Statistische Verteilungen und Stichproben

Willkommen zu deinem umfassenden Leitfaden über Statistische Verteilungen und Stichproben! Dieses Thema ist ein Kernstück der Statistik und entscheidend, um Daten zu verstehen und fundierte Schlussfolgerungen zu ziehen. Wir tauchen tief in die Welt der theoretischen und empirischen Verteilungen ein und erklären dir, wie Stichproben korrekt gezogen und interpretiert werden.

Statistische Verteilungen: Approximation durch die Normalverteilung verstehen

Oftmals lassen sich komplexere Verteilungen durch die einfachere und sehr gut handhabbare Normalverteilung annähern. Dies erleichtert statistische Berechnungen erheblich. Dabei ist jedoch eine Stetigkeitskorrektur (Yates-Korrektur) wichtig, wenn eine diskrete Verteilung durch eine stetige approximiert wird. Sie sorgt für eine genauere Anpassung, indem man die Intervallgrenzen um 0,5 erweitert.

Approximation diskreter Verteilungen

Mehrere diskrete Verteilungen können unter bestimmten Bedingungen gut durch die Normalverteilung angenähert werden:

• Hypergeometrische Verteilung: Die Approximation ist gut, wenn die Grundgesamtheit ($N$) und die Anzahl der Erfolge ($M$) groß sind, der Stichprobenumfang ($n$) ebenfalls groß ist, die Varianz $n \frac{M}{N} (1 - \frac{M}{N}) > 9$ ist und die Stichprobe nicht zu groß ist ($N > 2n$).
• Beispiel: Eine hypergeometrische Verteilung mit $N = 5000$, $M = 1000$ und $n = 100$ kann durch eine Normalverteilung mit $\mu = 20$ und $\sigma^2 \approx 16$ angenähert werden.
• Binomialverteilung: Hier ist die Approximation gut, wenn der Stichprobenumfang ($n$) groß ist und die Varianz $n\theta(1-\theta) > 9$ ist. Der Erwartungswert wird dann $n\theta$ und die Varianz $n\theta(1-\theta)$.
• Beispiel: Eine Binomialverteilung mit $n = 100$ und $\theta = 0,2$ kann durch eine Normalverteilung mit $\mu = 20$ und $\sigma^2 = 16$ angenähert werden.
• Poissonverteilung: Die Approximation funktioniert gut, wenn der Parameter $\mu$ (Erwartungswert) groß ist, genauer $\mu > 9$. In diesem Fall werden Erwartungswert und Varianz der Normalverteilung ebenfalls $\mu$.
• Beispiel: Eine Poissonverteilung mit $\mu = 20$ kann durch eine Normalverteilung mit $\mu = 20$ und $\sigma^2 = 20$ angenähert werden.

Approximation stetiger Verteilungen: Die Student-Verteilung

Auch stetige Verteilungen können einander annähern. Die Student-Verteilung (oder t-Verteilung) ist besonders wichtig in der Inferenzstatistik. Ihr Grenzwert, wenn die Freiheitsgrade $\nu$ gegen unendlich gehen ($lim_{\nu \to \infty} f_S(t/\nu)$), ist die Standardnormalverteilung. Diese Approximation ist bei $\nu > 30$ (ausreichend viele Freiheitsgrade) als gut anzusehen.

Empirische Verteilungen durch die Normalverteilung annähern

Neben theoretischen Verteilungen lassen sich auch empirisch beobachtete Verteilungen oft durch Normalverteilungen annähern. Dabei treten das arithmetische Mittel und die Varianz der empirischen Verteilung an die Stelle der unbekannten Parameter $\mu$ und $\sigma^2$ der approximierenden Normalverteilung.

Beispiel: Lebensdauerverteilung von Motoren

Betrachten wir die Lebensdauerverteilung einer Serie von $N = 100$ Motoren. Das arithmetische Mittel beträgt $\mu = 4,8$ Jahre und die Varianz $\sigma^2 = 2,1$ Jahre$^2$. Die empirische Verteilungsfunktion (Summenhäufigkeitsfunktion) erhält man, indem man den oberen Klassengrenzen die Summenhäufigkeiten zuordnet. Die theoretischen Werte ergeben sich aus der Verteilungsfunktion der Normalverteilung mit diesen Parametern.

Wahrscheinlichkeitspapier: Eine grafische Methode

Um zu beurteilen, ob eine empirische Verteilung durch eine Normalverteilung angenähert werden kann, und um deren Parameter einfach zu bestimmen, wird Wahrscheinlichkeitspapier verwendet. Auf diesem Papier ist der Ordinatenmaßstab so transformiert, dass die Verteilungsfunktion einer Normalverteilung als gerade Linie erscheint.

1. Trage die Werte der empirischen Verteilungsfunktion über den entsprechenden Klassenobergrenzen ein.
2. Lege eine Ausgleichsgerade (nach Augenmaß) durch diese Punkte.
3. Der Schnittpunkt der 50%-Linie mit der Geraden gibt den Erwartungswert $\mu$ an.
4. Der Schnittpunkt der 84%-Linie mit der Geraden gibt $\mu + \sigma$ an, woraus sich die Standardabweichung $\sigma$ bestimmen lässt.

• Beispiel: Für die Motorlebensdauer ergibt sich aus dem Wahrscheinlichkeitspapier $\mu = 4,75$ Jahre und $\mu + \sigma = 6,25$ Jahre, also $\sigma = 1,5$ Jahre und $\sigma^2 = 2,25$ Jahre$^2$.

