Beruflich Dokumente
Kultur Dokumente
5Inferenzstatistik_eC
5Inferenzstatistik_eC
Marc Hannappel
Universität Bonn
Institut für Politische Wissenschaft und Soziologie
mhannappel@uni-bonn.de
2. April 2024
13 08.07 Puffer
14 15.07 Klausur
Abbildung: Statistik
Masszahlen
grafische Tabellen- Konkordanz- Korrelation Schätzen von
für Vertrauensbereiche Signifikantestes
Darstellungen analysen maße Regression Parametern
Verteilungen
zentrale Konzen-
Dispersion
Tendenz tration
Masszahlen
grafische Tabellen- Konkordanz- Korrelation Schätzen von
für Vertrauensbereiche Signifikantestes
Darstellungen analysen maße Regression Parametern
Verteilungen
zentrale Konzen-
Dispersion
Tendenz tration
1 Inferenzstatistik: Wofür?
3 Wahrscheinlichkeitsverteilungen
Gesetz der großen Zahlen
Normalverteilung
Standardnormalverteilung
Quelle: https://www.br.de/radio/bayern1/welche-autofahrer-sind-am-
intelligentesten-100.html
Quelle: https://www.br.de/radio/bayern1/welche-autofahrer-sind-am-
intelligentesten-100.html
100
98
96
94
92
90
88
86
84
82
er )
t
W
s
a
lvo
Pe i
at
Re i
t
da
a
i
r
Kia
ns a
ën
n
ult
rd
n
ini
da
k
eo
d
el
Fia
de
od
ve
nd
ge
t
sa
zu
Se
BM
Au
be oyo
Fo
az
Op
ro
M
na
Vo
un
ug
ce
Ro
Nis
Sk
Ho
wa
Su
Cit
Hy
T
nd
lks
M
iu
La
Vo
ll (
ha
ux
Va
Quelle: https://www.br.de/radio/bayern1/welche-autofahrer-sind-am-
intelligentesten-100.html
100
98
96
94
92
90
88
86
84
82
H y da
BM i
M r
nd Kia
wa )
ën
n
n ta
Ci W
Ho d
t
Pe an
da
lvo
Ni i
Sk t
be To ki
i
Re ot
er a
d
in
da
ul
ve
lks el
Fia
de
ge
M az d
r
Au
zu
i u yo
Fo
Se
e
tro
M
n
ss
o
na
Vo s Op
Vo
Ro
un
ug
ce
Su
La
ll (
ha
ux
Va
Quelle: https://www.br.de/radio/bayern1/welche-autofahrer-sind-am-
intelligentesten-100.html
100
98
96
94
92
90
88
86
84
82
H y da
BM i
M r
nd Kia
wa )
ën
n
n ta
Ci W
Ho d
t
Pe an
da
lvo
Ni i
Sk t
be To ki
i
Re ot
er a
d
in
da
ul
ve
lks el
Fia
de
ge
M az d
r
Au
zu
i u yo
Fo
Se
e
tro
M
n
ss
o
na
Vo s Op
Vo
Ro
un
ug
ce
Su
La
ll (
ha
ux
Va
Quelle: https://www.cidsnet.de/bildung/unterschied-eq-iq/
Abbildung: Weinprobe ⇒ Schluss auf den ganzen Wein Abbildung: Aussage treffen über GG
Abbildung: Hörprobe ⇒ Schluss auf den ganzen Song Abbildung: Aussage treffen über GG
Grundgesamtheit:
Menge von Einheiten/ Fällen (Personen/ Haushalte/
Organisationen etc.) über die eine Aussage getroffen
werden möchte
In Sozialwissenschaften beziehen sich die Aussagen häufig
auf eine Population
Grundgesamtheit:
Menge von Einheiten/ Fällen (Personen/ Haushalte/
Organisationen etc.) über die eine Aussage getroffen
werden möchte
In Sozialwissenschaften beziehen sich die Aussagen häufig
auf eine Population
Stichprobe:
per Zufall getroffene Auswahl an Einheiten
(Zufallsstichprobe)
alle Einheiten haben die gleiche Chance in die Stichprobe
aufgenommen zu werden
Grundgesamtheit:
Menge von Einheiten/ Fällen (Personen/ Haushalte/
Organisationen etc.) über die eine Aussage getroffen
werden möchte
In Sozialwissenschaften beziehen sich die Aussagen häufig
auf eine Population
Stichprobe:
per Zufall getroffene Auswahl an Einheiten
(Zufallsstichprobe)
alle Einheiten haben die gleiche Chance in die Stichprobe
aufgenommen zu werden
Beispiel:
Politisches Interesse von 20 bis unter 30 jährigen Personen in Deutschland (in Prozent)
0.4
0.3
Anzahl
0.2
0.1
0.0
K
IG
T
TE
H
AR
AR
EN
IC
IT
ST
ST
N
W
M
PT
R
H
AU
SE
H
ER
Quelle: ALLBUS 2021; eigene Berechnung
EB
U
Bildungsstufen
Wie wahrscheinlich ist es, dass dieser Prozentsatz auf die Grundgesamtheit übertragbar ist?
Wie wahrscheinlich ist es, dass diese Ausprägungen zufällig sind?
+ Hauptziel der Inferenzstatistik: Empirische Ergebnisse gegen den Zufall abzugrenzen
Beispiel:
Politisches Interesse von 20 bis unter 30 jährigen Personen in Deutschland (in Prozent)
0.4
0.3
Anzahl
0.2
0.1
0.0
K
IG
T
TE
H
AR
AR
EN
IC
IT
ST
ST
N
W
M
PT
R
H
AU
SE
H
ER
Quelle: ALLBUS 2021; eigene Berechnung
EB
U
Bildungsstufen
Wie wahrscheinlich ist es, dass dieser Prozentsatz auf die Grundgesamtheit übertragbar ist?
