gemeinsame-post-verteilung-schoice
Question
Das Kung-Modell hat zwei Parameter, \(\mu\) und \(\sigma\). Neben den beiden einzelnen (Rand-)Verteilungen für \(\mu\) und \(\sigma\) zeigt das Kapitel auch die gemeinsame Post-Verteilung beider Parameter (z. B. als Streudiagramm oder Fliesendiagramm von \(\mu\) gegen \(\sigma\)). Welche Aussage dazu ist korrekt?
Answerlist
- Die gemeinsame Post-Verteilung erlaubt es, für jede Kombination von \(\mu\)- und \(\sigma\)-Werten die zugehörige Wahrscheinlichkeit abzulesen; im Kung-Beispiel sind \(\mu\) und \(\sigma\) dabei unkorreliert.
- Eine gemeinsame Post-Verteilung von zwei Parametern lässt sich grundsätzlich nicht visualisieren, sondern nur einzeln für jeden Parameter getrennt.
- Da \(\mu\) und \(\sigma\) im Kung-Beispiel unkorreliert sind, kann man daraus schließen, dass Parameter in Bayes-Modellen grundsätzlich niemals korreliert sein können.
- Die gemeinsame Post-Verteilung zeigt zusätzlich noch einen dritten Parameter, der im Modell gar nicht spezifiziert wurde.
- Die Randverteilungen (nur für \(\mu\) bzw. nur für \(\sigma\)) und die gemeinsame Post-Verteilung enthalten exakt dieselbe Information, nur in unterschiedlicher Formatierung.
Solution
Die gemeinsame (zweidimensionale) Post-Verteilung zeigt für jede mögliche Kombination von \(\mu\)- und \(\sigma\)-Werten deren gemeinsame Wahrscheinlichkeit (bzw. Häufigkeit in den Stichproben). Im Kapitel wird explizit festgestellt: “Wie man sieht, sind die beiden Parameter unkorreliert.” Die erste Option ist korrekt.
Warum die Distraktoren falsch sind:
- Die zweite Option widerspricht dem Kapitel direkt: Die gemeinsame Post-Verteilung wird dort explizit visualisiert, z. B. als Fliesendiagramm (
geom_hex()) oder Streudiagramm von \(\mu\) gegen \(\sigma\). - Die dritte Option ist eine unzulässige Verallgemeinerung: Das Kapitel merkt explizit an, dass “in anderen Modellen […] die Parameter korreliert sein” können – die Unkorreliertheit ist eine Eigenschaft dieses spezifischen Beispiels, keine allgemeine Eigenschaft aller Bayes-Modelle.
- Die vierte Option ist falsch: Die gemeinsame Post-Verteilung bezieht sich exakt auf die im Modell spezifizierten zwei Parameter \(\mu\) und \(\sigma\), keinen zusätzlichen dritten Parameter.
- Die fünfte Option ist falsch: Wären \(\mu\) und \(\sigma\) korreliert, würden die beiden getrennten Randverteilungen diese Korrelation gerade nicht zeigen – nur die gemeinsame (zweidimensionale) Verteilung macht Aussagen über den Zusammenhang zwischen beiden Parametern sichtbar. Beide Darstellungen sind also inhaltlich nicht informationsgleich.
Aufgabenname: gemeinsame-post-verteilung-schoice
Answerlist
- Wahr
- Falsch
- Falsch
- Falsch
- Falsch
Meta-information
exname: gemeinsame-post-verteilung-schoice extype: schoice expoints: 1 exsolution: 10000 exshuffle: 5 excategory: bayes