bayes theorem #maths #statistics #machinelearning #datascience
3-Second Blueprint (English)
- Illustrates Bayes' Theorem using a rare disease affecting 1 in 100 people and a medical test with 99% sensitivity and specificity.
- Testing 100 people produces roughly one true positive from the sick person and one false positive among the 99 healthy individuals.
- A positive test yields only a 50% actual chance of disease—not 99%—showing why prior base rates must anchor probability updates.
Bayes' TheoremBase-Rate FallacyConditional ProbabilityFalse Positive Rate
3-Sekunden-Fazit (Deutsch)
- Erklärt den Satz von Bayes anhand einer Krankheit mit 1 % Prävalenz (1 von 100) und einem zu 99 % genauen medizinischen Test.
- Bei 100 Getesteten entsteht etwa ein richtig-positives Ergebnis beim Kranken sowie ein falsch-positives unter den 99 Gesunden.
- Ein positiver Test bedeutet daher nur 50 % Krankheitswahrscheinlichkeit statt 99 % und zeigt die Bedeutung der A-priori-Basisrate.
Satz von BayesPrävalenzfehler (Basisrate)Bedingte WahrscheinlichkeitFalsch-Positiv-Rate
Note / Hinweis: Blueprints are AI-generated educational summaries (0% Politics · 0% Religion · 0% Brainrot) and do not constitute medical, legal, or financial advice. / KI-generierte Zusammenfassung zu Bildungszwecken – ersetzt keine medizinische, rechtliche oder finanzielle Fachberatung.