Wahrscheinlichkeitstheorie on kenji.blog

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.

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.

Das Zwei-Umschläge-Paradoxon: Der logische Zusammenbruch und die Entscheidungsfalle, die durch unendliche Erwartungswerte verursacht werden

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

1. Die ultimative Wahl: Tauschen oder nicht tauschen?

Sie stehen in der Endrunde einer Spielshow. Auf dem Tisch vor Ihnen liegen zwei identisch aussehende Umschläge (A und B). Der Moderator sagt:

“Ein Umschlag enthält doppelt so viel Geld wie der andere. Bitte wählen Sie einen.”

Nach kurzem Zögern entscheiden Sie sich für Umschlag A. Gerade als Sie hineinsehen wollen, flüstert der Moderator Ihnen verlockend zu:

“Wenn Sie möchten, können Sie jetzt Ihren Umschlag A gegen den verbleibenden Umschlag B eintauschen. Möchten Sie tauschen?”

Sollten Sie die Umschläge nun tauschen?

2. Die “unendliche Schleife”, die durch die Erwartungswertberechnung entsteht

Lassen Sie uns hier ein wenig mathematisch denken. Angenommen, der Betrag in Ihrem Umschlag A ist $X$ Yen. Nach den Regeln ist der Betrag in Umschlag B entweder “die Hälfte von $X$ Yen ($\frac{X}{2}$)” oder “das Doppelte von $X$ Yen ($2X$)”. Die Wahrscheinlichkeit für beides beträgt jeweils $\frac{1}{2}$ (50%).

Lassen Sie uns nun den Erwartungswert (den erwarteten durchschnittlichen Betrag), wenn Sie die Umschläge tauschen, berechnen.

$$ E = \frac{1}{2} \times \left(\frac{X}{2}\right) + \frac{1}{2} \times (2X) $$ $$ E = \frac{X}{4} + X = \frac{5}{4}X = 1.25X $$

Ein erstaunliches Ergebnis. Allein durch den Tausch der Umschläge springt der Erwartungswert vom ursprünglichen $X$ Yen auf das 1,25-fache (eine Steigerung um 25%). Die Schlussfolgerung lautet: “Mathematisch gesehen ist es definitiv vorteilhaft zu tauschen!”

Aber hier kommt es zu einem logischen Zusammenbruch. Angenommen, Sie haben zu Umschlag B gewechselt. Was passiert, wenn der Moderator Sie unmittelbar danach fragt: “Möchten Sie vielleicht doch wieder zu A wechseln?” Genau dieselbe Formel gilt, und diesmal bedeutet es: “Wenn Sie von B zu A wechseln, erhöht sich der Erwartungswert auf das 1,25-fache.”

Das heißt, wenn Sie einfach nur “von A zu B” und “von B zu A” hin und her tauschen, würde der theoretische Erwartungswert ins Unendliche steigen. Dies widerspricht offensichtlich der Realität (der Inhalt der Umschläge ist von Anfang an festgelegt und vermehrt sich nicht durch den Tausch).

graph TD Start["Sie wählen Umschlag A (Inhalt ist X Yen)"] --> Think["Berechnen, ob ein Tausch vorteilhaft ist"] Think --> Case1["Umschlag B hat den halben Betrag (X/2 Yen) : 50% Wahrscheinlichkeit"] Think --> Case2["Umschlag B hat den doppelten Betrag (2X Yen) : 50% Wahrscheinlichkeit"] Case1 --> Calc["Erwartungswert = (X/4) + X = 1.25X"] Case2 --> Calc Calc --> SwitchToB["Tausch zu Umschlag B! (Inhalt ist Y Yen)"] SwitchToB --> ThinkAgain["Erneut berechnen"] ThinkAgain --> Case3["Umschlag A hat den halben Betrag (Y/2 Yen) : 50% Wahrscheinlichkeit"] ThinkAgain --> Case4["Umschlag A hat den doppelten Betrag (2Y Yen) : 50% Wahrscheinlichkeit"] Case3 --> Calc2["Erwartungswert = 1.25Y"] Case4 --> Calc2 Calc2 --> SwitchToA["Wieder zu Umschlag A tauschen!"] SwitchToA --> Start style Calc fill:#ff9999,stroke:#333,stroke-width:2px style Calc2 fill:#ff9999,stroke:#333,stroke-width:2px style SwitchToA fill:#ff4444,color:#fff,stroke:#333,stroke-width:4px

Warum hat diese scheinbar perfekte Berechnung des Erwartungswertes ein so seltsames Paradoxon hervorgebracht?

