Hypothesentest-Rechner: So berechnen Sie z-Tests und t-Tests von Hand
Ein Hypothesentest-Rechner prüft, ob Stichprobendaten ausreichend starke Evidenz liefern, um eine Behauptung über eine Population zu verwerfen. Dabei werden eine Null- und eine Alternativhypothese in eine einzige Prüfgröße und einen p-Wert übersetzt, den Sie mit einem Signifikanzniveau vergleichen können. Studierende greifen zu einem Hypothesentest-Rechner, wenn eine Hausaufgabe fragt, ob das durchschnittliche Füllgewicht einer Fabrik abgedriftet ist, ob eine neue Unterrichtsmethode die Testergebnisse tatsächlich verbessert oder ob ein Website-Redesign die Konversionsrate wirklich erhöht hat. Diese Anleitung baut die z-Test- und t-Test-Varianten des Hypothesentests von Grund auf auf, führt vollständige Rechenbeispiele für Einstichproben-z-Tests und -t-Tests durch und erklärt einseitige gegenüber zweiseitigen Tests, kritische Werte, p-Werte sowie Fehler 1. und 2. Art — damit Sie genau verstehen, was ein Hypothesentest-Rechner berechnet, bevor Sie seinem Ergebnis vertrauen.
Inhalt
- 01Was ist ein Hypothesentest-Rechner?
- 02Wie wählt ein Hypothesentest-Rechner zwischen z-Test und t-Test?
- 03Wie berechnet man einen Einstichproben-z-Test Schritt für Schritt?
- 04Wie berechnet man einen Einstichproben-t-Test Schritt für Schritt?
- 05Was ist der Unterschied zwischen einem einseitigen und einem zweiseitigen Test?
- 06Was sind Fehler 1. und 2. Art, und warum sind sie wichtig?
- 07Welche Fehler sollten Sie bei einem Hypothesentest-Rechner vermeiden?
- 08Übungsaufgaben zu Hypothesentests mit Lösungen
- 09Was fragen Studierende sonst noch zu Hypothesentest-Rechnern?
- 10Mehr Hilfe bei Hausaufgaben zu Hypothesentests
Was ist ein Hypothesentest-Rechner?
Ein Hypothesentest-Rechner nimmt Stichprobendaten, einen behaupteten Populationswert und ein Signifikanzniveau und liefert daraus eine Prüfgröße, einen p-Wert und eine Entscheidung darüber, ob die Behauptung verworfen wird. Jeder Hypothesentest beginnt mit zwei konkurrierenden Aussagen: der Nullhypothese (H0), die die bestehende Behauptung oder den Status quo darstellt, und der Alternativhypothese (Ha), die das darstellt, was Sie vermuten. Ein Hypothesentest-Rechner beweist H0 niemals als wahr — er misst nur, ob die Stichprobenevidenz stark genug ist, um H0 zugunsten von Ha zu verwerfen, oder zu schwach, um diesen Schluss zu rechtfertigen.
Ein Hypothesentest beweist die Nullhypothese nie als wahr. Er entscheidet nur, ob die Stichprobenevidenz stark genug ist, um sie zu verwerfen.
Wie wählt ein Hypothesentest-Rechner zwischen z-Test und t-Test?
Jeder Hypothesentest-Rechner benötigt dieselben Kerneingaben — einen behaupteten Populationswert, eine Stichprobenstatistik, ein Streuungsmaß und einen Stichprobenumfang —, doch welche Formel er verwendet, hängt von einer entscheidenden Tatsache ab: ob die Populationsstandardabweichung bekannt ist.
1. Verwenden Sie einen z-Test, wenn die Populationsstandardabweichung (σ) bekannt ist
Das ist der Fall, wenn eine Behauptung mit einem historischen oder theoretischen σ geliefert wird, oft aus einem großen bestehenden Datensatz — zum Beispiel bei einem Hersteller mit jahrelangen Qualitätskontrolldaten zum Gewicht eines Produkts. Prüfgröße: z = (x̄ − μ0) ÷ (σ ÷ √n), wobei x̄ der Stichprobenmittelwert, μ0 der behauptete Populationsmittelwert und n der Stichprobenumfang ist.
