gemeinsame-post-verteilung-schoice

bayes
paper
Published

July 10, 2026

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