Der Test von Anteilen (2 Stichproben) dient dazu, zu prüfen, ob sich die Anteile zweier Gruppen statistisch signifikant unterscheiden.
Er wird eingesetzt, um zu beurteilen, ob ein beobachteter Unterschied zwischen zwei Anteilen über zufällige Schwankungen hinausgeht. Grundlage ist ein Hypothesentest für binäre Ereignisse (Ereignis / kein Ereignis).
p ≤ α → H₁ annehmen (H₀ verwerfen)
p > α → H₀ beibehalten
Beispiel: Undichte Deckel
Ein Hersteller von Tomatensoße möchte prüfen, ob sich der Anteil undichter Gläser zwischen zwei Abfülllinien unterscheidet.
Linie A: 30 von 100 Gläsern undicht
Linie B: 50 von 100 Gläsern undicht
Mithilfe des Tests von Anteilen (2 Stichproben) wird geprüft, ob der beobachtete Unterschied statistisch signifikant ist.
Interpretation der Ergebnisse:
Der ermittelte p-Wert liegt unter dem Signifikanzniveau von 0,05, sodass die Nullhypothese verworfen wird. Es gibt statistische Hinweise darauf, dass die Wahrscheinlichkeit für undichte Gläser auf den beiden Linien nicht gleich ist.
Erklärungen zur Grafik:
Die Punkte markieren die beobachteten Stichprobenanteile der beiden Abfülllinien.
Die Fehlerbalken stellen das 95-%-Konfidenzintervall der jeweiligen Anteile dar.
Wenn sich die Konfidenzintervalle gar nicht bis wenig überlappen, spricht dies für einen statistisch signifikanten Unterschied.
Vorgehensweise
Vorarbeit
Ein binäres Ereignis auswählen (z. B. Deckel dicht: Ja/Nein).
Zwei Gruppen festlegen, deren Anteile verglichen werden sollen.
Signifikanzniveau α festlegen (in der Regel α = 0,05).
Sicherstellen, dass die Beobachtungen innerhalb und zwischen den Gruppen unabhängig voneinander erhoben wurden.
Nutzung in AlphadiTab
In der Analyze-Phase das Tool Test von Anteilen, 2 Stichproben auswählen.
Den Regler bei Manuell aktivieren (oder Datenspalten auswählen).
Unter Stichprobe 1 Anzahl der Ereignisse und Anzahl der Versuche angeben.
Unter Stichprobe 2 Anzahl der Ereignisse und Anzahl der Versuche angeben.
Die Analyze durch Neu erstellen durchführen.
Interpretation
Prüfen, ob der p-Wert kleiner oder gleich dem Signifikanzniveau ist.
p ≤ α → statistisch signifikanter Unterschied der Anteile.
p > α → kein statistisch signifikanter Unterschied der Anteile.
Die Interpretation bezieht sich auf Anteile – nicht auf Mittelwerte.
Der p-Wert des Fishers exakten Tests ist für alle Stichprobengrößen gültig.
Einstellmöglichkeiten
Der Test von Anteilen bietet zwei zentrale Einstellungen: die Art der Dateneingabe und die Richtung der Hypothese.
Daten
Manuelle Eingabe: Der Vergleich erfolgt auf Basis von Anzahl der Ereignisse und Anzahl der Versuche in beiden Stichproben.
Nicht-manuelle Eingabe (Datensatz): Der Vergleich erfolgt auf Basis der ausgewählten Datenspalten.
Richtung: Zweiseitig
H₀: p₁ − p₂ = Δ₀ | H₁: p₁ − p₂ ≠ Δ₀
Wählen Sie zweiseitig, wenn Sie prüfen möchten, ob sich die Anteile der beiden Stichproben unterscheiden, ohne eine bestimmte Richtung vorzugeben. Beispiel: Unterscheidet sich die Quote undichter Gläser zwischen Abfülllinie A und B?
