Mathematische Paradoxa on kenji.blog

Steht der fliegende Pfeil still?: Zenons Paradoxon vom fliegenden Pfeil

Thu, 10 Sep 2026 21:00:00 +0900

Ein von einem Bogen abgeschossener Pfeil fliegt durch die Luft. Dieser Pfeil bewegt sich zweifellos. Jedoch entwickelte der griechische Philosoph Zenon im 5. Jahrhundert v. Chr. die folgende furchteinflößende Logik:

“Ein fliegender Pfeil steht in Wirklichkeit still.”

Dies ist weder ein Scherz noch eine Sophisterei, sondern das “Paradoxon des fliegenden Pfeils”, über das Mathematiker und Philosophen seit 2500 Jahren ernsthaft debattieren.

Zenons Argumentation

Zenons Argumentation geht von dem Konzept des “Zeitpunkts” (Moment) aus.

Die Zeit ist eine Abfolge von “Momenten”.
Wenn man einen einzigen Moment (einen Zeitpunkt mit der Dauer Null) wie ein “Foto” herausgreift, “befindet” sich der Pfeil an einem bestimmten Punkt im Raum.
In diesem Moment “nimmt” der Pfeil nur diesen Raum “ein” und bewegt sich nicht. (Wenn er sich bewegen würde, würde dies eine “Zeitspanne” erfordern, nicht einen “Moment”.)
Dies gilt für jeden beliebigen Moment, den man herausgreift.
Wenn der Pfeil in jedem Moment der Zeit ruht, wann bewegt sich der Pfeil dann?

graph TD A["Fliegender Pfeil"] --> B["Zeit ist eine Abfolge von Momenten"] B --> C["Moment t1: Pfeil ruht in Position A"] B --> D["Moment t2: Pfeil ruht in Position B"] B --> E["Moment t3: Pfeil ruht in Position C"] C --> F{"In allen Momenten ruht der Pfeil"} D --> F E --> F F --> G["Schlussfolgerung: Der Pfeil bewegt sich nicht!"] style A fill:#2196F3,color:#fff style F fill:#FF9800,color:#fff,stroke-width:2px style G fill:#F44336,color:#fff,stroke-width:3px

Intuition vs. Logik

“Lächerlich. Der Pfeil fliegt doch tatsächlich” ist wahrscheinlich die erste Reaktion der meisten Menschen. Es ist jedoch tatsächlich sehr schwierig, in Zenons Argumentation logisch aufzuzeigen, was falsch ist.

Es wird überliefert, dass der antike griechische Philosoph Diogenes gegenüber Zenon einfach aufstand, im Raum umherging und zeigte: “Sieh her, er bewegt sich.” Dies ist jedoch keine Widerlegung von Zenons Logik. Was Zenon in Frage stellt, ist nicht, “ob er sich bewegen kann”, sondern “ob wir mit unserer Logik widerspruchsfrei erklären können, was es bedeutet, sich zu bewegen”.

(Versuch einer) Lösung durch die Infinitesimalrechnung

Die im 17. Jahrhundert von Newton und Leibniz erfundene Infinitesimalrechnung lieferte eine mathematische Antwort (zumindest teilweise) auf dieses Paradoxon.

In der Infinitesimalrechnung wird die “Geschwindigkeit in einem Moment (Momentangeschwindigkeit)” wie folgt definiert:

$$ v(t) = \lim_{\Delta t \to 0} \frac{\Delta x}{\Delta t} $$

Das heißt, die Geschwindigkeit ist definiert als der “Grenzwert”, wenn die Positionsänderung $\Delta x$ durch die Zeitänderung $\Delta t$ geteilt wird und $\Delta t$ sich unendlich nahe Null nähert.

Der Punkt hierbei ist, dass “Momentangeschwindigkeit” nicht die zurückgelegte Strecke in einem Zeitfenster von Null ist. Sie ist eine Größe, die als “Tendenz” von winzigen Änderungen vor und nach diesem Zeitpunkt definiert ist, also als “Grenzwert”.

Daher lautet die Antwort aus Sicht der Infinitesimalrechnung wie folgt:

“Zwar bewegt sich der Pfeil ‘innerhalb’ des Moments nicht, wenn man einen Moment der Länge Null herausgreift. Jedoch besitzt der Pfeil auch in diesem Moment die Eigenschaft einer ‘Momentangeschwindigkeit (eines Grenzwertes ungleich Null)’. ‘In Ruhe sein’ bedeutet, dass die ‘Momentangeschwindigkeit Null ist’, aber da die Momentangeschwindigkeit des fliegenden Pfeils nicht Null ist, kann man nicht sagen, dass der Pfeil ‘ruht’.”

Die verbleibenden philosophischen Fragen

Obwohl die Infinitesimalrechnung eine praktische Lösung für Zenons Paradoxon lieferte, ist sie philosophisch gesehen noch nicht vollständig geklärt.

Das Konzept des “Grenzwertes” ist lediglich ein mathematisches Werkzeug (Rechenverfahren) und beantwortet streng genommen keine grundlegenden Fragen wie: “Was ist die physikalisch kleinste Zeiteinheit (der Moment)?”, “Was ist Kontinuität?” oder “Was ist das Wesen der Bewegung?”.

In der modernen Physik (Quantenmechanik) wird diskutiert, dass auch in Zeit und Raum möglicherweise kleinste Einheiten (Planck-Zeit, Planck-Länge) existieren. Wenn die Zeit nicht “kontinuierlich”, sondern “diskret (digital)” wäre, müsste Zenons Paradoxon in einem völlig anderen Kontext neu bewertet werden.

Zenons Pfeil fragt uns auch 2500 Jahre später immer noch: “Was bedeutet es, sich zu bewegen?” und “Was ist Zeit?”.

Wann hört ein Sandhaufen auf, ein Sandhaufen zu sein, wenn man ein Sandkorn entfernt? Das Sorites-Paradoxon

Thu, 10 Sep 2026 21:00:00 +0900

Stellen Sie sich vor, vor Ihnen steht ein prächtiger Sandhaufen aus 10.000 Körnern. Jeder würde ihn als „Sandhaufen" bezeichnen. Nun entfernen wir ein einziges Sandkorn. 9.999 Körner. Immer noch ein Sandhaufen, oder? Wir entfernen ein weiteres Korn. 9.998 Körner. Auch das ist noch ein Sandhaufen.

Wiederholen wir diesen Vorgang. Durch das Entfernen eines einzigen Korns sollte sich ein „Sandhaufen" nicht in „keinen Sandhaufen" verwandeln. Doch wenn man diese Logik immer weiter fortsetzt, bleibt am Ende nur noch ein einziges Sandkorn übrig.

Ist ein einzelnes Sandkorn ein „Sandhaufen"?

Natürlich würde niemand ein einzelnes Sandkorn als „Sandhaufen" bezeichnen. Aber wir haben die Prämisse „Auch nach dem Entfernen eines Korns bleibt ein Sandhaufen ein Sandhaufen" kein einziges Mal verneint. Irgendwo muss die Logik zusammenbrechen – doch bei welchem Korn genau hörte der Sandhaufen auf, ein Sandhaufen zu sein?

Dies ist das „Sorites-Paradoxon" (Paradoxon des Haufens), das auf den altgriechischen Philosophen Eubulides aus dem 4. Jahrhundert v. Chr. zurückgeht.

Logische Struktur

Dieses Paradoxon lässt sich in Form eines Syllogismus ausdrücken:

Prämisse 1: Eine Ansammlung von 10.000 Sandkörnern ist ein „Sandhaufen". Prämisse 2: Wenn man von einem Sandhaufen ein Sandkorn entfernt, ist das Ergebnis immer noch ein „Sandhaufen". Schlussfolgerung: Folglich ist auch ein einzelnes Sandkorn ein „Sandhaufen".

Prämisse 1 und Prämisse 2 klingen jeweils für sich genommen sehr plausibel. Doch wenn man Prämisse 2 wiederholt anwendet, führt dies zu einer offensichtlich falschen Schlussfolgerung.

Warum dieses Paradoxon unlösbar ist

Der Kern des Sorites-Paradoxons liegt darin, dass das Wort „Sandhaufen" von Natur aus vage ist. Für „Sandhaufen" gibt es keine klare Definition (Schwellenwert) wie „ab so-und-so-vielen Körnern ist es ein Sandhaufen". Solche Begriffe werden als „vage Prädikate" (vague predicates) bezeichnet.

Unsere Alltagssprache ist voll von solchen vagen Ausdrücken.

„Groß" – ab wie vielen Zentimetern? Eine Person mit 180 cm ist „groß". Was, wenn man 1 mm abzieht? Und noch 1 mm?
„Reich" – ab welchem Vermögen? Bei 10 Milliarden Yen ist man „reich". Was, wenn 1 Yen weniger?
„Kahl" – ab wie wenigen Haaren? Bei 0 Haaren ist man „kahl". Was, wenn ein einziges Haar nachwächst?

All diese Beispiele haben exakt die gleiche Struktur wie das Sorites-Paradoxon.

Ansätze der Philosophen

1. Erkenntnistheoretischer Ansatz (Die Grenze existiert)

Dieser Ansatz behauptet: „Tatsächlich gibt es eine klare Grenze zwischen Sandhaufen und Nicht-Sandhaufen, aber der Mensch ist einfach nicht in der Lage, sie zu erkennen." Zum Beispiel gäbe es eine exakte Grenze wie „5.837 Körner sind ein Sandhaufen, aber 5.836 Körner sind es nicht" – wir können sie nur nicht wissen.

Logisch betrachtet ist das schlüssig, doch intuitiv empfinden die meisten Menschen ein Unbehagen bei dieser Position.

2. Fuzzy-Logik (Graduelle Wahrheitswerte)

In der klassischen Logik gibt es nur „wahr oder falsch", doch in der Fuzzy-Logik kann ein Wert irgendwo zwischen 0 und 1 liegen.

Zum Beispiel:

10.000 Körner Sand: „Sandhaufen-Grad = 1,0 (definitiv ein Sandhaufen)"
5.000 Körner: „Sandhaufen-Grad = 0,7"
100 Körner: „Sandhaufen-Grad = 0,1"
1 Korn: „Sandhaufen-Grad = 0,0 (definitiv kein Sandhaufen)"

Dieser Ansatz ist praktisch, löst das Paradoxon aber nicht vollständig. Denn es entsteht eine neue Vagheit: „Was ist der Unterschied zwischen einem Sandhaufen-Grad von 0,7 und 0,699?"

3. Supervaluationismus (Supervaluationism)

Bei diesem Ansatz werden für das Wort „Sandhaufen" alle denkbaren vernünftigen Grenzziehungen gleichzeitig berücksichtigt. Wird etwas bei allen Grenzziehungen als „Sandhaufen" eingestuft, ist es „definitiv ein Sandhaufen". Wird es bei allen als „Nicht-Sandhaufen" eingestuft, ist es „definitiv kein Sandhaufen". Der Bereich, in dem die Meinungen auseinandergehen, gilt als „unbestimmt".

Auswirkungen auf die moderne Gesellschaft

Das Sorites-Paradoxon ist nicht nur ein Wortspiel, sondern verursacht auch in der realen Welt der Gesetze und Politik ernsthafte Probleme.

Volljährigkeitsalter: Mit 17 Jahren und 364 Tagen ist man ein „Kind", mit 18 Jahren und 0 Tagen ein „Erwachsener". Was ändert sich grundlegend an einem einzigen Tag?
Armutsgrenze: Liegt das Jahreseinkommen 1 Yen unter dem Grenzwert, gilt man als „arm"; liegt es 1 Yen darüber, gilt man als „nicht arm".
Umweltvorschriften: Überschreitet der Schadstoffausstoß den Grenzwert um 0,001 mg, ist es illegal. Genau auf dem Grenzwert ist es legal.

Die menschliche Sprache und das Denken enthalten von Natur aus Vagheit, und der Versuch, die Welt in klare binäre Gegensätze zu unterteilen, stößt möglicherweise an seine Grenzen. Das Sorites-Paradoxon ist ein Paradoxon, das seit über 2.400 Jahren Philosophen beschäftigt und die grundlegenden Grenzen des menschlichen Intellekts aufzeigt.

