nichtnormalverteilte

Nichtnormalverteilte bezeichnet in der Statistik Daten oder Populationen, deren Wahrscheinlichkeitsverteilung der Normalverteilung nicht folgt. Typische Abweichungen umfassen Schiefe (eine asymmetrische Verteilung), abweichende Kurtose (zu starke oder zu geringe Wölbung) oder multimodale Muster (mehrere Gipfel). Normalverteilung ist in vielen statistischen Verfahren eine Grundannahme; wenn die Daten diese Annahme nicht erfüllen, kann die Genauigkeit von Schätzern und Hypothesentests beeinträchtigt sein.

Erkennung: Visuelle Prüfung wie Q-Q-Plots; formale Tests wie Shapiro-Wilk, Kolmogorov-Smirnov, Anderson-Darling; auch Kennzahlen wie hohe Schiefe oder Kurtose deuten darauf hin. Die Tests liefern oft signifikante Ergebnisse bei großen Stichproben auch bei geringen Abweichungen.

Umgang: Falls die Normalverteiltheit eine zentrale Annahme ist, kann man Transformationen (Log-, Quadratwurzel-, Box-Cox) versuchen oder auf nicht-parametrische Verfahren zurückgreifen (Mann-Whitney U, Wilcoxon, Kruskal-Wallis). Alternative Modelle berücksichtigen Verteilungen, die besser zu den Daten passen, wie Lognormal-, Gamma-, Exponential- oder t-Verteilungen, oder robuste Statistiken (Median, robuste Mittelwerte). Bootstrapping bietet verteilungsunabhängige Konfidenzintervalle.

Anwendungen: Nichtnormalverteilte Daten treten häufig in Einkommen, Wartezeiten, Finanzrenditen und biologischen Messungen auf. Die Berücksichtigung der tatsächlichen Verteilung verbessert Schätzungen, Hypothesentests und Vorhersagen; in der Praxis wählt man entsprechend der Fragestellung geeignete Methoden oder Modelle aus.