Wahrscheinlichkeiten richtig einschätzen: Das Bayes-Theorem einfach erklärt. Blog#274

Neue Informationen bedeuten nicht automatisch neue Gewissheiten. Sie verändern zunächst nur unsere Einschätzung dessen, was bereits wahrscheinlich war.

Stell dir vor, du gehst zur Vorsorgeuntersuchung und erhältst einen positiven Testbefund. Oder du liest morgens, dass ein Unternehmen in deinem Depot eine Gewinnwarnung veröffentlicht hat. Vielleicht zeigt eine neue klinische Studie ein überraschendes Ergebnis, oder ChatGPT liefert dir eine sehr überzeugende Antwort auf eine komplexe Frage. Die naheliegende Reaktion ist oft dieselbe: Das Signal wirkt so stark, dass wir es sofort für die Wahrheit halten.

Genau hier beginnt das Problem.

Unser Gehirn neigt dazu, einzelne Hinweise zu überschätzen und das Vorwissen zu unterschätzen. 

Psychologisch lässt sich das als Basisratenfehler beschreiben: Wir konzentrieren uns auf den aktuellen Befund und vergessen, wie häufig das betreffende Ereignis unabhängig davon überhaupt ist.

Das Bayes-Theorem hilft, diesen Denkfehler zu vermeiden. Es ist ein Grundprinzip der Wahrscheinlichkeitsrechnung und beschreibt, wie man eine bestehende Einschätzung mit neuer Evidenz aktualisiert.

Die Grundidee - in einem Satz: Vorwissen + neue Evidenz = aktualisierte Wahrscheinlichkeit

Es geht also nicht um "wahr" oder "falsch", sondern darum, Unsicherheit systematisch zu reduzieren.

Die zentrale Frage lautet: Wie stark sollte ich meine bisherige Einschätzung ändern, wenn neue Information hinzukommt?

Warum wir oft danebenliegen

Menschen denken im Alltag selten sauber in Wahrscheinlichkeiten. Wir reagieren auf dramatische Einzelereignisse starker als auf statistische Häufigkeiten. Doch genau die Hintergrundwahrscheinlichkeit ist oft entscheidend.

Das Bayes-Theorem zwingt uns daher, zuerst zu fragen: Wie wahrscheinlich war das Ereignis schon vor der neuen Information? Diese Ausgangswahrscheinlichkeit nennt man Prior oder Basisrate.

Ein medizinisches Beispiel

Nehmen wir eine seltene Erkrankung: 

• Von 100.000 Menschen sind 100 betroffen. Die Basisrate beträgt also 0,1 %.
• Ein Test erkennt 99 % der Erkrankten richtig. Bei 5 % der Gesunden liefert er fälschlich ein positives Ergebnis. 
• Das bedeutet: Die Sensitivität ist hoch, aber die Falsch-Positiv-Rate ist ebenfalls nicht null.

Die Rechnung lautet dann:

• 100 tatsächlich Erkrankte: 99 davon testen positiv.
• 99.900 Gesunde: 4.995 davon testen fälschlich positiv.
• Insgesamt gibt es 5.094 positive Tests, aber nur 99 davon stammen von tatsächlich Erkrankten.

Die gesuchte Wahrscheinlichkeit dass bei einem positiven Testergebnis die Krankheit tatsächlich vorliegt beträgt also lediglich: 99/5094 ≈ 1,94%

Das ist der entscheidende Punkt: Ein positiver Test ist bei einer seltenen Krankheit nicht automatisch gleichbedeutend mit "krank". Die geringe Basisrate sorgt dafür, dass über 98% der positiven Ergebnisse in Wahrheit Fehlalarme sind.

Wie Bayes aktualisiert

Wenn der erste Test positiv ausfällt, liegt die Erkrankungswahrscheinlichkeit in diesem Beispiel bei nur 1,94 %. Fällt auch ein zweiter, unabhängiger Test positiv aus, steigt sie auf rund 28 %. Das ist deutlich mehr, aber immer noch keine sichere Diagnose. Genau darin liegt die Stärke des bayesianischen Denkens: Neue Informationen verändern unsere Einschätzung schrittweise, statt sie sofort in Gewissheit zu verwandeln.

Drei Größen, die zählen

Beim Interpretieren von Signalen sollte man immer drei Fragen mitdenken:

1. Wie häufig ist das Ereignis überhaupt? Das ist die Basisrate (Prior).
2. Wie gut erkennt das Signal echte Fälle? Das ist die Sensitivität.
3. Wie oft erzeugt das Signal Fehlalarme? Das ist die Falsch-Positiv-Rate.

