Bayes & Statistik
Bootstrap: Unsicherheit durch Wiederholungsstichproben
Wie unsicher ist die durchschnittliche Bearbeitungszeit bei nur 30 Vorgängen? Ziehen Sie neue Stichproben aus denselben Beobachtungen und vergleichen Sie Mittelwert, Median und den Einfluss eines langen Falls.
Kurz erklärt
Der nichtparametrische Bootstrap zieht wiederholt mit Zurücklegen aus den beobachteten Daten. Die Streuung der neu berechneten Kennzahl schätzt deren Stichprobenunsicherheit; neue Informationen über unbeobachtete Fälle entstehen dadurch nicht.
Interaktives Beispiel ausprobierenKostenlos · im Browser · ohne Anmeldung
Auf einen Blick
- Jede Bootstrap-Stichprobe ist so groß wie die ursprüngliche Stichprobe und darf Beobachtungen mehrfach enthalten.
- Ein Intervall für den Mittelwert beschreibt keine Spanne für einzelne künftige Fälle.
- Repräsentativität, Abhängigkeiten und Ausreißer bleiben entscheidend; mehr Ziehungen beheben keine falsche Datengrundlage.
Dreißig abgeschlossene Vorgänge dauerten unterschiedlich lange. Der Mittelwert ist schnell berechnet. Schwieriger ist die Frage: Wie stark könnte dieser Mittelwert schwanken, wenn wir eine andere vergleichbare Stichprobe hätten? Genau hier hilft Bootstrap. Es handelt sich um ein Verfahren zur Unsicherheitsabschätzung, nicht um eine Technik, mit der sich kleine Datensätze in große verwandeln lassen.
Die vorhandene Stichprobe als Modell
Beim nichtparametrischen Bootstrap wird die unbekannte Verteilung durch die empirische Verteilung der beobachteten Werte ersetzt. Jede Beobachtung erhält dieselbe Ziehungswahrscheinlichkeit. Aus ursprünglichen Werten werden erneut Werte gezogen, diesmal mit Zurücklegen. Einige ursprüngliche Fälle fehlen, andere erscheinen mehrfach. Efrons ursprüngliche Arbeit beschreibt dieses allgemeine Resampling-Prinzip (Efron 1979).
Auf jeder Wiederholungsstichprobe wird dieselbe Kennzahl berechnet, etwa der Mittelwert oder Median. Nach Wiederholungen liegen Werte vor. Ihre Streuung dient als Schätzung der Unsicherheit des ursprünglichen Schätzers. Das Sternchen kennzeichnet eine aus der Stichprobe erzeugte Wiederholung, keine zusätzliche reale Messung.
Ein kleines Beispiel zum Nachrechnen
Nehmen wir nur zwei Bearbeitungszeiten: 0 und 2 Minuten. Das Beispiel ist bewusst künstlich. Ihr Mittelwert beträgt 1. Bei Ziehungen der Größe zwei sind die geordneten Paare (0,0), (0,2), (2,0) und (2,2) gleich wahrscheinlich. Die Bootstrap-Mittelwerte lauten somit 0, 1, 1 und 2.
Der Mittelwert dieser Verteilung ist wiederum 1, ihre Varianz beträgt 0,5 und ihr Standardfehler . Dieser winzige Fall lässt sich vollständig aufzählen. Im interaktiven Beispiel werden stattdessen 2.000 echte Wiederholungsstichproben aus synthetischen Bearbeitungszeiten gezogen. Der feste Zufallsstart macht Vergleiche reproduzierbar; das Ergebnis ist keine vorgefertigte Kurve.
Vom Histogramm zum Intervall
Für das einfache 95-%-Perzentilintervall sortiert man die Bootstrap-Schätzungen und nimmt die Quantile bei 2,5 % und 97,5 %. Die Mitte des Histogramms zeigt plausible Wiederholungswerte der Kennzahl, seine Breite deren geschätzte Unsicherheit. Efron vergleicht Bootstrap mit weiteren Verfahren zur Schätzung von Standardfehlern (Efron 1981).
