Mathematik · Klasse 10 · Stochastik: Bedingte Wahrscheinlichkeiten und Datenanalyse · 2. Halbjahr

Hypothesentests (Einführung)

Die Schülerinnen und Schüler führen einfache Hypothesentests durch, um Aussagen über Grundgesamtheiten zu überprüfen und interpretieren Signifikanz.

Über dieses Thema

Hypothesentests bilden die Einführung in die statistische Inferenz. Schülerinnen und Schüler lernen, Nullhypothese und Alternativhypothese aufzustellen, eine Teststatistik zu berechnen und den p-Wert zu interpretieren, um Aussagen über eine Grundgesamtheit aus einer Stichprobe zu prüfen. Am Beispiel eines Münzwurfs testen sie, ob die Münze fair ist: Erwartungswert 0,5 pro Seite. Sie verstehen, dass ein p-Wert unter 0,05 oft als signifikant gilt, und diskutieren Grenzen dieser Konvention.

Im Stochastik-Kontext der Klasse 10 verbindet das Thema bedingte Wahrscheinlichkeiten mit Datenanalyse. Schüler bewerten Risiken von Fehlern erster Art (falsch positiv: Ablehnung wahrer Nullhypothese) und zweiter Art (falsch negativ: Nicht-Ablehnung falscher Nullhypothese). Dies stärkt Kompetenzen in Modellierung und Abstraktion, wie in den KMK-Standards gefordert, und bereitet auf reale Anwendungen in Umfragen oder Qualitätskontrolle vor.

Aktives Lernen profitiert dieses Thema besonders, weil Simulationen wie wiederholte Münzwürfe die Rolle des Zufalls greifbar machen. Gruppenexperimente fördern Diskussionen über Variabilität und Signifikanz, wodurch abstrakte Konzepte konkret werden und Fehlinterpretationen abgebaut werden.

Leitfragen

1. Wie kann man statistisch überprüfen, ob eine Münze fair ist?
2. Was bedeutet es, wenn ein Ergebnis statistisch signifikant ist?
3. Bewerten Sie die Risiken von Fehlern erster und zweiter Art bei Hypothesentests.

Lernziele

• Formulieren Sie eine Nullhypothese und eine Alternativhypothese für gegebene statistische Fragestellungen.
• Berechnen Sie die Teststatistik für einen einfachen Hypothesentest anhand von Stichprobendaten.
• Interpretieren Sie den p-Wert im Kontext eines Hypothesentests und entscheiden Sie über die Ablehnung der Nullhypothese.
• Erklären Sie die Bedeutung von Fehlern erster und zweiter Art und bewerten Sie deren Risiken in spezifischen Szenarien.

Bevor es losgeht

Wahrscheinlichkeitsrechnung (Grundlagen)

Warum: Schüler müssen grundlegende Wahrscheinlichkeitsbegriffe und die Berechnung von Wahrscheinlichkeiten verstehen, um Hypothesentests nachvollziehen zu können.

Binomialverteilung

Warum: Die Binomialverteilung ist oft die Grundlage für die Berechnung von Wahrscheinlichkeiten im Rahmen von Hypothesentests, insbesondere bei Stichproben.

Schlüsselvokabular

Nullhypothese (H0)	Eine statistische Annahme über eine Grundgesamtheit, die im Test widerlegt werden soll. Sie beschreibt oft den Status quo oder keinen Unterschied.
Alternativhypothese (H1)	Eine statistische Annahme, die das Gegenteil der Nullhypothese behauptet. Sie wird angenommen, wenn die Nullhypothese verworfen wird.
Teststatistik	Ein aus Stichprobendaten berechneter Wert, der zur Entscheidung über die Nullhypothese verwendet wird. Er quantifiziert, wie weit die Stichprobe vom erwarteten Wert unter H0 abweicht.
p-Wert	Die Wahrscheinlichkeit, ein Stichprobenergebnis zu beobachten, das mindestens so extrem ist wie das tatsächlich beobachtete, unter der Annahme, dass die Nullhypothese wahr ist.
Signifikanzniveau (α)	Die Wahrscheinlichkeit, die Nullhypothese fälschlicherweise abzulehnen, obwohl sie wahr ist (Fehler 1. Art). Ein üblicher Wert ist 0,05.

Vorsicht vor diesen Fehlvorstellungen

Häufige Fehlvorstellung

Ein kleiner p-Wert bedeutet, die Nullhypothese ist mit hoher Sicherheit falsch.

Was Sie stattdessen lehren sollten

Der p-Wert gibt die Wahrscheinlichkeit extremen Daten unter der Nullhypothese an, nicht die Posteriorwahrscheinlichkeit der Hypothese. Aktive Simulationen mit vielen Münzwurf-Durchläufen zeigen Schüler die Variabilität und helfen, diesen Unterschied durch wiederholte Tests zu erleben.

Häufige Fehlvorstellung

Signifikanz schließt Fehler zweiter Art aus.

Was Sie stattdessen lehren sollten

Ein signifikanter Test minimiert nur Fehler erster Art bei festem Alpha; Beta hängt von Stichprobengröße ab. Gruppenexperimente mit variierenden Stichprobengrößen machen diese Abhängigkeit sichtbar und fördern Diskussionen über Power.

Häufige Fehlvorstellung

Hypothesentests beweisen die Alternativhypothese.

Was Sie stattdessen lehren sollten

Tests prüfen nur die Nullhypothese; keine Bestätigung der Alternative. Rollenspiele zu realen Szenarien helfen Schülern, diese Asymmetrie zu verstehen und multiple Hypothesen zu diskutieren.

