A-posteriori-Wahrscheinlichkeit

Die A-posteriori-Wahrscheinlichkeit ist ein Begriff aus der bayesschen Statistik. Sie beschreibt den Wissensstand über einen unbekannten Umweltzustand θ nach der Beobachtung einer von θ abhängigen Zufallsgröße X.

Inhaltsverzeichnis

Definition

Folgende Situation ist gegeben: θ ist ein unbekannter Umweltzustand (z.B. ein Parameter einer Wahrscheinlichkeitsverteilung), der auf der Basis von Beobachtungen x einer Zufallsgröße X geschätzt werden soll.

Gegeben sei eine Verteilung für den Parameter θ vor der Beobachtung der Stichprobe. Diese Verteilung wird auch A-priori-Verteilung genannt.

Weiterhin sei die Dichte (bzw. im diskreten Fall: die Wahrscheinlichkeitsfunktion) der bedingten Verteilung der Stichprobe unter der Bedingung θ = θ0 gegeben. Diese Dichte (bzw: Wahrscheinlichkeitsfunktion) wird im folgenden mit f(x | θ0) bezeichnet.

Die A-posteriori-Verteilung ist die Verteilung des Populationsparameters θ unter der Bedingung, dass für die Zufallsgröße X der Wert x beobachtet wurde. Die A-posteriori-Verteilung wird mit Hilfe des Bayestheorems aus der A-priori-Verteilung und der bedingten Verteilung der Stichprobe unter der Bedingung θ = θ0 berechnet.

A-posteriori-Verteilung

Für stetige A-priori-Verteilungen

Eine stetige A-priori-Verteilung liegt dann vor, wenn die A-priori-Verteilung auf der Menge der reellen Zahlen \R oder auf einem Intervall in \R definiert ist. Beispiele für stetige A-priori-Verteilungen sind:

  • die Normalverteilung (hier ist der Parameterraum Θ die Menge der reellen Zahlen) oder
  • die Gleichverteilung auf dem Intervall [0;1] (hier ist der Parameterraum Θ das Intervall [0;1]).

Im Folgenden steht g(θ) für die auf dem Parameterraum Θ definierte A-priori-Dichte von θ.

In diesem Fall kann die A-posteriori-Dichte h(θ | x) folgendermaßen berechnet werden[1]:

 h(\theta_0\mid x) = \frac{f(x\mid \theta_0) \, g(\theta_0)}{\displaystyle\int_\Theta f(x \mid\theta') \, g(\theta') \, d\theta'} \!

Für diskrete A-priori-Verteilungen

Im folgenden Abschnitt steht P(θ = θ0) für die diskrete A-priori-Wahrscheinlichkeit, dass der Parameter θ den Wert θ0 annimmt. Eine diskrete A-priori-Verteilung ist auf einer endlichen Menge oder auf einer Menge mit abzählbar unendlichem Träger definiert.

Die A-posteriori-Wahrscheinlichkeit wird im folgenden mit P(θ = θ0 | x) bezeichnet und kann auf folgende Weise berechnet werden:[1]

 P(\theta=\theta_0 | x) = \frac{f(x | \theta_0) \, P(\theta=\theta_0)}{\displaystyle\sum_{\theta' \in \Theta} f(x | \theta') \, P(\theta=\theta') } \!

Bedeutung in der bayesianischen Statistik

In der bayesianischen Statistik stellt die A-posteriori-Verteilung den neuen, durch Vorwissen und Beobachtung bestimmten Kenntnisstand über die Verteilung des Parameters θ nach der Beobachtung der Stichprobe dar.

Damit ist die A-posteriori-Verteilung die Grundlage zur Berechnung aller Punktschätzer und Konfidenzintervalle in der bayesianischen Statistik.[1]

Beispiel

In einer Urne befinden sich rote und schwarze Kugeln. Es ist bekannt, dass der Anteil roter Kugeln entweder bei 40 % oder aber bei 60 % liegt. Um genaueres herauszufinden, werden (mit Zurücklegen) 11 Kugeln aus der Urne gezogen. Es werden 4 rote und 7 schwarze Kugeln gezogen.

Die Zufallsgröße Anzahl gezogener roter Kugeln wird im Folgenden mit dem Buchstaben X bezeichnet, der tatsächlich beobachtete Wert der Zufallsgröße als x.

Die Zufallsgröße X ist binomialverteilt mit unbekanntem Parameter θ, wobei θ nur einen der Werte 0{,}4 oder 0{,}6 annehmen kann. Da kein weiteres Vorwissen bekannt ist, wird als A-priori-Verteilung für θ eine diskrete Gleichverteilung angenommen, d.h.

Pr(\theta=0{,}4)=Pr(\theta=0{,}6)=0{,}5 \!

Die Wahrscheinlichkeitsfunktion für X=x ergibt sich aus der Binomialverteilung:

 f(X=4\mid\theta=\theta_0)={11 \choose 4} \;  {\theta_0}^4 \; (1-\theta_0)^7 \!

Man erhält daher für θ = 0,4:

f(X=4\mid\theta=0{,}4)={11 \choose 4}\; 0{,}4^4 \;0{,}6^7 = 0{,}236 \!.

Für θ = 0,6 erhält man:

f(X=4\mid\theta=0{,}6)={11 \choose 4} \; 0{,}6^4 \; 0{,}4^7 = 0{,}07 \!.

