1 Grundbegriffe und Skalenniveaus
Grundbegriffe
- Statistische Einheit: Objekt, an dem Merkmale erhoben werden; Grundgesamtheit: Menge aller Einheiten (Umfang N); Stichprobe: Teilmenge (Umfang n).
- Merkmal X mit Ausprägungen a_1,\dots,a_k; Beobachtungswerte (Urliste) x_1,\dots,x_n; geordnet x_{(1)}\le x_{(2)}\le\dots\le x_{(n)}.
- Diskret: abzählbar viele Ausprägungen; stetig: jeder Wert eines Intervalls möglich.
Skalenniveaus
| Skala | sinnvolle Aussagen | Beispiel | zulässige Lagemaße |
|---|---|---|---|
| Nominal | gleich / ungleich | Rechtsform, Geschlecht | Modus |
| Ordinal | + Rangfolge | Ratingnote, Schulnote | + Median, Quantile |
| Intervall (metrisch) | + Differenzen | Temperatur in °C, Jahreszahl | + arithmetisches Mittel |
| Verhältnis (metrisch) | + Quotienten, natürlicher Nullpunkt | Umsatz, Preis, Alter | + geometrisches / harmonisches Mittel, Variationskoeffizient |
2 Häufigkeiten und Verteilungsfunktion
Absolute und relative Häufigkeiten
Kumuliert: H_j=\sum_{i\le j} h_i, F_j=\sum_{i\le j} f_i (Ausprägungen aufsteigend sortiert, mindestens ordinal).
Empirische Verteilungsfunktion
Treppenfunktion, monoton wachsend, rechtsstetig, von 0 nach 1; Sprung der Höhe f_j an der Stelle a_j. Anteil im Intervall: \text{Anteil}(a\lt X\le b)=F_n(b)-F_n(a).
Klassierte Daten
Klassen (c_{j-1},c_j], Breite \Delta_j=c_j-c_{j-1}, Klassenmitte m_j=\tfrac12(c_{j-1}+c_j). Histogramm: Fläche = relative Häufigkeit, Höhe = Häufigkeitsdichte
Approximierende Verteilungsfunktion (Gleichverteilung innerhalb der Klasse), für c_{j-1}\lt x\le c_j:
Konvention: Manche Lehrbücher verwenden Klassen [c_{j-1},c_j). An den Formeln ändert das nichts, nur an der Zuordnung von Werten auf den Klassengrenzen.
3 Lagemaße
Arithmetisches Mittel
- Schwerpunkteigenschaft: \sum_i (x_i-\bar x)=0; Minimumeigenschaft: \sum_i (x_i-c)^2 ist minimal für c=\bar x.
- Lineare Transformation: y_i=a+bx_i\;\Rightarrow\;\bar y=a+b\bar x.
- Gesamtmittel aus r Teilgruppen: \bar x=\frac1n\sum_{l=1}^{r} n_l\,\bar x_l.
Geometrisches Mittel
Für Wachstumsfaktoren q_t=1+r_t (r_t: Wachstumsrate in Periode t) ergibt sich die durchschnittliche Wachstumsrate
Harmonisches Mittel
Anwendung bei Verhältniszahlen, wenn die Gewichte sich auf den Zähler beziehen (z. B. Durchschnittspreis bei gleichen Ausgabebeträgen, Durchschnittsgeschwindigkeit bei gleichen Strecken). Für positive Werte gilt \bar x_H\le\bar x_G\le\bar x.
Median und Modus
Mindestens ordinales Niveau; robust gegen Ausreißer; minimiert \sum_i|x_i-c|. Klassiert: x_{\mathrm{med}}=x_{0{,}5} per Interpolation (siehe Quantile).
Modus x_{\mathrm{mod}}: häufigste Ausprägung (bei klassierten Daten: Mitte der Klasse mit der größten Häufigkeitsdichte \hat f_j).
Konvention: Bei geradem n ist jeder Wert zwischen x_{(n/2)} und x_{(n/2+1)} ein Median; üblich ist der Mittelwert der beiden. Manche Texte (v. a. für ordinale Daten) nehmen den unteren Wert x_{(n/2)}.
