Der t-Test dient dazu, zu prüfen, ob sich die Mittelwerte zweier Gruppen statistisch signifikant unterscheiden.
Er wird eingesetzt, um zu beurteilen, ob ein beobachteter Unterschied zwischen zwei Gruppen über zufällige Schwankungen hinausgeht.
Die Entscheidung erfolgt über den Vergleich des p-Wertes mit dem festgelegten Signifikanzniveau (in der Regel α = 0,05):
- p ≤ α → H₁ annehmen (H₀ verwerfen)
- p > α → H₀ beibehalten
In der Produktentwicklung wird eine neue Rezeptur für Tomatensoße getestet. Ziel ist es zu prüfen, ob sich die Viskosität der neuen Rezeptur im Mittel von der bisherigen Rezeptur unterscheidet. Hierzu werden Viskositätsmessungen an Proben der alten und der neuen Rezeptur durchgeführt.
Interpretation der Ergebnisse:
Der ermittelte p-Wert liegt deutlich über dem Signifikanzniveau von 0,05, sodass die Nullhypothese beibehalten wird. Es gibt keine Hinweise darauf, dass sich die mittlere Viskosität der neuen Rezeptur von der bisherigen unterscheidet.
Erklärungen zur Grafik:
- Die Punkte markieren die Mittelwerte der Viskosität für die alte und neue Rezeptur.
- Die Fehlerbalken stellen das 95-%-Konfidenzintervall des Mittelwerts dar.
- Die deutliche Überlappung der Konfidenzintervalle zeigt, dass kein statistisch gesicherter Unterschied vorliegt.
Vorarbeit
- Eine stetige Messgröße auswählen (z. B. Viskosität).
- Zwei Gruppen festlegen, deren Mittelwerte verglichen werden sollen.
- Signifikanzniveau festlegen (in der Regel α = 0,05).
- Prüfen, ob die Daten keine Hinweise auf starke Abweichungen von der Normalverteilung zeigen.
- Sicherstellen, dass die Messwerte unabhängig voneinander erhoben wurden.
Nutzung in AlphadiTab
- In der Analyze-Phase das Tool 2-Stichproben-t auswählen.
- Bei Stichprobe 1 die erste Gruppe auswählen.
- Bei Stichprobe 2 die zweite Gruppe auswählen.
- Die Analyze durch Neu erstellen durchführen.
Interpretation
- Prüfen, ob der p-Wert kleiner oder gleich dem Signifikanzniveau ist.
- p ≤ α → statistisch signifikanter Unterschied der Mittelwerte.
- p > α → kein statistisch signifikanter Unterschied der Mittelwerte.
- Die Interpretation bezieht sich ausschließlich auf den Mittelwert.
Der t-Test bietet zwei zentrale Einstellungen: die Art der Dateneingabe und die Richtung der Hypothese.
Manuelle Eingabe: Der Vergleich erfolgt auf Basis von manuell eingegebenen Standardabweichungen und Stichprobengrößen zweier Stichproben.
Nicht-manuelle Eingabe (Datensatz): Der Vergleich erfolgt auf Basis der ausgewählten Datenspalten.
H₀: μ₁ − μ₂ = Δ₀ | H₁: μ₁ − μ₂ ≠ Δ₀
Wählen Sie zweiseitig, wenn Sie prüfen möchten, ob sich die Mittelwerte der beiden Stichproben unterscheiden, ohne eine bestimmte Richtung vorzugeben. Sinnvoll, wenn keine konkrete Erwartung über die Richtung des Unterschieds besteht. Beispiel: Unterscheiden sich die durchschnittlichen Testergebnisse von Gruppe A und Gruppe B?
H₀: μ₁ − μ₂ = Δ₀ | H₁: μ₁ − μ₂ > Δ₀
Wählen Sie größer, wenn Sie prüfen möchten, ob der Mittelwert der ersten Stichprobe größer ist als der der zweiten. Es wird nur getestet, ob Stichprobe 1 signifikant höhere Werte aufweist. Beispiel: Ist der durchschnittliche Umsatz nach einer Werbekampagne höher als vorher?
H₀: μ₁ − μ₂ = Δ₀ | H₁: μ₁ − μ₂ < Δ₀
Wählen Sie kleiner, wenn Sie prüfen möchten, ob der Mittelwert der ersten Stichprobe kleiner ist als der der zweiten. Es wird nur getestet, ob Stichprobe 1 signifikant niedrigere Werte hat. Beispiel: Ist die durchschnittliche Bearbeitungszeit nach einer Optimierung geringer als vorher?
Abfüllmenge Tomatensoße
In der Produktion werden zwei Abfüllmaschinen eingesetzt. Es soll untersucht werden, ob sich die mittlere Abfüllmenge zwischen Maschine A und Maschine B unterscheidet. Für beide Maschinen liegen die Messdaten in zusammengefasster Form vor:
- Maschine A: n = 25, Mittelwert = 500,2 ml, Standardabweichung = 1,1 ml
- Maschine B: n = 25, Mittelwert = 498,9 ml, Standardabweichung = 1,0 ml
Der Vergleich der Mittelwerte erfolgt mithilfe eines t-Tests (2 Stichproben).
Interpretation
Der t-Test zeigt einen statistisch signifikanten Unterschied der mittleren Abfüllmenge zwischen den beiden Maschinen. Der p-Wert liegt unter 0,05, sodass die Nullhypothese verworfen wird.
→ Die Maschinen unterscheiden sich im Mittelwert der Abfüllmenge.