Richtung: Größer
H₀: p₁ − p₂ = Δ₀ | H₁: p₁ − p₂ > Δ₀
Wählen Sie größer, wenn Sie prüfen möchten, ob der Anteil der ersten Stichprobe größer ist als der der zweiten. Beispiel: Ist der Anteil pünktlich bereitgestellter Paletten am Standort Nord höher als am Standort Süd?
Richtung: Kleiner
H₀: p₁ − p₂ = Δ₀ | H₁: p₁ − p₂ < Δ₀
Wählen Sie kleiner, wenn Sie prüfen möchten, ob der Anteil der ersten Stichprobe kleiner ist als der der zweiten. Beispiel: Ist der Anteil fehlerhaft etikettierter Gläser in Schicht A geringer als in Schicht B?
Voraussetzungen
Zwei Gruppen
Es müssen genau zwei Gruppen vorliegen, deren Anteile miteinander verglichen werden sollen.
Warum ist das wichtig? Der Test von Anteilen, 2 Stichproben ist ein Verfahren zum Vergleich von zwei Anteilen.
Unabhängige Stichproben
Die Beobachtungen der beiden Gruppen dürfen sich nicht gegenseitig beeinflussen. Jede Einheit darf nur einer Gruppe zugeordnet sein.
Warum ist das wichtig? Der Test setzt voraus, dass die Gruppen unabhängig voneinander erhoben wurden.
Nominale Daten mit 2 Ausprägungen
Die Daten müssen als Ereignis / kein Ereignis vorliegen.
Warum ist das wichtig? Der Test vergleicht Anteile auf Basis nominaler Daten, die genau zwei verschiedene Werte annehmen können.
Wann sind andere Werkzeuge besser geeignet?
Mittelwerte stetiger Messdaten verglichen werden sollen
t-Test
Prozentwerte annähernd normalverteilt und Stichprobe ausreichend groß
t-Test
Zwei abhängige Stichproben verglichen werden sollen
Gepaarte Verfahren
Beispiel in Produktion
Ausschussquote – Abfülllinie A vs. Abfülllinie B
In der Produktion von Tomatensoße werden zwei Abfülllinien eingesetzt. Untersucht wird, ob sich der Anteil undichter Gläser zwischen Maschine A und Maschine B unterscheidet. Die Daten liegen in zusammengefasster Form vor:
Maschine A: 14 undichte Gläser bei 320 geprüften
Maschine B: 29 undichte Gläser bei 340 geprüften
Interpretation
Der Anteilstest zeigt einen statistisch signifikanten Unterschied der Ausschussquote (p < 0,05). Da weder Ereignisse noch Gegenereignisse kleiner als 5 sind, ist die Normalapproximation zulässig; sie führt hier zum gleichen Ergebnis wie der exakte Fisher-Test.
→ Signifikanter Unterschied der Ausschussquote zwischen den Maschinen.
Beispiel in Development
Erfolgsquote neuer Deckelgeometrie
In der Entwicklung wird eine neue Deckelgeometrie getestet. Untersucht wird, ob sich der Anteil bestandener Dichtheitsprüfungen zwischen der bisherigen und der neuen Variante unterscheidet.
Der Test zeigt keinen statistisch signifikanten Unterschied in der Erstlösungsquote zwischen den Standorten (p > 0,05). Die Nullhypothese wird beibehalten.
→ Kein Unterschied der Erstlösungsquote zwischen Nord und Süd.
Beispiel in Vertrieb
Verlustquote nach Vertriebsansatz
Im Vertrieb wird untersucht, ob sich der Anteil verlorener Angebote zwischen Vertriebsansatz A und Vertriebsansatz B unterscheidet.
Interpretation
Es ergeben sich zwei p-Werte. Die Normalapproximation weist auf einen signifikanten Unterschied hin (p = 0,029), der exakte Fisher-Test liegt über dem Signifikanzniveau. Da in beiden Stichproben Ereignisse und Gegenereignisse jeweils mindestens 5 betragen, ist die Voraussetzung für die Normalapproximation erfüllt – sie wird zur Beurteilung herangezogen, die Nullhypothese wird verworfen.
