So nutzen Sie den Satz von Bayes Rechner
Der Satz von Bayes Rechner berechnet zuverlässig die bedingte A-posteriori-Wahrscheinlichkeit $P(A|B)$ auf Basis Ihrer Ausgangsdaten. Folgen Sie diesen Schritten zur Durchführung der Berechnung:
- A-priori-Wahrscheinlichkeit $P(A)$ eingeben — Tragen Sie die Grundwahrscheinlichkeit des Ereignisses vor Vorliegen neuer Informationen ein (z. B. 0,01 oder 1 %).
- Likelihood $P(B|A)$ erfassen — Geben Sie die Wahrscheinlichkeit ein, dass die Evidenz $B$ beobachtet wird, sofern Ereignis $A$ tatsächlich zutrifft.
- Evidenzwahrscheinlichkeit $P(B)$ festlegen — Hinterlegen Sie die Gesamtwahrscheinlichkeit der beobachteten Evidenz ($P(B) > 0$).
- Ergebnis analysieren — Das Online-Tool zeigt Ihnen die A-posteriori-Wahrscheinlichkeit sowohl als Dezimalbruch als auch in Prozent inklusive aller Zwischenschritte an.
Mathematische Formel & Bayes-Theorem
Der Satz von Bayes Rechner nutzt das fundamentale Theorem der Wahrscheinlichkeitsrechnung nach Thomas Bayes:
$$P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)}$$
| Variable | Bezeichnung | Bedeutung |
|---|---|---|
| $P(A|B)$ | A-posteriori-Wahrscheinlichkeit | Wahrscheinlichkeit von $A$, nachdem Evidenz $B$ eingetreten ist |
| $P(A)$ | A-priori-Wahrscheinlichkeit | Ursprüngliche Basiswahrscheinlichkeit von $A$ vor neuen Daten |
| $P(B|A)$ | Likelihood | Wahrscheinlichkeit für Evidenz $B$ unter der Bedingung, dass $A$ wahr ist |
| $P(B)$ | Evidenz (Randwahrscheinlichkeit) | Gesamtwahrscheinlichkeit des Eintretens von $B$ über alle Szenarien |
Ist die Gesamtevidenz $P(B)$ nicht direkt bekannt, lässt sie sich über den Satz der totalen Wahrscheinlichkeit ermitteln:
$$P(B) = P(B|A) \cdot P(A) + P(B|\neg A) \cdot P(\neg A)$$
Praxisbeispiel: Medizinischer Schnelltest
Ein klassisches Anwendungsbeispiel veranschaulicht den Nutzen der Bayes-Formel bei Diagnoseverfahren:
- Krankheitsprävalenz (A-priori): $P(A) = 0{,}01$ (1 % der Bevölkerung ist erkrankt)
- Sensitivität (Likelihood): $P(B|A) = 0{,}95$ (Test schlägt bei 95 % der Erkrankten an)
- Falsch-Positiv-Rate: $P(B|\neg A) = 0{,}05$ (Test schlägt bei 5 % der Gesunden fälschlicherweise an)
Die Gesamtwahrscheinlichkeit für ein positives Testergebnis $P(B)$ beträgt:
$$P(B) = (0{,}95 \cdot 0{,}01) + (0{,}05 \cdot 0{,}99) = 0{,}0095 + 0{,}0495 = 0{,}0590$$
Eingesetzt in den Satz von Bayes Rechner ergibt sich:
$$P(A|B) = \frac{0{,}95 \cdot 0{,}01}{0{,}059} = \frac{0{,}0095}{0{,}059} \approx 0{,}1610 \quad (16{,}10%)$$
Trotz einer hohen Sensitivität von 95 % ist eine Person bei einem positiven Test nur mit ca. 16,1 % Wahrscheinlichkeit tatsächlich erkrankt. Dieses Phänomen ist als Basisraten-Trugschluss (Base Rate Fallacy) bekannt.
Typische Anwendungsbereiche
Das statistische Modell eignet sich für zahlreiche praktische Einsatzfelder in Wissenschaft und Technik:
- Medizinische Diagnostik: Berechnung des positiven Vorhersagewerts (PPV) bei Labortests und Screenings.
- Maschinelles Lernen: Grundlagen des Naive-Bayes-Klassifikators für Textklassifikation und Spam-Erkennung.
- Risikoanalyse: Aktualisierung von Schadenswahrscheinlichkeiten bei Eintreffen neuer Schadensdaten im Versicherungswesen.
- Forensik & Rechtswissenschaft: Bewertung von Indizienbeweisen und DNA-Spuren.
Mit dem Satz von Bayes Rechner überprüfen Sie bedingte Wahrscheinlichkeiten im Handumdrehen und vermeiden typische intuitive Denkfehler bei der Dateninterpretation.