bayes-begriffe-apriori-likelihood-post-schoice
bayes
paper
Question
Welche der folgenden Zuordnungen zu den drei zentralen Bestandteilen eines Bayes-Modells ist korrekt?
Answerlist
- Likelihood = Wahrscheinlichkeit der Daten gegeben einer bestimmten Hypothese, \(Pr(D|H)\).
- Apriori-Verteilung = Wahrscheinlichkeit der Hypothese, nachdem man die Daten gesehen hat.
- Aposteriori-Verteilung = Wahrscheinlichkeit der Daten, unabhängig von jeder Hypothese.
- Likelihood = Wahrscheinlichkeit der Hypothese gegeben der Daten, \(Pr(H|D)\).
- Apriori- und Aposteriori-Verteilung sind stets identisch, unabhängig von den beobachteten Daten.
Solution
Die Likelihood gibt an, wie wahrscheinlich die beobachteten Daten \(D\) sind, wenn man eine bestimmte Hypothese \(H\) als richtig annimmt: \(L = Pr(D|H)\). Die erste Option ist korrekt.
Warum die Distraktoren falsch sind:
- Die zweite Option beschreibt tatsächlich die Aposteriori-Verteilung (Wahrscheinlichkeit der Hypothese nach Kenntnis der Daten), nicht die Apriori-Verteilung – diese bezeichnet gerade das Vorwissen vor den Daten.
- Die dritte Option beschreibt eher die Rolle der Evidenz (die totale, hypothesenunabhängige Wahrscheinlichkeit der Daten zur Normierung), nicht die Aposteriori-Verteilung, die sich ja gerade auf eine bestimmte Hypothese bezieht.
- Die vierte Option vertauscht die Reihenfolge der Bedingung: \(Pr(H|D)\) ist die Aposteriori-Wahrscheinlichkeit, nicht die Likelihood – Likelihood und Aposteriori-Wahrscheinlichkeit sind bedingte Wahrscheinlichkeiten mit vertauschten Ereignissen und im Allgemeinen nicht gleich.
- Die fünfte Option widerspricht dem gesamten Sinn des Bayes-Updates: Gerade weil neue Daten das Vorwissen aktualisieren, unterscheiden sich Apriori- und Aposteriori-Verteilung in aller Regel – außer im Sonderfall, dass die Likelihood für alle Hypothesen exakt gleich ist.
Aufgabenname: bayes-begriffe-apriori-likelihood-post-schoice
Answerlist
- Wahr
- Falsch
- Falsch
- Falsch
- Falsch
Meta-information
exname: bayes-begriffe-apriori-likelihood-post-schoice extype: schoice expoints: 1 exsolution: 10000 exshuffle: 5 excategory: bayes