Statistik: Stichproben

1.0 Introduction to Statistics and Probability

Einführung in Statistik und Wahrscheinlichkeit

Statistik ist die Wissenschaft, die sich mit der Sammlung, Analyse, Interpretation und Präsentation von Daten beschäftigt. Sie hilft uns, Muster in der Welt um uns herum zu erkennen und fundierte Entscheidungen zu treffen.

Wahrscheinlichkeit ist ein mathematisches Werkzeug, um Zufälligkeit zu untersuchen. Sie quantifiziert die Wahrscheinlichkeit, mit der ein Ereignis eintritt. Beispielsweise nähert sich die Häufigkeit von "Kopf" bei vielen Münzwürfen der theoretischen Wahrscheinlichkeit von 0,5 an, selbst wenn kurze Serien unregelmäßig ausfallen.

descriptive statistics (deskriptive Statistik)

Teilgebiet der Statistik, das sich mit der Organisation, Zusammenfassung und Darstellung von Daten beschäftigt. Methoden umfassen grafische Darstellungen und numerische Kennzahlen wie den Mittelwert.

inferential statistics (schließende Statistik)

Teilgebiet der Statistik, das aus Daten Schlussfolgerungen zieht und diese mit einer bestimmten Sicherheit bewertet. Nutzt Wahrscheinlichkeitstheorie, um die Verlässlichkeit von Aussagen zu bestimmen.

1.1 Key Terms: Population, Sample, Statistic, Parameter, Variable, and Data

1.1 Wichtige Begriffe: Population, Stichprobe, Statistik, Parameter, Variable und Daten

Statistische Studien untersuchen eine Population (Grundgesamtheit), also eine Gruppe von Personen, Dingen oder Objekten. Um Aussagen über die Population zu treffen, wird eine Stichprobe (Teilmenge der Population) gezogen. Die Daten (Datenpunkte) entstehen durch die Erhebung dieser Stichprobe und sind die Grundlage für weitere Analysen.

Aus den Stichprobendaten wird eine Statistik (Kennzahl der Stichprobe) berechnet, z. B. der Mittelwert einer Klasse als Schätzung für den Mittelwert aller Klassen. Eine Statistik ist eine numerische Eigenschaft der Stichprobe, während ein Parameter eine numerische Eigenschaft der gesamten Population beschreibt. Die Genauigkeit der Schätzung hängt davon ab, wie gut die Stichprobe die Population repräsentiert (repräsentative Stichprobe).

Eine Variable (meist mit Großbuchstaben wie X oder Y notiert) ist eine messbare oder kategorisierbare Eigenschaft der Elemente einer Population. Man unterscheidet zwischen numerischen Variablen (z. B. Gewicht in kg) und kategorialen Variablen (z. B. Parteizugehörigkeit). Nur numerische Variablen erlauben mathematische Operationen wie die Berechnung eines Mittelwerts.

Daten sind die tatsächlichen Werte einer Variablen. Sie können numerisch (z. B. 86 Punkte) oder kategorial (z. B. "Demokrat") sein. Der Singular Datum bezeichnet einen einzelnen Datenpunkt.

Der Mittelwert (arithmetisches Mittel) ist ein Maß für die zentrale Tendenz numerischer Daten. Die Proportion (Anteil) beschreibt den relativen Anteil einer Kategorie an der Gesamtmenge, z. B. der Anteil männlicher Studierender in einer Klasse.

Unterschiede zwischen Statistik, Parameter und Variable

1.2 Types of Data and Levels of Measurement

Daten lassen sich in zwei Hauptkategorien einteilen: qualitative Daten (auch kategoriale Daten) und quantitative Daten.

Qualitative Daten beschreiben Eigenschaften oder Kategorien einer Population und werden meist durch Wörter oder Buchstaben dargestellt. Beispiele sind Haarfarbe, Blutgruppe oder die Straße, in der eine Person wohnt. Sie eignen sich weniger für mathematische Analysen, da sich keine Mittelwerte wie bei numerischen Daten bilden lassen.

Quantitative Daten sind immer Zahlen und entstehen durch Zählen oder Messen. Sie lassen sich weiter unterteilen in diskrete Daten und stetige Daten.

quantitative discrete data

Quantitative diskrete Daten entstehen durch Zählen und können nur bestimmte numerische Werte annehmen, z. B. die Anzahl der Telefonanrufe pro Tag (0, 1, 2, 3).

quantitative continuous data

Quantitative stetige Daten umfassen auch Brüche, Dezimalzahlen oder irrationale Zahlen und entstehen meist durch Messungen wie Längen, Gewichte oder Zeiten. Beispiele sind die Dauer von Telefonaten (2,4; 7,5; 11,0 Minuten) oder das Gewicht von Rucksäcken (6,2; 7; 6,8 Pfund).