Wie wahrscheinlich ist es, dass diese Ausprägungen zufällig sind?
+ Hauptziel der Inferenzstatistik: Empirische Ergebnisse gegen den Zufall abzugrenzen
Stichprobe:
Per Zufall getroffene Auswahl an Einheiten
(Zufallsstichprobe)
Alle Einheiten haben die gleiche Chance in die Stichprobe
aufgenommen zu werden
Eine Stichprobe ist das Resultat eines Zufallsexperimentes
Eine Stichprobe ist grundsätzlich ein Ereignis mit
unsicherem Ausgang
I D.h.: Die Zusammensetzung der Stichprobe ist vor
Abschluss des Ziehungsprozesses nicht bekannt
Stichprobe:
Per Zufall getroffene Auswahl an Einheiten
(Zufallsstichprobe)
Alle Einheiten haben die gleiche Chance in die Stichprobe
aufgenommen zu werden
Eine Stichprobe ist das Resultat eines Zufallsexperimentes
Eine Stichprobe ist grundsätzlich ein Ereignis mit
unsicherem Ausgang
I D.h.: Die Zusammensetzung der Stichprobe ist vor
Abschluss des Ziehungsprozesses nicht bekannt
Zufallsexperiment:
Ist (theoretisch) unter gleichen Bedingungen beliebig oft
wiederholbar
Resultat ist genau eines von mehreren möglichen
Ereignissen einer Ereignismenge (Ereignisraum)
Resultat ist vor dem Auftreten (Realisation) des
Ereignisses unbekannt
I D.h.: Die Zusammensetzung der Stichprobe ist vor
Abschluss des Ziehungsprozesses nicht bekannt
Quelle: https://www.mz.de/panorama/ziehung-der-lottozahlen-ein-letztes-
mal-live-in-der-ard-2150888
Zufallsexperiment:
Ist (theoretisch) unter gleichen Bedingungen beliebig oft
wiederholbar
Resultat ist genau eines von mehreren möglichen
Ereignissen einer Ereignismenge (Ereignisraum)
Resultat ist vor dem Auftreten (Realisation) des
Ereignisses unbekannt
I D.h.: Die Zusammensetzung der Stichprobe ist vor
Abschluss des Ziehungsprozesses nicht bekannt
Zufallsexperiment:
Ist (theoretisch) unter gleichen Bedingungen beliebig oft
wiederholbar
Resultat ist genau eines von mehreren möglichen
Ereignissen einer Ereignismenge (Ereignisraum)
Resultat ist vor dem Auftreten (Realisation) des
Ereignisses unbekannt
I D.h.: Die Zusammensetzung der Stichprobe ist vor
Abschluss des Ziehungsprozesses nicht bekannt
Definition
Jedes Resultat eines Zufallsexperimentes wird als Ereignis bezeichnet. Ein Ereignis wird als zufällig bezeichnet, wenn sein Eintreten
unter den gegebenen Bedingungen nicht mit Sicherheit vorhergesagt werden kann
Ereignis:
= Resultat eines Zufallsexperimentes
Ereignisse sind die Fälle/Personen/Gegenstände, für die man sich interessiert mit ihren Merkmalen (Anzahl der Kinder,
Schulbesuch, usw.)
Ein Ereignis wird als zufällig angesehen, wenn sein Eintreten nicht mit Sicherheit vorhergesagt werden kann
Ein Ereignis wird als wahrscheinlich bezeichnet, wenn man von dessen Eintreten ausgehen kann
+ Zur objektiven Bezeichnung von Wahrscheinlichkeiten werden diese in Zahlen zwischen 0 (0%) und 1 (100%) ausgedrückt
+ Je höher die Wahrscheinlichkeit, desto näher liegt der Wert bei 1
Die Wahrscheinlichkeit eines Ereignisses A wird durch das Symbol P(A) ausgedrückt (P = Probability)
- Allgemeine Regel: Die Wahrscheinlichkeit für das Auftreten Abbildung: Gewinnchancen im Lotto
eines Ereignis:
Definition
+ Zwei Ereignisse A und B sind genau dann statistisch unabhängig voneinander, wenn die bedingte Wahrscheinlichkeit von A
gegeben B gleich der unbedingten Wahrscheinlichkeit von A ist. Dann ist auch die bedingte Wahrscheinlichkeit von B gegeben A
gleich der unbedingten Wahrscheinlichkeit von B:
P (B|A) = P (B) bzw. P (A|B) = P (A) (2)
Anders formuliert: Die Kenntnis über das Vorkommen eines Ereignisses hat keine Bedeutung für die Wahrscheinlichkeit des
Auftretens eines anderen Ereignisses
Zusammenfassung
1 Eine Stichprobe ist das Resultat eines Zufallsexperimentes
