t-Verteilung-Rechner

Was ist die t-Verteilung?

Die t-Verteilung (Student-t-Verteilung) ist eine Wahrscheinlichkeitsverteilung, die für statistische Schlussfolgerungen verwendet wird, wenn Stichprobengrößen klein sind und die Standardabweichung der Grundgesamtheit unbekannt ist. Sie ähnelt der Normalverteilung, hat aber schwerere Enden (Tails) – was die zusätzliche Unsicherheit bei der Schätzung der Populations-Standardabweichung berücksichtigt.

Wichtiger Parameter: Freiheitsgrade (df), typischerweise n - 1 für eine einzelne Stichprobe.

Mit steigenden df nähert sich die t-Verteilung der Standardnormalverteilung an. Für df > 30 sind die Unterschiede gering.

Von der T-Statistik zum P-Wert

Dieser Rechner konvertiert eine t-Statistik in einen p-Wert bei gegebenen Freiheitsgraden.

Beispiel: t = 2,45, df = 20

Zweiseitiger p-Wert: P(|T| > 2,45) = 0,024 Einseitiger p-Wert: P(T > 2,45) = 0,012

Einseitig vs. Zweiseitig

Zweiseitiger Test

Testet auf jegliche Differenz (positiv oder negativ):

• H₀: μ = μ₀ vs. H₁: μ ≠ μ₀
• P-Wert = 2 × P(T > |t|)

Am häufigsten in der Praxis verwendet.

Einseitiger Test

Testet in eine bestimmte Richtung:

• Rechtsseitig: H₀: μ ≤ μ₀ vs. H₁: μ > μ₀
• Linksseitig: H₀: μ ≥ μ₀ vs. H₁: μ < μ₀
• P-Wert = P(T > t) oder P(T < t)

Nur mit starker vorheriger Begründung verwenden.

Anwendungen

Einstichproben-t-Test

„Unterscheidet sich der Stichprobenmittelwert signifikant von einem hypothetischen Wert?"

$t = \frac{\bar{x} - \mu_0}{s/\sqrt{n}}, \quad df = n - 1$

Zweistichproben-t-Test

„Haben zwei Gruppen unterschiedliche Mittelwerte?"

Gepoolt: $df = n_1 + n_2 - 2$ Welch: df wird nach Formel berechnet (oft nicht ganzzahlig)

Gepaarter t-Test

„Gibt es einen Unterschied zwischen gepaarten Messungen?"

$t = \frac{\bar{d}}{s_d/\sqrt{n}}, \quad df = n - 1$ (n = Anzahl der Paare)

Regressionskoeffizienten

„Unterscheidet sich ein Regressionskoeffizient signifikant von null?"

$t = \frac{\hat{\beta}}{SE(\hat{\beta})}, \quad df = n - k - 1$

Konfidenzintervalle

Konfidenzintervalle für Mittelwerte verwenden kritische Werte der t-Verteilung, wenn die Populations-Standardabweichung unbekannt ist.

t-Verteilung vs. Normalverteilung

Wichtige Unterschiede:

• t-Verteilung hat schwerere Enden → größere kritische Werte → breitere KIs
• df = 5: t* = 2,57 vs. z* = 1,96 (für 95%)
• df = 30: t* = 2,04 vs. z* = 1,96

Kritische t-Werte

Für zweiseitiges 95%-Konfidenz:

Der Kritischer-Wert-Rechner (t*) liefert Werte für beliebige df und Konfidenzniveaus.

Historische Entwicklung

William Sealy Gosset (1876-1937) entwickelte die t-Verteilung 1908, während er bei der Guinness-Brauerei in Dublin arbeitete. Mit der Aufgabe betraut, kleine Gerstenchargen zu analysieren, benötigte er eine Methode für kleine Stichproben.

Da er unter dem Pseudonym „Student" veröffentlichte (Guinness verbot Mitarbeitern das Publizieren), führte sein Aufsatz „The Probable Error of a Mean" das ein, was wir heute als Student-t-Verteilung kennen.

Ronald Fisher verallgemeinerte später Gossets Arbeit, führte Freiheitsgrade ein und integrierte die t-Verteilung in sein breiteres Rahmenwerk.

Vor Gossets Arbeit erforderten valide Schlussfolgerungen große Stichproben oder bekannte Populationsvarianz – beides in der Praxis selten. Sein Beitrag ermöglichte die rigorose Analyse kleiner Stichproben.

Freiheitsgrade erklärt

Freiheitsgrade repräsentieren „freie" Informationseinheiten nach Einschränkungen.

Für eine Stichprobe von n:

• Man schätzt den Mittelwert (1 Einschränkung)
• n - 1 Werte können frei variieren
• df = n - 1

Beim Vergleich zweier Stichproben:

• Zwei Mittelwerte werden geschätzt
• df = n₁ + n₂ - 2 (gepoolt)

Höhere df → mehr Information → t-Verteilung näher an der Normalverteilung.

Berechnung von t-Statistiken

Einstichproben

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

Wobei:

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

Zweistichproben (Gepoolt)

$t = \frac{\bar{x}_1 - \bar{x}_2}{S_p \times \sqrt{\frac{1}{n_1} + \frac{1}{n_2}}}$

Wobei $S_p$ die gepoolte Standardabweichung ist.

Zweistichproben (Welch)

$t = \frac{\bar{x}_1 - \bar{x}_2}{\sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}}}$

Mit komplexer df-Formel.

Beziehung zu anderen Verteilungen

Normalverteilung: T nähert sich der Normalverteilung, wenn df → ∞

F-Verteilung: T² mit df folgt F(1, df)

Chi-Quadrat: T = Z/√(χ²/df), verbindet Normal- und Chi-Quadrat-Verteilung

Nicht-zentrale t-Verteilung

Wenn der wahre Mittelwert ≠ hypothetischer Mittelwert, folgt die t-Statistik einer nicht-zentralen t-Verteilung. Dies wird verwendet für:

• Power-Analyse
• Konfidenzintervalle für Effektgrößen
• Stichprobengrößenberechnungen

Verwandte Berechnungen

• Kritischer-Wert-Rechner (t*) — Findet t* für beliebige df
• Konfidenzintervall für Mittelwert — Verwendet die t-Verteilung
• KI für Differenz der Mittelwerte — Zweistichproben-t
• P-Wert aus Z-Wert Rechner — Alternative für große Stichproben
• Freiheitsgrade-Rechner — Berechnet df

Zusammenfassung

Die t-Verteilung ist essentiell für Schlussfolgerungen bei kleinen Stichproben und unbekannter Populations-Standardabweichung. Ihre schwereren Enden erzeugen breitere Konfidenzintervalle und konservativere p-Werte als die Normalverteilung, was die zusätzliche Unsicherheit angemessen widerspiegelt. Die Verteilung wird durch Freiheitsgrade parametrisiert – höhere df bedeuten weniger Unsicherheit und Konvergenz zur Normalverteilung. Ob beim Testen von Hypothesen, beim Konstruieren von Konfidenzintervallen oder beim Bewerten von Regressionskoeffizienten – die t-Verteilung bildet die Grundlage für die meisten statistischen Schlussfolgerungen in der realen Welt.