Quantile
Das p-Quantil x_p (0\lt p\lt 1) teilt die Daten so, dass mindestens der Anteil p kleiner oder gleich und mindestens der Anteil 1-p größer oder gleich x_p ist. Häufige Lehrbuchdefinition:
Quartile: Q_1=x_{0{,}25}, Q_2=x_{0{,}5}=x_{\mathrm{med}}, Q_3=x_{0{,}75}. Fünf-Punkte-Zusammenfassung für den Boxplot: x_{(1)},\,Q_1,\,x_{\mathrm{med}},\,Q_3,\,x_{(n)}.
Klassierte Daten, x_p liegt in Klasse j mit F(c_{j-1})\lt p\le F(c_j):
Abweichende Definitionen: Es gibt viele Quantilsdefinitionen. Software interpoliert meist linear: Excel QUANTIL.INKL und R (Standard, Typ 7) verwenden die Position h=(n-1)p+1, Excel QUANTIL.EXKL die Position h=(n+1)p; dann x_p=x_{(\lfloor h\rfloor)}+(h-\lfloor h\rfloor)\bigl(x_{(\lfloor h\rfloor+1)}-x_{(\lfloor h\rfloor)}\bigr). Ergebnisse können daher von Hand- und Klausurrechnung abweichen.
4 Streuungsmaße
Spannweite, Quartilsabstand, mittlere absolute Abweichung
Konvention: Die mittlere absolute Abweichung wird je nach Lehrbuch um \bar x oder um den Median gebildet; um den Median ist sie minimal.
Varianz und Standardabweichung
1/nEmpirische Varianz (deskriptiv, Daten als Grundgesamtheit):
1/(n−1)Stichprobenvarianz (induktiv, erwartungstreuer Schätzer für \sigma^2):
Standardabweichung: \tilde s=\sqrt{\tilde s^2} bzw. s=\sqrt{s^2}. Lineare Transformation y_i=a+bx_i: s_y^2=b^2s_x^2, s_y=\lvert b\rvert s_x. Standardisierung: z_i=(x_i-\bar x)/s.
Streuungszerlegung (mit 1/n) für r Teilgruppen mit Umfängen n_l, Mitteln \bar x_l und Varianzen \tilde s_l^2:
Achtung Notation: Lehrbücher bezeichnen die Varianzen unterschiedlich. Manche schreiben s^2 für die 1/n-Version und s^{*2} oder \hat\sigma^2 für die 1/(n-1)-Version, andere umgekehrt wie hier. Taschenrechner: \sigma_n bzw. \sigma x = 1/n, \sigma_{n-1} bzw. sx = 1/(n-1). Excel: VAR.P / STABW.N = 1/n, VAR.S / STABW.S = 1/(n-1).
Variationskoeffizient
Dimensionslos, zum Vergleich der Streuung von Merkmalen mit verschiedenem Niveau oder verschiedenen Einheiten; nur bei Verhältnisskala sinnvoll. Ob \tilde s oder s eingesetzt wird, folgt der Varianzkonvention der Vorlesung.
5 Konzentration
Lorenzkurve
Werte aufsteigend ordnen: x_{(1)}\le\dots\le x_{(n)} (nichtnegatives, metrisches Merkmal). Punkte (u_i,v_i), linear verbunden, Start in (0,0):
Gruppierte Daten: u_k = kumulierter Anteil der Einheiten, v_k = kumulierter Anteil an der Merkmalssumme (Gruppen nach aufsteigendem Durchschnittswert geordnet). Gleichverteilung = Diagonale; je stärker die Kurve durchhängt, desto höher die Konzentration.
Gini-Koeffizient
G = doppelte Fläche zwischen Diagonale und Lorenzkurve:
Wertebereich bei n Einzelwerten: 0\le G\le\frac{n-1}{n}. Normierter Gini-Koeffizient:
Konvention: Manche Lehrbücher nennen nur G, andere sofort die normierte Form G^* (teils ebenfalls „Gini-Koeffizient“ oder „Lorenz’sches Konzentrationsmaß“). Bei gruppierten Daten mit vielen Einheiten wird meist nicht normiert.
Absolute Konzentration
Merkmalsanteile p_i=x_i/\sum_j x_j, absteigend geordnet p_{[1]}\ge p_{[2]}\ge\dots
6 Zweidimensionale Merkmale
Kontingenztabelle
X mit k Ausprägungen (Zeilen), Y mit l Ausprägungen (Spalten); gemeinsame Häufigkeiten h_{ij}, f_{ij}=h_{ij}/n.
