Why Bayes' Theorem Is So Powerful
3-Second Blueprint (English)
- For a 1% rare disease, a 90%-sensitive test with 9% false alarms flags 9 sick and 89 healthy per 1,000, giving only ~9% true risk.
- Bayes' theorem multiplies the prior by the likelihood and divides by total positives so large healthy base rates are not ignored.
- Follow-up positives raise probability from 9% to ~50% and ~91% only if tests fail independently and the prior fits your symptoms.
Bayes' TheoremPrior, Likelihood & PosteriorNatural FrequenciesBase-Rate NeglectSequential Independent Updating
3-Sekunden-Fazit (Deutsch)
- Bei 1 % Prävalenz, 90 % Sensitivität und 9 % Fehlalarmen kommen auf 9 Kranke rund 89 Fehlalarme je 1.000: nur ca. 9 % Echt-Risiko.
- Der Satz von Bayes teilt Prior mal Likelihood durch alle Positivtests, damit große gesunde Grundgesamtheiten berücksichtigt werden.
- Zweit- und Dritttests heben die Chance von 9 % auf ca. 50 % und 91 % nur bei unabhängigen Testfehlern und passendem Prior.
Satz von BayesPrior, Likelihood & PosteriorNatürliche HäufigkeitenPrävalenzfehler (Base Rate)Sequenzielles Bayes-Update
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.