Wie wendest du den Satz von Bayes Schritt für Schritt an?

Gehe in drei Schritten vor: Ereignisse definieren: Benenne alle relevanten Ereignisse mit Abkürzungen und notiere alle gegebenen Wahrscheinlichkeiten in korrekter Notation. Gesamtwahrscheinlichkeit berechnen: Addiere die Pfadwahrscheinlichkeiten im Baumdiagramm, die zur bekannten Bedingung führen – das ergibt den Nenner. Formel anwenden: Setze den interessierenden Pfad als Zähler und die Gesamtwahrscheinlichkeit als Nenner ein und berechne das Ergebnis.

Was ist der Unterschied zwischen bedingter Wahrscheinlichkeit und dem Satz von Bayes?

Die bedingte Wahrscheinlichkeit P(B|A) gibt an, wie wahrscheinlich ein Ereignis B ist, wenn A bereits eingetreten ist. Der Satz von Bayes nutzt genau diese bekannte Wahrscheinlichkeit, um die umgekehrte Frage zu beantworten: Wie wahrscheinlich ist die Ursache A, wenn die Wirkung B beobachtet wurde? Er ist also kein Ersatz für die bedingte Wahrscheinlichkeit, sondern baut direkt auf ihr auf.

Wann brauchst du die Gesamtwahrscheinlichkeit beim Satz von Bayes?

Den Nenner P(B) – die Gesamtwahrscheinlichkeit – berechnest du immer dann, wenn er nicht direkt in der Aufgabe angegeben ist. Das ist fast immer der Fall. Du addierst dazu alle Pfadwahrscheinlichkeiten im Baumdiagramm, die zum beobachteten Ereignis führen: P(B) = P(A₁) · P(B|A₁) + P(A₂) · P(B|A₂) + … . Ohne diesen Schritt kannst du die Bayes-Formel nicht korrekt anwenden.

Warum liefert ein positiver Test oft trotzdem eine niedrige Wahrscheinlichkeit für eine Krankheit?

Das liegt am Zusammenspiel von Seltenheit der Krankheit und der Falsch-Positiv-Rate des Tests. Ist eine Krankheit sehr selten (z. B. 0,1 % der Bevölkerung), gibt es viel mehr gesunde als kranke Personen. Selbst eine kleine Falsch-Positiv-Rate erzeugt dann in der großen Gruppe der Gesunden viele falsche Alarme – und diese überwiegen die echten positiven Befunde. Der Satz von Bayes macht genau diesen Effekt sichtbar und berechenbar.

Satz von Bayes einfach erklärt

Q: Was ist der Satz von Bayes?

Der Satz von Bayes ist eine Formel der Wahrscheinlichkeitsrechnung, mit der du bedingte Wahrscheinlichkeiten „umdrehst". Er berechnet die Wahrscheinlichkeit einer Ursache , wenn eine bestimmte Wirkung bereits beobachtet wurde. Die Formel lautet: P(A|B) = P(B|A) · P(A) / P(B) . Typische Anwendungen sind medizinische Tests, Qualitätskontrollen in der Produktion und Spam-Filter.

Der Satz von Bayes ist dein persönlicher „Realitäts-Check" in der Wahrscheinlichkeitsrechnung. Stell dir vor, ein neuer medizinischer Test sagt, du hast eine seltene Krankheit. Panik! Aber wie zuverlässig ist dieses Ergebnis wirklich? Oft sind solche Tests nicht perfekt. Der Satz von Bayes hilft dir, hinter die Schlagzeile zu blicken und die wahre Wahrscheinlichkeit zu berechnen. Du lernst, wie man von einer bekannten Information (z.B. „Wie oft schlägt der Test bei Kranken an?") auf die wirklich wichtige Frage schließt: „Ich habe ein positives Ergebnis – wie wahrscheinlich ist es, dass ich wirklich krank bin?". Das ist kein trockenes Mathe-Thema, sondern ein Werkzeug, um Informationen kritisch zu bewerten – von medizinischen Diagnosen bis hin zu Spam-Filtern in deinem E-Mail-Postfach.

Schnellantwort

Der Satz von Bayes ist eine Formel der Wahrscheinlichkeitsrechnung, die bedingte Wahrscheinlichkeiten „umdreht": Er berechnet die Wahrscheinlichkeit einer Ursache, wenn eine bestimmte Wirkung bereits bekannt ist. Die Formel lautet $P_B(A) = \frac{P_A(B) \cdot P(A)}{P(B)}$ und verbindet die bekannte Wahrscheinlichkeit $P_A(B)$ mit der gesuchten Wahrscheinlichkeit $P_B(A)$ .