2 Alle Einheiten haben die gleiche Chance in die Stichprobe aufgenommen zu werden
⇒ Das Ereignis (Auswahl einer Person aus der GG) ist unabhängig vom vorigen Ereignis (Auswahl einer
anderen Person aus der GG) = statistische Unabhängigkeit
Stichprobe Grundgesamtheit
(n) (N)
Kennwerte Parameter
Mittelwert x̄ Mittelwert µ
Standardabweichung s Standardabweichung σ
Varianz s2 Varianz σ 2
Von den Kennwerten der Stichprobe wird mit Hilfe von Wahrscheinlichkeitsverteilungen auf die entsprechenden Parameter in der
Population verallgemeinert
Kennwerte sind: Häufigkeiten, Anteile, Mittelwerte und Varianzen ... (alle deskriptiven Werte)
Problem:
Masszahlen
grafische Tabellen- Konkordanz- Korrelation Schätzen von
für Vertrauensbereiche Signifikantestes
Darstellungen analysen maße Regression Parametern
Verteilungen
zentrale Konzen-
Dispersion
Tendenz tration
Von den Kennwerten der Stichprobe wird mit Hilfe von Wahrscheinlichkeitsverteilungen auf die entsprechenden Parameter in der
Population verallgemeinert
Kennwerte sind: Häufigkeiten, Anteile, Mittelwerte und Varianzen ... (alle deskriptiven Werte)
Problem:
Eine Stichprobenziehung ist ein Zufallsexperiment
⇒ Die Kennwerte können sich von Stichprobe zu Stichprobe unterscheiden
⇒ Verallgemeinerungen auf die Population sind grundsätzlich unsicher
Experiment I: 10 Stichproben mit n = 100 aus der GG N = 2034 (ursprünglich selbst eine Stichprobe)
Mittelwert (Durchschnittsalter) in GG = 48,9
Experiment II: 10 Stichproben mit n = 300 aus der GG N = 2034 (ursprünglich selbst eine Stichprobe)
Mittelwert (Durchschnittsalter) in GG = 48,9
Auf deutsch: Je größer die Stichprobe, desto eher repräsentiert sie die wahren Werte in der GG = Gesetz der großen Zahlen
Tabelle: 1000 Samples (n=100); Daten: Zufallsvariable Alter von 18 - 80; Mittelwert: 48.73
nr x̄
1 49,36
2 50,86
3 49,83
4 46,93
5 45,02
6 49,78
7 49,42
8 49,05
9 47,26
10 49,74
Tabelle: 1000 Samples (n=100); Daten: Zufallsvariable Alter von 18 - 80; Mittelwert: 48.73
nr x̄ nr x̄ nr x̄ nr x̄ nr x̄
1 49,36 11 45,38 21 49,43 31 48,07 991 48,25
2 50,86 12 50,77 22 46,21 32 47,9 992 50,5
3 49,83 13 49,69 23 47,08 33 49,08 993 46,76
4 46,93 14 46,67 24 47,23 34 45,1 994 48,72
5 45,02 15 47,5 25 47,99 35 48,37 995 49,37
6 49,78 16 46,41 26 47,88 36 48,09 996 46,92
7 49,42 17 46,85 27 44,51 37 49,85 997 48,56
8 49,05 18 47,68 28 49,19 38 47,37 998 47,5
9 47,26 19 51,41 29 48,59 39 45,67 999 50,91
10 49,74 20 47,6 30 50,4 (...) (...) 1000 50,22
0.15
0.10
0.05
0.00
45 50 55
Mittelwerte
Tabelle: 1000 Samples (n=100); Daten: Zufallsvariable Alter von 18 - 80; Mittelwert: 48.73
nr x̄ nr x̄ nr x̄ nr x̄ nr x̄
1 49,36 11 45,38 21 49,43 31 48,07 991 48,25
2 50,86 12 50,77 22 46,21 32 47,9 992 50,5
3 49,83 13 49,69 23 47,08 33 49,08 993 46,76
4 46,93 14 46,67 24 47,23 34 45,1 994 48,72
5 45,02 15 47,5 25 47,99 35 48,37 995 49,37
6 49,78 16 46,41 26 47,88 36 48,09 996 46,92
7 49,42 17 46,85 27 44,51 37 49,85 997 48,56
8 49,05 18 47,68 28 49,19 38 47,37 998 47,5
9 47,26 19 51,41 29 48,59 39 45,67 999 50,91
10 49,74 20 47,6 30 50,4 (...) (...) 1000 50,22
Histogramm der Mittelwerte der Variablen ,age' von 1k Zufallsstichproben & Normalverteilung
0.30
0.25
0.20
Dichte
0.15
0.10
0.05
0.00
45 50 55
Mittelwerte
Schlussfolgerung:
Je größer die Stichprobe, desto eher repräsentiert sie die wahren Werte in der GG = Gesetz der großen Zahlen
Die Mittelwerte (unendlich) vieler Stichproben (n > 30) bilden eine Normalverteilung um den wahren Mittelwert =
Zentraler Grenzwertsatz
0.010
0.005
0.000
IQ
Inferenzstatistik I BMM: Basismodul Methoden 2. April 2024 43 / 91
Wahrscheinlichkeitsverteilungen: Normalverteilung
IQ
Inferenzstatistik I BMM: Basismodul Methoden 2. April 2024 44 / 91