Wie lang ist die Küstenlinie Großbritanniens?: Das Küstenlinien-Paradoxon

Thu, 10 Sep 2026 21:00:00 +0900

Wie viele Kilometer lang ist die Küstenlinie Großbritanniens? Man könnte meinen, dass man die Antwort findet, wenn man in einer Enzyklopädie oder einem Geografiebuch nachschlägt. In der Realität gibt es jedoch die merkwürdige Tatsache, dass “die Antwort von der Messmethode abhängt und theoretisch unendlich ist”.

Das ist das Küstenlinien-Paradoxon (Coastline Paradox). Diese Entdeckung führte später zur Entstehung eines völlig neuen mathematischen Bereichs, der “fraktalen Geometrie”.

Je kürzer das Lineal, desto länger die Strecke

Eine Küstenlinie ist keine gerade Linie, sondern besteht aus unzähligen Buchten, Kaps und felsigen Unebenheiten.

Angenommen, wir messen die Küstenlinie Großbritanniens mit einem gigantischen Lineal (einer geraden Linie) von 100 km Länge. Bei diesem Lineal werden die kleinen Buchten und Halbinseln von weniger als 100 km ignoriert und abgeschnitten.

Lassen Sie uns als Nächstes mit einem 1 km langen Lineal erneut messen. Da wir nun entlang der Konturen kleinerer Buchten und Kaps messen, die zuvor ignoriert wurden, wird die Gesamtlänge definitiv größer.

Was passiert, wenn wir die Unebenheiten jedes Felsens mit einem 1 m langen Lineal messen, die Oberfläche von Kieselsteinen mit einem 1 cm langen Lineal und die Konturen von Sandkörnern mit einem 1 mm langen Lineal?

graph TD A["Messung der Küstenlinie"] --> B["100-km-Lineal"] A --> C["1-km-Lineal"] A --> D["1-m-Lineal"] B --> B1["Kleine Buchten werden ignoriert"] B1 --> B2["Messergebnis: ca. 2.800 km"] C --> C1["Folgt der Form der Buchten"] C1 --> C2["Messergebnis: ca. 3.400 km"] D --> D1["Misst bis zu Felsunebenheiten"] D1 --> D2["Messergebnis: Nimmt weiter zu (theoretisch unendlich)"] style B2 fill:#FFCDD2,stroke:#333 style C2 fill:#E57373,stroke:#333 style D2 fill:#F44336,stroke:#333,color:#fff

Lewis Fry Richardson entdeckte dieses Phänomen 1951 empirisch. Wenn die Maßeinheit (die Länge des Lineals) kleiner wird, nimmt die gemessene Länge der Küstenlinie endlos zu.

Fraktale Dimension: Zwischen 1D und 2D

Der Mathematiker Benoît Mandelbrot lieferte eine mathematische Erklärung für dieses Paradoxon. Im Jahr 1967 veröffentlichte er in der Zeitschrift Science seinen berühmten Artikel „How Long Is the Coast of Britain? Statistical Self-Similarity and Fractional Dimension“.

Mandelbrot wies darauf hin, dass natürliche Formen wie Küstenlinien eine Selbstähnlichkeit (Fraktal) besitzen, bei der “egal wie stark man vergrößert, ähnlich komplexe Strukturen erscheinen”.

Wenn es sich um eine reine mathematische Linie (eindimensional) handelt, ändert sich ihre Länge nicht, auch wenn man das Lineal halbiert. Die Küstenlinie ist jedoch so gezackt, dass sie komplexer als eine eindimensionale Linie ist, aber auch keine zweidimensionale Fläche mit einem Flächeninhalt darstellt.

Mandelbrot führte das Konzept der “fraktalen Dimension (Hausdorff-Dimension)” ein, um die Komplexität solcher Figuren auszudrücken. Die fraktale Dimension der Küste Großbritanniens wird auf $D \approx 1.25$ geschätzt. Das bedeutet, dass die britische Küstenlinie ein mysteriöses Gebilde ist, das “eine höhere Dimension als eine 1D-Linie und eine niedrigere Dimension als eine 2D-Fläche” aufweist.

Wenn wir die Länge des Lineals mit $s$ und die gemessene Länge der Küstenlinie mit $L(s)$ bezeichnen, besteht die folgende Beziehung zur fraktalen Dimension $D$:

$$ L(s) \propto s^{1-D} $$

Im Fall der britischen Küstenlinie ist $D = 1.25$, was bedeutet, dass $1 - D = -0.25$ ist.

$$ L(s) \propto s^{-0.25} $$

Dies zeigt mathematisch, dass das Messergebnis $L(s)$ gegen Unendlich $\infty$ divergiert, wenn sich die Länge des Lineals $s$ der 0 nähert.

Letzte Schlussfolgerung: Länge kann nicht definiert werden

Das Konzept der “Länge”, das wir im Alltag verwenden, funktioniert nur für glatte gerade Linien und Kurven. Für fraktale Formen in der Natur (Küstenlinien, Wolken, Gebirgszüge, Verzweigungen von Blutgefäßen usw.) ist die Frage nach einer “absoluten Länge” im Grunde mathematisch bedeutungslos.

“Wie lang ist die Küstenlinie Großbritanniens?” Die richtige Antwort darauf lautet: “Das hängt von der Länge des Lineals ab, mit dem man misst”, und theoretisch ist sie “unendlich”. Die Tatsache, dass sich eine unendliche Länge in einem begrenzten, kleinen Raum zusammenfaltet, kann man als ein schönes Paradoxon unserer Raumwahrnehmung bezeichnen.

Das Richard-Paradoxon: Der Widerspruch, der durch unendliche Dezimalzahlen und das "Diagonalargument" entsteht

Thu, 10 Sep 2026 12:00:00 +0900

1. Eine Liste von Zahlen, die durch Worte definiert werden können

Das “Richard-Paradoxon”, das 1905 vom französischen Mathematiker Jules Richard veröffentlicht wurde, ist so etwas wie ein Verwandter des zuvor vorgestellten “Berry-Paradoxons”. Es ist jedoch mathematischer und birgt einen tieferen Widerspruch, der einen Blick in die Unendlichkeit wirft.

Stellen Sie sich zunächst vor, wir sammeln “alle reellen Zahlen (Dezimalzahlen) zwischen 0 und 1, die in der deutschen Sprache vollständig definiert werden können”.

Dies wären zum Beispiel folgende Zahlen:

“Null Komma fünf” $\rightarrow$ $0.5$
“Ein Drittel” $\rightarrow$ $0.333333...$
“Die Zahl, die aus den Ziffern der Kreiszahl Pi nach dem Komma besteht” $\rightarrow$ $0.14159265...$

Da die Kombinationen von Sätzen, die im Deutschen ausgedrückt werden können, nur aus dem Aneinanderreihen von Buchstaben aus dem Wörterbuch bestehen, können sie in eine “Reihenfolge” gebracht werden. (Zum Beispiel ordnet man sie nach der Anzahl der Buchstaben und bei gleicher Buchstabenanzahl alphabetisch.)

Auf diese Weise konnten wir allen “reellen Zahlen, die im Deutschen definiert werden können”, eine erste, zweite, dritte… und somit unendlich weitergehende Nummerierung (Liste) zuweisen.

$$ \begin{align*} r_1 &= 0.\mathbf{3}333... \\ r_2 &= 0.5\mathbf{0}00... \\ r_3 &= 0.14\mathbf{1}5... \\ r_4 &= 0.777\mathbf{7}... \\ &\vdots \end{align*} $$

In dieser Liste sollten “alle reellen Zahlen, die in der deutschen Sprache definiert werden können”, ohne Ausnahme perfekt abgedeckt sein.

2. Die teuflische Technik: Das “Diagonalargument”

Hier wendet Richard eine beängstigende Operation an. Er erschafft künstlich eine “völlig neue Zahl $X$”, die so konstruiert ist, dass sie sich von allen Zahlen in der Liste unterscheidet.

Die Erstellung ist einfach:

Schauen Sie sich die erste Nachkommastelle der ersten Zahl in der Liste an (im obigen Beispiel $3$). Addieren Sie $1$ dazu und machen Sie dies zur ersten Nachkommastelle von $X$ ($3+1=4$).
Schauen Sie sich die zweite Nachkommastelle der zweiten Zahl in der Liste an (im obigen Beispiel $0$). Addieren Sie $1$ dazu und machen Sie dies zur zweiten Nachkommastelle von $X$ ($0+1=1$).
Schauen Sie sich die dritte Nachkommastelle der dritten Zahl in der Liste an (im obigen Beispiel $1$). Addieren Sie $1$ dazu und machen Sie dies zur dritten Nachkommastelle von $X$ ($1+1=2$).

※Wenn die ursprüngliche Ziffer eine $9$ ist, nehmen wir an, dass sie auf $0$ zurückkehrt.

Die nach dieser Methode erstellte neue Zahl $X$ (im obigen Beispiel $X = 0.4128...$) wird absolut nicht mit irgendeiner Zahl in der Liste übereinstimmen. Der Grund dafür ist, dass die $n$-te Ziffer nach dem Komma absichtlich gegenüber der $n$-ten Zahl verschoben wurde. (Diese Methode wird als “Diagonalargument” bezeichnet, das vom genialen Mathematiker Georg Cantor erfunden wurde, um die unendliche Größe der reellen Zahlen zu beweisen.)

3. Die Vollendung des Richard-Paradoxons

Nun, hier beginnt das Paradoxon.

Wir haben gerade eine neue Zahl $X$ erschaffen. Und die “Regel”, um dieses $X$ zu erschaffen, wird durch die deutschen Sätze, die ich gerade oben geschrieben habe, perfekt erklärt (definiert).

Das bedeutet, dass $X$ eine “reelle Zahl ist, die im Deutschen definiert werden kann”.

Aber erinnern Sie sich an die anfängliche Prämisse. “Reelle Zahlen, die im Deutschen definiert werden können”, sollten alle in der anfänglichen Liste ($r_1, r_2, r_3...$) enthalten sein. Trotzdem wurde $X$ so konstruiert, dass es mit keiner Zahl in der Liste übereinstimmt.

$X$ muss in der Liste existieren (weil es im Deutschen definiert wurde).
$X$ darf nicht in der Liste existieren (weil es durch das Diagonalargument so konstruiert wurde, dass es sich von allen Zahlen in der Liste unterscheidet).

Ein perfekter Widerspruch! Das ist das Richard-Paradoxon.

4. Warum brach die Logik zusammen? (Die Falle der Metasprache)

Die Ursache für die Entstehung dieses Paradoxons liegt, genau wie beim Berry-Paradoxon, in der Verwechslung der “Sprachhierarchien”.

Um Mathematik streng zu betreiben, muss man klar zwischen der “Liste der Zielzahlen (Objektsprache)” und den “Regeln, die von außen über die Eigenschaften dieser Liste sprechen (Metasprache)” unterscheiden.

Richards Liste ist eine Sammlung von “Definitionen berechenbarer Zahlen”. Die Regel “Betrachte die $n$-te Ziffer der $n$-ten Zahl der Liste”, um die neue Zahl $X$ zu erschaffen, ist jedoch eine Operation in der “Metasprache”, die nicht ausgeführt werden kann, ohne die Liste von außen zu betrachten.

Das Richard-Paradoxon explodierte in einem Selbstwiderspruch, weil es versuchte, die “metasprachliche Zahl $X$, die durch Manipulation der Liste von außen erstellt wurde”, heimlich in die “innere Liste” einzuschmuggeln.

5. Staffelübergabe an Gödel

Dieses Richard-Paradoxon löste in der damaligen mathematischen Welt einen großen Schock aus. “Menschliche Worte (und logische Systeme) führen schnell zu Selbstwidersprüchen, wenn man nicht aufpasst. Wie kann man die Mathematik perfekt und widerspruchsfrei machen?”

Im Jahr 1931 löste der junge und brillante Mathematiker Kurt Gödel im Alter von 25 Jahren dieses Problem endgültig. Gödel übersetzte und reproduzierte die Struktur dieses Paradoxons, das Richard unter Ausnutzung der “Mehrdeutigkeit der Sprache” ausgelöst hatte, perfekt mithilfe von “strengen mathematischen Formeln (Gödelnummern)”.

Das Ergebnis war der berühmte “Gödelsche Unvollständigkeitssatz”. Es war eine großartige Entdeckung, die die Grenzen des menschlichen Wissens bewies: “Egal wie streng man mathematische Regeln aufstellt, es wird innerhalb dieser Regeln immer eine ‘Wahrheit geben, die weder bewiesen noch widerlegt werden kann’ (die Mathematik ist unvollständig)”.

