Bayes-Theorem-Rechner

Verwenden Sie den Satz von Bayes, wenn Sie eine Wahrscheinlichkeit basierend auf neuen Erkenntnissen aktualisieren müssen. Wenn Sie wissen, wie wahrscheinlich die Evidenz bei gegebener Hypothese ist, und Sie eine vorherige Annahme (Prior) zu dieser Hypothese haben, sagt Ihnen der Satz von Bayes, was Sie nach dem Betrachten der Evidenz glauben sollten.

Was ist der Satz von Bayes?

Der Satz von Bayes verknüpft bedingte Wahrscheinlichkeiten:

$P(A|B) = \frac{P(B|A) \times P(A)}{P(B)}$

Wobei:

• $P(A|B)$ = Posterior: Wahrscheinlichkeit von A gegeben B (was wir suchen)
• $P(B|A)$ = Likelihood: Wahrscheinlichkeit von B gegeben A
• $P(A)$ = Prior: Anfangswahrscheinlichkeit von A
• $P(B)$ = Evidenz: Gesamtwahrscheinlichkeit von B

Die Komponenten erklärt

A-priori-Wahrscheinlichkeit P(A)

Ihre Annahme über A, bevor Sie irgendwelche Evidenz sehen. Diese kann stammen aus:

• Früheren Studien
• Expertenmeinungen
• Basisraten in der Bevölkerung

Beispiel: Vor jeglicher Testung hat 1% der Bevölkerung eine Krankheit. P(Krankheit) = 0,01.

Likelihood P(B|A)

Wie wahrscheinlich ist die Evidenz, wenn A wahr ist?

Beispiel: Wenn Sie die Krankheit haben, ist der Test in 95% der Fälle positiv. P(Positiv|Krankheit) = 0,95.

Evidenz P(B)

Die Gesamtwahrscheinlichkeit, B zu beobachten, berechnet als:

$P(B) = P(B|A) \times P(A) + P(B|\neg A) \times P(\neg A)$

Beispiel: Gesamtwahrscheinlichkeit eines positiven Tests = (richtig positive) + (falsch positive).

A-posteriori-Wahrscheinlichkeit P(A|B)

Ihre aktualisierte Annahme über A, nachdem Sie Evidenz B gesehen haben.

Beispiel: Bei einem positiven Testergebnis, wie hoch ist die Wahrscheinlichkeit, die Krankheit tatsächlich zu haben?

Klassisches Beispiel: Medizinische Tests

Szenario:

• Krankheitsprävalenz: 1% (Prior)
• Testsensitivität: 95% (Richtig-positiv-Rate)
• Testspezifität: 90% (Richtig-negativ-Rate, also Falsch-positiv-Rate = 10%)

Frage: Sie testen positiv. Wie hoch ist die Wahrscheinlichkeit, dass Sie die Krankheit haben?

Berechnung:

$P(Krankheit|Positiv) = \frac{P(Positiv|Krankheit) \times P(Krankheit)}{P(Positiv)}$

Zuerst berechnen wir P(Positiv): $P(Positiv) = 0{,}95 \times 0{,}01 + 0{,}10 \times 0{,}99 = 0{,}0095 + 0{,}099 = 0{,}1085$

Dann: $P(Krankheit|Positiv) = \frac{0{,}95 \times 0{,}01}{0{,}1085} = \frac{0{,}0095}{0{,}1085} = 0{,}088$

Ergebnis: Nur 8,8% Wahrscheinlichkeit, die Krankheit zu haben, trotz eines positiven Tests!

Dieses kontraintuitive Ergebnis tritt auf, weil die Krankheit selten ist. Die meisten positiven Tests sind falsch positive Ergebnisse von den 99%, die die Krankheit nicht haben.

Die Quotenform

Eine alternative Formulierung mit Quoten (Odds):

$\frac{P(A|B)}{P(\neg A|B)} = \frac{P(B|A)}{P(B|\neg A)} \times \frac{P(A)}{P(\neg A)}$

Oder: Posteriore Quoten = Likelihood-Verhältnis × Priore Quoten

Das Likelihood-Verhältnis $\frac{P(B|A)}{P(B|\neg A)}$ zeigt Ihnen, wie stark die Evidenz Ihre Überzeugungen verschieben sollte.

