Startseite
Podcasts
Prof. Dr. Christian Rieck Podcast
339. Vier AfD-Kandidaten vor der Wahl gestorben: Zufall? (Wahrscheinlichkeit mittels Poisson-Verteilung) - Prof Rieck

339. Vier AfD-Kandidaten vor der Wahl gestorben: Zufall? (Wahrscheinlichkeit mittels Poisson-Verteilung) - Prof Rieck

Prof. Dr. Christian Rieck vor 1 Jahr

0:00

34:18

Es gibt eine auffällige Häufung von Todesfällen unter
AfD-Kandidaten vor der Kommunal-Wahl in Nordrhein-Westfalen. Wie
wahrscheinlich ist es, dass dies ein zufälliges Ereignis ist? Im
Video wird eine Abschätzung mittels Poisson-Verteilung
vorgenommen und mit einer Monte-Carlo-Simulation überprüft.

Infos zu den Todesfällen:
https://www.nzz.ch/international/sech...

WEITERE INFORMATIONEN VON TEAM RIECK:

1. Statistische Grundkonzepte &
Fallstricke

Häufungen wirken oft auffälliger, als sie statistisch sind.
Zentrales Problem: das Multiple-Testing (Look-Elsewhere-Effekt).
Ex post wirkt ein seltenes Ereignis überraschend, ex ante ist die
Wahrscheinlichkeit für irgendeine Auffälligkeit viel höher.
Beispiel: Ein beliebiges auffälliges Kfz-Kennzeichen zu sehen ist
wahrscheinlich, ein exakt vorhergesagtes extrem
unwahrscheinlich.

Die Poisson-Verteilung ist für seltene Ereignisse in großen
Populationen handlicher als die Binomialverteilung.

Ein Signifikanzniveau (z. B. 0,34%) zeigt Seltenheit, ist aber
kein Beweis für Kausalität. Es rechtfertigt nur weitere Prüfung.

2. Ereignisdefinition & Datenbasis

Die Wahrscheinlichkeit hängt stark ab von:

Zahl der Fälle (genau k vs. mindestens k).

Abgegrenzter Population (nur Partei A oder alle Kandidaten).

Zeitfenster (Monat vs. Jahr).

Seriöse Schätzungen erfordern Sterbetafeln, die Alters- und
Geschlechtsstruktur der Kandidaten und den exakten Zeitraum.
Ohne diese bleibt alles spekulativ.

3. Kontext & Vergleiche

Eine isolierte Zahl ist bedeutungslos. Notwendig ist:

Altersstruktur: Parteien mit älteren Kandidaten haben höhere
Grundsterblichkeit.

Vergleich zu anderen Parteien: Nur einseitige Häufungen sind
auffällig.

Historische Daten: Gab es ähnliche Schwankungen früher? Dies
kalibriert die Erwartung.

4. Alternative Erklärungen

Clustering: Räumliche oder zeitliche
Häufungen entstehen zufällig und sind kein Kausalbeweis.

Medienecho: Früh mediale Aufmerksamkeit
erhöht die Wahrnehmung weiterer Fälle, die sonst unbeachtet
geblieben wären. So entsteht ein scheinbarer Trend.

5. Handlungsempfehlungen

Aktuar-Gutachten: Erwartete Todesfälle
berechnen, mit Demografie und Zeitraum.

Forensik: Obduktionen klären natürliche vs.
unnatürliche Ursachen.

Transparente Schwellenwerte: Klare
Kriterien, ab wann Zufall nicht mehr plausibel ist und
Ermittlungen nötig sind.

6. Kognitive Verzerrungen

Confirmation Bias: Daten werden passend zur
eigenen Überzeugung interpretiert.

Ankerheuristik: Erste, oft falsche
Schätzwerte prägen die Debatte.

Gegenmittel: Systematische
Gedankenexperimente und kritische Reflexion.

#profrieck #afd #wahrscheinlichkeit