitar 16% peluang sebenarnya memiliki penyakit tersebut. Ini dikenal sebagai kekeliruan tingkat dasar.

Apa itu rasio likelihood dalam teorema Bayes?

Rasio likelihood adalah P(B|A) dibagi dengan P(B|¬A). Ini mengukur seberapa besar bukti menggeser keyakinan Anda. Rasio lebih besar dari 1 berarti bukti mendukung hipotesis, sedangkan rasio kurang dari 1 berarti bukti menentangnya. Rasio yang lebih tinggi menunjukkan bukti yang lebih kuat.

Dapatkah saya memasukkan persentase dalam kalkulator teorema Bayes?

Ya, Anda dapat memasukkan nilai sebagai desimal (seperti 0.05) atau sebagai persentase (seperti 5 atau 5%). Kalkulator secara otomatis mendeteksi dan mengonversi input persentase. Nilai yang lebih besar dari 1 tanpa tanda persen akan diperlakukan sebagai persentase.

Kutip konten, halaman, atau alat ini sebagai:

"Kalkulator Teorema Bayes" di https://MiniWebtool.com/id/kalkulator-teorema-bayes/ dari MiniWebtool, https://MiniWebtool.com/

Terakhir diperbarui: 2026-04-13

API developer tersedia: Jalankan alat ini dari aplikasi, otomatisasi, atau agen Anda dengan satu permintaan HTTP JSON. Lihat dokumentasi API

Anda juga dapat mencoba Penyelesai Matematika AI GPT kami untuk menyelesaikan masalah matematika Anda melalui pertanyaan dan jawaban dalam bahasa alami.

Kalkulator Teorema Bayes

Tentang Kalkulator Teorema Bayes

Cara Menggunakan Kalkulator Teorema Bayes

Apa Itu Teorema Bayes?

Kekeliruan Tingkat Dasar (Base Rate Fallacy)

Memahami Rasio Likelihood

Aplikasi Teorema Bayes di Dunia Nyata

Frekuensi Alami: Membuat Bayes Menjadi Intuitif

FAQ

Apa itu teorema Bayes?

Apa perbedaan antara probabilitas prior dan posterior?

Mengapa hasil tes medis positif tidak selalu berarti Anda mengidap penyakit tersebut?

Apa itu rasio likelihood dalam teorema Bayes?

Dapatkah saya memasukkan persentase dalam kalkulator teorema Bayes?

Statistik dan analisis data:

Alat unggulan: