1999 veröffentlichten Albert-László Barabási und Réka Albert den Aufsatz Emergence of Scaling in Random Networks und zeigten, dass viele reale Netzwerke — das World Wide Web, wissenschaftliche Zitationsgraphen, biologische Netzwerke, das Internet selbst — eine bemerkenswerte Eigenschaft teilen: Ihre Konnektivitätsverteilungen folgen Potenzgesetzen. Eine kleine Zahl von Hub-Knoten hat enorm viel mehr Verbindungen als der Median; der Median liegt weit unter dem Mittelwert. Dieselbe Form taucht überall dort wieder auf, wo man danach sucht. Stadtgrößen (Zipfsches Gesetz). Vermögensverteilungen in ihrem oberen Ende (Pareto, 1896). Erdbebenstärken (Gutenberg-Richter). Worthäufigkeiten in jedem natürlichsprachlichen Text (wieder Zipf). Sonneneruptionen. Zitationszahlen. Dauern von Internetausfällen. Für die meisten dieser Phänomene ist die Glockenkurve die falsche Intuition.
Eine Potenzgesetz-Verteilung hat die Form P(x) ∝ x^(−α) — die Wahrscheinlichkeit eines Ausgangs der Größe x fällt polynomial ab. Die prägenden Folgen: keine charakteristische Skala (egal ob man hinein- oder hinauszoomt, die Verteilung sieht gleich aus), schwere Ränder (extreme Ausgänge sind viel wahrscheinlicher, als die gaußsche Intuition vermutet) und vom Einzelfall dominierte Mittelwerte (der Mittelwert kann an einer einzigen seltenen Beobachtung hängen, was den Mittelwert selbst instabil macht). Standardstatistik, die Normalität unterstellt, versagt in diesem Gelände. Die Finanzkrise von 2008 war zum Teil ein Versagen schwerer Ränder: Standard-Risikomodelle bepreisten Extremereignisse, als wären die Renditen gaußverteilt — sie waren es nicht. Wichtiger Vorbehalt von Clauset, Shalizi und Newman (2009): Werden die vielen in realen Daten behaupteten Potenzgesetz-Verteilungen sauber getestet, lassen sich die meisten besser durch log-normale oder gestreckt-exponentielle Verteilungen anpassen als durch reine Potenzgesetze. Die qualitative Aussage über schwere Ränder überlebt meist; die strenge Potenzgesetz-Aussage meist nicht. Das polymath-genaue Vokabular lautet schwerrandig, nicht Potenzgesetz. Zu den Mechanismen, die schwere Ränder erzeugen, gehören präferenzielles Anhängen (Barabásis Mechanismus: Neue Knoten verbinden sich mit beliebten Knoten), multiplikatives Wachstum (Aufzinsung erzeugt log-normale Verteilungen) und selbstorganisierte Kritikalität (Baks Sandhaufen, angewendet auf Erdbeben, neuronale Lawinen und Marktcrashs).
Zu erkennen, wann man sich im schwerrandigen statt im gaußschen Gelände bewegt, gehört zu den nützlichsten geistigen Gewohnheiten der Gegenwart. Finanzmärkte unter Stress, Pandemieausbreitung, Erdbebenrisiko, virale Inhalte, KI-Fähigkeitssprünge, Klimakipppunkte, individuelle Ergebnisse in Märkten, in denen der Beste fast alles bekommt — alles lebt im schweren Rand. Nassim Talebs The Black Swan (2007) und Statistical Consequences of Fat Tails (2020) führen das Argument eindringlich, manchmal zu eindringlich. Die disziplinierte Lesart: Frage auf jeder Skala, ob der Mechanismus hinter deinen Daten es einer einzelnen Beobachtung erlaubt, die übrigen zu dominieren. Lautet die Antwort ja, ist dein Stichprobenmittel instabil, deine Varianzschätzung bedeutungslos, und deine Glockenkurven-Intuition führt dich beim Einschätzen extremer Ereignisse systematisch in die Irre.