Statistik für Data Science 2026: Wahrscheinlichkeit, Hypothesentests und Interview-Fragen

Statistik bildet das mathematische Fundament jeder Data-Science-Position. Interviewer bei Unternehmen wie Google, Meta und Netflix testen statistisches Denken, weil es Kandidaten unterscheidet, die Modelle erstellen können, von denen, die verstehen, warum diese Modelle funktionieren.

Wahrscheinlichkeitsverteilungen, die jeder Data Scientist kennen muss

Wahrscheinlichkeitsverteilungen beschreiben, wie sich Datenpunkte über mögliche Werte verteilen. Interviewer erwarten Vertrautheit mit diesen Verteilungen, da sie die Grundlage für Stichproben, A/B-Tests und Modellannahmen bilden.

Die Normalverteilung (Gauß-Verteilung) erscheint überall: bei Messfehlern, Körpergröße und Testergebnissen. Ihre Glockenkurve zentriert sich um den Mittelwert, wobei 68% der Daten innerhalb einer Standardabweichung liegen und 95% innerhalb von zwei. Bei Stichprobengrößen über 30 garantiert der Zentrale Grenzwertsatz, dass Stichprobenmittelwerte einer Normalverteilung folgen, unabhängig von der Form der ursprünglichen Population.

Die Binomialverteilung modelliert Erfolg-/Misserfolgsversuche. Klickraten, Konversionsereignisse und Qualitätsprüfungen mit Bestanden/Nicht-bestanden folgen binomialen Mustern. Für n Versuche mit Erfolgswahrscheinlichkeit p beträgt der Erwartungswert np und die Varianz np(1-p).

Die Poisson-Verteilung zählt seltene Ereignisse über feste Intervalle: Website-Besuche pro Minute, Defekte pro Charge, Anrufe pro Stunde. Ihr einziger Parameter λ repräsentiert sowohl Mittelwert als auch Varianz. Wenn Ereignisse unabhängig mit einer konstanten durchschnittlichen Rate auftreten, passt Poisson.

# distributions_demo.py
import numpy as np
from scipy import stats

# Normal: customer spend follows N(μ=50, σ=15)
normal_samples = stats.norm.rvs(loc=50, scale=15, size=1000)
prob_above_80 = 1 - stats.norm.cdf(80, loc=50, scale=15)  # P(X > 80)

# Binomial: 100 users, 5% conversion rate
binom_samples = stats.binom.rvs(n=100, p=0.05, size=1000)
prob_at_least_10 = 1 - stats.binom.cdf(9, n=100, p=0.05)  # P(X >= 10)

# Poisson: 3 support tickets per hour on average
poisson_samples = stats.poisson.rvs(mu=3, size=1000)
prob_zero_tickets = stats.poisson.pmf(0, mu=3)  # P(X = 0)

Diese drei Verteilungen decken die meisten praktischen Szenarien ab. Interviewer fragen oft, welche Verteilung zu einem gegebenen Geschäftskontext passt, daher sollte das Zuordnen realer Probleme zum richtigen Modell geübt werden.

Hypothesentests: Das Rahmenwerk hinter A/B-Tests

Hypothesentests bieten eine formale Struktur für Entscheidungen auf Basis von Daten. Das Rahmenwerk beginnt mit einer Nullhypothese (H₀), die keinen Effekt oder keinen Unterschied repräsentiert, und einer Alternativhypothese (H₁), die das repräsentiert, was das Experiment nachweisen soll.

Eine typische A/B-Test-Nullhypothese lautet: "Das neue Feature hat keinen Einfluss auf die Konversionsrate." Die Alternative behauptet, dass ein Effekt existiert. Der Test berechnet, wie wahrscheinlich die beobachteten Daten wären, wenn die Nullhypothese zuträfe.

Der p-Wert quantifiziert diese Wahrscheinlichkeit. Ein p-Wert von 0,03 bedeutet, dass eine 3%ige Chance besteht, so extreme Ergebnisse zu sehen, wenn die Nullhypothese gilt. Wenn der p-Wert unter das Signifikanzniveau (üblicherweise α = 0,05) fällt, wird die Nullhypothese abgelehnt.

