Wichtige Fakten
- Kategorie
- Mathe, Datum & Finanzen
- Eingabetypen
- number, select
- Ausgabetyp
- json
- Sample-Abdeckung
- 1
- API verfügbar
- Yes
Überblick
Der Bayes-Theorem-Rechner ist ein präzises mathematisches Werkzeug zur Berechnung der bedingten Wahrscheinlichkeit (Posterior-Wahrscheinlichkeit) basierend auf neuen Erkenntnissen. Durch die Eingabe von Basisrate (Prior), Sensitivität (Likelihood) und Falsch-Positiv-Rate aktualisiert das Tool automatisch die Wahrscheinlichkeit eines Ereignisses und hilft so bei der fundierten Entscheidungsfindung in Medizin, Statistik und Datenanalyse.
Wann verwenden
- •Wenn Sie die tatsächliche Wahrscheinlichkeit einer Krankheit nach einem positiven Testergebnis ermitteln möchten.
- •Zur Aktualisierung von Hypothesenwahrscheinlichkeiten in der Datenanalyse bei Vorliegen neuer Evidenz.
- •Um den Einfluss von Falsch-Positiv-Raten auf seltene Ereignisse (Basisratenfehler) zu demonstrieren.
So funktioniert es
- •Geben Sie die Basisrate (Prior P(A)) des Ereignisses ein, z. B. die Prävalenz einer Krankheit in der Bevölkerung.
- •Tragen Sie die Sensitivität (Likelihood P(B|A)) und die Falsch-Positiv-Rate (P(B|nicht A)) des Tests oder der Beobachtung ein.
- •Wählen Sie die Eingabeskala (Prozent oder Anteil) und die gewünschte Anzahl der Dezimalstellen für das Ergebnis.
- •Das Tool berechnet sofort die Posterior-Wahrscheinlichkeit und gibt das Ergebnis als Dezimalwert sowie in Prozent aus.
Anwendungsfälle
Beispiele
1. Auswertung eines medizinischen Schnelltests
Arzt / Medizinstudent- Hintergrund
- Eine seltene Krankheit betrifft 1% der Bevölkerung. Ein neuer Test erkennt die Krankheit in 99% der Fälle, hat aber eine Falsch-Positiv-Rate von 5%.
- Problem
- Wie hoch ist die tatsächliche Wahrscheinlichkeit, dass ein Patient mit einem positiven Testergebnis wirklich krank ist?
- Verwendung
- Setzen Sie Prior auf 1, Likelihood auf 99 und Falsch positiv auf 5. Wählen Sie 'Prozent' als Eingabeskala.
- Beispielkonfiguration
-
{ "priorProbability": 1, "likelihood": 99, "falsePositiveRate": 5, "inputScale": "percent", "decimalPlaces": 4 } - Ergebnis
- Das Tool berechnet eine Posterior-Wahrscheinlichkeit von 16,6667%. Der Patient ist trotz positivem Test mit über 83% Wahrscheinlichkeit gesund.
2. Fehlererkennung in der Produktion
Qualitätsmanager- Hintergrund
- Eine Maschine produziert zu 2% fehlerhafte Teile. Der optische Scanner erkennt 95% der Fehler, markiert aber auch 3% der intakten Teile fälschlicherweise als fehlerhaft.
- Problem
- Wenn der Scanner Alarm schlägt, wie wahrscheinlich ist das Teil tatsächlich defekt?
- Verwendung
- Geben Sie die Basisrate (2%), die Sensitivität des Scanners (95%) und die Falsch-Positiv-Rate (3%) in den Rechner ein.
- Beispielkonfiguration
-
{ "priorProbability": 2, "likelihood": 95, "falsePositiveRate": 3, "inputScale": "percent", "decimalPlaces": 2 } - Ergebnis
- Die Posterior-Wahrscheinlichkeit beträgt 39,26%. Mehr als die Hälfte der vom Scanner aussortierten Teile sind eigentlich in Ordnung.
Mit Samples testen
math-&-numbersFAQ
Was ist die Basisrate (Prior)?
Die Basisrate ist die anfängliche Wahrscheinlichkeit, dass ein Ereignis eintritt, bevor neue Beweise oder Testergebnisse berücksichtigt werden.
Warum ist die Wahrscheinlichkeit nach einem positiven Test oft so niedrig?
Dies liegt oft am Basisratenfehler. Wenn eine Krankheit sehr selten ist (niedriger Prior), können selbst bei genauen Tests die falsch-positiven Ergebnisse die richtig-positiven überwiegen.
Was bedeutet Likelihood P(B|A) in diesem Rechner?
Es ist die Wahrscheinlichkeit, dass der Test positiv ausfällt, wenn das Ereignis (z. B. die Krankheit) tatsächlich vorliegt. Dies wird in der Medizin auch als Sensitivität bezeichnet.
Kann ich die Werte als Dezimalzahlen statt in Prozent eingeben?
Ja, Sie können die Eingabeskala im Dropdown-Menü von 'Prozent' auf 'Anteil' (z. B. 0.01 statt 1%) umstellen.
Wie genau ist das Ergebnis?
Die Berechnung erfolgt exakt nach dem Satz von Bayes. Sie können die Anzeigegenauigkeit über die Option 'Dezimalstellen' auf bis zu 10 Nachkommastellen anpassen.