<- Pr_Kpos * Pr_Tpos_geg_Kpos
zaehler_bayes zaehler_bayes
[1] 0.009
<- (zaehler_bayes + (1-Pr_Kpos) * Pr_Tpos_geg_Kneg)
Pr_T Pr_T
[1] 0.108
<- Pr_Kpos_geg_Tpos <- zaehler_bayes / Pr_T
sol <- round(sol, 2)
sol sol
[1] 0.08
November 8, 2023
Ein Krebstest (\(T\)) habe die Wahrscheinlichkeit von 0.9
, einen vorhandenen Krebs (\(K\)) zu erkennen. Diese Wahrscheinlichkeit bezeichnen wir als \(Pr(T+|K+)\). Der Test erkennt also die meisten Krebsfälle, und ein paar werden übersehen.
Manchmal macht der Test auch den umgekehrten Fehler: Ein gesunder Mensch wird fälschlich Krebs diagnostiziert, \(Pr(T+|K-)\). Diese Wahrscheinlichkeit liegt bei dem Test bei 0.1
, zum Glück also relativ gering.
Die Grundrate dieser Krebsart belaufe sich in der Population auf 0.01
, \(Pr(K+)\).
Aufgabe: Berechnen Sie die Wahrscheinlichkeit, dass ein Patient tatsächlich Krebs hat, wenn der Test positiv ist, also Krebs diagnostiziert hat!
Hier kann man Bayes Theorem anwenden:
\(Pr(K|T) = \frac{Pr(K) \cdot Pr(T|K) }{Pr(T)}\).
[1] 0.009
[1] 0.108
[1] 0.08
Die Lösung beträgt also: 0.08
.
Hier ist ein Baumdiagramm zur Visualisierung:
Categories:
---
extype: num
exsolution: r sol
exname: Krebs1
expoints: 1
categories:
- bayes
- probability
- num
date: '2023-11-08'
slug: Krebs1
title: Krebs1
---
```{r libs, include = FALSE}
library(tidyverse)
library(exams)
```
```{r global-knitr-options, include=FALSE}
knitr::opts_chunk$set(fig.pos = 'H',
fig.asp = 0.618,
fig.width = 4,
fig.cap = "",
fig.path = "",
echo = FALSE,
message = FALSE,
warning = FALSE,
fig.show = "hold",
# out.width = "100%",
cache = TRUE)
```
```{r}
Pr_Tpos_geg_Kpos <- .9 # Wskt für Test positiv geg. Krebs ist positiv (tatsächlich Krebs)
Pr_Tpos_geg_Kneg <- .1
Pr_Kpos <- .01
```
# Aufgabe
Ein Krebstest ($T$) habe die Wahrscheinlichkeit von ``r Pr_Tpos_geg_Kpos``, einen vorhandenen Krebs ($K$) zu erkennen.
Diese Wahrscheinlichkeit bezeichnen wir als $Pr(T+|K+)$.
Der Test erkennt also die meisten Krebsfälle, und ein paar werden übersehen.
Manchmal macht der Test auch den umgekehrten Fehler: Ein gesunder Mensch wird fälschlich Krebs diagnostiziert, $Pr(T+|K-)$.
Diese Wahrscheinlichkeit liegt bei dem Test bei ``r Pr_Tpos_geg_Kneg``,
zum Glück also relativ gering.
Die Grundrate dieser Krebsart belaufe sich in der Population auf ``r Pr_Kpos``, $Pr(K+)$.
*Aufgabe*: Berechnen Sie die Wahrscheinlichkeit,
dass ein Patient tatsächlich Krebs hat, wenn der Test positiv ist, also Krebs diagnostiziert hat!
</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>
# Lösung
Hier kann man Bayes Theorem anwenden:
$Pr(K|T) = \frac{Pr(K) \cdot Pr(T|K) }{Pr(T)}$.
```{r echo = TRUE}
zaehler_bayes <- Pr_Kpos * Pr_Tpos_geg_Kpos
zaehler_bayes
Pr_T <- (zaehler_bayes + (1-Pr_Kpos) * Pr_Tpos_geg_Kneg)
Pr_T
sol <- Pr_Kpos_geg_Tpos <- zaehler_bayes / Pr_T
sol <- round(sol, 2)
sol
```
Die Lösung beträgt also: ``r sol``.
Hier ist ein Baumdiagramm zur Visualisierung:
```{mermaid}
flowchart LR
S[1000 Personen] --> K[Krebs: 10]
S --> NK[Nicht-Krebs: 990]
K --> T[Test positiv: 9]
NK --> NT[Nicht Test positiv: 1]
NK --> TNK[Test positiv: 99]
NK --> NTNK[Nicht Test positiv: 891]
```
---
Categories:
- bayes
- probability
- num