Bayes-Theorem Rechner
P(A|B) mit Schrittlösung · Medizin-Modus: PPV & NPV · Sensitivität & Spezifität
P(A|B) = P(B|A) × P(A) / P(B) — vollständiger Lösungsweg. Plus Medizin-Modus: Sensitivität + Spezifität + Prävalenz → PPV & NPV.
Das Bayes-Theorem verstehen: Formel, Beispiele und der häufigste Denkfehler
Das Bayes-Theorem löst eine Aufgabe, die unser Gehirn von Natur aus schlecht beherrscht: Wahrscheinlichkeiten richtig aktualisieren, wenn neue Information eintrifft. Die Formel ist einfach — aber ihre Konsequenzen überraschen selbst Ärzte, Richter und Statistiker.
Die Formel — und was sie bedeutet
P(A|B) = P(B|A) × P(A) / P(B)
In Worten: Wie wahrscheinlich ist A, gegeben dass B eingetreten ist? Die Antwort hängt von drei Dingen ab:
- P(A) — der Prior (Vorabwahrscheinlichkeit): Was wissen wir über A, bevor B eintritt? Im Medizinbeispiel: Wie häufig ist die Krankheit in der Bevölkerung? (= Prävalenz). Das ist der Faktor, den Menschen am häufigsten ignorieren.
- P(B|A) — die Likelihood: Wie wahrscheinlich ist B, wenn A wahr ist? Beim Medizintest: Wie oft schlägt der Test an, wenn die Person krank ist? (= Sensitivität)
- P(A|B) — der Posterior (aktualisierte Wahrscheinlichkeit): Das Ergebnis. Beim Medizintest: Wie wahrscheinlich ist die Krankheit bei positivem Test? (= PPV)
Klassischer Modus vs. Medizin-Modus: Wann welchen verwenden?
| Situation | Modus | Eingaben |
|---|---|---|
| Schulaufgabe, Fabrik, Alkoholtest | Klassisch | P(A), P(B|A), P(B|¬A) |
| Medizintest, Screening, Diagnostik | Medizin-Modus | Prävalenz, Sensitivität, Spezifität |
| Qualitätskontrolle | Klassisch | P(A) = Fehlerquote, P(B|A) = Erkennungsrate |
| Risikobewertung mit Basisrate | Klassisch | P(A) = Basisrate des Ereignisses |
Der Basis-Raten-Irrtum: Warum 95 % Genauigkeit täuscht
Ein Test mit 95 % Sensitivität und 95 % Spezifität klingt zuverlässig. Aber das Ergebnis hängt entscheidend von der Prävalenz ab — und genau das wird fast immer übersehen:
| Krank (100 von 10.000) | Gesund (9.900 von 10.000) | Gesamt | |
|---|---|---|---|
| Test positiv | 95 ✅ richtig positiv | 495 ❌ falsch positiv | 590 |
| Test negativ | 5 ❌ falsch negativ | 9.405 ✅ richtig negativ | 9.410 |
PPV = 95 / 590 = 16,1 % — nur jeder sechste positive Test ist wirklich krank. 84 % der positiven Ergebnisse sind Fehlalarme — obwohl der Test zu 95 % korrekt ist. Der Grund: Bei 1 % Prävalenz gibt es viel mehr Gesunde als Kranke. Selbst 5 % Falsch-Positiv-Rate erzeugt bei 9.900 Gesunden 495 Fehlalarme — mehr als alle echten Treffer zusammen.
Merksatz: Prävalenz ändert alles
Derselbe Test (95 % Sens, 95 % Spez) hat bei einer Risikogruppe mit 10 % Prävalenz einen PPV von 68 % — bei Massenscreening mit 0,1 % Prävalenz sinkt er auf unter 2 %. Ein Test ist kein Urteil, sondern ein Hinweis, der mit dem Vorwissen gewichtet werden muss.Bayes im Alltag: Drei Beispiele die jeder kennt
1. Spam-Filter
Jedes E-Mail-Programm nutzt Bayes: P(Spam | Wort „Gewinn“) wird aus Millionen klassifizierter E-Mails berechnet. Der Prior ist die allgemeine Spam-Rate, die Likelihood ist die Häufigkeit des Wortes in Spam-Mails. Hunderte solcher Aktualisierungen gleichzeitig filtern täglich Milliarden Mails — ohne eine einzige Regel manuell programmiert zu haben.
2. Prosecutor’s Fallacy — Bayes vor Gericht
DNA-Beweis: „Die Wahrscheinlichkeit, dass ein Unschuldiger dieses Profil hat, beträgt 1 : 1.000.000.“ Das klingt wie Schuld mit 99,9999 % — ist aber ein Denkfehler. Das ist P(DNA-Match | unschuldig), nicht P(unschuldig | DNA-Match). In einer Stadt mit 1 Million Einwohnern gibt es statistisch einen weiteren Menschen mit diesem Profil. Wenn der Prior für Schuld niedrig ist (kein Motiv, kein Tatmittel), kann der Posterior trotz eindrucksvollem DNA-Match überraschend niedrig sein. Dieser Fehler hat nachweislich zu Fehlurteilen geführt.