3. Den mathematischen Trick aufklären: Der Austausch von Variablen

Die Falle dieses Paradoxons liegt in der “Verwendung der Zufallsvariablen $X$”.

In der vorherigen Formel haben wir den Betrag $X$ in Umschlag A wie eine feste Konstante behandelt und angenommen, dass Umschlag B “$\frac{X}{2}$ oder $2X$”. Was jedoch tatsächlich feststeht, ist “die Summe der Beträge in beiden Umschlägen” oder “der kleinere Betrag”.

Nennen wir den Betrag im Umschlag mit dem kleineren Geldbetrag $S$. Dann enthält der Umschlag mit dem größeren Betrag $2S$. Es gibt nur zwei mögliche Szenarien für das Spiel (jeweils mit einer Wahrscheinlichkeit von $\frac{1}{2}$).

Szenario 1: Der von Ihnen gewählte Umschlag A ist der kleinere ($S$) und Umschlag B ist der größere ($2S$).
Szenario 2: Der von Ihnen gewählte Umschlag A ist der größere ($2S$) und Umschlag B ist der kleinere ($S$).

Lassen Sie uns nun den Erwartungswert für das “Nicht-Tauschen” und das “Tauschen” korrekt berechnen.

Erwartungswert bei Nicht-Tausch $E_{stay}$:

$$ E_{stay} = \frac{1}{2} \times S + \frac{1}{2} \times 2S = \frac{3}{2}S = 1.5S $$

Erwartungswert bei Tausch $E_{switch}$: In Szenario 1 erhalten Sie $2S$, und in Szenario 2 erhalten Sie $S$.

$$ E_{switch} = \frac{1}{2} \times 2S + \frac{1}{2} \times S = \frac{3}{2}S = 1.5S $$ $$ E_{stay} = E_{switch} $$

Die Erwartungswerte stimmen perfekt überein! In der ersten falschen Berechnung haben wir unterschiedliche Werte als dieselbe Variable $X$ behandelt – nämlich $X$ in Szenario 1 (was eigentlich $S$ ist) und $X$ in Szenario 2 (was eigentlich $2S$ ist) –, was die Illusion erzeugte, dass “ein Tausch den Erwartungswert erhöht”.

pie title "Die Wahrheit über den Erwartungswert (wenn S der kleinere Betrag ist)" "Erwartungswert ohne Tausch (1.5S)" : 50 "Erwartungswert mit Tausch (1.5S)" : 50

4. Was passiert, wenn Sie den Umschlag öffnen?

Das Paradoxon scheint hiermit gelöst zu sein. Es wartet jedoch noch ein tiefergehendes Problem.

Was wäre, wenn Sie den Inhalt Ihres Umschlags A sehen, bevor Sie tauschen? Als Sie Umschlag A öffnen, befinden sich darin “10.000 Yen”.

In diesem Moment wird der Wert auf $X = 10000$ festgelegt. Umschlag B enthält entweder “5.000 Yen” oder “20.000 Yen”. Was passiert, wenn wir hier die erste Formel anwenden?

$$ E_{switch} = \frac{1}{2} \times 5000 + \frac{1}{2} \times 20000 = 2500 + 10000 = 12500 $$

Der Erwartungswert beträgt 12.500 Yen. Er ist definitiv höher als die aktuellen 10.000 Yen. Darüber hinaus ist der Gegenbeweis des “Austauschs von Variablen” nicht mehr gültig, da $X$ diesmal eine “spezifische Konstante” von 10.000 Yen ist. Ist es unter diesen Umständen absolut vorteilhafter zu tauschen?

