A-posteriori-Wahrscheinlichkeit
In diesem Beitrag
Was versteht man unter A-posteriori-Wahrscheinlichkeit?
Die A-posteriori-Wahrscheinlichkeit (kurz: Posterior) ist ein zentrales Konzept der bayesianischen Statistik. Sie beschreibt die aktualisierte Wahrscheinlichkeit einer Hypothese oder eines unbekannten Parameters, nachdem neue Beobachtungsdaten berücksichtigt wurden.
Formal ergibt sich der Posterior aus dem Satz von Bayes:
Satz von Bayes
Die drei Bestandteile haben folgende Bedeutung:
- P(θ | Daten) – der Posterior: die gesuchte Wahrscheinlichkeit des Parameters θ nach Beobachtung der Daten.
- P(Daten | θ) – die Likelihood: wie wahrscheinlich sind die beobachteten Daten, wenn θ gilt?
- P(θ) – der Prior (A-priori-Wahrscheinlichkeit): das Vorwissen über θ vor der Datenerhebung.
- P(Daten) – die Evidenz: ein Normierungsfaktor, der sicherstellt, dass der Posterior eine gültige Wahrscheinlichkeitsverteilung ergibt.
Vereinfacht ausgedrückt gilt: Posterior ∝ Likelihood × Prior. Der Posterior kombiniert also das, was man vorher wusste, mit dem, was die Daten zeigen.
Warum ist die A-posteriori-Wahrscheinlichkeit für statistische Analysen wichtig?
In der klassischen (frequentistischen) Statistik gibt es keine Wahrscheinlichkeiten für Parameter – ein Parameter ist entweder wahr oder falsch, nur unbekannt. Die bayesianische Statistik geht einen anderen Weg: Sie behandelt Parameter als Zufallsgrößen mit eigenen Verteilungen. Der Posterior ist das Ergebnis dieses Ansatzes.
Das hat mehrere praktische Vorteile:
- Vorwissen aus früheren Studien oder Expertenwissen lässt sich formal in die Analyse einbinden.
- Aussagen wie „Es ist zu 90 % wahrscheinlich, dass der Effekt positiv ist“ sind direkt aus dem Posterior ableitbar – im Gegensatz zu frequentistischen p-Werten.
- Bei kleinen Stichproben kann ein informativer Prior die Schätzung stabilisieren.
Praxisbeispiel zu A-posteriori-Wahrscheinlichkeit
Eine Forscherin untersucht, ob ein neues Lernprogramm die Prüfungsergebnisse verbessert. Aus vergleichbaren Studien weiß sie, dass solche Programme typischerweise einen kleinen positiven Effekt haben – das ist ihr Prior.
Sie erhebt Daten von 40 Studierenden. Die Likelihood zeigt ebenfalls einen positiven Effekt, allerdings mit einiger Unsicherheit aufgrund der kleinen Stichprobe.
| Komponente | Inhalt im Beispiel |
|---|---|
| Prior P(θ) | Kleiner positiver Effekt erwartet (basierend auf Vorwissen) |
| Likelihood P(Daten | θ) | Daten zeigen positiven, aber unsicheren Effekt |
| Posterior P(θ | Daten) | Aktualisierte Verteilung: moderater positiver Effekt mit geringerer Unsicherheit als die Likelihood allein |
Der Posterior fällt stärker und präziser aus als eine rein datenbasierte Schätzung, weil das Vorwissen die Unsicherheit reduziert. Die Forscherin kann nun direkt ablesen, mit welcher Wahrscheinlichkeit der Effekt einen bestimmten Schwellenwert überschreitet – etwa: „Mit 87 % Wahrscheinlichkeit ist der Effekt größer als null.“