Grundlagen der Stichprobenziehung: Was du wissen musst

Die induktive Statistik oder Inferenzstatistik ermöglicht es, über die direkt beobachteten Daten hinauszugehen und Aussagen über eine größere Grundgesamtheit zu treffen. Dies geschieht durch die Analyse von Stichproben.

Grundbegriffe und das Urnenmodell

• Grundgesamtheit: Die Gesamtheit aller Merkmalsträger, spezifiziert nach räumlichen, sachlichen und zeitlichen Kriterien ($N$ Elemente).
• Stichprobe: Eine Teilgesamtheit, die durch eine zufällige Auswahl aus der Grundgesamtheit entsteht ($n$ Elemente).
• Auswahlsatz: Das Verhältnis von Stichprobenumfang zu Größe der Grundgesamtheit ($n/N$).
• Stichprobenvariablen ($X_1,..., X_n$): Repräsentieren einzelne Ziehungen.
• Beobachtete Werte ($x_1,..., x_n$): Die tatsächlichen Messungen.

Das Urnenmodell ist ein anschauliches Konzept, um Stichprobenziehungen zu simulieren und zu verstehen.

Ziehen mit und ohne Zurücklegen

Der Unterschied zwischen dem Ziehen mit und ohne Zurücklegen ist entscheidend für die Verteilung der Stichprobenvariablen:

• Ziehen mit Zurücklegen: Jedes gezogene Element wird nach der Beobachtung wieder in die Grundgesamtheit zurückgelegt. Dadurch haben alle Ziehungen die gleiche Verteilung und sind voneinander unabhängig.
• Ziehen ohne Zurücklegen: Ein gezogenes Element wird nicht zurückgelegt. Die Wahrscheinlichkeiten ändern sich bei jeder Ziehung, und die Stichprobenvariablen sind nicht identisch verteilt.

Für dichotome Merkmale (z.B. schwarze/weiße Kugeln) bei Ziehen ohne Zurücklegen folgt die Anzahl der Erfolge ($X$) einer hypergeometrischen Verteilung. Der Erwartungswert ist $E(X) = n \frac{M}{N}$, und die Varianz ist $Var(X) = n \frac{M}{N} (1 - \frac{M}{N}) \frac{N-n}{N-1}$. Der Faktor $\frac{N-n}{N-1}$ wird als Korrekturfaktor bei endlicher Grundgesamtheit bezeichnet und ist relevant, wenn $n/N > 0,05$.

Der Erwartungswert des Stichprobenanteilswertes $P = X/n$ ist $E(P) = \theta = M/N$. Die Varianz $Var(P) = \frac{\theta(1-\theta)}{n} \frac{N-n}{N-1}$.

Häufig gestellte Fragen zu Statistischen Verteilungen und Stichproben

Was ist der Hauptunterschied zwischen deskriptiver und induktiver Statistik?

Die deskriptive Statistik beschreibt und fasst Datenmaterial zusammen (z.B. Lagemaße, Streuungsmaße). Sie trifft keine Aussagen über die Daten hinaus. Die induktive Statistik (Inferenzstatistik) nutzt die Wahrscheinlichkeitsrechnung, um aufgrund von Stichproben Aussagen über die gesamte Grundgesamtheit zu treffen.

Wann ist die Normalverteilung eine gute Approximation für diskrete Verteilungen?

Für die hypergeometrische und Binomialverteilung ist die Approximation gut, wenn die Varianz $n\theta(1-\theta)$ bzw. $n \frac{M}{N} (1 - \frac{M}{N})$ größer als 9 ist. Bei der Poissonverteilung ist die Approximation gut, wenn $\mu > 9$. Eine weitere Bedingung für die hypergeometrische Verteilung ist $N > 2n$ (Stichprobe nicht zu groß).

Warum ist die Stetigkeitskorrektur wichtig?

Die Stetigkeitskorrektur (Yates-Korrektur) ist notwendig, wenn eine diskrete Verteilung durch eine stetige Verteilung (wie die Normalverteilung) approximiert wird. Sie gleicht den Übergang von diskreten Werten zu einem kontinuierlichen Bereich aus, indem sie die Intervallgrenzen um 0,5 erweitert. Das führt zu einer genaueren Schätzung von Wahrscheinlichkeiten.

Was sagt das Wahrscheinlichkeitspapier über eine empirische Verteilung aus?

Das Wahrscheinlichkeitspapier hilft zu beurteilen, ob eine empirische Verteilung durch eine Normalverteilung annäherbar ist. Wenn die aufgetragene empirische Verteilungsfunktion eine annähernd gerade Linie ergibt, ist eine Normalverteilung eine gute Anpassung. Zudem können grafisch der Erwartungswert $\mu$ (bei 50%) und die Standardabweichung $\sigma$ (aus dem Unterschied zwischen 84% und 50%) abgelesen werden.

Was bedeutet der Korrekturfaktor bei endlicher Grundgesamtheit?

Der Korrekturfaktor $\frac{N-n}{N-1}$ wird bei Stichproben ohne Zurücklegen verwendet. Er berücksichtigt, dass die Wahrscheinlichkeiten bei jeder Ziehung sinken, da die Grundgesamtheit kleiner wird. Wenn der Auswahlsatz $n/N$ klein ist (z.B. $< 0,05$), ist dieser Faktor nahe 1 und kann oft vernachlässigt werden. Ist $n/N$ jedoch größer, ist er wichtig, um die Varianz korrekt zu berechnen und die Stichprobenvariablen als nicht unabhängig zu betrachten. Eine ausführlichere Erklärung der hypergeometrischen Verteilung finden Sie auf Wikipedia.