Das Richard-Paradoxon begann als bloßes widersprüchliches Wortspiel und entwickelte sich schließlich zur stärksten Waffe, um die “Absolutheit” der Mathematik als Wissenschaft zu erschüttern.

Berry-Paradoxon: Der Widerspruch, der entsteht, wenn man versucht, "Zahlen" mit "Wörtern" zu definieren

Thu, 10 Sep 2026 11:00:00 +0900

1. Zahlen mit Wörtern ausdrücken

Wir drücken Zahlen im Alltag nicht nur mit “arabischen Ziffern (1, 2, 3…)” aus, sondern auch mit “Wörtern (Japanisch, Deutsch usw.)”.

Zum Beispiel kann die Zahl “$10$” auf verschiedene Weise in japanischen Zeichen ausgedrückt werden:

“じゅう” (Zehn, 3 Zeichen)
“ごの2ばい” (Das Zweifache von fünf, 5 Zeichen)
“ひゃくの10ぶんの1” (Ein Zehntel von hundert, 9 Zeichen)

Lassen Sie uns darüber nachdenken, eine bestimmte Zahl mit “japanischen Zeichen” zu beschreiben. Wir setzen eine Grenze für die Anzahl der Zeichen, die verwendet werden dürfen. Hier betrachten wir Zahlen, die mit “höchstens 19 Zeichen” im Japanischen ausgedrückt werden können.

Natürlich gibt es eine Grenze für die Zahlen, die mit höchstens 19 Zeichen ausgedrückt werden können. Die Anzahl der Arten japanischer Zeichen (Hiragana, Katakana, Kanji usw.) ist endlich, und die Kombinationen, diese in 19 Zeichen oder weniger anzuordnen, sind ebenfalls endlich (es ist eine astronomisch große Zahl, aber nicht unendlich).

Das bedeutet, dass es unweigerlich eine “riesige ganze Zahl gibt, die unmöglich in japanischer Sprache mit 19 Zeichen oder weniger ausgedrückt werden kann”.

2. Die Entstehung des Paradoxons

Nun kommen wir zum Hauptpunkt. Es gibt unzählig viele “ganze Zahlen, die nicht mit 19 japanischen Zeichen oder weniger ausgedrückt werden können”. Nehmen wir an, wir finden aus dieser unzähligen Menge von nicht ausdrückbaren Zahlen “die kleinste (die kleinste ganze Zahl)”.

Nennen wir diese Zahl $X$. Da $X$ per Definition die kleinste unter den “Zahlen ist, die nicht in 19 japanischen Zeichen oder weniger ausgedrückt werden können”, können wir sie wie folgt nennen:

“じゅうきゅうもじいないであらわせないさいしょうのせいすう” (Die kleinste ganze Zahl, die nicht mit höchstens neunzehn Zeichen ausgedrückt werden kann)

Lassen Sie uns die Zeichen zählen. “じゅ・う・きゅ・う・も・じ・い・な・い・で・あ・ら・わ・せ・な・い・さ・い・しょ・う・の・せ・い・す・う” …Nanu? Selbst ohne Satzzeichen sind es 25 Zeichen, nicht wahr? Das überschreitet “19 Zeichen”.

Lassen Sie uns den Ausdruck ein wenig anpassen und ihn mithilfe von Kanji kürzer machen.

「十九文字以内で表せない最小の整数」

Zählen Sie nun die Anzahl der Zeichen in diesem japanischen Ausdruck:

Erstaunlicherweise sind es nur “16 Zeichen”.

Hier passiert etwas Seltsames. Wir haben soeben die Zahl $X$ mit einem japanischen Ausdruck von “16 Zeichen” (“十九文字以内で表せない最小の整数”) ausgedrückt!

graph TD Define["Definition:
X = Die kleinste ganze Zahl, die nicht mit höchstens 19 Zeichen ausgedrückt werden kann"] --> CheckLength{"Wie viele Zeichen hat
『十九文字以内で表せない最小の整数』?"} CheckLength -->|Es sind 16 Zeichen| Contradiction["Widerspruch!
X konnte mit 『16 Zeichen』 ausgedrückt werden!"] Contradiction --> Paradox["X 'kann nicht mit höchstens 19 Zeichen ausgedrückt werden',
aber 'kann mit höchstens 19 Zeichen (16 Zeichen) ausgedrückt werden'"] style Contradiction fill:#ff9999,stroke:#333 style Paradox fill:#ff4444,color:#fff,stroke:#333,stroke-width:2px

Obwohl $X$ eine Zahl sein soll, die “nicht mit höchstens 19 Zeichen ausgedrückt werden kann”, hat der genaue Wortlaut der Definition selbst $X$ in “16 Zeichen (höchstens 19 Zeichen)” perfekt ausgedrückt. Das ist das “Berry-Paradoxon (Berry Paradox)”.

3. Wer hat dieses Paradoxon erschaffen?

Dieses Paradoxon wurde 1904 von einem Bibliothekar der Universität Oxford namens G. G. Berry erdacht. Es wurde weltweit bekannt, als der geniale Mathematiker und Philosoph des 20. Jahrhunderts, Bertrand Russell, es in seiner eigenen Arbeit vorstellte.

(*In der englischen Originalarbeit wurde der Ausdruck “The least integer not nameable in fewer than nineteen syllables” (die kleinste ganze Zahl, die nicht mit weniger als neunzehn Silben benannt werden kann) verwendet, und das Paradoxon ist so konstruiert, dass es mit der Anzahl der englischen Silben funktioniert.)

4. Warum ist der Widerspruch entstanden?

Die grundlegende Ursache für dieses Paradoxon liegt in der Mehrdeutigkeit und Selbstreferenz, die den “natürlichen Sprachen (wie Japanisch oder Englisch)”, die wir täglich verwenden, innewohnt.

Natürliche Sprachen können der Strenge der Mathematik nicht standhalten

In der Welt der Mathematik ist das “Definieren einer Zahl” ein sehr strenger Prozess (unter Verwendung von Gleichungen und Symbolen). Beim Berry-Paradoxon wurde jedoch der Versuch unternommen, ein mathematisches Objekt (eine ganze Zahl) mithilfe unserer Alltagssprache (“kann ausgedrückt werden”, “kann nicht ausgedrückt werden”) zu definieren.

Die Alltagssprache ist sehr mächtig und flexibel, aber gerade wegen dieser Flexibilität erlaubt sie akrobatische Dinge wie das “Bezugnehmen auf die eigene Zeichenanzahl”. Infolgedessen entsteht ein Selbstwiderspruch (Paradoxon der Selbstreferenz), bei dem “die Definition selbst die Regeln der Definition bricht”.

Was bedeutet “benannt werden”?

Außerdem ist die Definition der Worte “kann mit 16 Zeichen ausgedrückt werden” mehrdeutig. Die Phrase “die kleinste ganze Zahl, die nicht mit höchstens 19 Zeichen ausgedrückt werden kann” zeigt nicht direkt auf eine bestimmte, konkrete Zahl (wie zum Beispiel $987654321...$). Sie beschreibt lediglich indirekt, dass “es eine Zahl geben muss, die diese Bedingung erfüllt”.

Mathematisch muss streng unterschieden werden zwischen “etwas in einer direkt berechenbaren Form ausdrücken” und “eine indirekte Bedingung in Worten angeben”. Der logische Trick liegt darin, diese beiden zu verwechseln und zu behaupten: “Ich konnte es in 16 Zeichen ausdrücken!”

5. Fazit und Auswirkungen auf die Moderne

Auf den ersten Blick mag das Berry-Paradoxon wie ein bloßes “Wortspiel” oder ein “Rätsel” erscheinen. Dieses Problem veranlasste jedoch die Mathematiker des 20. Jahrhunderts dazu, “die Gefahr der Verwendung der Alltagssprache zur Grundlegung der Mathematik” zutiefst zu erkennen.

“Man darf Zahlen nicht mit Wörtern definieren. Die Mathematik muss vollständig aus unabhängigen, strengen Symbolen aufgebaut sein.”

Dieses Paradoxon wurde zu einem wichtigen Meilenstein, der zur fortgeschrittenen akademischen Forschung führte, wie beispielsweise zum “Gödelschen Unvollständigkeitssatz (es gibt in der Mathematik Wahrheiten, die niemals bewiesen werden können)”, der die Geschichte der Mathematik veränderte, und zur “Kolmogorow-Komplexität (eine Theorie darüber, wie kurz Informationen komprimiert werden können)” in der Informatik.

Nur 16 japanische Zeichen enthüllten die Grenzen der Mathematik. Darin liegt die Schönheit des Berry-Paradoxons.

Das Paradoxon des Überraschungstests: Der Tag, an dem ein logisch "absolut unmöglicher" Test stattfindet

Thu, 10 Sep 2026 10:00:00 +0900

1. Die „absolute Ankündigung“ des Lehrers

Auf dem Heimweg an einem Freitag machte der Mathematiklehrer seinen Schülern eine erschreckende Ankündigung.

„Ich werde nächste Woche an einem Tag, von Montag bis Freitag, genau einen ‚Überraschungstest‘ durchführen. Wenn ihr jedoch am Morgen jenes Tages mit Sicherheit vorhersagen könnt: ‚Heute ist der Tag des Tests‘, dann ist es keine Überraschung mehr, und daher werde ich den Test an diesem Tag nicht durchführen.“

Als die Schüler diese Ankündigung hörten, zitterten sie. Denn sie müssten jeden Tag in Angst verbringen, ohne zu wissen, wann der Test stattfindet. Doch Schüler A, das größte Genie der Klasse, stand plötzlich mit einem Grinsen auf.

„Leute, ihr könnt beruhigt sein. Es ist absolut unmöglich, dass nächste Woche ein Überraschungstest stattfindet. Es ist logisch unmöglich!“

Schüler A begann voller Selbstvertrauen, die folgende „perfekte Logik“ an die Tafel zu schreiben.

2. Der Beweis durch die „perfekte Logik“ von Schüler A

Der Beweis von Schüler A verwendet eine mathematische Technik namens Rückwärtsinduktion, also das Zurückdenken vom „Freitag“ an.

Schritt 1: Den Freitag ausschließen

Angenommen, an den vier Tagen Montag, Dienstag, Mittwoch und Donnerstag wurde kein Test durchgeführt. Dann ist der einzige verbleibende Tag der „Freitag“. Am Freitagmorgen könnten die Schüler mit Sicherheit vorhersagen: „Da nur noch der heutige Tag übrig ist, findet der Test zweifellos heute statt!“ Gemäß der Regel des Lehrers („an vorhersehbaren Tagen wird er nicht durchgeführt“) ist es logisch unmöglich, am Freitag einen Überraschungstest durchzuführen. Daher gibt es am Freitag definitiv keinen Test.

Schritt 2: Den Donnerstag ausschließen

Es steht fest, dass es am Freitag keinen Test gibt. Das bedeutet, der letztmögliche Tag, an dem der Test stattfinden könnte, ist der „Donnerstag“. Angenommen, an den drei Tagen Montag, Dienstag und Mittwoch wurde kein Test durchgeführt. Dann ist die einzige verbleibende Möglichkeit der Donnerstag (der Freitag wurde bereits ausgeschlossen). Am Donnerstagmorgen könnten die Schüler mit Sicherheit vorhersagen: „Heute ist der Test!“ Daher gibt es auch am Donnerstag definitiv keinen Test.

