Rechner für Verteilung des Stichprobenmittelwerts

Die Stichprobenverteilung des Stichprobenmittelwerts beschreibt, wie sich der Mittelwert einer Zufallsstichprobe von Stichprobe zu Stichprobe verändert, wenn wiederholt Stichproben gleicher Größe aus derselben Population gezogen werden. Sie ist eines der wichtigsten Konzepte der Inferenzstatistik, weil sie die theoretische Grundlage für Konfidenzintervalle, Hypothesentests und Qualitätsregelkarten in nahezu allen wissenschaftlichen und industriellen Disziplinen bildet. Der zentrale Grenzwertsatz (ZGS) ist der Mechanismus, der diese Verteilung nützlich macht. Er besagt, dass sich die Stichprobenverteilung des Mittelwerts unabhängig von der Form der Populationsverteilung einer Normalverteilung annähert, wenn die Stichprobengröße n zunimmt. In der Praxis reicht eine Stichprobengröße von 30 oder mehr in der Regel aus, damit die Näherung sehr gut ist. Bei Populationen, die bereits normalverteilt sind, gilt das Ergebnis für jede Stichprobengröße, ganz gleich wie klein sie ist. Der Standardfehler des Mittelwerts (SE) quantifiziert die Streuung der Stichprobenverteilung. Er ist gleich der Populationsstandardabweichung σ geteilt durch die Quadratwurzel von n: SE = σ / √n. Eine größere Stichprobe macht den SE kleiner, was bedeutet, dass größere Stichproben präzisere Schätzungen des Populationsmittelwerts liefern. Das ist die mathematische Erklärung dafür, warum eine Verdopplung der Stichprobengröße den Standardfehler halbiert und warum Forschende mehr Daten sammeln, um Unsicherheit zu reduzieren. Sobald der Standardfehler bekannt ist, kann jeder Stichprobenmittelwert x̄ mit z = (x̄ − μ) / SE in einen z-Wert umgerechnet werden. Der z-Wert misst, wie viele Standardfehler x̄ vom wahren Populationsmittelwert μ entfernt ist. Da die Stichprobenverteilung näherungsweise normal ist, liefert die Standardnormalverteilungstabelle — oder ihr mathematisches Äquivalent Φ(z) — die exakte Wahrscheinlichkeit, dass der Stichprobenmittelwert unter, über oder zwischen bestimmten Werten liegt. Dieser Rechner unterstützt drei Wahrscheinlichkeitstypen. Der erste, P(X̄ < x), liefert die linksseitige Wahrscheinlichkeit, dass eine Zufallsstichprobe der Größe n einen Mittelwert unter x hat. Der zweite, P(X̄ > x), liefert die rechtsseitige (obere) Wahrscheinlichkeit. Der dritte, P(x₁ < X̄ < x₂), liefert die Wahrscheinlichkeit, dass der Stichprobenmittelwert zwischen zwei angegebenen Werten liegt, berechnet als Differenz zweier kumulativer Normalwahrscheinlichkeiten. Praktische Anwendungen gibt es in jedem Bereich. Ein Qualitätsingenieur überwacht, ob eine Charge von Bauteilen eine durchschnittliche Abmessung außerhalb der Toleranz hat. Eine Ernährungswissenschaftlerin prüft, ob die mittlere Kalorienaufnahme einer beprobten Gruppe plausibel aus einer Population mit bekanntem Durchschnitt stammt. Ein Finanzanalyst schätzt die Wahrscheinlichkeit, dass die durchschnittliche Tagesrendite über ein Quartal einen Schwellenwert überschreitet. Eine klinische Forscherin bestimmt die Wahrscheinlichkeit, dass die mittlere Blutdrucksenkung in einer Stichprobe einen echten Populationseffekt widerspiegelt. In jedem Fall liefert dieser Rechner die Wahrscheinlichkeitsantwort in einer einzigen Berechnung.