Ein-Stichproben-t-Test-Rechner

Testen Sie, ob der Mittelwert von einem Wert abweicht.

Stichprobendaten

Hypothetischer Mittelwert (μ₀)

Alternativhypothese

Signifikanzniveau (α)

Geben Sie mindestens 2 Datenwerte ein

Beispiele:

Berechnungsschritte anzeigen

Stichprobendaten und hypothetischen Mittelwert eingeben

Was ist ein Einstichproben-t-Test?

Der Einstichproben-t-Test bestimmt, ob ein Stichprobenmittelwert signifikant von einem hypothetischen Populationsmittelwert abweicht.

Beantwortete Frage: „Unterscheidet sich der wahre Mittelwert von diesem bestimmten Wert?"

Beispiel: „Unterscheidet sich die durchschnittliche Testpunktzahl von der Bestehensgrenze von 70?"

Die Hypothesen

Nullhypothese ( $H_0$ ): $\mu = \mu_0$ (Populationsmittelwert entspricht dem hypothetischen Wert)

Alternativhypothese ( $H_1$ ):

Zweiseitig: $\mu \neq \mu_0$ (Mittelwert ist unterschiedlich)
Rechtsseitig: $\mu > \mu_0$ (Mittelwert ist größer)
Linksseitig: $\mu < \mu_0$ (Mittelwert ist kleiner)

Die Teststatistik

$t = \frac{\bar{x} - \mu_0}{s / \sqrt{n}}$

Wobei:

$\bar{x}$ = Stichprobenmittelwert
$\mu_0$ = hypothetischer Populationsmittelwert
$s$ = Stichproben-Standardabweichung
$n$ = Stichprobengröße

Die t-Statistik folgt einer t-Verteilung mit $df = n - 1$ .

Beispielrechnung

Szenario: Prüfung, ob die durchschnittliche tägliche Schrittzahl von den empfohlenen 10.000 abweicht.

Daten: 25 Teilnehmer, Mittelwert = 8.450 Schritte, SD = 2.100 Schritte

Berechnung:

$t = \frac{8450 - 10000}{2100 / \sqrt{25}} = \frac{-1550}{420} = -3,69$

p-Wert: Für $df = 24$ (zweiseitig), $p \approx 0,001$

Schlussfolgerung: Der Stichprobenmittelwert liegt signifikant unter 10.000 Schritten ( $p < 0,01$ ).

Anwendungsbereiche

Qualitätskontrolle

„Erreicht der Produktionsprozess das Zielgewicht?"

$H_0: \mu = 500g$

Stichprobe: 30 Produkte, Mittelwert = 497g, SD = 8g

Prüfung, ob der Mittelwert vom Zielwert abweicht.

Bildungsbewertung

„Schneiden Schüler anders ab als der Landesdurchschnitt?"

$H_0: \mu = 75$ (Landesdurchschnitt)

Stichprobe: Klassenmittelwert = 81, SD = 12, n = 28

Gesundheitsforschung

„Unterscheidet sich der durchschnittliche Blutdruck in dieser Population vom Normalwert?"

$H_0: \mu = 120$ mmHg

Stichprobe: Mittelwert = 128, SD = 15, n = 45

Prozessüberwachung

„Hat sich der Mittelwert vom etablierten Ausgangswert verschoben?"

Vergleich der aktuellen Stichprobe mit dem historischen Standard.

Ergebnisse interpretieren

Interpretation des p-Werts

p-Wert	Interpretation
p < 0,01	Starke Evidenz gegen H₀
p < 0,05	Moderate Evidenz gegen H₀
p < 0,10	Schwache Evidenz gegen H₀
p ≥ 0,10	Unzureichende Evidenz gegen H₀

Zusammenhang mit dem Konfidenzintervall

Ein 95%-KI, das $\mu_0$ ausschließt, entspricht $p < 0,05$ .

