Grundsatz: Die deskriptive Statistik beschreibt eine Datenmenge mit wenigen Kennzahlen. Lagemasse zeigen das Zentrum, Streuungsmasse die Variabilität.
Population, Bestand und relative Häufigkeit
- Population: die Gesamtheit aller untersuchten Objekte oder Personen (z.B. alle 200 Schüler einer Schule). Wird nur ein Teil untersucht, spricht man von einer Stichprobe.
- Merkmal: das, was man erfasst (z.B. das Verkehrsmittel auf dem Schulweg).
- Bestand: die Anzahl der Elemente der Population oder einer Teilgruppe, also $n$ bzw. die absolute Häufigkeit $H$ eines Merkmalswerts.
- Relative Häufigkeit: der Anteil eines Merkmalswerts an der Population:
$$h = \frac{H}{n}, \qquad 0 \le h \le 1, \qquad \sum h = 1$$
Mit 100 multipliziert ergibt $h$ den Prozentsatz.
Beispiel — Schulweg
Population: 200 Schüler. Bestand pro Verkehrsmittel: Velo 56, ÖV 84, zu Fuss 40, Auto 20 (Summe 200).
| Verkehrsmittel | $H$ | $h$ | Prozent |
|---|---|---|---|
| Velo | 56 | 0.28 | 28 % |
| ÖV | 84 | 0.42 | 42 % |
| zu Fuss | 40 | 0.20 | 20 % |
| Auto | 20 | 0.10 | 10 % |
Verteilungen darstellen
Stabdiagramm: Für jeden Merkmalswert wird ein Stab gezeichnet, dessen Höhe $H$ oder $h$ ist. Vorgehen: 1. Merkmalswerte auf der waagrechten Achse eintragen, 2. Höhenachse mit gleichmässiger Skala wählen, 3. über jedem Wert einen Stab in der Höhe seiner Häufigkeit zeichnen.
Kreisdiagramm: Jeder Merkmalswert erhält einen Kreissektor, dessen Mittelpunktswinkel proportional zu $h$ ist:
$$\alpha = h \cdot 360^\circ$$
Im Beispiel: Velo $0.28 \cdot 360^\circ = 100.8^\circ$, ÖV $151.2^\circ$, zu Fuss $72^\circ$, Auto $36^\circ$ (Summe $360^\circ$).
Histogramm: Für klassierte Daten (Zahlenbereiche statt einzelner Werte). Über jeder Klasse steht ein Rechteck, dessen Fläche proportional zur Häufigkeit der Klasse ist. Die Höhe ist daher die Häufigkeitsdichte:
$$\text{Höhe} = \frac{h}{\text{Klassenbreite}}$$
Bei gleich breiten Klassen darf man direkt $H$ oder $h$ als Höhe nehmen; bei ungleich breiten Klassen muss man durch die Klassenbreite teilen, sonst täuschen breite Klassen eine zu grosse Häufigkeit vor.
Beispiel — Histogramm mit ungleichen Klassen
Alter von 40 Personen: $[0, 10)$: 6, $[10, 20)$: 14, $[20, 40)$: 16, $[40, 80)$: 4 (Summe 40).
| Klasse | $H$ | $h$ | Breite | Höhe $= h/\text{Breite}$ |
|---|---|---|---|---|
| $[0, 10)$ | 6 | 0.15 | 10 | 0.015 |
| $[10, 20)$ | 14 | 0.35 | 10 | 0.035 |
| $[20, 40)$ | 16 | 0.40 | 20 | 0.020 |
| $[40, 80)$ | 4 | 0.10 | 40 | 0.0025 |
Die Rechteckflächen ergeben wieder $0.15$, $0.35$, $0.40$, $0.10$; ihre Summe ist 1.
Lagemasse
| Mass | Formel | Robust gegen Ausreisser? |
|---|---|---|
| Arithm. Mittel | $\bar x = \frac{1}{n}\sum x_i$ | nein |
| Median | mittlerer Wert (sortiert) | ja |
| Modus | häufigster Wert | ja |
| Geom. Mittel | $\sqrt[n]{x_1 \cdots x_n}$ | nein (geeignet für Wachstumsfaktoren) |
Quartile: Die Daten werden zunächst aufsteigend sortiert.
- $Q_1$ (unteres Quartil): Median der unteren Hälfte (ohne den Gesamtmedian).
