Mathematik · Klasse 11 · Stochastik: Wahrscheinlichkeit und Zufall · 2. Halbjahr

Satz von Bayes

Die Schülerinnen und Schüler wenden den Satz von Bayes an, um Wahrscheinlichkeiten 'rückwärts' zu berechnen.

• KMK Bildungsstandards
• KMK: Sekundarstufe II - Stochastik
• KMK: Sekundarstufe II - Problemlösen

Über dieses Thema

Der Satz von Bayes erlaubt die Berechnung bedingter Wahrscheinlichkeiten in umgekehrter Richtung. Die Formel lautet P(A|B) = [P(B|A) × P(A)] / P(B). Schülerinnen und Schüler der Klasse 11 wenden sie an, um Vorwissen (Priorwahrscheinlichkeit) mit neuen Beobachtungen (Likelihood) zu kombinieren und Posteriorwahrscheinlichkeiten zu ermitteln. Dies trainiert präzises stochastisches Rechnen und entspricht den KMK-Standards für Stochastik in der Sekundarstufe II.

In der medizinischen Diagnostik berechnet man etwa die Wahrscheinlichkeit einer Krankheit bei positivem Test, in der Qualitätskontrolle die Fehlerquote bei defektem Produkt. Schüler analysieren solche Szenarien, erkennen die Bedeutung von Priors und konstruieren eigene Probleme. Dadurch entsteht Verständnis für reale Anwendungen und Problemlösungskompetenz.

Aktives Lernen ist ideal, weil es abstrakte Formeln durch Simulationen greifbar macht. Wenn Schüler Testdaten manipulieren oder Rollenspiele durchführen, entdecken sie intuitiv Abhängigkeiten und vermeiden Rechenfehler. Praktische Übungen fördern Diskussionen, die tieferes Verständnis sichern und den Stoff langfristig verankern.

Leitfragen

1. Erklären Sie die Anwendung des Satzes von Bayes zur Aktualisierung von Wahrscheinlichkeiten.
2. Analysieren Sie die Bedeutung des Satzes von Bayes in der medizinischen Diagnostik oder Qualitätskontrolle.
3. Konstruieren Sie ein Problem, das mit dem Satz von Bayes gelöst werden kann.

Lernziele

• Berechnen Sie die Posteriorwahrscheinlichkeit eines Ereignisses mithilfe des Satzes von Bayes und gegebener Priori- und Likelihood-Wahrscheinlichkeiten.
• Analysieren Sie die Auswirkungen einer neuen Beobachtung auf die ursprüngliche Wahrscheinlichkeit eines Ereignisses im Kontext medizinischer Tests.
• Erklären Sie die Schritte zur Anwendung des Satzes von Bayes zur Aktualisierung von Wahrscheinlichkeiten in einem gegebenen Szenario.
• Konstruieren Sie ein realistisches Problem aus den Bereichen Qualitätskontrolle oder Diagnostik, das mit dem Satz von Bayes gelöst werden kann.

Bevor es losgeht

Grundlagen der Wahrscheinlichkeitsrechnung

Warum: Schüler müssen die Konzepte von Wahrscheinlichkeit, Ereignissen und grundlegenden Wahrscheinlichkeitsregeln verstehen, bevor sie bedingte Wahrscheinlichkeiten und den Satz von Bayes anwenden können.

Bedingte Wahrscheinlichkeit

Warum: Das Verständnis von P(A|B) ist eine direkte Voraussetzung für die Anwendung des Satzes von Bayes, der diese Beziehung umkehrt.

Baumdiagramme und Vierfeldertafeln

Warum: Diese Darstellungsformen helfen Schülern, bedingte Wahrscheinlichkeiten und die Zusammenhänge zwischen Ereignissen visuell zu erfassen, was die Anwendung des Satzes von Bayes erleichtert.

Schlüsselvokabular

Satz von Bayes	Eine Formel, die es ermöglicht, die bedingte Wahrscheinlichkeit eines Ereignisses A gegeben ein Ereignis B zu berechnen, wenn die Wahrscheinlichkeit von B gegeben A bekannt ist.
Priori-Wahrscheinlichkeit	Die Wahrscheinlichkeit eines Ereignisses, bevor neue Daten oder Beobachtungen berücksichtigt werden. Sie repräsentiert das Vorwissen.
Likelihood	Die Wahrscheinlichkeit, die beobachteten Daten oder Beweise zu erhalten, gegeben dass eine bestimmte Hypothese oder ein bestimmtes Ereignis wahr ist.
Posterior-Wahrscheinlichkeit	Die aktualisierte Wahrscheinlichkeit eines Ereignisses, nachdem neue Daten oder Beobachtungen (die Likelihood) berücksichtigt wurden.
Bedingte Wahrscheinlichkeit	Die Wahrscheinlichkeit des Eintretens eines Ereignisses, gegeben dass ein anderes Ereignis bereits eingetreten ist.

Vorsicht vor diesen Fehlvorstellungen

Häufige Fehlvorstellung

P(A|B) wird mit P(B|A) verwechselt.

Was Sie stattdessen lehren sollten

Viele Schüler ignorieren die Richtung der Bedingung. Aktive Simulationen mit manipulierbaren Karten helfen, da sie die Asymmetrie visuell zeigen und Peer-Diskussionen Klärung bringen.

Häufige Fehlvorstellung

Priorwahrscheinlichkeit wird unterschätzt.

