Hypothesentests mit der Standardabweichung | Standard Deviation Calculator

Überblick

Hypothesentests sind statistische Verfahren, um auf Grundlage von Stichprobendaten Entscheidungen über Populationen zu treffen. Die Standardabweichung spielt eine entscheidende Rolle bei der Bestimmung, ob beobachtete Unterschiede statistisch signifikant sind oder lediglich auf Zufall beruhen.

Hypothesen formulieren

Nullhypothese (H₀) und Alternativhypothese (H₁) aufstellen

Signifikanzniveau wählen

Signifikanzniveau (α) festlegen, üblicherweise 0,05

Teststatistik berechnen

Teststatistik mithilfe der Standardabweichung berechnen

Mit kritischem Wert vergleichen

Mit dem kritischen Wert vergleichen oder den p-Wert berechnen

Entscheidung treffen

Entscheidung treffen: H₀ ablehnen oder nicht ablehnen

Z-Test

Verwenden Sie einen Z-Test, wenn Ihnen die Populationsstandardabweichung (σ) bekannt ist und die Stichprobe groß genug ist (n ≥ 30).

Z-Teststatistik

z = (x̄ - μ₀) / (σ / √n)

Beispiel

Ein Hersteller behauptet, dass Batterien im Durchschnitt 100 Stunden halten (μ₀ = 100). Sie testen 36 Batterien und ermitteln x̄ = 98 Stunden. Bei σ = 12 Stunden: z = (98 - 100) / (12 / √36) = -2 / 2 = -1 Mit z = -1 und α = 0,05 (zweiseitig) kann H₀ nicht abgelehnt werden. Der Unterschied ist nicht statistisch signifikant.

T-Test

Verwenden Sie einen t-Test, wenn Sie die Populationsstandardabweichung nicht kennen und sie aus der Stichprobe schätzen müssen (s statt σ).

T-Teststatistik

t = (x̄ - μ₀) / (s / √n)

Wann T-Test vs. Z-Test verwenden

- Z-Test: σ ist bekannt, n ≥ 30 - T-Test: σ ist unbekannt (s verwenden), beliebige Stichprobengröße In der Praxis sind t-Tests wesentlich häufiger, da wir das wahre σ der Population selten kennen.

Standardfehler

Der Standardfehler (SE) misst, wie stark Stichprobenmittelwerte vom Populationsmittelwert abweichen. Er ist das zentrale Bindeglied zwischen Standardabweichung und Hypothesentests.

Standardfehler des Mittelwerts

SE = σ / √n (oder s / √n bei Verwendung der Stichproben-SD)

Der Standardfehler sinkt mit zunehmender Stichprobengröße. Größere Stichproben liefern präzisere Schätzungen und erleichtern die Erkennung tatsächlicher Unterschiede.

Statistische Signifikanz

Ein Ergebnis ist statistisch signifikant, wenn die Wahrscheinlichkeit, es zufällig zu beobachten (p-Wert), unter dem gewählten Schwellenwert (α) liegt.

Wenn p-Wert < α

H₀ ablehnen. Das Ergebnis ist statistisch signifikant.

Wenn p-Wert ≥ α

H₀ nicht ablehnen. Das Ergebnis könnte zufallsbedingt sein.

Statistische vs. praktische Signifikanz

Ein statistisch signifikantes Ergebnis ist nicht unbedingt praktisch bedeutsam. Bei sehr großen Stichproben können winzige Unterschiede "signifikant" sein, aber in der Praxis bedeutungslos. Berücksichtigen Sie immer die Effektgröße neben den p-Werten.

← Lernzentrum