Schritt 3: Alle Wochentage verschwinden

Wir müssen nur dieselbe Logik wiederholen. Wenn es nicht der Donnerstag ist, ist der letzte Tag der Mittwoch. Wenn also bis Dienstag kein Test stattfindet, kann man es am Mittwochmorgen vorhersagen, wodurch auch der Mittwoch wegfällt. Wenn der Mittwoch wegfällt, fällt auch der Dienstag weg und ebenso der Montag. Fazit: Solange die Regeln des Lehrers eingehalten werden, ist es absolut unmöglich, an irgendeinem Wochentag von Montag bis Freitag einen Überraschungstest durchzuführen!

graph TD Fri["Freitagmorgen
(Mo-Do kein Test)"] -->|Vorhersagbar: 'Nur Freitag bleibt'| NoFri["Test am Freitag unmöglich"] Thu["Donnerstagmorgen
(Mo-Mi kein Test)"] -->|Vorhersagbar: 'Freitag fällt aus, also nur heute'| NoThu["Test am Donnerstag unmöglich"] Wed["Mittwochmorgen"] -->|Vorhersagbar: 'Do und Fr fallen aus, also nur heute'| NoWed["Test am Mittwoch unmöglich"] Tue["Dienstagmorgen"] -->|Ebenfalls vorhersagbar| NoTue["Test am Dienstag unmöglich"] Mon["Montagmorgen"] -->|Ebenfalls vorhersagbar| NoMon["Test am Montag unmöglich"] NoFri -.-> Thu NoThu -.-> Wed NoWed -.-> Tue NoTue -.-> Mon style NoFri fill:#ff9999,stroke:#333 style NoThu fill:#ff9999,stroke:#333 style NoWed fill:#ff9999,stroke:#333 style NoTue fill:#ff9999,stroke:#333 style NoMon fill:#ff9999,stroke:#333

Die Schüler in der Klasse jubelten. Die Logik von Schüler A war perfekt und schien keine Lücken zu haben. Sie amüsierten sich am Wochenende, lernten überhaupt nicht für den Test und begrüßten den Montag.

Montag… Es gab keinen Test. „Siehst du!“ Dienstag… Es gab keinen Test. „Schüler A hat recht!“

Und dann der Mittwochmorgen. Ratter! Die Klassenzimmertür öffnete sich, der Lehrer kam herein und sagte:

„So, räumt eure Tische auf. Wir beginnen jetzt mit einem Überraschungstest!“

Die Schüler gerieten in Panik. „W-warum!? Dass es am Mittwoch einen Test gibt, hatten wir absolut nicht vorhergesehen!“

Der Lehrer grinste. „Seht ihr, ihr konntet es nicht vorhersagen, oder? Meine ‚Ankündigung‘ war völlig richtig, und der Überraschungstest hat den Regeln entsprechend funktioniert.“

3. Wo genau lag der Fehler in der Logik?

Obwohl der Beweis von Schüler A perfekt schien, warum fand in der Realität ein „perfekter Überraschungstest“ statt? Dieses Problem ist ursprünglich als „Paradoxon der unerwarteten Hinrichtung“ (Unexpected hanging paradox) bekannt. Seit es in den 1940er Jahren vom schwedischen Mathematiker Lennart Ekbom erdacht wurde, bereitet es Philosophen und Logikern Kopfzerbrechen.

Tatsächlich gibt es für dieses Paradoxon noch keine einheitliche Sichtweise im Sinne von „Dies ist die einzig absolute richtige Antwort“. Es gibt jedoch einige vielversprechende Lösungsansätze.

Ansatz 1: „Das Paradoxon des Wissens (Epistemologie)“

Die größte Falle in der Schlussfolgerung von Schüler A war, dass er die Prämisse „Die Ankündigung des Lehrers ist zu 100 % wahr“ in seine eigene Vorhersage einbezogen hat.

Die Ankündigung des Lehrers besteht aus zwei Bedingungen: „Ich werde nächste Woche einen Test durchführen (P)“ und „Ich werde ihn nicht an einem vorhersehbaren Tag durchführen (Q)“. Wenn es bis Freitag keinen Test gäbe, würden die Schüler denken: „Wenn die Ankündigung wahr ist, kann es nur heute sein.“ Gleichzeitig entsteht aber der Zweifel: „Wenn wir vorhersagen können, dass es heute ist, widerspricht das der Bedingung Q. War dann die Ankündigung P (einen Test durchzuführen) nicht von vornherein eine Lüge?“

Als Folge des Konflikts zwischen dem Glauben „Die Worte des Lehrers sind absolut wahr“ und dem „logischen Schlussfolgern“ kamen die Schüler zu der falschen Schlussfolgerung (dem Glauben): „Der Lehrer wird keinen Test durchführen“. Das führte dazu, dass sie, egal wann der Test stattfand, immer in einem „unerwarteten (überraschten)“ Zustand waren.

Ansatz 2: „Das Paradoxon der Selbstreferenz“

Lassen Sie uns die Worte des Lehrers in eine logische Formel übersetzen. Sei die Behauptung des Lehrers $S$. $S = $ „Ich werde an einem Tag $T$ einen Test durchführen. Und ihr werdet diesen Tag $T$ nicht vorhersagen können.“

Diese Behauptung hat eine „selbstreferenzielle Struktur“, deren Wahrheitsgehalt davon abhängt, wie die Schüler sie (die Ankündigung selbst) aufnehmen. Ähnlich wie beim „Lügner-Paradoxon (‚Dieser Satz ist falsch‘)“ hat sie die Eigenschaft, logische Schlussfolgerungen in eine Endlosschleife laufen zu lassen.

4. „Überraschungstests“ im Alltag

Dieses Paradoxon lässt sich nicht nur auf die Mathematik, sondern auch auf unser alltägliches Leben anwenden.

【Das Dilemma der Überraschungsparty】

Angenommen, ein Freund kündigt an: „Diesen Monat schmeiße ich eine Überraschungsparty zu deinem Geburtstag!“ Wenn du das hörst, rätst du jeden Tag: „Ist es heute? Ist es morgen?“ Wenn bis zum letzten Tag des Monats keine Party stattfindet, schlussfolgerst du, dass sie am letzten Tag unmöglich stattfinden kann, um die Bedingung „Überraschung (unvorhersehbar)“ zu erfüllen… Wenn jedoch plötzlich Mitte des Monats ein Kuchen auftaucht, wirst du sagen: „Ich war wirklich überrascht!“ und erlebst eine perfekte Überraschung.

5. Fazit

„Das Paradoxon des Überraschungstests“ drückt auf wunderbare Weise die Schwierigkeit aus, den menschlichen Zustand des „Wissens (Vorhersagens)“ selbst in logische Berechnungen einzubeziehen.

Was wir für eine „perfekte Schlussfolgerung“ halten, ist vielleicht nur ein Luftschloss, das auf dem unbegründeten Glauben beruht: „Der andere wird sich absolut an die Regeln halten“. Wenn der Lehrer das nächste Mal sagt: „Ich werde einen Überraschungstest machen“, ist es wohl am vernünftigsten, aufzuhören, die Logik zu verdrehen, und stattdessen brav jeden Tag zu lernen.

Das Dornröschen-Problem: Ist die Wahrscheinlichkeit der Münze 1/2 oder 1/3? Ein Paradoxon, das die Wahrscheinlichkeitstheorie spaltet

Thu, 10 Sep 2026 09:00:00 +0900

1. Die Regeln des seltsamen Experiments

Sie (Dornröschen) wurden als Versuchsperson für ein wissenschaftliches Experiment ausgewählt. Das Experiment findet von Sonntag bis Mittwoch statt. Am Sonntagabend bekommen Sie ein Schlafmittel und schlafen ein.

Nachdem Sie eingeschlafen sind, wirft der Versuchsleiter eine faire Münze (eine Münze, bei der die Wahrscheinlichkeit für Kopf und Zahl genau 1/2 beträgt). Abhängig vom Ergebnis werden Sie nach folgendem Zeitplan geweckt:

[Wenn das Ergebnis des Münzwurfs “Kopf” ist]

Sie werden am Montag genau einmal geweckt und es wird Ihnen eine Frage gestellt. Danach werden Sie wieder in den Schlaf versetzt und wachen bis zum Ende des Experiments (Mittwoch) nicht mehr auf.

[Wenn das Ergebnis des Münzwurfs “Zahl” ist]

Sie werden am Montag geweckt und es wird Ihnen eine Frage gestellt. Danach wird Ihnen ein spezielles Medikament (ein Medikament, das Erinnerungen löscht) verabreicht und Sie schlafen wieder ein.
Am Dienstag werden Sie noch einmal geweckt und Ihnen wird dieselbe Frage gestellt. Danach werden Sie wieder in den Schlaf versetzt und das Experiment endet (Mittwoch).

Aufgrund der Wirkung des Medikaments, das die Erinnerung löscht, können Sie sich beim Aufwachen absolut nicht daran erinnern, “welcher Wochentag heute ist” oder “ob Sie in der Vergangenheit schon einmal geweckt wurden”.

graph TD Sunday["Sonntag: Dornröschen schläft"] --> Toss{"Münzwurf"} Toss -->|Kopf (1/2)| Mon_Heads["Montag: Aufwachen + Frage
(Danach Ende des Experiments)"] Toss -->|Zahl (1/2)| Mon_Tails["Montag: Aufwachen + Frage
(Danach Erinnerungslöschung)"] Mon_Tails --> Tue_Tails["Dienstag: Aufwachen + Frage
(Danach Ende des Experiments)"] style Toss fill:#ff9999,stroke:#333 style Mon_Heads fill:#aaffaa,stroke:#333 style Mon_Tails fill:#aaffaa,stroke:#333 style Tue_Tails fill:#aaffaa,stroke:#333

Nun wachen Sie am Montag (oder Dienstag) auf. In dem Raum gibt es weder eine Uhr noch einen Kalender, und Sie wissen nicht, welcher Wochentag heute ist.

Dann kommt der Versuchsleiter zu Ihnen und stellt Ihnen folgende Frage: “Was glauben Sie, wie hoch ist die Wahrscheinlichkeit, dass die geworfene Münze ‘Kopf’ zeigte, in dem Zustand, in dem Sie jetzt wach sind?”

Sie sind ein Dornröschen, das sich gut mit Mathematik auskennt. Nun, was antworten Sie?

2. Zwei kollidierende Fraktionen: 1/2 oder 1/3

Dieses Problem wurde in den 1990er Jahren erdacht und im Jahr 2000 von dem Philosophen Adam Elga in einer Fachzeitschrift veröffentlicht. Die Wahrscheinlichkeit der Münze erscheint trivial, aber in Wirklichkeit sind Mathematiker, Statistiker und Philosophen auf der ganzen Welt in Bezug auf dieses Problem genau in zwei Lager gespalten: die “1/2-Fraktion (Halfer)” und die “1/3-Fraktion (Thirder)”, und führen bis heute eine heftige Debatte.

Lassen Sie uns die “perfekte Logik” jedes Lagers anhören.

Das Argument der “1/2-Fraktion (Halfer)”

“Da die Münze eine faire Münze ohne Betrug ist, beträgt die Wahrscheinlichkeit, dass sie auf Kopf landet, natürlich 1/2. Egal wie oft der Versuchsleiter mich weckt, nachdem ich eingeschlafen bin, oder mein Gedächtnis löscht, das hat absolut keinen Einfluss auf das physische Ergebnis der Münze. Die Wahrscheinlichkeit zum Zeitpunkt des Münzwurfs beträgt 1/2, und durch mein Aufwachen habe ich keine neuen Informationen (Hinweise, um zu erraten, ob es Kopf oder Zahl ist) erhalten. Daher bleibt die Wahrscheinlichkeit 1/2.”

Dies ist eine sehr vernünftige Meinung, die das objektive physikalische Phänomen und die Nicht-Aktualisierung von Informationen betont.

Das Argument der “1/3-Fraktion (Thirder)”

“Die Tatsache selbst, dass Sie ‘wach sind’, ist eine Information, die die Wahrscheinlichkeit verändert. Angenommen, wir wiederholen dieses Experiment 100 Mal (100 Wochen). Die Münze sollte 50 Mal ‘Kopf’ und 50 Mal ‘Zahl’ zeigen.

In den 50 Wochen, in denen Kopf geworfen wird, wachen Sie am Montag nur einmal auf $\rightarrow$ Die Anzahl der Male, die Sie bei ‘Kopf’ aufwachen, beträgt 50

In den 50 Wochen, in denen Zahl geworfen wird, wachen Sie am Montag und Dienstag zweimal auf $\rightarrow$ Die Anzahl der Male, die Sie bei ‘Zahl’ aufwachen, beträgt 100

Das bedeutet, dass in den Momenten, in denen Sie aufwachen, aus insgesamt 150 Situationen das ‘Muster, bei Kopf aufzuwachen’ 50 Mal auftritt und das ‘Muster, bei Zahl aufzuwachen’ 100 Mal. Daher ist die Wahrscheinlichkeit, dass das Aufwachen, das Sie gerade erleben, ‘Kopf’ ist, 50 / 150 ＝ 1/3!”