2. Verwenden Sie einen t-Test, wenn nur die Stichprobenstandardabweichung (s) bekannt ist
Das ist die in der Praxis weitaus häufigere Situation, da die Populationsstandardabweichung selten im Vorfeld bekannt ist. Prüfgröße: t = (x̄ − μ0) ÷ (s ÷ √n), mit den Freiheitsgraden df = n − 1. Die t-Verteilung ist bei kleinen Stichproben breiter und flacher als die Normalverteilung, wodurch Signifikanz schwerer zu erreichen ist — eine eingebaute Strafe für die zusätzliche Unsicherheit, σ aus der Stichprobe selbst zu schätzen.
3. Warum Sie die manuelle Methode trotzdem lernen sollten
Hausaufgaben und Prüfungen verlangen fast immer den vollständigen Ansatz — H0 und Ha formulieren, die Prüfgröße Term für Term berechnen und sie mit einem kritischen Wert oder p-Wert vergleichen — nicht nur eine finale Dezimalzahl. Ein Hypothesentest-Rechner ist am schnellsten, um eine Antwort zu überprüfen, aber die manuellen Schritte unten bringen die Punkte und bauen die Intuition auf, die für spätere Themen wie Konfidenzintervalle und ANOVA nötig ist.
Wie berechnet man einen Einstichproben-z-Test Schritt für Schritt?
Hier ist ein vollständig ausgearbeitetes Beispiel mit einer Behauptung, die gegen eine bekannte Populationsstandardabweichung geprüft werden kann.
1. Hypothesen formulieren und Daten erheben
Ein Cerealienhersteller behauptet, seine Packungen enthielten durchschnittlich 500 g, und historische Qualitätskontrolldaten zeigen eine Populationsstandardabweichung von σ = 12 g. Ein Qualitätsprüfer zieht eine Stichprobe von n = 36 Packungen und findet einen Stichprobenmittelwert von x̄ = 495 g. H0: μ = 500 (das durchschnittliche Füllgewicht entspricht der Behauptung). Ha: μ ≠ 500 (das durchschnittliche Füllgewicht weicht von der Behauptung ab). Dies ist ein zweiseitiger Test, da jede Abweichung von Belang ist, nicht nur Unterfüllung. Test bei α = 0.05.
2. Die z-Prüfgröße berechnen
z = (x̄ − μ0) ÷ (σ ÷ √n) = (495 − 500) ÷ (12 ÷ √36) = −5 ÷ (12 ÷ 6) = −5 ÷ 2 = −2.5.
3. Kritischen Wert und p-Wert bestimmen
Für einen zweiseitigen Test bei α = 0.05 liegen die kritischen z-Werte bei ±1.96. Der p-Wert ist 2 × P(Z ≤ −2.5) = 2 × 0.0062 ≈ 0.0124.
4. Entscheiden und interpretieren
Da |z| = 2.5 den Wert 1.96 übersteigt (äquivalent: p ≈ 0.0124 ist kleiner als α = 0.05), wird H0 verworfen. Die Stichprobe liefert statistisch signifikante Evidenz dafür, dass das durchschnittliche Füllgewicht von den behaupteten 500 g abweicht. Ein Hypothesentest-Rechner würde dieselben Werte z = −2.5 und p ≈ 0.0124 sofort ausgeben, aber jetzt können Sie jede Zwischenzahl selbst überprüfen.
z = (x̄ − μ0) ÷ (σ ÷ √n). Mit x̄ = 495, μ0 = 500, σ = 12 und n = 36 ergibt sich z = −2.5, was den kritischen Wert von 1.96 im Betrag übersteigt — H0 verwerfen.
Wie berechnet man einen Einstichproben-t-Test Schritt für Schritt?
Wenn die Populationsstandardabweichung unbekannt ist, verläuft das Verfahren fast identisch, verwendet aber die Stichprobenstandardabweichung und die t-Verteilung anstelle der Normalverteilung.
1. Hypothesen formulieren und Daten erheben
Ein Nachhilfeanbieter behauptet, sein Programm verbessere die Testergebnisse um durchschnittlich mehr als 8 Punkte. Eine Stichprobe von n = 15 Schülern zeigt eine mittlere Verbesserung von x̄ = 8.9 Punkten bei einer Stichprobenstandardabweichung von s = 2.1 Punkten. H0: μ = 8 (die wahre durchschnittliche Verbesserung beträgt 8 Punkte). Ha: μ > 8 (die wahre durchschnittliche Verbesserung ist größer als 8 Punkte). Dies ist ein einseitiger (rechtsseitiger) Test, da das Unternehmen nur eine Verbesserung von mehr als 8 behauptet. Test bei α = 0.05.