Im voreingestellten synthetischen Datensatz mit 30 Fällen beträgt der Mittelwert 10,85 Minuten. Mit 2.000 Ziehungen und festem Seed ergibt sich ein Intervall von rund 9,45 bis 12,37 Minuten. Andere Daten liefern andere Grenzen. Diese Werte sind eine Erklärung des Werkzeugs, kein Benchmark für einen betrieblichen Prozess.
Interaktiv: Bootstrap: Unsicherheit durch Wiederholungsstichproben
Ohne JavaScript bleibt das Zwei-Punkte-Beispiel vollständig nachvollziehbar: Mittelwerte 0, 1, 1, 2 und Standardfehler etwa 0,707. Der Rechner nutzt 2.000 Wiederholungsstichproben.
Mittelwert, Median und ein großer Fall
Erhöhen Sie die erste Bearbeitungszeit auf 60 Minuten. Der Mittelwert reagiert direkt, weil jede Minute in seine Summe eingeht. Der Median hängt vor allem von der Reihenfolge ab und verschiebt sich häufig weniger. Das macht den Median nicht grundsätzlich besser: Für die Gesamtlast einer Warteschlange kann gerade die Summe langer Fälle wichtig sein.
Eine sinnvolle Analyse wählt die Kennzahl deshalb vor dem Blick auf das günstigere Ergebnis. Soll eine typische Bearbeitungszeit beschrieben oder der gesamte Kapazitätsbedarf geplant werden? Dokumentieren Sie außerdem, warum der große Fall vorhanden ist. Ein gültiger seltener Fall ist kein Messfehler und sollte nicht nur deshalb entfernt werden, weil er das Intervall verbreitert.
Was die Methode voraussetzt
Die einfache Variante behandelt Beobachtungen als unabhängig und vergleichbar verteilt. Wenn viele Vorgänge vom selben Team oder selben Tag stammen, können gemeinsame Einflüsse diese Annahme verletzen. Dann müsste beispielsweise auf Gruppen- oder Blockebene neu gezogen werden. Eine verzerrte Auswahl bleibt auch nach sehr vielen Bootstrap-Wiederholungen verzerrt.
Ebenso kann die empirische Verteilung keine bisher ungesehenen Extremereignisse erfinden. Für seltene Ausfälle, Maxima oder stark kleine Stichproben braucht es zusätzliche Modellüberlegungen. Mehr Wiederholungen verringern lediglich das Zufallsrauschen der Bootstrap-Rechnung. Mehr geeignete Originalbeobachtungen können dagegen die Unsicherheit über den Prozess verringern.
Das Ergebnis richtig verwenden
Berichten Sie Originalstichprobe, Kennzahl, Zahl der Wiederholungen und Intervallverfahren zusammen. Ein frequentistisches Konfidenzintervall ist keine direkte Posterior-Wahrscheinlichkeit; diesen Unterschied erläutert Bayessche Statistik. Für Folgen einer unsicheren Bearbeitungszeit, etwa einen Projekttermin, ist anschließend ein passendes Simulationsmodell nötig.
Häufige Fragen
Warum wird mit Zurücklegen gezogen?
Ohne Zurücklegen und bei unveränderter Stichprobengröße würden immer dieselben Werte nur umgeordnet. Mittelwert und Median blieben gleich. Mit Zurücklegen entstehen unterschiedliche empirische Stichproben (Efron 1979).
Ist das Perzentilintervall immer zuverlässig?
Nein. Kleine Stichproben, stark verzerrte Schätzer und nichtglatte Zielgrößen können die Abdeckung verschlechtern. Das einfache Perzentilintervall ist ein Einstieg; andere Bootstrap-Verfahren und analytische Vergleiche können nötig sein (Efron 1981).
Quellen und weiterführende Literatur
- PaperEfron, B. (1979): Bootstrap Methods: Another Look at the Jackknife.
- PaperEfron, B. (1981): Nonparametric estimates of standard error: The jackknife, the bootstrap and other methods.
Zuletzt fachlich geprüft am 14. November 2026. Hinweise auf Fehler nehmen wir gern entgegen: impressum@nyxai.com.