Z-Test-Rechner - Kostenloses statistisches Signifikanz-Tool

Was ist ein z-Test?

Ein z-Test ist ein statistischer Test, der prüft, ob sich ein Stichprobenmittelwert signifikant von einem bekannten Populationsmittelwert unterscheidet, wenn die Standardabweichung der Population bereits bekannt ist. Er liefert eine einzelne Zahl, den z-Wert, die angibt, um wie viele Standardabweichungen der Stichprobenmittelwert vom Populationsmittelwert entfernt liegt. Forschende, Qualitätsprüfer und Analysten verwenden ihn, um zu beurteilen, ob ein beobachteter Unterschied wahrscheinlich real ist oder lediglich durch Zufall entstanden sein könnte.

Formel für den z-Test

Der z-Test berechnet den z-Wert mit dieser Formel:

$Z = \dfrac{\bar{x} - \mu}{\sigma / \sqrt{n}}$

• $\bar{x}$ ist der Stichprobenmittelwert.
• $\mu$ ist der Populationsmittelwert.
• $\sigma$ ist die Standardabweichung der Population.
• $n$ ist der Stichprobenumfang.

Der untere Teil der Formel, $\sigma / \sqrt{n}$, wird Standardfehler genannt. Er misst, wie stark Stichprobenmittelwerte allein aufgrund einer zufälligen Stichprobenauswahl voraussichtlich schwanken.

z-Test Schritt für Schritt berechnen

1. Den Stichprobenmittelwert ($\bar{x}$) aus den erhobenen Daten bestimmen.
2. Den bekannten Populationsmittelwert ($\mu$) ermitteln.
3. Die bekannte Standardabweichung der Population ($\sigma$) ermitteln.
4. Den Stichprobenumfang ($n$) zählen.
5. $\mu$ von $\bar{x}$ subtrahieren.
6. $\sigma$ durch die Quadratwurzel aus $n$ teilen, um den Standardfehler zu erhalten.
7. Das Ergebnis aus Schritt 5 durch das Ergebnis aus Schritt 6 teilen. Das Ergebnis ist der z-Wert.

Durchgerechnetes Beispiel

Eine Fabrik gibt an, dass ihre Bolzen durchschnittlich 10 cm lang sind und eine Populationsstandardabweichung von 0,2 cm haben. Ein Prüfer misst 100 Bolzen und ermittelt einen Stichprobenmittelwert von 10,05 cm.

• $\bar{x} = 10.05$
• $\mu = 10$
• $\sigma = 0.2$
• $n = 100$

Standardfehler: $0.2 / \sqrt{100} = 0.2 / 10 = 0.02$

z-Wert: $(10.05 - 10) / 0.02 = 0.05 / 0.02 = 2.5$

Der z-Wert beträgt 2,5. Der Stichprobenmittelwert liegt 2,5 Standardfehler über dem Populationsmittelwert.

Einen z-Wert interpretieren

Ein z-Wert nahe 0 bedeutet, dass der Stichprobenmittelwert nahe am Populationsmittelwert liegt. Ein großer positiver oder negativer z-Wert bedeutet, dass der Stichprobenmittelwert weit vom Populationsmittelwert entfernt liegt. Das spricht eher für einen tatsächlichen Unterschied als für einen zufälligen Effekt.

Häufig verwendete kritische Werte für einen zweiseitigen Test:

• α = 0.10 (90 % Konfidenz): z = ±1.645
• α = 0.05 (95 % Konfidenz): z = ±1.96
• α = 0.01 (99 % Konfidenz): z = ±2.58

Liegt der berechnete z-Wert außerhalb des kritischen Werts für das gewählte Signifikanzniveau, wird das Ergebnis als statistisch signifikant bezeichnet und die Nullhypothese (dass kein Unterschied besteht) verworfen.

Im durchgerechneten Beispiel liegt z = 2.5 außerhalb von ±1.96. Daher ist der Unterschied auf dem Niveau 0,05 statistisch signifikant. Der zweiseitige p-Wert für z = 2.5 beträgt ungefähr 1,24 %. Das bedeutet, dass die Wahrscheinlichkeit, einen mindestens so großen Unterschied zu beobachten, ungefähr 1 zu 80 beträgt, wenn die tatsächliche durchschnittliche Bolzenlänge wirklich 10 cm beträgt.

Wann ein z-Test verwendet wird

Ein z-Test ist geeignet, wenn:

• die Standardabweichung der Population bekannt ist;
• der Stichprobenumfang ausreichend groß ist, normalerweise größer als 30;
• die Daten aus einer Zufallsstichprobe stammen;
• die Population normalverteilt ist oder die Stichprobe groß genug ist, damit der zentrale Grenzwertsatz angewendet werden kann.

