Wahrscheinlichkeitsparadoxien — Wenn Intuition lügt

Einführung

Unser Gehirn ist schlecht in Wahrscheinlichkeiten. Es ist evolutionär auf schnelle Urteile optimiert, nicht auf präzises Schätzen seltener Ereignisse. Das Ergebnis: systematische Denkfehler, die selbst Mathematiker und Richter anfällig machen. Wahrscheinlichkeitsparadoxien sind Fälle, wo die mathematisch korrekte Antwort so kontraintuitiv ist, dass sie beim ersten Mal fast niemand glaubt — und trotzdem stimmt.

Grundidee

Paradoxien in der Wahrscheinlichkeitsrechnung entstehen, weil Intuition oft auf falschen Annahmen beruht: Man ignoriert Kontextinformationen (bedingte Wahrscheinlichkeit), unterschätzt den Zufall bei kleinen Stichproben oder vermischt Prozentzahlen aus unterschiedlichen Grundgesamtheiten. Mathematik liefert das Werkzeug, diese Fehler aufzudecken.

Erklärung

Das Monty-Hall-Problem

Ein Spieler steht vor drei Toren. Hinter einem befindet sich ein Auto, hinter den anderen zwei je eine Ziege. Der Spieler wählt Tor 1. Der Moderator (der weiß, wo das Auto ist) öffnet Tor 3 — dahinter ist eine Ziege. Nun die Frage: Soll der Spieler bei Tor 1 bleiben oder zu Tor 2 wechseln?

Intuition sagt: Es macht keinen Unterschied — 50:50.

Mathematisch korrekt: Wechseln ist doppelt so gut!

Warum? Wenn der Spieler bei Tor 1 bleibt, gewinnt er nur, wenn er anfangs richtig geraten hat (Wahrscheinlichkeit $\frac{1}{3}$). Wenn er wechselt, gewinnt er in genau den Fällen, wo er anfangs falsch lag (Wahrscheinlichkeit $\frac{2}{3}$) — denn dann muss das Auto hinter dem verbleibenden Tor sein.

Szenario (Wahrsch.)	Bleibt bei 1	Wechselt zu 2
Auto bei 1 ($\frac{1}{3}$)	✓ Gewinn	✗ Verlust
Auto bei 2 ($\frac{1}{3}$)	✗ Verlust	✓ Gewinn
Auto bei 3 ($\frac{1}{3}$)	✗ Verlust	✓ Gewinn

Fazit: Wechseln gewinnt mit $P = \frac{2}{3}$, Bleiben nur mit $P = \frac{1}{3}$.

Das Geburtstagsparadoxon

Wie viele Personen braucht man in einem Raum, damit die Wahrscheinlichkeit, dass zwei davon am selben Tag Geburtstag haben, größer als 50 % ist?

Intuition sagt: Mehrere Hundert (schließlich gibt es 365 Tage).

Mathematisch korrekt: Bereits 23 Personen reichen.

Rechnung: Einfacher zu berechnen ist das Gegenereignis — niemand teilt einen Geburtstag:

$P(\text{alle verschieden}) = \frac{365}{365} \cdot \frac{364}{365} \cdot \frac{363}{365} \cdots \frac{365-n+1}{365}$

Für $n = 23$: $P(\text{alle verschieden}) \approx 0{,}493$, also $P(\text{mindestens ein Paar}) \approx 50{,}7\%$.

Personen	Wahrscheinlichkeit (min. 1 Paar)
10	$\approx 11{,}7\%$
23	$\approx 50{,}7\%$
50	$\approx 97{,}0\%$
70	$\approx 99{,}9\%$

Das Paradoxon liegt darin, dass wir die Anzahl der Paare unterschätzen: Bei 23 Personen gibt es $\binom{23}{2} = 253$ Paare — jedes mit Chance $\frac{1}{365}$, denselben Geburtstag zu haben.

Das Simpson-Paradoxon

Ein Effekt, der in mehreren Gruppen in eine Richtung zeigt, kann in der kombinierten Gruppe in die entgegengesetzte Richtung zeigen, wenn die Gruppen unterschiedlich groß sind.

Beispiel: Zwei Behandlungen A und B:

Gruppe	Behandlung A	Behandlung B
Leichte Fälle	81/87 = 93%	234/270 = 87%
Schwere Fälle	192/263 = 73%	55/80 = 69%
Gesamt	273/350 = 78%	289/350 = 83%

Behandlung A ist in beiden Gruppen besser, aber in der Gesamtauswertung schlechter! Der Grund: Behandlung B wurde viel häufiger bei leichten Fällen eingesetzt (die einfacher zu behandeln sind).

Das Simpson-Paradoxon zeigt: Man darf Prozentzahlen aus unterschiedlichen Grundgesamtheiten nicht einfach addieren.

Gambler’s Fallacy (Spielerfehlschluss)

Irrtum: Nach einer langen Pechsträhne (z. B. 10-mal Zahl beim Münzwurf) ist Kopf jetzt „überfällig”.

Wahrheit: Jeder Münzwurf ist unabhängig. Die Münze hat kein Gedächtnis. Die Wahrscheinlichkeit für Kopf bleibt immer $\frac{1}{2}$.

Das Gesetz der großen Zahlen sagt: Im Limit wird die relative Häufigkeit gegen $\frac{1}{2}$ gehen — aber durch neues Gleichgewicht, nicht durch Kompensation alter Ergebnisse.