Dies ist eine starke Meinung, die auf dem “Frequentismus” oder dem “Anthropischen Prinzip” basiert und die Situation, dass “man selbst jetzt existiert (beobachtet)”, als Element des Wahrscheinlichkeitsraums in die Berechnung einbezieht.

3. Berechnung mit dem Satz von Bayes

Es gibt auch Versuche, dieses Problem mit dem “Satz von Bayes”, einem mathematischen Werkzeug zur Aktualisierung von Wahrscheinlichkeiten, zu lösen. Lassen Sie uns die Logik der “1/3-Fraktion” unter dem Gesichtspunkt der bedingten Wahrscheinlichkeit ordnen.

Der Zustand beim Aufwachen ist einer der folgenden drei:

$E_1$: Die Münze ist “Kopf” und es ist “Montag”
$E_2$: Die Münze ist “Zahl” und es ist “Montag”
$E_3$: Die Münze ist “Zahl” und es ist “Dienstag”

Die Wahrscheinlichkeit, dass “Kopf” geworfen wird, ist $1/2$, und die Wahrscheinlichkeit, dass “Zahl” geworfen wird, ist $1/2$. Da jedoch im Falle von Zahl “Montag” und “Dienstag” vollkommen symmetrisch sind (sie können nicht unterschieden werden, da keine Erinnerung vorhanden ist), kann man davon ausgehen, dass die Wahrscheinlichkeit für das Eintreten von $E_2$ und $E_3$ gleich ist.

Da die Summe aller Wahrscheinlichkeiten $1$ ergeben muss, ergibt sich, wenn man jedem Aufwachen als unabhängigem “Ereignis (Beobachtungspunkt)” die gleiche Wahrscheinlichkeit zuordnet: $P(E_1) = 1/3$ $P(E_2) = 1/3$ $P(E_3) = 1/3$ Daher ist die Schlussfolgerung, dass die “Wahrscheinlichkeit, dass es Kopf war ($P(E_1)$)”, $1/3$ wird.

Andererseits widerspricht die “1/2-Fraktion”: “Montag und Dienstag, wenn die Münze Zahl zeigt ($E_2$ und $E_3$), sind von vornherein abhängige Ereignisse, die nur vom Ergebnis einer einzigen Münze abgeleitet sind, und es ist falsch, sie als unabhängige Wahrscheinlichkeiten zu zählen.”

4. Warum wird dieses Problem nicht gelöst?

Der Grund, warum das “Dornröschen-Problem” Gelehrte so sehr plagt, liegt nicht an einfachen Berechnungsfehlern oder Illusionen. Dieses Problem berührt die tiefste und grundlegendste Frage der Wahrscheinlichkeitstheorie, nämlich die philosophische Frage: “Was genau ist Wahrscheinlichkeit?”

Für die 1/2-Fraktion ist Wahrscheinlichkeit eine “physikalische Eigenschaft der Münze” oder eine “objektive Tatsache”.
Für die 1/3-Fraktion ist Wahrscheinlichkeit der “Grad der Überzeugung des Beobachters (Dornröschens)” oder die “beobachtete Häufigkeit”.

Tiefe Themen, die auch mit dem “Messproblem” in der Quantenmechanik oder dem “Anthropischen Prinzip” in der Kosmologie (der Idee, die Wahrscheinlichkeit des Universums aus der Tatsache, dass wir existieren, zurückzurechnen) verbunden sind, sind in diesem einfachen Münzwurfexperiment verdichtet.

5. Zusammenfassung

Wenn Sie eine Versuchsperson in diesem Experiment würden, würden Sie beim Aufwachen “1/2” antworten? Oder würden Sie “1/3” antworten?

Egal, was Sie antworten, Mathematiker von Weltrang werden hinter Ihnen stehen und Sie verteidigen. Wie scheinbar einfache mathematische Definitionen zusammenbrechen, sobald sie mit so kniffligen Konzepten wie der menschlichen “Subjektivität” oder “Existenz” verknüpft werden. Das Paradoxon erschüttert auch heute noch unseren gesunden Menschenverstand.

Simpsons Paradoxon: Ein mysteriöses Phänomen, bei dem man im Detail gewinnt, aber im Ganzen verliert

Thu, 10 Sep 2026 07:00:00 +0900

1. In welchem Krankenhaus sollten Sie sich operieren lassen?

Sie sind schwer erkrankt und müssen sich einer Operation unterziehen. Sie haben zwei Optionen vor sich: Krankenhaus A und Krankenhaus B. Sie haben die Daten zur „Erfolgsquote“ der Operationen für jedes Krankenhaus angefordert.

【Gesamte Erfolgsquote】

Krankenhaus A: 900 von 1000 Personen erfolgreich (Erfolgsquote 90%)
Krankenhaus B: 800 von 1000 Personen erfolgreich (Erfolgsquote 80%)

Wenn man dies sieht, würde jeder denken: „Krankenhaus A ist besser!“. Da Sie jedoch ein vorsichtiger Mensch sind, haben Sie beschlossen, genauer zu untersuchen, wie sich die Daten je nach Zustand der Krankheit (leicht oder schwer) ändern.

【Erfolgsquote bei leichten Fällen】

Krankenhaus A: 99 von 100 Personen erfolgreich (Erfolgsquote 99%)
Krankenhaus B: 870 von 900 Personen erfolgreich (Erfolgsquote 96%) $\rightarrow$ Bei leichten Fällen gewinnt Krankenhaus A (99% > 96%)

【Erfolgsquote bei schweren Fällen】

Krankenhaus A: 801 von 900 Personen erfolgreich (Erfolgsquote 89%)
Krankenhaus B: 70 von 100 Personen erfolgreich (Erfolgsquote 70%) $\rightarrow$ Auch bei schweren Fällen gewinnt Krankenhaus A (89% > 70%)

Moment mal? Finden Sie das nicht seltsam?

Auch für Patienten mit „leichten Fällen“ hat Krankenhaus A eine höhere Erfolgsquote. Auch für Patienten mit „schweren Fällen“ hat Krankenhaus A eine höhere Erfolgsquote. Was passiert jedoch, wenn wir die „Gesamterfolgsquote“ aller Patienten berechnen…?

Krankenhaus A gesamt: $(99 + 801) / 1000 =$ 90%
Krankenhaus B gesamt: $(870 + 70) / 1000 =$ 94%… Nein, nach der vorherigen Berechnung sind es 80%?

Warten Sie, lassen Sie uns die ersten Daten noch einmal betrachten. Die ersten Daten sahen so aus:

Gesamterfolgsquote Krankenhaus A: 90%
Gesamterfolgsquote Krankenhaus B: 80%

Aber wenn wir mit den detaillierten Daten neu rechnen, sollte die Gesamterfolgsquote von Krankenhaus B $(870 + 70) / 1000 = 940 / 1000 =$ 94% betragen.

…Nein, Sie wurden getäuscht! Tatsächlich ist genau dieser Zahlentrick die furchterregende statistische Falle, die wir heute erklären werden. Lassen Sie mich Ihnen noch einmal die richtigen Daten zeigen.

2. An Sie, die getäuscht wurden: Die wahren Daten

【Erfolgsquote bei leichten Fällen】

Krankenhaus A: 870 von 900 Personen erfolgreich (Erfolgsquote 96%)
Krankenhaus B: 99 von 100 Personen erfolgreich (Erfolgsquote 99%) $\rightarrow$ Bei leichten Fällen gewinnt Krankenhaus B (99% > 96%)

【Erfolgsquote bei schweren Fällen】

Krankenhaus A: 30 von 100 Personen erfolgreich (Erfolgsquote 30%)
Krankenhaus B: 315 von 900 Personen erfolgreich (Erfolgsquote 35%) $\rightarrow$ Auch bei schweren Fällen gewinnt Krankenhaus B (35% > 30%)

Das heißt, sowohl bei leichten als auch bei schweren Fällen ist Krankenhaus B weit überlegen.

Lassen Sie uns das nun als „Ganzes“ zusammenrechnen.

Krankenhaus A gesamt: $(870 + 30) / (900 + 100) = 900 / 1000 =$ Erfolgsquote 90%
Krankenhaus B gesamt: $(99 + 315) / (100 + 900) = 414 / 1000 =$ Erfolgsquote 41%

Unglaublich! Wenn man die „Teile“ betrachtet, gewinnt überall Krankenhaus B, aber wenn man das „Ganze“ zusammennimmt, wird es zu einem Erdrutschsieg für Krankenhaus A! Dieses Phänomen wird als „Simpson-Paradoxon“ bezeichnet.

graph TD subgraph "Teildaten (B gewinnt)" Light["Leicht: Krankenhaus B gewinnt (99% > 96%)"] Heavy["Schwer: Krankenhaus B gewinnt (35% > 30%)"] end subgraph "Gesamtdaten (A gewinnt)" Total["Gesamtsumme: Erdrutschsieg für A (90% > 41%)"] end Light -->|Aus irgendeinem Grund bei der Zusammenrechnung umgekehrt| Total Heavy -->|Aus irgendeinem Grund bei der Zusammenrechnung umgekehrt| Total style Total fill:#ff9999,stroke:#333,stroke-width:2px

3. Warum kommt es zu dieser seltsamen Umkehrung?

Die wahre Natur dieses Paradoxons liegt in der „Verzerrung der Grundgesamtheit (Nenner)“ und „verborgenen Variablen (Störfaktoren)“.

Schauen Sie sich die Daten genau an.

Krankenhaus A nimmt eine große Anzahl (900 Personen) an „leicht zu heilenden, leichten Fällen“ auf.
Krankenhaus B nimmt eine große Anzahl (900 Personen) an „schwer zu heilenden, schweren Fällen“ auf.

Da Krankenhaus B sehr kompetent ist, fungiert es als „letzte Festung“, die viele schwierige, schwere Fälle übernimmt, die von anderen abgelehnt werden. Natürlich ist die Erfolgsquote bei schweren Fällen niedriger (35%). Die „Gesamterfolgsquote“ von Krankenhaus B wird durch diese niedrige Erfolgsquote der vielen schweren Fälle nach unten gezogen und erscheint insgesamt niedrig (41%).

Andererseits behandelt Krankenhaus A hauptsächlich einfache, leichte Fälle, weshalb die Gesamterfolgsquote hoch (90%) erscheint. Wenn man sie jedoch unter den gleichen Bedingungen vergleicht (schwere mit schweren, leichte mit leichten), sind die Fähigkeiten von Krankenhaus A denen von Krankenhaus B unterlegen.

Mathematisch ausgedrückt liegt die Ursache in der Eigenschaft der Addition von Brüchen. Im Allgemeinen gilt: Selbst wenn $\frac{a}{b} < \frac{A}{B}$ und $\frac{c}{d} < \frac{C}{D}$, ist

$$ \frac{a+c}{b+d} < \frac{A+C}{B+D} $$

nicht immer wahr. Wenn die Größe der Nenner extrem unterschiedlich ist, kann sich die Richtung des Ungleichheitszeichens umkehren.

4. „Simpson-Paradoxon“ in der realen Welt

Dieses Paradoxon ist nicht nur ein reines Rechenrätsel, sondern tritt auch in der realen Welt häufig auf und hat große Kontroversen ausgelöst.

Der Verdacht auf sexistische Diskriminierung an der University of California, Berkeley im Jahr 1973

Eine Untersuchung der Zulassungsquoten für die Graduate School in Berkeley ergab, dass die „Zulassungsquote von Männern (44%)“ signifikant höher war als die „Zulassungsquote von Frauen (35%)“, was als offensichtliche Diskriminierung von Frauen zu einem Problem wurde. Als die Daten jedoch detailliert nach „Fakultäten“ aufgeteilt analysiert wurden, kam eine erstaunliche Tatsache ans Licht. In fast allen Fakultäten war die Zulassungsquote von Frauen höher als die von Männern.

Warum kehrten sich die Gesamtzahlen um? Tatsächlich bewarben sich Frauen häufiger bei „Fakultäten mit niedriger Zulassungsquote (schwer reinzukommen)“, während sich Männer häufiger bei „Fakultäten mit hoher Zulassungsquote (leicht reinzukommen)“ bewarben.

