Ein falsch positives Ergebnis liegt vor, wenn ein Test unkorrekt vorgibt, er hätte gefunden, wonach er sucht. Jede Art von Algorithmus, der etwas nachweisen soll, hat eine Tendenz solche Fehlalarme zu produzieren. Ein falsch positives Ergebnis wird auch als Fehler 1. Art bezeichnet.

Beispiel

Eine Krankheit ist selten, der Grundanteil ist 1 von 100. Ein Kranker wird durch einen Test richtig als krank, aber ein Gesunder wird fälschlich auch als krank erkannt (die Fehlerrate des Tests liegt bei 1%). Darstellung dieses medizinischen Tests mittels eines Entscheidungsbaums:

          10000
           ^
         /   \
        /     \
krank 100     9900 gesund
      ^         ^
     / \       / \
    /   \     /   \
   99    1   99    9801
    +    -   +       -  

Der falsch positive Test ist hier mit 99 bzeichnet.

Das bedeutet, dass durch den Test ca. 2 von 100 Personen als krank bezeichnet werden, aber einer von beiden gesund ist. Obwohl der Test also eine Sensitivität von 99% hat, hat die Diagnose krank lediglich eine Sicherheit von 50% (= Positiver prädiktiver Wert).

Siehe auch: Spezifität (Statistik), Beurteilung eines Klassifikators, Absolute Häufigkeit, Positiver prädiktiver Wert

Weblinks

• http://christoph-gaebler.de/gigerenzer.htm