Bei empirischer Unabhängigkeit erwartete Häufigkeiten:
χ²-Koeffizient, Kontingenzkoeffizient, Cramérs V
Alle Maße messen nur die Stärke, nicht die Richtung des Zusammenhangs (nominale Merkmale). K^* heißt auch korrigierter Kontingenzkoeffizient.
Kovarianz und Korrelationskoeffizient nach Bravais-Pearson
Misst die Stärke des linearen Zusammenhangs metrischer Merkmale. r ist gleich, egal ob überall 1/n oder überall 1/(n-1) verwendet wird; nur nicht mischen.
Rangkorrelation nach Spearman
r_s = Bravais-Pearson-Koeffizient der Ränge rg(x_i), rg(y_i) (mindestens ordinal, misst monotonen Zusammenhang). Ohne Bindungen gilt mit d_i=rg(x_i)-rg(y_i):
Bindungen: Gleiche Werte erhalten den Durchschnitt ihrer Ränge. Die Kurzformel ist dann nur noch eine Näherung; exakt ist die Pearson-Formel auf die Ränge angewendet.
7 Lineare Einfachregression
Kleinste-Quadrate-Schätzer
Regressionsgerade \hat y=a+bx (auch \hat\beta_0+\hat\beta_1x) minimiert \sum_i (y_i-a-bx_i)^2:
Die Gerade verläuft durch (\bar x,\bar y). Residuen e_i=y_i-\hat y_i mit \sum_i e_i=0. b: Änderung von \hat y, wenn x um eine Einheit steigt.
Streuungszerlegung und Bestimmtheitsmaß
Schätzer der Störgrößenvarianz: \hat\sigma^2=\dfrac{SQR}{n-2}.
Abkürzungen: SQT/SQE/SQR (Total, Erklärt, Residual) heißen auch SST/SSE/SSR – dann steht SSE aber teils für Error (= Residualquadratsumme). Immer an der Definition prüfen. R^2=r^2 gilt nur für die Einfachregression mit Absolutglied.
8 Indexzahlen
Preisindizes
Basisperiode 0, Berichtsperiode t, Preise p, Mengen q, Summen über alle Güter i (Index meist ×100 angegeben).
Laspeyres (L): Warenkorb der Basisperiode; Paasche (P): Warenkorb der Berichtsperiode; Fisher (F): geometrisches Mittel. Laspeyres als gewichtetes Mittel der Preismesszahlen mit den Ausgabenanteilen der Basisperiode:
Mengenindizes und Wertindex
Deflationierung: reale Größe = nominale Größe / Preisindex (als Dezimalzahl, also Index/100).
Umbasierung und Verkettung
Umbasierung von Basis 0 auf neue Basis \tau und Verkettung zweier Indexreihen (Indizes als Dezimalzahl; in Prozent jeweils mit 100 multiplizieren bzw. durch 100 teilen):
Kettenindex: I_{0T}=I_{01}\cdot I_{12}\cdots I_{T-1,T}.
Hinweis: Ein umbasierter Laspeyres-Index ist rechnerisch umgestellt, aber kein „echter“ Laspeyres-Index zur neuen Basis (der Warenkorb bleibt der alte). Gleiches gilt für verkettete Reihen mit Warenkorbwechsel.
9 Wahrscheinlichkeitsrechnung
Ereignisse und Axiome von Kolmogorov
Ergebnismenge \Omega, Ereignisse A,B\subseteq\Omega, Gegenereignis \bar A, Schnitt A\cap B, Vereinigung A\cup B.
- P(A)\ge 0
- P(\Omega)=1
- Für paarweise disjunkte A_1,A_2,\dots: P\bigl(\bigcup_i A_i\bigr)=\sum_i P(A_i)
Folgerungen: P(\bar A)=1-P(A), P(\emptyset)=0, A\subseteq B\Rightarrow P(A)\le P(B). Laplace-Experiment (gleich wahrscheinliche Ergebnisse): P(A)=\dfrac{|A|}{|\Omega|}.
Additionssatz
Bedingte Wahrscheinlichkeit, Multiplikationssatz, totale Wahrscheinlichkeit
Für eine Zerlegung B_1,\dots,B_m von \Omega (paarweise disjunkt, Vereinigung \Omega):
Satz von Bayes
P(B_j): A-priori-, P(B_j\mid A): A-posteriori-Wahrscheinlichkeit.