Widerlegung durch Bayes-Schätzung: Die fehlende “A-priori-Verteilung”

Mathematiker haben daraufhin das Konzept der “A-priori-Verteilung (A-priori-Wahrscheinlichkeit) des Geldbetrags” eingeführt. Es stellt sich die Frage: Können wir wirklich sagen, dass 5.000 Yen und 20.000 Yen mit einer Wahrscheinlichkeit von jeweils $\frac{1}{2}$ enthalten sind?

Angenommen, das maximale Budget der Sendung beträgt 100 Millionen Yen. Wenn Sie Umschlag A öffnen und “60 Millionen Yen” darin finden, ist die Wahrscheinlichkeit, dass Umschlag B “120 Millionen Yen” enthält, gleich null (da das Budget überschritten wäre). Mit anderen Worten: Je höher der Betrag in Umschlag A ist, desto geringer muss die Wahrscheinlichkeit sein, dass Umschlag B “doppelt” so viel enthält, und desto höher muss die Wahrscheinlichkeit sein, dass er “halb” so viel enthält.

Wenn wir den Erwartungswert unter Annahme einer beliebigen A-priori-Verteilung $P(x)$ und der Anwendung des Satzes von Bayes berechnen, ist mathematisch bewiesen, dass für keine realistische Wahrscheinlichkeitsverteilung (deren Summe 1 ergibt) eine magische Verteilung existiert, bei der sich ein “Tausch für alle Beträge $X$ lohnt”.

5. Die Falle der Unendlichkeit: Verbindung zum Sankt-Petersburg-Paradoxon

Es gibt nur einen einzigen Fall, in dem es vorteilhaft wäre, für “alle $X$” zu tauschen. Dies ist nur dann der Fall, wenn das Budget der Sendung unendlich ist und wir eine “uneigentliche Wahrscheinlichkeitsverteilung (eine Verteilung, deren Summe unendlich ist)” annehmen, bei der alle Geldbeträge (1 Yen, 2 Yen, 4 Yen, 8 Yen… bis ins Unendliche) mit gleicher Wahrscheinlichkeit auftreten.

In der realen Welt gibt es jedoch keinen Fernsehsender mit unbegrenzten Mitteln. Dieser durch einen “unendlichen Erwartungswert” verursachte Fehler ist tief verwurzelt mit dem Sankt-Petersburg-Paradoxon (dem Problem, wie viel eine Person für ein Glücksspiel mit einem unendlichen Erwartungswert bezahlen würde).

6. Fazit: Die Schrecken von Wahrscheinlichkeit und Erwartungswert

Obwohl das “Zwei-Umschläge-Paradoxon” nur aus einfachen Multiplikationen und Additionen besteht, lehrt es uns folgende Lektionen:

Fehler, die durch unscharfe Definitionen entstehen: Wenn nicht klar ist, worauf sich eine Variable bezieht (ob $X$ immer denselben Betrag bedeutet), bricht die Logik leicht zusammen.
Die Illusion, dass “keine Information = 50% Wahrscheinlichkeit” bedeutet: Die Prämisse “Ich weiß es nicht, also ist es halbe-halbe” (Prinzip des unzureichenden Grundes) führt manchmal zu fatalen Berechnungsfehlern.
Die Schwierigkeit, mit der Unendlichkeit umzugehen: Wenn das Konzept der “Unendlichkeit”, das nicht auf die reale Welt angewendet werden kann, in Berechnungen eingeführt wird, führt dies zu Ergebnissen, die dem gesunden Menschenverstand widersprechen.

Wenn Sie das nächste Mal im Leben denken: “Das Gras des Nachbarn ist grüner, ein Tausch wäre vorteilhaft”, erinnern Sie sich an dieses Paradoxon. Vielleicht sind in Ihrer Berechnung nur die Variablen ausgetauscht worden.