1.3 Displaying and Reading Qualitative Data

Qualitative Daten anzeigen und lesen

Qualitative Daten werden oft in Kreisdiagrammen, Balkendiagrammen oder Pareto-Diagrammen dargestellt. Die Wahl des Diagramms hängt von der Art der Kategorien und davon ab, ob alle Prozentangaben sinnvoll sind.

Vergleich der Diagrammtypen für qualitative Daten

1.4 Sampling Methods and Sampling Error

1.4 Stichprobenverfahren und Stichprobenfehler

Die Wahl des Stichprobenverfahrens beeinflusst die Qualität der Ergebnisse. Unterschiedliche Methoden zielen darauf ab, eine repräsentative Stichprobe (representative sample) zu erhalten, um Verzerrungen (bias) und Stichprobenfehler (sampling error) zu minimieren. Selbst bei zufälligen Verfahren variieren Stichproben naturgemäß, da sie nur einen Ausschnitt der Population (population) abbilden.

Ein stratifiziertes Stichprobenverfahren (stratified sample) unterteilt die Population in homogene Gruppen (Strata, strata) und wählt proportional aus jedem Stratum eine Stichprobe aus. Beispiel: Eine Hochschule wird nach Fachbereichen (Departments) gruppiert, und aus jedem Bereich wird eine proportionale Zufallsstichprobe gezogen. Dies stellt sicher, dass jede Untergruppe angemessen vertreten ist.

Ein Klumpenstichprobenverfahren (cluster sample) unterteilt die Population in Cluster (z. B. Fachbereiche) und wählt zufällig einige Cluster aus. Alle Mitglieder dieser Cluster werden in die Stichprobe aufgenommen. Beispiel: Vier zufällig ausgewählte Fachbereiche einer Hochschule bilden die Stichprobe. Alle Dozierenden und Studierenden dieser vier Bereiche werden befragt.

Ein systematisches Stichprobenverfahren (systematic sample) wählt zufällig einen Startpunkt und dann jedes $n$-te Element aus einer geordneten Liste der Population aus. Beispiel: Bei einer Telefonumfrage mit 20.000 Einträgen wird zunächst eine zufällige Startnummer gezogen, danach jede 50. Nummer ausgewählt, bis 400 Einträge erreicht sind. Dieses Verfahren ist einfach umzusetzen und wird daher häufig verwendet.

Convenience Sampling (convenience sampling) ist ein nicht-zufälliges Verfahren, das auf leicht verfügbare Daten zurückgreift. Beispiel: Eine Softwarefirma befragt zufällig anwesende Kund:innen in einem Laden. Die Ergebnisse können unvoreingenommen sein, sind aber oft verzerrt, da sie keine zufällige Auswahl der gesamten Zielgruppe darstellen.

Stichprobenfehler entstehen selbst bei zufälligen Verfahren, da zwei Stichproben derselben Population nie identisch sind. Die Stichprobengröße (sample size) wird nicht durch die Populationsgröße bestimmt, sondern durch die gewünschte Präzision. Eine Stichprobe von 1.000 kann sowohl eine Population von 100.000 als auch von 1.000.000 angemessen abbilden, sofern die Präzision gleich bleibt.

1.5 Variation in Data and Samples

Variation in Daten und Stichproben

Variation ist ein natürliches Phänomen in wiederholten Messungen und Stichproben. Selbst wenn dieselben Bedingungen vorliegen, können unterschiedliche Ergebnisse auftreten. Dies bedeutet nicht zwangsläufig, dass eine Messung oder Stichprobe falsch ist — vielmehr spiegelt die Variation die natürliche Streuung wider.

Ein zentrales Konzept ist der Stichprobenfehler (sampling error). Er beschreibt die Abweichung zwischen einer Stichprobenstatistik (z. B. dem Mittelwert (mean)) und dem wahren Wert der Grundgesamtheit (population). Diese Abweichung entsteht durch die zufällige Auswahl der Stichprobe und ist unvermeidbar, solange nicht die gesamte Grundgesamtheit erhoben wird.

