Statistik-Glossar

Varianz

Variance / Streuung · Maximilian Fuchs · 24. April 2026 · 4 Min. Lesezeit

In diesem Beitrag

Was versteht man unter Varianz?
Warum ist Varianz wichtig?
Praxisbeispiel

Was versteht man unter Varianz?

Die Varianz ist ein Streuungsmaß, das angibt, wie weit die einzelnen Werte eines Datensatzes im Durchschnitt vom arithmetischen Mittelwert abweichen. Technisch gesprochen ist sie der mittlere quadratische Abstand aller Messwerte vom Mittelwert.

Man unterscheidet zwei Varianten je nach Kontext:

Populationsvarianz $\sigma^2$ : Wenn der gesamte Datensatz die vollständige Grundgesamtheit abbildet.
Stichprobenvarianz $s^2$ : Wenn der Datensatz nur eine Stichprobe aus einer größeren Grundgesamtheit ist. Hier wird durch $n-1$ geteilt, um einen unverzerrten Schätzer zu erhalten (Bessel-Korrektur).

Populationsvarianz

Formel: Populationsvarianz

$\sigma^2 = \frac{1}{N} \sum_{i=1}^{N} (x_i - \mu)^2$

Formel: Stichprobenvarianz

$s^2 = \frac{1}{n-1} \sum_{i=1}^{n} (x_i - \bar{x})^2$

Dabei steht $x_i$ für den jeweiligen Messwert, $\mu$ bzw. $\bar{x}$ für den Mittelwert der Population bzw. der Stichprobe, und $n$ für die Anzahl der Beobachtungen.

Einfach erklärt Stell dir vor, eine Schulklasse schreibt einen Test. Haben alle Schülerinnen und Schüler fast die gleiche Punktzahl, ist die Varianz klein – die Ergebnisse liegen dicht beieinander. Gibt es dagegen große Unterschiede zwischen sehr guten und sehr schwachen Ergebnissen, ist die Varianz hoch. Die Varianz misst also schlicht, wie ähnlich oder wie verschieden die Werte in einem Datensatz sind.

Warum ist Varianz für statistische Analysen wichtig?

Die Varianz ist eines der zentralen Konzepte der Statistik. Sie bildet die Grundlage für zahlreiche weiterführende Verfahren und Kennzahlen:

Standardabweichung: Die Standardabweichung ist schlicht die Quadratwurzel der Varianz und wird häufig bevorzugt, weil sie dieselbe Einheit wie die ursprünglichen Daten hat.
Regressionsanalyse: Methoden wie die Ordinary Least Squares (OLS)-Regression minimieren die Varianz der Residuen, um die bestmögliche Anpassung zu finden.
Varianzanalyse (ANOVA): Bei der ANOVA wird die Gesamtvarianz in erklärbare und nicht erklärbare Anteile aufgeteilt, um Gruppenunterschiede zu testen.
Inferenzstatistik: Viele Signifikanztests (z. B. t-Test, F-Test) bauen direkt auf der Varianz auf.

Häufiger Fehler Die Varianz wird oft mit der Standardabweichung verwechselt oder gleichgesetzt. Beide messen zwar Streuung, aber die Varianz ist quadriert und hat daher eine andere Einheit als die Ausgangsdaten. Misst man beispielsweise Gewichte in Kilogramm, hat die Varianz die Einheit kg². Das macht sie schwerer direkt interpretierbar – die Standardabweichung ist für die inhaltliche Interpretation oft geeigneter.

Gut zu wissen In der Praxis ist es wichtig, bewusst zwischen Populations- und Stichprobenvarianz zu wählen. Statistiksoftware wie R, SPSS oder Python (NumPy/pandas) berechnet standardmäßig die Stichprobenvarianz (Nenner

n-1

). Achte daher immer auf die jeweilige Einstellung, um Fehlinterpretationen zu vermeiden.

Praxisbeispiel zu Varianz

Eine Forscherin untersucht die wöchentliche Lernzeit (in Stunden) von fünf Studierenden. Sie erhebt folgende Werte:

Tabelle 1. Wöchentliche Lernzeiten und Abweichungen vom Mittelwert
Studierender	Lernzeit (h)	Abweichung vom MW	Quadrierte Abweichung
A	8	−2	4
B	10	0	0
C	14	+4	16
D	9	−1	1
E	9	−1	1
Summe	50	—	22

Der Mittelwert beträgt $\bar{x} = 50 / 5 = 10$ Stunden. Da es sich um eine Stichprobe handelt, wird die Stichprobenvarianz berechnet:

Berechnung der Stichprobenvarianz

$s^2 = \frac{22}{5-1} = \frac{22}{4} = 5{,}5 \text{ h}^2$

Die Stichprobenvarianz beträgt also 5,5 h². Die zugehörige Standardabweichung wäre $s = \sqrt{5{,}5} \approx 2{,}35 \text{ h}$ , also etwa 2,35 Stunden. Das bedeutet: Die Lernzeiten der Studierenden weichen im Durchschnitt um rund 2,35 Stunden vom Mittelwert von 10 Stunden ab.