Test auf Normalverteilung
Ein Test auf Normalverteilung prüft, ob ein Datensatz einer Normalverteilung (Glockenkurve) folgt. Viele statistische Verfahren – darunter t-Tests, ANOVA, Regression und Regelkarten – setzen normalverteilte Daten voraus.
Zuletzt geprüft
Kernaussage
Ein Test auf Normalverteilung prüft, ob ein Datensatz einer Normalverteilung (Glockenkurve) folgt.
Auf dieser Seite
- Was ist ein Test auf Normalverteilung?
- Wann wird ein Test auf Normalverteilung eingesetzt?
- Hinweise zur richtigen Anwendung des Tests auf Normalverteilung
- Alternativen: Wann der Test auf Normalverteilung nicht geeignet ist
- Beispiel für einen Test auf Normalverteilung
- Anleitung: Test auf Normalverteilung durchführen
Was ist ein Test auf Normalverteilung?
Ein Test auf Normalverteilung prüft, ob ein Datensatz einer Normalverteilung (Glockenkurve) folgt. Viele statistische Verfahren – darunter t-Tests, ANOVA, Regression und Regelkarten – setzen normalverteilte Daten voraus. Ein vorab durchgeführter Test auf Normalverteilung bestätigt, ob diese Annahme zutrifft, und stellt so sicher, dass die Ergebnisse nachfolgender Analysen genau und verlässlich sind.
Es stehen mehrere Verfahren zur Verfügung, darunter Anderson-Darling, Ryan-Joiner und Kolmogorov-Smirnov. Jedes verwendet einen anderen mathematischen Ansatz, aber alle liefern einen p-Wert, der angibt, ob signifikante Hinweise gegen die Normalverteilung vorliegen.
Einfache Definition: Eine Prüfung, die Ihnen zeigt, ob Ihre Daten der Form einer Gaußschen Glockenkurve folgen – eine Voraussetzung dafür, dass viele statistische Tests gültige Ergebnisse liefern.
Wann wird ein Test auf Normalverteilung eingesetzt?
- Verwenden Sie ihn vor t-Tests, ANOVA, Regression oder Prozessfähigkeitsanalysen , um zu bestätigen, dass die Normalverteilungsannahme erfüllt ist.
- Bei der Auswahl der geeigneten Regelkarte oder Methode zur Prozessfähigkeitsanalyse – nicht normalverteilte Daten erfordern andere Kartentypen oder Transformationen.
- Bei der Validierung eines neuen Datensatzes oder Prozesses , dessen Verteilungsform unbekannt ist.
- Bei der Entscheidung, ob vor der weiteren Analyse eine Transformation (z. B. Box-Cox oder Johnson) angewendet werden soll .
Hinweise zur richtigen Anwendung des Tests auf Normalverteilung
- Erfassen Sie mindestens 20 Datenpunkte , bevor Sie einen Test auf Normalverteilung durchführen – sehr kleine Stichproben haben nicht die Trennschärfe, um Abweichungen von der Normalverteilung zuverlässig zu erkennen.
- Verwenden Sie den Anderson-Darling-Test als Standard – er ist das am weitesten anerkannte Verfahren und gewichtet die Verteilungsenden stärker, also den Bereich, in dem sich Abweichungen von der Normalverteilung typischerweise zeigen.
- Ein p-Wert größer als 0.05 bedeutet, dass die Hinweise nicht ausreichen, um die Normalverteilung abzulehnen – die Daten sind mit einer Normalverteilung vereinbar.
- Ein p-Wert kleiner als 0.05 bedeutet, dass die Daten signifikant von der Normalverteilung abweichen – erwägen Sie eine Transformation oder ein nichtparametrisches Verfahren.
- Betrachten Sie immer das Wahrscheinlichkeitsnetz zusammen mit dem p-Wert – eine visuelle Prüfung zeigt Art und Ausmaß einer Abweichung von der Normalverteilung.