Anwendungen

Medizinische Diagnose

Aktualisierung der Krankheitswahrscheinlichkeit nach Testergebnissen:

• Positiver Test erhöht die Wahrscheinlichkeit
• Negativer Test verringert die Wahrscheinlichkeit
• Mehrere Tests können verkettet werden

Spam-Filterung

Naive-Bayes-Klassifikatoren:

• Prior: Basisrate von Spam-E-Mails
• Likelihood: Wahrscheinlichkeit von Wörtern bei Spam/Nicht-Spam
• Posterior: Ist diese E-Mail Spam?

Juristische Beweisführung

Bewertung von Beweisen:

• Prior: Basisrate der Schuld
• Likelihood: Wie wahrscheinlich ist dieser Beweis bei Schuld vs. Unschuld?
• Posterior: Aktualisierte Wahrscheinlichkeit der Schuld

Maschinelles Lernen

Bayes'sche Inferenz für:

• Parameterschätzung
• Modellvergleich
• Unsicherheitsquantifizierung

Sequentielle Aktualisierungen

Der Satz von Bayes kann wiederholt angewendet werden. Der heutige Posterior wird zum morgigen Prior:

$P(A|B_1, B_2) = \frac{P(B_2|A, B_1) \times P(A|B_1)}{P(B_2|B_1)}$

Jedes Stück Evidenz aktualisiert Ihre Überzeugungen.

Beispiel: Erster Test positiv (8,8% Wahrscheinlichkeit), dann zweiter Test positiv → Wahrscheinlichkeit steigt weiter.

Vernachlässigung der Basisrate

Ein häufiger Fehler ist das Ignorieren der A-priori-Wahrscheinlichkeit. Im medizinischen Beispiel schätzen Menschen oft ~95% Wahrscheinlichkeit nach einem positiven Test und konzentrieren sich auf die Testgenauigkeit, während sie die Seltenheit der Krankheit ignorieren.

Wichtige Erkenntnis: Wenn die Erkrankung selten ist, produzieren selbst genaue Tests viele falsch positive Ergebnisse.

Sensitivität vs. Spezifität Abwägung

Bei seltenen Erkrankungen ist eine hohe Spezifität entscheidend, um eine Flut von falsch positiven Ergebnissen zu vermeiden.

Historischer Kontext

Thomas Bayes (1701-1761) war ein englischer Geistlicher und Mathematiker. Sein Theorem wurde posthum 1763 veröffentlicht, herausgegeben von Richard Price.

Pierre-Simon Laplace entwickelte unabhängig davon Bayes'sche Methoden weiter und wandte sie auf astronomische und demografische Probleme an.

Die Debatte "Bayesianer vs. Frequentisten" in der Statistik dauert bis heute an, obwohl die moderne Praxis oft beide Perspektiven kombiniert.

Häufige Fallstricke

Annahme von Unabhängigkeit

Beim Kombinieren mehrerer Beweisstücke müssen diese bei gegebener Hypothese bedingt unabhängig sein. Korrelierte Evidenz liefert weniger Information als erwartet.

Wahl der Priors

Umstritten in wissenschaftlichen Anwendungen:

• Informative Priors integrieren bestehendes Wissen
• Uninformative Priors versuchen "objektiv" zu sein
• Sensitivitätsanalyse testet verschiedene Priors

Ignorieren von Basisraten

Fragen Sie immer: "Wie häufig ist dies in der Bevölkerung?" bevor Sie Testergebnisse interpretieren.

Verwandte Berechnungen

• Bedingte Wahrscheinlichkeit — P(A|B) Grundlagen
• Sensitivität und Spezifität — Eigenschaften diagnostischer Tests
• Odds-Ratio-Rechner — Quotenbasierte Maße
• Bayesianischer Anteilsschätzer — Prior-zu-Posterior-Aktualisierung

Zusammenfassung

Der Satz von Bayes aktualisiert Wahrscheinlichkeiten basierend auf neuer Evidenz. Die A-posteriori-Wahrscheinlichkeit hängt ab vom Prior (Basisrate), der Likelihood (wie wahrscheinlich ist die Evidenz, wenn die Hypothese wahr ist) und der Gesamtwahrscheinlichkeit der Evidenz. Wenn Erkrankungen selten sind, produzieren selbst genaue Tests viele falsch positive Ergebnisse — eine entscheidende Erkenntnis für medizinische Diagnosen, juristische Beweisführung und jede Situation, in der Evidenz gegen Basisraten abgewogen werden muss.