2. Die t-Prüfgröße berechnen
t = (x̄ − μ0) ÷ (s ÷ √n) = (8.9 − 8) ÷ (2.1 ÷ √15) = 0.9 ÷ (2.1 ÷ 3.873) = 0.9 ÷ 0.5422 ≈ 1.660.
3. Kritischen Wert und p-Wert bestimmen
Freiheitsgrade: df = n − 1 = 15 − 1 = 14. Für einen einseitigen Test bei α = 0.05 mit df = 14 liegt der kritische t-Wert bei etwa 1.761. Das Nachschlagen von t ≈ 1.660 mit df = 14 ergibt einen einseitigen p-Wert von rund 0.059.
4. Entscheiden und interpretieren
Da t ≈ 1.660 den kritischen Wert von 1.761 nicht übersteigt (äquivalent: p ≈ 0.059 ist größer als α = 0.05), kann H0 nicht verworfen werden. Diese Stichprobe von 15 Schülern liefert auf dem 5-%-Signifikanzniveau keine ausreichend starke Evidenz dafür, dass die wahre durchschnittliche Verbesserung 8 Punkte übersteigt — auch wenn der Stichprobenmittelwert von 8.9 für sich genommen vielversprechend aussieht.
t = (x̄ − μ0) ÷ (s ÷ √n). Mit x̄ = 8.9, μ0 = 8, s = 2.1 und n = 15 ergibt sich t ≈ 1.660 bei df = 14 — unter dem kritischen Wert von 1.761, also können wir H0 nicht verwerfen.
Was ist der Unterschied zwischen einem einseitigen und einem zweiseitigen Test?
Die Wahl zwischen einseitigem und zweiseitigem Test hängt vollständig davon ab, wie die Alternativhypothese formuliert ist, und ein Fehler dabei verändert sowohl den kritischen Wert als auch die Schlussfolgerung.
1. Zweiseitige Tests prüfen auf jeden Unterschied
Ha: μ ≠ μ0 teilt den Verwerfungsbereich auf beide Verteilungsenden auf, sodass Evidenz in jede Richtung (zu hoch oder zu niedrig) zur Verwerfung von H0 führen kann. Das Cerealien-Beispiel oben ist zweiseitig, weil eine Abweichung in beide Richtungen — Überfüllung oder Unterfüllung — für den Prüfer relevant ist.
2. Einseitige Tests prüfen auf einen Unterschied in einer bestimmten Richtung
Ha: μ > μ0 oder Ha: μ < μ0 legt den gesamten Verwerfungsbereich in ein einziges Verteilungsende. Das macht es leichter, in dieser Richtung Signifikanz zu erreichen, bedeutet aber, dass Evidenz in die Gegenrichtung niemals zur Verwerfung von H0 führen kann, wie extrem sie auch ausfällt.
3. Ein Rechenbeispiel: linksseitiger z-Test
Ein Hersteller behauptet, seine Glühbirnen hielten durchschnittlich mindestens 1000 Stunden, bei bekanntem σ = 50 Stunden. Eine Stichprobe von n = 40 Birnen hat eine mittlere Lebensdauer von x̄ = 985 Stunden. H0: μ = 1000. Ha: μ < 1000 (linksseitig, da die Sorge darin besteht, dass die Birnen kürzer halten als behauptet). z = (985 − 1000) ÷ (50 ÷ √40) = −15 ÷ 7.906 ≈ −1.897. Der linksseitige kritische Wert bei α = 0.05 ist −1.645. Da z ≈ −1.897 extremer ist als −1.645 (p ≈ 0.0289 < 0.05), wird H0 verworfen — die Stichprobe deutet darauf hin, dass die Birnen im Durchschnitt kürzer halten als die behaupteten 1000 Stunden.
Ein zweiseitiger Test verteilt α auf beide Enden (±1.96 bei α = 0.05); ein einseitiger Test legt das ganze α in ein Ende (±1.645 bei α = 0.05), wodurch ein Effekt nur in der vorhergesagten Richtung leichter zu entdecken ist.
Was sind Fehler 1. und 2. Art, und warum sind sie wichtig?
Kein Hypothesentest ist jemals völlig sicher, und die zwei Arten, wie er falsch liegen kann, zu verstehen, ist genauso wichtig wie die korrekte Berechnung der Prüfgröße.
1. Fehler 1. Art: eine wahre H0 verwerfen
Ein Fehler 1. Art tritt auf, wenn der Test H0 verwirft, obwohl H0 tatsächlich wahr ist — ein falsch positives Ergebnis. Im Cerealien-Beispiel würde ein Fehler 1. Art bedeuten, zu schließen, das durchschnittliche Füllgewicht sei von 500 g abgedriftet, obwohl es das nicht ist. Die Wahrscheinlichkeit eines Fehlers 1. Art entspricht dem Signifikanzniveau α; die Wahl von α = 0.05 bedeutet also, bis zu 5 % Chance auf einen solchen Fehlalarm zu akzeptieren.
2. Fehler 2. Art: eine falsche H0 nicht verwerfen
Ein Fehler 2. Art tritt auf, wenn der Test H0 nicht verwirft, obwohl H0 tatsächlich falsch ist — ein übersehener Effekt. Im Nachhilfe-Beispiel würde ein Fehler 2. Art bedeuten, zu schließen, das Programm hebe die Ergebnisse nicht um mehr als 8 Punkte, obwohl es das tut — vielleicht weil der Stichprobenumfang von 15 zu klein war, um einen echten, aber moderaten Effekt zu erkennen. Die Wahrscheinlichkeit eines Fehlers 2. Art wird mit β bezeichnet, und 1 − β heißt Teststärke (Power).
3. Der Zielkonflikt zwischen den beiden Fehlerarten
α zu senken, um Fehler 1. Art unwahrscheinlicher zu machen (etwa von 0.05 auf 0.01), macht den Test konservativer, was stattdessen die Chance eines Fehlers 2. Art erhöht. Den Stichprobenumfang zu erhöhen ist im Allgemeinen der beste Weg, beide Fehlerraten gleichzeitig zu senken, da ein größeres n den Standardfehler verkleinert und echte Effekte leichter erkennbar macht, ohne α zu lockern.
Fehler 1. Art: eine wahre H0 verwerfen (ein Fehlalarm), mit Wahrscheinlichkeit α. Fehler 2. Art: eine falsche H0 nicht verwerfen (ein übersehener Effekt), mit Wahrscheinlichkeit β.
Welche Fehler sollten Sie bei einem Hypothesentest-Rechner vermeiden?
Diese Fehler treten in bewerteten Statistik-Hausaufgaben ständig auf, ob die Rechnung von Hand erfolgt oder hinterher mit einem Hypothesentest-Rechner geprüft wird.
1. Einen z-Test verwenden, wenn σ unbekannt ist
Wenn die Populationsstandardabweichung nicht direkt angegeben ist (und nicht aus einem großen historischen Datensatz angenommen werden kann), verwenden Sie stattdessen einen t-Test mit der Stichprobenstandardabweichung. Eine Stichprobenstandardabweichung in die z-Formel einzusetzen, unterschätzt die wahre Unsicherheit, besonders bei kleinen Stichproben.
2. Die falsche Testrichtung wählen
Ha an die tatsächliche Formulierung der Behauptung anzupassen, ist entscheidend: „größer als“ oder „mehr als“ bedeutet einen rechtsseitigen Test, „kleiner als“ einen linksseitigen Test, und „verschieden von“ oder „ungleich“ bedeutet zweiseitig. Einen zweiseitigen kritischen Wert für eine einseitige Behauptung zu verwenden (oder umgekehrt) verändert sowohl den kritischen Wert als auch die Schlussfolgerung.
3. Den p-Wert als Wahrscheinlichkeit missdeuten, dass H0 wahr ist
Ein kleiner p-Wert bedeutet, dass die beobachteten Daten unwahrscheinlich wären, wenn H0 wahr wäre — er gibt nicht direkt die Wahrscheinlichkeit an, dass H0 selbst wahr oder falsch ist. Behalten Sie die bedingte Formulierung („Wahrscheinlichkeit dieser Daten, gegeben H0“) im Kopf, wenn Sie eine Schlussfolgerung schreiben.
