Overdispersed and Markovian Children

Der Artikel widerlegt die Annahme, dass die Geschlechterverteilung von Kindern rein zufällig sei, und zeigt durch Datenanalyse, dass die Wahrscheinlichkeiten leicht unausgewogen, familienabhängig und sequenziell korreliert sind, wobei gleichzeitig der Einfluss der Stichprobengröße auf statistische Signifikanz diskutiert wird.

Das Wesentliche

Die Geschichte von den „verrückten Münzen" und den Familien

Stell dir vor, du gehst durch eine Stadt und zählst die Kinder. Du siehst Jungs und Mädchen. Auf den ersten Blick scheint es ein perfektes 50-50-Spiel zu sein, wie das Werfen einer fairen Münze: Kopf (Junge) oder Zahl (Mädchen). Jeder denkt: „Na klar, die Natur ist fair."

Aber der Autor dieses Artikels, Nils Lid Hjort, hat sich genauer hingesetzt und gesagt: „Moment mal. Wenn wir wirklich genau hinsehen, ist die Natur nicht ganz so fair, und sie ist auch nicht ganz so zufällig, wie wir denken."

Er hat sich alte Daten aus Sachsen (Deutschland) aus dem späten 19. Jahrhundert angesehen. Dort gab es fast 38.500 Familien, die jeweils mindestens 8 Kinder hatten. Das ist eine riesige Menge an Daten – wie ein Ozean an Informationen.

Hier sind die drei großen Entdeckungen, die er gemacht hat, erklärt mit einfachen Bildern:

1. Die Münze ist nicht ganz fair (Die leichte Verzerrung)

Wenn du eine Münze 100-mal wirfst, erwartest du 50 Kopf und 50 Zahl. Hjort hat aber herausgefunden, dass die „Münze der Natur" bei der Geburt von Kindern leicht schief liegt.

• Die Realität: Es werden etwas mehr Jungs geboren als Mädchen. Das Verhältnis ist etwa 51,5 % Jungs zu 48,5 % Mädchen.
• Warum ist das schwer zu merken? Stell dir vor, du wirfst eine Münze 100-mal. Du wirst vielleicht 52-mal Kopf sehen. Das ist normaler Zufall. Aber wenn du 15.000-mal wirfst, wird der Unterschied zwischen 50 % und 48,5 % so groß, dass du nicht mehr sagen kannst: „Das war nur Zufall." Du brauchst also einen riesigen Datenberg, um diesen kleinen „Fehler" in der Münze zu beweisen. Hjort zeigt uns, dass man heute dank moderner Computer und riesiger Datenbanken endlich sicher sagen kann: „Die Natur bevorzugt Jungs ein winziges bisschen."

2. Die Familien haben ihre eigenen „Regeln" (Die Überstreuung)

Das ist der spannendste Teil. Stell dir vor, jede Familie hat ihre eigene, unsichtbare Münze.

• Die einfache Theorie (Binomial): Alle Familien nutzen exakt dieselbe Münze mit 48,5 % Wahrscheinlichkeit für ein Mädchen.
• Die echte Welt (Beta-Binomial): Hjort hat gesehen, dass es mehr Familien gibt, die nur Mädchen haben, und mehr Familien, die nur Jungs haben, als die einfache Theorie vorhersagen würde.
• Die Analogie: Stell dir vor, du hast 100 Gläser mit Wasser. In jedem Glas ist ein bisschen Salz.
  • Die einfache Theorie sagt: „Jedes Glas hat exakt 1 Gramm Salz."
  • Hjort sagt: „Nein, manche Gläser haben 0,8 Gramm, manche 1,2 Gramm."
  • Wenn du jetzt versuchst, die Verteilung vorherzusagen, wirst du überrascht sein, wie viele Gläser am extremen Ende stehen (sehr wenig oder sehr viel Salz).
  • Was bedeutet das für Kinder? Es gibt Familien, bei denen die „Münze" für Mädchen etwas schwerer ist, und Familien, bei denen sie etwas leichter ist. Es ist nicht immer exakt 48,5 %. Diese kleine Variation von Familie zu Familie führt dazu, dass es mehr „Rein-Jungs-Familien" und mehr „Rein-Mädchen-Familien" gibt, als man bei einer perfekten 50-50-Verteilung erwarten würde.

