A-posteriori-Wahrscheinlichkeit

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.

Игры ⚽ Поможем написать курсовую

Schlagen Sie auch in anderen Wörterbüchern nach:

  • 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

  • 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-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

  • 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

  • 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

  • Bedingte Häufigkeit — Berechnung der relativen Häufigkeit als Mengendiagramm Die relative Häufigkeit oder bedingte Häufigkeit ist ein Maß der deskriptiven Statistik und in der elementaren Wahrscheinlichkeitsrechnung. Sie gibt den Anteil der Objekte mit dem gleichen… …   Deutsch Wikipedia

Share the article and excerpts

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