Wahrscheinlichkeitsverteilung

Was versteht man unter Wahrscheinlichkeitsverteilung?

Eine Wahrscheinlichkeitsverteilung beschreibt, wie sich die Wahrscheinlichkeiten auf alle möglichen Ergebnisse einer Zufallsvariablen verteilen. Sie gibt also für jeden möglichen Wert – oder Wertebereich – einer Zufallsvariablen an, wie wahrscheinlich sein Auftreten ist.

Grundsätzlich unterscheidet man zwei Typen:

• Diskrete Verteilungen beschreiben Zufallsvariablen, die nur abzählbar viele Werte annehmen können (z. B. die Anzahl von Treffern beim Würfeln). Die Wahrscheinlichkeiten werden hier durch eine Wahrscheinlichkeitsfunktion ausgedrückt.
• Stetige Verteilungen beschreiben Zufallsvariablen, die jeden Wert innerhalb eines kontinuierlichen Bereichs annehmen können (z. B. Körpergröße oder Reaktionszeit). Hier verwendet man eine Dichtefunktion . Die Wahrscheinlichkeit für einen einzelnen Punkt ist stets null; relevant ist immer das Integral über ein Intervall.

Für beide Typen gilt die Grundbedingung: Alle Wahrscheinlichkeiten sind nicht-negativ und summieren sich (bzw. integrieren sich) auf genau 1.

Warum ist die Wahrscheinlichkeitsverteilung für statistische Analysen wichtig?

Wahrscheinlichkeitsverteilungen sind das Herzstück der Statistik. Nahezu jede statistische Methode setzt voraus oder nutzt aus, dass die vorliegenden Daten einer bestimmten Verteilung folgen. Konkret sind sie aus folgenden Gründen zentral:

• Grundlage für Hypothesentests: Tests wie der t-Test oder der Chi-Quadrat-Test basieren auf bekannten Verteilungen, um p-Werte und kritische Werte berechnen zu können.
• Grundlage für Konfidenzintervalle: Die Berechnung von Konfidenzintervallen setzt voraus, dass die Stichprobenkennwerte einer bestimmten Verteilung folgen.
• Modellierung von Daten: Viele statistische Modelle – etwa die lineare Regression – machen Annahmen über die Verteilung der Residuen (meist Normalverteilung).
• Simulation und Prognose: Verteilungen ermöglichen es, zukünftige Szenarien zu simulieren und Unsicherheiten quantitativ zu beschreiben.

Zu den bekanntesten Verteilungen zählen die Normalverteilung, die Binomialverteilung, die Poissonverteilung und die t-Verteilung.

Praxisbeispiel zu Wahrscheinlichkeitsverteilung

Eine Forscherin untersucht, wie viele Stunden Studierende pro Woche für ihr Studium lernen. Sie erhebt Daten von 200 Personen und möchte wissen, welche Verteilung die Lernzeiten am besten beschreibt.

Nach einem Blick ins Histogramm und einem Q-Q-Plot entscheidet sie sich für die Normalverteilung mit einem Mittelwert von 20 Stunden und einer Standardabweichung von 5 Stunden:

Auf Basis dieser Verteilung kann sie nun konkrete Fragen beantworten. Zum Beispiel: Wie hoch ist die Wahrscheinlichkeit, dass eine zufällig ausgewählte Person weniger als 15 Stunden lernt? Dazu berechnet sie die Fläche unter der Kurve bis zum Wert 15 – also das Integral der Dichtefunktion. In der Praxis liest man diesen Wert aus einer Standardnormaltabelle oder berechnet ihn mit Software (z. B. SPSS, R oder Python).