→ Normalapproximation (p = 0,029) → signifikanter Unterschied der Verlustquote.
Beispiel in Logistik
Pünktlich bereitgestellte Paletten nach Standort
In der Logistik werden Auslieferungen an zwei Standorten vorbereitet. Geprüft wird, ob Standort Nord einen höheren Anteil pünktlich bereitgestellter Paletten erreicht als Standort Süd. Die Analyse erfolgt als einseitiger Test (Richtung „größer“).
Der Test zeigt keinen statistisch signifikanten Unterschied im Anteil pünktlich bereitgestellter Paletten zwischen den Standorten (p > 0,05). Die Nullhypothese wird beibehalten.
→ Standort Nord ist nicht signifikant besser als Standort Süd.
Beispiel in Einkauf
Lieferantenvergleich bei Schraubdeckeln
Im Einkauf werden Schraubdeckel von zwei Lieferanten bezogen. Untersucht wird, ob sich der Anteil beschädigter Lieferungen zwischen Lieferant A und Lieferant B unterscheidet.
Hinweis: Bei sehr kleinen Anzahlen von Ereignissen oder Nicht-Ereignissen kann die Normalapproximation ungenau sein – dann ist die exakte Methode (Fisher) wichtig.
Es liegen zwei p-Werte vor. Die Normalapproximation spräche für ein Verwerfen, ihre Voraussetzung ist hier jedoch nicht erfüllt (in Stichprobe 1 sind die Gegenereignisse kleiner als 5). Daher wird die Entscheidung auf Basis des exakten Fisher-Tests getroffen – dieser zeigt keinen signifikanten Unterschied, die Nullhypothese wird beibehalten.
→ Normalapprox-Voraussetzung verletzt → Fisher maßgeblich → kein signifikanter Unterschied.
Beispiel in Planung
Prognosetrefferquote nach Planungshorizont
In der Planung wird untersucht, ob sich der Anteil ausreichend genauer Absatzprognosen zwischen kurzfristigem und langfristigem Planungshorizont unterscheidet.
Sowohl der exakte Fisher-Test als auch die Normalapproximation liegen auf oder unter dem Signifikanzniveau von 5 %. Beide Tests weisen auf einen signifikanten Unterschied hin; die Nullhypothese wird verworfen.
→ Signifikanter Unterschied der Prognosetrefferquote zwischen den Horizonten.
Begriffe
p₁, p₂: Beobachtete Stichprobenanteile der beiden Gruppen.
α = Signifikanzniveau: Vorgegebene Irrtumswahrscheinlichkeit (in der Regel 0,05).
H₀ (Nullhypothese): Die Anteile der beiden Gruppen sind gleich.
H₁ (Alternativhypothese): Die Anteile der beiden Gruppen unterscheiden sich.
p-Wert: Ergebnis des Hypothesentests.
Fishers exakter Test: Exaktes Verfahren, gültig für alle Stichprobengrößen, auch bei kleinen Ereigniszahlen.
Normalapproximation: Näherungsverfahren, geeignet wenn Ereignis- und Gegenereigniszahlen jeweils ≥ 5.
Konfidenzintervall: Wertebereich, der den wahren Anteil mit dem gewählten Konfidenzniveau enthält.
Eine kleine Winterpause
✳✦✳
Information für unsere Kunden
Frohe Weihnachten
und einen guten Start in 2027
Liebe Kunden,
das Jahr neigt sich dem Ende zu, und auch wir nutzen die besinnliche Weihnachtszeit für eine kurze Auszeit.
Unsere Betriebsferien21.12.2026 – 01.01.2027Ab dem 04.01.2027 sind wir wieder wie gewohnt für Sie da.
Wir wünschen Ihnen ein frohes und friedliches Weihnachtsfest, erholsame Feiertage und einen guten Start ins neue Jahr.
Bei dringenden Anliegen erreichen Sie uns unter
info@alphadi.de
.