Wahrscheinlichkeitsverteilungen: Normalverteilung
0.02
0.01
0.00
Körpergröße
Inferenzstatistik I BMM: Basismodul Methoden 2. April 2024 45 / 91
Wahrscheinlichkeitsverteilungen: Normalverteilung
0.010
0.005
0.000
IQ
Inferenzstatistik I BMM: Basismodul Methoden 2. April 2024 46 / 91
Wahrscheinlichkeitsverteilungen: Normalverteilung
1) Es handelt sich hierbei um eine symmetrische, unimodale, glockenförmige Verteilung, deren Ausprägungen entlang der
horizontalen Achse von −∞ bis ∞ reichen
Normalverteilung für Intelligenzquotient (IQ) 2) Modus, Median und arithmetisches Mittel sind gleich
3) Die Kurvenenden nähern sich asymptotisch der Abzisse
0.025
0.010
0.005
0.000
IQ
5) Kennzeichen der Normalverteilung ist, dass die Realisierungswahrscheinlichkeit in einem Intervall ±k Standardabweichungen
σX um den Erwartungswert µx eine feste Größe ist
IQ
0.025
0.020
0.015
Dichte
IQ
0.025
0.020
0.010
0.005
0.000
IQ
Inferenzstatistik I BMM: Basismodul Methoden 2. April 2024 48 / 91
Wahrscheinlichkeitsverteilungen: Normalverteilung
Verschiedene Normalverteilungen
0.05
N(100, 20)
N(80, 30)
N(110, 8)
±1 Standardabweichung beträgt
0.6826
0.04
±2 Standardabweichung beträgt
0.9544
±3 Standardabweichung beträgt
0.03
0.9972
Dichte
0.02
0.01
0.00
IQ
Alter Z-Transformation:
xi − x̄
300
zi = (4)
sx
200
count
100
25 50 75 100
age
Z-Transformation:
Alter z-Wert
1 35
2 27 xi − x̄
3 63 zi =
4 61 sx
5 58 35 − 47.4
6 34 z1 =
7 51 12.47
8 56 z1 = − 0, 99
9 46
10 43
Mittelwert: 47.4
Standardabweichung: 12.47
Z-Transformation:
Alter z-Wert Standardnormalverteilung
1 35 -0,99
0.4
2 27 -1,64
3 63 1,25
4 61 1,09
0.3
5 58 0,85
6 34 -1,07
Dichte
0.2
7 51 0,29
8 56 0,69
9 46 -0,11
0.1
10 43 -0,35
0.0
Mittelwert: 47.4
Standardabweichung: 12.47 −4 −2 0 2 4
N(100, 20)
N(80, 30)
N(110, 8)
0.4
0.04
0.3
0.03
Z-Transformation
Dichte
Dichte
0.2
0.02
0.1
0.01
0.0
0.00
−4 −2 0 2 4
0 50 100 150 200
x
IQ
Standardnormalverteilung
Zwischen ±1 Standardabweichung liegt 68,26% der
0.4
Fläche
0.3
Dichte
+/− 1 Standardabwichung
0.2
Area
0.1
0.0
−4 −2 0 2 4
Z−Standardabweichungen
Standardnormalverteilung
Zwischen ±1 Standardabweichung liegt 68,26% der
0.4
Fläche
Zwischen ± 2 Standardabweichung liegt 95,44% der
Fläche
0.3
Dichte
+/− 1 Standardabwichung
0.2
Area
0.1
0.0
−4 −2 0 2 4
Z−Standardabweichungen
Standardnormalverteilung
Zwischen ±1 Standardabweichung liegt 68,26% der
0.4 Fläche
Zwischen ± 2 Standardabweichung liegt 95,44% der
Fläche
0.3
Zwischen ± 3 Standardabweichung liegt 99,72% der
Fläche
Dichte
+/− 1 Standardabwichung
0.2
Area
0.1
0.0
−4 −2 0 2 4
Z−Standardabweichungen
Standardnormalverteilung
0.4
Tabelle 1
Wahrschein- Wahrschein- Wahrschein-
Z_Wert Z_Wert Z_Wert
lichkeit lichkeit lichkeit
0 0,5 1 0,8413 2 0,9772
0.3
0,05 0,5199 1,05 0,8531 2,05 0,9798
0,1 0,5398 1,1 0,8643 2,1 0,9821
0,15 0,5596 1,15 0,8749 2,15 0,9842
0,2 0,5793 1,2 0,8849 2,2 0,9861
0,25 0,5987 1,25 0,8944 2,25 0,9878
Dichte
0,3 0,6179 1,3 0,9032 2,3 0,9893
0.2
0,35 0,6368 1,35 0,9115 2,35 0,9906
0,4 0,6554 1,4 0,9192 2,4 0,9918
0,45 0,6736 1,45 0,9265 2,45 0,9929
0,5 0,6915 1,5 0,9332 2,5 0,9938
0,55 0,7088 1,55 0,9394 2,55 0,9946
0,6 0,7257 1,6449 0,9500 2,6 0,9953
0.1
0,65 0,7422 1,65 0,9505 2,65 0,9960
0,7 0,7580 1,7 0,9554 2,7 0,9965
0,75 0,7734 1,75 0,9599 2,75 0,9970
0,8 0,7881 1,8 0,9641 2,8 0,9974
0,85 0,8023 1,85 0,9678 2,85 0,9978
0,9 0,8159 1,9 0,9713 2,9 0,9981
0.0
0,95 0,8289 1,9600 0,9750 2,95 0,9984
-
8
−4 −2 0 2 4
Z−Standardabweichungen
Standardnormalverteilung
0.4
Tabelle 1
Wahrschein- Wahrschein- Wahrschein-
Z_Wert Z_Wert Z_Wert
lichkeit lichkeit lichkeit
0 0,5 1 0,8413 2 0,9772
0.3
0,05 0,5199 1,05 0,8531 2,05 0,9798
0,1 0,5398 1,1 0,8643 2,1 0,9821
0,15 0,5596 1,15 0,8749 2,15 0,9842
