##  [Bayessche Inferenz](/de/node/70541) 

 Definition

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

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

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

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

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

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

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

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

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.