Wirksamkeitsdaten von Corona-Impfstoffen

Es gab einmal Aufregung, als Daten kursierten, die besagten: „Geimpfte Personen haben eine höhere Sterblichkeitsquote als Ungeimpfte.“ Auch dies ist das Ergebnis der Ignorierung von alterspezifischen Daten (verborgene Variablen). Da Impfstoffe prioritär an „ältere Menschen (die von vornherein eine höhere Sterblichkeitsrate haben)“ verabreicht wurden, kam es bei einer bloßen Summierung der Gesamtsterblichkeitsrate zu einer extremen Häufung älterer Menschen in der geimpften Gruppe, wodurch die Sterblichkeitsrate scheinbar höher wurde.

Wenn man sie nach Altersgruppen getrennt vergleicht, wurde bestätigt, dass „Geimpfte in allen Altersgruppen eine niedrigere Sterblichkeitsrate haben“.

5. Fazit: Daten lügen nicht, aber Menschen können mit Daten lügen

Das Simpson-Paradoxon warnt vor der „Gefahr, Entscheidungen nur auf der Grundlage von Gesamtdaten wie Durchschnittswerten oder Summen zu treffen“.

Die Welt ist voll von Unternehmen, Politikern und Medien, die nur die „Gesamtzahlen“ herauspicken, um sich in einem vorteilhaften Licht darzustellen. Selbst wenn man Ihnen sagt: „Unser Produkt A hat eine höhere Gesamtzufriedenheit als Produkt B der Konkurrenz!“, könnte es sein, dass, wenn man es in „junge Leute“ und „ältere Leute“ aufteilt, das Konkurrenzprodukt B in beiden Gruppen gewinnt.

Wenn Sie sich Daten ansehen, sollten Sie sich nicht von den oberflächlichen „Gesamt“-Zahlen täuschen lassen. Einen kritischen Blick dafür zu haben und zu hinterfragen: „Gibt es eine extreme Verzerrung in den Proportionen der Gruppen aufgrund von verborgenen Variablen (Alter, Geschlecht, Schweregrad usw.) im Hintergrund?“, ist die stärkste Waffe, um in der heutigen Informationsgesellschaft zu überleben.

Das Sankt-Petersburg-Paradoxon: Wie viel würden Sie für ein Glücksspiel mit "unendlichem" Erwartungswert zahlen?

Thu, 10 Sep 2026 05:00:00 +0900

1. Das Traum-Glücksspiel mit „unendlichem“ Erwartungswert

Stellen Sie sich vor, Sie gehen durch ein Casino und ein Croupier lädt Sie zu einem neuen Münzwurf-Spiel ein.

【Spielregeln】

Sie zahlen eine Teilnahmegebühr, um das Spiel zu starten.
Eine Münze wird geworfen. Wenn Kopf fällt, verdoppelt sich das Preisgeld und Sie dürfen erneut werfen.
Wenn Zahl fällt, endet das Spiel sofort. Sie erhalten das bis zu diesem Zeitpunkt angesammelte Preisgeld.

Das anfängliche Preisgeld beginnt bei 2 Dollar.

Fällt beim 1. Wurf Zahl, erhalten Sie 2 Dollar und das Spiel endet.
Fällt beim 1. Wurf Kopf und beim 2. Wurf Zahl, erhalten Sie 4 Dollar und das Spiel endet.
Fällt beim 1. Wurf Kopf, beim 2. Wurf Kopf und beim 3. Wurf Zahl, erhalten Sie 8 Dollar und das Spiel endet.
…und so weiter. Solange Kopf fällt, verdoppelt sich das Preisgeld auf 16 Dollar, 32 Dollar, 64 Dollar…

graph TD Start["Spielbeginn"] --> Toss1{"1. Münzwurf"} Toss1 -->|Zahl 1/2| End1["Ende: 2 Dollar gewonnen"] Toss1 -->|Kopf 1/2| Toss2{"2. Münzwurf"} Toss2 -->|Zahl 1/2| End2["Ende: 4 Dollar gewonnen"] Toss2 -->|Kopf 1/2| Toss3{"3. Münzwurf"} Toss3 -->|Zahl 1/2| End3["Ende: 8 Dollar gewonnen"] Toss3 -->|Kopf 1/2| Toss4{"..."} Toss4 -.->|Je öfter in Folge| Infinite["Preisgeld verdoppelt sich unendlich!"]

Nun eine Frage an Sie: Würden Sie an diesem Spiel teilnehmen, wenn die Teilnahmegebühr „10.000 Dollar“ betragen würde?

Wahrscheinlich werden die meisten Menschen mit „Nein“ antworten. Denn es besteht eine 50-prozentige Wahrscheinlichkeit, dass gleich beim ersten Wurf Zahl fällt und Sie nur 2 Dollar erhalten, was einen enormen Verlust bedeuten würde.

Wenn man jedoch streng nach der mathematischen Wahrscheinlichkeitstheorie (dem Erwartungswert) rechnet, offenbart sich eine erstaunliche Tatsache: Mathematisch gesehen sollten Sie sich, egal ob die Teilnahmegebühr 10.000 Dollar oder 1 Million Dollar beträgt, sogar Ihr gesamtes Vermögen leihen, um an diesem Spiel teilzunehmen.

Warum ist das so?

2. Lasst uns den Erwartungswert berechnen

Ein mathematischer Indikator, um zu beurteilen, ob ein Glücksspiel „profitabel oder verlustreich“ ist, ist der „Erwartungswert“. Der Erwartungswert ist eine Zahl, die angibt, „wie viel Gewinn man durchschnittlich pro Runde macht, wenn man das Spiel sehr oft wiederholt“. Die Formel ist die Summe aller („möglichen Preisgelder“ × „deren Wahrscheinlichkeit“).

Berechnen wir den Erwartungswert für dieses Spiel:

Wahrscheinlichkeit, dass beim 1. Wurf Zahl fällt: $\frac{1}{2}$ Das Preisgeld beträgt $2$ Dollar. Beitrag zum Erwartungswert = $2 \times \frac{1}{2} = 1$ Dollar
Wahrscheinlichkeit, dass beim 2. Wurf Zahl fällt: Da Kopf, dann Zahl fallen muss: $\frac{1}{2} \times \frac{1}{2} = \frac{1}{4}$ Das Preisgeld beträgt $4$ Dollar. Beitrag zum Erwartungswert = $4 \times \frac{1}{4} = 1$ Dollar
Wahrscheinlichkeit, dass beim 3. Wurf Zahl fällt: Da Kopf, Kopf, dann Zahl fallen muss: $(\frac{1}{2})^3 = \frac{1}{8}$ Das Preisgeld beträgt $8$ Dollar. Beitrag zum Erwartungswert = $8 \times \frac{1}{8} = 1$ Dollar
Wahrscheinlichkeit, dass beim $n$-ten Wurf Zahl fällt: $(\frac{1}{2})^n$ Das Preisgeld beträgt $2^n$ Dollar. Beitrag zum Erwartungswert = $2^n \times (\frac{1}{2})^n = 1$ Dollar

Das bedeutet, egal in welcher Runde das Spiel endet, der Erwartungswert dieses Musters beträgt immer „1 Dollar“. Da das Spiel theoretisch unendlich lange weitergehen kann, sieht die Summe all dieser Erwartungswerte wie folgt aus:

$$ \text{Gesamterwartungswert} = 1 + 1 + 1 + 1 + \dots = \infty \text{ (Unendlich)} $$

Die Antwort der Mathematik lautet: „Der Erwartungswert dieses Spiels ist unendlich.“ Da der Erwartungswert unendlich ist, ist es theoretisch gesehen absolut „profitabel“, ganz gleich, wie hoch die Teilnahmegebühr ist.

Das ist das „Sankt-Petersburg-Paradoxon“, das 1713 von Nicolaus Bernoulli aufgestellt wurde. Das korrekte mathematische Ergebnis (ein unendlicher Wert) und das realistische menschliche Empfinden (man möchte nur wenige Dollar bezahlen) stehen im krassen Widerspruch zueinander.

3. Die Entdeckung des „Nutzens“ zur Lösung der Diskrepanz zwischen Mathematik und Menschen

Derjenige, der dieses Paradoxon löste, war der geniale Mathematiker Daniel Bernoulli, der Cousin von Nicolaus. (Da er diese Arbeit an der Akademie der Wissenschaften in Sankt Petersburg präsentierte, erhielt das Paradoxon diesen Namen.)

Daniel beschäftigte sich intensiv mit der menschlichen Psychologie. Er dachte sich: „Menschen beurteilen Dinge nicht nach dem ‚absoluten Geldbetrag‘, sondern nach der ‚Zufriedenheit (dem Nutzen)‘, die das Geld bringt.“

Dies wird als das „Gesetz vom abnehmenden Grenznutzen“ bezeichnet.

Der Wert von Geld sinkt mit der Menge, die man besitzt

Stellen Sie sich zum Beispiel vor, Sie sind in der Wüste und sehr durstig. Das erste Glas Wasser hat für Sie einen so hohen Wert (Zufriedenheit), dass Sie „sogar 10.000 Dollar dafür zahlen würden“. Aber während Sie ein zweites und drittes Glas trinken, sinkt der Wert jedes weiteren Glases Wasser immer mehr. Beim zehnten Glas würden Sie wahrscheinlich sagen: „Ich will es nicht mehr, selbst wenn es kostenlos ist.“

Mit Geld verhält es sich genauso.

„10.000 Euro“ haben für jemanden ohne Ersparnisse einen immensen, lebensrettenden Wert.
Für einen Milliardär wie Elon Musk haben „10.000 Euro“ jedoch nur noch den Wert (die Zufriedenheit) einer gefundenen Ein-Cent-Münze auf der Straße.

Das heißt, selbst wenn das Preisgeld unendlich auf 2 Dollar $\rightarrow$ 4 Dollar $\rightarrow$ 8 Dollar $\rightarrow$ 16 Dollar… ansteigt, wächst die „Freude (der Nutzen)“, die ein Mensch empfindet, nicht proportional und unendlich mit dem Betrag mit.

4. Den Erwartungswert mit dem „Nutzen“ neu berechnen

Daniel Bernoulli nahm an, dass „der Wert von Geld (der Nutzen), den ein Mensch empfindet, proportional zum Logarithmus ($\log$) des Betrags ist“.

Wenn wir den Betrag $x$ nennen, können wir den Wert (den Nutzen) $u(x)$, den ein Mensch empfindet, als logarithmische Funktion darstellen (hier betrachten wir ein einfaches Modell mit der Basis 2).

Nutzen eines Preisgeldes von $2$ Dollar: $\log_2(2) = 1$
Nutzen eines Preisgeldes von $4$ Dollar: $\log_2(4) = 2$
Nutzen eines Preisgeldes von $8$ Dollar: $\log_2(8) = 3$
Nutzen eines Preisgeldes von $2^n$ Dollar: $\log_2(2^n) = n$

Der Betrag verdoppelt sich jedes Mal, aber die menschliche „Freude“ steigt nur in kleinen Schritten an: 1, 2, 3… Berechnen wir den Erwartungswert (Erwartungsnutzen) mit diesem „Nutzen“ neu.

$$ \text{Erwartungsnutzen} = \sum_{n=1}^{\infty} \left( n \times \left(\frac{1}{2}\right)^n \right) $$ $$ = 1 \cdot \frac{1}{2} + 2 \cdot \frac{1}{4} + 3 \cdot \frac{1}{8} + 4 \cdot \frac{1}{16} + \dots $$

Wenn man die Summe dieser unendlichen Reihe berechnet, ist das Ergebnis nicht „unendlich“, sondern es konvergiert gegen „2“. Wenn man den Betrag zurückrechnet, bei dem der Nutzen „2“ ist, erhält man $2^2 = 4$ Dollar.

Das bedeutet, wenn man die menschliche Psychologie (den Nutzen) in die Berechnungen einbezieht, ergibt sich die äußerst vernünftige und realistische Antwort: „Der Wert dieses Spiels liegt für das menschliche Empfinden bei etwa ‚4 Dollar‘.“ Genau deshalb sind wir nicht bereit, 10.000 Dollar für dieses Spiel zu bezahlen.

5. Fazit: Das Paradoxon, das die Tür zu den Wirtschaftswissenschaften öffnete

Das Sankt-Petersburg-Paradoxon war ein bahnbrechendes Paradoxon, das mathematisch bewies, dass die objektive Zahl des „Geldbetrags“ und der subjektive Wert der „menschlichen Zufriedenheit“ nicht übereinstimmen.