Stochastische Unabhängigkeit
Mit A,B sind auch \bar A,B, A,\bar B und \bar A,\bar B unabhängig. Disjunkte Ereignisse mit positiver Wahrscheinlichkeit sind nie unabhängig.
Kombinatorik
Auswahl von k aus n Elementen:
| ohne Zurücklegen | mit Zurücklegen | |
|---|---|---|
| mit Reihenfolge | \dfrac{n!}{(n-k)!} | n^k |
| ohne Reihenfolge | \dbinom{n}{k} | \dbinom{n+k-1}{k} |
Permutationen von n Elementen: n!; mit r Gruppen gleicher Elemente (Größen n_1,\dots,n_r): \dfrac{n!}{n_1!\,n_2!\cdots n_r!}.
10 Zufallsvariablen
Wahrscheinlichkeits-, Dichte- und Verteilungsfunktion
Diskret: f(x_i)=P(X=x_i), F(x)=P(X\le x)=\sum_{x_i\le x}f(x_i).
Stetig: Dichte f(x)\ge 0, \int_{-\infty}^{\infty}f(x)\,dx=1,
Quantil x_p: F(x_p)=p (stetig, streng monoton).
Erwartungswert und Varianz
Rechenregeln
X,Y unabhängig \Rightarrow \operatorname{Cov}(X,Y)=0, E(XY)=E(X)E(Y), \operatorname{Var}(X+Y)=\operatorname{Var}(X)+\operatorname{Var}(Y) (Umkehrung gilt im Allgemeinen nicht).
Für unabhängige, identisch verteilte X_1,\dots,X_n mit E(X_i)=\mu, \operatorname{Var}(X_i)=\sigma^2:
Standardisierung: Z=\dfrac{X-\mu}{\sigma} hat E(Z)=0, \operatorname{Var}(Z)=1.
Ungleichung von Tschebyscheff
Mit c=k\sigma: P(\lvert X-\mu\rvert\lt k\sigma)\ge 1-1/k^2, z. B. mindestens 75 % für k=2. Gilt für jede Verteilung mit endlicher Varianz.
11 Verteilungen
Bernoulli- und Binomialverteilung
Bernoulli X\sim\mathrm{Be}(p): P(X=1)=p, P(X=0)=1-p; E(X)=p, \operatorname{Var}(X)=p(1-p).
Binomial X\sim B(n;p): Anzahl der Erfolge in n unabhängigen Bernoulli-Versuchen (Ziehen mit Zurücklegen).
Hypergeometrische Verteilung
X\sim H(N;M;n): Ziehen von n aus N Elementen ohne Zurücklegen, davon M mit der Eigenschaft.
Näherung durch B(n;M/N), wenn n/N klein ist (Faustregel n/N\le 0{,}05).
Poissonverteilung
Anzahl seltener Ereignisse pro Zeit- oder Flächeneinheit. Näherung B(n;p)\approx\mathrm{Po}(np) für großes n und kleines p (Faustregel z. B. n\ge 50, p\le 0{,}1; die Grenzen variieren je nach Lehrbuch).
Stetige Gleichverteilung
Exponentialverteilung
Wartezeiten, Lebensdauern; gedächtnislos: P(X\gt s+t\mid X\gt s)=P(X\gt t).
Konvention: Manche Texte parametrisieren über den Erwartungswert \beta=1/\lambda: f(x)=\frac1\beta e^{-x/\beta}.
Normalverteilung
Standardisierung: Z=\frac{X-\mu}{\sigma}\sim N(0;1), Verteilungsfunktion \Phi:
Zentrale Schwankungsintervalle: \mu\pm\sigma: 68,27 %, \mu\pm 2\sigma: 95,45 %, \mu\pm 3\sigma: 99,73 %, \mu\pm 1{,}96\,\sigma: 95 %.
Reproduktivität: X_1\sim N(\mu_1;\sigma_1^2), X_2\sim N(\mu_2;\sigma_2^2) unabhängig \Rightarrow aX_1+bX_2\sim N(a\mu_1+b\mu_2;\,a^2\sigma_1^2+b^2\sigma_2^2).
Achtung Notation: Meist N(\mu;\sigma^2) mit der Varianz als zweitem Parameter, in manchen Büchern aber N(\mu;\sigma) mit der Standardabweichung. N(10;4) kann also \sigma=2 oder \sigma=4 bedeuten.
