Zentraler Grenzwertsatz und die Anwendung parametrischer und nichtparametrischer Statistik: Normalität der Daten und große Stichproben

Da in realen Studien selten ideale Normalität vorliegt, bildet der ZGS die Grundlage für zuverlässige statistische Schlussfolgerungen, insbesondere bei großen Stichproben. In Situationen mit kleinen Stichproben oder stark verzerrten Verteilungen werden hingegen nichtparametrische Verfahren eingesetzt.

2. Was ist der zentrale Grenzwertsatz?

Der zentrale Grenzwertsatz besagt, dass mit zunehmender Stichprobengröße die Stichprobenverteilung des Mittelwerts annähernd normalverteilt ist – unabhängig davon, wie die Grundgesamtheit tatsächlich verteilt ist (Field, 2013; Howell, 2012).
Das bedeutet: Die Rohdaten müssen nicht normalverteilt sein, damit sich die Mittelwerte statistisch wie Normalverteilungen verhalten.

Dies ist entscheidend, da parametrische Tests (z. B. t-Test, ANOVA, Pearson-Korrelation) Normalität der Stichprobenstatistiken, nicht unbedingt der Rohdaten, voraussetzen.

3. Wie groß muss eine „ausreichend große“ Stichprobe sein?

Die Literatur bietet mehrere Richtwerte:

• n > 30 – Die Stichprobenverteilung des Mittelwerts wird annähernd normal (Tabachnick & Fidell, 2013).
• n ≥ 100 – Abweichungen von der Normalität werden weniger problematisch (Howitt & Cramer, 2017).
• n ≥ 200 – Parametrische Tests bleiben selbst bei stärkeren Verletzungen der Normalität zuverlässig (Kim & Feldt, 2008).

Fazit:
In der Praxis ermöglichen Stichproben über n = 200 eine sehr sichere Anwendung parametrischer Tests aufgrund der stabilen Wirkung des zentralen Grenzwertsatzes.

4. Welche Datentypen können in parametrischer Statistik verwendet werden?

1) Intervall- und Verhältnis-Skalen – ideal

Beispiele: Alter, Körpergröße, Gewicht, Reaktionszeit, Summenscores.

2) Likert-Skalen (5 oder mehr Kategorien)

Obwohl ordinal, verhalten sie sich bei großen Stichproben wie intervallskalierte Daten.
Dank dem ZGS sind die Mittelwerte normalverteilt → parametrische Tests sind geeignet.

3) Dichotome Daten (0/1, Ja/Nein)

In Regressionsmodellen und als Kontrollvariablen gut einsetzbar.

4) Nominale Kategorien

Einsetzbar über:

• Dummy-Kodierung,
• ANOVA (mit ausreichender Gruppengröße),
• Regressionsmodelle.

5) Wann nichtparametrische Tests?

Nichtparametrische Verfahren (Mann-Whitney U, Kruskal-Wallis, Spearman) werden empfohlen, wenn:

• n < 30,
• starke Schiefe vorliegt,
• extreme Ausreißer vorkommen,
• die Skala sehr wenige Kategorien hat (z. B. 2–3),
• Varianzen stark ungleich sind.

5. Beispiel aus der Praxis

Analyse der durchschnittlichen Reaktionszeit im Kundensupport

Ein Unternehmen möchte die durchschnittliche Antwortzeit des Kundensupports schätzen. Reaktionszeiten sind oft rechtsschief verteilt – einige sehr lange Wartezeiten erzeugen einen langen „Schwanz“ der Verteilung.

Das Unternehmen erhält täglich ca. 5.000 Anfragen.

Vorgehen:

1. Tägliche Zufallsstichprobe von n = 250 Supportfällen.
2. Berechnung des durchschnittlichen Antwortzeit pro Stichprobe.
3. Wiederholung über 60 Tage.
4. Obwohl Einzelwerte stark schief sind, sind die Stichprobenmittelwerte (n = 250) nahezu normalverteilt.
5. Das Unternehmen kann nun parametrische Methoden wie t-Tests, ANOVAs und Konfidenzintervalle anwenden.

Schlussfolgerung:
Große Stichproben und der ZGS ermöglichen eine zuverlässige parametrische Analyse trotz schiefer Ausgangsdaten.

6. Schlussfolgerung

Der zentrale Grenzwertsatz ermöglicht die breite Anwendung parametrischer Verfahren selbst bei deutlich nicht-normalverteilten Daten. Stichproben größer als n = 200 gewährleisten hohe Robustheit, während Werte über n = 30 bereits gute Approximationen liefern.

Parametrische Analysen sind möglich mit:

• intervall- und verhältnisskalierten Daten,
• Likert-Skalen,
• dichotomen Variablen,
• nominalen Kategorien (über Kodierung).

Nichtparametrische Verfahren sind sinnvoll bei kleinen Stichproben oder massiven Abweichungen von Verteilungsannahmen.

Link pdf: https://www.StatistischeBeratung.de/images/services/Central_Limit_Theorem-Parametric_Nonparametric_Statistics-Data_Normality-Large_Sample.pdf   

https://www.StatistischeBeratung.de/images/services/www_Statistika_hr_Centralni_granicni_teorem_i_primjena_parametrijske_i_neparametrijske_statistike.pdf 

Literatura

Field, A. P. (2013). Discovering statistics using IBM SPSS Statistics (4th ed.). Sage.

Gravetter, F. J., & Wallnau, L. B. (2014). Essentials of statistics for the behavioral sciences (8th ed.). Cengage Learning.

Howell, D. C. (2012). Statistical methods for psychology (8th ed.). Cengage Learning.

Howitt, D., & Cramer, D. (2017). Introduction to statistics in psychology (7th ed.). Pearson.

Khamis, H., & El-Sayed, A. (1999). On large sample tests for the normality of data. Journal of Modern Applied Statistical Methods, 4(1), 48–57.

Kim, J. O., & Feldt, L. S. (2008). Statistical procedures for classification and grading of items in educational measurement and evaluation. Educational and Psychological Measurement, 68(5), 829–844. https://doi.org/10.1177/0013164407313751

Opić, S. (2011). Centralni granični teorem i njegova uloga u inferencijalnoj statistici. Školski vjesnik, 60(2), 181–198.

Stevens, J. (2009). Applied multivariate statistics for the social sciences (5th ed.). Routledge.

Statistička konzultacija Leonardo Miljko. (2025). Određivanje potrebnog uzorka. Preuzeto s  https://statistischeberatung.de/hr/04-forschungsmethoden-hr/02-11-01-12-hr-odredivanje-potrebne-velicine-uzorka-2  

Tabachnick, B. G., & Fidell, L. S. (2013). Using multivariate statistics (6th ed.). Pearson.

Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.

Wilcox, R. R. (2017). Introduction to robust estimation and hypothesis testing (4th ed.). Academic Press.

Keywords

zentraler Grenzwertsatz, parametrische Statistik, nichtparametrische Statistik, Normalverteilung, große Stichproben, Likert-Skalen, Stichprobenverteilung, Anwendung statistischer Tests

Metatext

Ein umfassender Artikel über den zentralen Grenzwertsatz, Normalität der Daten und den Einsatz parametrischer und nichtparametrischer Tests. Erklärt Anforderungen an Datentypen, relevante Stichprobengrößen und praktische Beispiele aus der Statistik.