0,2 0,5793 1,2 0,8849 2,2 0,9861
0,25 0,5987 1,25 0,8944 2,25 0,9878
Dichte
0,3 0,6179 1,3 0,9032 2,3 0,9893
0.2
0,35 0,6368 1,35 0,9115 2,35 0,9906
0,4 0,6554 1,4 0,9192 2,4 0,9918
0,45 0,6736 1,45 0,9265 2,45 0,9929
0,5 0,6915 1,5 0,9332 2,5 0,9938
0,55 0,7088 1,55 0,9394 2,55 0,9946
0,6 0,7257 1,6449 0,9500 2,6 0,9953
0.1
0,65 0,7422 1,65 0,9505 2,65 0,9960
0,7 0,7580 1,7 0,9554 2,7 0,9965
0,75 0,7734 1,75 0,9599 2,75 0,9970
0,8 0,7881 1,8 0,9641 2,8 0,9974
0,85 0,8023 1,85 0,9678 2,85 0,9978
50 %
0,9 0,8159 1,9 0,9713 2,9 0,9981
0.0
0,95 0,8289 1,9600 0,9750 2,95 0,9984
-
8
−4 −2 0 2 4
Z−Standardabweichungen
Standardnormalverteilung
0.4
Tabelle 1
Wahrschein- Wahrschein- Wahrschein-
Z_Wert Z_Wert Z_Wert
lichkeit lichkeit lichkeit
0 0,5 1 0,8413 2 0,9772
0.3
0,05 0,5199 1,05 0,8531 2,05 0,9798
0,1 0,5398 1,1 0,8643 2,1 0,9821
0,15 0,5596 1,15 0,8749 2,15 0,9842
0,2 0,5793 1,2 0,8849 2,2 0,9861
0,25 0,5987 1,25 0,8944 2,25 0,9878
Dichte
0,3 0,6179 1,3 0,9032 2,3 0,9893
0.2
0,35 0,6368 1,35 0,9115 2,35 0,9906
0,4 0,6554 1,4 0,9192 2,4 0,9918
0,45 0,6736 1,45 0,9265 2,45 0,9929
0,5 0,6915 1,5 0,9332 2,5 0,9938
0,55 0,7088 1,55 0,9394 2,55 0,9946
0,6 0,7257 1,6449 0,9500 2,6 0,9953
0.1
0,65 0,7422 1,65 0,9505 2,65 0,9960
0,7 0,7580 1,7 0,9554 2,7 0,9965
0,75 0,7734 1,75 0,9599 2,75 0,9970
0,8 0,7881 1,8 0,9641 2,8 0,9974 84,13 %
0,85 0,8023 1,85 0,9678 2,85 0,9978
0,9 0,8159 1,9 0,9713 2,9 0,9981 0.0
0,95 0,8289 1,9600 0,9750 2,95 0,9984
-
8
−4 −2 0 2 4
Z−Standardabweichungen
Standardnormalverteilung
0.4
Tabelle 1
Wahrschein- Wahrschein- Wahrschein-
Z_Wert Z_Wert Z_Wert
lichkeit lichkeit lichkeit
0 0,5 1 0,8413 2 0,9772
0.3
0,05 0,5199 1,05 0,8531 2,05 0,9798
0,1 0,5398 1,1 0,8643 2,1 0,9821
0,15 0,5596 1,15 0,8749 2,15 0,9842
0,2 0,5793 1,2 0,8849 2,2 0,9861
0,25 0,5987 1,25 0,8944 2,25 0,9878
Dichte
0,3 0,6179 1,3 0,9032 2,3 0,9893
0.2
0,35 0,6368 1,35 0,9115 2,35 0,9906
0,4 0,6554 1,4 0,9192 2,4 0,9918
0,45 0,6736 1,45 0,9265 2,45 0,9929
0,5 0,6915 1,5 0,9332 2,5 0,9938
0,55 0,7088 1,55 0,9394 2,55 0,9946
0,6 0,7257 1,6449 0,9500 2,6 0,9953
0.1
0,65 0,7422 1,65 0,9505 2,65 0,9960
0,7 0,7580 1,7 0,9554 2,7 0,9965
0,75 0,7734 1,75 0,9599 2,75 0,9970
0,8 0,7881 1,8 0,9641 2,8 0,9974
0,85 0,8023 1,85 0,9678 2,85 0,9978
97,72 %
0,9 0,8159 1,9 0,9713 2,9 0,9981
0.0
0,95 0,8289 1,9600 0,9750 2,95 0,9984
-
8
−4 −2 0 2 4
Z−Standardabweichungen
0.3
2 alpha-Werte sind die Ausgangspunkte
a) bis zu welchem z-Wert liegen 97,5% der Fälle (von -∞)?
b) zwischen welchen z Werten liegen 95% der Fälle
+/− 1 Standardabwichung
Dichte
0.2
Area
symmetrisch um 0 verteilt?
0.1
95,0 %
0.0
- 1,64 2
8
−4 −2 0 4
8
Z−Standardabweichungen
0.3
2 alpha-Werte sind die Ausgangspunkte
a) bis zu welchem z-Wert liegen 97,5% der Fälle (von -∞)?
0.2
Area
symmetrisch um 0 verteilt?
0.1
95,0 % 5%
0.0
- 1,64 2
8
−4 −2 0 4
8
Z−Standardabweichungen
0.3
2 alpha-Werte sind die Ausgangspunkte
a) bis zu welchem z-Wert liegen 97,5% der Fälle (von -∞)?
0.2
Area
symmetrisch um 0 verteilt?
0.1
5% 90 % 5%
0.0
- −4 -1,64
−2 0 1,64 2 4
8
Z−Standardabweichungen
0.1
2,5 % 95 % 2,5 %
0.0
-−4 -1,96
−2 0 1,96
2 4
8
Z−Standardabweichungen
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Frage: Wie lassen sich die aus einem Sample errechneten Beobachtungsdaten verallgemeinern?
Annahme: Normalverteilung des Merkmals
Verteilung des Merkmals Alter in der GG Die Merkmale der einzelnen Individuen verteilen sich in der GG um
den uns unbekannten Mittelwert µ
0.000 0.005 0.010 0.015 0.020 0.025 0.030
N(48, 18)
Dichte
0 20 40 60 80 100
Alter
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Frage: Wie lassen sich die aus einem Sample errechneten Beobachtungsdaten verallgemeinern?
