1. Einleitung: Der Zusammenbruch des „gleichmäßig Zufälligen“ im Jahr 1889
In der diskreten Wahrscheinlichkeitsrechnung erscheint der Begriff „zufällig ausgewählt“ vollkommen eindeutig: Bei einem fairen Würfel hat jede der sechs Seiten die Wahrscheinlichkeit $1/6$. Sobald wir jedoch von endlichen Mengen in den kontinuierlichen geometrischen Raum übergehen, bricht diese naive Intuition zusammen. Im Jahr 1889 veröffentlichte der französische Mathematiker Joseph Bertrand (1822–1900) in seinem Werk Calcul des probabilités ein scheinbar elementares geometrisches Problem, das als Bertrand-Paradoxon berühmt wurde.
Gegeben sei ein Einheitskreis $S^1 = \{(x,y) \in \mathbb{R}^2 : x^2 + y^2 = 1\}$ mit Radius $R = 1$ und ein einbeschriebenes gleichseitiges Dreieck $\triangle ABC$. Die Seitenlänge des Dreiecks beträgt $L = 2R\sin(\pi/3) = \sqrt{3} \approx 1.732$, und der Inkreisradius (der senkrechte Abstand vom Kreismittelpunkt $O$ zu jeder Dreiecksseite) ist $r_{\text{in}} = R\cos(\pi/3) = 1/2$.
[Bertrands Problem (1889)] Man wähle „zufällig“ eine Sehne $c$ des Einheitskreises. Wie groß ist die Wahrscheinlichkeit $P(c > \sqrt{3})$, dass die Sehne länger ist als die Seite $L = \sqrt{3}$ des einbeschriebenen gleichseitigen Dreiecks?
Bertrand präsentierte drei gleichermaßen plausible, symmetrische Konstruktionsmethoden und erhielt drei widersprüchliche exakte Ergebnisse: $P_1 = 1/3$, $P_2 = 1/2$ und $P_3 = 1/4$.
flowchart TD
Q["Bertrands Frage (1889)<br/>Zufällige Sehne im Einheitskreis:<br/>Wie groß ist P(c > √3)?"]
Q --> M1["Methode 1: Zufällige Endpunkte auf S¹<br/>Zentriwinkel θ ~ Uniform(0, π)"]
Q --> M2["Methode 2: Zufälliger radialer Abstand<br/>Mittelpunktsabstand r ~ Uniform(0, 1)"]
Q --> M3["Methode 3: Zufälliger Mittelpunkt in D²<br/>Koordinaten (x, y) ~ Uniform(D²)"]
M1 --> D1["Radiale Dichte<br/>f₁(r) = 2 / (π√(1 - r²))"]
M2 --> D2["Radiale Dichte<br/>f₂(r) = 1"]
M3 --> D3["Radiale Dichte<br/>f₃(r) = 2r"]
D1 --> P1["Wahrscheinlichkeit P₁ = 1/3 ≈ 0.3333"]
D2 --> P2["Wahrscheinlichkeit P₂ = 1/2 = 0.5000"]
D3 --> P3["Wahrscheinlichkeit P₃ = 1/4 = 0.2500"]
2. Strenge Herleitung der drei klassischen Lösungen und ihrer Dichtefunktionen
Bezeichnet $\theta \in [0, \pi]$ den Zentriwinkel der Sehne, $r \in [0, 1]$ den senkrechten Abstand des Sehnenmittelpunkts $M(x,y) = (r\cos\phi, r\sin\phi)$ vom Ursprung $O$ und $c$ die Sehnenlänge, so liefert der Satz des Pythagoras:
$$c = 2\sqrt{1 - r^2} = 2\sin\left(\frac{\theta}{2}\right), \qquad r = \cos\left(\frac{\theta}{2}\right) = \sqrt{1 - \frac{c^2}{4}}$$Das Ereignis $E = \{c > \sqrt{3}\}$ ist in allen drei Parametrisierungen exakt äquivalent zu:
$$c > \sqrt{3} \iff 2\sqrt{1 - r^2} > \sqrt{3} \iff 0 \le r < \frac{1}{2} \iff \theta \in \left(\frac{2\pi}{3}, \frac{4\pi}{3}\right)$$2.1 Methode 1: Zufällige Endpunkte auf dem Kreisumfang ($P_1 = 1/3$)
Man wählt zwei Punkte $A, B$ unabhängig und gleichverteilt auf der Kreislinie $S^1$. Dank Rotationssymmetrie $SO(2)$ fixieren wir $A$ bei $\theta = 0$ (einer Ecke des Dreiecks). Der zweite Endpunkt $B$ hat den Winkel $\theta \sim \text{Uniform}(0, 2\pi)$. Es gilt $c(\theta) > \sqrt{3}$ genau dann, wenn $\theta \in (2\pi/3, 4\pi/3)$:
$$P_1(c > \sqrt{3}) = \frac{4\pi/3 - 2\pi/3}{2\pi} = \frac{1}{3}$$Mit $r = \cos(\theta/2)$ auf $\theta \in [0, \pi]$ ($f_\Theta(\theta) = 1/\pi$) und der Funktionaldeterminante (Jacobi-Determinante) $\left|\frac{d\theta}{dr}\right| = \frac{2}{\sqrt{1 - r^2}}$ folgt für die Dichten von $r$ und $c$:
$$f_{R,1}(r) = \frac{2}{\pi\sqrt{1 - r^2}}, \qquad f_{C,1}(c) = \frac{2}{\pi\sqrt{4 - c^2}}, \qquad \mathbb{E}_1[c] = \frac{4}{\pi} \approx 1.2732$$2.2 Methode 2: Zufälliger radialer Abstand auf einem festen Radius ($P_2 = 1/2$)
Man wählt einen Radius unter dem Winkel $\phi \sim \text{Uniform}(0, 2\pi)$ und darauf den Abstand $r \sim \text{Uniform}(0, 1)$ gleichverteilt. Da die Dreiecksseite den Abstand $r_{\text{in}} = 1/2$ vom Zentrum hat, gilt $c > \sqrt{3} \iff 0 \le r < 1/2$:
$$P_2(c > \sqrt{3}) = \int_0^{1/2} 1\,dr = \frac{1}{2}, \qquad f_{R,2}(r) = 1, \qquad f_{C,2}(c) = \frac{c}{2\sqrt{4 - c^2}}, \qquad \mathbb{E}_2[c] = \frac{\pi}{2} \approx 1.5708$$2.3 Methode 3: Zufälliger Mittelpunkt gleichverteilt in der Kreisscheibe ($P_3 = 1/4$)
Jede Sehne ($r > 0$) ist eindeutig durch ihren Mittelpunkt $M(x, y) \in D^2$ bestimmt. Wählt man $(x, y)$ flächengleichverteilt auf der Einheitskreisscheibe $D^2$ ($f_{X,Y}(x,y) = 1/\pi$), so gilt $c > \sqrt{3}$ genau dann, wenn $M$ in der konzentrischen Inkreisscheibe $D_{1/2}$ mit Radius $1/2$ liegt:
$$P_3(c > \sqrt{3}) = \frac{\text{Fläche}(D_{1/2})}{\text{Fläche}(D_1)} = \frac{\pi (1/2)^2}{\pi (1)^2} = \frac{1}{4}$$Der Unterschied zwischen Methode 2 und Methode 3 resultiert aus der Polarkoordinaten-Jacobi-Determinante $dx\,dy = r\,dr\,d\phi$. Die Integration über $\phi \in [0, 2\pi)$ liefert die lineare Randdichte:
$$f_{R,3}(r) = \int_0^{2\pi} \frac{1}{\pi} r\,d\phi = 2r, \qquad f_{C,3}(c) = \frac{c}{2}, \qquad \mathbb{E}_3[c] = \frac{4}{3} \approx 1.3333$$| Merkmal | Methode 1: Zufällige Endpunkte | Methode 2: Zufälliger Radiusabstand | Methode 3: Zufälliger Mittelpunkt |
|---|---|---|---|
| Gleichverteilter Parameter | Winkel $\theta \sim U(0, \pi)$ | Abstand $r \sim U(0, 1)$ | Fläche $(x,y) \sim U(D^2)$ ($r^2 \sim U(0,1)$) |
