Podcast über Statistische Verteilungen und Stichproben

Kapitoly

Die Universal-Approximation

Diskrete Verteilungen & die Stetigkeitskorrektur

Die Student-t-Verteilung

Empirische Daten im Real-Life-Check

Die letzte Runde: Ohne Zurücklegen

Die Hypergeometrische Verteilung

Ein praktisches Beispiel

Erwartungswert und Varianz

Fazit und Verabschiedung

Přepis

Moritz: ... Moment mal, Lena, also die Normalverteilung ist quasi der universelle Übersetzer für fast alle anderen Verteilungen? Das ist ja der Wahnsinn.

Lena: Genau das ist es! Sie ist sozusagen das Schweizer Taschenmesser der Statistik. Unter den richtigen Bedingungen können wir viele komplizierte Verteilungen durch sie annähern. Das spart unglaublich viel Arbeit.

Moritz: Okay, das müssen wir uns genauer ansehen. Ihr hört den Studyfi Podcast, und heute knacken wir das Geheimnis der Normalverteilung als Annäherungswunder.

Lena: Absolut. Fangen wir mal bei den diskreten Verteilungen an. Das sind die, die nur ganzzahlige Werte annehmen können, wie die Anzahl der Würfe, bis man eine Sechs bekommt.

Moritz: Also zum Beispiel die Binomial-, Poisson- oder hypergeometrische Verteilung?

Lena: Exakt. Für jede gibt es eine Faustregel. Bei der Binomialverteilung zum Beispiel ist die Approximation gut, wenn die Varianz – also n mal p mal (1 minus p) – größer als 9 ist.

Moritz: Okay, das leuchtet ein. Aber wie funktioniert das? Eine diskrete Verteilung hat ja einzelne Säulen, die Normalverteilung ist aber eine durchgehende Kurve. Das passt doch nicht perfekt?

Lena: Sehr guter Punkt! Dafür gibt's einen Trick: die Stetigkeitskorrektur. Stell dir vor, du willst die Wahrscheinlichkeit für den Wert 22 ausrechnen. Da eine Linie in einer stetigen Verteilung die Fläche null hat, nehmen wir uns einfach den Bereich drumherum.

Moritz: Ah, du meinst, wir tun so, als ob die 22 eigentlich der Bereich von 21,5 bis 22,5 ist?

Lena: Genau! Wir addieren und subtrahieren einfach 0,5. Damit schlagen wir die Brücke von der diskreten zur stetigen Welt. Simpel, aber genial.

Moritz: Genial einfach! Das gilt dann für die Binomial-, Poisson- und hypergeometrische Verteilung, solange deren jeweilige Faustregel erfüllt ist?

Lena: Ja, bei der Poisson-Verteilung muss der Erwartungswert μ größer als 9 sein, und bei der hypergeometrischen ist die Bedingung ähnlich wie bei der Binomialverteilung. Hauptsache, wir sind weit genug vom Rand weg.

Moritz: Super, das hab ich verstanden. Und was ist mit stetigen Verteilungen? Kann die Normalverteilung auch andere stetige Verteilungen approximieren?

Lena: Aber ja! Ein klassisches Beispiel ist die Student-t-Verteilung. Die sieht der Normalverteilung schon sehr ähnlich, ist aber an den Rändern etwas „dicker“.

Moritz: Ah, die kommt doch oft bei kleineren Stichproben zum Einsatz, oder?

Lena: Richtig. Aber je größer die Stichprobe wird – und damit die Freiheitsgrade, die man mit ν abkürzt – desto mehr schmiegt sie sich an die Normalverteilung an. Die Faustregel hier: Ab 30 Freiheitsgraden ist die Annäherung schon exzellent.

Moritz: Also je mehr Datenpunkte, desto „normaler“ wird die Student-t-Verteilung. Verstehe.

Lena: Sozusagen. Ab ν gleich unendlich sind sie dann identisch.

Moritz: Okay, das war jetzt viel Theorie. Aber was ist mit echten Daten aus der Praxis? Also wenn ich zum Beispiel die Lebensdauer von 100 Motoren messe. Das folgt ja keiner perfekten theoretischen Verteilung.

Lena: Auch da hilft uns die Normalverteilung! Wenn du eine empirische Verteilung hast, also eine aus echten Messungen, kannst du einfach das arithmetische Mittel als Schätzer für den Erwartungswert μ und die empirische Varianz als Schätzer für σ-Quadrat nehmen.