Annahme: Normalverteilung des Merkmals
Verteilung des Merkmals Alter in der GG Die Merkmale der einzelnen Individuen verteilen sich in der GG um
den uns unbekannten Mittelwert µ
0.000 0.005 0.010 0.015 0.020 0.025 0.030
N(48, 18)
0 20 40 60 80 100
Alter
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Frage: Wie lassen sich die aus einem Sample errechneten Beobachtungsdaten verallgemeinern?
Annahme: Normalverteilung des Merkmals
Verteilung des Merkmals Alter in der GG Die Merkmale der einzelnen Individuen verteilen sich in der GG um
den uns unbekannten Mittelwert µ
0.000 0.005 0.010 0.015 0.020 0.025 0.030
N(48, 18)
0 20 40 60 80 100
Alter
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Frage: Wie lassen sich die aus einem Sample errechneten Beobachtungsdaten verallgemeinern?
Annahme: Normalverteilung des Merkmals
Verteilung des Merkmals Alter in der GG Die Merkmale der einzelnen Individuen verteilen sich in der GG um
den uns unbekannten Mittelwert µ
0.000 0.005 0.010 0.015 0.020 0.025 0.030
N(48, 18)
0 20 40 60 80 100
Alter
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Frage: Wie lassen sich die aus einem Sample errechneten Beobachtungsdaten verallgemeinern?
Annahme: Normalverteilung des Merkmals
Verteilung des Merkmals Alter in der GG Die Merkmale der einzelnen Individuen verteilen sich in der GG um
den uns unbekannten Mittelwert µ
0.000 0.005 0.010 0.015 0.020 0.025 0.030
N(48, 18)
Alter
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Frage: Wie lassen sich die aus einem Sample errechneten Beobachtungsdaten verallgemeinern?
Annahme: Normalverteilung des Merkmals
Verteilung des Merkmals Alter in der GG Die Merkmale der einzelnen Individuen verteilen sich in der GG um
den uns unbekannten Mittelwert µ
0.000 0.005 0.010 0.015 0.020 0.025 0.030
N(48, 18)
Alter Folglich haben 5% der Individuen ein Alter, das außerhalb der
Grenzen von µ ± 1, 96σ liegt
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Frage: Wie lassen sich die aus einem Sample errechneten Beobachtungsdaten verallgemeinern?
Annahme: Normalverteilung des Merkmals
Verteilung des Merkmals Alter in der GG Der für das spezielle Sample berechnete Mittelwert wird nur in den
seltensten Fällen mit dem Mittelwert in der GG übereinstimmen
0.000 0.005 0.010 0.015 0.020 0.025 0.030
N(48, 18)
Dichte
0 20 40 60 80 100
Alter
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Frage: Wie lassen sich die aus einem Sample errechneten Beobachtungsdaten verallgemeinern?
Annahme: Normalverteilung des Merkmals
Verteilung des Merkmals Alter in der GG Der für das spezielle Sample berechnete Mittelwert wird nur in den
seltensten Fällen mit dem Mittelwert in der GG übereinstimmen
0.000 0.005 0.010 0.015 0.020 0.025 0.030
N(48, 18)
0 20 40 60 80 100
Alter
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Frage: Wie lassen sich die aus einem Sample errechneten Beobachtungsdaten verallgemeinern?
Annahme: Normalverteilung des Merkmals
Verteilung des Merkmals Alter in der GG Der für das spezielle Sample berechnete Mittelwert wird nur in den
seltensten Fällen mit dem Mittelwert in der GG übereinstimmen
0.000 0.005 0.010 0.015 0.020 0.025 0.030
N(48, 18)
dann gehen Individuen i.d.R. gemäß dem Anteil, der auf eine
bestimmte Ausprägung eines Merkmals entfällt, in das Sample ein
und vice versa
0 20 40 60 80 100
Alter
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Frage: Wie lassen sich die aus einem Sample errechneten Beobachtungsdaten verallgemeinern?
Annahme: Normalverteilung des Merkmals
Verteilung des Merkmals Alter in der GG Der für das spezielle Sample berechnete Mittelwert wird nur in den
seltensten Fällen mit dem Mittelwert in der GG übereinstimmen
0.000 0.005 0.010 0.015 0.020 0.025 0.030
N(48, 18)
dann gehen Individuen i.d.R. gemäß dem Anteil, der auf eine
bestimmte Ausprägung eines Merkmals entfällt, in das Sample ein
und vice versa
Tatsächlich wird es selten vorkommen, dass unser Sample ein
0 20 40 60 80 100
Spiegelbild der GG darstellt
Alter
Wird ein zweites, drittes ... n-tes Sample gezogen, würde man
jeweils einen anderen Mittelwert errechnen
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Frage: Wie lassen sich die aus einem Sample errechneten Beobachtungsdaten verallgemeinern?
Annahme: Normalverteilung des Merkmals
Bei wiederholter Auswahl von Teilmassen/ Samples kann man eine Variation der Samplemittelwerte beobachten
Tabelle: 1000 Samples (n=100); Daten: Zufallsvariable Alter von 18 - 80; Mittelwert: 48.73
nr x̄ nr x̄ nr x̄ nr x̄ nr x̄
1 49,36 11 45,38 21 49,43 31 48,07 991 48,25
2 50,86 12 50,77 22 46,21 32 47,9 992 50,5
3 49,83 13 49,69 23 47,08 33 49,08 993 46,76
4 46,93 14 46,67 24 47,23 34 45,1 994 48,72
5 45,02 15 47,5 25 47,99 35 48,37 995 49,37
6 49,78 16 46,41 26 47,88 36 48,09 996 46,92
7 49,42 17 46,85 27 44,51 37 49,85 997 48,56
8 49,05 18 47,68 28 49,19 38 47,37 998 47,5
9 47,26 19 51,41 29 48,59 39 45,67 999 50,91
10 49,74 20 47,6 30 50,4 (...) (...) 1000 50,22
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Frage: Wie lassen sich die aus einem Sample errechneten Beobachtungsdaten verallgemeinern?