Geburtstagsparadoxon: Ab 23 Personen über 50%? Die Magie der "Kombinationen", die die Intuition täuscht

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

1. Test der Intuition: Wie viele Personen braucht man, damit die Wahrscheinlichkeit 50% übersteigt?

Menschen versammeln sich auf einer Party. Was glauben Sie, wie viele Personen mindestens anwesend sein müssen, damit die “Wahrscheinlichkeit, dass sich im Raum mindestens ein Paar mit exakt demselben Geburtstag (Monat und Tag) befindet, 50% übersteigt”? (Schaltjahre sind ausgenommen, ein Jahr hat 365 Tage, und wir nehmen an, dass jeder Geburtstag gleich wahrscheinlich ist).

Die menschliche Intuition neigt dazu, wie folgt zu rechnen: “Ein Jahr hat 365 Tage. Wenn man Personen nacheinander in diese 365 Plätze einordnet, so dass es zu einer Überschneidung kommt, braucht man wohl mindestens etwa 180 Personen. Selbst vorsichtig geschätzt, wird die Wahrscheinlichkeit bei weniger als 50 bis 60 Personen doch nicht die Hälfte erreichen, oder?”

Die von der Mathematik abgeleitete richtige Antwort ist jedoch nur “23 Personen”. In einer Schulklasse (ca. 30 bis 40 Personen) springt die Wahrscheinlichkeit, dass es ein Paar mit demselben Geburtstag gibt, sogar auf etwa 70% bis 89%. Bei 50 Personen erreicht die Wahrscheinlichkeit 97%, was den Zustand “Es ist seltener, dass es niemanden mit demselben Geburtstag gibt” bewirkt.

Warum weicht unsere Intuition so stark von der tatsächlichen Wahrscheinlichkeit ab?

2. Warum die Intuition sich irrt: Der Unterschied zwischen “Ich und jemand anderes” und “Jemand und jemand anderes”

Der Hauptgrund, warum sich die Intuition bei diesem Problem irrt, ist, dass wir unbewusst an die “Wahrscheinlichkeit, dass jemand denselben Geburtstag wie eine bestimmte Person (z. B. man selbst) hat” denken.

Wenn Sie den Raum betreten und nachsehen: “Gibt es jemanden, der denselben Geburtstag hat wie ich?”, beträgt die Wahrscheinlichkeit, dass unter 23 Personen jemand Ihren Geburtstag teilt, lediglich etwa 6,1%. (Damit diese Wahrscheinlichkeit 50% übersteigt, werden tatsächlich stolze 253 Personen benötigt).

Das Geburtstagsparadoxon fragt jedoch nicht nach dem Paar “Ich und jemand”. Es reicht, wenn in “allen möglichen Kombinationen unter allen Anwesenden im Raum (Person A und Person B, Person B und Person C, Person C und Person A…)” auch nur ein einziges Paar übereinstimmt.

graph TD subgraph "Illusion der Intuition: 'Ich'-zentrierter Vergleich" You["Ich"] --- P1["Person A"] You --- P2["Person B"] You --- P3["Person C"] You --- P4["Person D"] style You fill:#ff9999,stroke:#333,stroke-width:4px end subgraph "Realität: Jeder-gegen-Jeden-Vergleich" A["Person A"] --- B["Person B"] A --- C["Person C"] A --- D["Person D"] B --- C B --- D C --- D end

Selbst in einer Gruppe von nur 4 Personen gibt es beim “Ich”-zentrierten Vergleich 3 Kombinationen, beim Vergleich von jedem mit jedem jedoch 6 Kombinationen (${}_4 C_2 = 6$). Wenn die Anzahl der Personen auf 23 steigt, explodiert die Anzahl der Paarkombinationen auf sage und schreibe 253 Kombinationen (${}_{23} C_2$). Wenn es 253 Paare gibt, erscheint es dann nicht plausibel, dass zumindest eines davon die Wahrscheinlichkeit von “1 zu 365” trifft?

