A-posteriori-Wahrscheinlichkeit

Die A-posteriori-Wahrscheinlichkeit ist ein Begriff aus der bayesschen Statistik. Sie beschreibt den Wissensstand über einen unbekannten Umweltzustand $\theta$ a posteriori, d. h. nach der Beobachtung einer Zufallsgröße $X$ , die von $\theta$ in statistischer Abhängigkeit steht.

Definition

Folgende Situation ist gegeben: $\theta$ 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 $\theta$ 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 $\theta =\theta _{0}$ gegeben. Diese Dichte (bzw. Wahrscheinlichkeitsfunktion) wird im Folgenden mit $f(x|\theta _{0})$ bezeichnet.

Die A-posteriori-Verteilung ist die Verteilung des Populationsparameters $\theta$ unter der Bedingung, dass für die Zufallsgröße $X$ der Wert $x$ beobachtet wurde. Die A-posteriori-Verteilung wird mit Hilfe des Satzes von Bayes aus der A-priori-Verteilung und der bedingten Verteilung der Stichprobe unter der Bedingung $\theta =\theta _{0}$ 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 $\mathbb {R}$ oder auf einem Intervall in $\mathbb {R}$ definiert ist. Beispiele für stetige A-priori-Verteilungen sind:

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

Im Folgenden steht $g(\theta )$ für die auf dem Parameterraum $\Theta$ definierte A-priori-Dichte von $\theta .$

In diesem Fall kann die A-posteriori-Dichte $h(\theta |x)$ folgendermaßen berechnet werden:

h(\theta _{0}\mid x)={\frac {f(x\mid \theta _{0})\,g(\theta _{0})}{\displaystyle \int _{\Theta }f(x\mid \theta ')\,g(\theta ')\,\mathrm {d} \theta '}}\!

Für diskrete A-priori-Verteilungen

Im folgenden Abschnitt steht $P(\theta =\theta _{0})$ für die diskrete A-priori-Wahrscheinlichkeit, dass der Parameter $\theta$ den Wert $\theta _{0}$ 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 $P(\theta =\theta _{0}|x)$ bezeichnet und kann auf folgende Weise berechnet werden:

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 bayesschen Statistik

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

Damit ist die A-posteriori-Verteilung die Grundlage zur Berechnung aller Punktschätzer (siehe Bayes-Schätzer) und Glaubwürdigkeitsintervallen.

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 $X$ bezeichnet, der tatsächlich beobachtete Wert der Zufallsgröße mit $x$ .

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

P(\theta =0{,}4)=P(\theta =0{,}6)=0{,}5.

Die Wahrscheinlichkeitsfunktion für $X=x$ ergibt sich aus der Binomialverteilung zu

f(X=4\mid \theta =\theta _{0})={11 \choose 4}\;{\theta _{0}}^{4}\;(1-\theta _{0})^{7}.

Man erhält daher für $\theta _{0}=0{,}4$

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

Für $\theta _{0}=0{,}6$ 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 $\theta =0{,}4$ erhält man als A-posteriori-Wahrscheinlichkeit

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

Für $\theta =0{,}6$ ergibt sich die A-posteriori-Wahrscheinlichkeit

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

Somit ist nach Ziehung der Stichprobe die Wahrscheinlichkeit, dass der Anteil roter Kugeln in der Urne 40 % beträgt, gleich $0{,}77$ .

Siehe auch

Bayesianische Erkenntnistheorie

Einzelnachweise

1 2 3 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

This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. Additional terms may apply for the media files.

[rueger1-1] 1 2 3 Bernhard Rüger (1988), S. 152 ff.