Typische Fehlvorstellungen über Geschlechterrollen und Normalverteilungen

Einige typische Fehlvorstellungen als Versuch einer Sammlung:

1. Geschlechterunterschiede sind absolut

Damore Populationen Normalverteilungen

Damore Populationen Normalverteilungen

Das dürfte die größte Fehlvorstellung sein, auf der eine Reihe von Abwandlungen aufbauen.

2. Ausnahmen von den Geschlechterollen widerlegen, dass es die Geschlechterrollen gibt bzw das sie eine biologische Grundlage haben (Abwandlung von oben)

 

3. Wenn ich mich als Mann/Frau nicht der Geschlechterrolle entsprechend Verhalten möchte, dann muss die Geschlechterrolle für alle ein Zwang sein

Auch da passt die obige Grafik ganz gut

4. Wenn ich als Frau/Mann ein bestimmtes Verhalten mag, dann können alle Frauen/Männer lernen auch so zu leben, wie es mir gefällt und es würde ihnen dann besser gehen, weil es mir so besser geht.

Auch hier passt die Grafik darüber wunderbar.

16 Gedanken zu “Typische Fehlvorstellungen über Geschlechterrollen und Normalverteilungen

  1. Dann noch der Fall, wo die Verteilungskurven den gleichen Mittelwert, und nur unterschiedliche Breiten haben. Da ist die Apex Fallacy sehr beliebt.
    Beispiel: IQ Verteilung, die bei Männern breiter gestreut ist als bei Frauen, aber den gleichen Peak haben. Erklärt warum es erheblich mehr männliche wissenschaftliche Genies gibt als weibliche. Feministische Interpretation: „Wenn Männer und Frauen gleichen IQ haben dann kann das nur Unterdrückung sein“. Dabei kehren sie komplett unter den Teppich, daß es auf der anderen Seite der Kurve viel mehr dümmere Männer gibt.

  2. „3. Wenn ich mich als Mann/Frau nicht der Geschlechterrolle entsprechend Verhalten möchte, dann muss die Geschlechterrolle für alle ein Zwang sein.“
    ———————————————–
    Das ist die absurde Haltung u.a. der Transgender-Lobby, die als absolute Minderheit der „heteronormativen“/heteronormalen Mehrheit diktieren will und diktiert, welche Geschlechts-Rollen die Anderen gefälligst (nicht) auszuführen haben, während man für sich selbst mit der größten Selbstverständlichkeit beansprucht, gegengeschlechtliche Rollen auszuführen/zu leben.
    ———————————————-
    „4. Wenn ich als Frau ein bestimmtes Verhalten mag, dann können alle Frauen lernen auch so zu leben, wie es mir gefällt und es würde ihnen dann besser gehen, weil es mir so besser geht.“
    ——————————————–
    Auch hier zeigt sich wieder die Paradoxie der Genderistas; man faselt von „Vielfalt“: „diversity“ ist gut!“, und „erwirkt“ die „Gleichschaltung aller anderen nach eigenem Geschmack“…

  3. „man faselt von „Vielfalt“: „diversity“ ist gut!“, und „erwirkt“ die „Gleichschaltung aller anderen nach eigenem Geschmack“…“

    Jeder hat eben ein Recht auf meine Meinung. 🙂

  4. zur Graphik 1:
    Bei beiden Kurven wurde die gleiche Standardabweichung benutzt. Das trifft normalerweise so nicht zu.
    I.A. streuen die Werte bei Männern stärker als bei Frauen.
    In statistischen Themen unbedarfte Leser könnten auf die Idee kommen, dass alle Werte exakt auf den Kurven liegen. Tatsächlich gibt es auch davon Abweichungen und Ausreißer, die sich jedoch für große Anzahlen wieder herausmitteln.

    Die Darstellung mit den beiden diskreten Werten könnte missverständlich wirken.
    Wenn man die Standardabweichung gegen 0 gehen lässt, werden die „Glocken“ immer schmaler, aber gleichzeitig höher, da die Fläche unter der Kurve normiert ist und gleich bleiben muss. Man erhält schließlich Dirac-Delta-Peaks.

    Selbst wenn die Mittelwerte μ gleich sind, so folgt bereits aus unterschiedlichen Standardabweichungen σ dass die Verteilungen weit voneinander abweichen können.
    Ich habe das mal quick’n’dirty (evtuelle Unstimmigkeiten bitte ich zu entschuldigen) dargestellt im Bereich von ±3σ um den Mittelwert. Dabei unterscheiden sich die Standardabweichungen um ca. 20% voneinander.

    • Anne ftw!

