Berechnung von Konfidenzintervallen

Dieser Online-Rechner berechnet Konfidenzintervalle für vier Fälle: zur Schätzung des Erwartungswerts bei unbekannten Parametern, zur Schätzung der Varianz bei unbekannten Parametern, zur Schätzung des Erwartungswerts bei bekannter Varianz und zur Schätzung der Varianz bei bekanntem Erwartungswert.

Diese Webseite exisiert dank der Arbeit von den folgenden Menschen:

Timur

Timur

Erstellt: 2026-11-21 09:41:38, Letzte Aktualisierung: 2026-11-21 10:09:40

Formeln und etwas Theorie finden Sie unter dem Rechner.

PLANETCALC, Konfidenzintervalle

Konfidenzintervalle

Zahlen durch Kommas, Semikolons, Leerzeichen oder Zeilenumbrüche getrennt. Das Dezimaltrennzeichen ist ein Punkt.
A priori festgelegter Erwartungswert.
Varianz, nicht Standardabweichung.
Eine ganze Zahl von mindestens 2.
Varianz mit dem Divisor n − 1.
Punktschätzung
 
Untere Grenze
 
Obere Grenze
 
Intervalllänge
 
Stichprobenumfang
 
Freiheitsgrade
 
Verteilung
 
Unteres Quantil
 
Oberes Quantil
 
Zahlen nach dem Dezimalpunkt: 6

Methoden zur Berechnung von Konfidenzintervallen unter der Voraussetzung normalverteilter Ausgangsdaten

Nr. Was wird geschätzt Was ist bekannt Verwendete Statistik Verteilung Konfidenzintervall
1 Varianz \sigma^2 Erwartungswert \mu ist bekannt \frac{\sum_{i=1}^n (x_i - \mu)^2}{\sigma^2} \chi^2(n) \left[ \frac{\sum_{i=1}^n (x_i - \mu)^2}{h^{(n)}_{(1+\alpha)/2}};\; \frac{\sum_{i=1}^n (x_i - \mu)^2}{h^{(n)}_{(1-\alpha)/2}} \right]
2 Erwartungswert \mu Varianz \sigma^2 ist bekannt \frac{\bar{x} - \mu}{\sigma / \sqrt{n}} N(0,1) \bar{x} \pm z_{(1-\alpha)/2} \cdot \frac{\sigma}{\sqrt{n}}
3 Erwartungswert \mu Beide unbekannt (geschätzt wird \mu) \frac{\bar{x} - \mu}{s / \sqrt{n}} T(n-1) \bar{x} \pm t_{(1-\alpha)/2}(n-1) \cdot \frac{s}{\sqrt{n}}
4 Varianz \sigma^2 Beide unbekannt (geschätzt wird \sigma^2) \frac{(n-1)s^2}{\sigma^2} = \frac{\sum_{i=1}^n (x_i - \bar{x})^2}{\sigma^2} \chi^2(n-1) \left[ \frac{(n-1)s^2}{h^{(n-1)}_{(1+\alpha)/2}};\; \frac{(n-1)s^2}{h^{(n-1)}_{(1-\alpha)/2}} \right]

Im Folgenden erkläre ich, woher die einzelnen Größen stammen.

Verfahren zur Berechnung von Konfidenzintervallen

Im Allgemeinen (dies ist nicht das einzige Verfahren, aber ich habe keine anderen gesucht) können Konfidenzintervalle wie folgt berechnet werden1:

  1. Wir wählen eine Konfidenzwahrscheinlichkeit \alpha nahe bei eins.
  2. Wir wählen eine Funktion, die von unserer Stichprobe und dem unbekannten Parameter abhängt, G(x_1, ..., x_n, \Theta), jedoch so, dass ihre eigene Verteilungsfunktion nicht vom unbekannten Parameter \Theta abhängt:

F_G(t) \stackrel{\text{def}}{=} \mathbf{P}_\theta \{ G(x_1, \dots, x_n, \theta) \le t \}

  1. Wir wählen zwei Zahlen \epsilon_1 > 0 und \epsilon_2 > 0, so dass 1-\alpha=\epsilon_1 + \epsilon_2. Anschließend interessieren uns Werte k_1 und k_2, für die

F_G(\kappa_1) \le \varepsilon_1, \quad F_G(\kappa_2) \ge 1 - \varepsilon_2

Daraus folgt

\mathbf{P}_\theta \{ \kappa_1 < G(x_1, \dots, x_n, \theta) \le \kappa_2 \} \ge 1 - \varepsilon_2 - \varepsilon_1 = \alpha,

Da wir G so gewählt haben, dass seine Verteilungsfunktion nicht von \Theta abhängt, hängen auch k_1 und k_2 nicht von \Theta ab.

