t-Test für zwei Stichproben (Zweistichproben-t-Test)
Der t-Test für zwei Stichproben vergleicht die Mittelwerte zweier unabhängiger Gruppen mit stetiger Zielgröße, etwa zweier Maschinen, Lieferanten oder Prozesseinstellungen. Jede Gruppe sollte annähernd normalverteilt sein oder mindestens 30 Beobachtungen enthalten, ohne Paarung zwischen den Gruppen und ohne offensichtliche Ausreißer. Sie wählen einen gepoolten Test (gleiche Varianzen) oder den Welch-Test. Die Ausgabe enthält den p-Wert und ein Konfidenzintervall für die Differenz der Mittelwerte.
Zuletzt geprüft
Kernaussage
Ein t-Test für zwei Stichproben prüft, ob sich die Mittelwerte zweier unabhängiger Gruppen, etwa zweier Maschinen oder Lieferanten, signifikant unterscheiden oder ob der Unterschied auf zufälliger Streuung beruht.
Auf dieser Seite
Was ist ein t-Test für zwei Stichproben?
Ein t-Test für zwei Stichproben ist ein statistisches Verfahren, mit dem bestimmt wird, ob sich die Mittelwerte zweier unabhängiger Gruppen signifikant voneinander unterscheiden. Er vergleicht die Mittelwerte zweier getrennter Grundgesamtheiten oder Prozessbedingungen und berechnet die Wahrscheinlichkeit, dass ein beobachteter Unterschied auf Zufall und nicht auf einen tatsächlich zugrunde liegenden Unterschied zurückzuführen ist.
Sie können ihn beispielsweise verwenden, um die mittlere Ausbringung von Maschine A mit der von Maschine B zu vergleichen oder die mittlere Reaktionszeit vor und nach einer Prozessänderung – wobei die beiden Gruppen keinerlei Verbindung zueinander haben.
Einfache Definition: Ein Test, der zeigt, ob zwei unabhängige Gruppen tatsächlich unterschiedliche Mittelwerte haben oder ob der sichtbare Unterschied lediglich auf zufällige Streuung in den Daten zurückzuführen ist.
Wann wird ein t-Test für zwei Stichproben eingesetzt?
- Wenn Sie zwei unabhängige, nicht miteinander verbundene Gruppen haben und ihre Mittelwerte vergleichen möchten – zum Beispiel zwei Maschinen, zwei Lieferanten oder zwei Prozesseinstellungen.
- Wenn die Zielgröße stetig ist – etwa Messwerte, Gewichte, Temperaturen oder Maße.
- Wenn die beiden Gruppen getrennt gemessen werden, ohne Paarung oder Zuordnung zwischen einzelnen Beobachtungen.
- Wenn Sie feststellen möchten, ob eine Prozessänderung, ein Materialwechsel oder ein betrieblicher Unterschied zu einer nennenswerten Verschiebung des mittleren Ergebnisses geführt hat.
Hinweise zur richtigen Anwendung des t-Tests für zwei Stichproben
- Die Daten jeder Gruppe sollten annähernd normalverteiltsein, oder jede Gruppe sollte mindestens 30 Beobachtungen enthalten, damit der Zentrale Grenzwertsatz greift.
- Die beiden Gruppen müssen unabhängig sein – keine Beobachtung in der einen Gruppe darf mit einer Beobachtung in der anderen Gruppe in Beziehung stehen oder gepaart sein.
- Prüfen Sie vor der Durchführung des Tests, ob die beiden Gruppen gleiche oder ungleiche Varianzen haben – verwenden Sie dazu einen F-Test oder den Levene-Test, da dies bestimmt, welche Variante des t-Tests anzuwenden ist.
- Erfassen Sie in jeder Gruppe einen ausreichenden Stichprobenumfang – für zuverlässige Ergebnisse werden mindestens 20 bis 30 Beobachtungen je Gruppe empfohlen.
- Legen Sie das Signifikanzniveau (Alpha) vor der Datenerhebung fest – der übliche Standardwert ist 0.05, d. h. ein Risiko von 5 %, auf einen Unterschied zu schließen, obwohl keiner besteht.
- Stellen Sie sicher, dass die Daten frei von offensichtlichen Ausreißern sind – Extremwerte können den Mittelwert verzerren und das Testergebnis künstlich vergrößern oder verkleinern.
