Statistik on kenji.blog

„Positiv getestet“ = „Krank“? : Der Basisratenfehler

Thu, 10 Sep 2026 21:00:00 +0900

Jeder würde wohl in Panik geraten, wenn er bei einer Gesundheits- oder Krebsvorsorgeuntersuchung ein „positives“ (abnormales) Ergebnis erhält. Wenn man jedoch Kenntnisse in Statistik und Wahrscheinlichkeitsrechnung hat, kann man tief durchatmen und ruhig bleiben. Der Grund dafür ist: Nur weil ein hochgenauer Test positiv ausfällt, bedeutet das nicht unbedingt, dass die Wahrscheinlichkeit, tatsächlich krank zu sein, hoch ist.

Dies ist eine typische kognitive Verzerrung, die als „Basisratenfehler“ (Base Rate Fallacy) oder „Vernachlässigung der A-priori-Wahrscheinlichkeit“ bekannt ist, bei der die menschliche Intuition die Wahrscheinlichkeitsrechnung stark fehleinschätzt.

Das furchteinflößende Problem der Gesundheitsuntersuchung

Stellen Sie sich die folgende Situation vor:

In einer bestimmten Stadt gibt es eine unbekannte Krankheit, mit der 1 von 10.000 Personen (0,01%) infiziert ist. Um diese Krankheit zu erkennen, wurde ein hervorragendes Testkit mit einer „Genauigkeit von 99%“ entwickelt. (*Eine Genauigkeit von 99% bedeutet, dass bei einer kranken Person, die den Test macht, das Ergebnis mit 99%iger Wahrscheinlichkeit korrekterweise „positiv“ ist und bei einer gesunden Person mit 99%iger Wahrscheinlichkeit korrekterweise „negativ“.)

Sie machen diesen Test zufällig und das Ergebnis ist „positiv“. Nun, wie hoch ist die Wahrscheinlichkeit, dass Sie tatsächlich mit dieser Krankheit infiziert sind?

Viele Menschen würden intuitiv antworten: „Da die Genauigkeit des Tests 99% beträgt, liegt die Wahrscheinlichkeit, dass ich krank bin, ebenfalls bei 99%.“ Die mathematisch korrekte Antwort lautet jedoch: „ca. 0,98% (weniger als 1%)“.

Warum in aller Welt liegt die tatsächliche Wahrscheinlichkeit bei unter 1%, obwohl die Genauigkeit 99% beträgt?

Der Satz von Bayes und die Visualisierung des Ganzen

Der Schlüssel zur Lösung dieses Problems liegt darin, nicht nur die Genauigkeit des Tests zu berücksichtigen, sondern auch „wie selten die Krankheit ursprünglich ist (Basisrate/A-priori-Wahrscheinlichkeit)“. Lassen Sie uns dieses kontraintuitive Phänomen anhand einer großen Gruppe von 1.000.000 Menschen visualisieren.

Gesamtanzahl der Personen: 1.000.000
Tatsächlich kranke Personen (1 von 10.000): 100
Gesunde Personen: 999.900

Wir führen bei all diesen 1.000.000 Personen den Test mit „99% Genauigkeit“ durch.

1. Wenn tatsächlich kranke Personen (100) getestet werden

Da die Genauigkeit 99% beträgt, werden korrekterweise als „positiv“ beurteilt: 100 Personen × 99% = 99 Personen (Richtig positiv)

2. Wenn gesunde Personen (999.900) getestet werden

Da die Genauigkeit 99% beträgt, gibt es eine 1%ige Wahrscheinlichkeit, dass jemand fälschlicherweise als „positiv“ beurteilt wird (falsch positiv): 999.900 Personen × 1% = 9.999 Personen (Falsch positiv)

graph TD A["Gesamtbevölkerung (1.000.000 Personen)"] --> B["Kranke Personen (100 Personen)"] A --> C["Gesunde Personen (999.900 Personen)"] B -->|99% richtig| B1["Richtig positiv (99 Personen)"] B -->|1% falsch| B2["Falsch negativ (1 Person)"] C -->|99% richtig| C1["Richtig negativ (989.901 Personen)"] C -->|1% falsch| C2["Falsch positiv (9.999 Personen)"] B1 -.-> D{"Gesamtzahl der 'positiv' getesteten Personen: 10.098"} C2 -.-> D style A fill:#ECEFF1,stroke:#333 style B fill:#FFCDD2,stroke:#333 style C fill:#C8E6C9,stroke:#333 style B1 fill:#F44336,stroke:#333,color:#fff style C2 fill:#FF9800,stroke:#333,color:#fff style D fill:#FFF9C4,stroke:#333,stroke-width:2px

Die wahre Wahrscheinlichkeit, dass Sie krank sind

Nun hat Ihnen der Arzt mitgeteilt: „Sie sind positiv.“ Das bedeutet, dass Sie zur Gruppe unten rechts im Diagramm gehören, der „Gesamtzahl der ‘positiv’ getesteten Personen (10.098)“.

