La formula di Bayes applicata al Coronavirus, tamponi in primis

Tempo di lettura: 1 minuto

Il sbaglia quasi 3 volte su 4! Questo insegna tre cose, la prima è la formula di Bayes, importantissima, utile per calcolare la probabilità di una causa che ha scatenato un evento verificato.

La seconda, sicuramente più importante, è che a volte l’intuizione può essere fuorviante e farci commettere errori grossolani.

Che impatto avrebbe sulla vita delle un test che sbaglia ¾ delle volte quando dà un valore positivo?

Se quei positivi si considerassero immuni da qualche tipo di malattia quale sarebbe il danno alla collettività?

Terza, nel caso considerato l’alta probabilità di errore del test viene dal fatto che la probabilità di essere malati (P(M)=0,004) è significativamente più piccola della probabilità di avere un falso positivo (P(+|S)=0,01).

Per cui, dato un risultato positivo, è più probabile che sia un falso positivo piuttosto che un indicatore di malattia.

A parità degli altri parametri, se la probabilità di essere malati fosse stata più alta, ad esempio P(M)=0,05 (il 5%) allora l’84% dei positivi sarebbero effettivamente malati.

Per questo è molto importante la frequenza della malattia nella ai fini dell’attendibilità di un test.

Non consideravate questo dato così importante, vero? beh non abbiamo considerato tante cose come la contagiosità, i fattori ambientali… quali sono davvero i fattori importanti? quali invece non lo sono?

Possiamo farci sicuramente un’ delle cose con le che raccogliamo, consapevoli che potremmo sbagliarci e che saremo pronti a rivedere il nostro punto di vista laddove la ci indichi una via.

Fonte : mathisintheair.org