      Leider habe ich den Eindruck dass das mathematische Verständnis der durchschnittlichen Gender“wissenschaftlerin“ beim Durchschnitt (hahaha!) endet…
      Standardabweichung? Patriarchales Teufelszeug!

    • Die Gauss-Glocke hängt nun mal von Mittelwert UND(!) Standardabweichung ab. Die oben genannte „grösste Fehlvorstellung“ wäre damit: „Standardabweichung ist immer 0!“
      Dass dies Blödsinn ist, weiss eigentlich jeder (sogar die, die dieser „grössten Fehlvorstellung“ frönen), weil nicht alle gleich sind …

      • Die oben genannte „grösste Fehlvorstellung“ wäre damit: „Standardabweichung ist immer 0!“
        Dass dies Blödsinn ist, weiss eigentlich jeder (sogar die, die dieser „grössten Fehlvorstellung“ frönen), weil nicht alle gleich sind …

        Bei dem „das weiß eigentlich jeder“ wäre ich mir nicht so sicher… Wie war der Spruch von Einstein, wonach es zwei Dinge gibt die unendlich sind? 😉

        Zum Thema: Bei der Gaussverteilung hängt der Maximalwert der Kurve auch von der Standardabweichung ab. Man sieht das oben in der Grafik von Anne, die Kurven haben den gleichen Mittelwert, aber die Kurve mit der größeren Standardabweichung ist kleiner. D.h. man kann keine zwei Gaussverteilungen erzeugen, die unterschiedliche Standardabweichungen aber trotzdem den gleichen Maximalwert haben – dazu muss man mindestens einmal den Maßstab anpassen.
        Dass die Verteilungen von Merkmalen (z.b. Intelligenz, Mut, Risikobereitschaft, Affinität zu MINT etc) immer einer Gaussverteilung entspricht ist allerdings nicht von vornherein klar. Es könnte z.b. sein dass die Verteilung von Frauen annähernd eine Gaussverteilung ist, die von Männern aber schwerere Ränder (engl: heavy-tail distribution) hat. Damit kann man durchaus zwei Kurven bekommen, welche den gleichen Maximalwert haben, sich aber eben an den Rändern deutlich unterscheiden.

    • @Anne

      Bei beiden Kurven wurde die gleiche Standardabweichung benutzt. Das trifft normalerweise so nicht zu.

      Genauso ist es und nach meiner Meinung ist die unterschiedliche Standardabweichung die bessere Erklärung für einige (statistische) Unterschiede zwischen den Geschlechtern. Ich gehe sogar davon aus, dass vielen, die sich mit Statisktik gut auskennen, dieser Effekt nicht wirklich bewusst ist. Im Qualitätsmanagement (z.B. Six Sigma) möchte man im Allgemeinen möglichst geringe Streuungen haben, was dazu führt, dass eine kleine Standardabweichung besser ist als eine größere. D.h. die Gaußkurve sollte möglichst schmal sein. Bei Betrachtung des Geschlechterverhältnis ist es aber häufig anders. Die geringere Standardabweichung bei den Frauen führt zum geringeren Anteil an wichtigen Positionen.

      Ich habe hier ein Beispiel konstruiert, wo die rote Kurve die Verteilung einer Eigenschaft innerhalb der W-Gruppe (z.B. weibliche Personen) zeigt und die blaue Kurve die Verteilung einer Eigenschaft innerhalb der M-Gruppe (z.B. männliche Personen). Auf der X-Achse soll ein größerer Wert besser sein als ein kleiner, d.h. 0 ist richtig schlecht und 100 ist nahezu perfekt. Auf dem ersten Blick sieht es so aus, dass die W-Gruppe (rot) besser als die M-Gruppe (blau) abschneidet. Der Mittelwert der W-Gruppe ist z.B. deutlich besser als die der Mittelwert der M-Gruppe. Wenn man sich aber die Extreme anschaut, dann sieht man den Unterschied. Ich habe jetzt im nächsten Bild die gleichen Kurven nur im Bereich 90 bis 100 dargestellt.

      Das bedeutet, dass es deutlich mehr Personen der M-Gruppe gibt, die zu den allerbesten gehören (besser als 90), obwohl die W-Gruppe soviel besser im Mittelwert ist. In der Praxis interessieren die Mittelwerte nicht wirklich. Wer erfolgreich sein will muss besser als der Durschnitt sein. Unternehmen bezahlen für die besten Spezialisten die besten Gehälter, wer nur durschnittliche Eigenschaften der gesuchten Spezialrichtung vorweisen kann, wird möglicherweise nicht mal zum Vorstellungsgespräch eingeladen oder muss sich mit weniger Gehalt zufrieden geben.