Vorwissen

Bevor wir starten, solltest du diese Konzepte kennen:

Bedingte Wahrscheinlichkeit: Das ist die Wahrscheinlichkeit für ein Ereignis A, wenn wir bereits wissen, dass ein anderes Ereignis B eingetreten ist. Man schreibt das als $P(A|B)$ oder $P_B(A)$ und liest es als „Die Wahrscheinlichkeit von A unter der Bedingung B".
- Beispiel: Die Wahrscheinlichkeit, eine 6 zu würfeln ( $A$ ), wenn wir schon wissen, dass die Zahl gerade ist ( $B$ ), ist $\frac{1}{3}$ , also $P(A|B) = \frac{1}{3}$ .
Baumdiagramme und Pfadregeln: Sie helfen, mehrstufige Zufallsexperimente darzustellen.
- 1. Pfadregel (Produktregel): Die Wahrscheinlichkeit eines Ergebnisses erhältst du, indem du die Wahrscheinlichkeiten entlang des Pfades multiplizierst.
- 2. Pfadregel (Summenregel): Die Wahrscheinlichkeit eines Ereignisses, das auf mehreren Wegen eintreten kann, ist die Summe der Wahrscheinlichkeiten dieser einzelnen Pfade.

Baumdiagramm mit Pfadregeln zur bedingten Wahrscheinlichkeit

Aufgabentyp 1: Umgekehrte Wahrscheinlichkeit mit dem Satz von Bayes berechnen

Der Satz von Bayes einfach erklärt: Er ist ein mächtiges Werkzeug, um bedingte Wahrscheinlichkeiten „umzudrehen".

Oft kennen wir die Wahrscheinlichkeit für eine Wirkung, wenn eine bestimmte Ursache vorliegt. Zum Beispiel: Wie wahrscheinlich ist ein positiver Test ( $B$ ), wenn eine Person krank ist ( $A$ )? Das wäre $P(B|A)$ .

Was uns aber oft viel mehr interessiert, ist die umgekehrte Frage: Wir beobachten eine Wirkung (der Test ist positiv) und wollen wissen, wie wahrscheinlich eine bestimmte Ursache dafür ist. Also: Wie wahrscheinlich ist es, dass die Person krank ist ( $A$ ), wenn der Test positiv ist ( $B$ )? Das ist $P(A|B)$ .

Genau hier hilft uns der Satz von Bayes:

$P_B(A) = \frac{P_A(B) \cdot P(A)}{P(B)}$

Die Teile der Formel:

$P_B(A)$ : Die gesuchte Wahrscheinlichkeit. Die Wahrscheinlichkeit für die Ursache A, gegeben die Wirkung B.
$P_A(B)$ : Die bekannte umgekehrte Wahrscheinlichkeit aus der Aufgabenstellung.
$P(A)$ : Die Anfangswahrscheinlichkeit der Ursache A, bevor wir irgendetwas wussten.
$P(B)$ : Die Gesamtwahrscheinlichkeit für das Eintreten der Wirkung B. Diese müssen wir oft zuerst mit dem Satz der totalen Wahrscheinlichkeit ausrechnen.

Ein Baumdiagramm ist fast immer der beste Weg, um das Problem zu visualisieren.

Schritt-für-Schritt-Anleitung

Definiere Ereignisse und notiere Wahrscheinlichkeiten: Lies die Aufgabe sorgfältig durch. Definiere Abkürzungen für alle relevanten Ereignisse und schreibe alle gegebenen Wahrscheinlichkeiten in der korrekten Notation auf.
Berechne die Gesamtwahrscheinlichkeit (den Nenner): Addiere die Wahrscheinlichkeiten aller Pfade im Baumdiagramm, die zur bekannten Bedingung führen.
Wende den Satz von Bayes an: Setze die Werte in die Formel ein, berechne das Ergebnis und formuliere einen Antwortsatz.

Durchgerechnete Beispiele

Beispiel 1

Aufgabe

Ein Unternehmen bezieht Bauteile von zwei Zulieferern, Schrauben & Söhne AG und Die Lockere Mutter GmbH. 70% der Bauteile stammen von Schrauben & Söhne AG, die restlichen 30% von Die Lockere Mutter GmbH. Aus Erfahrung weiß man, dass 20% der Bauteile von Schrauben & Söhne AG fehlerhaft sind, während bei Die Lockere Mutter GmbH 60% der Bauteile Mängel aufweisen. Ein zufällig ausgewähltes Bauteil ist fehlerhaft. Wie hoch ist die Wahrscheinlichkeit, dass dieses Bauteil von Schrauben & Söhne AG geliefert wurde?

