Kritischer-t-Wert-Rechner

Was ist ein kritischer t-Wert?

Ein kritischer t-Wert (t*) ist der Schwellenwert aus der t-Verteilung, der für Konfidenzintervalle und Hypothesentests verwendet wird, wenn die Populationsstandardabweichung unbekannt ist. Im Gegensatz zu kritischen z-Werten hängt t* sowohl vom Konfidenzniveau als auch von den Freiheitsgraden ab.

Für ein 95%-Konfidenzintervall mit 10 Freiheitsgraden gilt t* = 2,228. Mit 30 Freiheitsgraden gilt t* = 2,042. Mit steigenden Freiheitsgraden nähert sich t* dem Wert z* (1,96 für 95%).

Warum die t-Verteilung verwenden?

Bei der Konstruktion von Konfidenzintervallen oder beim Testen von Hypothesen kennen wir normalerweise die Populationsstandardabweichung σ nicht. Wir schätzen sie mit der Stichprobenstandardabweichung s.

Diese Schätzung fügt Unsicherheit hinzu. Die t-Verteilung berücksichtigt diese zusätzliche Unsicherheit durch schwerere Enden als die Normalverteilung. Das Ergebnis: breitere Konfidenzintervalle und höhere kritische Werte — was unser begrenztes Wissen angemessen widerspiegelt.

Die Rolle der Freiheitsgrade

Freiheitsgrade (df) entsprechen typischerweise n - 1 für Einzelstichproben-Probleme, wobei n die Stichprobengröße ist.

Kleinere df → schwerere Enden → größere t*

Bei df = 5 ist der kritische 95%-Wert 31% größer als z* = 1,96. Bei df = 30 ist er nur 4% größer.

Häufige kritische t-Werte

95% Konfidenz (Zweiseitig)

99% Konfidenz (Zweiseitig)

Anwendungen

Konfidenzintervall für den Mittelwert

$CI = \bar{x} \pm t^* \times \frac{s}{\sqrt{n}}$

Der $t^*$-Wert hängt von $df = n - 1$ und dem Konfidenzniveau ab.

Einstichproben-t-Test

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

Vergleichen Sie |t| mit t* bei df = n - 1, um die Signifikanz zu bestimmen.

Zweistichproben-t-Test

Für unabhängige Stichproben:

• Gepoolte Varianz: df = n₁ + n₂ - 2
• Welch: df wird durch eine Formel berechnet (oft nicht ganzzahlig)

Gepaarter t-Test

df = n - 1, wobei n die Anzahl der Paare ist.

Regression

Zum Testen einzelner Koeffizienten gilt df = n - k - 1, wobei k die Anzahl der Prädiktoren ist.

Zweiseitig vs. Einseitig

Zweiseitig

Testet auf jede Differenz (positiv oder negativ):

• 95% Konfidenz: 2,5% in jedem Ende
• t* ist der Wert, oberhalb dessen 2,5% der Fläche liegen

Einseitig

Testet in eine bestimmte Richtung:

• 95% Konfidenz: 5% in einem Ende
• t* ist der Wert, oberhalb dessen 5% der Fläche liegen

Ein einseitiger t*-Wert ist kleiner als ein zweiseitiger t*-Wert für das gleiche Konfidenzniveau.

Historische Entwicklung

William Sealy Gosset entwickelte die t-Verteilung 1908, während er bei der Guinness-Brauerei in Dublin arbeitete. Er musste kleine Stichproben von Gerste analysieren, bei denen die Normalapproximation unzureichend war.

Unter dem Pseudonym "Student" veröffentlichend (daher "Students t-Verteilung"), zeigte Gosset, dass Stichprobenstandardabweichungen einer bestimmten Verteilung folgen, was zur t-Verteilung für Inferenz führte.

Ronald Fisher verfeinerte später die Theorie, führte Freiheitsgrade ein und integrierte die t-Verteilung in sein breiteres Rahmenwerk der statistischen Inferenz.

Vor Gossets Arbeit erforderten Konfidenzintervalle und Tests große Stichproben. Sein Beitrag ermöglichte rigorose Inferenz für kleine Stichproben — entscheidend für Landwirtschaft, Medizin und Qualitätskontrolle.

Wann t* vs. z* verwenden

Verwenden Sie t, wenn:*

• Die Populationsstandardabweichung unbekannt ist (fast immer)
• Die Stichprobengröße klein ist (n < 30)

Verwenden Sie z, wenn:*

• Die Populationsstandardabweichung bekannt ist (selten)
• Die Stichprobengröße sehr groß ist (n > 100) — t* ≈ z*
• Bei Anteilsproblemen (andere Verteilung)

In der Praxis ist t* für die meisten Probleme mit Mittelwerten angemessen. Der zusätzliche Aufwand ist minimal, und es ist nie falsch, t* auch für große Stichproben zu verwenden.

Freiheitsgrade für verschiedene Tests

Nicht-ganzzahlige Freiheitsgrade

Der Welch-t-Test erzeugt nicht-ganzzahlige df:

$df = \frac{(s_1^2/n_1 + s_2^2/n_2)^2}{\frac{(s_1^2/n_1)^2}{n_1-1} + \frac{(s_2^2/n_2)^2}{n_2-1}}$

Dieser Rechner behandelt nicht-ganzzahlige df durch Interpolation oder direkte Berechnung aus der t-Verteilung.

t* und Stichprobengrößenplanung

Für ein Konfidenzintervall mit festgelegter Breite:

$n \approx \left(\frac{t^* \times s}{E}\right)^2$

Wobei E die gewünschte Fehlerspanne ist.

Der Haken: t* hängt von n ab (über df). Lösung: Iterieren oder z* für die anfängliche Schätzung verwenden.

Verwandte Berechnungen

• Kritischer-Wert-Rechner (z*) — Große Stichprobe/bekanntes σ
• t-Verteilungsrechner — Vollständige t-Verteilungswahrscheinlichkeiten
• Konfidenzintervall für den Mittelwert — Verwendet t*
• KI für Differenz der Mittelwerte — Verwendet t*
• Standardfehler-Rechner — Nennerkontext

Zusammenfassung

Kritische t-Werte sind die Schwellenwerte der Students t-Verteilung, die verwendet werden, wenn die Populationsstandardabweichung unbekannt ist — was bei nahezu allen realen Anwendungen der Fall ist. Im Gegensatz zu z* hängt t* von den Freiheitsgraden ab: Kleinere Stichproben ergeben größere t*-Werte und erzeugen angemessen breitere Konfidenzintervalle. Mit wachsender Stichprobengröße nähert sich t* dem Wert z*. Für jede Inferenz mit Mittelwerten bei unbekannter Populationsvarianz liefert t* den korrekten kritischen Wert für Konfidenzintervalle und Hypothesentests.