      Männer sind tatsächlich das diversere Geschlecht, dh. die Streuung ist viel stärker unter Männer als unter Frauen. Das führt dazu, das sie bei den Spitzenjobs viel stärker vertreten sind. Aber das ist halt nur die eine Seite der Medaille. Sie sind halt auch viel stärker unter den Verlierern (z.B. Obdachlose) unserere Gesellschaft vertreten.

      • @kibo: schönes beispiel! Wenn man jetzt statt einer gaussverteilung noch eine verteilung mit heavy tails nimmt, wird der effekt noch um einiges größer.

        • Das entspricht übrigens ziemlich genau der Verteilung m/w beim Schach.

          Vorüberlegung:
          1. Ca. 1/10 aller Vereins-Schachspieler sind Frauen
          2. Es gibt ein Wertungssystem (Elo) welches ziemlich gut, die Leistungsfähigkeit der Spieler wiedergibt. wenn zwei Spieler mit 200 Punkten Elo-Unterschied gegeneinander spielen, gewinnt in 75 Prozent der Fälle der stärkere Spieler, die anderen 25 Prozent verteilen sich auf Unentschieden und Niederlagen (Je höher die elo, dest mehr unentschieden),
          3. Beim Schach sind folgende Eigenschaften wichtig: Logik, Mustererkennung, Gedächtnisleistung/Merkfähigkeit und ein 2-dimensionales vorstellungsvermögen (Rechenfähigkeit). Und die Fähigkeit die Konzentration über mehrere Stunden hochzuhalten. Im Schnitt sind Männer da minimal besser als Frauen, laut diversen Studien, aber nicht so, dass das die folgenden Verteilungen erklären würde.

          In den Top 100 dieser Welt befindet sich genau !eine! Frau. Nämlich Hou Yifan, Platz 82, Wertzahl: 2659. Magnus Carlsen, der derzeit beste Spieler hat 2875. Also über 200 Punkte besser.
          Dabei ist Hou Yifan für eine Frau so herausragend gut, dass sie nicht an Frauen-Wettkämpfen (zb Frauen-WM) teilnimmt, weil sie der Meinung ist, dass das ihrem Schach nicht hilft.

          Die beste deutsche spielerin Elisabeth Pätz, hat eine Elo von ca. 2450 und ist damit in der weltrangliste der Frauen auf Platz 31. In der Gesamtweltrangliste irgendwo auf Platz 13xx.

          Noch krasser wird es wenn man sich die Historie ansieht: Es gab nämlich neben Hou Yifan nur eine weitere Spielerin die überhaupt in die top100 vorstossen konnte (Judith Polgar war eine weile lang top20).

          Diese großen Unterschiede, die sich so stark von den 10Prozent abheben, ist mMn nur über eine dautlich größere Varianz bei den für Schach nötigen Eigenschaften erklärbar.
          In meinen Augen zeigt es auf jeden Fall, dass wnizige Unterschiede in der Statistik zu riesigen Ergebnis-Ungleichheiten führen können.

  5. Man braucht eigentlich keine heavy-tailed-distributions um die greater male variability zu erklären.
    Nehmen wir mal an, die meisten menschlichen Eigenschaften wären tatsächlich global normal verteilt (was a) nur eine Annahme ist und b) was zB heissen kann, daß lokale Stichproben (zB chinesische gegen nigerianische Penislängen) andere Verteilungseigenschaften zeigen!), würde man genau zwei Dinge testen, um herauszufinden, ob Männer und Frauen signifikant andere Verteilungen für ein bestimmtes Merkmal aufweisen:
    i) einen signifikanten Unterschied hinsichtlich des Mittelwertes (bei Normalverteilungen also ein klassischer t-test) und
    ii) einen signifikanten Unterschied hinsichtlich des Varianzkoeffizienten (zB hier: https://cran.r-project.org/web/packages/cvequality/vignettes/how_to_test_CVs.html)

    Damit wäre man schon fertig.

  6. Pingback: Nochmal zu typischen Fehlvorstellungen über Geschlechterunterschiede und Normalverteilungen | Alles Evolution

Kommentar verfassen

Trage deine Daten unten ein oder klicke ein Icon um dich einzuloggen:

WordPress.com-Logo

Du kommentierst mit Deinem WordPress.com-Konto. Abmelden /  Ändern )

Google Foto

Du kommentierst mit Deinem Google-Konto. Abmelden /  Ändern )

Twitter-Bild

Du kommentierst mit Deinem Twitter-Konto. Abmelden /  Ändern )

Facebook-Foto

Du kommentierst mit Deinem Facebook-Konto. Abmelden /  Ändern )

Verbinde mit %s

This site uses Akismet to reduce spam. Learn how your comment data is processed.