Was ist das Bayes-Theorem?

Was ist das Bayes-Theorem?

1. Einführung

Das Bayes-Theorem, benannt nach Reverend Thomas Bayes, ist ein grundlegendes Konzept in der Wahrscheinlichkeitsrechnung und Statistik. Es bietet eine Methode zur Aktualisierung von Überzeugungen oder Wahrscheinlichkeiten auf der Grundlage neuer Erkenntnisse und ermöglicht es uns, angesichts der Unsicherheit fundiertere Entscheidungen zu treffen.

2. Definition

Das Bayes-Theorem ist eine mathematische Gleichung, die die Beziehung zwischen drei Wahrscheinlichkeiten beschreibt:

• P(A|B): Die Wahrscheinlichkeit, dass Ereignis A eintritt, vorausgesetzt, Ereignis B ist bereits eingetreten (Posteriori-Wahrscheinlichkeit).
• P(A): Die Wahrscheinlichkeit des Eintretens von Ereignis A (A-priori-Wahrscheinlichkeit)
• P(B|A): Die Wahrscheinlichkeit, dass Ereignis B eintritt, vorausgesetzt, dass Ereignis A bereits eingetreten ist (Wahrscheinlichkeit)
• P(B): Die Wahrscheinlichkeit des Eintretens von Ereignis B (Grenzwahrscheinlichkeit)

3. Gleichung

Das Bayes-Theorem kann wie folgt ausgedrückt werden:

 P(A|B) = (P(A) * P(B|A)) / P(B)

4. Interpretation

Um den Bayes-Satz zu verstehen, zerlegen wir die Gleichung:

• P(A|B): Posterior-Wahrscheinlichkeit – Dies ist die aktualisierte Wahrscheinlichkeit von Ereignis A nach Berücksichtigung der Beweise B. Sie spiegelt unsere Überzeugung wider, dass A wahr ist, vorausgesetzt, dass B eingetreten ist.
• P(A): A-priori-Wahrscheinlichkeit – Dies ist unsere anfängliche Überzeugung, dass A wahr ist, bevor wir irgendwelche Beweise berücksichtigen.
• P(B|A): Wahrscheinlichkeit – Dies ist die Wahrscheinlichkeit, B zu beobachten, wenn A wahr ist. Es gibt an, wie wahrscheinlich es ist, B zu sehen, vorausgesetzt, dass A aufgetreten ist.
• P(B): Grenzwahrscheinlichkeit – Dies ist die Wahrscheinlichkeit, B zu beobachten, unabhängig davon, ob A wahr ist. Es wird verwendet, um die A-Posteriori-Wahrscheinlichkeit zu normalisieren.

5. Bewerbungen

Das Bayes-Theorem wird häufig in verschiedenen Bereichen verwendet, darunter:

• Maschinelles Lernen und künstliche Intelligenz
• Medizinische Diagnostik und Epidemiologie
• Forensische Wissenschaft
• Risikobewertung und -vorhersage
• Finanzanalyse und Investitionen

6. Beispiel

Angenommen, es gibt eine Krankheit mit einer Prävalenz von 1 % in der Bevölkerung. Es wird ein Test auf die Krankheit durchgeführt, der bekanntermaßen eine Genauigkeit von 99 % hat, d. h. er liefert ein positives Ergebnis, wenn der Patient an der Krankheit leidet (Sensitivität), und ein negatives Ergebnis, wenn der Patient nicht an der Krankheit leidet (Spezifität).

• P(A) (Prioritätswahrscheinlichkeit): Die Wahrscheinlichkeit, an der Krankheit zu erkranken, beträgt 1 %.
• P(B|A) (Wahrscheinlichkeit): Die Wahrscheinlichkeit, angesichts der Erkrankung positiv getestet zu werden, beträgt 99 %.
• P(B') (Wahrscheinlichkeit): Die Wahrscheinlichkeit, bei fehlender Erkrankung negativ zu testen, beträgt 99 %.

Wenn ein Patient positiv getestet wird, wie groß ist die Wahrscheinlichkeit, dass er tatsächlich an der Krankheit leidet (Posteriori-Wahrscheinlichkeit)?

• P(A|B) = (P(A) * P(B|A)) / P(B)
• P(A|B) = (0,01 0,99) / (0,01 0,99 + (1 - 0,01) * 0,99)
• P(A|B) ≈ 0,998

Obwohl die Krankheit selten ist, ist es daher bei einem positiven Testergebnis sehr wahrscheinlich (99,8 %), dass der Patient daran erkrankt ist.