Die A-posteriori-Verteilung kann nun mit Hilfe des Satzes von Bayes berechnet werden. Für θ = 0,4 erhält man als A-posteriori-Wahrscheinlichkeit:

 P(\theta=0{,}4\mid x=4) = \frac{0{,}5 \cdot 0{,}236}{0{,}5 \cdot 0{,}236 + 0{,}5 \cdot 0{,}07 } = 0{,}77 \!.

Für θ = 0,6 ergibt sich die A-posteriori-Wahrscheinlichkeit:

 P(\theta=0{,}6\mid x=4) = \frac{0{,}5 \cdot 0{,}07}{0{,}5 \cdot 0{,}236 + 0{,}5 \cdot 0{,}07 } =0{,}23 \!.

Somit ist man sich nach Ziehung der Stichprobe mit Wahrscheinlichkeit 0{,}77 sicher, dass der Anteil roter Kugel in der Urne 40 % beträgt.

Einzelnachweise

  1. a b c Bernhard Rüger (1988), S. 152 ff.

Literatur

  • Bernhard Rüger: Induktive Statistik. Einführung für Wirtschafts- und Sozialwissenschaftler. R. Oldenbourg Verlag, München Wien 1988. ISBN 3-486-20535-8
  • Hans-Otto Georgii: Stochastik - Einführung in die Wahrscheinlichkeitstheorie und Statistik. de Gruyter Verlag, Berlin New York 2007. ISBN 978-3-11-019349-7

Siehe auch


Wikimedia Foundation.

Schlagen Sie auch in anderen Wörterbüchern nach:

  • A-priori-Wahrscheinlichkeit — Die A priori Wahrscheinlichkeit (auch Anfangswahrscheinlichkeit [1], Vortest , oder Ursprungswahrscheinlichkeit[2]) ist in den Naturwissenschaften ein Wahrscheinlichkeitswert, der aufgrund von Vorwissen (zum Beispiel symmetrische Eigenschaften… …   Deutsch Wikipedia

  • A posteriori — Als a posteriori (lat. von dem was nachher kommt) bezeichnet man in der Philosophie Urteile, die der Erfahrung entstammen beziehungsweise in ihr begründet sind. Das Gegenteil ist a priori. Im Allgemeinen werden die Urteile des Empirismus als a… …   Deutsch Wikipedia

  • A-Posteriori-Verteilung — Die A posteriori Verteilung gewichtet Wahrscheinlichkeitswerte eines Modells nach der Beobachtung von Ereignissen, die durch das Modell beschrieben werden. Mit Hilfe des Satzes von Bayes können diese auch aus der A priori Verteilung berechnet… …   Deutsch Wikipedia

  • A-posteriori-Verteilung — Die A posteriori Verteilung gewichtet Wahrscheinlichkeitswerte eines Modells nach der Beobachtung von Ereignissen, die durch das Modell beschrieben werden. Mit Hilfe des Satzes von Bayes können diese auch aus der A priori Verteilung berechnet… …   Deutsch Wikipedia

  • Maximum a posteriori — Die Maximum a posteriori Methode (= MAP) bezeichnet in der Statistik ein Schätzverfahren, das einen vorgegebenen Parameter durch den Modalwert der A posteriori Verteilung schätzt. Somit besteht eine gewisse Ähnlichkeit zur Maximum Likelihood… …   Deutsch Wikipedia

  • Maximum-A-Posteriori-Schätzung — Die Maximum A Posteriori Methode bezeichnet in der Statistik ein Schätzverfahren. Die Maximum A Posteriori Schätzung bestimmt ähnlich der Maximum Likelihood Methode den oder die plausibelsten Parameter einer Verteilung bei einer vorliegenden… …   Deutsch Wikipedia

  • A priori — Die lateinische Redewendung a priori (lat. „vom Früheren her“), welche von Aristoteles noch als vorausgehende Seinsursache verstanden wurde, bezeichnet ab Descartes das, was als Bedingung und Grundlage des Wissens von der Erfahrung als solcher… …   Deutsch Wikipedia

  • Wahrscheinlichkeit — Wahr|schein|lich|keit 〈f.; ; unz.〉 das Wahrscheinlichsein, vermutete Richtigkeit, annähernde Gewissheit ● die Wahrscheinlichkeit, dass die Verschütteten tot sind, ist leider groß; aller Wahrscheinlichkeit nach wahrscheinlich * * *… …   Universal-Lexikon

  • Größte Wahrscheinlichkeit — Die Maximum Likelihood Methode (von engl. maximale Wahrscheinlichkeit) bezeichnet in der Statistik ein parametrisches Schätzverfahren. Inhaltsverzeichnis 1 Motivation 2 Eine heuristische Herleitung 3 Definition 4 Beispiel …   Deutsch Wikipedia

  • Maximale Wahrscheinlichkeit — Die Maximum Likelihood Methode (von engl. maximale Wahrscheinlichkeit) bezeichnet in der Statistik ein parametrisches Schätzverfahren. Inhaltsverzeichnis 1 Motivation 2 Eine heuristische Herleitung 3 Definition 4 Beispiel …   Deutsch Wikipedia

Share the article and excerpts

Direct link
Do a right-click on the link above
and select “Copy Link”