Autor: Cindy HeinzemannVeröffentlicht am 15. September 2025Zuletzt aktualisiert am 22. Oktober 2026
Lesezeit: ca. 4 Minuten | Q-Learning Snack
Kurz gesagt: Ob Daten normalverteilt sind, lässt sich mit einem Anpassungstest wie dem Kolmogorov-Smirnov-, Anderson-Darling- oder Shapiro-Wilk-Test prüfen. Liegt der p-Wert des Tests unter dem gewählten Signifikanzniveau (meist 0,05), wird die Annahme der Normalverteilung verworfen. Ergänzend empfiehlt sich ein Blick auf Histogramm oder Wahrscheinlichkeitsnetz.Die Prüfung auf Normalverteilung ist eine wichtige Voraussetzung für die Zuverlässigkeit und Vertrauenswürdigkeit von Ergebnissen statistischer Untersuchungen und die Gültigkeit ihrer Schlussfolgerungen. Normalverteilte Daten vereinfachen nicht nur die Datenauswertung und die Ergebnisinterpretation, sondern ermöglichen auch präzisere Vorhersagebewertungen.Es gibt verschiedene Testverfahren, um zu überprüfen, ob Daten einer Normalverteilung folgen, wobei folgende Hypothesen formuliert werden:➡ Nullhypothese (H₀): Die Daten folgen der Normalverteilung.➡ Alternativhypothese (H₁): Die Daten folgen nicht der Normalverteilung.Eine Auswahl geeigneter Hypothesentests erläutern wir Ihnen gern nachfolgend anhand Anwendungshinweisen und praktischer Beispiele:
Test
Stichprobenumfang n
Bemerkung
Kolmogorov-Smirnov
n < 30
Robust; für diskrete und rangskalierte Daten
Anderson-Darling
n < 30
Empfindlicher als Kolmogorov-Smirnov
Shapiro-Wilk
3 < n < 100
Hohe Teststärke für n < 50; verwendbar bis n = 5.000
Tabelle 1: Testverfahren für normalverteilte Daten im Überblick – Stichprobenumfang und Bemerkungen zu Kolmogorov-Smirnov-, Anderson-Darling- und Shapiro-Wilk-Test. Quelle: Q-Learning
1. Kolmogorov-Smirnov-Test (KS-Test)
Der KS-Test vergleicht die empirische Verteilungsfunktion der Stichprobe mit der theoretischen Verteilung und misst die größte Abweichung.🔸Vorteile: Einfach anzuwenden, kann für verschiedene Verteilungen verwendet werden.🔸Nachteile: Weniger empfindlich bei kleinen Stichproben und Abweichungen in den Randbereichen.🔸Anwendung: Bei großen und mittleren Stichproben, wenn man überprüfen möchte, ob eine Variable einer Normalverteilung folgt.🔸Praktisches Beispiel: Überprüfung, ob die Körpergrößen von Schülern einer Normalverteilung entsprechen.
2. Anderson-Darling-Test (AD-Test)
Der AD-Test berücksichtigt im Vergleich zum KS-Test Abweichungen zwischen empirischer und theoretischer Streuung sowohl im Zentrum als auch an den Rändern der Verteilung.🔸Vorteile: Empfindlicher als der KS-Test, insbesondere bei extremen Werten.🔸Nachteile: Kann bei sehr großen Stichproben zu falschen Ablehnungen (α-Fehler) führen.🔸Anwendung: Besonders geeignet für größere Stichproben und wenn man auch Randbereiche der Verteilung genau prüfen möchte.🔸Praktisches Beispiel: Überprüfung, ob die monatlichen Niederschlagsmengen einer Normalverteilung entsprechen.