Was Sie stattdessen lehren sollten

Schüler überschätzen oft Likelihood und vergessen Priors. Rollenspiele in medizinischen Szenarien verdeutlichen dies, weil Gruppen reale Häufigkeiten recherchieren und Effekte diskutieren.

Häufige Fehlvorstellung

Normalisierung P(B) wird vergessen.

Was Sie stattdessen lehren sollten

Ohne Division ergibt sich falsche Posterior. Tabellenaufgaben in Gruppen fördern schrittweises Aufbauen, wo Fehler schnell sichtbar werden und korrigiert heißen.

Ideen für aktives Lernen

Lernen an Stationen: Medizinische Tests

Richten Sie drei Stationen ein: positives Testergebnis, falsch-positiv, Priorvariation. Gruppen erhalten Karten mit Werten, berechnen P(Krankheit|Test) und diskutieren Ergebnisse. Rotieren Sie nach 10 Minuten.

45 Min.·Kleingruppen

Paararbeit: Qualitätskontrolle

Paare erhalten Szenario mit Produktionsdaten (Defektrate 1 %, Testgenauigkeit 95 %). Sie wenden Bayes an, um P(defekt|Test fehlgeschlagen) zu berechnen, und vergleichen mit Intuition.

30 Min.·Partnerarbeit

Ganzer Unterricht: Problemkonstruktion

Klassen teilt reale Probleme (z. B. Spam-Filter) in Gruppen auf. Jede Gruppe konstruiert Bayes-Aufgabe, löst sie und präsentiert. Lehrer moderiert Plausibilitätschecks.

50 Min.·Ganze Klasse

Individuell: Bayes-Rechner

Schüler bauen mit Tabellenkalkulation einen Bayes-Rechner für variable Priors. Testen Sie mit eigenen Szenarien und notieren Sensitivitätsänderungen.

20 Min.·Einzelarbeit

Bezüge zur Lebenswelt

• In der medizinischen Diagnostik wird der Satz von Bayes verwendet, um die Wahrscheinlichkeit einer Krankheit bei einem Patienten zu berechnen, nachdem ein diagnostischer Test ein positives Ergebnis gezeigt hat. Dies hilft Ärzten, die Genauigkeit von Tests und die tatsächliche Krankheitslast in der Bevölkerung zu interpretieren.
• In der Qualitätskontrolle in der Fertigung kann der Satz von Bayes eingesetzt werden, um die Wahrscheinlichkeit zu bestimmen, dass ein Produkt fehlerhaft ist, nachdem Stichproben oder Inspektionsergebnisse vorliegen. Dies unterstützt Entscheidungen über Produktionsprozesse und Ausschussraten.

Ideen zur Lernstandserhebung

Lernstandskontrolle

Geben Sie den Schülern eine kurze Beschreibung eines medizinischen Testszenarios (z.B. seltene Krankheit, Testgenauigkeit). Bitten Sie sie, die Priori-Wahrscheinlichkeit, die Likelihood und die zu berechnende Posterior-Wahrscheinlichkeit zu identifizieren und die Bayes-Formel aufzuschreiben.

Kurze Überprüfung

Stellen Sie eine einfache Aufgabe zur Qualitätskontrolle (z.B. Wahrscheinlichkeit eines defekten Teils bei bekanntem Ausschuss und Testgenauigkeit). Die Schüler berechnen die Posterior-Wahrscheinlichkeit und zeigen ihre Rechenschritte auf einem Arbeitsblatt oder Whiteboard.

Diskussionsfrage

Diskutieren Sie in Kleingruppen: Warum ist es wichtig, die Priori-Wahrscheinlichkeit zu kennen, bevor man den Satz von Bayes anwendet? Geben Sie Beispiele, wo eine hohe Priori-Wahrscheinlichkeit das Ergebnis stark beeinflusst, auch bei einem scheinbar eindeutigen Testergebnis.

Häufig gestellte Fragen

Was ist der Satz von Bayes?

Der Satz von Bayes berechnet rückläufige bedingte Wahrscheinlichkeiten: P(A|B) = [P(B|A) × P(A)] / P(B). Er aktualisiert Vorwissen mit neuen Daten, z. B. in Diagnostik. Schüler üben mit Formel und Anwendungen, um Stochastik zu vertiefen. Dies stärkt Problemlösung nach KMK-Standards.

Wie wendet man Bayes in der Medizin an?

Bei Krankheitstests mit 99 % Genauigkeit und 0,1 % Prävalenz ist P(Krank|positiv) nur ca. 9 %. Schüler berechnen dies, um falsch-positive Risiken zu verstehen. Übungen mit Tabellen zeigen, warum Priors entscheidend sind und Intuition täuscht.

Wie hilft aktives Lernen beim Satz von Bayes?

Aktives Lernen macht Formeln konkret: Simulationen mit Karten oder Apps lassen Schüler Priors variieren und Effekte sehen. Gruppenarbeit fördert Erklärungen untereinander, Diskussionen decken Fehler auf. Solche Methoden verbessern Verständnis um 30-50 %, da abstraktes Rechnen durch Erfahrung greifbar wird.

Welche Fehler passieren bei Bayes-Anwendungen?

Häufige Fehler sind Verwechslung von P(A|B) und P(B|A) oder Ignorieren der Normalisierung. Schüler überschätzen Likelihood. Praktische Stationen und Peer-Reviews helfen, diese durch visuelle Modelle und gemeinsame Checks zu beheben.