Statistik-Glossar

A-priori-Wahrscheinlichkeit

Prior probability / Vorwissen, Prior · Maximilian Fuchs · 24. April 2026 · 5 Min. Lesezeit

In diesem Beitrag

Was versteht man unter A-priori-Wahrscheinlichkeit?
Warum ist A-priori-Wahrscheinlichkeit wichtig?
Praxisbeispiel

Was versteht man unter A-priori-Wahrscheinlichkeit?

Die A-priori-Wahrscheinlichkeit (kurz: Prior) bezeichnet die Wahrscheinlichkeit, die einem Ereignis oder einem unbekannten Parameter vor der Beobachtung neuer Daten zugewiesen wird. Sie fasst zusammen, welches Wissen oder welche Überzeugungen über einen Sachverhalt bereits vor der eigentlichen Datenerhebung vorliegen.

Der Prior ist ein zentrales Konzept der Bayes-Statistik. Im Bayes-Theorem wird er mit der Likelihood – also der Wahrscheinlichkeit der beobachteten Daten unter einem bestimmten Parameter – kombiniert, um die A-posteriori-Wahrscheinlichkeit (Posterior) zu berechnen:

Bayes-Theorem (vereinfacht)

$P(\theta \mid \text{Daten}) \propto P(\text{Daten} \mid \theta) \cdot P(\theta)$

Dabei steht P(θ) für den Prior (die A-priori-Wahrscheinlichkeit des Parameters θ), P(Daten | θ) für die Likelihood und P(θ | Daten) für den Posterior.

Einfach erklärt Stell dir vor, du willst wissen, ob eine Münze fair ist. Bevor du sie auch nur ein einziges Mal wirfst, hast du vermutlich schon eine gewisse Erwartung – zum Beispiel, dass die meisten Münzen fair sind. Diese Vorannahme ist dein Prior. Sobald du die Münze 100-mal wirfst und die Ergebnisse siehst, aktualisierst du deine Einschätzung. Das Ergebnis dieser Aktualisierung ist der Posterior.

Arten von Priors

Je nachdem, wie viel Vorwissen vorhanden ist, unterscheidet man verschiedene Typen:

Informativer Prior: Basiert auf konkretem Vorwissen, z. B. aus früheren Studien oder Expertenmeinungen.
Schwach informativer Prior: Gibt nur eine grobe Richtung vor und lässt den Daten viel Spielraum.
Nicht-informativer Prior (diffuser Prior): Versucht, möglichst wenig Vorannahmen zu machen und alle Parameterwerte als gleich plausibel zu behandeln.

Warum ist A-priori-Wahrscheinlichkeit für statistische Analysen wichtig?

In der klassischen (frequentistischen) Statistik spielt Vorwissen keine formale Rolle – es gibt keine Möglichkeit, bestehende Überzeugungen direkt in ein Modell einzubinden. Die Bayes-Statistik ermöglicht genau das: Sie erlaubt es, Vorwissen explizit und nachvollziehbar zu berücksichtigen. Das ist besonders wertvoll, wenn die Stichprobe klein ist oder wenn aus früheren Studien belastbare Informationen vorliegen.

Gleichzeitig ist der Prior die am häufigsten kritisierte Komponente der Bayes-Statistik, weil er subjektiv sein kann: Zwei Forschende können denselben Datensatz mit unterschiedlichen Priors analysieren und zu leicht unterschiedlichen Ergebnissen kommen.

Häufiger Fehler Viele Einsteiger glauben, ein nicht-informativer Prior sei immer die „sicherste“ Wahl, weil er keine Vorannahmen trifft. Das stimmt nicht ganz: Auch ein vermeintlich neutraler Prior trifft Annahmen – er ist nie völlig frei von Einfluss. Besser ist es, den Prior transparent zu begründen und im Rahmen einer Sensitivitätsanalyse zu prüfen, wie stark die Ergebnisse von der Wahl des Priors abhängen.

Gut zu wissen Der Prior wird nach der Datenerhebung zum Posterior – und dieser Posterior kann wiederum als Prior für eine neue Analyse dienen. Diese schrittweise Aktualisierung von Wissen ist eines der stärksten Merkmale des Bayes-Ansatzes.

Praxisbeispiel zu A-priori-Wahrscheinlichkeit

Angenommen, du untersuchst im Rahmen deiner Masterarbeit, ob eine neue Lernmethode den Prüfungserfolg verbessert. Aus drei früheren Studien zum gleichen Thema weißt du, dass der Effekt im Durchschnitt moderat positiv war (Cohens d ≈ 0,3) und selten über 0,6 lag.

Du nutzt diese Information und legst einen informativen Prior fest, der einen positiven, aber nicht zu großen Effekt als wahrscheinlicher einstuft. Konkret wählst du eine Normalverteilung mit Mittelwert 0,3 und Standardabweichung 0,2 als Prior für den Effektparameter.

Tabelle 1. Gegenüberstellung: Prior, Daten und Posterior
Komponente	Bedeutung	Im Beispiel
Prior	Vorwissen vor der Studie	Normalverteilung mit μ = 0,3; σ = 0,2
Likelihood	Wahrscheinlichkeit der erhobenen Daten	Beobachteter Effekt in der neuen Stichprobe (n = 40)
Posterior	Aktualisierte Schätzung nach den Daten	Kombination aus Prior und neuen Beobachtungen

Fällt dein beobachteter Effekt in der Studie ähnlich aus wie erwartet (z. B. d = 0,35), wird der Posterior nah am Prior liegen. Weicht er stark ab (z. B. d = 0,8), ziehen die Daten den Posterior in diese Richtung – allerdings gebremst durch den Prior. Je größer deine Stichprobe, desto stärker dominieren die Daten.

Bayes-Statistik Prior Posterior Wahrscheinlichkeit Likelihood Inferenz Vorwissen