3. Die Kinder beeinflussen sich gegenseitig (Markov-Kinder)

Hjort hat sich noch eine weitere Frage gestellt: Beeinflusst das Geschlecht des ersten Kindes das des zweiten?

• Die Idee: Wenn du ein Mädchen hast, ist die Wahrscheinlichkeit für das nächste Kind vielleicht ein winziges bisschen höher (oder niedriger), ein Mädchen zu bekommen.
• Das Ergebnis: Ja, es gibt einen sehr, sehr kleinen Effekt. Wenn du ein Mädchen hast, ist die Chance für das nächste Mädchen minimal höher. Es ist wie eine kleine „Trägheit" in der Natur. Aber dieser Effekt ist so klein, dass man ihn nur mit den riesigen Datenmengen aus Sachsen überhaupt entdecken kann. Bei kleineren Datenmengen würde man denken, es gäbe gar keinen Zusammenhang.

Warum ist das alles wichtig? (Die Lehre von der großen Zahl)

Der Autor möchte uns vor allem eines lehren: Die Größe der Datenmenge ist alles.

• Das P-Value-Problem: Stell dir vor, du findest einen kleinen Unterschied zwischen zwei Gruppen. Ist das ein echter Effekt oder nur Zufall?
  • Wenn du nur 100 Familien ansiehst, ist der Unterschied vielleicht zu klein, um ihn zu beweisen. Du würdest sagen: „Das war Zufall."
  • Wenn du 38.000 Familien ansiehst, wird derselbe kleine Unterschied plötzlich zu einem riesigen, unbestreitbaren Beweis.
• Hjort zeigt, dass wir oft denken, ein Effekt sei „nicht signifikant", nur weil wir nicht genug Daten haben. Mit modernen Datenbanken können wir heute winzige Muster erkennen, die früher unsichtbar waren.

Fazit

Die Natur ist nicht wie ein perfekter Automat, der immer exakt das Gleiche produziert.

1. Sie ist leicht verzerrt (etwas mehr Jungs).
2. Jede Familie hat ihre eigene kleine „Schwankung" (manche haben mehr Jungs, manche mehr Mädchen, als der Durchschnitt).
3. Es gibt winzige Zusammenhänge zwischen den Geschwistern.

Und das Wichtigste: Um diese kleinen Geheimnisse der Natur zu entschlüsseln, braucht man nicht nur ein gutes Auge, sondern einen riesigen Berg an Daten. Ohne die riesige Datenbank aus Sachsen wären diese kleinen, aber wichtigen Details für immer ein Rätsel geblieben.

Kurz gesagt: Die Natur spielt nicht mit perfekten Würfeln, sondern mit leicht ungleichen Würfeln, die von Familie zu Familie ein bisschen anders gewichtet sind. Und nur wer genug Würfe zählt, kann das Muster erkennen.

Technische Zusammenfassung

Titel: Überdispersion und Markov-Kinder (Overdispersed and Markovian Children)

Autor: Nils Lid Hjort, Department of Mathematics, University of Oslo
Datum: April 2026 (basierend auf Daten aus dem späten 19. Jahrhundert)

---

1. Problemstellung und Motivation

Das Papier untersucht die Geschlechtsverteilung bei menschlichen Geburten und hinterfragt die klassische Annahme, dass die Geburt eines Jungen oder Mädchens einem unabhängigen, fair gewichteten Münzwurf (Bernoulli-Prozess mit $p=0,5$) folgt.

