Normalitätstest

Was ist ein Normalitätstest?

Viele statistische Verfahren — darunter Regelkarten, Fähigkeitsindizes (Cpk/Ppk), t-Tests und die ANOVA — setzen voraus, dass die zugrunde liegenden Daten einer Normalverteilung (Gauß-Verteilung) folgen. Die Prüfung auf Normalverteilung bestätigt diese Annahme, bevor solche Verfahren angewendet werden. Eine verletzte Normalitätsannahme kann zu falschen Konfidenzintervallen, Fähigkeitskennwerten und Testentscheidungen führen.

Der Shapiro-Wilk-Test ist der trennschärfste Test auf Normalverteilung bei kleinen bis mittleren Stichproben (n < 5000). Der Anderson-Darling-Test reagiert empfindlich auf Abweichungen in den Verteilungsenden und eignet sich daher für Zuverlässigkeits- und Extremwertanwendungen. Der Jarque-Bera-Test untersucht Schiefe und Wölbung und arbeitet bei größeren Stichproben gut.

Alle Tests haben dieselbe Hypothesenstruktur: H₀ (Nullhypothese) = die Daten sind normalverteilt; H₁ = die Daten sind nicht normalverteilt. Ist der p-Wert < α (typischerweise 0.05), wird die Normalverteilung verworfen. Das QQ-Diagramm liefert die visuelle Bestätigung: Punkte, die auf der Diagonalen liegen, sprechen für Normalverteilung; systematische Abweichungen zeigen, welcher Art die Abweichung von der Normalverteilung ist.

Formula: Shapiro-Wilk: W = (Σ aᵢ x(ᵢ))² / Σ(xᵢ - x̄)² Anderson-Darling: A² = -n - Σ[(2i-1)/n](ln F(x(ᵢ)) + ln(1-F(x(n+1-i)))) reported as A*² = A²(1 + 0.75/n + 2.25/n²) Jarque-Bera: JB = (n/6)(S² + K²/4) where S = skewness, K = excess kurtosis Reject normality if p-value < α (typically 0.05)

Berechnungsbeispiel

20 Messwerte geprüft: Shapiro-Wilk W = 0.965, p = 0.42; Anderson-Darling A² = 0.31, p = 0.52; Jarque-Bera JB = 1.2, p = 0.55. Alle p-Werte > 0.05 — die Normalverteilung wird nicht verworfen. Das QQ-Diagramm zeigt Punkte, die der Diagonalen eng folgen. Die Daten dürfen als normalverteilt behandelt werden.

Wann diesen Rechner verwenden

• Vor der Berechnung von Cpk oder Ppk — Prozessfähigkeitsindizes setzen Normalverteilung voraus; nicht-normale Daten erfordern Transformation oder alternative Methoden
• Vor der Durchführung von t-Tests oder ANOVA — diese parametrischen Tests setzen normalverteilte Residuen voraus; Verletzungen beeinflussen die Genauigkeit der Konfidenzintervalle
• Bei der Einrichtung von SPC-Regelkarten — Standard-Kontrollgrenzen setzen Normalität voraus; signifikant nicht-normale Daten benötigen andere Kartentypen
• Bei Wareneingangsprüfung wenn die Daten ungewöhnlich aussehen — Normalitätstests helfen festzustellen, ob sich die Verteilung verschoben hat oder ein anderes Verteilungsmodell benötigt wird
• Bei der Datenaufbereitung für Regressionsanalyse — die Normalitätsprüfung der Residuen validiert die Annahmen des Regressionsmodells