Moritz: Und dann rechne ich damit so, als wäre es eine Normalverteilung? Das ist ja mega praktisch.

Lena: Genau. Das funktioniert erstaunlich oft und macht die Normalverteilung zu einem unglaublich mächtigen Werkzeug, nicht nur für die Klausur, sondern auch für die Praxis. Sie ist wirklich die Königin der Verteilungen.

Moritz: Die Königin der Verteilungen, das gefällt mir! Okay, fassen wir zusammen: Mit ein paar einfachen Faustregeln und der Stetigkeitskorrektur können wir uns das Leben massiv erleichtern. Ein super wichtiges Thema, danke Lena!

Lena: Sehr gerne! Und als Nächstes schauen wir uns an, wie wir dieses Wissen nutzen können, um Hypothesen zu testen.

Moritz: Okay, das war super klar. Aber was passiert, wenn wir die Leute, die wir befragen, nicht wieder in den „Topf“ zurückwerfen? Das ist doch der Normalfall.

Lena: Genau, und das bringt uns zu unserem letzten großen Thema für heute: dem Ziehen ohne Zurücklegen. Hier wird's kurz ein bisschen knifflig, aber es ist total logisch.

Moritz: Okay, ich bin bereit. Was ist das Problem dabei?

Lena: Das Problem ist, dass die einzelnen Ziehungen nicht mehr unabhängig voneinander sind. Die Wahrscheinlichkeit ändert sich mit jeder Person, die wir aus der Grundgesamtheit entfernen.

Moritz: Ah, verstehe. Wenn ich eine von zehn schwarzen Kugeln ziehe und sie nicht zurücklege, ist die Chance, nochmal eine schwarze zu ziehen, kleiner. Und jetzt?

Lena: Genau dafür gibt es eine spezielle Verteilung! Für solche Fälle verwenden wir die hypergeometrische Verteilung. Sie beschreibt genau diese Situation.

Moritz: Ein Zungenbrecher zum Abschluss!

Lena: Absolut! Aber denk an ein einfaches Beispiel: Eine Urne mit fünf Kugeln, zwei davon sind schwarz. Wir ziehen zwei Kugeln ohne Zurücklegen.

Moritz: Okay, N ist 5, M ist 2 und unser Stichprobenumfang n ist auch 2. Was kann passieren?

Lena: Wir können entweder null, eine oder zwei schwarze Kugeln ziehen. Die hypergeometrische Verteilung gibt uns jetzt für jeden Fall die exakte Wahrscheinlichkeit.

Moritz: Und die sind laut Formel: 30 % für null schwarze Kugeln, 60 % für eine, und nur 10 % für beide.

Lena: Exakt. Du siehst, es ist gar nicht so wild. Die Formel sieht nur kompliziert aus.

Moritz: Und was ist mit dem Erwartungswert und der Varianz? Ändert sich da auch alles?

Lena: Hier kommt der Clou: Der Erwartungswert für den Anteil ist genau derselbe wie beim Ziehen mit Zurücklegen. Er ist also erwartungstreu.

Moritz: Das ist ja praktisch! Aber bei der Varianz gibt es sicher einen Haken, oder?

Lena: Erwischt! Die Varianz ist etwas kleiner. Sie hat einen sogenannten Endlichkeitskorrekturfaktor. Klingt kompliziert, bedeutet aber nur: weil die Grundgesamtheit kleiner wird, streuen unsere Ergebnisse etwas weniger.

Moritz: Also ist das Ziehen ohne Zurücklegen sogar ein bisschen genauer?

Lena: Genau! Solange deine Stichprobe nicht winzig im Vergleich zur Grundgesamtheit ist, macht dieser Faktor einen Unterschied.

Moritz: Wahnsinn. Also, um alles zusammenzufassen: Wir haben heute über Grundgesamtheiten, verschiedene Stichprobenarten und die wichtigen Verteilungen beim Ziehen mit und ohne Zurücklegen gesprochen.

Lena: Richtig. Der Schlüssel ist immer zu wissen, welches Modell zur jeweiligen Fragestellung passt. Aber mit diesen Grundlagen seid ihr super aufgestellt.

Moritz: Das war wieder eine Menge Input. Tausend Dank, Lena! Und danke an euch fürs Zuhören.

Lena: Sehr gerne! Bis zum nächsten Mal beim Studyfi Podcast. Macht's gut!