- Bei großen Stichprobenumfängen (n > 100) reagiert der Test sehr empfindlich auf geringfügige, praktisch unbedeutende Abweichungen – kombinieren Sie den p-Wert immer mit einer visuellen Beurteilung.
Alternativen: Wann der Test auf Normalverteilung nicht geeignet ist
- Wenn Sie bereits wissen, dass die Daten nicht normalverteiltsind, überspringen Sie den Test auf Normalverteilung und gehen Sie direkt zur Verteilungsidentifikation für Einzelwerte über, um die am besten passende Verteilung zu finden.
- Ist Ihr Stichprobenumfang sehr klein (weniger als 10), hat der Test auf Normalverteilung eine sehr geringe Trennschärfe – erwägen Sie, mehr Daten zu erheben, bevor Sie Schlüsse ziehen.
- Arbeiten Sie mit attributiven Daten (Anzahlen oder Anteilen), ist ein Test auf Normalverteilung nicht anwendbar – diese Datentypen folgen einer Binomial- oder Poisson-Verteilung.
Beispiel für einen Test auf Normalverteilung
Dies ist eine Zufallsstichprobe aus einer Binomialverteilung. Führen wir mit diesen Daten einen Anderson-Darling-Test auf Normalverteilung durch. Der Test erfolgt in folgenden Schritten:
- Die erforderlichen Daten wurden erhoben.

- Analysieren Sie die Daten nun in Zometric Statistical Software unter https://statsai.zometric.com/.
- Den Test auf Normalverteilung finden Sie unter Statistical module> Hypothesis Test> Normality test.
- Geben Sie im Werkzeug die Daten zusammen mit den weiteren Eingaben wie folgt ein:

5. Nach Ausführung des oben genannten Werkzeugs erhalten Sie folgende Ausgabe:

Anleitung: Test auf Normalverteilung durchführen
Die Anleitung lautet wie folgt:
- Melden Sie sich bei Zometric Statistical Software an unter https://statsai.zometric.com/
- Wählen Sie auf der Startseite Statistical Tool> Hypothesis Test >Normality test .
- Geben Sie die Daten anschließend manuell ein, oder kopieren Sie die Daten vollständig (Strg+C) aus einer Excel-Tabelle und fügen Sie sie hier ein (Strg+V).
- Füllen Sie die erforderlichen Optionen aus.
- Klicken Sie abschließend unten auf der Seite auf calculate, um die gewünschten Ergebnisse zu erhalten.
Das Dashboard des Tests auf Normalverteilung ist in zwei Bereiche unterteilt.

Im linken Bereich befindet sich der Datenbereich (Data Pane). Im Data Pane bildet jede Zeile eine Teilgruppe. Die Daten können manuell eingegeben oder vollständig aus einer Excel-Tabelle kopiert (Strg+C) und hier eingefügt (Strg+V) werden.
Load example: Es werden Beispieldaten geladen.
Load File: Damit werden Excel-Daten direkt geladen.
Im rechten Bereich stehen folgende Optionen zur Verfügung:
- Responses Wählen Sie die Spalte(n) mit den stetigen Daten, die Sie auf Normalverteilung prüfen möchten. Mit Strg- bzw. Befehlstaste + Klick wählen Sie mehrere Spalten aus, wenn Sie mehrere Variablen gleichzeitig prüfen möchten. Jede ausgewählte Spalte wird unabhängig geprüft und dargestellt – das Werkzeug erstellt für jede ausgewählte Variable ein eigenes Wahrscheinlichkeitsnetz und ein eigenes Ergebnis.
- Tests for Normality Wählen Sie das statistische Verfahren, mit dem geprüft wird, ob die Daten einer Normalverteilung folgen. Drei Optionen stehen zur Verfügung – jede verwendet einen anderen mathematischen Ansatz, aber alle liefern einen p-Wert und ein Wahrscheinlichkeitsnetz:
- Anderson-Darling – das am häufigsten verwendete und als Standard empfohlene Verfahren. Es gewichtet die Verteilungsenden stärker und reagiert daher empfindlicher auf Abweichungen in den Extrembereichen der Daten. Am besten geeignet für allgemeine Normalitätsprüfungen in den meisten Branchen und Anwendungen.