Häufige Fehler vermeiden

• Normalität bei sehr großen Stichproben allein aufgrund des p-Werts ablehnen — bei n > 500 erkennen Tests trivial kleine Abweichungen von der Normalität ohne praktische Auswirkung; immer QQ-Plot zur visuellen Beurteilung verwenden
• Normalität bei kleiner Stichprobe (n < 20) ohne Prüfung akzeptieren — Tests haben bei kleinen Stichproben geringe Trennschärfe und können bedeutsame Abweichungen von der Normalität nicht erkennen
• Normalitätstests auf ganzzahlige oder stark gerundete Daten anwenden — diskrete Daten oder Daten mit wenigen eindeutigen Werten können Normalitätstests nicht bestehen, selbst wenn der zugrunde liegende Prozess normal ist; sicherstellen dass die Messauflösung ausreichend ist
• Rohdaten testen wenn Residuen getestet werden sollten — bei Regression und ANOVA müssen die Residuen (nicht die Rohdaten) normalverteilt sein

Ergebnisse interpretieren

• Alle Tests zeigen p > 0,05 und QQ-Plot ist linear — Daten sind konsistent mit Normalverteilung; mit parametrischen Methoden und Standard-Fähigkeitsanalyse fortfahren
• Tests zeigen p < 0,05 aber QQ-Plot sieht annähernd linear aus — bei großen Stichproben können geringe Abweichungen signifikante p-Werte erzeugen; wenn der QQ-Plot nahezu linear ist, reicht Normalität für die meisten praktischen Zwecke
• QQ-Plot zeigt S-förmige Kurve — Daten haben schwerere Ränder als die Normalverteilung (leptokurtisch); t-Verteilung oder robuste Methoden erwägen
• QQ-Plot zeigt systematische Krümmung (konkav oder konvex) — Daten sind schief; Log- oder Box-Cox-Transformation versuchen
• Verschiedene Tests sind sich uneinig — Shapiro-Wilk ist am zuverlässigsten für allgemeine Verwendung; Anderson-Darling ist am besten wenn Ränder wichtig sind (Zuverlässigkeit); QQ-Plot als visuellen Schiedsrichter verwenden

Zugehörige Normen & Referenzen

• ISO 5479 — Statistische Auswertung von Daten: Tests auf Abweichung von der Normalverteilung; die internationale Norm zur Methodik des Normalitätstests
• Shapiro & Wilk (1965), Biometrika — Die Originalarbeit zur hier implementierten W-Statistik
• NIST/SEMATECH e-Handbook §1.3.5 — Referenzverfahren für den Anderson-Darling-Test und Normal-Wahrscheinlichkeits-(Q-Q-)Plots
• Jarque & Bera (1987), International Statistical Review — Der auf Schiefe und Kurtosis basierende Normalitätstest für größere Stichproben
• AIAG SPC Reference Manual — Verlangt den Nachweis der Normalität, bevor Fähigkeitsindizes wie Cpk und Ppk berechnet werden

Häufig gestellte Fragen

Was soll ich tun, wenn meine Daten den Normalitätstest nicht bestehen?

Es gibt mehrere Möglichkeiten: (1) Die Daten mit einer Logarithmus-, Box-Cox- oder Johnson-Transformation in eine normalverteilte Form überführen. (2) Verteilungsfreie Verfahren verwenden, die keine Normalverteilung voraussetzen (z. B. Mann-Whitney statt t-Test). (3) Eine andere Verteilung anpassen (Weibull, Lognormal usw.), die die Daten besser beschreibt. (4) Bei großen Stichproben (n > 30) sorgt der zentrale Grenzwertsatz häufig dafür, dass Verletzungen der Normalverteilung bei mittelwertbasierten Tests weniger ins Gewicht fallen.

Warum liefern verschiedene Tests auf Normalverteilung unterschiedliche Ergebnisse?

Jeder Test reagiert auf andere Aspekte der Abweichung von der Normalverteilung. Shapiro-Wilk besitzt insgesamt die beste Trennschärfe, um verschiedenartige Abweichungen aufzudecken. Anderson-Darling gewichtet Abweichungen in den Verteilungsenden stärker (wichtig für Zuverlässigkeitsfragen). Jarque-Bera konzentriert sich auf Schiefe und Wölbung. Bei Grenzfällen kann ein Test verwerfen, während die anderen es nicht tun. Nutzen Sie dann das QQ-Diagramm als visuelle Entscheidungshilfe.