Statistik-Glossar

Stichprobenverteilung

Sampling Distribution · Maximilian Fuchs · 24. April 2026 · 5 Min. Lesezeit

In diesem Beitrag

Was versteht man unter Stichprobenverteilung?
Warum ist die Stichprobenverteilung wichtig?
Praxisbeispiel

Was versteht man unter Stichprobenverteilung?

Die Stichprobenverteilung beschreibt die Wahrscheinlichkeitsverteilung einer Stichprobenstatistik – also eines berechneten Kennwerts wie des Mittelwerts, der Varianz oder eines Anteils – über alle möglichen Stichproben einer bestimmten Größe n, die aus derselben Grundgesamtheit gezogen werden könnten.

Ein zentrales Ergebnis der Stichprobentheorie ist, dass der Stichprobenmittelwert $\bar{x}$ bei wiederholtem Ziehen von Stichproben des Umfangs n selbst einer Verteilung folgt. Diese Verteilung hat folgende Eigenschaften:

Erwartungswert: Der Erwartungswert des Stichprobenmittelwerts entspricht dem wahren Populationsmittelwert $\mu$ .
Standardfehler: Die Streuung der Stichprobenverteilung wird als Standardfehler bezeichnet und berechnet sich als $SE = \dfrac{\sigma}{\sqrt{n}}$ , wobei $\sigma$ die Standardabweichung der Population und n der Stichprobenumfang ist.
Form: Nach dem Zentralen Grenzwertsatz nähert sich die Stichprobenverteilung des Mittelwerts mit wachsendem n einer Normalverteilung an – unabhängig von der Form der Ursprungsverteilung.

Standardfehler des Mittelwerts

$SE = \frac{\sigma}{\sqrt{n}}$

Einfach erklärt Stell dir vor, du ziehst nicht einmal, sondern hundertmal eine zufällige Stichprobe aus derselben Bevölkerung und berechnest jedes Mal den Mittelwert. Diese hundert Mittelwerte streuen um den wahren Bevölkerungsmittelwert herum. Die Verteilung, die dabei entsteht, ist die Stichprobenverteilung. Sie zeigt dir, wie verlässlich ein einzelner Stichprobenmittelwert als Schätzer des wahren Werts ist.

Warum ist die Stichprobenverteilung für statistische Analysen wichtig?

Die Stichprobenverteilung ist das theoretische Fundament nahezu aller inferenzstatistischen Verfahren. Sie erklärt, warum und wie gut Stichprobenkennwerte auf die Grundgesamtheit verallgemeinert werden können. Konkret ist sie unverzichtbar für:

Hypothesentests: Beim t-Test oder z-Test wird berechnet, wie wahrscheinlich ein beobachteter Stichprobenmittelwert unter einer bestimmten Nullhypothese ist – das setzt die Kenntnis der Stichprobenverteilung voraus.
Konfidenzintervalle: Ein 95-%-Konfidenzintervall leitet sich direkt aus der Stichprobenverteilung ab und nutzt den Standardfehler, um einen Bereich plausibler Populationsparameter anzugeben.
Einschätzung von Schätzgenauigkeit: Ein kleinerer Standardfehler – erreicht durch größere Stichproben – signalisiert, dass die Schätzung präziser ist.

Häufiger Fehler Die Stichprobenverteilung wird oft mit der Verteilung der Rohdaten einer einzelnen Stichprobe verwechselt. Wichtig: Die Stichprobenverteilung ist keine Verteilung der Messwerte, sondern eine Verteilung der berechneten Statistiken (z. B. Mittelwerte) aus vielen gedachten Stichproben. In der Praxis zieht man natürlich nur eine einzige Stichprobe – die Stichprobenverteilung ist ein theoretisches Konstrukt.

Gut zu wissen Der Zentrale Grenzwertsatz greift in der Praxis bereits ab einem Stichprobenumfang von etwa n ≥ 30 zuverlässig – selbst wenn die Ursprungsdaten nicht normalverteilt sind. Bei stark schiefen Verteilungen kann ein größeres n nötig sein.

Praxisbeispiel zu Stichprobenverteilung

Eine Forscherin möchte wissen, wie viele Stunden Studierende pro Woche für ihr Studium lernen. Die wahre Populationsverteilung ist ihr unbekannt. Sie zieht eine Zufallsstichprobe von n = 50 Studierenden und berechnet einen Stichprobenmittelwert von 18,4 Stunden mit einer Stichproben-Standardabweichung von s = 7 Stunden.

Der geschätzte Standardfehler berechnet sich dann als:

Berechnung des Standardfehlers

$SE = \frac{s}{\sqrt{n}} = \frac{7}{\sqrt{50}} \approx \frac{7}{7{,}07} \approx 0{,}99$

Das bedeutet: Würde die Forscherin ihre Studie viele Male wiederholen, würden die berechneten Stichprobenmittelwerte im Durchschnitt nur etwa ±0,99 Stunden vom wahren Populationsmittelwert abweichen. Dieser Standardfehler fließt direkt in die Berechnung des Konfidenzintervalls und den t-Test ein.

Tabelle 1. Einfluss des Stichprobenumfangs auf den Standardfehler (s = 7)
Stichprobenumfang n	Standardfehler SE	Interpretation
10	2,21	Hohe Streuung, ungenaue Schätzung
50	0,99	Deutlich präzisere Schätzung
200	0,49	Sehr genaue Schätzung

Die Tabelle verdeutlicht ein zentrales Prinzip: Je größer die Stichprobe, desto kleiner der Standardfehler – und desto enger und zuverlässiger das Konfidenzintervall.