Satz-von-Bayes-Rechner
Aktualisiere eine Wahrscheinlichkeit mit neuen Hinweisen. Gib an, wie wahrscheinlich A von vornherein ist und wie wahrscheinlich der Hinweis B ist, wenn A zutrifft und wenn nicht, und sieh die A-posteriori-Wahrscheinlichkeit P(A|B), Schritt für Schritt berechnet, mit Wahrscheinlichkeitsbaum und einer Tabelle natürlicher Häufigkeiten.
Zuletzt aktualisiert:
Wie häufig A ist, bevor der Hinweis bekannt ist (Basisrate)
z. B. Sensitivität des Tests / Richtig-positiv-Rate
z. B. Falsch-positiv-Rate (100% − Spezifität)
Anleitung: Satz-von-Bayes-Rechner
- Benenne die Ereignisse (optional): A ist die Hypothese, B der beobachtete Hinweis.
- Gib P(A) ein, die Basisrate vor dem Hinweis, als Prozentwert.
- Gib P(B | A) und P(B | nicht A) ein, also wie oft der Hinweis auftritt, wenn A zutrifft und wenn nicht.
- Lies P(A | B) ab, die aktualisierte Wahrscheinlichkeit, und verfolge Baum und Häufigkeitstabelle.
- Probiere eine Vorlage, um zu sehen, wie eine niedrige Basisrate das Ergebnis verändert.
Formel des Satzes von Bayes
P(A|B) = P(B|A) × P(A) ÷ P(B), wobei P(B) = P(B|A) × P(A) + P(B|¬A) × P(¬A).
In Odds-Form: A-posteriori-Odds = A-priori-Odds × Likelihood-Quotient, mit Odds = p ÷ (1 − p) und Likelihood-Quotient = P(B|A) ÷ P(B|¬A). Diese Form ist praktisch, um mehrmals mit unabhängigen Hinweisen zu aktualisieren.
Wie die Basisrate das Ergebnis verändert
Gleicher Test (90% Sensitivität, 9% Falsch-positiv-Rate, Likelihood-Quotient 10), verschiedene Basisraten:
| A priori P(A) | P(B) | A posteriori P(A|B) |
|---|---|---|
| 0.1% | 9.08% | 0.99% |
| 1% | 9.81% | 9.17% |
| 5% | 13.05% | 34.48% |
| 10% | 17.10% | 52.63% |
| 30% | 33.30% | 81.08% |
| 50% | 49.50% | 90.91% |
Je seltener A ist, desto mehr positive Ergebnisse stammen aus der großen Gruppe, in der A nicht zutrifft. Denken in natürlichen Häufigkeiten („von 10,000 Menschen…“) macht das leicht verständlich.
Häufige Fragen
Was ist der Satz von Bayes?
Der Satz von Bayes gibt die Wahrscheinlichkeit von A nach Beobachtung von B an: P(A|B) = P(B|A) × P(A) ÷ P(B). Der Nenner ergibt sich aus dem Satz der totalen Wahrscheinlichkeit: P(B) = P(B|A)P(A) + P(B|nicht A)P(nicht A).
Warum ist P(A|B) bei einem positiven Ergebnis eines genauen Tests so niedrig?
Weil die Erkrankung selten ist. Bei 1% Basisrate, 90% Sensitivität und 9% Falsch-positiv-Rate ergeben 10,000 Menschen 90 richtig positive, aber 891 falsch positive Ergebnisse, sodass nur 90 ÷ 981 ≈ 9.2% der Positiven die Erkrankung tatsächlich haben. Die Basisrate zu ignorieren nennt man Basisratenfehler.
Was ist der Unterschied zwischen P(A|B) und P(B|A)?
Sie beantworten verschiedene Fragen. P(B|A) ist, wie oft der Hinweis auftritt, wenn A zutrifft (bei einem Test seine Sensitivität). P(A|B) ist, wie wahrscheinlich A ist, nachdem du den Hinweis gesehen hast. Beides zu verwechseln ist ein häufiger Fehler.
Was ist der Likelihood-Quotient?
LR = P(B|A) ÷ P(B|nicht A). Der Satz von Bayes in Odds-Form besagt: A-posteriori-Odds = A-priori-Odds × LR. Ein LR von 10 multipliziert die Odds von A mit 10; ein LR von 1 bedeutet, dass der Hinweis nichts aussagt.
Wie passen Sensitivität und Spezifität dazu?
Bei einem Diagnose- oder Vorsorgetest ist P(B|A) die Sensitivität und P(B|nicht A) ist 1 − Spezifität (die Falsch-positiv-Rate). P(A|B) ist dann der positive Vorhersagewert und 1 − P(A|nicht B) der negative Vorhersagewert.
Kann ich Wahrscheinlichkeiten als Dezimalzahlen eingeben?
Gib sie als Prozentwerte ein: 0.5 bedeutet 0.5%, tippe also 50 für eine Wahrscheinlichkeit von 0.5. Der Rechenweg zeigt dieselben Zahlen als Dezimalzahlen.
Werden alle Tools auf FreeToolCabin auf Qualität und Genauigkeit getestet?
Ja. Jedes Tool auf der Website durchläuft automatische Tests in echten Browsern, die prüfen, ob das Ergebnis stimmt und keine Fehler auftreten. Wenn du einen Fehler findest oder einen Vorschlag hast, schreib uns an [email protected] – wir sehen es uns an.