χ²-, t- und F-Verteilung
Z,Z_1,\dots,Z_n unabhängig N(0;1); V\sim\chi^2(n), V_1\sim\chi^2(m), V_2\sim\chi^2(n) jeweils unabhängig; \Gamma = Gammafunktion.
| Verteilung | Konstruktion und Dichte | E, Var |
|---|---|---|
| \chi^2(n) | \sum_{i=1}^{n}Z_i^2; f(x)=\dfrac{x^{n/2-1}e^{-x/2}}{2^{n/2}\,\Gamma(n/2)},\ x\gt 0 | E=n \operatorname{Var}=2n |
| t(n) | \dfrac{Z}{\sqrt{V/n}}; f(t)=\dfrac{\Gamma\bigl(\frac{n+1}{2}\bigr)}{\sqrt{n\pi}\,\Gamma\bigl(\frac n2\bigr)}\Bigl(1+\dfrac{t^2}{n}\Bigr)^{-\frac{n+1}{2}} | E=0\ (n\gt 1) \operatorname{Var}=\frac{n}{n-2}\ (n\gt 2) |
| F(m,n) | \dfrac{V_1/m}{V_2/n}; f(x)=\dfrac{\Gamma\bigl(\frac{m+n}{2}\bigr)}{\Gamma\bigl(\frac m2\bigr)\Gamma\bigl(\frac n2\bigr)}\Bigl(\dfrac mn\Bigr)^{\frac m2}\dfrac{x^{\frac m2-1}}{\bigl(1+\frac mn x\bigr)^{\frac{m+n}{2}}},\ x\gt 0 | E=\frac{n}{n-2}\ (n\gt 2) \operatorname{Var}=\frac{2n^2(m+n-2)}{m(n-2)^2(n-4)}\ (n\gt 4) |
t-Verteilung symmetrisch: t_{n;p}=-t_{n;1-p}, für n\to\infty gegen N(0;1). F-Quantile: F_{m,n;p}=1/F_{n,m;1-p}. Für eine Stichprobe aus N(\mu;\sigma^2) gilt \frac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1) und \frac{\bar X-\mu}{S/\sqrt n}\sim t(n-1).
12 Zentraler Grenzwertsatz
Zentraler Grenzwertsatz (ZGWS)
X_1,\dots,X_n unabhängig, identisch verteilt mit E(X_i)=\mu, \operatorname{Var}(X_i)=\sigma^2\lt\infty. Für großes n gilt näherungsweise (Faustregel n\gt 30):
Gesetz der großen Zahlen: \bar X konvergiert für n\to\infty gegen \mu.
Normalapproximation der Binomialverteilung (de Moivre-Laplace)
Für np(1-p)\gt 9 (Faustregel; andere Bücher: np\ge 5 und n(1-p)\ge 5) mit Stetigkeitskorrektur:
Poisson: \mathrm{Po}(\lambda)\approx N(\lambda;\lambda) für \lambda\gt 9.
13 Schätzen
Punktschätzer und Gütekriterien
- Erwartungstreue: E(\hat\theta)=\theta. \bar X, S^2, \hat p sind erwartungstreu; die 1/n-Varianz hat E(\tilde S^2)=\frac{n-1}{n}\sigma^2 (verzerrt, aber asymptotisch erwartungstreu).
- MSE =E\bigl[(\hat\theta-\theta)^2\bigr]=\operatorname{Var}(\hat\theta)+\bigl(E(\hat\theta)-\theta\bigr)^2 (Varianz + Bias²).
- Konsistenz: \hat\theta konvergiert für n\to\infty gegen \theta. Effizienz: kleinste Varianz unter den erwartungstreuen Schätzern.
- Standardfehler des Mittelwerts: \sigma_{\bar X}=\sigma/\sqrt n, geschätzt S/\sqrt n.
Konfidenzintervalle zum Niveau 1 − α
Angegeben sind die Intervallgrenzen (untere Grenze mit −, obere mit +).
μ, σ bekannt (Normalverteilung oder n\gt 30):
μ, σ unbekannt, Normalverteilung (s mit 1/(n-1)):
Bei n\gt 30 und beliebiger Verteilung näherungsweise mit z_{1-\alpha/2} statt t_{n-1;1-\alpha/2}.
Anteilswert p (Faustregel n\hat p(1-\hat p)\gt 9):
Varianz σ², Normalverteilung: \Bigl[\dfrac{(n-1)s^2}{\chi^2_{n-1;1-\alpha/2}};\ \dfrac{(n-1)s^2}{\chi^2_{n-1;\alpha/2}}\Bigr].