Alternativen: Wann Sie keinen t-Test für zwei Stichproben verwenden sollten
- Sind die beiden Gruppen gepaart oder einander zugeordnet (z. B. Vorher-Nachher-Messungen am selben Objekt), verwenden Sie den gepaarten t-Test
- Vergleichen Sie mehr als zwei Gruppen, verwenden Sie die einfache ANOVA
- Soll nachgewiesen werden, dass zwei Gruppen praktisch gleichwertig statt unterschiedlichsind, verwenden Sie den Äquivalenztest für zwei Stichproben
- Sind die Daten stark nicht normalverteilt und die Stichprobenumfänge klein, verwenden Sie stattdessen den Mann-Whitney-Test (eine nichtparametrische Alternative).
- Liegen Ihnen nur zusammengefasste Daten (Mittelwert, SD, n) statt Rohdatenvor, verwenden Sie den t-Test für zwei Stichproben (zusammengefasst)
Anleitung: t-Test für zwei Stichproben durchführen
So gehen Sie vor:
- Melden Sie sich bei Zometric Statistical Software an unter https://statsai.zometric.com/
- Wählen Sie auf der Startseite Statistical Tool> Hypothesis Test >Two sample t 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).
- Geben Sie anschließend die Werte für das Konfidenzniveau und die hypothetische Differenz ein.
- Klicken Sie abschließend unten auf der Seite auf calculate, um die gewünschten Ergebnisse zu erhalten.
Das Dashboard des t-Tests für zwei Stichproben 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:
- Sample 1: Wählen Sie die Spalte mit den Daten der ersten Gruppe , die Sie vergleichen möchten – zum Beispiel Messwerte von Maschine A, Lieferant 1 oder Rezeptur A. Dies ist ein Pflichtfeld und muss stetige numerische Werte enthalten.
- Sample 2: Wählen Sie die Spalte mit den Daten der zweiten Gruppe – zum Beispiel Messwerte von Maschine B, Lieferant 2 oder Rezeptur B. Auch dies ist ein Pflichtfeld, und die Daten müssen unabhängig von Sample 1 sein, d. h. zwischen einzelnen Beobachtungen der beiden Datensätze besteht keine Paarung oder Zuordnung.
- Confidence Level: Legt das Konfidenzniveau für das Konfidenzintervall fest, das um die Differenz der beiden Mittelwerte berechnet wird. Der übliche Standardwert ist 95%, d. h. Sie können zu 95 % sicher sein, dass die wahre Differenz der beiden Gruppenmittelwerte im angezeigten Intervall liegt. Ein höheres Konfidenzniveau (z. B. 99 %) ergibt ein breiteres Intervall, ein niedrigeres (z. B. 90 %) ein schmaleres.
- Hypothesized Difference: Der Wert, gegen den getestet wird – er steht für die erwartete oder angenommene Differenz der beiden Gruppenmittelwerte (Mittelwert von Sample 1 minus Mittelwert von Sample 2). Mit dem Wert 0 wird geprüft, ob die beiden Mittelwerte gleich sind. Mit jedem anderen Wert wird geprüft, ob die Differenz genau diesem Betrag entspricht – geben Sie zum Beispiel 5 ein, wird geprüft, ob der Mittelwert von Gruppe 1 genau 5 Einheiten über dem von Gruppe 2 liegt.
- Alternative Hypothesis; Legt die Richtung des Tests fest – also das, was Sie über die Differenz der beiden Mittelwerte nachweisen möchten. Drei Optionen stehen zur Verfügung:
- Diff ≠ Hypothesized Diff – ein zweiseitiger Test, der prüft, ob die Differenz in beliebiger Richtung vom hypothetischen Wert abweicht. Verwenden Sie ihn, wenn Sie keine Vorannahme darüber haben, welche Gruppe größer sein wird.
- Diff < Hypothesized Diff – ein einseitiger Test, der prüft, ob die tatsächliche Differenz kleiner als der hypothetische Wert ist. Verwenden Sie ihn, wenn Sie gezielt erwarten, dass Sample 1 niedriger als Sample 2 ist.
- Diff > Hypothesized Diff – ein einseitiger Test, der prüft, ob die tatsächliche Differenz größer als der hypothetische Wert ist. Verwenden Sie ihn, wenn Sie gezielt erwarten, dass Sample 1 höher als Sample 2 ist.