Ideen für aktives Lernen

Gruppenexperiment: Münzwurf-Hypothesentest

Teilen Sie die Klasse in Gruppen ein. Jede Gruppe wirft eine Münze 100 Mal, zählt Köpfe und berechnet den Binomialtest mit p=0,5. Gruppen vergleichen p-Werte und diskutieren Signifikanz. Abschluss: Klassenplakat mit Ergebnissen.

45 Min.·Kleingruppen

Planspiel: Würfel-Fairness-Test

Schüler testen in Paaren einen Würfel auf Fairness (H1: Seite 6 häufiger). 50 Würfe pro Person, Teststatistik berechnen. Paare tauschen Daten und interpretieren gemeinsam.

30 Min.·Partnerarbeit

Datenanalyse: Klassenstichprobe

Nehmen Sie Klassenalter als Stichprobe. Hypothese: Mittelwert 16 Jahre. Berechnen Sie t-Test mit Taschenrechner. Whole-Class-Diskussion zu Fehlern erster und zweiter Art.

50 Min.·Ganze Klasse

Fehler-Risiko-Rollenspiel

Gruppen ziehen Lose für Szenarien (Fehler 1/2 Art). Diskutieren Konsequenzen in Medizin oder Justiz. Erstellen Infografik zu Alpha und Beta.

35 Min.·Kleingruppen

Bezüge zur Lebenswelt

• In der pharmazeutischen Industrie wird die Wirksamkeit eines neuen Medikaments durch Hypothesentests überprüft. Ein Medikament wird nur zugelassen, wenn statistisch signifikant nachgewiesen ist, dass es besser wirkt als ein Placebo oder ein bestehendes Medikament.
• Qualitätskontrolleure in einer Chipfabrik verwenden Hypothesentests, um zu entscheiden, ob eine Produktionscharge fehlerhaft ist. Sie testen, ob der Anteil defekter Chips einen bestimmten Grenzwert überschreitet, um Ausschuss zu vermeiden.

Ideen zur Lernstandserhebung

Lernstandskontrolle

Geben Sie jeder Schülerin und jedem Schüler eine Karte mit einer kurzen Beschreibung eines Szenarios (z.B. 'Eine neue Düngersorte soll die Ernteerträge steigern'). Bitten Sie sie, eine passende Nullhypothese und Alternativhypothese zu formulieren und zu erklären, was ein p-Wert von 0,03 in diesem Kontext bedeuten würde.

Kurze Überprüfung

Stellen Sie eine Tabelle mit Stichprobenergebnissen (z.B. Anzahl Kopf bei 100 Münzwürfen) und den berechneten p-Wert bereit. Fragen Sie die Schüler: 'Sollte die Nullhypothese (Münze ist fair) bei einem Signifikanzniveau von 5% abgelehnt werden? Begründen Sie Ihre Antwort anhand des p-Wertes.'

Diskussionsfrage

Erklären Sie die Risiken eines Fehlers 1. Art (z.B. fälschliche Annahme eines Medikaments als wirksam) und eines Fehlers 2. Art (z.B. fälschliche Ablehnung eines wirksamen Medikaments). Lassen Sie die Schüler in Kleingruppen diskutieren, welcher Fehler in einem spezifischen Anwendungsfall (z.B. Sicherheitsprüfung eines Flugzeugbauteils) gravierender wäre und warum.

Häufig gestellte Fragen

Wie führt man einen einfachen Hypothesentest für eine Münze durch?

Stellen Sie Nullhypothese H0: p=0,5 auf. Werfen Sie 100 Mal, zählen Sie Köpfe k. Berechnen Sie Teststatistik z=(k-50)/√(100*0,5*0,5). Schlagen Sie p-Wert aus Tabelle oder Rechner nach. Bei p<0,05 lehnen Sie H0 ab. Diskutieren Sie mit der Klasse, warum 100 Würfe sinnvoll sind und Zufallsschwankungen eine Rolle spielen. Das baut Verständnis für Stichprobenfehler auf.

Was bedeutet statistische Signifikanz genau?

Signifikanz heißt, dass die Daten unter H0 unwahrscheinlich sind (p<Alpha, z.B. 0,05). Es zeigt, dass die Stichprobe gegen H0 spricht, berücksichtigt aber nicht die Wahrscheinlichkeit, dass H0 falsch ist. Schüler lernen das durch Vergleich mehrerer Simulationen, wo signifikante Ergebnisse bei fairer Münze vorkommen können. Das vermeidet Überinterpretation.

Wie hilft aktives Lernen bei Hypothesentests?

Aktive Methoden wie Münzwurf-Experimente in Gruppen machen Zufall und Variabilität erlebbar. Schüler führen Tests selbst durch, interpretieren p-Werte kollektiv und diskutieren Fehlerarten. Das verbindet Theorie mit Praxis, reduziert abstrakte Ängste und fördert tiefes Verständnis von Signifikanz. Whole-Class-Datenpools zeigen Muster, die einzelne Beobachtungen übersteigen.

Was sind Fehler erster und zweiter Art?

Fehler erster Art (Alpha): Falsche Ablehnung wahrer H0, Risiko 5% bei Alpha=0,05. Fehler zweiter Art (Beta): Falsche Beibehaltung falscher H0. Power=1-Beta steigt mit Stichprobengröße. Schüler erkunden das durch Simulationen mit bekannten Verzerrungen, z.B. unfairer Münze, und balancieren Risiken in Debatten.