Visualisierung des Bayes-Theorems

Erkunden Sie, Wie Beweise Unsere Überzeugungen Aktualisieren

P(A|B) = P(B|A) · P(A) P(B)
A-priori-Wahrscheinlichkeit: Überzeugung vor dem Sehen von Beweisen
Likelihood: Wahrscheinlichkeit von Beweisen, wenn die Hypothese wahr ist
Beweis: Gesamtwahrscheinlichkeit, die Beweise zu sehen
A-posteriori-Wahrscheinlichkeit: aktualisierte Überzeugung nach dem Sehen von Beweisen

Paradoxon der Falsch-Positiven

Ein Test für eine seltene Krankheit hat eine hohe Genauigkeit, aber wenn Sie positiv testen, ist die Wahrscheinlichkeit, dass Sie tatsächlich die Krankheit haben, viel niedriger als Sie denken. Lassen Sie uns sehen, warum.

0.01% 10%
50% 100%
0.1% 10%

Wenn der Test Positiv Ist

9.0% Wahrscheinlichkeit der Tatsächlichen Krankheit

Berechnungsprozess (basierend auf 10.000 Personen):

1 Tatsächlich kranke Personen: 10 人
2 Test positiv (wahre Positive): ≈10 人
3 Gesunde Personen: 9,990 人
4 Falsch-Positive: ≈100 人
5 Gesamt positive Tests: ≈110 人
6 Echte Krankheit unter Positiven: 10 / 110 ≈ 9.0%

Bevölkerungsverteilung (10.000 Personen)

Wahr-Positiv (Krank und Test Positiv)
Falsch-Negativ (Krank und Test Negativ)
Falsch-Positiv (Gesund und Test Positiv)
Wahr-Negativ (Gesund und Test Negativ)

Wahrscheinlichkeitsvergleich

Bayes'scher Aktualisierungsprozess

Passen Sie die A-priori-Wahrscheinlichkeit und Likelihood an, um zu beobachten, wie sich die A-posteriori-Wahrscheinlichkeit ändert. Dies zeigt den Kernmechanismus des Bayes'schen Schließens: Wie neue Beweise unsere Überzeugungen aktualisieren.

1% 99%

Anfängliche Überzeugung vor dem Sehen von Beweisen

1% 99%

Wahrscheinlichkeit von Beweisen, wenn die Hypothese wahr ist

1% 99%

Gesamtwahrscheinlichkeit, Beweise in allen Fällen zu sehen

A-posteriori-Wahrscheinlichkeit P(H|E)

80.0% Aktualisierte Überzeugung

Formelberechnung:

A Priori: P(H) = 50%
↓
Beweis: P(E|H) = 80%
↓
Normalisierung: P(E) = 50%
↓
A Posteriori: P(H|E) = 80.0%

Mengenbeziehungsdiagramm

Hypothese H
Beweis E
P(H∩E)

Wichtige Erkenntnisse

A Priori ist Wichtig

Bei seltenen Ereignissen können positive Ergebnisse auch bei hoher Testgenauigkeit hauptsächlich falsch-positiv sein. Dies liegt daran, dass die Basisrate zu niedrig ist.

Beweise Aktualisieren Überzeugungen

Der Satz von Bayes bietet einen mathematischen Rahmen dafür, wie wir unsere Überzeugungen basierend auf neuen Beweisen rational aktualisieren können.

Die Macht des Likelihood-Verhältnisses

Wenn Beweise wahrscheinlicher unter der Hypothese als unter ihrer Negation sind (hohes Likelihood-Verhältnis), haben die Beweise eine starke Überzeugungskraft.

Iterative Aktualisierung

Heute's A-posteriori kann morgen's A-priori werden, was es uns ermöglicht, kontinuierlich Beweise zu sammeln und uns schrittweise der Wahrheit zu nähern.