• Hypothese: Traditionell wird angenommen, dass die Anzahl der Mädchen in einer Familie mit $m$ Kindern einer Binomialverteilung $Bin(m, p)$ folgt, wobei $p$ für alle Familien konstant ist.
• Beobachtung: Empirische Daten (insbesondere aus Sachsen, Ende des 19. Jahrhunderts) zeigen Abweichungen von diesem Modell:
  1. Der Anteil der Mädchen liegt leicht unter 0,50 (ca. 0,485).
  2. Es gibt eine Überdispersion (Overdispersion): Die Varianz der beobachteten Geschlechtsverteilungen ist größer als die einer Binomialverteilung mit festem $p$. Dies führt zu einer höheren Anzahl von Familien mit ausschließlich Jungen oder ausschließlich Mädchen ("Royal Straight Flush"-Fälle) als vom Binomialmodell vorhergesagt.
  3. Es besteht die Frage nach einer möglichen Markov-Abhängigkeit, bei der das Geschlecht des nächsten Kindes vom Geschlecht des vorherigen abhängt.

2. Methodik und Datenbasis

Die Analyse stützt sich auf umfangreiche historische Daten von Arthur Geißler (1889) aus Sachsen, die Familien mit $m$ Kindern (von $m=1$ bis $m=12$) umfassen. Der Fokus liegt stark auf Familien mit $m=8$ Kindern ($n=38.495$ Familien).

Statistische Ansätze:

• Schätzung von $p$: Berechnung des globalen Mädchenanteils $\hat{p}$ und Konfidenzintervalle. Es wird gezeigt, dass für die Detektion einer Abweichung von $p=0,50$ zu $p=0,485$ sehr große Stichprobengrößen ($n \ge 14.433$ für 95% Power) notwendig sind.
• Überdispersions-Test: Einführung des Verhältnisses $W_n = S_n^2 / (m \hat{p}_0 (1-\hat{p}_0))$, wobei $S_n^2$ die empirische Varianz ist. Unter der Nullhypothese (reine Binomialverteilung) sollte $W_n \approx 1$ sein.
• Modellierung der Überdispersion (Beta-Binomial):
  • Annahme, dass $p$ nicht konstant ist, sondern einer Beta-Verteilung $Beta(a, b)$ folgt.
  • Dies führt zur Beta-Binomial-Verteilung für die Anzahl der Mädchen $y$.
  • Parameterschätzung via Maximum-Likelihood oder Minimum-Chi-Quadrat.
• Markov-Modellierung:
  • Da die Geißler-Daten keine Reihenfolge der Geburten enthalten, wird ein simulierter Log-Likelihood-Ansatz verwendet.
  • Ein Markov-Kette-Modell wird definiert, bei dem die Übergangswahrscheinlichkeit vom vorherigen Geschlecht abhängt (Parameter $k$).
  • Für $k=1$ liegt Unabhängigkeit vor; $k < 1$ impliziert eine positive Korrelation zwischen aufeinanderfolgenden Geschlechtern.
• Modellvergleich: Nutzung von Pearson-Residuen, Chi-Quadrat-Anpassungstests und Informationskriterien (AIC, BIC, FIC) zum Vergleich der Modelle (Binomial vs. Beta-Binomial vs. Markov).

3. Wichtige Ergebnisse

A. Geschlechterverhältnis ($p$)

• Der geschätzte Mädchenanteil liegt bei $\hat{p} \approx 0,484$ (entspricht einem Jungen-Mädchen-Verhältnis von ca. 1,062).
• Es gibt keine statistisch signifikanten Unterschiede in $p$ über verschiedene Familiengrößen hinweg ($m=1$ bis $12$), obwohl ein leichter Abwärtstrend sichtbar ist. Dies widerspricht früheren Behauptungen (Edwards 1958; Lindsey & Altham 1998), dass größere Familien mehr Jungen haben.

B. Nachweis der Überdispersion

• Der Teststatistikwert $W_n = 1,081$ für die $m=8$-Familien ist bei der enormen Stichprobengröße ($n=38.495$) hochsignifikant ($p < 0,01$).
• Die extrabinomiale Varianz wird durch den Parameter $\sigma_0$ (Standardabweichung der $p$-Verteilung über die Familien) quantifiziert.
• Schätzung: $\hat{\sigma}_0 \approx 0,054$. Das bedeutet, dass ca. 95% der Familien einen Mädchenanteil $p$ im Intervall $[0,396; 0,573]$ haben.
• Stichprobeneinfluss: Das Papier betont, dass solche kleinen Abweichungen ($W_n$ nur leicht > 1) nur mit sehr großen Stichproben ($n > 4000$ für $m=8$) statistisch sicher nachweisbar sind. Bei kleinen Stichproben würde der Effekt oft als nicht signifikant durchfallen.