3. Mathematischer Beweis: Eine elegante Lösung mittels Gegenereignis

Es ist schwierig, die “Wahrscheinlichkeit, dass mindestens ein Paar denselben Geburtstag hat” direkt zu berechnen (da es zu viele Muster gibt: wenn nur 1 Paar denselben Geburtstag hat, wenn 2 Paare denselben Geburtstag haben, wenn 3 Personen denselben Geburtstag haben… usw.). Daher verwenden wir eine grundlegende Technik der Wahrscheinlichkeitstheorie: das “Gegenereignis”.

Ein Gegenereignis ist die “Wahrscheinlichkeit, dass etwas nicht passiert”. Das heißt, wir berechnen die “Wahrscheinlichkeit, dass alle Geburtstage unterschiedlich sind (kein einziges Paar übereinstimmt)” und subtrahieren dies von 100% (1), um die gesuchte Wahrscheinlichkeit zu erhalten.

$$ P(\text{Mindestens zwei Personen haben denselben Geburtstag}) = 1 - P(\text{Alle haben verschiedene Geburtstage}) $$

Lassen Sie uns das berechnen, indem wir uns vorstellen, wie die Leute nacheinander den Raum betreten.

1. Person: Es besteht keine Gefahr, sich mit jemandem zu überschneiden. Die Wahrscheinlichkeit ist $\frac{365}{365}$.
2. Person: Der Geburtstag muss sich von dem der 1. Person unterscheiden. Die restlichen 364 Tage sind sicher. Die Wahrscheinlichkeit ist $\frac{364}{365}$.
3. Person: Der Geburtstag muss sich von denen der vorherigen 2 Personen unterscheiden. Die restlichen 363 Tage sind sicher. Die Wahrscheinlichkeit ist $\frac{363}{365}$.

Wenn man dies bis zur $n$-ten Person multipliziert, erhält man den allgemeinen Term für die Wahrscheinlichkeit $P(n)'$, dass alle Geburtstage unterschiedlich sind.

$$ P(n)' = \frac{365}{365} \times \frac{364}{365} \times \frac{363}{365} \times \dots \times \frac{365 - (n - 1)}{365} $$ $$ P(n)' = \prod_{k=1}^{n-1} \left(1 - \frac{k}{365}\right) $$

Folglich ergibt sich die gesuchte “Wahrscheinlichkeit $P(n)$, dass mindestens zwei Personen denselben Geburtstag haben” wie folgt:

$$ P(n) = 1 - \prod_{k=1}^{n-1} \left(1 - \frac{k}{365}\right) $$

Setzt man in diese Formel die Anzahl der Personen $n$ ein, so sieht man, dass die Wahrscheinlichkeit mit erstaunlicher Geschwindigkeit ansteigt.

Bei $n = 10$ beträgt die Wahrscheinlichkeit etwa 11,7%
Bei $n = 23$ beträgt die Wahrscheinlichkeit etwa 50,7% (Hier übersteigt sie 50%!)
Bei $n = 40$ beträgt die Wahrscheinlichkeit etwa 89,1%
Bei $n = 70$ beträgt die Wahrscheinlichkeit etwa 99,9%

pie title "Wahrscheinlichkeit bei 23 Personen" "Ein Paar mit demselben Geburtstag (50,7%)" : 50.7 "Alle sind unterschiedlich (49,3%)" : 49.3

4. Näherungsrechnung durch Taylorreihen-Entwicklung

Da es mühsam ist, 23-mal per Hand zu multiplizieren, wollen wir eine mathematische Näherungsformel verwenden, um es etwas intuitiver zu verstehen.

