Konfidenzintervall — Formel, Berechnung & Beispiele

Ein Konfidenzintervall ist ein Bereich plausibler Werte für einen Populationsparameter auf Grundlage von Stichprobendaten. In vielen einführenden Statistikaufgaben wird es gebildet als

$$\text{estimate} \pm \text{margin of error}$$

Die Fehlerspanne hängt davon ab, wie viel Unsicherheit in der Stichprobe steckt und wie sicher du sein möchtest. Ein höheres Konfidenzniveau führt zu einem breiteren Intervall. Präzisere Daten führen zu einem schmaleren Intervall.

Was ein Konfidenzintervall einfach bedeutet

Wenn du ein $95\%$-Konfidenzintervall siehst, bezieht sich die sicherste Interpretation auf die Methode, nicht auf ein einzelnes fertiges Intervall. Würde man denselben Stichprobenprozess sehr oft wiederholen und das Intervall jedes Mal auf dieselbe Weise neu berechnen, dann würden etwa $95\%$ dieser Intervalle den wahren Parameter enthalten.

Ein Konfidenzintervall ist also eine Möglichkeit, Unsicherheit um einen Schätzwert darzustellen. Es liefert einen plausiblen Bereich, aber keine Garantie.

Formel für das Konfidenzintervall

Die allgemeine Struktur ist

$$\text{estimate} \pm \text{critical value} \times \text{standard error}$$

Für einen Populationsmittelwert sind zwei Versionen besonders häufig:

$$\bar{x} \pm z^* \frac{\sigma}{\sqrt{n}}$$

Diese Form verwendest du, wenn die Populationsstandardabweichung $\sigma$ bekannt ist oder wenn eine Normalapproximation mit einem $z$-kritischen Wert gerechtfertigt ist.

$$\bar{x} \pm t^* \frac{s}{\sqrt{n}}$$

Diese Form verwendest du, wenn $\sigma$ unbekannt ist und du die Streuung mit der Stichprobenstandardabweichung $s$ schätzt. Bei kleineren Stichproben wird das meist mit der Bedingung kombiniert, dass die Population näherungsweise normalverteilt ist.

Dasselbe Muster taucht in vielen Situationen auf, aber der Standardfehler ändert sich für Mittelwerte, Anteile und andere Parameter.

Was die Breite eines Konfidenzintervalls verändert

Drei Faktoren sind besonders wichtig:

1. Ein höheres Konfidenzniveau macht das Intervall breiter.
2. Ein größerer Stichprobenumfang macht das Intervall meist schmaler.
3. Mehr Variabilität in den Daten macht das Intervall breiter.

Das ist der wichtigste Zielkonflikt: Mehr Sicherheit kostet meist Präzision.

Beispiel für ein 95%-Konfidenzintervall

Angenommen, eine Stichprobe mit $64$ Beobachtungen hat den Mittelwert $\bar{x} = 50$, und die Populationsstandardabweichung sei bekannt mit $\sigma = 8$. Bestimme ein $95\%$-Konfidenzintervall für den Populationsmittelwert mit einem $z$-Intervall.

Starte mit

$$\bar{x} \pm z^* \frac{\sigma}{\sqrt{n}}$$

Für ein $95\%$-Konfidenzniveau gilt $z^* \approx 1.96$.

Berechne nun den Standardfehler:

$$\frac{\sigma}{\sqrt{n}} = \frac{8}{\sqrt{64}} = \frac{8}{8} = 1$$

Die Fehlerspanne ist also

$$1.96 \times 1 = 1.96$$

Bilde das Intervall:

$$50 \pm 1.96$$

das ergibt

$$(48.04,\ 51.96)$$

Praktisch gelesen heißt das: Wenn die Modellannahmen vernünftig sind und die Daten aus diesem Stichprobenprozess stammen, dann sind Werte zwischen $48.04$ und $51.96$ plausible Werte für den Populationsmittelwert.

Häufige Fehler bei Konfidenzintervallen

Ein häufiger Fehler ist zu sagen, dass mit $95\%$ Wahrscheinlichkeit der wahre Parameter in diesem konkreten Intervall liegt. In der klassischen frequentistischen Statistik ist der Parameter fest, und das Intervallverfahren hat die langfristige Trefferquote.

Ein weiterer Fehler ist, die falsche Formel zu verwenden, ohne die Voraussetzungen zu prüfen. Ein $z$-Intervall, ein $t$-Intervall und ein Intervall für einen Anteil verwenden nicht denselben Standardfehler.

Außerdem verwechseln Lernende oft ein Konfidenzintervall für einen Parameter mit der Streuung roher Daten. Ein Konfidenzintervall beschreibt die Unsicherheit eines Schätzwerts, nicht den Bereich, in dem die meisten Einzelbeobachtungen liegen.

Wann Konfidenzintervalle verwendet werden

Konfidenzintervalle tauchen in Umfragen, Experimenten, Qualitätskontrolle, Medizin, Wirtschaft und in der alltäglichen Datenberichterstattung auf. Sie sind nützlich, wann immer eine Stichprobe verwendet wird, um etwas über eine größere Population auszusagen.

In der Praxis ist das Intervall besonders wichtig, wenn du es mit einem Zielwert oder mit einem anderen Schätzwert vergleichst. Ein schmales Intervall stützt eine präzisere Schlussfolgerung als ein breites.

Probiere eine ähnliche Aufgabe

Versuche deine eigene Version mit $\bar{x} = 72$, $\sigma = 10$ und $n = 100$ für ein $95\%$-Konfidenzintervall. Ändere danach nur den Stichprobenumfang und beobachte, was mit der Fehlerspanne passiert. Das ist eine der schnellsten Möglichkeiten, ein Gefühl dafür zu entwickeln, warum größere Stichproben meist zu engeren Intervallen führen.