Beispiel: Viskosität Tomatensoße
Die Daten können Sie hier herunterladen: ViskositaetTomatensosse.xlsxDatei zum Download
Bei der Herstellung von Tomatensoße werden regelmäßig Viskositätswerte erfasst. Bevor weitere Analysen durchgeführt werden können, muss geprüft werden, ob die Messwerte annähernd normalverteilt sind. Der p-Wert beträgt 0,111. Da dieser größer als 0,05 ist, liegen keine Hinweise auf eine Abweichung von der Normalverteilung vor – die Daten können als annähernd normalverteilt behandelt werden.

Wahrscheinlichkeitsnetz
Das Wahrscheinlichkeitsnetz ist eine grafische Hilfe, um zu prüfen, ob die Daten ungefähr wie eine Normalverteilung aussehen. Dazu werden die Messwerte der Größe nach sortiert und mit den Werten verglichen, die man bei einer perfekten Normalverteilung erwarten würde.
- Liegen die Punkte nahe an der Geraden, verhalten sich die Daten wie eine Normalverteilung.
- Liegen die Punkte weit weg oder bilden eine Kurve, deutet das auf eine Abweichung hin (z. B. S-Formen, starke Krümmungen oder Ausreißer).
Man kann sich die Gerade wie eine „Schablone“ vorstellen: Je besser die Punkte darauf passen, desto eher sind die Daten normalverteilt.
Anderson-Darling-Test
Neben dem Wahrscheinlichkeitsnetz gibt es auch einen statistischen Test: den Anderson-Darling-Test. Dieser überprüft rechnerisch, ob die Daten zu einer Normalverteilung passen, und gibt einen p-Wert aus:
- p > 0,05: keine Hinweise auf eine Abweichung → die Daten können als annähernd normalverteilt betrachtet werden.
- p ≤ 0,05: der Test findet deutliche Abweichungen → die Daten gelten als nicht normalverteilt.
Warum oft der Anderson-Darling-Test? Er reagiert besonders empfindlich auf Abweichungen am Anfang und am Ende der Verteilung (dort, wo Ausreißer sitzen). Dadurch erkennt er häufiger Auffälligkeiten als andere Tests und liefert in der Praxis zuverlässigere Ergebnisse.
Voraussetzungen
Geeignetes Messmittel
Die Daten müssen mit einem zuverlässigen und für das Merkmal geeigneten Messmittel erhoben werden.
Warum ist das wichtig?
Ein ungeeignetes Messmittel kann den Eindruck erzeugen, dass die Daten nicht normalverteilt sind, obwohl es nur am Messmittel liegt.
Wann sind andere Werkzeuge besser geeignet?
Bei nominalen oder ordinalen Daten ist ein Test auf Normalverteilung nicht sinnvoll, da diese Datentypen grundsätzlich nicht normalverteilt sein können – eine Normalverteilung setzt stetige Messwerte voraus.
Hinweis: Diskrete Daten (z. B. Zähldaten) können bei größeren Stichproben näherungsweise einer Normalverteilung folgen; ob diese Annahme trägt, sollte aber immer fallbezogen geprüft werden.
Beispiel in Produktion / Qualitätssicherung
Abfüllmenge Tomatensoße
Untersucht wird die Abfüllmenge der Tomatensoße – jede Füllung soll 500 ml enthalten. Bevor die Qualität des Abfüllprozesses bewertet werden kann, wird geprüft, ob die gemessenen Füllmengen wie eine typische Normalverteilung aussehen.

Die Daten können Sie hier herunterladen: AbfuellmengeTomatensosse.xlsxDatei zum Download
Interpretation
Im Wahrscheinlichkeitsnetz liegen die Messpunkte überwiegend auf der Geraden. Der Anderson-Darling-Test zeigt einen p-Wert von 0,065 (> 0,05) – keine Hinweise auf eine signifikante Abweichung. Sichtbare Häufigkeitscluster entstehen durch die Auflösung des Messmittels bzw. gerundete Werte und stellen keine Verteilungsauffälligkeit dar.
→ Daten annähernd normalverteilt – für die weitere Analyse nutzbar.
Beispiel in Wareneingang/Logistik
Durchlaufzeit eines Auftrags
Im Wareneingang durchläuft jeder Auftrag einen Prüfschritt (Lieferscheine kontrollieren, Positionen erfassen). Fehlende Barcodes, unvollständige Lieferscheine oder Rückfragen führen zu sehr unterschiedlichen Bearbeitungszeiten. Geprüft wird, ob die Daten annähernd normalverteilt sind.

Die Daten können Sie hier herunterladen: DurchlaufzeitWareneingang.xlsxDatei zum Download
Interpretation
Im Wahrscheinlichkeitsnetz weichen die Punkte deutlich von der Geraden ab, besonders im unteren und mittleren Bereich. Der Anderson-Darling-Test bestätigt dies mit einem p-Wert von 0,018 (< 0,05). Die Nullhypothese der Normalverteilung wird verworfen.
→ Daten nicht normalverteilt.
Beispiel in IT-Support
Reaktionszeit Anfragen
Im IT-Service-Desk gehen täglich sehr unterschiedliche Anfragen ein. Einfache Fälle werden zügig bearbeitet, komplexere Tickets verzögern sich – obwohl die Antwortzeit 35 Minuten nicht überschreiten soll. Geprüft wird, ob die Daten annähernd normalverteilt sind.

Die Daten können Sie hier herunterladen: AntwortzeitITService.xlsxDatei zum Download
Interpretation
Im Wahrscheinlichkeitsnetz liegen die Messpunkte überwiegend sehr nah an der Geraden, ohne systematische Abweichungen. Der Anderson-Darling-Test bestätigt dies mit einem p-Wert von 0,422 (> 0,05).
→ Daten annähernd normalverteilt.
Beispiel in Development
Lebensdauer von Kugellagern
Für einen neuen Maschinentyp werden Kugellager im Dauerlauf getestet, bis sie ausfallen. So entstehen Lebensdauerdaten zur Bewertung der Bauteilzuverlässigkeit. Geprüft wird, ob die Daten annähernd normalverteilt sind.

Die Daten können Sie hier herunterladen: LebensdauerKugellager.xlsxDatei zum Download
Interpretation
Im Wahrscheinlichkeitsnetz weichen die Messpunkte deutlich von der Geraden ab. Der Anderson-Darling-Test bestätigt dies mit einem p-Wert von 0,000 (< 0,05) – die Hypothese der Normalverteilung wird klar abgelehnt.
→ Daten nicht normalverteilt – verteilungsbasierte Auswertung (z. B. Weibull) verwenden.
Begriffe
Stetige Daten
Daten, die mit einem Messmittel erfasst werden und sowohl Einheiten als auch Nachkommastellen besitzen können.
Normalverteilung
Symmetrische, glockenförmige Verteilung.
Anderson-Darling-Test
Statistischer Test zur Prüfung auf Normalverteilung.
p-Wert
Kennzahl zur Bewertung des Testergebnisses. p > 0,05: keine Abweichung erkennbar.
Wahrscheinlichkeitsnetz
Grafische Darstellung zur visuellen Prüfung auf Normalverteilung.