Reaktionszeit Anfragen
Im IT-Service-Desk werden Tickets an mehreren Standorten bearbeitet. Die Reaktionszeiten werden regelmäßig ausgewertet, um Unterschiede in der Servicequalität zu erkennen. Im Beispiel liegen Daten von drei Standorten vor. Der t-Test (2 Stichproben) ist grundsätzlich nur für den Vergleich von zwei Gruppen geeignet. Bei mehr als zwei Standorten gibt es zwei Vorgehensweisen:
Paarweise Vergleiche mit dem t-Test: Jeder Standort kann paarweise mit den anderen verglichen werden (z. B. A vs. B, A vs. C, B vs. C).
Alternative – Varianzanalyse (ANOVA): Sollen alle Standorte gleichzeitig betrachtet werden, ist eine ANOVA das geeignetere Werkzeug. Sie prüft, ob es mindestens einen signifikanten Unterschied zwischen den Mittelwerten gibt, ohne mehrere Einzeltests durchführen zu müssen.
Hinweis: Bei mehreren paarweisen t-Tests steigt das Risiko von Zufallstreffern.
Interpretation
Der t-Test zeigt keinen statistisch signifikanten Unterschied zwischen den mittleren Durchlaufzeiten der Standorte DLZ Nord und DLZ Ost. Der p-Wert liegt über 0,05, sodass die Nullhypothese beibehalten wird.
→ Kein Mittelwertunterschied; für mehr als zwei Standorte die ANOVA vorziehen.
Verkaufsquote nach Region
Im Vertrieb werden Kundenangebote von zwei Teams bearbeitet. Es soll untersucht werden, ob sich die mittlere Durchlaufzeit (DLZ) zwischen Team A und Team B unterscheidet.
Interpretation
Der t-Test zeigt keinen statistisch signifikanten Unterschied in der mittleren Durchlaufzeit zwischen den beiden Teams. Der p-Wert liegt über 0,05, sodass die Nullhypothese beibehalten wird.
→ Beide Teams bearbeiten die Angebote im Mittel gleich schnell.
Lieferzeit nach Logistikzentrum
In der Logistikabteilung werden Kundenaufträge kommissioniert und versendet. Zur Effizienzsteigerung wurden neue Stapler eingeführt. Es soll untersucht werden, ob sich die mittlere Lieferzeit (in Stunden) nach der Einführung verringert hat. Die Analyse erfolgt als einseitiger t-Test (Richtung „größer“).
H₀: μVorher − μNachher = 0 | H₁: μVorher − μNachher > 0
Interpretation
Der einseitige t-Test zeigt einen statistisch signifikanten Unterschied (t = 3,29; p = 0,001). Die mittlere Lieferzeit vor der Einführung ist signifikant höher als danach.
→ Die neuen Stapler haben die durchschnittliche Lieferzeit signifikant verkürzt.
Lieferantenvergleich
Im Einkauf werden Bauteile von zwei Lieferanten bezogen. Es soll untersucht werden, ob sich der mittlere Ausschussanteil pro Lieferung zwischen Lieferant A und Lieferant B unterscheidet (gemessen in %).
Hinweis: Der t-Test setzt annähernd normalverteilte, stetige Daten voraus. Prozentwerte können diskret sein; bei kleinen Liefermengen kann die Normalverteilungsannahme verletzt sein. Bei größeren Liefermengen ist der t-Test in der Praxis in der Regel unproblematisch anwendbar.
Interpretation
Der t-Test zeigt einen statistisch signifikanten Unterschied im mittleren Ausschussanteil zwischen den Lieferanten (p < 0,05). Die Nullhypothese wird verworfen.
→ Lieferant A hat die bessere (geringere) Ausschussquote.
Prognoseabweichung
In der Produktionsplanung werden Bedarfsprognosen für unterschiedliche Planungszeiträume erstellt. Zur Bewertung der Prognosegüte wird die Prognoseabweichung berechnet. Untersucht wird, ob sich die durchschnittliche Prognoseabweichung zwischen kurz- und langfristigem Planungszeitraum unterscheidet:
- Kurzfristiger Horizont: n = 30, Mittelwert = 0,0 %, Standardabweichung = 1,5 %
- Langfristiger Horizont: n = 30, Mittelwert = 0,0 %, Standardabweichung = 3,8 %
Interpretation
Der t-Test für zwei unabhängige Stichproben zeigt, dass sich die mittleren Prognoseabweichungen statistisch nicht signifikant unterscheiden. Da der p-Wert über 0,05 liegt, wird die Nullhypothese nicht verworfen.
→ Kein Unterschied in der mittleren Prognoseabweichung zwischen kurz- und langfristig.
t-Wert: Prüfgröße des t-Tests. Verhältnis des beobachteten Mittelwertunterschieds zur Streuung der Daten.
p-Wert: Ergebnis des Hypothesentests. Grundlage für die Entscheidung zwischen H₀ und H₁.
α = Signifikanzniveau: Vorgegebene Irrtumswahrscheinlichkeit (in der Regel 0,05).
H₀ (Nullhypothese): Die Mittelwerte der beiden Gruppen sind gleich.
H₁ (Alternativhypothese): Die Mittelwerte der beiden Gruppen unterscheiden sich.
df = Freiheitsgrade: Ergeben sich aus den Stichprobengrößen beider Gruppen.
Konfidenzintervall: Wertebereich, der den wahren Mittelwertunterschied mit dem gewählten Konfidenzniveau enthält.
Zweiseitig / einseitig: Gibt an, ob ein Unterschied in beide oder nur eine Richtung geprüft wird.