3. GPS-Navigation (Kalman-Filter)
GPS allein hat 5–15 m Fehler. Moderne Navigationssysteme kombinieren GPS mit Beschleunigungssensoren über einen Kalman-Filter — das ist Bayes in Echtzeit. Jede neue Messung aktualisiert die Positionsschätzung: der Prior ist die letzte bekannte Position, der Posterior ist die neue Schätzung nach der Messung. Dasselbe Prinzip steckt in Netflix-Empfehlungen und autonomen Fahrzeugen.
Häufige Fragen zum Bayes-Theorem
Was ist der Unterschied zwischen P(A|B) und P(B|A)?
P(B|A) = Wahrscheinlichkeit von B, wenn A wahr ist. P(A|B) = Wahrscheinlichkeit von A, wenn B eingetreten ist. Beispiel: P(Alarm | Einbrecher) ≈ 95 %. P(Einbrecher | Alarm) ≈ 0,1 % — weil Alarmanlagen ständig durch Wind, Tiere oder Fehler ausgelöst werden. Diese Verwechslung ist der Prosecutor’s Fallacy.
Was ist PPV und NPV — und warum hängen sie von der Prävalenz ab?
PPV = P(krank | Test positiv). NPV = P(gesund | Test negativ). Beide sind keine festen Testeigenschaften — sie ändern sich mit der Prävalenz. Sensitivität und Spezifität hingegen sind Testeigenschaften und ändern sich nicht mit der Prävalenz. Deshalb reicht „95 % genau“ als Aussage nicht aus — ohne Prävalenz ist PPV unberechenbar.
Was ist der Basis-Raten-Irrtum?
Der Fehler, den Prior (Basisrate / Prävalenz) zu ignorieren. Gerd Gigerenzer (Harding Center Berlin) hat gezeigt, dass über 80 % der Ärzte den PPV bei seltenen Krankheiten massiv überschätzen — selbst nach Statistikausbildung. Die Lösung ist einfach: statt Prozentwerten in absoluten Zahlen denken (z.B. „10 von 1.000″) — das macht Bayes intuitiv.
Wie rechne ich eine Schulaufgabe mit dem Rechner?
Klassischen Modus wählen und drei Werte eingeben: P(A) = Vorabwahrscheinlichkeit des gesuchten Ereignisses (z.B. Anteil Werk A = 70 %), P(B|A) = Wahrscheinlichkeit des Beobachteten wenn A wahr (z.B. Defektrate Werk A = 10 %), P(B|¬A) = dieselbe Wahrscheinlichkeit wenn A falsch (z.B. Defektrate der anderen Werke). Der Rechner zeigt den vollständigen Lösungsweg mit Zwischenschritten.
Was ist der Unterschied zwischen Bayesianischer und klassischer Statistik?
Die klassische (frequentistische) Statistik lehnt Priors ab — Wahrscheinlichkeiten sind nur relative Häufigkeiten bei vielen Wiederholungen. Bayesianische Statistik erlaubt Vorwissen einzubeziehen und schrittweise mit neuen Daten zu aktualisieren. Bei großen Datemengen ähnliche Ergebnisse. Bei kleinen Stichproben oder wenn Vorwissen entscheidend ist (Medizin, KI, Entscheidungstheorie) hat der bayesianische Ansatz klare Vorteile.
🔗 Passende weitere Rechner
Kombinationsrechner · Geburtstagsparadoxon · Chebyshev-Ungleichung · Dezimal in Prozent
Vertrauen Sie unserer Expertise
Daniel Niedermayer
Geschäftsführer
Zuletzt geprüft am: 21. Januar 2026
Verwendete Quellen
Unsere Methodik
P(A|B) = P(B|A)×P(A) / [P(B|A)×P(A) + P(B|¬A)×(1−P(A))]. PPV = Sens×Präv / [Sens×Präv + (1−Spez)×(1−Präv)]. NPV = Spez×(1−Präv) / [Spez×(1−Präv) + (1−Sens)×Präv]. Eingaben in %, intern /100.
Mehr zur Methodik
Die Qualität der Rechner ist enorm, und das kostenlos. Besten Dank.
Head of Sales & Business Development
Neben den Rechnern für den Arbeitsalltag finde ich auch die rund um die eigene Finanzplanung sehr hilfreich.
Agentur Geschäftsführerin
Ich schätze die Genauigkeit und Benutzerfreundlichkeit dieser Rechner sehr.
Fixrechner.de — „Alles ist berechenbar“. Bayes P(A|B) mit vollständigem Rechenweg + Medizin-Modus (PPV/NPV).
Schrittlösung
Vollständiger Rechenweg — ideal für Klausurvorbereitung.
Medizin-Modus
PPV & NPV aus Sensitivität, Spezifität, Prävalenz.
Datenschutz
Keine Datenspeicherung, kostenlos.
P(A|B) = P(B|A)×P(A)/P(B). PPV und NPV nach Standarddefinition der diagnostischen Statistik. Ohne Gewähr.