Der Falsch-Positiv-Paradoxon-Rechner veranschaulicht ein kontraintuitives Phänomen der Wahrscheinlichkeitsrechnung: Selbst bei einem hochpräzisen diagnostischen Test mit 99 % Genauigkeit kann die überwiegende Mehrheit der positiven Testergebnisse in Wahrheit falsch-positiv sein. Dieses statistische Phänomen tritt immer dann auf, wenn die gesuchte Eigenschaft oder Erkrankung in der untersuchten Gesamtpopulation sehr selten ist (geringe Prävalenz oder Basisrate).
So nutzen Sie den Falsch-Positiv-Paradoxon-Rechner
Diese interaktive Anwendung führt Sie Schritt für Schritt durch die probabilistische Auswertung diagnostischer Tests und Detektionssysteme:
- Prävalenz / Basisrate (%) eingeben: Definieren Sie den prozentualen Anteil der tatsächlich betroffenen Personen oder Ereignisse in der relevanten Grundgesamtheit.
- Sensitivität (%) festlegen: Geben Sie die Richtig-Positiv-Rate des Testverfahrens an – also die Wahrscheinlichkeit, dass ein tatsächlicher Fall korrekt als positiv erkannt wird.
- Spezifität (%) definieren: Tragen Sie die Richtig-Negativ-Rate ein – also die Wahrscheinlichkeit, dass ein gesunder oder unauffälliger Fall korrekt als negativ eingestuft wird.
- Stichprobengröße anpassen: Wählen Sie eine fiktive oder reale Populationsgröße (z. B. 10.000 oder 100.000 Personen), um absolute Fallzahlen in einer Vierfeldertafel zu berechnen.
- Ergebnisse analysieren: Das System ermittelt sofort den positiven Vorhersagewert (PPV), den Anteil falsch-positiver Befunde sowie die Aufteilung in True Positives (TP), False Positives (FP), True Negatives (TN) und False Negatives (FN).
Mathematische Formel und Satz von Bayes
Die mathematische Grundlage für den Falsch-Positiv-Paradoxon-Rechner bildet der Satz von Bayes für bedingte Wahrscheinlichkeiten. Der positive Vorhersagewert (PPV, Positive Predictive Value) berechnet sich nach folgender Formel:
PPV = (Sensitivität × Prävalenz) / [(Sensitivität × Prävalenz) + (1 - Spezifität) × (1 - Prävalenz)]Dabei beschreibt (1 - Spezifität) die sogenannte Falsch-Positiv-Rate (Alpha-Fehler). Der Anteil der Falsch-Positiven an allen positiven Testergebnissen ergibt sich komplementär über:
Falsch-Positiv-Anteil = 1 - PPV = FP / (TP + FP)Praxisbeispiel: Reihenuntersuchung einer seltenen Krankheit
Angenommen, eine seltene Erkrankung betrifft 0,1 % der Bevölkerung (Prävalenz = 0,1 %). Ein medizinisches Screening-Verfahren weist sowohl eine Sensitivität von 99 % als auch eine Spezifität von 99 % auf. Werden 100.000 Personen getestet, liefert der Falsch-Positiv-Paradoxon-Rechner folgende Fallzahlen:
- Tatsächlich Erkrankte (100 Personen): 99 werden korrekt positiv erkannt (TP = 99), 1 Person wird fälschlicherweise als gesund eingestuft (FN = 1).
- Tatsächlich Gesunde (99.900 Personen): 98.901 werden korrekt negativ eingestuft (TN = 98.901), während 1 % fälschlicherweise positiv anschlägt (FP = 999).
- Gesamtzahl positiver Tests: 99 (TP) + 999 (FP) = 1.098 Personen.
- Positiver Vorhersagewert (PPV): 99 / 1.098 ≈ 9,02 %.
Obwohl der Test eine nominelle Güte von 99 % besitzt, sind über 90,98 % aller positiv Getesteten in Wahrheit völlig gesund.
Typische Anwendungsbereiche
Der Falsch-Positiv-Paradoxon-Rechner hilft Fachkräften, Studierenden und Entscheidern bei der objektiven Bewertung von Klassifikationssystemen in vielfältigen Disziplinen:
- Medizinische Diagnostik & Reihenuntersuchungen: Beurteilung von Screening-Programmen für seltene Erkrankungen vor der Entscheidung über invasive Folgediagnostik.
- IT-Sicherheit & Intrusion Detection Systems (IDS): Analyse von SIEM-Sicherheitswarnungen, bei denen Millionen unbedenklicher Log-Ereignisse zu Fehlalarmen führen können.
- Finanzielle Betrugserkennung & AML: Risikobewertung automatisierter Transaktionsprüfungen zur Minimierung ungerechtfertigter Kontosperrungen.
- Spam- und Content-Moderation: Ausbalancierung von Filterregeln zur Vermeidung fehlerhafter Löschungen legitimer E-Mails oder Beiträge.
- Hochschullehre & Datenanalyse: Anschauliches Verstehen von Bayes-Statistik, A-priori-Wahrscheinlichkeiten und kognitiven Verzerrungen (Base-Rate Fallacy).