Fortschritt

3 / 3

1
Schritt 1
Ereignisse definieren und Wahrscheinlichkeiten notieren
- $S$ : Das Bauteil stammt von Schrauben & Söhne AG.
- $M$ : Das Bauteil stammt von Die Lockere Mutter GmbH.
- $F$ : Das Bauteil ist fehlerhaft.
Gegebene Wahrscheinlichkeiten: $P(S) = 0{,}70$ $P(M) = 0{,}30$ $P_S(F) = 0{,}20$ (Wahrscheinlichkeit für fehlerhaft, WENN von S) $P_M(F) = 0{,}60$ (Wahrscheinlichkeit für fehlerhaft, WENN von M)

Gesucht ist $P_F(S)$ : Die Wahrscheinlichkeit, dass das Bauteil von S stammt, WENN es fehlerhaft ist.

Baumdiagramm Zulieferer mit Fehlerwahrscheinlichkeiten
Schritt 2
Gesamtwahrscheinlichkeit für ein fehlerhaftes Bauteil berechnen
Wir berechnen die Gesamtwahrscheinlichkeit $P(F)$ , indem wir die Wahrscheinlichkeiten der beiden Pfade addieren, die zum Ereignis „fehlerhaft" führen.

$P(F) = P(S) \cdot P_S(F) + P(M) \cdot P_M(F)$

Wir setzen die Werte ein: $P(F) = (0{,}70 \cdot 0{,}20) + (0{,}30 \cdot 0{,}60)$

$P(F) = 0{,}14 + 0{,}18$

$P(F) = 0{,}32$

Die Wahrscheinlichkeit, ein fehlerhaftes Teil zu ziehen, beträgt insgesamt 32%.
Schritt 3 · Ergebnis
Satz von Bayes anwenden
Wir suchen $P_F(S)$ . Die Formel lautet: $P_F(S) = \frac{\text{Pfad von S zu F}}{P(F)} = \frac{P(S) \cdot P_S(F)}{P(F)}$

Wir setzen die Werte ein: $P_F(S) = \frac{0{,}70 \cdot 0{,}20}{0{,}32}$

$P_F(S) = \frac{0{,}14}{0{,}32}$

$P_F(S) = 0{,}4375$

Ergebnis:

Die Wahrscheinlichkeit, dass das fehlerhafte Bauteil von Schrauben & Söhne AG stammt, beträgt 43,75%.

Beispiel 2

Aufgabe

Eine seltene Krankheit betrifft 0,1% der Bevölkerung. Ein Test für diese Krankheit ist zu 99% zuverlässig bei kranken Personen (erkennt die Krankheit korrekt) und hat eine Falsch-Positiv-Rate von 5% bei gesunden Personen. Eine zufällig ausgewählte Person wird positiv getestet. Wie hoch ist die Wahrscheinlichkeit, dass sie tatsächlich krank ist?

Fortschritt

3 / 3

1
Schritt 1
Ereignisse definieren und Wahrscheinlichkeiten notieren
- $K$ : Person ist krank.
- $G$ : Person ist gesund.
- $T$ : Der Test ist positiv.
Gegebene Wahrscheinlichkeiten: $P(K) = 0{,}001$ (0,1% der Bevölkerung) $P(G) = 1 - P(K) = 0{,}999$ $P_K(T) = 0{,}99$ (Test ist positiv, WENN Person krank ist) $P_G(T) = 0{,}05$ (Test ist positiv, WENN Person gesund ist – Falsch-Positiv)

Gesucht ist $P_T(K)$ : Die Wahrscheinlichkeit, krank zu sein, WENN der Test positiv ist.
Schritt 2
Gesamtwahrscheinlichkeit für einen positiven Test berechnen
Wir berechnen die Gesamtwahrscheinlichkeit $P(T)$ . Ein Test kann positiv sein, wenn die Person krank ist oder wenn sie gesund ist.