Ist die Standardabweichung der Population unbekannt oder die Stichprobe klein, wird stattdessen ein t-Test verwendet. Der t-Test schätzt die Streuung aus der Stichprobe selbst und berücksichtigt die dadurch entstehende zusätzliche Unsicherheit.

z-Test oder t-Test

Beide Tests messen, wie weit ein Stichprobenmittelwert in Einheiten des Standardfehlers von einem erwarteten Wert entfernt liegt. Der z-Test setzt voraus, dass die Standardabweichung der Population bekannt ist. Der t-Test schätzt diesen Wert aus der Stichprobe und verwendet eine breitere, vom Stichprobenumfang abhängige Verteilung, um die zusätzliche Unsicherheit zu berücksichtigen. In der Praxis wird der t-Test wesentlich häufiger verwendet, weil die tatsächliche Standardabweichung der Population nur selten bekannt ist.

Anwendungen des z-Tests in der Praxis

• Qualitätskontrolle: Prüfen, ob eine Charge gefertigter Teile der Zielvorgabe entspricht.
• Medizinische Forschung: Vergleichen des durchschnittlichen Ergebnisses einer Behandlungsgruppe mit einem bekannten Populationswert.
• Bildung: Vergleichen der Testergebnisse einer Klasse mit einem nationalen Durchschnitt.
• Finanzwesen: Prüfen, ob die Renditen eines Fonds vom Durchschnitt einer Vergleichsgröße abweichen.

Geschichte

Die dem z-Test zugrunde liegende Normalverteilung wurde 1733 von Abraham de Moivre als Näherung an die Binomialverteilung beschrieben. Carl Friedrich Gauß und Pierre-Simon Laplace entwickelten die Theorie Anfang des 1800er-Jahre weiter. Formale Verfahren zur Hypothesenprüfung, darunter die Verwendung von z-Werten und kritischen Werten zur Beurteilung statistischer Signifikanz, wurden Anfang des 20. Jahrhunderts von Statistikern wie Ronald Fisher, Jerzy Neyman und Egon Pearson entwickelt.

Was dieser Rechner anzeigt

Der Rechner benötigt vier Zahlen: den Stichprobenmittelwert, den Populationsmittelwert, die Standardabweichung der Population und den Stichprobenumfang. Er gibt den auf vier Dezimalstellen gerundeten z-Wert aus. Unter dem Ergebnis zeichnet er die Standardnormalverteilung und markiert den z-Wert mit einer vertikalen Linie, sodass die Position des Ergebnisses in der Verteilung sichtbar ist. Die Kurve stellt die Dichte der Standardnormalverteilung dar: $\varphi(x) = e^{-x^{2}/2} / \sqrt{2\pi}$.

Für die Eingaben gelten zwei Grenzwerte. Der Stichprobenumfang muss größer als 0 sein. Die Standardabweichung der Population muss mindestens 0,0001 betragen. Eine kleinere Streuung würde den z-Wert auf einen extrem großen Wert anwachsen lassen, der keine sinnvolle Aussage mehr ermöglicht. Der Rechner gibt keinen p-Wert aus. Zur Beurteilung der Signifikanz können daher die oben genannten kritischen Werte oder eine Standardnormalverteilungstabelle verwendet werden.

Häufig gestellte Fragen

Was ist der Unterschied zwischen einem z-Test und einem t-Test?

Ein z-Test setzt eine bekannte Standardabweichung der Population voraus und eignet sich am besten für große Stichproben. Ein t-Test wird verwendet, wenn die Standardabweichung der Population unbekannt ist und aus der Stichprobe geschätzt werden muss. Er eignet sich sowohl für kleine als auch für große Stichproben.

Welchen Stichprobenumfang benötigt ein z-Test?

Ein Stichprobenumfang von mehr als 30 gilt als gängige Faustregel. Bei kleineren Stichproben werden die Ergebnisse eines z-Tests unzuverlässig, und ein t-Test ist normalerweise die bessere Wahl.

Was bedeutet ein z-Wert von 2,5?

Ein z-Wert von 2,5 bedeutet, dass der Stichprobenmittelwert 2,5 Standardfehler über dem Populationsmittelwert liegt. Das überschreitet den zweiseitigen kritischen Wert von ±1.96 bei einem Konfidenzniveau von 95 %. Der Unterschied ist auf diesem Niveau daher statistisch signifikant. Der zweiseitige p-Wert für z = 2.5 beträgt ungefähr 1,24 %.

Was ist ein p-Wert bei einem z-Test?

Der p-Wert ist die Wahrscheinlichkeit, ein mindestens ebenso extremes Ergebnis wie das beobachtete zu erhalten, wenn tatsächlich kein Unterschied zum Populationsmittelwert besteht. Ein kleinerer p-Wert liefert stärkere Hinweise gegen die Nullhypothese. Ein p-Wert unter 0,05 wird üblicherweise als statistisch signifikant betrachtet.

Was ist die Nullhypothese bei einem z-Test?

Die Nullhypothese besagt, dass kein Unterschied zwischen dem Stichprobenmittelwert und dem Populationsmittelwert besteht. Der z-Test misst, wie viele Hinweise die Stichprobe gegen diese Annahme liefert.

Kann ein z-Test für kleine Stichproben verwendet werden?

Das wird nicht empfohlen. Bei einer kleinen Stichprobe oder einer unbekannten Standardabweichung der Population liefert ein t-Test genauere Ergebnisse, weil er die zusätzliche Unsicherheit berücksichtigt, die bei der Schätzung der Streuung aus einer begrenzten Datenmenge entsteht.