Statistik on kenji.blog

Deine Freunde haben mehr Freunde als du: Das Freundschaftsparadoxon

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

„Die Leute um mich herum scheinen mehr Freunde zu haben und mehr Spaß zu haben als ich…“ Hast du dich jemals so gefühlt, während du durch soziale Medien gescrollt hast?

Tatsächlich liegt dieses Gefühl weder an deiner Persönlichkeit noch an mangelnder Beliebtheit. Es handelt sich um eine mathematische Tatsache, die durch die Netzwerktheorie und die Statistik bewiesen wurde, bekannt als das „Freundschaftsparadoxon“ (Friendship Paradox).

Dieses Paradoxon, das 1991 vom Soziologen Scott Feld entdeckt wurde, erklärt das kontraintuitive Phänomen, dass „die meisten Menschen weniger Freunde haben als ihre eigenen Freunde“.

Warum haben „Freunde mehr Freunde“?

Kurz gesagt, dies liegt an einer einfachen Verzerrung der Stichprobe (Sampling Bias), bei der „Menschen mit vielen Freunden (beliebte Personen) auf den Freundeslisten vieler anderer auftauchen“.

Betrachten wir ein einfaches Netzwerk (einen Graphen).

graph TD A["Alice (1 Freund)"] --- C["Charlie (3 Freunde)"] B["Bob (1 Freund)"] --- C C --- D["David (1 Freund)"] style A fill:#4FC3F7,stroke:#333,stroke-width:2px style B fill:#4FC3F7,stroke:#333,stroke-width:2px style C fill:#FF9800,stroke:#333,stroke-width:4px style D fill:#4FC3F7,stroke:#333,stroke-width:2px

In dieser kleinen Welt gibt es vier Personen: Alice, Bob, Charlie und David. Charlie ist die „beliebte Person“ und mit allen anderen drei befreundet. Die anderen drei sind nur mit Charlie befreundet.

Schauen wir uns die Anzahl der Freunde jedes Einzelnen an.

Anzahl der Freunde von Alice: 1 Person
Anzahl der Freunde von Bob: 1 Person
Anzahl der Freunde von David: 1 Person
Anzahl der Freunde von Charlie: 3 Personen Die durchschnittliche Anzahl der Freunde für alle beträgt $(1 + 1 + 1 + 3) / 4 = 1.5 \text{ Personen}$.

Lass uns nun die „durchschnittliche Anzahl der Freunde der Freunde jedes Einzelnen“ berechnen.

Anzahl der Freunde von Alices Freund (Charlie): 3 Personen
Anzahl der Freunde von Bobs Freund (Charlie): 3 Personen
Anzahl der Freunde von Davids Freund (Charlie): 3 Personen
Durchschnittliche Anzahl der Freunde von Charlies Freunden (Alice, Bob, David): $(1 + 1 + 1) / 3 = 1 \text{ Person}$

Jetzt vergleichen wir jeweils „sich selbst“ mit dem „Durchschnitt der eigenen Freunde“.

Alice: Selbst (1) < Durchschnitt der Freunde (3)
Bob: Selbst (1) < Durchschnitt der Freunde (3)
David: Selbst (1) < Durchschnitt der Freunde (3)
Charlie: Selbst (3) > Durchschnitt der Freunde (1)

Drei von vier Personen (75%) befinden sich in einer Situation, in der „ihre Freunde mehr Freunde haben als sie selbst“. Die Präsenz des beliebten Charlie zieht den „Durchschnitt der Freunde“ für alle um ihn herum stark nach oben.

Mathematischer Beweis: Varianz ist der Schlüssel

Drücken wir dies durch eine mathematische Formel aus. In der Netzwerktheorie sei die Anzahl der Freunde (der Grad) einer bestimmten Person $v$ gleich $k(v)$. Sei $\mu$ die durchschnittliche Anzahl der Freunde im gesamten Netzwerk und $\sigma^2$ die Varianz der Anzahl der Freunde.

Nach Felds Beweis ist der erwartete Wert der „Anzahl der Freunde eines zufällig ausgewählten Freundes“ wie folgt:

$$ \text{Durchschnittliche Anzahl der Freunde von Freunden} = \mu + \frac{\sigma^2}{\mu} $$

Die Varianz $\sigma^2$ ist immer ein Wert von 0 oder größer. Das heißt, abgesehen von der unmöglichen Situation, in der jeder exakt die gleiche Anzahl von Freunden hat ($\sigma^2 = 0$), gilt immer die folgende Ungleichung:

$$ \mu + \frac{\sigma^2}{\mu} > \mu $$

Die „durchschnittliche Anzahl der Freunde von Freunden“ ist immer größer als die „durchschnittliche Anzahl der Freunde insgesamt“.

In der realen Welt und in den sozialen Medien (wie X oder Instagram) hat ein sehr kleiner Teil der Menschen Millionen von Followern (Freunden), während die überwiegende Mehrheit nur ein paar Dutzend bis ein paar Hundert hat. Das bedeutet, dass die Varianz $\sigma^2$ extrem groß ist, was den Effekt dieses Paradoxons noch viel stärker macht.

Anwendung: Pandemien und Impfungen

Das Freundschaftsparadoxon geht über die bloße Psychologie der sozialen Medien hinaus. Es hat hochwirksame Anwendungen bei realen gesellschaftlichen Herausforderungen gefunden, insbesondere bei Maßnahmen gegen Infektionskrankheiten.

Angenommen, es gibt nur eine begrenzte Anzahl von Impfstoffen, und du bist dir unsicher, wem sie verabreicht werden sollen. Es gibt eine Methode, die effektiver ist als eine zufällige Verteilung.

Wähle zufällig Personen aus.
Impfe nicht diese Personen selbst, sondern diejenigen, die sie als ihre „Freunde“ benennen.

Warum das so ist? Wegen des Freundschaftsparadoxons haben die „Freunde“ von zufällig ausgewählten Personen im Durchschnitt eine höhere Wahrscheinlichkeit, mehr Verbindungen (also Knotenpunkte oder Hubs) zu haben. Durch die bevorzugte Impfung von Personen mit vielen Verbindungen kann die Ausbreitung der Infektion im gesamten Netzwerk drastisch verlangsamt werden.

Fazit

Wenn du in die sozialen Medien schaust und denkst: „Alle haben mehr Freunde als ich und führen ein erfüllteres Leben“, ist das keine Illusion, sondern eine mathematische Unvermeidbarkeit, die durch die Struktur des Netzwerks entsteht.

Da beliebte Personen in den Netzwerken so vieler Menschen auftauchen, sind wir unweigerlich gezwungen, fast nur „überdurchschnittlich beliebte Personen“ als unsere Stichproben zu beobachten. Wenn du das nächste Mal Gefahr läufst, dich wegen der sozialen Medien niedergeschlagen zu fühlen, erinnere dich bitte an diese Formel:

$$ \mu + \frac{\sigma^2}{\mu} > \mu $$

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.

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.