Stellen Sie sich einen Test für eine seltene Erkrankung vor, die 1 von 100 Personen betrifft. Der Test ist zu 99% zuverlässig — er identifiziert korrekt 99% der Personen, die die Krankheit tatsächlich haben, und schließt korrekt 99% derer aus, die sie nicht haben. Sie machen den Test. Er ist positiv. Wie viel Sorge ist gerechtfertigt?
Die intuitive Reaktion der meisten Menschen ist „99% besorgt“. Die richtige Antwort, korrekt berechnet, liegt bei etwa 50%. Diese Lücke ist genau das, wofür der Satz von Bayes existiert — und sobald Sie den Grund dafür sehen, werden Sie ein positives Ergebnis nie wieder gleich lesen.
Zwei Fragen, die sich ähneln, aber nicht dasselbe sind
„Wie zuverlässig ist dieser Test?“ verbirgt tatsächlich zwei getrennte Fragen unter einem Wort. Es gibt die Sensitivität — von den Personen, die die Krankheit haben, wie viele identifiziert der Test korrekt? Und es gibt die Spezifität — von denen, die sie nicht haben, wie viele schließt der Test korrekt aus? Ein Test kann bei beidem 99% erreichen und Sie trotzdem mit einem wirklich unsicheren Ergebnis zurücklassen, da keine dieser beiden Zahlen beantwortet, was Sie wirklich wissen wollen: Gegeben ein positives Ergebnis, wie wahrscheinlich haben Sie tatsächlich die Krankheit?
Es mit 10.000 Menschen berechnen
Der klarste Weg, das zu sehen, ist nicht Algebra — es ist Zählen. Stellen Sie sich vor, 10.000 Menschen zu testen, von denen 1% (100 Personen) die Krankheit tatsächlich haben.
- Von den 100, die sie haben, identifiziert der Test korrekt 99 (99% Sensitivität) und verpasst 1.
- Von den 9.900, die sie nicht haben, klassifiziert der Test fälschlich 1% von ihnen — 99 Personen — trotzdem als positiv (99% Spezifität, also eine Falsch-positiv-Rate von 1%).
Addieren Sie alle positiven Tests: 99 echte Positive plus 99 falsche Positive, also 198 Personen insgesamt. Von diesen 198 haben nur 99 tatsächlich die Krankheit — genau die Hälfte.
10.000 getestete Personen: Die 0,99%, die wirklich positiv sind, und die 0,99%, die falsch positiv sind, sind fast gleich, da eine seltene Erkrankung (1%) bedeutet, dass eine sehr große gesunde Gruppe immer noch eine gleiche Anzahl falscher Alarme produziert.
Try it yourself — drag the slider to change how rare the condition is, and watch how a “99% accurate” test's real reliability changes with it.
1.0% of people have the condition — 100 out of 10,000 tested.
99
true positives
99
false positives
50%
chance a positive is real
A test that's 99% accurate on paper is only 50% reliable in practice at this prevalence — because 99 healthy people are being flagged positive for every 99 genuinely sick ones caught.
Die Formel hinter dem Zählen
Der Satz von Bayes ist die formale Version genau dieser Zähllogik — er erlaubt Ihnen, eine anfängliche Wahrscheinlichkeit zu aktualisieren, sobald neue Beweise eintreffen:
P(Krankheit | positiv) = [P(positiv | Krankheit) × P(Krankheit)] ÷ P(positiv)
Der Zähler sind die 99 echten Positiven (99% Sensitivität × 1% Prävalenz). Der Nenner, P(positiv), stellt jeden dar, der aus irgendeinem Grund ein positives Testergebnis erhält — echte und falsche Positive zusammen, woher die 198 kommen. Je seltener die Erkrankung, desto mehr wird der Nenner mit falschen Positiven gefüllt, und desto schwieriger wird es, dass ein positives Ergebnis tatsächlich etwas bedeutet.
Warum das wirklich zählt, nicht nur als Prüfungsthema
Das ist keine Fangfrage, die entworfen wurde, um Schüler zu täuschen — es ist genau die Überlegung, die Ärzte täglich anwenden, formal „positiver Vorhersagewert“ genannt. Wenn Wahrscheinlichkeit und Statistik etwas ist, das Sie oder Ihr Kind mit dem echten Denkweg hinter der Formel verstehen sollten statt auswendig zu lernen, ist genau dafür unsere GCSE-Mathe-Nachhilfe da, und Sie können den vollständigen Lernweg hier sehen.
Häufig gestellte Fragen
Bedeutet 99% Zuverlässigkeit nicht, dass ich zu 99% die Krankheit habe, wenn der Test positiv ist?
Nein — und das ist das häufigste Missverständnis bei jedem medizinischen Test. „99% zuverlässig“ beschreibt das Verhalten des Tests je nach Ihrem tatsächlichen Zustand, es ist keine direkte Antwort auf die umgekehrte Frage: Gegeben ein positives Ergebnis, wie wahrscheinlich haben Sie tatsächlich die Krankheit? Diese beiden Zahlen können sehr unterschiedlich sein, wenn die Erkrankung selbst selten ist.
Ist der Test dann nutzlos?
Absolut nicht — er leistet echte Arbeit. Vor dem Test lag die Wahrscheinlichkeit, die Krankheit zu haben, bei 1%. Nach einem positiven Ergebnis stieg sie auf 50%. Das ist eine echte, bedeutende Aktualisierung; sie ist nur keine Gewissheit. In der Praxis reagieren Ärzte auf diese Lücke, indem sie einen separaten zweiten Test verordnen.
Wo gilt diese Logik anderswo wirklich?
Überall dort, wo etwas eine seltene Sache testet: Flughafensicherheit, Spam-Filter, Betrugserkennungssysteme, sogar ein Rauchmelder in einem Haus, wo ein echter Brand selten ist. In jedem Fall bedeutet eine niedrige Grundrate, dass falsch-positive Ergebnisse echte positive übertreffen können, selbst wenn der Detektor selbst extrem zuverlässig ist.
Bewertungen und Rezensionen von Lesern
Bewerten Sie diesen Artikel in mehreren Kategorien — Ihre Rückmeldung hilft anderen Lesern und uns bei der Verbesserung.
War dieser Artikel hilfreich für Sie?
Sagen Sie uns, was Sie denken — eine Korrektur, eine unbeantwortete Frage, oder ein Thema, das Sie als Nächstes behandelt sehen möchten.
Über den Autor
Sudershan Soni
Gründer und leitender Tutor bei Mostak Services — Tutor für Mathematik, Naturwissenschaften, Informatik und MINT mit Master-Abschluss und über 20 Jahren Berufserfahrung, unterrichtet Schüler von der 11+-Prüfung und GCSE bis zum A-Level und darüber hinaus, online weltweit.
Vollständiges Profil lesen