  1. Wir gehen zur doppelten Ungleichung über

\kappa_1 < G(x_1, \dots, x_n, \theta) \le \kappa_2

und lösen sie nach \Theta auf. Die Werte hängen von der Stichprobe ab. Bezeichnen wir die Lösung mit \beta, können wir schreiben

\mathbf{P}_\theta \{ \theta \in ( \beta_1(x_1, \dots, x_n), \beta_2(x_1, \dots, x_n)) \} \ge \alpha

Die berechneten Werte bilden das Konfidenzintervall, also ein Intervall, in dem der wahre Wert der unbekannten Größe mit der vorgegebenen Wahrscheinlichkeit liegt.

Eigentlich wurde alles Weitere bereits vor uns berechnet: Für die oben genannten Fälle wurden bereits Funktionen mit bekannten Verteilungen ausgewählt, mit denen sich Konfidenzintervalle berechnen lassen. Dafür mussten neue Verteilungen eingeführt und Sätze bewiesen werden, was recht schwierig ist. Für Studierende und Ingenieure genügt es, das Ergebnis und die Anwendungsbedingungen zu kennen. Im Folgenden betrachten wir jeden Fall einzeln.

Konfidenzintervall für den Erwartungswert bei bekannter Varianz

Beginnen wir mit dem am leichtesten zu erklärenden Fall: dem Konfidenzintervall für den Erwartungswert bei bekannter Varianz. Woher kann die Varianz einer Zufallsgröße bekannt sein, werden Sie fragen. In der Praxis ist das jedoch recht häufig der Fall, da die Varianz beziehungsweise Streuung meist die physischen Eigenschaften eines Instruments oder technologischen Prozesses kennzeichnet. Ein klassisches Beispiel ist der im Datenblatt eines Messgeräts als Standardabweichung angegebene Messfehler. Wir kennen den wahren Wert der gemessenen Größe nicht, aber wir kennen das „Rauschen“ des Geräts. Wir führen eine Reihe von Messungen durch und berechnen mithilfe der Standardabweichung ein Konfidenzintervall für den Erwartungswert.

Die geschickt gewählte Funktion G wurde für diesen Fall wie folgt festgelegt

G(x_1, \dots, x_n; \mu) = \frac{x_1 + \dots + x_n - n\mu}{\sigma \sqrt{n}}

Hier wird der Satz verwendet, dass die Summe einer beliebigen Anzahl unabhängiger normalverteilter Zufallsgrößen normalverteilt ist. In diesem Fall besitzt die Funktion G die Standardnormalverteilung N(0,1). Mit Quantilen können wir die doppelte Ungleichung schreiben

z_{(1-\alpha)/2} < \frac{x_1 + \dots + x_n - n\mu}{\sigma \sqrt{n}} < z_{(1+\alpha)/2}

Daraus folgt

\bar{x} - \frac{\sigma z_{(1+\alpha)/2}}{\sqrt{n}} < \mu < \bar{x} - \frac{\sigma z_{(1-\alpha)/2}}{\sqrt{n}}.

Oder wegen der Symmetrie der Normalverteilung

\bar{x} - \frac{\sigma}{\sqrt{n}} z_{(1+\alpha)/2} < \mu < \bar{x} + \frac{\sigma}{\sqrt{n}} z_{(1+\alpha)/2}

Konfidenzintervall für den Erwartungswert bei unbekannter Varianz

Betrachten wir nun das Konfidenzintervall für den Erwartungswert einer Zufallsgröße, wenn weder ihr wahrer Erwartungswert noch ihre wahre Varianz bekannt ist. Dies ist der häufigste Fall bei einer Reihe von Messungen: Meistens wissen wir zunächst überhaupt nichts.