- $Q_3$ (oberes Quartil): Median der oberen Hälfte (ohne den Gesamtmedian).
Beispiel (n = 8): Daten: 2, 4, 4, 4, 5, 5, 7, 9. Gesamtmedian = $(4+5)/2 = 4.5$. Untere Hälfte: 2, 4, 4, 4 → $Q_1 = (4+4)/2 = 4$. Obere Hälfte: 5, 5, 7, 9 → $Q_3 = (5+7)/2 = 6$.
Streuungsmasse
| Mass | Formel |
|---|---|
| Spannweite | $x_{\max} - x_{\min}$ |
| Varianz | $s^2 = \frac{1}{n-1}\sum(x_i - \bar x)^2$ (Stichprobe) |
| Standardabweichung | $s = \sqrt{s^2}$ |
| Quartilsabstand IQR | $Q_3 - Q_1$ |
Boxplot: Median, $Q_1$, $Q_3$, Whisker bis $1.5 \cdot$ IQR; Ausreisser darüber hinaus markiert.
Korrelation (Pearson)
$$r = \frac{\sum (x_i - \bar x)(y_i - \bar y)}{\sqrt{\sum(x_i-\bar x)^2 \cdot \sum(y_i-\bar y)^2}}, \quad r \in [-1, 1]$$
Lineare Regression (Ausgleichsgerade)
$$\hat y = ax + b, \quad a = \frac{\sum(x_i - \bar x)(y_i - \bar y)}{\sum(x_i - \bar x)^2}, \quad b = \bar y - a\bar x$$
$r$ und $a$ werden üblicherweise gemeinsam berechnet: $r$ misst die Stärke des linearen Zusammenhangs, $a$ gibt die Steigung der Regressionsgeraden an.
Beispiel — Median vs. Mittelwert
Daten: 1, 2, 3, 4, 100. $\bar x = 22$, Median $= 3$. Der Ausreisser 100 zieht den Mittelwert massiv hoch; der Median bleibt stabil.
Beispiel — Varianz berechnen
Daten: 2, 4, 4, 4, 5, 5, 7, 9. $\bar x = 5$. $\sum(x_i-\bar x)^2 = 9+1+1+1+0+0+4+16 = 32$. $s^2 = 32/7 \approx 4.57$. $s \approx 2.14$.
Beispiel — Lineare Regression
| $x$ | 1 | 2 | 3 | 4 | 5 |
|---|---|---|---|---|---|
| $y$ | 2 | 4 | 5 | 4 | 5 |
$\bar x = 3$, $\bar y = 4$. $\sum(x_i-\bar x)(y_i-\bar y) = (-2)(-2)+(-1)(0)+(0)(1)+(1)(0)+(2)(1) = 4+0+0+0+2 = 6$. $\sum(x_i-\bar x)^2 = 4+1+0+1+4 = 10$. $a = 6/10 = 0.6$. $b = 4 - 0.6 \cdot 3 = 2.2$. Ausgleichsgerade: $\hat y = 0.6x + 2.2$.
Kennzahlen im Vergleich und Normalverteilung
Robustheit: Der Median ändert sich nicht, wenn man den grössten oder kleinsten Wert durch einen noch extremeren ersetzt (er hängt nur von der Mitte der sortierten Daten ab); der Mittelwert, die Spannweite und die Standardabweichung reagieren auf Ausreisser. Quartile und Quartilsabstand sind robust. Die Box eines Boxplots enthält etwa die mittleren $50,%$ der Daten (von $Q_1$ bis $Q_3$); der Mittelwert wird im Boxplot nicht eingezeichnet. Die Fünf-Zahlen-Zusammenfassung ist Minimum, $Q_1$, Median, $Q_3$, Maximum.
Grundgesamtheit und Stichprobe: Werden alle Elemente erfasst, rechnet man Varianz und Standardabweichung mit dem Faktor $\frac1n$; bei einer Stichprobe mit $\frac{1}{n-1}$ (Bessel-Korrektur).
Korrelationskoeffizient $r$ liegt zwischen $-1$ und $1$: $r=1$ ein exakter positiver linearer Zusammenhang, $r=-1$ ein exakter negativer, $r\approx0$ kein linearer Zusammenhang. Korrelation ist kein Beweis für Ursache und Wirkung.