| Maßelement $d\mathbb{P}(r,\phi)$ | $\dfrac{1}{\pi^2\sqrt{1 - r^2}}\,dr\,d\phi$ | $\dfrac{1}{2\pi}\,dr\,d\phi$ | $\dfrac{r}{\pi}\,dr\,d\phi = \dfrac{1}{\pi}\,dx\,dy$ |
| Radiale Dichte $f_R(r)$ | $\dfrac{2}{\pi\sqrt{1 - r^2}}$ | $1$ | $2r$ |
| Sehnenlängendichte $f_C(c)$ | $\dfrac{2}{\pi\sqrt{4 - c^2}}$ | $\dfrac{c}{2\sqrt{4 - c^2}}$ | $\dfrac{c}{2}$ |
| Wahrscheinlichkeit $P(c > \sqrt{3})$ | $1/3 \approx 0.3333$ | $1/2 = 0.5000$ | $1/4 = 0.2500$ |
| Erwartungswert $\mathbb{E}[c]$ | $4/\pi \approx 1.2732$ | $\pi/2 \approx 1.5708$ | $4/3 \approx 1.3333$ |
3. Die Krise des Laplaceschen Indifferenzprinzips und Keynes’ Wein-Wasser-Paradoxon (1921)
Pierre-Simon Laplace gründete die klassische Wahrscheinlichkeitstheorie auf das Prinzip vom unzureichenden Grund, das John Maynard Keynes (1921) in A Treatise on Probability als Indifferenzprinzip (Principle of Indifference) bezeichnete. Im Kontinuum führt die Gleichsetzung von Unwissenheit mit einer konstanten Dichte $f_X(x) = \text{const.}$ unter einer nichtlinearen Transformation $y = g(x)$ jedoch wegen der Jacobi-Determinante $\left|\frac{dx}{dy}\right|$ sofort in Widersprüche:
$$f_Y(y) = f_X\bigl(g^{-1}(y)\bigr)\left|\frac{dx}{dy}\right|$$Keynes’ Wein-Wasser-Paradoxon (1921) demonstriert dies eindrucksvoll:
- In einem Glas befindet sich ein Gemisch aus Wein und Wasser, wobei das Verhältnis $x = W_{\text{Wein}}/W_{\text{Wasser}}$ zwischen $1/3$ und $3$ liegt. Nimmt man $x \sim \text{Uniform}(1/3, 3)$ an, so ist der Median $x_{\text{med}} = 5/3$ und $P_X(x \le 2) = \frac{2 - 1/3}{3 - 1/3} = \frac{5}{8} = 0.625$.
- Dieselbe Information besagt jedoch für das reziproke Verhältnis $y = 1/x = W_{\text{Wasser}}/W_{\text{Wein}}$, dass $y \in [1/3, 3]$. Nimmt man $y \sim \text{Uniform}(1/3, 3)$ an, ist der Median ebenfalls $y_{\text{med}} = 5/3$ (im Widerspruch zu $x \cdot y = 1$!) und $P_Y(y \ge 1/2) = \frac{3 - 1/2}{3 - 1/3} = \frac{15}{16} = 0.9375 \neq \frac{5}{8}$.
4. Die drei modernen mathematischen Auflösungen
flowchart TD
Crisis["Krise des Laplaceschen Indifferenzprinzips<br/>Nichtlineare Transformation y = g(x) erzeugt Jacobi-Faktor |dx/dy|"]
Crisis --> R1["Auflösung 1: Kolmogorow (1933)<br/>Maßtheoretische Axiome (Ω, F, P)"]
Crisis --> R2["Auflösung 2: Jaynes (1973) & Integralgeometrie<br/>E(2)-invariantes kinematisches Maß"]
Crisis --> R3["Auflösung 3: Jeffreys (1946) & Informationsgeometrie<br/>Fisher-Informationsmetrik"]
R1 --> R1D["Ohne explizite Angabe des Wahrscheinlichkeitsmaßes P ist das Problem<br/>unvollständig gestellt; jede physikalische Prozedur definiert ein eigenes P."]
