The false positive paradox occurs when false positive tests are more probable than true positive

tests. The
fewer the number of incidents in the overall population, the higher the likelihood of a false positive test.
The following example employs Bayes' Theorem to illustrate how a high false positive rate can affect the
results of a drug test.
A manufacturer claims that its product can detect drug use among athletes 97% of the time (i.e. the test
will show a positive 97% of the time given that the athletes used drugs). However, there is a 10% chance of a
false alarm (i.e. non drug users will show positive results 10% of the time). Given that only 5% of the team
actually use drugs, what is the probability that an athlete who tested positive is a non user?
Let D be the event that the athlete used drugs.
Therefore, D' is the event that the athlete did not use drugs.
Let Y be the event that the test result was positive
Therefore a negative result is described by the event Y'
From the problem statement, we can infer the following.
P[D] = 0.05
P[D'] = 1 P[D'] = 0.95
P[Y | D] = 0.97 (i.e. the probability of a positive test given the athlete used drugs)
P[Y' | D] = 1 P[Y | D] = 0.03 (i.e. the probability of a negative test given the athlete used drugs)
P[Y | D'] = 0.1 (i.e. the probability that the test was positive given the athlete did not take drugs)
P[Y' | D'] = 1 P[Y | D'] = 0.9 (i.e. the probability of a negative test given the athlete did not use drugs)
Now we need to find P[D' | Y], in other words, the probability that the athlete did not use drugs given the
test was positive.
By Bayes' Theorem, we have that

So we see that a positive test is more likely to be a false alarm since the false positive rate is too high for
this low incidence population.

La paradoja de falso positivo se produce cuando los resultados falsos positivos son ms probables
que los verdaderos resultados positivos . Cuanto menor sea el nmero de incidentes en la
poblacin general , cuanto mayor es la probabilidad de un resultado positivo falso.

Un fabricante afirma que su producto puede detectar el uso de drogas entre los atletas de 97 %
del tiempo ( es decir, el examen muestra un positivo 97 % del tiempo, dado que los atletas usan
drogas). Sin embargo , hay una posibilidad de 10 % de una falsa alarma ( es decir, los usuarios de
drogas no mostrarn resultados positivos 10 % del tiempo ) . Teniendo en cuenta que slo el 5 %
del equipo en realidad consumen drogas , cul es la probabilidad de que un atleta que dio
positivo es un no usuario?
Sea D el caso de que el atleta usa drogas.
Por lo tanto , D ' es el caso de que el deportista no us drogas.
Sea Y el caso de que el resultado de la prueba fue positivo
Por lo tanto un resultado negativo se describe por el evento Y '
Desde el planteamiento del problema, podemos inferir lo siguiente.
P [DA1 ] = 0,05
P [DA2 '] = 1 - P [DA1 '] = 0,95
P [ Y P+| DA1 ] = 0,97 ( es decir, la probabilidad de una prueba positiva dado los frmacos
utilizados atleta )
P [Y P-' | DA1] = 1 - P [ Y | D] = 0,03 (es decir, la probabilidad de una prueba negativa dado el atleta
usa drogas)
P [ Yp+ | DA2 '] = 0,1 ( es decir, la probabilidad de que la prueba fue positiva dado que el atleta no
tom drogas)
P [YP- ' | D A2'] = 1 - P [ Y | D '] = 0,9 (es decir, la probabilidad de una prueba negativa dado que el
atleta no hizo uso de drogas)
Ahora tenemos que encontrar P [ DA2 ' | YP+] , es decir , la probabilidad de que el atleta no us
drogas dadas la prueba fue positiva.
Por el teorema de Bayes , tenemos que

As que vemos que un resultado positivo es ms probable que sea una falsa alarma ya que la tasa
de falsos positivos es muy alta para esta poblacin de baja incidencia .