$P(T) = P(K) \cdot P_K(T) + P(G) \cdot P_G(T)$

Wir setzen die Werte ein: $P(T) = (0{,}001 \cdot 0{,}99) + (0{,}999 \cdot 0{,}05)$

$P(T) = 0{,}00099 + 0{,}04995$

$P(T) = 0{,}05094$
Schritt 3 · Ergebnis
Satz von Bayes anwenden
Wir suchen $P_T(K)$ . $P_T(K) = \frac{P(K) \cdot P_K(T)}{P(T)}$

Wir setzen die Werte ein: $P_T(K) = \frac{0{,}001 \cdot 0{,}99}{0{,}05094}$

$P_T(K) = \frac{0{,}00099}{0{,}05094}$

$P_T(K) \approx 0{,}0194$

Ergebnis:

Obwohl der Test positiv ist, beträgt die Wahrscheinlichkeit, tatsächlich krank zu sein, nur etwa 1,94%. Das liegt an der Seltenheit der Krankheit und der Falsch-Positiv-Rate.

Beispiel 3

Aufgabe

Ein E-Mail-Filter soll Spam erkennen. 20% aller eingehenden E-Mails sind Spam. In 90% aller Spam-Mails kommt das Wort „Angebot" vor. Aber auch in 5% der kein-Spam-Mails (Ham) steht das Wort „Angebot". Eine E-Mail enthält das Wort „Angebot". Wie wahrscheinlich ist es, dass sie Spam ist?

Fortschritt

3 / 3

1
Schritt 1
Ereignisse definieren und Wahrscheinlichkeiten notieren
- $S$ : Die E-Mail ist Spam.
- $H$ : Die E-Mail ist Ham (kein Spam).
- $A$ : Die E-Mail enthält das Wort „Angebot".
Gegebene Wahrscheinlichkeiten: $P(S) = 0{,}20$ $P(H) = 1 - P(S) = 0{,}80$ $P_S(A) = 0{,}90$ $P_H(A) = 0{,}05$

Gesucht ist $P_A(S)$ : Die Wahrscheinlichkeit, dass eine Mail Spam ist, WENN sie „Angebot" enthält.
Schritt 2
Gesamtwahrscheinlichkeit für das Wort „Angebot" berechnen
Wir berechnen die Gesamtwahrscheinlichkeit $P(A)$ .

$P(A) = P(S) \cdot P_S(A) + P(H) \cdot P_H(A)$

Wir setzen die Werte ein: $P(A) = (0{,}20 \cdot 0{,}90) + (0{,}80 \cdot 0{,}05)$

$P(A) = 0{,}18 + 0{,}04$

$P(A) = 0{,}22$
Schritt 3 · Ergebnis
Satz von Bayes anwenden
Wir suchen $P_A(S)$ . $P_A(S) = \frac{P(S) \cdot P_S(A)}{P(A)}$

Wir setzen die Werte ein: $P_A(S) = \frac{0{,}20 \cdot 0{,}90}{0{,}22}$

$P_A(S) = \frac{0{,}18}{0{,}22}$

$P_A(S) \approx 0{,}8182$

Ergebnis:

Die Wahrscheinlichkeit, dass die E-Mail Spam ist, wenn sie das Wort „Angebot" enthält, beträgt ca. 81,82%.

Beispiel 4

Aufgabe

In einer Stadt sind 85% der Taxis grün und 15% sind blau. Ein Zeuge beobachtet einen Unfall mit Fahrerflucht und sagt aus, das Taxi sei blau gewesen. Ein Test der Sehfähigkeit des Zeugen ergibt, dass er in 80% der Fälle die richtige Farbe erkennt, sich aber in 20% der Fälle irrt. Wie hoch ist die Wahrscheinlichkeit, dass das Taxi tatsächlich blau war?

Fortschritt

3 / 3

1
Schritt 1
Ereignisse definieren und Wahrscheinlichkeiten notieren
- $B$ : Das Taxi war tatsächlich blau.
- $G$ : Das Taxi war tatsächlich grün.
- $Z_B$ : Der Zeuge sagt „blau".
Gegebene Wahrscheinlichkeiten: $P(B) = 0{,}15$ $P(G) = 0{,}85$ $P_B(Z_B) = 0{,}80$ (Zeuge sagt „blau", WENN es blau war) $P_G(Z_B) = 0{,}20$ (Zeuge sagt „blau", WENN es grün war – der Irrtum)

Gesucht ist $P_{Z_B}(B)$ : Die Wahrscheinlichkeit, dass das Taxi blau war, WENN der Zeuge „blau" sagt.
Schritt 2
Gesamtwahrscheinlichkeit, dass der Zeuge „blau" sagt, berechnen
Wir berechnen die Gesamtwahrscheinlichkeit $P(Z_B)$ .

