{"ok": true, "text": "Ein Hypothesentest ist wie die Frage, ob mein Lieferdienst wirklich in 30 Minuten da ist – nur dass wir es diesmal sauber nachweisen statt rumzumeckern. 😄 An der Tafel gehen wir die fünf Schritte am Gauß-Test durch.\n\n```tafel Hypothesentest: Gauß-Test in fünf Schritten\n<h3 data-say=\"Ein Hypothesentest entscheidet anhand einer Stichprobe, ob eine Behauptung verworfen werden kann.\">Hypothesentest – die Idee</h3>\n<p data-say=\"Wir nehmen an, die Behauptung stimmt, und prüfen, wie unwahrscheinlich unser Ergebnis dann wäre.\">Annahme: \\( H_0 \\) stimmt. Ist das Stichprobenergebnis unter dieser Annahme sehr unwahrscheinlich, lehnen wir \\( H_0 \\) ab.</p>\n<div class=\"vs\" data-say=\"Was du nachweisen willst, gehört immer in H eins.\">\n<div><b>Nullhypothese \\( H_0 \\)</b><br>Status quo, Behauptung<br>enthält immer das Gleichheitszeichen</div>\n<div><b>Alternativhypothese \\( H_1 \\)</b><br>das, was du nachweisen willst<br>kann statistisch gesichert werden</div>\n</div>\n<table data-say=\"Ob du links, rechts oder zweiseitig testest, steht in der Aufgabe: höchstens, mindestens oder weicht ab.\">\n<tr><th>Test</th><th>Hypothesen</th><th>H0 ablehnen, wenn (α = 5 %)</th></tr>\n<tr><td>rechtsseitig</td><td>\\( H_0: \\mu \\le \\mu_0 \\)</td><td>\\( z > 1{,}645 \\)</td></tr>\n<tr><td>linksseitig</td><td>\\( H_0: \\mu \\ge \\mu_0 \\)</td><td>\\( z < -1{,}645 \\)</td></tr>\n<tr><td>zweiseitig</td><td>\\( H_0: \\mu = \\mu_0 \\)</td><td>\\( |z| > 1{,}96 \\)</td></tr>\n</table>\n<div class=\"example\" data-say=\"Ein Lieferdienst verspricht höchstens 30 Minuten. Ein Restaurant misst 49 Lieferungen nach.\">Beispiel: Lieferdienst verspricht im Schnitt höchstens 30 Minuten. Stichprobe: n = 49 Lieferungen, \\( \\bar{x} = 32{,}1 \\) Minuten, bekanntes σ = 6 Minuten, α = 5 %.</div>\n<p data-say=\"Der Gauß-Test setzt unabhängige, repräsentative Beobachtungen voraus. Bei bekanntem Sigma gilt er exakt für normalverteilte Beobachtungen und näherungsweise bei geeignet großer Stichprobe.\">Voraussetzungen: unabhängige, repräsentative Beobachtungen; bei bekanntem σ gilt der Gauß-Test exakt für normalverteilte Beobachtungen und bei geeigneter großer Stichprobe (hier n = 49) näherungsweise.</p>\n<div class=\"step\" data-say=\"Das Restaurant will zeigen, dass es länger dauert. Also rechtsseitiger Test.\">\n<b>Schritt 1 – Hypothesen</b>\n<div class=\"calc\">\\( H_0: \\mu \\le 30 \\qquad H_1: \\mu > 30 \\)</div>\n</div>\n<div class=\"step\" data-say=\"Das Signifikanzniveau wird vorher festgelegt.\">\n<b>Schritt 2 – Signifikanzniveau</b>\n<div class=\"calc\">\\( \\alpha = 0{,}05 \\)</div>\n</div>\n<div class=\"step\" data-say=\"Im Nenner steht der Standardfehler, also Sigma geteilt durch Wurzel n.\">\n<b>Schritt 3 – Teststatistik</b>\n<div class=\"calc\">\\( \\frac{\\sigma}{\\sqrt{n}} = \\frac{6}{\\sqrt{49}} = \\frac{6}{7} \\approx 0{,}857 \\)</div>\n<div class=\"calc\">\\( z = \\frac{\\bar{x} - \\mu_0}{\\sigma / \\sqrt{n}} = \\frac{32{,}1 - 30}{6 / 7} = 2{,}45 \\)</div>\n</div>\n<div class=\"step\" data-say=\"Einseitig bei fünf Prozent liegt der kritische Wert bei eins Komma sechs vier fünf.