Normalverteilte Daten $X\sim N(\mu,\sigma^2)$: Wahrscheinlichkeiten über $z=\frac{x-\mu}{\sigma}$ und die Standardnormalverteilung. Aus den Sigma-Regeln folgt, dass $P(\mu-\sigma\le X\le\mu+\sigma)\approx0.683$ und $P(\mu-2\sigma\le X\le\mu+2\sigma)\approx0.954$ ist; wegen der Symmetrie liegt je die Hälfte der Restwahrscheinlichkeit in einem Schwanz. $P(X\ge x)=1-P(X\le x)$.
Wahrscheinlichkeiten mit der Verteilungsfunktion $\Phi$: Für Werte, die nicht ganze Vielfache von $\sigma$ sind, rechnet man mit $\Phi(z)=P(Z\le z)$ der Standardnormalverteilung (Taschenrechner oder Tabelle). Es gilt $P(X>a)=1-\Phi!\left(\frac{a-\mu}{\sigma}\right)$ und für die Abweichung vom Mittelwert um mehr als $d$ (beide Schwänze)
$$P(|X-\mu|>d)=2\left(1-\Phi!\left(\frac d\sigma\right)\right)$$
Beispiel $X\sim N(80,4^2)$: $P(X>86)=1-\Phi(1.5)\approx0.0668$ (anderthalb Standardabweichungen über dem Mittelwert). $P(|X-80|>6)=2,(1-\Phi(1.5))=2\cdot0.0668\approx0.1336$, denn $\Phi(1.5)\approx0.9332$.
Beispiel — Sigma-Regeln
$X\sim N(100,5^2)$. $P(95\le X\le110)=P(-1\le Z\le2)\approx\frac{0.683}{2}+\frac{0.954}{2}=0.8185$. $P(X>110)=\frac{1-0.954}{2}=0.023$.
Test für einen Mittelwert (einseitiger $t$-Test)
Prüft man eine Behauptung über den Mittelwert $\mu$ einer Grundgesamtheit mit einer kleinen Stichprobe ($n$ Messwerte), wählt man $H_0$ (zum Beispiel $\mu\ge\mu_0$) und $H_1$ (zum Beispiel $\mu<\mu_0$). Man berechnet den Stichprobenmittelwert $\bar x$ und die Stichproben-Standardabweichung $s$ (mit $n-1$) und die Prüfgrösse
$$t=\frac{\bar x-\mu_0}{s/\sqrt n}$$
Sie hat $n-1$ Freiheitsgrade. Der kritische Wert für das gewählte Signifikanzniveau $\alpha$ und die Freiheitsgrade wird aus einer $t$-Tabelle abgelesen. Bei $H_1:\mu<\mu_0$ wird $H_0$ abgelehnt, wenn $t$ kleiner als der negative kritische Wert ist; bei $H_1:\mu>\mu_0$ wenn $t$ grösser als der kritische Wert ist; zweiseitig vergleicht man $|t|$ mit dem kritischen Wert zu $\alpha/2$ pro Seite. Ein kleineres $\alpha$ macht das Ablehnen schwieriger.
Beispiel — Alle Kennzahlen einer Datenreihe
Elf Werte: $3, 3, 5, 3, 6, 6, 4, 2, 0, 7, 1$. Sortiert: $0, 1, 2, 3, 3, 3, 4, 5, 6, 6, 7$. Bei $n=11$ ist der Median der 6. Wert, also $3$. Untere Hälfte ohne den Median: $0, 1, 2, 3, 3$ mit Median $Q_1=2$; obere Hälfte $4, 5, 6, 6, 7$ mit Median $Q_3=6$; $\mathrm{IQR}=4$. Spannweite $7-0=7$. Mittelwert $\frac{40}{11}\approx3.64$. Fünf-Zahlen-Zusammenfassung: $0;\ 2;\ 3;\ 6;\ 7$ (der Mittelwert gehört nicht dazu). Standardabweichung als vollständige Grundgesamtheit (Faktor $\frac1{11}$): $\sigma\approx2.10$; als Stichprobe (Faktor $\frac1{10}$): $s\approx2.20$. Ersetzt man den grössten Wert $7$ durch $70$, bleibt der Median $3$, der Mittelwert steigt auf $\frac{103}{11}\approx9.36$.