$P(Z_B) = P(B) \cdot P_B(Z_B) + P(G) \cdot P_G(Z_B)$

Wir setzen die Werte ein: $P(Z_B) = (0{,}15 \cdot 0{,}80) + (0{,}85 \cdot 0{,}20)$

$P(Z_B) = 0{,}12 + 0{,}17$

$P(Z_B) = 0{,}29$
Schritt 3 · Ergebnis
Satz von Bayes anwenden
Wir suchen $P_{Z_B}(B)$ . $P_{Z_B}(B) = \frac{P(B) \cdot P_B(Z_B)}{P(Z_B)}$

Wir setzen die Werte ein: $P_{Z_B}(B) = \frac{0{,}15 \cdot 0{,}80}{0{,}29}$

$P_{Z_B}(B) = \frac{0{,}12}{0{,}29}$

$P_{Z_B}(B) \approx 0{,}4138$

Ergebnis:

Obwohl der Zeuge das Taxi als blau identifiziert hat, beträgt die Wahrscheinlichkeit, dass es tatsächlich blau war, nur etwa 41,38%.

Beispiel 5

Aufgabe

Zwei Maschinen, A und B, stellen Glühbirnen her. Maschine A produziert 60% der gesamten Menge, Maschine B 40%. 5% der Glühbirnen von Maschine A sind defekt, von Maschine B sind es 10%. Man findet eine defekte Glühbirne. Wie hoch ist die Wahrscheinlichkeit, dass sie von Maschine B hergestellt wurde?

Fortschritt

3 / 3

1
Schritt 1
Ereignisse definieren und Wahrscheinlichkeiten notieren
- $A$ : Die Glühbirne ist von Maschine A.
- $B$ : Die Glühbirne ist von Maschine B.
- $D$ : Die Glühbirne ist defekt.
Gegebene Wahrscheinlichkeiten: $P(A) = 0{,}60$ $P(B) = 0{,}40$ $P_A(D) = 0{,}05$ $P_B(D) = 0{,}10$

Gesucht ist $P_D(B)$ : Die Wahrscheinlichkeit, dass die Birne von Maschine B ist, WENN sie defekt ist.
Schritt 2
Gesamtwahrscheinlichkeit für eine defekte Glühbirne berechnen
Wir berechnen die Gesamtwahrscheinlichkeit $P(D)$ .

$P(D) = P(A) \cdot P_A(D) + P(B) \cdot P_B(D)$

Wir setzen die Werte ein: $P(D) = (0{,}60 \cdot 0{,}05) + (0{,}40 \cdot 0{,}10)$

$P(D) = 0{,}03 + 0{,}04$

$P(D) = 0{,}07$
Schritt 3 · Ergebnis
Satz von Bayes anwenden
Wir suchen $P_D(B)$ . $P_D(B) = \frac{P(B) \cdot P_B(D)}{P(D)}$

Wir setzen die Werte ein: $P_D(B) = \frac{0{,}40 \cdot 0{,}10}{0{,}07}$

$P_D(B) = \frac{0{,}04}{0{,}07}$

$P_D(B) \approx 0{,}5714$

Ergebnis:

Die Wahrscheinlichkeit, dass die defekte Glühbirne von Maschine B stammt, beträgt ca. 57,14%.

Wichtige Erkenntnisse

Der Satz von Bayes dreht bedingte Wahrscheinlichkeiten um: Er berechnet $P(\text{Ursache}|\text{Wirkung})$ aus $P(\text{Wirkung}|\text{Ursache})$ .
Ein Baumdiagramm ist dein wichtigstes Werkzeug, um die Übersicht zu behalten.
Schritt 1: Definiere Ereignisse und schreibe alle gegebenen und gesuchten Wahrscheinlichkeiten auf.
Schritt 2: Berechne die Gesamtwahrscheinlichkeit des eingetretenen Ereignisses (der Nenner der Formel), indem du die relevanten Pfade im Baumdiagramm addierst.
Schritt 3: Wende die Formel an: $P_B(A) = \frac{\text{Wahrscheinlichkeit des einen interessanten Pfades}}{\text{Summe der Wahrscheinlichkeiten aller relevanten Pfade}}$ .

Satz von Bayes einfach erklärt: Formel & Beispiele

Schnellantwort

Vorwissen

Aufgabentyp 1: Umgekehrte Wahrscheinlichkeit mit dem Satz von Bayes berechnen

Schritt-für-Schritt-Anleitung

Durchgerechnete Beispiele

Beispiel 1

Beispiel 2

Beispiel 3

Beispiel 4

Beispiel 5

Wichtige Erkenntnisse

Häufige Fragen

Das könnte Dich auch interessieren

Schneller zu besseren Mathe-Noten — starte heute kostenlos.