Wie hoch ist der Anteil der „tatsächlich kranken Personen (richtig positiv)“ innerhalb dieser Gruppe?

$$ \text{Wahrscheinlichkeit, wirklich krank zu sein} = \frac{\text{Richtig positiv}}{\text{Alle positiv Getesteten}} = \frac{99}{99 + 9.999} = \frac{99}{10.098} \approx 0,0098 $$

Das berechnete Ergebnis ist ca. 0,98%. Obwohl Sie „positiv“ getestet wurden, ist die Wahrscheinlichkeit, dass Sie gesund sind (falsch positiv), überwältigend höher (ca. 99%).

Warum irrt sich unsere Intuition?

Dieses Phänomen wird mathematisch durch den „Satz von Bayes“ zur Berechnung der bedingten Wahrscheinlichkeit erklärt, aber das menschliche Gehirn ist sehr schlecht darin, diese Berechnung durchzuführen.

Der Grund für unseren Fehler ist, dass wir von den unmittelbaren, spezifischen und eindringlichen Informationen („Ihr Testergebnis ist positiv! Die Genauigkeit beträgt 99%!“) abgelenkt werden und die riesigen, langweiligen statistischen Daten im Hintergrund ignorieren („Von vornherein ist nur 1 von 10.000 Personen an dieser Krankheit erkrankt (Basisrate)“).

Da die „Seltenheit der Krankheit (0,01%)“ weitaus extremer ist als die „Ungenauigkeit des Tests (1%)“, schluckt ein winziger Testfehler im Handumdrehen die tatsächliche Anzahl der kranken Personen.

Der in der Gesellschaft lauernde „Basisratenfehler“

Diese Illusion führt nicht nur in der Medizin, sondern auch in vielen anderen Situationen zu Panik und Fehleinschätzungen.

Gesichtserkennungssysteme und Terroristen: Selbst wenn eine Gesichtserkennungskamera mit 99,9%iger Genauigkeit einen „Terroristen“ am Flughafen identifiziert, ist die Basiswahrscheinlichkeit von Terroristen so extrem niedrig, dass die meisten der Gefassten unschuldige Zivilisten mit ähnlich aussehenden Gesichtern (falsch positiv) sein werden.
Verkehrsunfälle und ältere Fahrer: Auch wenn man in den Nachrichten hört: „〇〇% der Autos, die einen Unfall verursacht haben, wurden von älteren Menschen gefahren“, und man dies als gefährlich empfindet, kann man nicht wissen, ob eine bestimmte Altersgruppe wirklich anfälliger für Unfälle ist, ohne „den Anteil der älteren Menschen an allen Fahrern auf der Straße überhaupt (Basisrate)“ zu berücksichtigen.

Der „Basisratenfehler“ lehrt uns die Wichtigkeit des statistischen Denkens: Gerade wenn wir schockierende Zahlen oder Einzelfälle sehen, müssen wir uns fragen, „wie wahrscheinlich es überhaupt ist, dass dies im Gesamtzusammenhang passiert (Basisrate)“.

Simpsons Paradoxon: Ein mysteriöses Phänomen, bei dem man im Detail gewinnt, aber im Ganzen verliert

Thu, 10 Sep 2026 07:00:00 +0900

1. In welchem Krankenhaus sollten Sie sich operieren lassen?

Sie sind schwer erkrankt und müssen sich einer Operation unterziehen. Sie haben zwei Optionen vor sich: Krankenhaus A und Krankenhaus B. Sie haben die Daten zur „Erfolgsquote“ der Operationen für jedes Krankenhaus angefordert.

【Gesamte Erfolgsquote】

Krankenhaus A: 900 von 1000 Personen erfolgreich (Erfolgsquote 90%)
Krankenhaus B: 800 von 1000 Personen erfolgreich (Erfolgsquote 80%)

Wenn man dies sieht, würde jeder denken: „Krankenhaus A ist besser!“. Da Sie jedoch ein vorsichtiger Mensch sind, haben Sie beschlossen, genauer zu untersuchen, wie sich die Daten je nach Zustand der Krankheit (leicht oder schwer) ändern.

