Kritischer-Wert-Rechner

Kritischer-Wert-Rechner

Beliebt AI Skill PRO

Geben Sie die Berechnung ein

Formel

zα/2=Φ−1(1−α2)whereα=100−Confidence Level (%)100\begin{gathered} z_{\alpha/2} = \Phi^{-1}\!\left(1 - \tfrac{\alpha}{2}\right) \\[1.5em] \text{where}\quad \alpha = \frac{100 - \text{Confidence Level (\%)}}{100} \end{gathered}
Nutzungsstatistik

Werbung

Ergebnisse

Kritischer Wert
± 1,96
Konfidenzniveau 95%
Verteilungstyp Normalverteilung (Z)
Freiheitsgrade 30
Alpha (α) 0,05

Fehler auf dieser Seite melden

Was der Rechner für kritische Werte leistet

Dieser Rechner ermittelt den kritischen Wert, den Sie für einen statistischen Hypothesentest oder ein Konfidenzintervall benötigen. Ein kritischer Wert ist der Grenzpunkt einer Wahrscheinlichkeitsverteilung, der den Bereich, in dem Sie die Nullhypothese verwerfen, von dem Bereich trennt, in dem Sie sie nicht verwerfen. Statt in verstaubten Statistiktabellen nachzuschlagen, geben Sie einige Angaben ein und erhalten einen exakten Wert für die Normalverteilung (Z), die Student-t-Verteilung, die Chi-Quadrat-Verteilung (\(\chi^2\)) oder die F-Verteilung.

Glockenförmige Verteilungskurve mit schattierten Randbereichen, die kritische Werte und Ablehnungsbereiche markieren
Kritische Werte markieren die Grenzen der Ablehnungsbereiche an den Rändern einer Verteilung.

Die Eingaben im Überblick

  • Konfidenzniveau (%) – z. B. 95. Das Tool rechnet dies mit \(\alpha = \frac{100 - \text{Konfidenzniveau}}{100}\) in das Signifikanzniveau Alpha um. Ein Niveau von 95 % ergibt \(\alpha = 0{,}05\).
  • Verteilungstyp – wählen Sie Normalverteilung (Z), Student-t, Chi-Quadrat (\(\chi^2\)) oder F.
  • Freiheitsgrade – erforderlich für t, Chi-Quadrat und F. Bei F sind dies die Zählerfreiheitsgrade.
  • Freiheitsgrade (Nenner) – wird nur von der F-Verteilung verwendet.

Die zugrunde liegende Formel

Der Rechner verwendet die Umkehrfunktion der kumulativen Verteilungsfunktion (die Quantilfunktion) der gewählten Verteilung:

  • Normal & t (zweiseitig): kritischer Wert = \(\left|\text{inverseVF}\!\left(\frac{\alpha}{2}\right)\right|\). Alpha wird auf beide Ränder aufgeteilt.
  • Chi-Quadrat & F (rechtsseitig): kritischer Wert = \(\text{inverseVF}(1 - \alpha)\); das gesamte Alpha liegt am oberen Rand.
Werbung
Vergleich von vier Verteilungskurven: Normal-, t-, Chi-Quadrat- und F-Verteilung
Unterschiedliche Testverteilungen führen zu unterschiedlichen Formen der kritischen Werte.

Rechenbeispiel

Angenommen, Sie führen einen zweiseitigen t-Test mit einem Konfidenzniveau von 95 % und 20 Freiheitsgraden durch. \(\alpha = \frac{100 - 95}{100} = 0{,}05\), also \(\frac{\alpha}{2} = 0{,}025\). Der Rechner wertet die Umkehrfunktion der Verteilungsfunktion der t-Verteilung mit 20 Freiheitsgraden an der Stelle 0,025 aus und gibt den Betrag zurück. Das ergibt einen kritischen Wert von ungefähr 2,086. Übersteigt Ihre Teststatistik betragsmäßig 2,086, verwerfen Sie die Nullhypothese.

Für einen Chi-Quadrat-Test bei 95 % mit 10 Freiheitsgraden berechnet er \(\text{inverseVF}(0{,}95) \approx\) 18,31.

Werbung
Schattierte Bereiche bei einseitigem und zweiseitigem Test auf Glockenkurven
Einseitige und zweiseitige Tests verteilen die Alpha-Fläche unterschiedlich.

Ihren kritischen Wert interpretieren

Der kritische Wert ist die Grenze des Ablehnungsbereichs – der Punkt auf der horizontalen Achse der Verteilung, jenseits dessen eine Teststatistik als zu extrem gilt, um beim gewählten Signifikanzniveau \(\alpha\) allein dem Zufall zugeschrieben zu werden.

Die Entscheidungsregeln

  1. Zweiseitiger Z- oder t-Test. Verwerfen Sie die Nullhypothese \(H_0\), wenn \(|\text{Teststatistik}| \ge\) kritischer Wert gilt; andernfalls wird sie nicht verworfen. Der Ablehnungsbereich umfasst beide Ränder, die jeweils die Fläche \(\alpha/2\) enthalten.
  2. Einseitiger Z- oder t-Test. Bei einer rechtsseitigen Alternative verwerfen Sie, wenn die Statistik \(\ge +\) kritischer Wert ist; bei einer linksseitigen Alternative, wenn die Statistik \(\le -\) kritischer Wert ist. Der einzelne Rand enthält die gesamte Fläche \(\alpha\).
  3. Chi-Quadrat- und F-Tests. Diese werden als Tests am oberen Rand verwendet: Verwerfen Sie \(H_0\), wenn die Statistik den oberen kritischen Wert übersteigt, andernfalls nicht. Beide Statistiken sind nicht negativ, und größere Werte bedeuten eine stärkere Abweichung von der Nullhypothese.