Annahme: Normalverteilung des Merkmals
Bei wiederholter Auswahl von Teilmassen/ Samples kann man eine Variation der Samplemittelwerte beobachten
Zieht man bei einem normalverteilten Merkmal nach dem Histogramm der Mittelwerte (,age') von 1k Zufallsstichproben & Normalverteilung
Zufallsprinzip (theoretisch) unendlich viele Samples
0.30
(bspw. n = 1000) und errechnet für jedes Sample den
0.25
Mittelwert:
⇒ Die Mittelwerte der unendlich vielen Samples
0.20
bilden selbst wieder eine Normalverteilung,
Dichte
0.15
⇒ Der Mittelwert aller Mittelwerte E(x̄) entspricht
dann dem Mittelwert der GG (µ)
0.10
⇒ 95% aller Samples fallen bspw. in den Bereich µ±
1,96 Standardabweichung
0.05
0.00
45 50 55
Mittelwerte
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Frage: Wie lassen sich die aus einem Sample errechneten Beobachtungsdaten verallgemeinern?
Annahme: Normalverteilung des Merkmals
Bei wiederholter Auswahl von Teilmassen/ Samples kann man eine Variation der Samplemittelwerte beobachten
Standardnormalverteilung
⇒ Es ist sehr wahrscheinlich, dass man ein Sample
0.4
gezogen hat, dessen Mittelwert in den Bereich von
µ ± 1,96 Standardabweichungen fällt, denn 95% der
Sampledurchschnitte fallen in diesen Bereich
0.3
+/− 1 Standardabwichun
Dichte 0.2
Area
0.1
2,5 % 95 % 2,5 %
0.0
-−4 -1,96
−2 0 1,96
2 4
8
8
Z−Standardabweichungen
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Frage: Wie lassen sich die aus einem Sample errechneten Beobachtungsdaten verallgemeinern?
Annahme: Normalverteilung des Merkmals
Standardnormalverteilung
0.4
0.3
+/− 1 Standardabwichung
Dichte
0.2
Area
0.1
47,5%
0.0
-
8
−4 −2 0 2 4
Z−Standardabweichungen
Standardnormalverteilung
0.4
0.4
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von 0.3
Dichte
0.2
Area
Frage: Wie lassen sich die aus einem Sample errechneten Beobachtungsdaten verallgemeinern?
Annahme: Normalverteilung des Merkmals
0.1
47,5%
Im ungünstigsten Fall liegt unser Samplemittelwert (x̄) + 1,96 Im ungünstigsten Fall liegt unser Samplemittelwert (x̄) - 1,96
0.0
-
Standardabweichungen (σ) Z−Standardabweichungen
vom wahre Mittelwert (µ) entfernt
8
−4 −2 0 2 4
Standardabweichungen (σ) vom wahre Mittelwert (µ) entfernt
Standardnormalverteilung
Standardnormalverteilung
0.4
0.4
0.3
0.3
+/− 1 Standardabwichung
Dichte
+/− 1 Standardabwichung
Dichte
0.2
0.2 Area
Area
0.1
0.1 47,5%
47,5%
0.0
0.0
-−4 −2 0 2 4
8
8
- Z−Standardabweichungen
8
−4 −2 0 2 4
Z−Standardabweichungen
Standardnormalverteilung
0.4
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Frage: Wie lassen sich die aus einem Sample errechneten Beobachtungsdaten verallgemeinern?
Annahme: Normalverteilung des Merkmals
0.4
µ = x̄ ± zσx̄ (5)
0.3
Für z = 1,64
µ = x̄ ± 1, 64 σx̄
+/− 1 Standardabwichung
Dichte
0.2
Area
0.1
5% 90 % 5%
0.0
- −4 -1,64
−2 0 1,64 2 4
8
Z−Standardabweichungen
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Frage: Wie lassen sich die aus einem Sample errechneten Beobachtungsdaten verallgemeinern?
Annahme: Normalverteilung des Merkmals
0.2
Area
0.1
2,5 % 95 % 2,5 %
0.0
-−4 -1,96
−2 0 1,96
2 4
8
Z−Standardabweichungen
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Frage: Wie lassen sich die aus einem Sample errechneten Beobachtungsdaten verallgemeinern?
Annahme: Normalverteilung des Merkmals
+ Mit dem z-Wert wird die Breite des Intervalls festgelegt Allgemeine Formel
(später Konfidenzintervall)
µ = x̄ ± zσx̄
+ Je größer der gewählte z-Wert, desto sicherer ist die
Schätzung aber desto ungenauer wird die Schätzung.
+ Je kleiner der gewählte z-Wert, desto präziser ist die
Schätzung, aber desto unsicherer wir sie.
+ Z ist also ein „Platzhalter” für den Vertrauensbereich, der
uns interessiert
+ 1- Vertrauensbereich = Irrtumswahrscheinlichkeit =
Signifikanzniveau
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Frage: Wie lassen sich die aus einem Sample errechneten Beobachtungsdaten verallgemeinern?
Annahme: Normalverteilung des Merkmals
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Frage: Wie lassen sich die aus einem Sample errechneten Beobachtungsdaten verallgemeinern?
