Falsch-positives Paradoxon

Verstehen Sie, warum hochpräzise Tests immer noch überwiegend falsch positive Ergebnisse liefern können.

Testparameter

Prävalenz (% Infizierte)

Empfindlichkeit (% richtig positiv)

Spezifität (% richtig negativ)

Bevölkerungsgröße (optional)

Bayesianische Analyse

If you test Positive, Probability you are Sick:

9.02%

Positive Predictive Value (PPV)

Population Breakdown (100,000)

Has Disease: 100

True Positive: 99

False Negative: 1

Healthy: 99,900

True Negative: 98,901

False Positive: 999

The Paradox: Even though the test is 99% accurate, out of 1,098 positive results, 999 are false alarms!

Overview

Das falsch-positive Paradoxon tritt auf, wenn falsch-positive Testergebnisse wahrscheinlicher sind als echte positive Ergebnisse, typischerweise wenn die Erkrankung, auf die getestet wird, selten ist.

💡

Pro Tips

Senken Sie die Prävalenz, um das Paradoxon in Aktion zu sehen.

Fun Facts

"Selbst wenn der Test zu 99 % genau ist und nur einer von 1.000 Menschen von einer Krankheit betroffen ist, bedeutet ein positives Ergebnis nur eine Wahrscheinlichkeit von ca. 9 %, an der Krankheit zu erkranken."
"Aus diesem Grund führen Ärzte häufig einen erneuten Test durch oder verwenden einen spezifischeren zweiten Test."

Used with this

Similar tools that might be useful

A/B-Testrechner

Stellen Sie fest, ob Ihre Testergebnisse statistisch signifikant sind.

Absolute vs. relative Unsicherheit

Konvertieren Sie zwischen absoluter (± Einheit) und relativer (%) Unsicherheit.

Bereinigtes R-Quadrat

Bewerten Sie die Modellanpassung unter Berücksichtigung der Anzahl der Prädiktoren.