# ab_test_analysis.py
import numpy as np
from scipy import stats

# A/B test data: control vs treatment conversion rates
control_conversions = 120
control_visitors = 2000
treatment_conversions = 145
treatment_visitors = 2000

# Proportions
p_control = control_conversions / control_visitors  # 0.060
p_treatment = treatment_conversions / treatment_visitors  # 0.0725

# Pooled proportion under null hypothesis
p_pooled = (control_conversions + treatment_conversions) / (control_visitors + treatment_visitors)

# Standard error
se = np.sqrt(p_pooled * (1 - p_pooled) * (1/control_visitors + 1/treatment_visitors))

# Z-statistic
z_stat = (p_treatment - p_control) / se

# Two-tailed p-value
p_value = 2 * (1 - stats.norm.cdf(abs(z_stat)))

print(f"Z-statistic: {z_stat:.3f}")  # Z-statistic: 1.681
print(f"P-value: {p_value:.4f}")  # P-value: 0.0928

Mit einem p-Wert von 0,0928 lehnt dieser Test die Nullhypothese bei α = 0,05 nicht ab. Der beobachtete Unterschied könnte zufällige Variation sein. Mehr Daten oder eine größere Effektstärke wären erforderlich, um statistische Signifikanz zu erreichen.

Typ-I- und Typ-II-Fehler: Die Kompromisse, die Interviewer untersuchen

Statistische Tests balancieren zwei Fehlertypen aus. Ein Typ-I-Fehler (falsch positiv) tritt auf, wenn eine wahre Nullhypothese abgelehnt wird. Ein Typ-II-Fehler (falsch negativ) tritt auf, wenn eine falsche Nullhypothese nicht abgelehnt wird.

Das Signifikanzniveau α kontrolliert direkt die Wahrscheinlichkeit eines Typ-I-Fehlers. Die Einstellung α = 0,05 bedeutet, eine 5%ige Chance für falsch positive Ergebnisse zu akzeptieren. Eine Senkung von α auf 0,01 reduziert falsch positive Ergebnisse, erhöht aber falsch negative.

Die statistische Power (1 - β) misst die Wahrscheinlichkeit, eine falsche Nullhypothese korrekt abzulehnen. Die Power hängt von der Effektstärke, der Stichprobengröße und dem Signifikanzniveau ab. Der Industriestandard zielt auf 80% Power ab, was eine 20%ige Chance bedeutet, echte Effekte zu übersehen.

Stichprobengrößenberechnungen balancieren diese Bedenken aus. Für einen A/B-Test mit einem Ziel von 2% Steigerung der Konversion (von 5% auf 7%) bei 80% Power und α = 0,05:

# sample_size_calculation.py
from statsmodels.stats.power import zt_ind_solve_power

# Baseline conversion: 5%, expected lift: 2 percentage points
baseline = 0.05
expected = 0.07
effect_size = (expected - baseline) / np.sqrt(baseline * (1 - baseline))  # Cohen's h

# Required sample size per group
n_per_group = zt_ind_solve_power(
    effect_size=effect_size,
    alpha=0.05,
    power=0.80,
    alternative='two-sided'
)

print(f"Sample size per group: {int(np.ceil(n_per_group))}")  # ~1,570 per group

Unterpowerte Tests verschwenden Ressourcen, indem Experimente durchgeführt werden, die realistische Effekte nicht erkennen können.

Konfidenzintervalle: Unsicherheit quantifizieren

Ein 95%-Konfidenzintervall bedeutet: Wenn derselbe Stichprobenprozess viele Male wiederholt würde, würden 95% der konstruierten Intervalle den wahren Parameter enthalten. Konfidenzintervalle kommunizieren Unsicherheit besser als Punktschätzer allein.

Für Mittelwerte mit bekannter Populationsvarianz verwendet das Intervall die z-Verteilung. Für kleine Stichproben oder unbekannte Varianz gilt die t-Verteilung. Die t-Verteilung hat schwerere Enden als die Normalverteilung und produziert breitere Intervalle, die zusätzliche Unsicherheit berücksichtigen.

# confidence_intervals.py
import numpy as np
from scipy import stats

# Sample data: response times in milliseconds
response_times = np.array([245, 312, 278, 299, 256, 334, 287, 301, 265, 289])

n = len(response_times)
mean = np.mean(response_times)  # 286.6
std_err = stats.sem(response_times)  # Standard error of the mean

# 95% confidence interval using t-distribution (df = n-1)
t_critical = stats.t.ppf(0.975, df=n-1)
margin_of_error = t_critical * std_err

ci_lower = mean - margin_of_error
ci_upper = mean + margin_of_error

print(f"Mean: {mean:.1f}ms")  # Mean: 286.6ms
print(f"95% CI: [{ci_lower:.1f}, {ci_upper:.1f}]ms")  # 95% CI: [265.4, 307.8]ms

Engere Intervalle zeigen präzisere Schätzungen an. Die Stichprobengröße bestimmt die Präzision: Eine Vervierfachung von n halbiert den Fehlerbereich.