Angenommen, Sie möchten prüfen, wie ein neuer Dünger den Tomatenertrag beeinflusst.
Sie legen 30 Beete an, düngen sie und messen den Ertrag in Kilogramm. Der wahre Erwartungswert ist der potenzielle Ertrag der Sorte mit Dünger, wenn sie überall unter idealen mittleren Bedingungen angebaut würde. Er ist unbekannt. Die wahre Varianz beschreibt hier die Reaktion auf das Mikroklima sowie Fehler beim Bewässern und Düngen. Ein Beet liegt in einer Senke (mehr Feuchtigkeit), ein anderes auf einer Anhöhe (trockener) und so weiter. Wie stark der Ertrag von Beet zu Beet schwankt, ist ebenfalls unbekannt.

Hier wird die Wahl der geschickten Funktion G durch den Satz von Fisher bestimmt. Hier ist eine übliche Formulierung2:

Sei X_1,\ldots,X_n \sim \mathrm{N}(\mu,\sigma^2) eine unabhängige Stichprobe aus einer Normalverteilung. Sei \overline{X} der Stichprobenmittelwert und S^2 die Stichprobenvarianz. Dann gilt:

  • Die Zufallsgrößen \overline{X} und S^2 sind unabhängig;
  • Die Zufallsgröße  \sqrt{n} \cdot \frac{\overline{X} - \mu}{\sigma} \sim \mathrm{N}(0,1) \sim Z besitzt eine Standardnormalverteilung;
  • Die Zufallsgröße \frac{(n-1)\cdot S^2}{\sigma^2} = \frac{1}{\sigma^2} \sum_{i=1}^{n} (X_i - \bar{X})^2 \sim \chi^2_{n-1} besitzt eine Chi-Quadrat-Verteilung mit n-1 Freiheitsgraden.

Aus der Standardnormalverteilung und der Chi-Quadrat-Verteilung kann nach der folgenden Formel eine t-Verteilung gebildet werden

T = \frac{Z}{\sqrt{\chi^2_k/k}}, wobei k die Anzahl der Freiheitsgrade ist.

Konstruieren wir also unsere Funktion G, indem wir die eine Größe durch die Wurzel aus der anderen, geteilt durch n-1, dividieren:

G(x_1, \dots, x_n; \mu, \sigma^2) = \frac{(\sqrt{n}(\bar{x} - \mu))/\sigma}{\sqrt{\frac{1}{n-1} \frac{1}{\sigma^2} \sum_{i=1}^{n} (x_i - \bar{x})^2}}

Wir wissen, dass diese Funktion einer t-Verteilung mit n-1 Freiheitsgraden folgt; glücklicherweise kann der unbekannte Parameter \sigma darin gekürzt werden.

Somit

G(x_1, \dots, x_n; \mu, \sigma^2) = \frac{\sqrt{n}(\bar{x} - \mu)}{s} \sim T(n-1)

Bezeichnen wir nun die Quantile der t-Verteilung mit t und lösen nach \mu auf, erhalten wir die Formel für das Konfidenzintervall.

\bar{x} - \frac{s}{\sqrt{n}} t^{(n-1)}_{(1+\alpha)/2} < \mu < \bar{x} + \frac{s}{\sqrt{n}} t^{(n-1)}_{(1+\alpha)/2}

Da die t-Verteilung symmetrisch ist, genügt auch hier wie im vorherigen Fall ein einziger Quantilwert in der Formel.

Konfidenzintervall für die Varianz bei bekanntem Erwartungswert

Die Schätzung von Erwartungswerten haben wir behandelt, nun müssen wir noch die Varianz schätzen. Der erste Fall ist das Konfidenzintervall für die Varianz bei bekanntem wahren Erwartungswert. Auch hier kann man fragen, wo im wirklichen Leben der wahre Erwartungswert bekannt ist und die Varianz gesucht wird. Die erste Möglichkeit sind Umkehraufgaben zur Schätzung des Erwartungswerts bei bekannter Varianz, nämlich die Kalibrierung eines Instruments. Wir legen wiederholt ein Referenzgewicht von einem Kilogramm auf eine Waage, beobachten die Anzeige und schätzen die Streuung der angezeigten Werte. Außerdem kann der Erwartungswert beim Testen von Hypothesen festgelegt werden; dann untersucht man die Streuung bei diesem vorgegebenen Erwartungswert.

Wir konstruieren die Funktion G wie folgt:

G(x_1, \dots, x_n; \sigma^2) = \frac{\sum_{i=1}^n (x_i - \mu_0)^2}{\sigma^2} = \sum_{i=1}^n \left( \frac{x_i - \mu_0}{\sigma} \right)^2.