$KI = \bar{x} \pm t^* \times SE$

Wenn $\mu_0$ außerhalb dieses Intervalls liegt, wird $H_0$ abgelehnt.

Einseitig vs. Zweiseitig

Zweiseitig (Standard): Prüft auf Unterschiede in beide Richtungen. Verwenden, wenn sowohl Zu- als auch Abnahme von Interesse ist.

Einseitig: Prüft auf Unterschiede in eine bestimmte Richtung. Hat mehr statistische Power, erfordert aber vorherige Begründung.

Zweiseitiger p-Wert = 2 × einseitiger p-Wert

Voraussetzungen

Normalverteilung

Die Population sollte annähernd normalverteilt sein, ODER die Stichprobe sollte groß genug sein ( $n > 30$ ), damit der Zentrale Grenzwertsatz greift.

Überprüfung mit:

Histogramm oder QQ-Diagramm
Schiefe und Kurtosis
Formale Normalitätstests (Shapiro-Wilk)

Unabhängigkeit

Beobachtungen sollten unabhängig sein – eine Messung sollte eine andere nicht beeinflussen.

Zufallsstichprobe

Die Stichprobe sollte zufällig aus der interessierenden Population ausgewählt werden.

Wann den Einstichproben-t-Test verwenden

Geeignet:

Vergleich des Stichprobenmittelwerts mit einem bekannten Standard
Prüfung gegen einen theoretischen Wert
Vergleich mit veröffentlichten Normen
Prozesskontrolle gegen Zielwert

Nicht geeignet:

Vergleich zweier Stichprobenmittelwerte (verwenden Sie den Zweistichproben-t-Test)
Nicht-numerische Daten (verwenden Sie den Chi-Quadrat-Test)
Stark nicht-normalverteilte Daten bei kleinem n (verwenden Sie den Wilcoxon-Vorzeichen-Rang-Test)

Effektgröße: Cohens d

Über die Signifikanz hinaus sollte die Effektgröße berichtet werden:

$d = \frac{\bar{x} - \mu_0}{s}$

d	Interpretation
0,2	Kleiner Effekt
0,5	Mittlerer Effekt
0,8	Großer Effekt

Im Schritte-Beispiel: $d = \frac{8450 - 10000}{2100} = -0,74$ (mittelgroßer Effekt)

Historischer Kontext

William Gosset (Student) entwickelte den t-Test 1908 bei der Guinness-Brauerei.

Der Einstichproben-Fall war sein ursprünglicher Fokus: Prüfung, ob die Chargenqualität den Standards entsprach, wenn die Stichprobengrößen klein waren.

Seine Arbeit ermöglichte rigorose Schlussfolgerungen mit begrenzten Daten – zuvor waren große Stichproben für valide Schlussfolgerungen erforderlich.

Ergebnisse berichten

APA-Format:

„Ein Einstichproben-t-Test ergab, dass die mittlere tägliche Schrittzahl (M = 8.450, SD = 2.100) signifikant niedriger war als die empfohlenen 10.000 Schritte, t(24) = -3,69, p = 0,001, d = -0,74."

Immer einschließen:

Stichprobenstatistiken (M, SD, n)
Teststatistik und df
p-Wert
Effektgröße

Zusammenfassung

Der Einstichproben-t-Test bestimmt, ob ein Stichprobenmittelwert signifikant von einem hypothetischen Wert abweicht. Die Teststatistik teilt die Differenz (Stichprobenmittelwert minus hypothetischer Mittelwert) durch den Standardfehler und erzeugt einen t-Wert, der mit der t-Verteilung verglichen wird. Zu den Voraussetzungen gehören Normalverteilung (oder großes n), Unabhängigkeit und Zufallsstichprobe. Berichten Sie stets Effektgrößen zusammen mit p-Werten, um die praktische Bedeutsamkeit zu kommunizieren, und verwenden Sie Konfidenzintervalle, um den Bereich plausibler Populationsmittelwerte zu zeigen.