C. Modellvergleich und Anpassungsgüte

• Binomialmodell: Schlechte Anpassung (Chi-Quadrat-Statistik $Z_1 = 159,41$). Zu wenige mittlere und zu viele extreme Fälle (nur Jungen/nur Mädchen).
• Beta-Binomial-Modell: Deutliche Verbesserung. Die Pearson-Residuen liegen im erwarteten Bereich. Die Chi-Quadrat-Statistik sinkt auf $Z_2 = 13,55$ (mit 6 Freiheitsgraden).
• Markov-Modell: Ein Markov-Modell mit einem Korrelationsparameter $k \approx 0,956$ (Korrelation $\approx 0,044$) passt die Daten ebenfalls hervorragend an ($Z_3 = 13,17$).
• Ergebnis: Sowohl das Beta-Binomial-Modell (heterogene $p$) als auch das Markov-Modell (Abhängigkeit zwischen Geschwistern) erklären die Daten fast gleich gut. Die Daten allein können diese beiden Mechanismen nicht eindeutig unterscheiden, aber beide sind notwendig, um die Überdispersion zu erklären.

D. Familiengröße und Dispersion

• Während $p$ stabil bleibt, nimmt das Ausmaß der Überdispersion ($\sigma_0$) mit der Familiengröße zu. Größere Familien zeigen stärkere Abweichungen von der reinen Binomialverteilung, was auf komplexere Mechanismen oder stärkere Abhängigkeiten hindeutet.

4. Signifikanz und Beiträge des Papiers

1. Präzise Quantifizierung kleiner Effekte: Das Papier demonstriert eindrucksvoll, wie große historische Datensätze ($n \approx 38.000$) es ermöglichen, subtile biologische oder soziale Verzerrungen (wie $p=0,485$ statt $0,50$) und geringe Überdispersion statistisch sicher zu detektieren, die in kleineren Studien unsichtbar blieben.
2. Methodische Klarheit: Es wird ein rigoroser Vergleich zwischen dem Beta-Binomial-Modell (Heterogenität der Parameter) und einem Markov-Modell (sequenzielle Abhängigkeit) durchgeführt, wobei Simulationen (simulierte Log-Likelihood) eingesetzt werden, um Modelle ohne vollständige Datenreihenfolge zu schätzen.
3. Korrektur früherer Annahmen: Die Arbeit widerlegt die Behauptung, dass größere Familien systematisch mehr Jungen produzieren, bestätigt aber, dass die Varianz (Überdispersion) mit der Familiengröße wächst.
4. Didaktischer Wert: Das Papier dient als Lehrbeispiel für den Einfluss der Stichprobengröße auf $p$-Werte und Testpower. Es zeigt, dass selbst "kleine" Abweichungen vom Idealmodell bei ausreichend großen $n$ hochsignifikant werden.
5. Erklärung der "Royal Straight Flush"-Phänomene: Es liefert eine statistische Erklärung dafür, warum es mehr Familien mit nur Jungen oder nur Mädchen gibt als erwartet – entweder durch variierende Fertilitätsneigungen ($p$) oder durch leichte sequenzielle Abhängigkeiten.

Fazit:
Nils Lid Hjort zeigt, dass die menschliche Geschlechtsbestimmung nicht einem einfachen, homogenen Münzwurf folgt. Stattdessen existiert eine feine Überdispersion, die durch Heterogenität zwischen Familien oder leichte Markov-Abhängigkeiten erklärt werden kann. Die Analyse unterstreicht die Notwendigkeit großer Stichproben, um diese subtilen, aber realen statistischen Strukturen in der Natur zu entschlüsseln.