Glück verstehen – 5 statistische Kernkonzepte intuitiv erklärt
Veröffentlicht am: 25. Juni 2026
Power Law
In vielen natürlichen und sozialen Systemen verteilt sich Erfolg nicht gleichmäßig, sondern folgt einem starken Ungleichgewicht: wenige Akteure dominieren, während die Mehrheit kaum sichtbar ist. Das zeigt sich etwa in sozialen Netzwerken, wo ein kleiner Teil der Inhalte den Großteil der Aufmerksamkeit erhält. Mathematisch beschreibt Power Law genau diese “Heavy-Tail”-Verteilung, bei der extreme Werte viel häufiger auftreten, als es bei einer Normalverteilung der Fall wäre.
Bayes Theorem
Ein medizinischer Test fällt positiv aus und sofort entsteht der Eindruck: “Ich habe die Krankheit wahrscheinlich.” Bayes zeigt, warum diese Intuition oft täuscht.
Angenommen, eine Krankheit betrifft nur 1 von 10.000 Menschen. Der Test ist sehr genau und liegt in 99 % der Fälle richtig. Intuitiv wirkt ein positives Ergebnis daher fast sicher. Entscheidend ist aber die Grundhäufigkeit: Es gibt extrem viele Gesunde und nur sehr wenige Kranke.
Von 10.000 Menschen ist im Schnitt 1 krank und wird meist korrekt erkannt. Gleichzeitig sind 9.999 gesund, und selbst bei nur 1 % Fehlerrate entstehen daraus rund 100 falsche Positive. Damit gibt es nach einem positiven Test viel mehr falsche als echte Fälle. Das Ergebnis: Trotz 99 % Testgenauigkeit liegt die tatsächliche Wahrscheinlichkeit krank zu sein nach einem positiven Ergebnis nur bei etwa 1 %.
Survivorship Bias
Im Zweiten Weltkrieg wollte man herausfinden, wie man Flugzeuge besser gegen Treffer schützen kann. Zur Analyse untersuchte man zurückkehrende Jets und markierte die Stellen mit den meisten Einschusslöchern. Die intuitive Schlussfolgerung war: Genau diese Bereiche sollten verstärkt werden.
Der Statistiker Abraham Wald zeigte jedoch das Gegenteil. Die Daten kamen nur von Flugzeugen, die überlebt hatten. Die Einschusslöcher zeigen also nicht die gefährlichen Stellen, sondern die robusten Bereiche – denn diese Jets konnten trotz Treffer noch zurückfliegen.
Die wirklich kritischen Treffer waren genau dort, wo man keine Einschusslöcher sah: Bereiche, bei denen ein Treffer zum Absturz führte, sodass diese Flugzeuge gar nicht in der Stichprobe auftauchten.
Die richtige Entscheidung war daher nicht, die markierten Stellen zu verstärken, sondern die “leeren” Bereiche zu schützen. Dieses Beispiel zeigt den Kern des Survivorship Bias: Wenn man nur die Überlebenden betrachtet, übersieht man systematisch die Ursachen des Scheiterns.
© Martin Grandjean (vector), McGeddon (picture), US Air Force (hit plot concept)
Hawthorne Effect
Der Hawthorne-Effekt beschreibt, dass Menschen ihr Verhalten verändern, sobald sie wissen, dass sie beobachtet werden – unabhängig von der eigentlichen Maßnahme.
Ein Beispiel: Eine Firma führt eine Tracking-App ein, die Produktivität misst. Kurz danach steigt die Leistung deutlich. Man könnte denken, die App verbessert die Arbeit. Tatsächlich arbeiten viele Mitarbeiter einfach bewusster und strukturierter, weil sie wissen, dass alles sichtbar ist.
Wird die Beobachtung später reduziert, sinkt die Leistung oft wieder, obwohl sich die Arbeitsbedingungen nicht geändert haben. Der Effekt zeigt damit: Nicht die Maßnahme selbst, sondern das Gefühl, beobachtet zu werden, kann Verhalten verändern.
Confirmation Bias
Der Confirmation Bias beschreibt die Tendenz, Informationen so auszuwählen und zu interpretieren, dass sie die eigene bestehende Meinung bestätigen.
Ein Beispiel: Jemand ist überzeugt, dass ein bestimmtes Trainingsprogramm wirkt. Er merkt sich sofort alle Erfolgsgeschichten und sucht aktiv nach weiteren positiven Berichten. Fälle, in denen es nicht funktioniert, werden dagegen als “Ausnahmen” abgetan oder gar nicht erst wahrgenommen. So entsteht der Eindruck, die eigene Meinung sei eindeutig richtig, obwohl eigentlich nur selektiv gefiltert wurde.
Ein klassischer Alltagsvergleich ist auch die Art, wie Menschen im Internet diskutieren: Wer einmal überzeugt ist, findet fast immer genau die Quellen, die die eigene Sicht stützen.
Und ja, selbst bei kontroversen Themen lässt sich das Muster erkennen: Wer etwa an eine flache Erde glaubt, findet im Netz problemlos “Belege”, während wissenschaftliche Gegenargumente ignoriert werden.
Passende Literatur- und Medienempfehlungen
- The Signal and the Noise von Nate Silver
- Thinking, Fast and Slow von Daniel Kahneman
- The Art of Statistics von David Spiegelhalter