Die äquivalente p-Wert-Regel

Der Vergleich einer Statistik mit einem kritischen Wert und der Vergleich eines p-Werts mit \(\alpha\) sind zwei Beschreibungen derselben Entscheidung und führen immer zum gleichen Ergebnis:

$$\text{verwerfen } H_0 \iff |T| \ge c_{\alpha} \iff p \le \alpha$$

Das gilt, weil der kritische Wert \(c_{\alpha}\) als diejenige Statistik definiert ist, deren Randwahrscheinlichkeit genau \(\alpha\) beträgt. Bei \(T = c_{\alpha}\) ist der p-Wert genau gleich \(\alpha\); eine Statistik weiter im Randbereich hat einen kleineren p-Wert, eine näher am Zentrum einen größeren. Beispiel: Bei einem zweiseitigen z-Test mit 95 % Konfidenzniveau übersteigt \(z = 2{,}30\) den Wert 1,960, und der zweiseitige p-Wert beträgt etwa 0,021 und liegt damit unter 0,05 – in beiden Fällen kommt es zur Ablehnung.

Was die Größe des kritischen Werts aussagt

  • Ein größerer kritischer Wert bedeutet einen strengeren Test. Ein höheres Konfidenzniveau senkt \(\alpha\) und verschiebt die Grenze nach außen: 2,576 bei 99 % gegenüber 1,960 bei 95 %. Eine Statistik von 2,10 führt bei 95 % zur Ablehnung, bei 99 % jedoch nicht; das Signifikanzniveau muss daher festgelegt werden, bevor Sie die Daten ansehen.
  • Kritische t-Werte nähern sich mit steigenden Freiheitsgraden dem Z-Wert an. Bei wenigen Freiheitsgraden ist der Standardfehler selbst nur ungenau geschätzt, sodass die t-Verteilung schwerere Ränder hat und mehr Evidenz verlangt: 2,571 bei 5 Freiheitsgraden gegenüber 2,042 bei 30 Freiheitsgraden und 1,960 im Grenzfall.
  • Bei Chi-Quadrat und F hängen die Grenzwerte anders von den Freiheitsgraden ab – bei Chi-Quadrat steigen sie mit den Freiheitsgraden, weil die Statistik mehr Summanden enthält. Ein Chi-Quadrat von 20 ist daher bei 5 Freiheitsgraden extrem (Grenzwert 11,070), bei 20 Freiheitsgraden jedoch nicht (Grenzwert 31,410).

Was eine Nichtablehnung bedeutet – und was nicht

Wenn Sie \(H_0\) nicht verwerfen, ist das kein Beweis dafür, dass \(H_0\) wahr ist. Es bedeutet, dass die Daten beim gewählten \(\alpha\) nicht genügend Evidenz dagegen liefern – ein Ergebnis, das ebenso gut zu einer wahren Nullhypothese, zu einem realen, aber zu kleinen Effekt oder zu einer Stichprobe passt, die für eine ausreichende Teststärke zu klein ist. Ein Test kann nur verwerfen oder nicht verwerfen; er bestätigt nie.

Zusammenhang mit Konfidenzintervallen

Derselbe kritische Wert, der den Ablehnungsbereich festlegt, bestimmt auch die Breite des zugehörigen Konfidenzintervalls:

$$\text{Schätzwert} \pm c_{\alpha} \times \text{Standardfehler}$$

Ein zweiseitiger Test zum Niveau \(\alpha\) verwirft \(H_0: \mu = \mu_0\) genau dann, wenn das \(100(1-\alpha)\%\)-Konfidenzintervall \(\mu_0\) nicht enthält. Bei einem Stichprobenmittelwert von 52,0, einem Standardfehler von 1,5 und \(z_{\alpha/2} = 1{,}960\) lautet das 95-%-Intervall \(52{,}0 \pm 1{,}960 \times 1{,}5 = 52{,}0 \pm 2{,}94\), also 49,06 bis 54,94 – ein Nullwert von 50 würde somit nicht verworfen, ein Nullwert von 48 hingegen schon.

Häufig gestellte Fragen

Warum ist das Z-/t-Ergebnis zweiseitig? Das Tool teilt Alpha bei der Normal- und der t-Verteilung durch zwei, entsprechend dem üblichen zweiseitigen Test. Für einen einseitigen Test geben Sie ein entsprechend angepasstes Konfidenzniveau ein (z. B. 90 %, um eine einseitige 95-%-Grenze nachzubilden).

Benötige ich Freiheitsgrade für die Normalverteilung? Nein. Der kritische Z-Wert hängt nur vom Konfidenzniveau ab. Freiheitsgrade sind für t, Chi-Quadrat und F relevant.

Wann trage ich die Nennerfreiheitsgrade ein? Nur bei der F-Verteilung, die sowohl Zähler- als auch Nennerfreiheitsgrade benötigt (üblich bei ANOVA und Varianzvergleichen).

Zuletzt aktualisiert:

Am beliebtesten in Mathe und Statistik

Alle Mathe und Statistik Rechner anzeigen