Bayesianisch vs. Frequentistisch: Interview-Fragen zur statistischen Philosophie

Interviewer untersuchen manchmal das Verständnis konkurrierender statistischer Paradigmen. Die frequentistische Statistik behandelt Wahrscheinlichkeit als langfristige Häufigkeit: Parameter sind fest, und Daten variieren über wiederholte Experimente. P-Werte und Konfidenzintervalle stammen aus dieser Tradition.

Die Bayes'sche Statistik behandelt Wahrscheinlichkeit als Überzeugungsgrad: Vorwissen kombiniert sich mit Daten, um posterior Überzeugungen zu erzeugen. Das Rahmenwerk ermöglicht die Einbeziehung von Domänenwissen und erzeugt direkt Wahrscheinlichkeitsaussagen über Parameter.

A/B-Tests verwenden zunehmend Bayes'sche Methoden, weil sie die Frage beantworten, die Stakeholder tatsächlich stellen: "Wie wahrscheinlich ist es, dass Behandlung B Behandlung A übertrifft?" anstatt "Wie überraschend sind diese Daten, wenn es keinen Unterschied gäbe?"

# bayesian_ab_test.py
import numpy as np
from scipy import stats

# Prior: Beta(1, 1) = uniform prior for conversion rate
# Posterior: Beta(alpha + successes, beta + failures)

control_successes, control_failures = 120, 1880
treatment_successes, treatment_failures = 145, 1855

# Posterior distributions
posterior_control = stats.beta(1 + control_successes, 1 + control_failures)
posterior_treatment = stats.beta(1 + treatment_successes, 1 + treatment_failures)

# Monte Carlo estimation: P(treatment > control)
samples_control = posterior_control.rvs(100000)
samples_treatment = posterior_treatment.rvs(100000)
prob_treatment_better = np.mean(samples_treatment > samples_control)

print(f"P(treatment > control): {prob_treatment_better:.2%}")  # ~95%

Bayes'sche Ergebnisse kommunizieren direkt: "Es besteht eine 95%ige Wahrscheinlichkeit, dass die Behandlungs-Konversionsrate die Kontrollrate übersteigt." Frequentistische Ergebnisse erfordern sorgfältigere Interpretation.

Häufige Interview-Fragen zur statistischen Inferenz

Diese Fragen erscheinen häufig in Data-Science-Interviews bei Tech-Unternehmen. Jede testet ein spezifisches statistisches Konzept.

"Erklären Sie den Zentralen Grenzwertsatz und warum er wichtig ist."

Der ZGW besagt, dass Stichprobenmittelwerte aus jeder Population (mit endlicher Varianz) sich einer Normalverteilung nähern, wenn die Stichprobengröße zunimmt. Dies ist wichtig, weil Normalitätsannahmen in Hypothesentests für große Stichproben gelten, unabhängig von der zugrunde liegenden Verteilung. Stichprobengrößen von 30+ reichen typischerweise aus.

"Was ist P-Hacking und wie verhindert man es?"

P-Hacking erhöht die Rate falsch positiver Ergebnisse, indem mehrere Hypothesen getestet werden, bis Signifikanz gefunden wird, oder indem die Datensammlung gestoppt wird, wenn Ergebnisse signifikant werden. Präventionsstrategien: Analysepläne vorab registrieren, Korrekturen für multiple Vergleiche anwenden (Bonferroni, FDR) und Stichprobengrößen vor der Datensammlung festlegen.

"Wann würden Sie einen t-Test vs. einen Mann-Whitney-U-Test verwenden?"

Der t-Test nimmt normalverteilte Daten an (oder große Stichproben via ZGW) und vergleicht Mittelwerte. Mann-Whitney U ist eine nicht-parametrische Alternative, die Verteilungen ohne Normalitätsannahmen vergleicht. Mann-Whitney wird bei kleinen Stichproben mit eindeutig nicht-normalen Daten oder beim Vergleich ordinaler Messungen verwendet.

"Wie gehen Sie mit multiplen Vergleichen in A/B-Tests um?"

Das Testen mehrerer Varianten erhöht den Typ-I-Fehler. Bei 20 Vergleichen bei α = 0,05 übersteigt die Wahrscheinlichkeit mindestens eines falsch positiven Ergebnisses 60%. Die Bonferroni-Korrektur teilt α durch die Anzahl der Tests. Das Benjamini-Hochberg-Verfahren kontrolliert die False Discovery Rate und behält dabei mehr Power als Bonferroni.