Die Variabilität (variability) in Daten kann durch verschiedene Faktoren beeinflusst werden, darunter:

• Messfehler (measurement error): Ungenauigkeiten bei der Datenerfassung.
• Natürliche Streuung (natural variability): Unterschiede zwischen Individuen oder Objekten in der Grundgesamtheit.
• Stichprobenverfahren (sampling method): Die Art der Stichprobenziehung (z. B. einfache Zufallsstichprobe (simple random sample) vs. geschichtete Stichprobe (stratified sample)) beeinflusst die erwartete Variation.

Unterschiede zwischen Stichproben und Grundgesamtheit

Eine repräsentative Stichprobe (representative sample) minimiert systematische Verzerrungen, aber die zufällige Variation bleibt bestehen. Selbst bei optimaler Stichprobenziehung können Stichprobenstatistiken von den Parametern der Grundgesamtheit abweichen. Dies ist kein Fehler, sondern ein erwartetes Phänomen in der Statistik.

1.6 Frequency Tables and Relative Frequencies

Eine Häufigkeit (frequency) gibt an, wie oft ein bestimmter Wert in den Daten vorkommt. Beispielsweise zeigt Tabelle 1.10, dass drei Studierende zwei Stunden arbeiten und fünf Studierende drei Stunden arbeiten. Die Summe aller Werte in der Häufigkeitsspalte beträgt 20 und entspricht damit der Gesamtzahl der Studierenden in der Stichprobe.

1.7 Experimental Design and Ethics

1.7 Versuchsplanung und Ethik

Randomisierte Experimente nutzen explanatory variables (erklärende Variablen), response variables (Reaktionsvariablen), Treatments (Behandlungen), randomisierte Zuweisung und die Kontrolle von lurking variables (verdeckten Variablen), um kausale Schlussfolgerungen zu stützen.

Ein Experiment besteht aus mindestens einer erklärenden Variable und einer Reaktionsvariablen. Die erklärende Variable wird aktiv manipuliert, während die Reaktionsvariable gemessen wird, um den Effekt des Treatments zu bewerten.

Die randomisierte Zuweisung (zufällige Verteilung der Teilnehmer auf Treatment- und Kontrollgruppe) stellt sicher, dass sich die Gruppen in allen relevanten Merkmalen ähneln, außer in der Behandlung selbst. Dies minimiert den Einfluss verdeckter Variablen und ermöglicht eine valide Kausalanalyse.

Experimente erfordern klare Treatments (z. B. ein neues Medikament vs. Placebo) und eine präzise Definition der Reaktionsvariablen (z. B. Blutdruckmessung). Ohne diese Struktur können Ergebnisse nicht eindeutig interpretiert werden.

Ethische Richtlinien verlangen bei Experimenten mit Menschen oder Tieren:

• Informierte Zustimmung (Teilnehmer müssen über Ziele und Risiken aufgeklärt werden),
• Minimierung von Risiken (Schutz vor Schäden),
• Vertraulichkeit der Daten (Anonymisierung),
• Ausgewogenheit von Nutzen und Risiko (keine unnötige Belastung).

Vergleich: Randomisierte Experimente vs. Beobachtungsstudien

Begriffe

statistics

Statistik ist die Wissenschaft, die sich mit der Sammlung, Analyse, Interpretation und Präsentation von Daten beschäftigt.

descriptive statistics

Deskriptive Statistik organisiert und fasst Daten zusammen, z. B. durch Grafiken oder Kennzahlen wie den Mittelwert, während Inferenzstatistik aus Stichproben probabilistisch auf die Grundgesamtheit schließt.

probability

Wahrscheinlichkeit ist ein mathematisches Werkzeug, um zufällige Ereignisse und deren Eintrittswahrscheinlichkeiten zu untersuchen und Vorhersagen zu treffen.

population

A population is the collection of persons, things, or objects under study; a sample is a portion of the population selected for study; sampling is the process of selecting that portion.

statistic

A statistic is a number that represents a property of a sample, and a parameter is a numerical characteristic of the whole population that can be estimated by a statistic.

representative sample

A representative sample is a sample that contains the characteristics of the population, so that the sample statistic can accurately estimate the population parameter.

variable

A variable is a characteristic or measurement determined for each member of a population; variables may be numerical or categorical.

numerical variable

Numerical variables take on values with equal units and can be analyzed mathematically, while categorical variables place the person or thing into a category and do not make sense for arithmetic operations.

data

Data are the actual values of a variable, and a datum is a single value.