Base-Rate-Neglect und das Bayes-Theorem

Beispiel: Ein Medizintest auf eine Krankheit, die 1 von 1000 Menschen hat, ist 99% sensitiv (erkennt Kranke) und 99% spezifisch (keine Fehlalarme bei Gesunden). Dein Test ist positiv — wie wahrscheinlich bist du krank?

Intuition sagt: 99%.

Bayes-Theorem:

$P(\text{krank} \mid \text{positiv}) = \frac{P(\text{positiv} \mid \text{krank}) \cdot P(\text{krank})}{P(\text{positiv})}$

Von 1000 Personen:

• 1 krank → Test positiv (true positive): 0,99 Personen
• 999 gesund → Test positiv (false positive): $999 \cdot 0{,}01 = 9{,}99$ Personen

$P(\text{krank} \mid \text{positiv}) = \frac{0{,}99}{0{,}99 + 9{,}99} \approx 9\%$

Der positive Test bedeutet trotz 99% Genauigkeit nur 9% Erkrankungswahrscheinlichkeit — weil die Erkrankung so selten ist (niedrige Basisrate).

Beispiel aus dem Alltag

Gerichtsurteile: Der „Prosecutor’s Fallacy” ist eine Verwechslung bedingter Wahrscheinlichkeiten im Gericht. Ein DNA-Test ist 1-zu-1-Million falsch positiv. Der Staatsanwalt schließt: „Also ist die Wahrscheinlichkeit von Unschuld 1 zu einer Million.” Falsch — das ignoriert, wie viele Menschen das Profil prinzipiell teilen könnten.

Spielcasino: Roulette-Tafeln zeigen die letzten Zahlen — Casinos nutzen das, um Gambler’s Fallacy auszunutzen. Spieler setzen auf Zahlen, die „fällig” sind. Das Rad hat kein Gedächtnis.

Medizintests: Screening-Programme bei seltenen Krankheiten führen zu vielen falschen Alarmen — genau wegen der Base-Rate, wie oben berechnet. Daher empfehlen Leitlinien Screening nur bei Risikogruppen.

Anwendung

Aufgabe: Bei einem Test auf eine Erbkrankheit (Prävalenz: 2%) zeigt der Test bei Kranken in 95% der Fälle positiv an, bei Gesunden in 5% der Fälle fälschlicherweise positiv. Eine Person testet positiv. Wie hoch ist die Wahrscheinlichkeit, dass sie wirklich krank ist?

Lösung (mit Bayes):

• $P(\text{krank}) = 0{,}02$, $P(\text{gesund}) = 0{,}98$
• $P(\text{pos} \mid \text{krank}) = 0{,}95$, $P(\text{pos} \mid \text{gesund}) = 0{,}05$

$P(\text{pos}) = 0{,}02 \cdot 0{,}95 + 0{,}98 \cdot 0{,}05 = 0{,}019 + 0{,}049 = 0{,}068$

$P(\text{krank} \mid \text{pos}) = \frac{0{,}019}{0{,}068} \approx 27{,}9\%$

Trotz positivem Test: Nur etwa 28% Wahrscheinlichkeit für Erkrankung.

Typische Fehler

Beim Monty-Hall-Problem die neue Information ignorieren: Viele denken, nach dem Öffnen eines Tores sei es 50:50. Aber die Wahl des Moderators ist nicht zufällig — er wählt immer ein Tor mit Ziege. Das überträgt Wahrscheinlichkeit auf das andere Tor.

Beim Simpson-Paradoxon Prozentzahlen ohne Grundgesamtheit addieren: Man muss immer fragen: Prozentzahl von wie vielen? Prozentzahlen aus unterschiedlich großen Gruppen dürfen nicht direkt verglichen oder addiert werden.

Zusammenfassung

Merke dir:

• Monty-Hall: Wechseln gewinnt mit $\frac{2}{3}$ — die Handlung des Moderators ist informativ
• Geburtstagsparadoxon: Bei 23 Personen > 50% Wahrscheinlichkeit für geteilten Geburtstag — weil Paare quadratisch wachsen
• Simpson-Paradoxon: Aggregation kann Richtung eines Effekts umkehren — immer Grundgesamtheiten prüfen
• Gambler’s Fallacy: Unabhängige Ereignisse haben kein Gedächtnis
• Base-Rate-Neglect: Seltene Ereignisse haben hohe Falschpositivrate — Basisrate immer einbeziehen
• Bayes-Theorem: korrekte Formel für bedingte Wahrscheinlichkeit unter neuer Evidenz

Quiz

Frage 1: Beim Monty-Hall-Problem: Warum verdoppelt sich die Gewinnchance beim Wechseln, wenn der Moderator ein Tor mit Ziege öffnet?

Frage 2: Wie viele Paare gibt es in einer Gruppe von 30 Personen? Was sagt das über das Geburtstagsparadoxon?

Frage 3: Was ist der Kern des Simpson-Paradoxons und wie kann man es vermeiden?

Frage 4: Eine Krankheit tritt bei 0,1% der Bevölkerung auf. Ein Test ist zu 99% sensitiv und zu 99% spezifisch. Wie hoch ist die positive Vorhersagekraft (PPV), also $P(\text{krank} \mid \text{positiv})$?