TUForMath
Abstrakt
Der Bayesianische Ansatzes ist seit mehr als 250 Jahren bekannt und geht auf einen posthum publizierten Artikel des presbyterianischen Pfarrer Thomas Bayes (1701-1761) zurück. Bekannt sind dessen Erkenntnisse vor allem durch den Satz von Bayes, der oft angewendet wird, um recht einfache Bespiele der Wahrscheinlichkeitsrechnung zu lösen. Das volle Potential der Erkenntnisse von Thomas Bayes und ihre Bedeutung für Statistik und Data Science bleibt dabei allerdings verborgen.
Lange war der Bayesianische Ansatz durch einen mit allen Mitteln geführten Methodenstreit von Giganten der Statistik, nämlich Ronald Fisher versus Dennis Lindley, geprägt. Durch die Entwicklung von effizienten numerischen Verfahren zur Integration entstanden ab den späten 1960er Jahren erste praktische Anwendungen der Bayesianischen Statistik. Initiiert durch Arnold Zellner entwickelte sich an der University of Chicago die Bayesianische Ökonometrie, d.h. die Analyse von ökonomischen Daten, als eines der frühsten Anwendungsgebiete des Bayesianischen Ansatzes.
Der große Durchbruch kam mit den technologischen Entwicklungen seit den 1990-er Jahren. Die Anwendung von Markov Chain Monte Carlo Algorithmen auf immer schnelleren Computern ermöglicht die Entwicklung von rechenintensiven Verfahren, die nun erlauben, komplexe Probleme der statistischen Inferenz mit Hilfe des Bayesianischen Ansatzes auf koherente Weise zu lösen. Der Bayesianische Ansatz findet heute breite Anwendung in vielen Gebieten, unter anderem in Biologie, Finanzwirtschaft, Genetik, Marketing, Medizin, Ökonomie.
Im Vortrag möchte ich diese lange Tradition der Bayesianischen Inferenz und ihr Potential für die moderne Statistik und Data Science mit Beispielen nachzeichnen und für eine breitere Öffentlichkeit sichtbar machen.