mean

The mean is computed by adding the values and dividing by the number of values, and a proportion is the fraction of the sample or population in a category.

qualitative data

Qualitative Daten sind kategoriale Daten, die Attribute einer Population beschreiben und meist durch Wörter oder Buchstaben dargestellt werden.

quantitative data

Quantitative Daten sind Zahlen, die durch Zählen oder Messen entstehen und entweder diskret oder stetig sein können.

quantitative discrete data

Quantitative diskrete Daten entstehen durch Zählen und nehmen nur bestimmte numerische Werte an (z. B. ganze Zahlen).

quantitative continuous data

Quantitative stetige Daten entstehen durch Messen und können beliebige Werte innerhalb eines Bereichs annehmen (z. B. Brüche oder Dezimalzahlen).

sampling

Sampling ist die Auswahl einer Teilmenge (Stichprobe) aus einer größeren Gruppe (Population), um Rückschlüsse auf die gesamte Gruppe zu ziehen. Es wird verwendet, wenn die Untersuchung der gesamten Population zu aufwendig oder unmöglich ist.

simple random sample

Eine einfache Zufallsstichprobe ist eine Stichprobe, bei der jedes Mitglied der Population die gleiche Chance hat, ausgewählt zu werden. Jede mögliche Stichprobe der gleichen Größe hat die gleiche Wahrscheinlichkeit, gezogen zu werden.

stratified sample

Eine stratifizierte Stichprobe wird gebildet, indem die Population in Schichten (strata) unterteilt wird, die sich in einem bestimmten Merkmal unterscheiden. Aus jeder Schicht wird dann eine proportionale Anzahl von Mitgliedern zufällig ausgewählt.

cluster sample

Eine Klumpenstichprobe wird gebildet, indem die Population in Klumpen (clusters) eingeteilt wird. Einige Klumpen werden zufällig ausgewählt, und alle Mitglieder dieser Klumpen werden in die Stichprobe aufgenommen.

systematic sample

Eine systematische Stichprobe wird gebildet, indem ein zufälliger Startpunkt gewählt wird und dann jedes n-te Mitglied der Population ausgewählt wird.

convenience sampling

Convenience-Sampling ist eine nicht-zufällige Methode, bei der nur leicht verfügbare Daten verwendet werden. Dies kann zu verzerrten Ergebnissen führen, da bestimmte Gruppen über- oder unterrepräsentiert sein können.

sampling with replacement

Beim Sampling mit Zurücklegen kann ein ausgewähltes Mitglied in die Population zurückkehren und erneut ausgewählt werden. Ohne Zurücklegen wird jedes Mitglied nur einmal ausgewählt.

sampling error

Sampling-Error ist die natürliche Abweichung zwischen einer Stichprobe und der Population, die durch die zufällige Auswahl entsteht. Er ist nicht mit Fehlern in der Datenerhebung zu verwechseln.

level of measurement

A level of measurement is the way a set of data is measured, and the four levels are nominal, ordinal, interval, and ratio.

nominal scale

Nominal-scale data are qualitative categories, names, labels, colors, and yes/no responses that are not ordered and cannot be used in calculations.

ordinal scale

Ordinal-scale data can be ordered or ranked, but the differences between values cannot be measured and the data cannot be used in calculations.

interval scale

Interval-scale data are numerical and ordered, and differences between values are meaningful, but there is no true zero or minimum value.

ratio scale

Ratio-scale data have an ordering, meaningful differences, a true minimum value, and meaningful ratios.

frequency

Eine Häufigkeit (frequency) ist die Anzahl, wie oft ein bestimmter Wert in einer Stichprobe oder einem Datensatz vorkommt.

relative frequency

Eine relative Häufigkeit (relative frequency) ist das Verhältnis der Häufigkeit eines Wertes zur Gesamtzahl aller Beobachtungen. Sie kann als Bruch, Dezimalzahl oder Prozent angegeben werden.

cumulative relative frequency

Die kumulierte relative Häufigkeit (cumulative relative frequency) ist die laufende Summe der relativen Häufigkeiten. Am Ende sollte sie den Wert 1 (oder annähernd 1 bei Rundungen) erreichen.

explanatory variable

An experimental study investigates the relationship between two variables; the explanatory variable causes change, the response variable is affected, treatments are the different values of the explanatory variable, and an experimental unit is a single object or individual measured.

lurking variable

Lurking variables are additional variables that can cloud a study, and random assignment is used to spread lurking variables evenly so that cause-and-effect conclusions can be made.