Ein formales Verfahren zur Revision von Glaubensgraden an eine oder mehrere Hypothesen mittels Anwendung des Bayesschen Theorems: Die a-posteriori-Wahrscheinlichkeit einer Hypothese ist proportional zu ihrer a-priori-Wahrscheinlichkeit multipliziert mit der Wahrscheinlichkeit der beobachteten Daten unter dieser Hypothese, normiert über konkurrierende Hypothesen; die Anwendung erfordert eine explizite Prior und ein Likelihood-Modell.

Prinzip

Beweise sollten Glaubensgrade proportional dazu verändern, wie viel wahrscheinlicher die Evidenz unter einer Hypothese als unter Alternativen ist (Likelihood-Verhältnis): posterior ∝ prior × likelihood, was unter dem gewählten Modell die probabilistische Kohärenz der Aktualisierungen gewährleistet.

Demonstration

Illustrierendes Szenario — Situation: Man hat die a-priori-Überzeugung, dass eine Münze fair ist (P(Kopf)=0,5). Erkennung: Nach Beobachtung von 8 Köpfen in 10 Würfen berechnet man die Likelihood unter der Fairness- gegenüber der Bias-Hypothese. Handlung: Mit einer spezifizierten Prior auf Bias wendet man Bayes' Theorem an, um eine Posteriorverteilung zu erhalten, die eine erhöhte Wahrscheinlichkeit für eine verzerrte Münze anzeigt. Folge: Der Glaube an Fairness sinkt quantitativ und nachfolgende Entscheidungen (z. B. weitere Tests) spiegeln die aktualisierten Glaubensgrade wider.

Fehlanwendung

Posterioren als objektive Tatsachen behandeln, ohne die Abhängigkeit von subjektiven oder modellbasierten Priors und Likelihoods anzuerkennen, oder Model-Misspezifikation, Selektions­effekte oder ungewohnte Alternativen bei der Interpretation der aktualisierten Wahrscheinlichkeiten zu übersehen.

Konsequenz

Stellt einen kohärenten, quantitativen Rahmen bereit, um neue Evidenz mit Vorwissen zu integrieren, ermöglicht sequentielles Lernen, Entscheidungsfindung unter Unsicherheit und prinzipielle Kombination heterogener Daten — die Ergebnisse sind jedoch sensitiv gegenüber Prior- und Modellwahl.

Umkehrung

Wenn keine vertretbare Prior oder kein plausibles Likelihood-Modell spezifizierbar ist, oder in Situationen, die frequenzbasierte Garantien erfordern, kann die bayessche Aktualisierung ungeeignet oder umstritten sein; in adversarialen oder nicht reproduzierbaren Kontexten kann naive Aktualisierung irreführend sein.

Abgrenzung

Klar innerhalb: probabilistische Hypothesenbewertung und sequentielle Evidenzintegration, wenn Priors und Likelihoods sinnvoll festgelegt werden können. Randfall: Einsatz schwacher oder ‚objektiver‘ Priors, der Sensitivitätsanalysen erfordert. Klar außerhalb: Aussagen logischer Gewissheit über definitorische Propositionen und Kontexte, in denen probabilistische Modellierung nicht anwendbar ist.

Semantische Spannung

Spannung zu frequentistischen Methoden und normativen Debatten über die Objektivität von Priors: Bayessche Kohärenz bietet interne Rationalität, während Frequentismus langfristige Häufigkeitsgarantien priorisiert.

Synthese

Bayessche Aktualisierung formalisiert, wie rationale Glaubensgrade angesichts neuer Evidenz bei expliziten Modellentscheidungen verschoben werden sollten; sie macht qualitative Evidenzrelationen quantitativ, überträgt aber epistemische Verantwortung auf Spezifikation und Robustheit von Priors und Modellen.