【Erfolgsquote bei leichten Fällen】

Krankenhaus A: 99 von 100 Personen erfolgreich (Erfolgsquote 99%)
Krankenhaus B: 870 von 900 Personen erfolgreich (Erfolgsquote 96%) $\rightarrow$ Bei leichten Fällen gewinnt Krankenhaus A (99% > 96%)

【Erfolgsquote bei schweren Fällen】

Krankenhaus A: 801 von 900 Personen erfolgreich (Erfolgsquote 89%)
Krankenhaus B: 70 von 100 Personen erfolgreich (Erfolgsquote 70%) $\rightarrow$ Auch bei schweren Fällen gewinnt Krankenhaus A (89% > 70%)

Moment mal? Finden Sie das nicht seltsam?

Auch für Patienten mit „leichten Fällen“ hat Krankenhaus A eine höhere Erfolgsquote. Auch für Patienten mit „schweren Fällen“ hat Krankenhaus A eine höhere Erfolgsquote. Was passiert jedoch, wenn wir die „Gesamterfolgsquote“ aller Patienten berechnen…?

Krankenhaus A gesamt: $(99 + 801) / 1000 =$ 90%
Krankenhaus B gesamt: $(870 + 70) / 1000 =$ 94%… Nein, nach der vorherigen Berechnung sind es 80%?

Warten Sie, lassen Sie uns die ersten Daten noch einmal betrachten. Die ersten Daten sahen so aus:

Gesamterfolgsquote Krankenhaus A: 90%
Gesamterfolgsquote Krankenhaus B: 80%

Aber wenn wir mit den detaillierten Daten neu rechnen, sollte die Gesamterfolgsquote von Krankenhaus B $(870 + 70) / 1000 = 940 / 1000 =$ 94% betragen.

…Nein, Sie wurden getäuscht! Tatsächlich ist genau dieser Zahlentrick die furchterregende statistische Falle, die wir heute erklären werden. Lassen Sie mich Ihnen noch einmal die richtigen Daten zeigen.

2. An Sie, die getäuscht wurden: Die wahren Daten

【Erfolgsquote bei leichten Fällen】

Krankenhaus A: 870 von 900 Personen erfolgreich (Erfolgsquote 96%)
Krankenhaus B: 99 von 100 Personen erfolgreich (Erfolgsquote 99%) $\rightarrow$ Bei leichten Fällen gewinnt Krankenhaus B (99% > 96%)

【Erfolgsquote bei schweren Fällen】

Krankenhaus A: 30 von 100 Personen erfolgreich (Erfolgsquote 30%)
Krankenhaus B: 315 von 900 Personen erfolgreich (Erfolgsquote 35%) $\rightarrow$ Auch bei schweren Fällen gewinnt Krankenhaus B (35% > 30%)

Das heißt, sowohl bei leichten als auch bei schweren Fällen ist Krankenhaus B weit überlegen.

Lassen Sie uns das nun als „Ganzes“ zusammenrechnen.

Krankenhaus A gesamt: $(870 + 30) / (900 + 100) = 900 / 1000 =$ Erfolgsquote 90%
Krankenhaus B gesamt: $(99 + 315) / (100 + 900) = 414 / 1000 =$ Erfolgsquote 41%

Unglaublich! Wenn man die „Teile“ betrachtet, gewinnt überall Krankenhaus B, aber wenn man das „Ganze“ zusammennimmt, wird es zu einem Erdrutschsieg für Krankenhaus A! Dieses Phänomen wird als „Simpson-Paradoxon“ bezeichnet.

graph TD subgraph "Teildaten (B gewinnt)" Light["Leicht: Krankenhaus B gewinnt (99% > 96%)"] Heavy["Schwer: Krankenhaus B gewinnt (35% > 30%)"] end subgraph "Gesamtdaten (A gewinnt)" Total["Gesamtsumme: Erdrutschsieg für A (90% > 41%)"] end Light -->|Aus irgendeinem Grund bei der Zusammenrechnung umgekehrt| Total Heavy -->|Aus irgendeinem Grund bei der Zusammenrechnung umgekehrt| Total style Total fill:#ff9999,stroke:#333,stroke-width:2px

3. Warum kommt es zu dieser seltsamen Umkehrung?

Die wahre Natur dieses Paradoxons liegt in der „Verzerrung der Grundgesamtheit (Nenner)“ und „verborgenen Variablen (Störfaktoren)“.

Schauen Sie sich die Daten genau an.

Krankenhaus A nimmt eine große Anzahl (900 Personen) an „leicht zu heilenden, leichten Fällen“ auf.
Krankenhaus B nimmt eine große Anzahl (900 Personen) an „schwer zu heilenden, schweren Fällen“ auf.