Beispiel — Prüfgrösse
Messwerte $8,\ 10,\ 12,\ 10$, $\mu_0=9$: $\bar x=10$, $s^2=\frac{4+0+4+0}{3}=\frac83$, $s\approx1.633$, $t=\dfrac{10-9}{1.633/2}\approx1.225$ bei $3$ Freiheitsgraden.
Beispiel — Einseitiger Test
Behauptung «Haltbarkeit im Mittel mindestens $50$ Tage», also $H_0:\mu\ge50$, $H_1:\mu<50$. Zehn Messwerte mit $\bar x=47.5$ und $s=3.4$ ergeben
$$t=\frac{47.5-50}{3.4/\sqrt{10}}\approx-2.325$$
bei $9$ Freiheitsgraden. Der kritische Wert des einseitigen Tests zum Niveau $10,%$ ist $-1.383$ (aus der $t$-Tabelle). Weil $-2.325<-1.383$ liegt, wird $H_0$ auf diesem Niveau abgelehnt.
Boxplot: Zäune, Whisker und Ausreisser
Aus der Fünf-Zahlen-Zusammenfassung bestimmt man mit dem Quartilsabstand $\mathrm{IQR}=Q_3-Q_1$ zwei Zäune:
$\text{unterer Zaun}=Q_1-1.5\cdot\mathrm{IQR},\qquad \text{oberer Zaun}=Q_3+1.5\cdot\mathrm{IQR}$
Daten ausserhalb der Zäune heissen Ausreisser und werden einzeln eingezeichnet. Die Whisker enden nicht an den Zäunen selbst, sondern am kleinsten beziehungsweise grössten Datenwert innerhalb der Zäune. Die Box reicht von $Q_1$ bis $Q_3$, ein Strich in der Box zeigt den Median. $Q_1$ und $Q_3$ sind die Mediane der unteren und der oberen Hälfte (bei ungerader Anzahl ohne den Median). Andere Quartilsregeln können die Zäune etwas verschieben.
Beispiel: Boxplot
Daten (geordnet): $2,\ 4,\ 5,\ 7,\ 8,\ 9,\ 11,\ 13,\ 14,\ 16,\ 18,\ 40$. Median $\frac{9+11}{2}=10$, untere Hälfte $2,4,5,7,8,9$ mit $Q_1=\frac{5+7}{2}=6$, obere Hälfte $11,13,14,16,18,40$ mit $Q_3=\frac{14+16}{2}=15$. $\mathrm{IQR}=9$. Oberer Zaun: $15+13.5=28.5$, unterer Zaun: $6-13.5=-7.5$. Der Wert $40$ liegt über $28.5$ und ist ein Ausreisser. Der obere Whisker endet beim grössten Wert innerhalb des Zauns, bei $18$. Der untere Whisker endet bei $2$.
Kennzahlen bei linearer Umrechnung der Daten
Werden alle Werte nach $y_i=c,x_i+d$ umgerechnet (zum Beispiel Einheitenwechsel oder Notenskala), gilt:
- Mittelwert und Median: $\bar y=c,\bar x+d$ (die Umrechnung wirkt wie auf jeden Wert).
- Standardabweichung: $s_y=\lvert c\rvert,s_x$. Die Verschiebung $d$ ändert keine Abstände, nur der Faktor $c$ streckt sie. Varianz: $s_y^2=c^2,s_x^2$.
- Quartilsabstand und Spannweite: werden mit $\lvert c\rvert$ multipliziert, $d$ fällt weg.
Beispiel: Kennzahlen bei linearer Umrechnung der Daten
Temperaturen in $^\circ\mathrm{C}$ mit $\bar x=20$ und $s_x=5$ werden in $^\circ\mathrm{F}$ umgerechnet, $y=1.8,x+32$. Dann ist $\bar y=1.8\cdot20+32=68$ und $s_y=1.8\cdot5=9$ (nicht $41$).
Verschiebungssatz und Zerlegung der Streuung
Die Summe der quadrierten Abweichungen lässt sich aus der Summe und der Quadratsumme der Werte berechnen:
$\sum(x_i-\bar x)^2=\sum x_i^2-n,\bar x^{,2}$
Damit braucht man nur $n$, $\sum x_i$ und $\sum x_i^2$. Bei zusammengelegten Gruppen mit den Grössen $n_j$, den Mittelwerten $\bar x_j$ und den Stichprobenvarianzen $s_j^2$ gilt für die Gesamtreihe mit Gesamtmittel $\bar x$:
$\sum(x_i-\bar x)^2=\underbrace{\sum_j (n_j-1),s_j^2}{\text{innerhalb der Gruppen}}+\underbrace{\sum_j n_j(\bar x_j-\bar x)^2}{\text{zwischen den Gruppen}}$
Danach teilt man durch $n-1$ (Stichprobe) oder $n$ (Grundgesamtheit).