Annahme: Normalverteilung des Merkmals
Wäre die Streuung aller (unendlich vieler) Sampledurchschnitte bekannt, könnte man die Vertrauensgrenze (95%) angeben,
innerhalb derer der wahre Mittelwert der GG zu vermuten wäre
Problem: Streuung ist nicht bekannt
⇒ Wir müssen die Streuung der unendlich vielen Mittelwerte schätzen
Wäre die Streuung aller (unendlich vieler) Sampledurchschnitte bekannt, könnte man die Vertrauensgrenze (95%) angeben,
innerhalb derer der wahre Mittelwert der GG zu vermuten wäre
Problem: Streuung ist nicht bekannt
⇒ Wir müssen die Streuung der unendlich vielen Mittelwerte schätzen
σx
σx̄ = √ (6)
n
I Ist n ≥ 30, dann entspricht die Standardabweichung in einem Sample ungefähr der der GG
σx ∼ s x
⇒ man betrachtet die Standardabweichung des Samples als guten Schätzwert für den Parameter der GG (σx )
σx sx
σx̄ = √ ∼ √
n n
also
s n
P
(xi −x̄)2
i=1
n
σ̂x̄ = √ (7)
n
! In diesem Zusammenhang spricht man von der Schätzung der Standardabweichung σx̄ , die auch als
Standardfehler (S.E.)!!!! eines Durchschnitts x̄ bezeichnet wird
σx̄ ist die tatsächliche Standardabweichung der Sampleverteilung und σ̂x̄ ist die Schätzung dieser Abweichung
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Frage: Wie lassen sich die aus einem Sample errechneten Beobachtungsdaten verallgemeinern?
Annahme: Normalverteilung des Merkmals
0.4
Rest 2,5% am linken Ende der Kurve und 2,5% am
rechten Ende
Der Vertrauensbereich – der Bereich in dem der
0.3
Parameter vermutet wird – lässt sich wie folgt berechnen:
sx 18
µ = x̄ ± z σ̂x̄ = x̄ ± 1, 96 · √ = 48 ± 2 √
+/− 1 Standa
Dichte
n 1000 0.2
Area
= 48 ± 1, 96 · 0, 57 = 48 ± 1, 1
8
Z−Standardabweichungen
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Frage: Wie lassen sich die aus einem Sample errechneten Beobachtungsdaten verallgemeinern?
Annahme: Normalverteilung des Merkmals
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Frage: Wie lassen sich die aus einem Sample errechneten Beobachtungsdaten verallgemeinern?
Annahme: Normalverteilung des Merkmals
Beispiel:
Zufallsauswahl von n = 1000 Personen aus einer beliebigen GG. Für diese Auswahl gilt ein durchschnittliches Alter von
48,73 Jahren mit einer Standardabweichung von 18,07
Frage: Wie lassen sich die aus einem Sample errechneten Beobachtungsdaten verallgemeinern?
Annahme: Normalverteilung des Merkmals
I
Abbildung 29 veranschaulicht diese
ist, bei großen Stichproben sind
tungswert ist der gesuchte "wahre
Vort<Hu"" v.J · i · x
teverteilung wird mit zunehmenden
Zufällige Unterschiede zwischen den Mittelwerten werden
I
x
!l Der zentrale Grenzwertsatz
bei wachsendem ist eine
Stichprobenumfang n grundsätzlich
A
kleiner tistik. Verlässliche Aussagen über (
probe sind möglich, weil man die'
gebender
Verteilung kann.Stichprobenmittelwerte eines Merkmals X
Verteilung von x
Xmit n=2:
geht fürIstgroße n in eine Normalverteilung
f.l. der Populationsmittelwert und über
x x on (mit ansonsten beliebiger Vettei
I/\
J.1 !l Die Varianz
fang n >nimmt proportional zum Stichprobenumfang
30 die Mittelwerte
ab beschreibbar.
n=5: I, LÄ
f\
,<,<",
!l
x x
Egal wie
Dass es sich bei der Verteilung vor
ein Merkmal
malverteilung
sind dieeinstellt,
Mittelwerte
verteilt
handelt,
normalverteilt
wenn sehr
ist, bei großen Stichproben
liegt daran,
viele kleine ur
(vgl. 1.8.8). Genau dies geschieht
Verlässliche Aussagen über den wahren Mittelwert
Stichproben.
ILx
aufgrund einer Stichprobe sind möglich, weil man die
n=30:
,\I Verteilung von Stichprobenmittelwerten
II.A.l.l.3 Verteilungen anderer) angeben kann.
1 j
/\ \
Nicht nur fiir das arithmetische Mi
!lx ner Stichprobe kann deren Verteilu
!l !l
dardabweichung, Median). Allerdir
Abbildung 29 zeigt, wie sich die Mittelwerteverteilung unabhängig von der Vertei-
verteilt.
Zentralerte:lungGrenzwertsatz
des Merkmals (obere Reihe rechts: eine schiefe Verteilung, Mit-
Gleichverteilung, links: eine zweigipflige Verteilung) mit wach- /I.A.i.2 Standard/ehler
sendem Stichprobenumfang einer Normalverteilung annähert.
Die Mittelwerte von hinreichend großen Strichproben (n≥ 30) verteilen sich normal um µ
II.A.l.2.1 den Mittelwert
Standardfehler des Mi der Grundgesamt. Diese
Verteilung ist unabhängig von der Verteilung der Werte in der Grundgesamtheit, d. h. die müssen nicht normalverteilt sein.
Wir kennen nun die Verteilung VOI
(Kuckartz et al. 2010, S: 132) sie um den wahren Mittelwert !! )
mit einem Mittelwert den wahren
108
Benninghaus, Hans [2007]: Deskriptive Statistik. Eine Einführung für die Sozialwissenschaftler. Wiesbaden: VS Verlag für
Sozialwissenschaften. S. 36 - 58
Sahner, Heinz [2008]: Schließende Statistik. Eine Einführung für Sozialwissenschaftler. Wiesbaden: VS Verlag für
Sozialwissenschaften. S. 31 - 45