4. „Nicht verwerfen“ als „bewiesen wahr“ behandeln
H0 nicht zu verwerfen bedeutet nur, dass die Stichprobe nicht genug Evidenz dagegen lieferte — es beweist niemals, dass H0 wahr ist. Eine größere oder eine andere Stichprobe könnte für dieselbe zugrunde liegende Population dennoch zur Verwerfung von H0 führen.
Übungsaufgaben zu Hypothesentests mit Lösungen
Arbeiten Sie diese drei Aufgaben von leicht bis schwer durch. Versuchen Sie jede selbst, bevor Sie die Lösung lesen, und vergleichen Sie dann Ihren Ansatz mit den gezeigten Schritten.
1. Aufgabe 1 (Einsteiger): Zweiseitiger z-Test
Ein Saftunternehmen behauptet, seine Flaschen enthielten durchschnittlich 16 oz, bei bekannter Populationsstandardabweichung von σ = 0.5 oz. Eine Stichprobe von n = 25 Flaschen hat einen Mittelwert von 15.8 oz. Prüfen Sie bei α = 0.05, ob der wahre Mittelwert von 16 oz abweicht. Lösung: z = (15.8 − 16) ÷ (0.5 ÷ √25) = −0.2 ÷ 0.1 = −2.0. Die kritischen Werte bei α = 0.05 (zweiseitig) sind ±1.96. Da |z| = 2.0 > 1.96, wird H0 verworfen — p ≈ 2 × (1 − 0.9772) = 0.0456, also kleiner als 0.05, was dieselbe Schlussfolgerung bestätigt.
2. Aufgabe 2 (Mittelstufe): Einseitiger t-Test
Eine Fitness-App behauptet, Nutzer verbrennten durchschnittlich mehr als 300 Kalorien pro Einheit. Eine Stichprobe von n = 20 Einheiten hat x̄ = 310 Kalorien und s = 25 Kalorien. Prüfen Sie bei α = 0.05, rechtsseitig. Lösung: t = (310 − 300) ÷ (25 ÷ √20) = 10 ÷ 5.590 ≈ 1.789. df = 19, und der kritische t-Wert bei α = 0.05 (einseitig) beträgt etwa 1.729. Da t ≈ 1.789 > 1.729, wird H0 verworfen — die Stichprobe stützt die Behauptung, dass die durchschnittlich verbrannten Kalorien 300 übersteigen, mit p ≈ 0.045.
3. Aufgabe 3 (Fortgeschritten): Zweiseitiger t-Test mit strengerem α
Ein Café behauptet, seine durchschnittliche Wartezeit betrage 4 Minuten. Eine Stichprobe von n = 10 Kunden hat x̄ = 4.6 Minuten und s = 0.9 Minuten. Prüfen Sie bei α = 0.01, ob die wahre durchschnittliche Wartezeit von 4 Minuten abweicht. Lösung: t = (4.6 − 4) ÷ (0.9 ÷ √10) = 0.6 ÷ 0.2846 ≈ 2.108. df = 9, und der kritische t-Wert bei α = 0.01 (zweiseitig) liegt bei etwa ±3.250. Da |t| ≈ 2.108 kleiner ist als 3.250 (p ≈ 0.064, deutlich über 0.01), kann H0 nicht verworfen werden — diese Stichprobe liefert auf dem 1-%-Niveau keine ausreichend starke Evidenz dafür, dass die wahre durchschnittliche Wartezeit von 4 Minuten abweicht.
Was fragen Studierende sonst noch zu Hypothesentest-Rechnern?
Das sind die Fragen, die im Zusammenhang mit Hausaufgaben und Prüfungsvorbereitung zu Hypothesentests am häufigsten auftauchen.
1. Was ist in einem Hypothesentest-Rechner der Unterschied zwischen z-Test und t-Test?
Ein z-Test setzt eine bekannte Populationsstandardabweichung voraus und nutzt die Normalverteilung; ein t-Test verwendet stattdessen die Stichprobenstandardabweichung und beruht auf der t-Verteilung, die bei kleinen Stichproben breiter ist, um die zusätzliche Unsicherheit der σ-Schätzung zu berücksichtigen. Mit wachsendem Stichprobenumfang (etwa n ≥ 30) nähert sich die t-Verteilung der Normalverteilung, und beide Tests liefern nahezu identische Ergebnisse.
