A hamis pozitív annak a következménye, hogy kétirányú választással (pozitív és negatív) döntenek, pozitívnak nyilvánítva, ahol valójában negatív. Az eredmény származhat hipotézis tesztből , automatikus osztályozási algoritmusból , vagy egész egyszerűen egy tetszőleges választásból.
| keresett ok (vírus, riasztás stb.) | pozitív teszt | negatív teszt |
|---|---|---|
| hiány | álpozitív | igaz negatív |
| jelenlét | igaz pozitív | hamis negatív |
A gyakorlatban azokban az esetekben, amikor az eredményt figyelmeztetésre használják (riasztás, vírusészlelés stb.), A hamis pozitív hamis riasztás .
Azokon a területeken azonban, ahol a várt eredmény pozitív, különbséget kell tenni a hamis pozitív és a téves riasztás között . A hamis riasztás ekkor a hamis negatív eset .
Ha ritka, amit keres, és az alkalmazott teszt nem tökéletesen specifikus , akkor sokkal valószínűbb, hogy a pozitív eset valójában hamis pozitív .
A hamis pozitív fogalmát számos területen használják:
Például a 21-es triszómia szűrése, amelyet Franciaországban szokás gyakorolni , 90% -os kimutatási arányhoz vezet (vagyis 10% hamis negatív arányhoz ), hamis negatív arányhoz, pozitív 5% -hoz.
A teszt eredménye bizonyos eloszlású a "normális" populációra, egy másik pedig a "abnormális" populációra. A teszt annál is inkább megkülönböztető, mivel ezek az eredmények egyértelműen különböznek, de általában a két eloszlás átfedésben van a margón. Azokon a területeken, ahol az eredmények átfedhetnek, egy küszöbértéket kell meghatározni, amelynél eldönthető, hogy a teszt "pozitív" vagy "negatív".
Minél jobb egy teszt, annál magasabb a kimutatási arány (vagyis az alacsony hamis negatív arány) és az alacsony hamis pozitív arány. A hamis pozitív arány és a detektálási ráta egyaránt függ a választott küszöbértéktől, és ugyanabban az irányban változnak, ami azt jelenti, hogy lehetetlen egyszerre növelni a detektálási arányt és csökkenteni a hamis pozitív arányt: csak egy elfogadható kompromisszumot lehet találni az érzékenység és a specifitás között .
A küszöbérték megválasztása attól függ, hogy mit szeretne tenni a teszttel, valamint a téves pozitív és a gyenge észlelés kockázata közötti kompromisszum.
Az orvostudományban minél ritkább betegség, annál nagyobb a túl diagnózis kockázata . Tehát, ha véletlenszerűen tesztel 1000 embert egy olyan vizsgálattal, amely 5% hamis pozitív eredményt produkál, 50 embernek azt mondják, hogy a teszt pozitív. Ha a betegség az általános populációban 1000-ből csak 1 embert érint, akkor Bayes-tétel alapján megmutathatjuk, hogy a személynek (körülbelül) csak 2% az esélye a tényleges érintettségre (intuitív módon 50 embernek jelentik be, ebből csak egy érintett).
A teszt minden bizonnyal lehetővé teszi egy potenciálisan érintett populáció azonosítását, amelyen pontosabb (és drágább) tesztek végezhetők. Ez azonban szorongást és nem létező betegség kezelésének kockázatát kelti (azon téves vélemény alapján, hogy a teszt "95% -ban biztos", a tényleges érintettség valószínűsége nagyon magas, ha d. Minél alacsonyabb a betegség ritka).
Emiatt a ritka betegségek rutinszűrését általában nem veszik figyelembe; inkább a veszélyeztetett populációkat célozzuk meg.
A hamis pozitív és hamis negatív elméleti elemzése Bayes tételét használja .