Bayes' Theorem ist die Regel, wie man eine Überzeugung an neue Beweise anpasst. Man startet mit einer Anfangsüberzeugung (Prior), beobachtet Daten, und erhält eine aktualisierte Überzeugung (Posterior). Es ist das mathematische Rückgrat des rationalen Lernens und der Grund, warum ein positiver Test bei einer seltenen Krankheit oft viel weniger bedeutet, als man denkt.
Eine Krankheit betrifft 1 von 1000 Menschen. Ein Test erkennt Kranke zuverlässig (99 %), hat aber 5 % Fehlalarm bei Gesunden. Dein Test ist positiv wie wahrscheinlich bist du krank? Die Intuition sagt „fast sicher". Bayes sagt: unter 2 %. Der Grund sind die vielen Gesunden, bei denen der Fehlalarm zuschlägt.
Der Fehler ist, die niedrige Grundrate (nur 1 von 1000 ist krank) zu ignorieren und nur auf die Testgüte zu schauen. Genau das ist die Base-Rate Fallacy. Bayes zwingt einen, die Grundrate als Prior einzurechnen und dann kippt das Ergebnis dramatisch.
Über die Formel hinaus ist Bayes eine Haltung: Überzeugungen sind keine Ja/Nein-Schalter, sondern Wahrscheinlichkeiten, die man mit jeder neuen Information nachjustiert. Ein starker Prior braucht starke Beweise, um sich zu ändern; schwaches Vorwissen kippt schon bei wenig Evidenz.