- Ryan-Joiner – ähnlich im Ansatz wie der Shapiro-Wilk-Test; misst, wie genau die Datenpunkte im Normalverteilungs-Wahrscheinlichkeitsnetz auf einer Geraden liegen. Eine gute Alternative, wenn Sie eine korrelationsbasierte Beurteilung der Normalverteilung wünschen. Beachten Sie, dass dieses Verfahren eine Näherung des Shapiro-Wilk-Tests ist.
- Shapiro-Wilk – gilt allgemein als einer der trennschärfsten Tests auf Normalverteilung, insbesondere bei kleinen Stichprobenumfängen (weniger als 50 Beobachtungen). Er berechnet eine W-Statistik, die misst, wie gut die Daten zu einer Normalverteilung passen, und ist die bevorzugte Wahl, wenn die Stichproben klein sind und Genauigkeit wichtig ist.
- Title Hier können Sie einen eigenen Titel eingeben, der oben in der Ausgabe des Wahrscheinlichkeitsnetzes erscheint. Dies ist nützlich, um das Diagramm mit Variablenname, Produkt, Studienreferenz oder Datum zu beschriften – so lässt sich das Ergebnis in Berichten oder Dokumentationen leichter zuordnen und präsentieren.
- Download as Excel Exportiert die Ergebnisse des Tests auf Normalverteilung einschließlich Teststatistik, p-Wert und zusammenfassender Kennzahlen in eine Excel-Datei – für Berichte, zur Weitergabe an Kollegen oder als formale Dokumentation der Analyse.
Häufig gestellte Fragen
Was ist ein Test auf Normalverteilung?
Ein Test auf Normalverteilung prüft, ob ein Datensatz einer Normalverteilung (Glockenkurve) folgt. Viele Verfahren, darunter t-Tests, ANOVA, Regression und Regelkarten, setzen normalverteilte Daten voraus; ein vorab durchgeführter Test auf Normalverteilung bestätigt daher, ob diese Annahme zutrifft. Zu den verfügbaren Verfahren gehören Anderson-Darling, Ryan-Joiner und Shapiro-Wilk, die jeweils einen p-Wert liefern.
Wie interpretiert man den p-Wert eines Tests auf Normalverteilung?
Ein p-Wert größer als 0.05 bedeutet, dass die Hinweise nicht ausreichen, um die Normalverteilung abzulehnen; die Daten sind also mit einer Normalverteilung vereinbar. Ein p-Wert kleiner als 0.05 bedeutet, dass die Daten signifikant von der Normalverteilung abweichen; erwägen Sie eine Transformation oder ein nichtparametrisches Verfahren. Betrachten Sie immer das Wahrscheinlichkeitsnetz zusammen mit dem p-Wert.
Welchen Test auf Normalverteilung sollte man verwenden?
Anderson-Darling ist der empfohlene Standard; er gewichtet die Verteilungsenden stärker, wo sich Abweichungen von der Normalverteilung typischerweise zeigen. Shapiro-Wilk gilt als einer der trennschärfsten Tests für kleine Stichproben mit weniger als 50 Beobachtungen. Ryan-Joiner ist eine korrelationsbasierte Näherung des Shapiro-Wilk-Tests, die misst, wie genau die Punkte im Normalverteilungs-Wahrscheinlichkeitsnetz auf einer Geraden liegen.
Wie viele Datenpunkte benötigt man für einen Test auf Normalverteilung?
Erfassen Sie mindestens 20 Datenpunkte, da sehr kleine Stichproben nicht die Trennschärfe haben, um Abweichungen von der Normalverteilung zu erkennen; bei weniger als 10 ist die Trennschärfe des Tests sehr gering. Bei großen Stichproben über 100 reagiert der Test sehr empfindlich auf geringfügige, praktisch unbedeutende Abweichungen; kombinieren Sie den p-Wert daher mit einer visuellen Beurteilung des Wahrscheinlichkeitsnetzes.