- Assume Equal Variances: Ist die Option aktiviert, geht der Test davon aus, dass beide Gruppen dieselbe Varianz der Grundgesamtheit haben, und berechnet die Teststatistik mit einer gepoolten Standardabweichung – das ergibt einen etwas trennschärferen Test, wenn die Annahme zutrifft. Ist die Option deaktiviert, verwendet der Test getrennte Varianzschätzungen für jede Gruppe (Welch-t-Test), was zuverlässiger ist, wenn die beiden Gruppen deutlich unterschiedlich streuen. Wenn Sie unsicher sind, lassen Sie die Option deaktiviert, da dies der sicherere und konservativere Ansatz ist.
- Individual Value Plot: Ist die Option aktiviert, wird ein Diagramm angezeigt, das jeden einzelnen Datenpunkt beider Gruppen nebeneinander darstellt. Das gibt einen klaren Überblick über die gesamte Datenverteilung, die Streuung und auffällige Werte und erleichtert die visuelle Beurteilung, ob sich die beiden Gruppen unterscheiden und ob Ausreißer vorliegen.
- Box Plot: Ist die Option aktiviert, wird für jede Gruppe ein Boxplot angezeigt, der Median, Interquartilsabstand und Gesamtstreuung zusammenfasst. Boxplots eignen sich, um Lage und Streuung der beiden Gruppen auf einen Blick zu vergleichen und Schiefe oder Ausreißer zu erkennen, die die Testergebnisse beeinflussen können.
- Label: Legt fest, welche zusätzlichen Informationen im Individual Value Plot oder Box Plot angezeigt werden. Zu den Optionen gehören:
- None – keine zusätzlichen Beschriftungen im Diagramm
- Outliers – hebt nur statistisch extreme Datenpunkte hervor
- Individual Data – beschriftet jeden dargestellten Datenpunkt
- All Quartiles – zeigt die Werte für Q1, Median und Q3 an
- Means – markiert den Mittelwert jeder Gruppe im Diagramm
- Data Labels – zeigt die tatsächlichen Werte der dargestellten Punkte an
- Download as Excel: Exportiert die Testergebnisse, Kennzahlen, Konfidenzintervalle und den p-Wert in eine Excel-Datei. Das ist nützlich, um die Ergebnisse in Berichte aufzunehmen, mit Kollegen zu teilen oder die Analyse formal zu dokumentieren.
Häufig gestellte Fragen
Was ist ein t-Test für zwei Stichproben?
Ein t-Test für zwei Stichproben bestimmt, ob sich die Mittelwerte zweier unabhängiger Gruppen signifikant unterscheiden. Er vergleicht die Mittelwerte zweier getrennter Grundgesamtheiten oder Prozessbedingungen, etwa von Maschine A und Maschine B, und berechnet die Wahrscheinlichkeit, dass der beobachtete Unterschied auf Zufall und nicht auf einen tatsächlich zugrunde liegenden Unterschied zurückzuführen ist.
Welche Voraussetzungen hat ein t-Test für zwei Stichproben?
Die Zielgröße muss stetig sein, die beiden Gruppen müssen unabhängig und ungepaart sein, und jede Gruppe sollte annähernd normalverteilt sein oder mindestens 30 Beobachtungen enthalten, damit der Zentrale Grenzwertsatz greift. Die Daten sollten frei von offensichtlichen Ausreißern sein, und es werden mindestens 20 bis 30 Beobachtungen je Gruppe empfohlen.
Sollte man beim t-Test für zwei Stichproben gleiche Varianzen annehmen?
Haben die Gruppen dieselbe Varianz, ergibt eine gepoolte Standardabweichung einen etwas trennschärferen Test. Andernfalls verwendet der Welch-t-Test getrennte Varianzschätzungen und ist zuverlässiger, wenn die Streuungen unterschiedlich sind. Prüfen Sie dies mit einem F-Test oder dem Levene-Test; im Zweifel lassen Sie Assume Equal Variances als sicherere Wahl deaktiviert.
Wann sollte man keinen t-Test für zwei Stichproben verwenden?
Verwenden Sie einen gepaarten t-Test für gepaarte Daten oder Vorher-Nachher-Daten an denselben Objekten, eine einfache ANOVA für mehr als zwei Gruppen, einen Äquivalenztest für zwei Stichproben, um nachzuweisen, dass Gruppen praktisch gleichwertig sind, und den Mann-Whitney-Test, wenn die Daten bei kleinen Stichproben stark nicht normalverteilt sind. Liegen nur zusammengefasste Daten vor, verwenden Sie die zusammengefasste Variante.
