Математический взгляд на информационные манипуляции

Как правдоподобно выглядит критика объекта за некое свойство схожее с чем-то отрицательным, например, символ Apple связывается с яблоком раздора, а четное число предметов еды с обрядами погребения. Но, ведь теперь не отказываться от яблок или покупки пары предметов?

Рассматривая объект как сущность с набором большого количества свойств, каждое из которых потенциально может подвергнуться критике, найти что-то "компрометирующее" достаточно легкая задача. Какими могут быть эти свойства? Цвет, длина, ширина, размер, вкус, год и месяц создания, место нахождения, время жизни...

В качестве примера возьму религиозную организацию "Москва-Третий Рим". Ага... Ее сайта заработал в августе 2009 года, когда произошла техногенная катастрофа на Саяно-Шушенской ГЭС, жертвами которой стали 75 человек. В том же году произошли две авиакатастрофы, при этом один из рейсов имел номер 626 - два числа зверя. И это получено простым гуглением ("2009 год катастрофа").

Возьмем кроссовки Reebok. Загуглил "кроссовки reebok сатана" и получил ссылки на некого производителя "Satan Shoes", который копировал дизайн кроссовок Nike (возникло искушение изменить пример, но будем честными, наша цель - Reebok). Еще пара минут поиска и узнал, что Reebok обманывала своих клиентов, например, кроссовки EasyTone и RunTone, согласно рекламе, должны были способствовать увеличению объема мышц ягодиц и задней поверхности бедра, однако Федеральная торговая комиссия США решила, что это не так, и постановила вернуть деньги покупателям.

Также Reebok обвиняли в пропаганде бандитизма в ходе рекламного ролика с участием рэпера 50 Cent. А в 2006 году компания отозвала около 300 тыс. браслетов, которые прилагались в качестве подарка при покупке детской обуви в США, в связи со смертью ребенка, проглотившего одно из украшений. Да, после этого, некоторые задумаются, покупать ли кроссовки компании...

Однако, моя мысль состоит в том, что любому явлению можно придать негативный оттенок. И это обосновывается математически. Допустим у объекта 1000 характеристик и вероятность найти компромат на каждую равна 0.001, тогда вероятность найти хотя бы что-то негативное равна свыше 63% (вероятность числа успехов больше 0 для биномиального распределения):

from scipy.stats import binom
p=0.001
n=1000
bin_distr = binom(n,p)

display(1 - bin_distr.cdf(0))

А вот нормальная аппроксимация графика (подробнее здесь):

from scipy.stats import norm
import seaborn as sns

norm_distr = norm(bin_distr.expect(), bin_distr.std())
sns.kdeplot(norm_distr.rvs(10000))