Hier ist alles einfach: Dies ist genau die Chi-Quadrat-Verteilung mit n Freiheitsgraden, und sie hängt nicht von \sigma ab.

Bezeichnen wir die Quantile der Chi-Quadrat-Verteilung mit h und lösen nach \sigma auf, erhalten wir die Formel für das Konfidenzintervall.

\frac{\sum_{i=1}^n (x_i - \mu_0)^2}{h_{(1+\alpha)/2}^{(n)}} < \sigma^2 < \frac{\sum_{i=1}^n (x_i - \mu_0)^2}{h_{(1-\alpha)/2}^{(n)}}

Die Chi-Quadrat-Verteilung ist unsymmetrisch, daher müssen beide Quantile verwendet werden.

Konfidenzintervall für die Varianz bei unbekanntem Erwartungswert

Wofür wird das benötigt? Aus demselben Grund wie im vorherigen Fall. Wir möchten die Variabilität, „Bündelung“ oder „Stabilität“ eines Prozesses schätzen, aber der wahre Erwartungswert ist unbekannt.

Für diesen Fall wurde die folgende Funktion G konstruiert:

G(x_1, \dots, x_n; \mu, \sigma^2) = \frac{\sum_{i=1}^n (x_i - \bar{x})^2}{\sigma^2}

Der entscheidende Punkt ist, dass der unbekannte Wert \mu in der Funktion überhaupt nicht vorkommt. Nach dem Satz von Fisher wissen wir, dass diese Funktion einer Chi-Quadrat-Verteilung mit n-1 Freiheitsgraden folgt. Anschließend gehen wir wie im vorherigen Fall vor und erhalten die Formel für das Konfidenzintervall:

\frac{(n - 1)s^2}{h_{(1+\alpha)/2}^{(n-1)}} < \sigma^2 < \frac{(n - 1)s^2}{h_{(1-\alpha)/2}^{(n-1)}}

Anwendungsbedingungen

Wir wiederholen: Alle oben in der Tabelle aufgeführten Formeln, die Quantile der Normalverteilung, der t-Verteilung und der Chi-Quadrat-Verteilung verwenden, sind nur in einem einzigen Fall exakt: Die ursprüngliche Zufallsgröße muss streng normalverteilt (gaußverteilt) sein.

Ist die Verteilung nicht normal, haben wir bei der Schätzung des Erwartungswerts mit großem Stichprobenumfang Glück: Dank des Zentralen Grenzwertsatzes nähert sich der Stichprobenmittelwert mit wachsendem Stichprobenumfang immer einer Normalverteilung an, unabhängig von der Verteilung der Ausgangsdaten (Exponential-, Gleich-, Binomialverteilung und so weiter). Die traditionelle Grenze zwischen kleiner und großer Stichprobe liegt in der Statistik bei 30. Manchmal werden 50–100 genannt, doch viel hängt von der Asymmetrie der Verteilung und der Dicke ihrer „Ränder“ ab.

Fazit: Bei der Schätzung des Erwartungswerts aus großen Stichproben kann die Verteilung dank des zentralen Grenzwertsatzes vernachlässigt werden. Bei kleinen Stichproben aus einer NICHT normalen Verteilung, etwa einer Binomial- oder Lognormalverteilung, liefern t-Kriterien einen Fehler; stattdessen müssen nichtparametrische Methoden wie der Wilcoxon-Test verwendet werden.

Für die Varianz ist die Lage ungünstig. Die Chi-Quadrat-Verteilung reagiert äußerst empfindlich auf Abweichungen von der Normalität; für nicht normale Verteilungen müssen andere Ansätze verwendet werden.


  1. Anton Wakolbinger. Statistik: Notizen zur Vorlesung. Kapitel 4 „Mehr über Konfidenzintervalle“. Goethe-Universität Frankfurt. Vorlesungsnotizen ↩

  2. Anton Wakolbinger. Statistik: Notizen zur Vorlesung. Abschnitt 5.2 „Die Standard-Normalverteilung auf Rⁿ und der Satz von Fisher“. Goethe-Universität Frankfurt. Satz von Fisher ↩

URL zum Clipboard kopiert
PLANETCALC, Berechnung von Konfidenzintervallen

Kommentare