Kausales Denken, Bayes-Netze und die Markov-Bedingung
Kausales Denken, Bayes-Netze und die Markov-Bedingung
Kausales Denken, Bayes-Netze und die Markov-Bedingung
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
79<br />
(<strong>und</strong> damit im Zweifel den a priori vorhandenen Zustand von E überschreibt) 37 .<br />
Mit <strong>die</strong>ser Interpretation ändert sich für <strong>die</strong> bedingten Wahrscheinlichkeiten<br />
nichts, sie entsprechen den beiden bedingten Wahrscheinlichkeiten<br />
im „0/1“-Fall (siehe Tabelle 4).<br />
Für den Fall, dass <strong>die</strong> Ursache C sich im Zustand A befindet, ändert sich Folgendes:<br />
Die bedingte Wahrscheinlichkeit für E im Zustande B zu sein, wird durch<br />
zwei Dinge bestimmt: Zum einen durch <strong>die</strong> A-priori-Tendenz von E im Zustand B<br />
zu sein, was der Basisrate b E entspricht, <strong>und</strong> zum anderen durch <strong>die</strong> Wahrscheinlichkeit,<br />
dass <strong>die</strong> Ursache C ihren Zustand nicht übertragen konnte (denn der ist<br />
ja A), mithin also<br />
im Falle der Abwesenheit von PN bzw.<br />
im Falle der Anwesenheit von PN. Da es sich um zwei unabhängige<br />
Ereignisse handelt, werden <strong>die</strong> Wahrscheinlichkeiten multiplikativ verknüpft.<br />
Die vollständige Wahrscheinlichkeitstabelle findet sich in Tabelle 5.<br />
Die eigentliche Modellvorhersage bestimmt sich aus Gleichung 6, wie sie in<br />
Abschnitt 4.2 für das Basismodell abgeleitet worden ist. In Abbildung 21 ist <strong>die</strong><br />
Vorhersage dargestellt; <strong>die</strong> Parameter wurden dabei aus exakt den gleichen Verteilungen<br />
gezogen wie bei dem Basismodell im „0/1“-Fall. Gut zu erkennen ist,<br />
dass <strong>die</strong> Vorhersage für den Fall der Ursache im Zustand B exakt der Vorhersage<br />
im „0/1“-Fall für <strong>die</strong> Anwesenheit der Ursache entspricht. Der wesentliche Unterschied<br />
ergibt sich für den Fall der Ursache im Zustand A. Die bedingte Wahrscheinlichkeit<br />
des Zieleffekts hängt nun ebenfalls vom Zustand der anderen Effekte<br />
ab <strong>und</strong> zwar umso stärker, je stärker <strong>die</strong> gemeinsame Fehlerquelle ist. Es<br />
ergibt sich mithin ein spiegelbildlich gestauchter Bef<strong>und</strong> für <strong>die</strong> Ursachenzustände<br />
A <strong>und</strong> B, der über <strong>die</strong> A-priori-Tendenz der Effekte, A oder B zu sein, moduliert<br />
wird (im Fall einer Basisrate von 50% ergibt sich ein perfektes Spiegelbild an der<br />
„y=x“-Achse). Im Unterschied zum „0/1“-Fall sagt das Modell also auch für <strong>die</strong><br />
Ursache im Zustand A einen Haupteffekt für <strong>die</strong> Anzahl der als im Zustand B beobachteten<br />
anderen Effekte sowie – vor allem – eine Interaktion zwischen <strong>die</strong>sem<br />
Faktor <strong>und</strong> der Stärke der gemeinsamen Fehlerursache („Reading“-vs.-<br />
„Sending“-Faktor) voraus.<br />
37 Zur Vereinfachung sei hier davon ausgegangen, dass der Zustand A der Ursache auch entsprechend<br />
den Zustand A beim Effekt verursacht. Das Mapping kann natürlich beliebig geändert werden,<br />
ohne dass sich an der Aussage etwas ändern würde.