Da Krankenhaus B sehr kompetent ist, fungiert es als „letzte Festung“, die viele schwierige, schwere Fälle übernimmt, die von anderen abgelehnt werden. Natürlich ist die Erfolgsquote bei schweren Fällen niedriger (35%). Die „Gesamterfolgsquote“ von Krankenhaus B wird durch diese niedrige Erfolgsquote der vielen schweren Fälle nach unten gezogen und erscheint insgesamt niedrig (41%).

Andererseits behandelt Krankenhaus A hauptsächlich einfache, leichte Fälle, weshalb die Gesamterfolgsquote hoch (90%) erscheint. Wenn man sie jedoch unter den gleichen Bedingungen vergleicht (schwere mit schweren, leichte mit leichten), sind die Fähigkeiten von Krankenhaus A denen von Krankenhaus B unterlegen.

Mathematisch ausgedrückt liegt die Ursache in der Eigenschaft der Addition von Brüchen. Im Allgemeinen gilt: Selbst wenn $\frac{a}{b} < \frac{A}{B}$ und $\frac{c}{d} < \frac{C}{D}$, ist

$$ \frac{a+c}{b+d} < \frac{A+C}{B+D} $$

nicht immer wahr. Wenn die Größe der Nenner extrem unterschiedlich ist, kann sich die Richtung des Ungleichheitszeichens umkehren.

4. „Simpson-Paradoxon“ in der realen Welt

Dieses Paradoxon ist nicht nur ein reines Rechenrätsel, sondern tritt auch in der realen Welt häufig auf und hat große Kontroversen ausgelöst.

Der Verdacht auf sexistische Diskriminierung an der University of California, Berkeley im Jahr 1973

Eine Untersuchung der Zulassungsquoten für die Graduate School in Berkeley ergab, dass die „Zulassungsquote von Männern (44%)“ signifikant höher war als die „Zulassungsquote von Frauen (35%)“, was als offensichtliche Diskriminierung von Frauen zu einem Problem wurde. Als die Daten jedoch detailliert nach „Fakultäten“ aufgeteilt analysiert wurden, kam eine erstaunliche Tatsache ans Licht. In fast allen Fakultäten war die Zulassungsquote von Frauen höher als die von Männern.

Warum kehrten sich die Gesamtzahlen um? Tatsächlich bewarben sich Frauen häufiger bei „Fakultäten mit niedriger Zulassungsquote (schwer reinzukommen)“, während sich Männer häufiger bei „Fakultäten mit hoher Zulassungsquote (leicht reinzukommen)“ bewarben.

Wirksamkeitsdaten von Corona-Impfstoffen

Es gab einmal Aufregung, als Daten kursierten, die besagten: „Geimpfte Personen haben eine höhere Sterblichkeitsquote als Ungeimpfte.“ Auch dies ist das Ergebnis der Ignorierung von alterspezifischen Daten (verborgene Variablen). Da Impfstoffe prioritär an „ältere Menschen (die von vornherein eine höhere Sterblichkeitsrate haben)“ verabreicht wurden, kam es bei einer bloßen Summierung der Gesamtsterblichkeitsrate zu einer extremen Häufung älterer Menschen in der geimpften Gruppe, wodurch die Sterblichkeitsrate scheinbar höher wurde.

Wenn man sie nach Altersgruppen getrennt vergleicht, wurde bestätigt, dass „Geimpfte in allen Altersgruppen eine niedrigere Sterblichkeitsrate haben“.

5. Fazit: Daten lügen nicht, aber Menschen können mit Daten lügen

Das Simpson-Paradoxon warnt vor der „Gefahr, Entscheidungen nur auf der Grundlage von Gesamtdaten wie Durchschnittswerten oder Summen zu treffen“.

Die Welt ist voll von Unternehmen, Politikern und Medien, die nur die „Gesamtzahlen“ herauspicken, um sich in einem vorteilhaften Licht darzustellen. Selbst wenn man Ihnen sagt: „Unser Produkt A hat eine höhere Gesamtzufriedenheit als Produkt B der Konkurrenz!“, könnte es sein, dass, wenn man es in „junge Leute“ und „ältere Leute“ aufteilt, das Konkurrenzprodukt B in beiden Gruppen gewinnt.

Wenn Sie sich Daten ansehen, sollten Sie sich nicht von den oberflächlichen „Gesamt“-Zahlen täuschen lassen. Einen kritischen Blick dafür zu haben und zu hinterfragen: „Gibt es eine extreme Verzerrung in den Proportionen der Gruppen aufgrund von verborgenen Variablen (Alter, Geschlecht, Schweregrad usw.) im Hintergrund?“, ist die stärkste Waffe, um in der heutigen Informationsgesellschaft zu überleben.