Satz Von Bayes on kenji.blog

„Positiv getestet“ = „Krank“? : Der Basisratenfehler

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

Jeder würde wohl in Panik geraten, wenn er bei einer Gesundheits- oder Krebsvorsorgeuntersuchung ein „positives“ (abnormales) Ergebnis erhält. Wenn man jedoch Kenntnisse in Statistik und Wahrscheinlichkeitsrechnung hat, kann man tief durchatmen und ruhig bleiben. Der Grund dafür ist: Nur weil ein hochgenauer Test positiv ausfällt, bedeutet das nicht unbedingt, dass die Wahrscheinlichkeit, tatsächlich krank zu sein, hoch ist.

Dies ist eine typische kognitive Verzerrung, die als „Basisratenfehler“ (Base Rate Fallacy) oder „Vernachlässigung der A-priori-Wahrscheinlichkeit“ bekannt ist, bei der die menschliche Intuition die Wahrscheinlichkeitsrechnung stark fehleinschätzt.

Das furchteinflößende Problem der Gesundheitsuntersuchung

Stellen Sie sich die folgende Situation vor:

In einer bestimmten Stadt gibt es eine unbekannte Krankheit, mit der 1 von 10.000 Personen (0,01%) infiziert ist. Um diese Krankheit zu erkennen, wurde ein hervorragendes Testkit mit einer „Genauigkeit von 99%“ entwickelt. (*Eine Genauigkeit von 99% bedeutet, dass bei einer kranken Person, die den Test macht, das Ergebnis mit 99%iger Wahrscheinlichkeit korrekterweise „positiv“ ist und bei einer gesunden Person mit 99%iger Wahrscheinlichkeit korrekterweise „negativ“.)

Sie machen diesen Test zufällig und das Ergebnis ist „positiv“. Nun, wie hoch ist die Wahrscheinlichkeit, dass Sie tatsächlich mit dieser Krankheit infiziert sind?

Viele Menschen würden intuitiv antworten: „Da die Genauigkeit des Tests 99% beträgt, liegt die Wahrscheinlichkeit, dass ich krank bin, ebenfalls bei 99%.“ Die mathematisch korrekte Antwort lautet jedoch: „ca. 0,98% (weniger als 1%)“.

Warum in aller Welt liegt die tatsächliche Wahrscheinlichkeit bei unter 1%, obwohl die Genauigkeit 99% beträgt?

Der Satz von Bayes und die Visualisierung des Ganzen

Der Schlüssel zur Lösung dieses Problems liegt darin, nicht nur die Genauigkeit des Tests zu berücksichtigen, sondern auch „wie selten die Krankheit ursprünglich ist (Basisrate/A-priori-Wahrscheinlichkeit)“. Lassen Sie uns dieses kontraintuitive Phänomen anhand einer großen Gruppe von 1.000.000 Menschen visualisieren.

Gesamtanzahl der Personen: 1.000.000
Tatsächlich kranke Personen (1 von 10.000): 100
Gesunde Personen: 999.900

Wir führen bei all diesen 1.000.000 Personen den Test mit „99% Genauigkeit“ durch.

1. Wenn tatsächlich kranke Personen (100) getestet werden

Da die Genauigkeit 99% beträgt, werden korrekterweise als „positiv“ beurteilt: 100 Personen × 99% = 99 Personen (Richtig positiv)

2. Wenn gesunde Personen (999.900) getestet werden

Da die Genauigkeit 99% beträgt, gibt es eine 1%ige Wahrscheinlichkeit, dass jemand fälschlicherweise als „positiv“ beurteilt wird (falsch positiv): 999.900 Personen × 1% = 9.999 Personen (Falsch positiv)

