Bayes-Theorem
In diesem Beitrag
Was versteht man unter dem Bayes-Theorem?
Das Bayes-Theorem ist eine fundamentale Regel der Wahrscheinlichkeitsrechnung. Es beschreibt, wie man eine bestehende Wahrscheinlichkeit für ein Ereignis aktualisieren kann, sobald neue Informationen vorliegen. Benannt ist es nach dem englischen Statistiker und Theologen Thomas Bayes (1702–1761), der die grundlegende Idee formulierte.
Formal lautet das Bayes-Theorem:
Formel: Bayes-Theorem
Die einzelnen Bestandteile bedeuten:
- P(A | B) – die Posterior-Wahrscheinlichkeit: Wie wahrscheinlich ist Ereignis A, gegeben dass B eingetreten ist?
- P(B | A) – die Likelihood: Wie wahrscheinlich ist B, wenn A gilt?
- P(A) – die Prior-Wahrscheinlichkeit: Wie wahrscheinlich ist A, bevor wir B beobachten?
- P(B) – die Evidenz: Die Gesamtwahrscheinlichkeit von B über alle möglichen Szenarien hinweg.
Warum ist das Bayes-Theorem für statistische Analysen wichtig?
Das Bayes-Theorem bildet die Grundlage der Bayesianischen Statistik, einem eigenen Zweig der Statistik, der sich grundlegend von der klassischen (frequentistischen) Statistik unterscheidet. Während die frequentistische Statistik Wahrscheinlichkeiten als langfristige relative Häufigkeiten versteht, erlaubt die Bayesianische Sichtweise, Vorwissen systematisch in eine Analyse einzubeziehen und es mit beobachteten Daten zu kombinieren.
Praktisch relevant wird das Theorem immer dann, wenn:
- Vorwissen vorhanden ist, das in die Analyse einfließen soll,
- Wahrscheinlichkeiten schrittweise mit neuen Beobachtungen aktualisiert werden sollen,
- Entscheidungen unter Unsicherheit getroffen werden müssen.
Das Theorem findet Anwendung in medizinischen Diagnosen, maschinellem Lernen, der Spam-Filterung, der forensischen Statistik und vielen Bereichen der Forschung.
Praxisbeispiel zu Bayes-Theorem
Angenommen, eine seltene Krankheit tritt in der Bevölkerung mit einer Wahrscheinlichkeit von 1 % auf. Ein Schnelltest für diese Krankheit hat folgende Eigenschaften:
| Eigenschaft | Wahrscheinlichkeit |
|---|---|
| Sensitivität (positiv, wenn krank) | 95 % |
| Falsch-positiv-Rate (positiv, obwohl gesund) | 5 % |
| Prävalenz der Krankheit | 1 % |
Jetzt testet eine Person positiv. Wie wahrscheinlich ist es, dass sie tatsächlich krank ist?
Mit dem Bayes-Theorem ergibt sich:
- P(krank) = 0,01
- P(positiv | krank) = 0,95
- P(positiv | gesund) = 0,05, und P(gesund) = 0,99
Die Gesamtwahrscheinlichkeit für ein positives Testergebnis berechnet sich als:
Berechnung: P(positiv)
Ergebnis: P(krank | positiv)
Das Ergebnis ist überraschend: Obwohl der Test positiv ausfällt, ist die Person nur mit einer Wahrscheinlichkeit von etwa 16 % tatsächlich krank. Der Grund liegt in der geringen Prävalenz der Krankheit – viele der positiven Tests stammen von gesunden Menschen. Dieses Beispiel zeigt eindrücklich, warum das Bayes-Theorem für die korrekte Interpretation von Testergebnissen unverzichtbar ist.