R2 --> R2D["Invarianz unter der euklidischen Bewegungsgruppe E(2) selektiert eindeutig<br/>das kinematische Maß dμ = dp dφ (Methode 2, P = 1/2, Cauchy-Crofton-Formel)."]
R3 --> R3D["Der Jeffreys-Prior p(θ) ∝ √det I(θ) bzw. das Haar-Maß dx/x<br/>garantiert exakte Invarianz unter Reparametrisierungen."]
4.1 Kolmogorows maßtheoretische Axiomatik $(\Omega, \mathcal{F}, \mathbb{P})$ (1933)
Andrei Kolmogorow zeigte 1933 in seinen Grundbegriffen der Wahrscheinlichkeitsrechnung, dass Wahrscheinlichkeit nur auf einem vollständig spezifizierten Wahrscheinlichkeitsraum $(\Omega, \mathcal{F}, \mathbb{P})$ definiert ist. Ohne Angabe des Maßes $\mathbb{P}$ ist die Phrase „zufällig gewählt“ mathematisch sinnlos (schlecht gestellt).
4.2 E. T. Jaynes’ Transformationsgruppen-Invarianz (1973) und Integralgeometrie
In seiner Arbeit “The Well-Posed Problem” (1973) bewies der Physiker Edwin T. Jaynes: Wenn man lange gerade Halme aus der Entfernung auf einen Kreis am Boden wirft, muss die Wahrscheinlichkeitsverteilung der Geraden $x\cos\phi + y\sin\phi = p$ invariant sein unter:
- Rotationen $SO(2)$: $h(p, \phi) = g(p)/(2\pi)$;
- Skalierungen (Einschränkung auf einen kleineren Kreis mit Radius $a < 1$);
- Translationen $\mathbb{R}^2$ (Euklidische Gruppe $E(2) = \mathbb{R}^2 \rtimes O(2)$): Bei einer Verschiebung des Ursprungs um $(x_0, y_0)$ gilt $p' = p - x_0\cos\phi - y_0\sin\phi$ und $\phi' = \phi$ mit der Jacobi-Determinante: $$J = \det\frac{\partial(p', \phi')}{\partial(p, \phi)} = \det\begin{pmatrix} 1 & x_0\sin\phi - y_0\cos\phi \\ 0 & 1 \end{pmatrix} = 1$$ Translationsinvarianz $g(p') = g(p)$ erzwingt eindeutig $g(p) = \text{const.}$!
Dies ist das berühmte kinematische Maß von Poincaré und Santaló der Integralgeometrie:
$$d\mu(L) = dp\,d\phi$$Nach der Cauchy-Crofton-Formel (die auch das Buffonsche Nadelproblem regiert) ist das kinematische Maß aller Geraden, die einen konvexen Körper $K \subset \mathbb{R}^2$ schneiden, gleich dessen Umfang $\text{Perimeter}(\partial K)$. Damit folgt sofort Methode 2 ($P = \frac{2\pi(1/2)}{2\pi(1)} = 1/2$) als einzige bewegungsinvariante Lösung.
4.3 Jeffreys-Prior und Reparametrisierungsinvarianz (1946)
In der Bayesschen Statistik löste Sir Harold Jeffreys (1946) das Problem durch das Volumenelement der Riemannschen Fisher-Informationsmatrix $I_{ij}(\theta) = -\mathbb{E}\left[\frac{\partial^2 \ln p(X\mid\theta)}{\partial\theta_i\partial\theta_j}\right]$:
$$p_J(\theta) \propto \sqrt{\det I(\theta)}$$Für das Wein-Wasser-Paradoxon liefert das skaleninvariante Haar-Maß der multiplikativen Gruppe $(\mathbb{R}_{>0}, \times)$, $d\mu(x) = \frac{dx}{x}$ mit Dichte $f(x) = \frac{1}{2\ln 3 \cdot x}$ auf $[1/3, 3]$, identische Dichten für $x$ und $y = 1/x$ sowie den konsistenten Median $x_{\text{med}} = y_{\text{med}} = 1$.
5. Python-Monte-Carlo-Simulation
| |