Das von Daniel Bernoulli vorgeschlagene Konzept des „Nutzens (Utility)“ wurde 200 Jahre später zur wichtigsten Grundlage der modernen Mikroökonomie und Finanzmathematik (wie der Portfoliotheorie). Unser Verhalten, Versicherungen abzuschließen oder unser Portfolio zu diversifizieren, lässt sich alles durch diesen menschlichen psychologischen Mechanismus des „abnehmenden Grenznutzens“ erklären (der Schmerz über einen großen Verlust ist viel größer als die Freude über einen großen Gewinn).

Ein einfaches Rechenproblem eines Glücksspiels wurde zum Auslöser dafür, den menschlichen Geist zu entschlüsseln und die riesige Disziplin der Wirtschaftswissenschaften hervorzubringen.

Achilles und die Schildkröte: Kann er sie niemals einholen oder doch? Das "Unendlichkeits"-Paradoxon aus dem antiken Griechenland

Thu, 10 Sep 2026 01:00:00 +0900

1. Zenons Paradoxon: Kann der flinke Held die Schildkröte nicht besiegen?

Im 5. Jahrhundert v. Chr. präsentierte der antike griechische Philosoph Zenon von Elea einige Paradoxa über “Bewegung”, die unserer Intuition und unserem gesunden Menschenverstand völlig widersprachen. Das berühmteste davon ist das “Achilles und die Schildkröte”-Paradoxon.

Der schnellste Held der griechischen Mythologie, Achilles, und die Schildkröte, der Inbegriff von Langsamkeit, treten in einem Wettlauf gegeneinander an. Da Achilles natürlich weitaus schneller ist, bekommt die Schildkröte als Vorgabe das Recht, ein Stück weiter vorne zu starten.

Das Rennen beginnt. Achilles verfolgt die Schildkröte mit rasender Geschwindigkeit. Jedoch behauptete Zenon Folgendes:

“Achilles wird die Schildkröte niemals einholen können.”

Warum um alles in der Welt? Zenons Logik ist wie folgt:

Wenn Achilles den “anfänglichen Startpunkt (Punkt A)” der Schildkröte erreicht, hat sich die Schildkröte ein wenig vorwärts bewegt und befindet sich am “Punkt B”.
Wenn Achilles “Punkt B” erreicht, hat sich die Schildkröte wieder ein wenig vorwärts bewegt und befindet sich am “Punkt C”.
Wenn Achilles “Punkt C” erreicht, hat sich die Schildkröte noch ein wenig weiter vorwärts bewegt und befindet sich am “Punkt D”.

Dieser Prozess setzt sich unendlich fort. Denn jedes Mal, wenn Achilles den “Ort, an dem die Schildkröte war”, erreicht, hat sich die Schildkröte unweigerlich “ein Stück weiter” bewegt. Der Abstand wird zwar immer geringer, aber da dieser Schritt unendlich oft wiederholt werden muss, argumentierte man, dass Achilles die Schildkröte niemals überholen könne.

In der realen Welt ist es selbstverständlich, dass eine schnelle Person eine langsame überholt. Es war jedoch für die Menschen damals sehr schwierig zu erklären, wo der Fehler in diesem Trick der sprachlichen Logik lag.

2. Was ist daran falsch? Die Illusion von “Zeit” und “Unendlichkeit”

Das Clevere an Zenons Logik ist, dass er “unendliche Schritte (Raumteilung)” mit “unendlicher Zeit” vertauscht hat.

Es stimmt zwar, dass es unendlich viele “Schritte” gibt, bis Achilles den Ort erreicht, an dem die Schildkröte war. Aber nur weil “die Anzahl der Schritte unendlich ist”, bedeutet das nicht unbedingt, “dass die Gesamtzeit dafür unendlich (ewig) sein wird”.

Spätere Mathematiker schufen eine mächtige Waffe, um dieses Paradoxon zu lösen: die “Summe unendlicher Reihen”.

3. Mathematische Klärung: Summe unendlicher Reihen und “Grenzwerte”

Lassen Sie uns dieses Problem mathematisch mit konkreten Zahlen berechnen.

Angenommen, die Laufgeschwindigkeit von Achilles beträgt $10\text{m/s}$.
Angenommen, die Gehgeschwindigkeit der Schildkröte beträgt $1\text{m/s}$. (Ein Zehntel der Geschwindigkeit von Achilles, $\frac{1}{10}$)
Als Vorgabe für die Schildkröte startet sie $10\text{m}$ vor Achilles.

Berechnung der Zeit pro Schritt

Schritt 1: Die Zeit, die Achilles benötigt, um die Startposition der Schildkröte ($10\text{m}$ entfernt) zu erreichen, beträgt $\frac{10\text{m}}{10\text{m/s}} =$ $1\text{ Sekunde}$. In dieser einen Sekunde bewegt sich die Schildkröte $1\text{m}$ vorwärts. (Der aktuelle Abstand zwischen Achilles und der Schildkröte beträgt $1\text{m}$)

Schritt 2: Die Zeit, die Achilles benötigt, um die nächste Position der Schildkröte ($1\text{m}$ entfernt) zu erreichen, beträgt $\frac{1\text{m}}{10\text{m/s}} =$ $0.1\text{ Sekunden}$. In diesen $0.1$ Sekunden bewegt sich die Schildkröte $0.1\text{m}$ vorwärts. (Der Abstand beträgt $0.1\text{m}$)

Schritt 3: Die Zeit, die Achilles benötigt, um die nächste Position der Schildkröte ($0.1\text{m}$ entfernt) zu erreichen, beträgt $\frac{0.1\text{m}}{10\text{m/s}} =$ $0.01\text{ Sekunden}$. In diesen $0.01$ Sekunden bewegt sich die Schildkröte $0.01\text{m}$ vorwärts. (Der Abstand beträgt $0.01\text{m}$)

Auf diese Weise wird die “Zeit”, die Achilles benötigt, um die vorherige Position der Schildkröte zu erreichen, zu der folgenden unendlichen Folge:

$$ 1\text{ Sekunde},\ 0.1\text{ Sekunden},\ 0.01\text{ Sekunden},\ 0.001\text{ Sekunden},\ \dots $$

Zenon sagte: “Da diese Schritte unendlich weitergehen, kann Achilles sie niemals einholen”. Aber was passiert, wenn wir die Zeit, die für jeden dieser Schritte benötigt wird, alle addieren (die Summe der unendlichen Reihe ermitteln)?

$$ \text{Gesamtzeit } T = 1 + 0.1 + 0.01 + 0.001 + \dots $$

Dies ist eine unendliche geometrische Reihe mit dem Anfangsglied $a = 1$ und dem Quotienten $r = 0.1$. Wenn der absolute Wert des Quotienten $r$ kleiner als 1 ist ($|r| < 1$), konvergiert die unendliche geometrische Reihe gegen einen bestimmten “endlichen Wert”. Die Formel für ihre Summe lautet wie folgt:

$$ S = \frac{a}{1 - r} $$

Wenn wir diese Formel zur Berechnung anwenden:

$$ T = \frac{1}{1 - 0.1} = \frac{1}{0.9} = \frac{10}{9} = 1.1111\dots \text{ Sekunden} $$

Das heißt, selbst wenn es unendlich viele Schritte gibt, wird die für sie benötigte Gesamtzeit nicht “unendlich”, sondern konvergiert exakt auf $\frac{10}{9}$ Sekunden (etwa 1,11 Sekunden). Achilles wird die Schildkröte nach etwa 1,11 Sekunden ab dem Start erfolgreich einholen und dann überholen.

pie title "Zeit bis Achilles sie einholt (Gesamt ca. 1.11 Sekunden)" "Schritt 1 (1 Sekunde)" : 90 "Schritt 2 (0.1 Sekunden)" : 9 "Unendliche Summe nach Schritt 3 (0.011... Sekunden)" : 1

4. Warum wurden wir getäuscht?

Der Kern dieses Paradoxons liegt in dem Ausnutzen des Fehlers in der einfachen menschlichen Intuition: “Wenn man unendlich viele Dinge addiert, muss die Antwort auch unendlich sein”.

$$ 1 + 1 + 1 + 1 + \dots = \infty $$

Wenn man also dieselbe Zahl unendlich oft addiert, wird sie natürlich unendlich.

$$ \frac{1}{2} + \frac{1}{3} + \frac{1}{4} + \dots = \infty $$

Bei der berühmten “harmonischen Reihe” werden die zu addierenden Zahlen immer kleiner, divergieren aber letztendlich gegen unendlich.

Wenn jedoch die zu addierenden Zahlen schnell genug kleiner werden (wie bei einer geometrischen Reihe), passen sie selbst dann, wenn unendlich viele Zahlen addiert werden, sauber in einen bestimmten “endlichen Rahmen”.

$$ \frac{1}{2} + \frac{1}{4} + \frac{1}{8} + \frac{1}{16} + \dots = 1 $$

Es ist wie wenn man einen Kuchen zur Hälfte isst, dann die Hälfte des Rests, dann die Hälfte des Rests… Wenn man das unendlich wiederholt, wird es am Ende nicht mehr als “ein ganzer Kuchen” sein. Zenon unterteilte die Zeit absichtlich in winzige Stücke und indem er nur in diesem unterteilten Zeitrahmen (1 Sekunde, 0,1 Sekunden, 0,01 Sekunden…) sprach, schuf er die Illusion von “kann niemals einholen”.

5. Mit relativer Geschwindigkeit auf einen Schlag gelöst

Übrigens ist es einfach, dieses Problem mit Schulmathematik zu lösen, ohne in Zenons Falle (unendliche Teilung von Raum und Zeit) zu tappen. Man muss nur die “relative Geschwindigkeit” verwenden.

Geschwindigkeit von Achilles: $10\text{m/s}$
Geschwindigkeit der Schildkröte: $1\text{m/s}$
Relative Geschwindigkeit der Schildkröte aus der Sicht von Achilles (die Geschwindigkeit, mit der Achilles sich der Schildkröte nähert): $10 - 1 = 9\text{m/s}$

Der anfängliche Rückstand von Achilles gegenüber der Schildkröte beträgt $10\text{m}$. Die Zeit, die benötigt wird, um den Abstand von $10\text{m}$ mit einer Geschwindigkeit von $9\text{m/s}$ zu schließen, ist:

$$ \text{Zeit} = \frac{\text{Distanz}}{\text{Geschwindigkeit}} = \frac{10}{9}\text{ Sekunden} $$

Dies stimmt vollständig mit der Antwort überein, die wir zuvor mithilfe der Analysis (dem Grenzwert unendlicher Reihen) gefunden haben.

6. Zusammenfassung: Paradoxa haben die Mathematik vorangebracht

Zenons “Achilles und die Schildkröte” mag für uns heute wie ein bloßes Wortspiel oder Sophisterei erscheinen. Für die antiken griechischen Philosophen jedoch, die noch keine Konzepte wie “Unendlichkeit” oder “Grenzwerte” besaßen, war es äußerst schwierig, dies allein durch Logik zu widerlegen.

Die tiefen Fragen, die dieses Paradoxon aufwarf, wie “Was bedeutet kontinuierlich?” oder “Was bedeutet es, unendlich teilbar zu sein?”, wurden zu einer wichtigen treibenden Kraft, die zur Geburt der “Analysis” durch Newton und Leibniz und schließlich zu den Grundlagen der modernen Mathematik führte.

Große Paradoxa verwirren nicht nur die Menschen, sondern sind auch Schlüssel, die neue Türen in der Mathematik öffnen.

Monty-Hall-Problem: Die Falle der Wahrscheinlichkeitstheorie, die die Intuition täuscht, und die vollständige Lösung durch Bayes-Schätzung

Thu, 10 Sep 2026 00:00:00 +0900

1. Die Bühne ist eine Fernsehquizshow: Was würden Sie tun?

Im Jahr 1990 erhielt die Kolumne “Ask Marilyn” des amerikanischen Nachrichtenmagazins Parade folgende Frage eines Lesers:

Sie sind Kandidat in einer Fernsehspielshow. Vor Ihnen befinden sich 3 Türen (A, B, C). Hinter einer der Türen befindet sich ein neues Auto (Treffer), und hinter den verbleibenden zwei Türen befinden sich Ziegen (Niete).