Erst das Zusammenspiel dieser drei Größen ergibt ein realistisches Bild.

Beispiele aus der Praxis

Börse: Eine Gewinnwarnung ist ein ernstes Warnsignal, aber kein automatisches Verkaufsurteil. Sie erhöht das Risiko, dass die ursprüngliche Investmentthese brüchig wird, sagt aber noch nicht, ob das Problem dauerhaft oder vorübergehend ist. Wer bayesianisch denkt, prüft deshalb zuerst, wie stark die neue Information die langfristige These wirklich verändert.

Wissenschaft: Auch in der Wissenschaft ist ein einzelnes positives Ergebnis selten das Ende der Wahrheitssuche. Eine Studie kann methodisch sauber sein und trotzdem ein falsch positives Signal liefern. Deshalb gewinnen Replikation, Meta-Analysen und ein vorsichtiger Umgang mit starken Einzelaussagen so große Bedeutung.

KI: Sprachmodelle erzeugen Antworten probabilistisch. Sie wählen nicht einfach "die richtige Antwort", sondern gewichten mögliche Fortsetzungen anhand gelernter Muster und Kontexte. Deshalb sollten ihre Aussagen als hilfreiche, aber nicht unfehlbare Wahrscheinlichkeits- und Mustererkennung verstanden werden.

Arzneimittelforschung: In der Arzneimittelforschung spielt bayesianisches Denken vor allem dann eine Rolle, wenn neue Daten schrittweise in Entscheidungen einfließen. Bayesianische Optimierung wird genutzt, um Suchprozesse effizienter zu machen, etwa bei der Priorisierung von Kandidaten in frühen Entwicklungsphasen.

Die Formel

Dabei gilt:

• P(A∣B): Die aktualisierte Wahrscheinlichkeit (der Posterior) – wie wahrscheinlich ist Hypothese A, wenn Evidenz B vorliegt?
• P(A): Die Ausgangswahrscheinlichkeit (der Prior) vor der neuen Information.
• P(B∣A): Beschreibt, wie wahrscheinlich die neue Evidenz B ist, wenn die Hypothese A stimmt (die Sensitivität).
• P(B): Die Gesamtwahrscheinlichkeit der Evidenz B (Treffer + Fehlalarme).

Für die Praxis ist die Formel weniger wichtig als die Denkweise dahinter: Zähle echte Treffer und Fehlalarme, und frage dann, wie groß der Anteil der echten Treffer unter allen positiven Befunden ist.

Fazit

Bayesianisches Denken bedeutet, Wahrscheinlichkeiten statt Gewissheiten zu verwalten. Das schützt vor vorschnellen Schlüssen, reduziert den Einfluss des Confirmation Bias und macht Entscheidungen unter Unsicherheit deutlich robuster.

Wenn du das nächste Mal auf eine starke Nachricht, einen Testbefund oder eine überraschende Studie triffst, frage dich:

• Wie hoch war die Ausgangswahrscheinlichkeit?
• Wie zuverlässig ist das Signal?
• Wie viele Fehlalarme sind möglich?
• Wie stark sollte ich meine Einschätzung wirklich anpassen?

Das ist der eigentliche Nutzen des Bayes-Theorems: Es hilft uns, klüger mit Unsicherheit umzugehen.

_____________________________________________________________________________

Transparenzhinweis zur Texterstellung:

Die Idee, die inhaltliche Struktur sowie alle Kernaussagen dieses Beitrags beruhen vollständig auf meiner eigenen intellektuellen Leistung. Für die finale sprachliche Ausformulierung wurde ein KI-Modell als Werkzeug genutzt. Das Ergebnis wurde im Anschluss von mir nochmals sorgfältig auf fachliche und inhaltliche Korrektheit geprüft.

Verantwortlicher: Klaus Rudolf; Kommentare und Fragen bitte an: rudolfklausblog@gmail.com

Auf diesem Blog teile ich meine persönlichen Meinungen und Erfahrungen. Es ist wichtig zu betonen, dass ich weder Arzt noch Finanzberater bin. Jegliche Informationen, die ich in meinem Blog vorstelle, stellen weder Anlageempfehlungen noch Therapieempfehlungen dar. Für fundierte Entscheidungen in Bezug auf Gesundheitsfragen oder Finanzanlagen empfehle ich, sich umfassend zu informieren und bei Bedarf einen professionellen Experten zu konsultieren.