Gängige Quantile: z_{0{,}95}=1{,}645, z_{0{,}975}=1{,}960, z_{0{,}995}=2{,}576.
Notwendiger Stichprobenumfang
Für eine halbe Intervallbreite (Genauigkeit) von höchstens e:
Links für \mu, rechts für einen Anteil. Ist p unbekannt, den ungünstigsten Fall p=0{,}5 einsetzen: n\ge z_{1-\alpha/2}^2/(4e^2).
Aufrunden auf die nächste ganze Zahl. Ziehen ohne Zurücklegen mit n/N\gt 0{,}05: Standardfehler mit dem Korrekturfaktor \sqrt{\frac{N-n}{N-1}} multiplizieren.
14 Testen
Hypothesen und Fehlerarten
Zweiseitig: H_0:\mu=\mu_0 gegen H_1:\mu\ne\mu_0. Rechtsseitig: H_0:\mu\le\mu_0 gegen H_1:\mu\gt\mu_0. Linksseitig: H_0:\mu\ge\mu_0 gegen H_1:\mu\lt\mu_0. Die zu belegende Aussage gehört in H_1.
| Entscheidung | H_0 wahr | H_1 wahr |
|---|---|---|
| H_0 nicht ablehnen | richtig (1-\alpha) | Fehler 2. Art (\beta) |
| H_0 ablehnen | Fehler 1. Art (\le\alpha) | richtig (Güte, Power 1-\beta) |
\alpha = Signifikanzniveau (Höchstwahrscheinlichkeit für den Fehler 1. Art). Bei festem n sinkt \beta, wenn \alpha steigt, und umgekehrt.
Gauß-Test, t-Test, Anteilstest (eine Stichprobe)
| Test | Teststatistik | Verteilung unter H_0 |
|---|---|---|
| Gauß-Test (σ bekannt) | Z=\dfrac{\bar X-\mu_0}{\sigma/\sqrt n} | N(0;1) |
| t-Test (σ unbekannt, Normalvert.) | T=\dfrac{\bar X-\mu_0}{S/\sqrt n} | t(n-1) |
| Anteilstest (np_0(1-p_0)\gt 9) | Z=\dfrac{\hat p-p_0}{\sqrt{p_0(1-p_0)/n}} | \approx N(0;1) |
Entscheidungsregel (Ablehnung von H_0; beim t-Test t_{n-1;\cdot} statt z_{\cdot}):
| H_1 | Ablehnbereich | p-Wert (Gauß-Test) |
|---|---|---|
| \mu\ne\mu_0 | \lvert z\rvert\gt z_{1-\alpha/2} | 2\bigl(1-\Phi(\lvert z\rvert)\bigr) |
| \mu\gt\mu_0 | z\gt z_{1-\alpha} | 1-\Phi(z) |
| \mu\lt\mu_0 | z\lt -z_{1-\alpha} | \Phi(z) |
Hinweis: Beim Anteilstest steht im Nenner p_0 (Wert unter H_0), beim Konfidenzintervall dagegen \hat p. Bei großem n (n\gt 30) darf der t-Test auch ohne Normalverteilungsannahme mit z-Quantilen näherungsweise durchgeführt werden.
χ²-Unabhängigkeitstest
H_0: X und Y sind unabhängig. Teststatistik aus der k\times l-Kontingenztabelle mit \tilde h_{ij}=h_{i\cdot}h_{\cdot j}/n:
Voraussetzung (Faustregel): alle \tilde h_{ij}\ge 5, sonst Klassen zusammenlegen.
p-Wert und allgemeines Vorgehen
- Hypothesen H_0, H_1 und Niveau \alpha festlegen.
- Teststatistik und ihre Verteilung unter H_0 bestimmen.
- Ablehnbereich aus den Quantilen ermitteln (oder p-Wert berechnen).
- Prüfgröße aus den Daten berechnen und entscheiden.
p-Wert: Wahrscheinlichkeit, unter H_0 einen mindestens so extremen Wert der Teststatistik (in Richtung H_1) zu beobachten wie den tatsächlich beobachteten. Entscheidung: H_0 ablehnen, wenn p\text{-Wert}\le\alpha. Nicht-Ablehnung ist kein Beweis für H_0.