2. Kann ein Hypothesentest-Rechner mit Anteilen statt mit Mittelwerten arbeiten?
Ja — ein Einstichproben-Anteilstest (z-Test für Anteile) folgt derselben Logik, verwendet aber z = (p̂ − p0) ÷ √[p0(1 − p0) ÷ n] und vergleicht einen Stichprobenanteil p̂ mit einem behaupteten Populationsanteil p0, anstatt Stichproben- und Populationsmittelwerte zu vergleichen.
3. Bedeutet „H0 nicht verwerfen“ dasselbe wie „H0 annehmen“?
Nein. H0 nicht zu verwerfen bedeutet, dass die Stichprobe nicht genug Evidenz lieferte, um die Behauptung zu verwerfen — es beweist nie, dass die Behauptung wahr ist. Statistiker vermeiden aus diesem Grund bewusst die Formulierung „H0 annehmen“ und bleiben bei „nicht verwerfen“.
4. Wie wähle ich das Signifikanzniveau (α) für einen Hypothesentest?
α = 0.05 ist in den meisten Lehrveranstaltungen der Standard und balanciert Fehler 1. und 2. Art aus. Bereiche, in denen ein falsch positives Ergebnis besonders teuer ist, etwa klinische Arzneimittelstudien, verwenden oft ein strengeres α = 0.01, während manche explorative Forschung ein großzügigeres α = 0.10 nutzt.
Mehr Hilfe bei Hausaufgaben zu Hypothesentests
Sobald Sie sicher H0 und Ha formulieren, zwischen z-Test und t-Test wählen und Ihre Prüfgröße mit einem kritischen Wert oder p-Wert vergleichen können, werden Hypothesentest-Aufgaben eine Frage des sorgfältigen Ansatzes statt einer geheimnisvollen Formel. Üben Sie mit einer Mischung aus einseitigen und zweiseitigen Fragen, denn Prüfungen erwarten oft, dass Sie schon an der Formulierung der Behauptung erkennen, welcher Fall vorliegt. Wenn Sie beim Ansatz einer bestimmten Aufgabe hängen bleiben oder eine Handrechnung doppelt prüfen möchten, kann der Schritt-für-Schritt-Löser von Solvify dieselbe Formel wie in dieser Anleitung durchrechnen — die Prüfgröße, den kritischen Wert oder p-Wert und die finale Entscheidung —, sodass Sie genau sehen, wo Ihr eigener Ansatz vom richtigen abweicht.
Bevor Sie zu einem Hypothesentest-Rechner greifen, schreiben Sie H0, Ha und auf, ob der Test ein- oder zweiseitig ist — diese einzige Entscheidung bestimmt sowohl Ihren kritischen Wert als auch Ihre Schlussfolgerung.
Verwandte Artikel
Chi-Quadrat-Rechner: So berechnen Sie Chi-Quadrat-Tests von Hand
Ein weiterer Hypothesentest, gebaut für kategoriale Häufigkeitsdaten statt für die numerischen Mittelwerte von z- und t-Tests.
Konfidenzintervall-Rechner für einen Anteil: Formel, Schritte und Beispiele
Konfidenzintervalle und Hypothesentests teilen dieselben Standardfehlerformeln — sehen Sie, wie ein Anteilsintervall mit einem z-Test für Anteile zusammenhängt.
ANOVA-Rechner: Schritt-für-Schritt-Anleitung zur einfaktoriellen Varianzanalyse
Ein natürlicher nächster Schritt nach einem Zweistichproben-Hypothesentest, wenn drei oder mehr Gruppenmittelwerte gleichzeitig verglichen werden.
Verwandte Mathe-Löser
Schritt-für-Schritt-Lösungen
Lassen Sie sich jeden Schritt eines Hypothesentests explizit anzeigen — die Prüfgröße, den kritischen Wert oder p-Wert und die finale Entscheidung.
Smart-Scan-Löser
Fotografieren Sie eine Aufgabe zum Hypothesentest und erhalten Sie sofort eine vollständig ausgearbeitete Lösung.
KI-Mathe-Tutor
Stellen Sie Nachfragen zu z-Tests, t-Tests, p-Werten oder Fehlern 1. und 2. Art, bis es Klick macht.