Sie wählen zunächst Tür A.

Daraufhin öffnet der Moderator Monty Hall, der weiß, hinter welcher Tür das neue Auto steht, von den verbleibenden Türen die Tür B, hinter der sich eine Ziege befindet.

Monty sagt zu Ihnen: “Sie dürfen jetzt auf Tür C wechseln. Was tun Sie?”

Sollten Sie nun tatsächlich die Tür wechseln?

Intuitiv könnte man denken: “Es bleiben zwei Türen, A und C. Da es völlig zufällig ist, wo das neue Auto steht, ist die Wahrscheinlichkeit für beide $\frac{1}{2}$ (50%). Deshalb ist es egal, ob man wechselt oder nicht.”

Die Kolumnistin Marilyn vos Savant (die laut Guinness-Buch der Rekorde den höchsten IQ besitzt) antwortete jedoch: “Sie sollten wechseln. Wenn Sie wechseln, verdoppelt sich Ihre Gewinnwahrscheinlichkeit.”

Diese Antwort sorgte in den gesamten USA für Aufsehen und führte zu einer Flut von etwa 10.000 Protestbriefen (davon etwa 1.000 von Wissenschaftlern mit Doktortitel in Mathematik). Es gab einen Sturm scharfer Kritik wie “Sie verstehen die Grundlagen der Wahrscheinlichkeit nicht” und “Das ist Frauenlogik”. Um es vorwegzunehmen: Marilyns Antwort war mathematisch absolut korrekt.

2. Die Kluft zwischen Intuition und Mathematik: Verzweigungen der Wahrscheinlichkeit mit Mermaid

Warum unterliegen wir der intuitiven Täuschung, dass es “$\frac{1}{2}$” ist? Lassen Sie uns zunächst alle Muster des Spiels visualisieren.

graph TD Start["Spielbeginn"] --> CarA["Neues Auto ist Tür A (Wahrscheinlichkeit 1/3)"] Start --> CarB["Neues Auto ist Tür B (Wahrscheinlichkeit 1/3)"] Start --> CarC["Neues Auto ist Tür C (Wahrscheinlichkeit 1/3)"] CarA --> PickA1["Sie wählen Tür A"] CarB --> PickA2["Sie wählen Tür A"] CarC --> PickA3["Sie wählen Tür A"] PickA1 --> HostB_or_C["Moderator öffnet B oder C"] PickA2 --> HostC["Moderator öffnet immer C"] PickA3 --> HostB["Moderator öffnet immer B"] HostB_or_C --> Stay1["Nicht wechseln: Treffer!"] HostB_or_C --> Switch1["Wechseln: Niete..."] HostC --> Stay2["Nicht wechseln: Niete..."] HostC --> Switch2["Wechseln: Treffer!"] HostB --> Stay3["Nicht wechseln: Niete..."] HostB --> Switch3["Wechseln: Treffer!"] style Switch2 fill:#bbf,stroke:#333,stroke-width:2px style Switch3 fill:#bbf,stroke:#333,stroke-width:2px style Stay1 fill:#f99,stroke:#333,stroke-width:2px

Wenn wir annehmen, dass Sie “Tür A” gewählt haben, treten die folgenden drei Szenarien mit gleicher Wahrscheinlichkeit ($\frac{1}{3}$) auf.

Szenario 1 (Neues Auto in A): Der Moderator öffnet B oder C, wo sich eine Ziege befindet. Wenn Sie die Tür wechseln, ist es eine Niete.
Szenario 2 (Neues Auto in B): Der Moderator kann nur C öffnen, wo sich eine Ziege befindet. Wenn Sie die Tür wechseln, ist es ein Treffer.
Szenario 3 (Neues Auto in C): Der Moderator kann nur B öffnen, wo sich eine Ziege befindet. Wenn Sie die Tür wechseln, ist es ein Treffer.

Das heißt, in 2 von 3 Fällen (Szenario 2 und 3) befindet man sich in dem Zustand: “Wenn Sie die Tür wechseln, gewinnen Sie auf jeden Fall”. Daher beträgt die Gewinnquote beim Wechsel der Tür $\frac{2}{3}$, was genau doppelt so hoch ist wie die Gewinnquote von $\frac{1}{3}$, wenn man nicht wechselt.

3. Strenger Beweis durch den Satz von Bayes

Um dieses Problem mathematisch exakt zu lösen, verwenden wir den “Satz von Bayes”, der bedingte Wahrscheinlichkeiten berechnet.

$$ P(H|E) = \frac{P(E|H) P(H)}{P(E)} $$

Hierbei definieren wir die Ereignisse wie folgt:

$C_A, C_B, C_C$ : Die Ereignisse, dass sich das neue Auto jeweils hinter Tür A, B oder C befindet. Die a priori Wahrscheinlichkeiten sind $P(C_A) = P(C_B) = P(C_C) = \frac{1}{3}$
Angenommen, Sie haben anfangs Tür A gewählt.
$M_B$ : Das Ereignis, dass der Moderator Tür B öffnet, hinter der sich eine Ziege befindet.

Was wir herausfinden wollen, ist “die Wahrscheinlichkeit, dass sich das neue Auto hinter Tür C befindet, unter der Bedingung, dass der Moderator Tür B geöffnet hat”, also die a posteriori Wahrscheinlichkeit $P(C_C|M_B)$.

Zunächst betrachten wir die Wahrscheinlichkeit $P(M_B|C_X)$, dass der Moderator Tür B öffnet, abhängig davon, wo sich das neue Auto befindet.

Wenn das neue Auto hinter Tür A ist ($C_A$) Der Moderator kann zufällig B oder C öffnen.
$$ P(M_B|C_A) = \frac{1}{2} $$
Wenn das neue Auto hinter Tür B ist ($C_B$) Da der Moderator die Tür mit dem neuen Auto nicht öffnen kann, ist die Wahrscheinlichkeit, B zu öffnen, null.
$$ P(M_B|C_B) = 0 $$
Wenn das neue Auto hinter Tür C ist ($C_C$) Da der Moderator weder A (die Sie gewählt haben) noch C (wo das neue Auto steht) öffnen kann, muss er zwangsläufig B öffnen.
$$ P(M_B|C_C) = 1 $$

Als nächstes ermitteln wir die Gesamtwahrscheinlichkeit $P(M_B)$, dass der Moderator Tür B öffnet, durch den “Satz der totalen Wahrscheinlichkeit”.

$$ P(M_B) = P(M_B|C_A)P(C_A) + P(M_B|C_B)P(C_B) + P(M_B|C_C)P(C_C) $$ $$ P(M_B) = \left(\frac{1}{2} \times \frac{1}{3}\right) + \left(0 \times \frac{1}{3}\right) + \left(1 \times \frac{1}{3}\right) = \frac{1}{6} + 0 + \frac{1}{3} = \frac{1}{2} $$

Nun wenden wir endlich den Satz von Bayes an, um die a posteriori Wahrscheinlichkeiten für Tür A und Tür C zu berechnen.

Wahrscheinlichkeit, dass das neue Auto hinter Tür A ist (wenn man nicht wechselt):

$$ P(C_A|M_B) = \frac{P(M_B|C_A) P(C_A)}{P(M_B)} = \frac{\frac{1}{2} \times \frac{1}{3}}{\frac{1}{2}} = \frac{1}{3} $$

Wahrscheinlichkeit, dass das neue Auto hinter Tür C ist (wenn man wechselt):

$$ P(C_C|M_B) = \frac{P(M_B|C_C) P(C_C)}{P(M_B)} = \frac{1 \times \frac{1}{3}}{\frac{1}{2}} = \frac{2}{3} $$

Auch der mathematische Beweis zeigt eindeutig: “Die Wahrscheinlichkeit zu gewinnen ist doppelt so hoch (2/3), wenn man die Tür wechselt”.

4. Kognitive Verzerrung: Der Wert der Information als “Bedingung”

Warum haben selbst so viele geniale Mathematiker dieses Problem intuitiv falsch verstanden? Die Gründe liegen im “Equiprobability Bias” (Gleichwahrscheinlichkeits-Verzerrung) und im “Versäumnis der Informationsaktualisierung”, die in unser menschliches Gehirn eingebaut sind.

4.1. Equiprobability Bias (Gleichwahrscheinlichkeits-Verzerrung)

Menschen haben die Eigenschaft, wenn ihnen unbekannte Optionen präsentiert werden, unbewusst davon auszugehen, dass “die Wahrscheinlichkeit der verbleibenden Optionen immer gleichverteilt ist”. In dem Moment, in dem das Gehirn sieht, dass zwei Türen übrig bleiben, etikettiert es diese automatisch mit “$50\%$ : $50\%$”.

4.2. Die Information der “Absicht” des Moderators

Der Hauptgrund, warum uns unsere Intuition täuscht, ist, dass wir übersehen, dass die Handlungen des Moderators nicht zufällig sind. Wenn die Regel wäre: “Der Moderator öffnet zufällig eine Tür, ohne zu wissen, wo das Auto ist, und es war zufällig eine Ziege” (dies wird als “Monty-Fall-Problem” bezeichnet), dann wäre die Wahrscheinlichkeit für Tür A und Tür C tatsächlich jeweils $\frac{1}{2}$.

Aber beim tatsächlichen Monty-Hall-Problem handelt der Moderator unter den folgenden strengen Einschränkungen:

Er darf die vom Kandidaten gewählte Tür nicht öffnen.
Er darf die Tür mit dem neuen Auto nicht öffnen.

Aufgrund dieser Einschränkungen gibt uns allein die Tatsache, dass der Moderator “Tür B geöffnet hat”, eine gewaltige Information über Tür C. Es ist eine unausgesprochene Botschaft darin enthalten: “Ich konnte Tür C nicht öffnen (weil dort das neue Auto ist)”.

5. Die Intuition durch ein extremes Beispiel korrigieren

Wenn Sie immer noch nicht überzeugt sind, erhöhen wir die Anzahl der Türen auf 1 Million.

Sie wählen aus 1 Million Türen Tür 1. (Die Gewinnwahrscheinlichkeit ist $\frac{1}{1.000.000}$)
Der allwissende Moderator öffnet von den verbleibenden 999.999 Türen alle 999.998 Türen, hinter denen sich eine Ziege befindet.
Geschlossen bleiben nur “Tür 1”, die Sie gewählt haben, und “Tür 777.777”, die der Moderator absichtlich übrig gelassen hat.

Nun, werden Sie wechseln? In diesem Fall sollten Sie nicht wechseln, wenn Sie glauben, dass Sie gleich am Anfang das “Eins zu einer Million”-Wunder getroffen haben. Aber realistisch betrachtet wird intuitiv klar, dass die Wahrscheinlichkeit, dass sich das neue Auto hinter der “einzigen Tür, die der Moderator unter keinen Umständen öffnen konnte”, befindet, $\frac{999.999}{1.000.000}$ beträgt.

Das Monty-Hall-Problem (mit 3 Türen) ist lediglich dieses “1-Million-Türen-Phänomen” in kleinerem Maßstab.

pie title "Der Effekt des Türwechsels (100 Simulationen)" "Gewinn durch Wechseln (ca. 66,7%)" : 67 "Gewinn ohne Wechseln (ca. 33,3%)" : 33

6. Fazit: Was uns die Wahrscheinlichkeitstheorie für Geschäft und Leben lehrt

Das Monty-Hall-Problem geht über ein bloßes Quiz hinaus und lehrt uns wichtige Lektionen.

Die Intuition irrt sich oft: Das menschliche Gehirn hat sich nicht daraufhin entwickelt, komplexe bedingte Wahrscheinlichkeiten intuitiv zu verarbeiten. Bei wichtigen Entscheidungen ist es gefährlich, sich nur auf die Intuition zu verlassen.
Wahrscheinlichkeiten mit neuen Informationen aktualisieren (Bayes-Aktualisierung): Wenn sich die Situation ändert und neue Informationen (z.B. welche Tür der Moderator geöffnet hat) eintreffen, ist der Schlüssel zum Erfolg, nicht an bestehenden Ansichten festzuhalten, sondern Wahrscheinlichkeiten und Strategien flexibel aktualisieren zu können.

Die kleine Entscheidung, “die Tür zu wechseln”, könnte die Wahrscheinlichkeit, das “neue Auto” Ihres Lebens zu bekommen, verdoppeln.