\">\n<b>Schritt 4 – Kritischer Wert</b>\n<div class=\"calc\">\\( z_{0{,}95} = 1{,}645 \\Rightarrow \\) Ablehnungsbereich \\( z > 1{,}645 \\)</div>\n</div>\n<div class=\"step\" data-say=\"Die Teststatistik liegt im Ablehnungsbereich. Der p-Wert bestätigt das.\">\n<b>Schritt 5 – Entscheidung</b>\n<div class=\"calc\">\\( 2{,}45 > 1{,}645 \\Rightarrow H_0 \\) ablehnen</div>\n<div class=\"calc\">\\( p = P(Z > 2{,}45) \\approx 0{,}0071 < 0{,}05 \\)</div>\n</div>\n<div class=\"result\" data-say=\"Auf dem Fünf-Prozent-Niveau ist gesichert, dass die Lieferzeit über dreißig Minuten liegt.\">H0 wird abgelehnt: Die durchschnittliche Lieferzeit liegt signifikant über 30 Minuten (sogar bei α = 1 %, denn 2,45 > 2,326).</div>\n<p data-say=\"Der p-Wert sagt: Läge der Lieferdienst genau am Versprechen von dreißig Minuten, käme so ein Ergebnis nur in null Komma sieben Prozent der Fälle vor, bei kürzerer Lieferzeit noch seltener.\">Interpretation des p-Werts: Am Rand der Nullhypothese, μ = 30, tritt ein Stichprobenmittel von 32,1 Minuten oder mehr nur mit etwa 0,71 % Wahrscheinlichkeit auf; für μ &lt; 30 ist sie kleiner. Das ist nicht die Wahrscheinlichkeit, dass H0 stimmt.</p>\n<p data-say=\"Ist Sigma unbekannt, nimmst du s und die t-Verteilung. Hier ändert sich am Ergebnis nichts.\">Ohne bekanntes σ: t-Test mit s = 6 und 48 Freiheitsgraden, kritischer Wert \\( t_{48;\\,0{,}95} \\approx 1{,}677 \\). Auch dann gilt \\( 2{,}45 > 1{,}677 \\), H0 wird abgelehnt.</p>\n<table data-say=\"Jede Entscheidung kann falsch sein. Der Fehler erster Art hat höchstens die Wahrscheinlichkeit Alpha.\">\n<tr><th>Entscheidung</th><th>H0 wahr</th><th>H0 falsch</th></tr>\n<tr><td>H0 ablehnen</td><td>Fehler 1. Art (α)</td><td>richtig</td></tr>\n<tr><td>H0 nicht ablehnen</td><td>richtig</td><td>Fehler 2. Art (β)</td></tr>\n</table>\n<p data-say=\"Senkst du Alpha, steigt Beta typischerweise. Mehr aussagekräftige Daten senken bei gleichem Alpha das Beta.\">Fehler 1. Art hier: dem Lieferdienst Wortbruch vorwerfen, obwohl er pünktlich ist. Fehler 2. Art: zu lange Lieferzeiten übersehen. Bei sonst gleichen Bedingungen erhöht ein kleineres α typischerweise β; mehr informative Beobachtungen senken bei gleichem α das Fehlerrisiko β und können kleinere Werte beider Fehlerrisiken ermöglichen.</p>\n<div class=\"warn\" data-say=\"Mit nur neun Lieferungen wäre dieselbe Abweichung nicht signifikant gewesen.\">Typische Falle: Mit n = 9 wäre \\( z = \\frac{2{,}1}{6/3} = 1{,}05 < 1{,}645 \\) – H0 könnte nicht abgelehnt werden. Das heißt aber nicht „H0 ist bewiesen“, sondern nur: Die Stichprobe reicht nicht als Beleg.</div>\n```\n\nKontrollfrage: Ein Test liefert p = 0,03. Lehnst du H0 bei α = 5 % ab, bei α = 1 % auch – und ist H0 dann mit 3 % Wahrscheinlichkeit wahr?", "data": null, "stop": "end_turn", "model": "claude-sonnet-5-5", "tools": [], "quota": {"used": 1, "limit": 150, "left": 149, "pro": false}}