The medical test paradox (well "paradox")
3-Second Blueprint (English)
- When a disease affects 1 in 1,000 people, a test with a 1% false-positive rate yields roughly 10 false alarms per true case.
- A positive result raises probability to only ~9% because healthy individuals vastly outnumber sick ones in the base population.
- Bayes' rule resolves the paradox by updating prior population odds with the test's likelihood ratio rather than raw accuracy.
Bayes' RuleBase-Rate FallacyFalse-Positive RatePrior Odds & Likelihood
3-Sekunden-Fazit (Deutsch)
- Trifft eine Krankheit 1 von 1.000 Personen, erzeugt selbst 1 % Falsch-Positiv-Rate etwa zehn Fehlalarme pro echtem Fall.
- Ein positiver Test bedeutet nur ca. 9 % Krankheitsrisiko, da Gesunde in der Gesamtbevölkerung stark überwiegen.
- Der Satz von Bayes löst das Paradoxon durch Aktualisieren der A-priori-Chancen mit dem Likelihood-Quotienten des Tests.
Satz von BayesPrävalenzfehlerFalsch-Positiv-RateA-priori-Chancen & Likelihood
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.