3. Shapiro-Wilk-Test (SW-Test)
Der SW-Test prüft, ob eine Stichprobe einer Normalverteilung folgt. Er ist besonders für kleine bis mittlere Stichproben geeignet und sehr präzise in der Normalitätsprüfung.🔸Vorteile: Sehr genau, besonders bei kleinen Stichproben, hohe Teststärke.🔸Nachteile: Bei sehr großen Stichproben kann er empfindlich auf geringfügige Abweichungen reagieren.🔸Anwendung: Häufig verwendet, um in kleinen Datensätzen wie Umfragen oder Laborergebnissen die Normalität zu überprüfen.🔸Praktisches Beispiel: Überprüfung, ob die Noten einer kleinen Schülergruppe einer Normalverteilung folgen.Die Durchführung der Tests ist mithilfe von Statistiksoftware möglich (z.B. SAS, Minitab, SPSS, Stata, Tableau, Matlab,…), die als Ergebnis einen p-Wert (Wahrscheinlichkeitswert) ausgeben. Wenn der p-Wert ≤ 0,05 ist, sind die Daten wahrscheinlich nicht normalverteilt. Ein p-Wert > 0,05 bedeutet, dass die Daten normalverteilt sein könnten.
FAQ: Häufige Fragen zum Prüfen der Normalverteilung
Wie kann man eine Normalverteilung prüfen?
Am zuverlässigsten ist die Kombination aus grafischer Prüfung und Test: Histogramm und Wahrscheinlichkeitsnetz (Q-Q-Plot) zeigen die Form der Verteilung, ein Anpassungstest wie Anderson-Darling, Shapiro-Wilk oder Kolmogorov-Smirnov liefert den p-Wert. Liegt dieser unter dem Signifikanzniveau, meist 0,05, gelten die Daten als nicht normalverteilt.
Welcher Test auf Normalverteilung ist der richtige?
Der Shapiro-Wilk-Test hat bei kleinen bis mittleren Stichproben eine hohe Teststärke. Der Anderson-Darling-Test reagiert besonders empfindlich auf Abweichungen an den Rändern der Verteilung und ist in vielen Statistikprogrammen wie Minitab voreingestellt. Der Kolmogorov-Smirnov-Test ist universell einsetzbar, erkennt Abweichungen aber weniger zuverlässig.
Was sagt der p-Wert beim Test auf Normalverteilung aus?
Der p-Wert gibt an, wie wahrscheinlich eine mindestens so große Abweichung von der Normalverteilung wäre, wenn die Nullhypothese zutrifft. Ist er kleiner als das Signifikanzniveau, wird die Nullhypothese verworfen. Ist er größer, lässt sich keine signifikante Abweichung nachweisen – bewiesen ist die Normalverteilung damit jedoch nicht.
Was tun, wenn die Daten nicht normalverteilt sind?
Zunächst sollten Ursachen wie Ausreißer, Mischverteilungen aus mehreren Prozessen oder Messfehler geprüft werden. Danach kommen eine Datentransformation, etwa nach Box-Cox, oder verteilungsfreie (nichtparametrische) Verfahren infrage. Wie Sie Daten statistisch sicher auswerten, vermittelt Q-Learning in der Weiterbildung zum SIX SIGMA Green Belt – auch gefördert per Bildungsgutschein.
Dank ihrer langjährigen und umfassenden Erfahrung in der Leitung von LEAN- und SIX SIGMA-Projekten sowie im Coaching begleitet Cindy Heinzemann unsere Teilnehmenden zielgerichtet durch die Kurse. Mit ihrem fundierten Fachwissen und ihrer positiven Art versteht sie es, theoretische Inhalte mit praxisnahen Erfahrungsberichten zu verbinden und dadurch den Lernerfolg zu gewährleisten. Als zertifizierte Nachhaltigkeitsmanagerin (TÜV) liegt es ihr sehr am Herzen, die Zukunftsfähigkeit für Neuentwicklungen oder Verbesserungen von Produkten und/oder Prozessen als Selbstverständlichkeit zu berücksichtigen und somit nachhaltige Lösungen zu gewährleisten.
Qualifikationen
SIX SIGMA Master Black Belt | DESIGN FOR SIX SIGMA Black Belt | LEAN Master