Simpsons Paradoxon: Ein beliebtes Interview-Thema

Simpsons Paradoxon tritt auf, wenn sich Trends in aggregierten Daten auf Untergruppenebene umkehren. Interviewer lieben dieses Thema, weil es kausales Denken testet, nicht nur statistische Mechanik.

Ein klassisches Beispiel: Krankenhaus A hat eine höhere Gesamtmortalitätsrate als Krankenhaus B. Aber Krankenhaus A hat eine niedrigere Mortalität sowohl für leichte als auch für schwere Fälle. Das Paradoxon entsteht, weil Krankenhaus A mehr schwere Fälle behandelt, die unabhängig von der Krankenhausqualität eine höhere Mortalität haben.

# simpsons_paradox.py
import pandas as pd

# Hospital mortality data
data = {
    'Hospital': ['A', 'A', 'B', 'B'],
    'Severity': ['Mild', 'Severe', 'Mild', 'Severe'],
    'Patients': [200, 800, 800, 200],
    'Deaths': [10, 160, 48, 50]
}
df = pd.DataFrame(data)
df['Mortality'] = df['Deaths'] / df['Patients']

# Subgroup mortality
print(df[['Hospital', 'Severity', 'Mortality']])
# Hospital A: Mild 5%, Severe 20%
# Hospital B: Mild 6%, Severe 25%

# Aggregate mortality
agg = df.groupby('Hospital').agg({'Deaths': 'sum', 'Patients': 'sum'})
agg['Mortality'] = agg['Deaths'] / agg['Patients']
print(agg['Mortality'])
# Hospital A: 17%, Hospital B: 9.8%

Die Lösung erfordert die Identifizierung der Störvariable (Schweregrad) und die separate Analyse von Untergruppen. Aggregierte Analysen führen in die Irre, wenn die Untergruppenanteile unterschiedlich sind.

Statistische Konzepte für Feature Engineering

Statistisches Wissen verbessert direkt das Feature Engineering. Das Verständnis von Verteilungen leitet Transformationen; das Verständnis von Beziehungen leitet die Feature-Erstellung.

Schiefe misst die Asymmetrie der Verteilung. Rechts-schiefe Daten (Einkommen, Preise) profitieren von Log-Transformationen, die die Verteilung normalisieren und die Modellleistung verbessern. Links-schiefe Daten verwenden quadratische oder exponentielle Transformationen.

Korrelation quantifiziert lineare Beziehungen. Pearson-Korrelation nimmt Normalität und Linearität an. Spearman-Korrelation behandelt monotone nicht-lineare Beziehungen. Stark korrelierte Features verursachen Multikollinearität in linearen Modellen, daher wird typischerweise eines entfernt.

Ausreißer beeinflussen Mittelwerte und Standardabweichungen überproportional. Robuste Statistiken (Median, IQR) widerstehen dem Einfluss von Ausreißern. Entscheidung: Ausreißer entfernen, begrenzen oder transformieren, je nachdem, ob sie Fehler oder echte Extremwerte darstellen.

Für weitere Informationen zur Anwendung dieser Konzepte auf Machine-Learning-Modelle siehe den Feature-Engineering-Interview-Leitfaden und das Übungsmodul zur inferentiellen Statistik.

Was starke Kandidaten bei Statistikfragen auszeichnet

Statistische Kompetenz in Data-Science-Interviews erfordert mehr als Lehrbuchdefinitionen. Starke Kandidaten demonstrieren diese Fähigkeiten:

• Statistik mit Geschäftsergebnissen verbinden: A/B-Testergebnisse in Bezug auf Umsatzauswirkungen oder Nutzerengagement formulieren, nicht nur p-Werte
• Die Annahmen kennen: Jeder Test hat Bedingungen (Unabhängigkeit, Normalität, gleiche Varianz), und Kandidaten sollten angeben, wann diese Bedingungen möglicherweise nicht erfüllt sind
• Unsicherheit quantifizieren: Punktschätzer ohne Konfidenzintervalle oder Credible-Intervalle lassen Stakeholder über die Zuverlässigkeit im Unklaren
• Kausalitätsgrenzen erkennen: Beobachtungsdaten zeigen Korrelation, und Kandidaten sollten artikulieren, welches experimentelle Design Kausalität etablieren würde
• Den richtigen Test wählen: Datentyp (kontinuierlich vs. kategorial), Stichprobengröße und Forschungsfrage mit der geeigneten statistischen Methode abgleichen
• Ergebnisse klar kommunizieren: Statistische Erkenntnisse in umsetzbare Empfehlungen übersetzen, die nicht-technische Stakeholder verstehen und danach handeln können