Wir betrachten die Taylor-Entwicklung der Exponentialfunktion $e^{-x}$. Wenn $x$ ausreichend klein ist, gilt folgende Näherung:

$$ e^{-x} \approx 1 - x $$

Wendet man dies auf jeden der vorigen Terme $\left(1 - \frac{k}{365}\right)$ an, erhält man:

$$ 1 - \frac{k}{365} \approx e^{-\frac{k}{365}} $$

Multipliziert man alle diese Werte (was nach den Potenzgesetzen zu einer Addition wird), so erhält man:

$$ P(n)' \approx e^{-\frac{1}{365}} \times e^{-\frac{2}{365}} \times \dots \times e^{-\frac{n-1}{365}} $$ $$ P(n)' \approx \exp\left(-\sum_{k=1}^{n-1} \frac{k}{365}\right) $$

Die Summe von 1 bis $n-1$ ist $\frac{n(n-1)}{2}$ (also die Anzahl der Kombinationen ${}_n C_2$), daher:

$$ P(n)' \approx \exp\left(-\frac{n(n-1)}{2 \times 365}\right) $$

In dieser Formel suchen wir das $n$, bei dem die Wahrscheinlichkeit 50% ($0.5$) wird.

$$ 0.5 = e^{-\frac{n(n-1)}{730}} $$

Wir nehmen auf beiden Seiten den natürlichen Logarithmus ($\ln 0.5 \approx -0.693$).

$$ -0.693 = -\frac{n(n-1)}{730} $$ $$ n(n-1) = 0.693 \times 730 \approx 505.89 $$

Nähert man $n^2 \approx 506$ an, so erhält man $n = \sqrt{506} \approx 22.49$. Wunderbar, die Antwort $n \approx 23$ wurde abgeleitet!

5. Anwendung im Alltag und “Hash-Kollision”

Dieses Paradoxon ist nicht nur ein Partyscherz. Es spielt eine äußerst wichtige Rolle in der Kryptographie und Informationssicherheit, die unsere moderne IT-Gesellschaft stützt.

In Computersystemen wird ein Mechanismus namens “Hash-Funktion” verwendet, um schnell die Identität von Passwörtern oder Dateien zu überprüfen. Eine Hash-Funktion liefert eine zufällige Zeichenfolge (Hash-Wert) von fester Länge zurück, unabhängig davon, welche Daten eingegeben werden. Das Phänomen, dass diese Hash-Werte zufällig gleich sind, wird jedoch als “Hash-Kollision (Hash Collision)” bezeichnet.

Hash-Kollisionen treten genau nach demselben Prinzip auf wie das Geburtstagsparadoxon. Entgegen der menschlichen Intuition, die besagt: “Da die Anzahl der möglichen Hash-Werte astronomisch groß ist, wird es wohl kaum zu Kollisionen kommen”, ist es für einen Angreifer, der eine große Menge an Daten zufällig generiert, überraschend einfach, ein Paar zu finden, bei dem “irgendein Wert mit irgendeinem anderen übereinstimmt (die Geburtstage sich überschneiden)”.

Dies nennt man einen “Geburtstagsangriff (Birthday Attack)”. Ingenieure, die Sicherheitssysteme entwerfen, setzen eine sehr lange Länge für Hash-Werte fest, um die Sicherheit zu gewährleisten, basierend auf der mathematischen Tatsache, dass “Kollisionen viel früher auftreten als intuitiv erwartet”.

6. Fazit: Die Grenzen der menschlichen Intuition

Das Geburtstagsparadoxon ist ein perfektes Beispiel dafür, wie anfällig die menschliche Intuition für “exponentielles Wachstum” und “Kombinationsexplosionen” ist.

Wir sind stark bei linearem (additivem) Wachstum, aber wir können ein Phänomen, bei dem die Anzahl der Paare mit einer Geschwindigkeit von $n^2$ explodiert, nicht in unserem Gehirn simulieren. Hinter der Intuition, dass “die Zahl 23 im Vergleich zur großen Zahl 365 zu klein ist”, sind die “253 unsichtbaren Fäden (Paare)” gespannt, die von den 23 Personen gebildet werden.

Wenn Sie das nächste Mal an einen Ort gehen, an dem sich Menschen versammeln, stellen Sie sich nicht nur die sichtbare “Anzahl an Personen” vor, sondern auch die zahllosen “Kombinationsfäden”, die zwischen ihnen existieren. Die Art und Weise, wie Sie die Welt sehen, wird sich sicher ein klein wenig mathematisch verändern.

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.