graph TD A["Gesamtbevölkerung (1.000.000 Personen)"] --> B["Kranke Personen (100 Personen)"] A --> C["Gesunde Personen (999.900 Personen)"] B -->|99% richtig| B1["Richtig positiv (99 Personen)"] B -->|1% falsch| B2["Falsch negativ (1 Person)"] C -->|99% richtig| C1["Richtig negativ (989.901 Personen)"] C -->|1% falsch| C2["Falsch positiv (9.999 Personen)"] B1 -.-> D{"Gesamtzahl der 'positiv' getesteten Personen: 10.098"} C2 -.-> D style A fill:#ECEFF1,stroke:#333 style B fill:#FFCDD2,stroke:#333 style C fill:#C8E6C9,stroke:#333 style B1 fill:#F44336,stroke:#333,color:#fff style C2 fill:#FF9800,stroke:#333,color:#fff style D fill:#FFF9C4,stroke:#333,stroke-width:2px

Die wahre Wahrscheinlichkeit, dass Sie krank sind

Nun hat Ihnen der Arzt mitgeteilt: „Sie sind positiv.“ Das bedeutet, dass Sie zur Gruppe unten rechts im Diagramm gehören, der „Gesamtzahl der ‘positiv’ getesteten Personen (10.098)“.

Wie hoch ist der Anteil der „tatsächlich kranken Personen (richtig positiv)“ innerhalb dieser Gruppe?

$$ \text{Wahrscheinlichkeit, wirklich krank zu sein} = \frac{\text{Richtig positiv}}{\text{Alle positiv Getesteten}} = \frac{99}{99 + 9.999} = \frac{99}{10.098} \approx 0,0098 $$

Das berechnete Ergebnis ist ca. 0,98%. Obwohl Sie „positiv“ getestet wurden, ist die Wahrscheinlichkeit, dass Sie gesund sind (falsch positiv), überwältigend höher (ca. 99%).

Warum irrt sich unsere Intuition?

Dieses Phänomen wird mathematisch durch den „Satz von Bayes“ zur Berechnung der bedingten Wahrscheinlichkeit erklärt, aber das menschliche Gehirn ist sehr schlecht darin, diese Berechnung durchzuführen.

Der Grund für unseren Fehler ist, dass wir von den unmittelbaren, spezifischen und eindringlichen Informationen („Ihr Testergebnis ist positiv! Die Genauigkeit beträgt 99%!“) abgelenkt werden und die riesigen, langweiligen statistischen Daten im Hintergrund ignorieren („Von vornherein ist nur 1 von 10.000 Personen an dieser Krankheit erkrankt (Basisrate)“).

Da die „Seltenheit der Krankheit (0,01%)“ weitaus extremer ist als die „Ungenauigkeit des Tests (1%)“, schluckt ein winziger Testfehler im Handumdrehen die tatsächliche Anzahl der kranken Personen.

Der in der Gesellschaft lauernde „Basisratenfehler“

Diese Illusion führt nicht nur in der Medizin, sondern auch in vielen anderen Situationen zu Panik und Fehleinschätzungen.

Gesichtserkennungssysteme und Terroristen: Selbst wenn eine Gesichtserkennungskamera mit 99,9%iger Genauigkeit einen „Terroristen“ am Flughafen identifiziert, ist die Basiswahrscheinlichkeit von Terroristen so extrem niedrig, dass die meisten der Gefassten unschuldige Zivilisten mit ähnlich aussehenden Gesichtern (falsch positiv) sein werden.
Verkehrsunfälle und ältere Fahrer: Auch wenn man in den Nachrichten hört: „〇〇% der Autos, die einen Unfall verursacht haben, wurden von älteren Menschen gefahren“, und man dies als gefährlich empfindet, kann man nicht wissen, ob eine bestimmte Altersgruppe wirklich anfälliger für Unfälle ist, ohne „den Anteil der älteren Menschen an allen Fahrern auf der Straße überhaupt (Basisrate)“ zu berücksichtigen.

Der „Basisratenfehler“ lehrt uns die Wichtigkeit des statistischen Denkens: Gerade wenn wir schockierende Zahlen oder Einzelfälle sehen, müssen wir uns fragen, „wie wahrscheinlich es überhaupt ist, dass dies im Gesamtzusammenhang passiert (Basisrate)“.

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.

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.