Beispiel: Verschiebungssatz und Zerlegung der Streuung
Acht Werte mit $\sum x_i=48$ und $\sum x_i^2=330$: $\bar x=6$, $\sum(x_i-\bar x)^2=330-8\cdot36=42$, Stichprobenvarianz $\frac{42}{7}=6$, Standardabweichung $s=\sqrt6\approx2.45$.
Zerlegung: Zwei Gruppen zu je $3$ Werten werden zusammengelegt. Gruppe 1 hat Mittel $4$ und $s_1^2=1$, Gruppe 2 hat Mittel $8$ und $s_2^2=4$. Gesamtmittel $6$. Innerhalb: $2\cdot1+2\cdot4=10$. Zwischen: $3\cdot(4-6)^2+3\cdot(8-6)^2=24$. Summe $34$, Stichprobenvarianz der $6$ Werte $\frac{34}{5}=6.8$.
Gewichtetes Mittel: Gruppen zusammenführen
Legt man zwei Gruppen mit den Grössen $n_1$ und $n_2$ und den Mittelwerten $\bar x_1$ und $\bar x_2$ zusammen, zählt jede Gruppe nach ihrer Grösse:
$$\bar x=\frac{n_1\bar x_1+n_2\bar x_2}{n_1+n_2}$$
Der Zähler ist die Summe aller Werte, der Nenner die Anzahl aller Werte. Das Gesamtmittel liegt immer zwischen den beiden Gruppenmitteln, und zwar näher beim Mittel der grösseren Gruppe. Das einfache Mittel $\tfrac12(\bar x_1+\bar x_2)$ stimmt nur bei gleich grossen Gruppen.
Beispiel: Gewichtetes Mittel
Eine Gruppe von $30$ Personen hat das Durchschnittsalter $20$ Jahre, eine zweite das Durchschnittsalter $35$ Jahre. Zusammen beträgt es $26$ Jahre. Wie gross ist die zweite Gruppe?
$$\frac{30\cdot20+35n}{30+n}=26$$
$$600+35n=780+26n$$
$$n=20$$
Probe: $\dfrac{600+700}{50}=26$. Das Gesamtmittel liegt näher bei $20$ als bei $35$, passend dazu ist die erste Gruppe die grössere.
Häufige Fehler
- Mittelwert in den Boxplot eingezeichnet: Der Boxplot zeigt Minimum, $Q_1$, Median, $Q_3$ und Maximum, nicht den Mittelwert.
- Wahrscheinlichkeit nur einseitig gerechnet: Bei «mehr als $d$ vom Mittelwert entfernt» sind beide Schwänze gemeint, also der Faktor $2$.
- Varianz mit $1/n$ statt $1/(n-1)$: Stichprobenvarianz $1/(n-1)$ (Bessel-Korrektur); Populationsvarianz $1/n$.
- Median bei gerader Anzahl: Mittelwert der beiden mittleren Werte.
- Quartile falsch berechnet: $Q_1$ und $Q_3$ sind Mediane der unteren/oberen Hälfte; bei ungerader Gesamtzahl wird der Gesamtmedian nicht zur jeweiligen Hälfte gezählt.
- Korrelation als Kausalität: $r$ misst nur den linearen Zusammenhang; sagt nichts über Ursache–Wirkung.
- Histogramm mit ungleichen Klassen ohne Umrechnung: Die Höhe ist $h/\text{Klassenbreite}$, nicht $h$. Sonst stimmt die Fläche nicht mit der Häufigkeit überein.
- Kreisdiagramm: Prozente statt Winkel einzeichnen: $1,%$ entspricht $3.6^\circ$; Winkel $= h \cdot 360^\circ$.
- Modus bei stetigen Daten: Bei kontinuierlichen Verteilungen ist der Modus nicht eindeutig — sinnvoll nur bei diskreten oder klassierten Daten.
- Regressionsgerade als Prognose unkritisch verlängert: Extrapolation weit ausserhalb des Wertebereichs ist statistisch nicht gesichert.