Statistik-Glossar

t-Verteilung

Student’s t-distribution / Studentsche t-Verteilung · Maximilian Fuchs · 24. April 2026 · 5 Min. Lesezeit

In diesem Beitrag

Was versteht man unter der t-Verteilung?
Warum ist die t-Verteilung für statistische Analysen wichtig?
Praxisbeispiel

Was versteht man unter der t-Verteilung?

Die t-Verteilung (auch Studentsche t-Verteilung) ist eine kontinuierliche Wahrscheinlichkeitsverteilung, die eng mit der Normalverteilung verwandt ist. Sie wird verwendet, wenn der Mittelwert einer normalverteilten Grundgesamtheit geschätzt werden soll, aber die Populationsvarianz unbekannt ist und stattdessen aus einer kleinen Stichprobe geschätzt wird.

Die Form der t-Verteilung wird durch einen einzigen Parameter bestimmt: die Freiheitsgrade (degrees of freedom, kurz df). Bei einem t-Test mit einer Stichprobe der Größe n gilt:

Freiheitsgrade beim Einstichproben-t-Test

$df = n - 1$

Je kleiner die Freiheitsgrade, desto breiter und flacher ist die t-Verteilung im Vergleich zur Standardnormalverteilung. Mit zunehmenden Freiheitsgraden nähert sich die t-Verteilung immer stärker der Normalverteilung an. Ab etwa df ≥ 30 sind die Unterschiede in der Praxis meist vernachlässigbar.

Einfach erklärt Stell dir vor, du willst wissen, wie groß Studierende im Durchschnitt sind – aber du hast nur zehn Personen gemessen. Weil so wenige Daten vorliegen, ist deine Schätzung unsicherer als bei hundert Messungen. Die t-Verteilung berücksichtigt genau diese Unsicherheit: Sie hat dickere Ränder als die Normalverteilung, was bedeutet, dass extreme Werte etwas wahrscheinlicher eingestuft werden. Je mehr Daten du hast, desto weniger macht das einen Unterschied.

Warum ist die t-Verteilung für statistische Analysen wichtig?

Die t-Verteilung ist die Grundlage des t-Tests, eines der meistgenutzten statistischen Verfahren in der empirischen Forschung. Sie kommt immer dann zum Einsatz, wenn:

die Stichprobengröße klein ist (häufig n < 30),
die Populationsvarianz unbekannt ist und aus den Stichprobendaten geschätzt werden muss,
die Daten annähernd normalverteilt sind (oder die Stichprobe groß genug ist, um den zentralen Grenzwertsatz anzuwenden).

Typische Anwendungen sind der Einstichproben-t-Test (Vergleich eines Stichprobenmittelwerts mit einem bekannten Referenzwert), der Zweistichproben-t-Test (Vergleich zweier unabhängiger Gruppen) sowie der gepaarte t-Test (Vergleich zweier verbundener Messungen, z. B. Vorher-Nachher-Messungen).

Häufiger Fehler Viele verwechseln t-Verteilung und Normalverteilung und nutzen bei kleinen Stichproben einfach z-Werte aus der Standardnormalverteilung. Das führt zu zu engen Konfidenzintervallen und zu kleinen p-Werten – die Ergebnisse werden also fälschlicherweise als signifikanter eingeschätzt, als sie tatsächlich sind.

Gut zu wissen Den Namen „Student“ verdankt die Verteilung dem Pseudonym des britischen Statistikers William Sealy Gosset, der sie 1908 entwickelte. Da sein Arbeitgeber, die Guinness-Brauerei, die Veröffentlichung interner Methoden untersagte, publizierte er unter dem Pseudonym „Student“.

Praxisbeispiel zur t-Verteilung

Eine Ernährungswissenschaftlerin möchte prüfen, ob ein neues Frühstücksprogramm den Blutzuckerspiegel verändert. Sie misst den Nüchternblutzucker bei 12 Probandinnen vor und nach einer vierwöchigen Intervention und berechnet die Differenz für jede Person. Anschließend führt sie einen gepaarten t-Test durch.

Tabelle 1. Kennwerte der Differenzwerte (Vorher minus Nachher, in mg/dl)
Kennwert	Wert
Stichprobengröße n	12
Mittlere Differenz d̄	8,3 mg/dl
Standardabweichung s	5,1 mg/dl
Freiheitsgrade df	11
Berechneter t-Wert	5,64
Kritischer t-Wert (α = 0,05, zweiseitig)	2,201

Der berechnete t-Wert von 5,64 liegt deutlich über dem kritischen t-Wert von 2,201, der aus der t-Verteilung mit 11 Freiheitsgraden abgelesen wird. Das Ergebnis ist damit statistisch signifikant: Der Blutzuckerspiegel hat sich durch das Frühstücksprogramm messbar verändert.

Hätte die Forscherin stattdessen einen z-Wert aus der Normalverteilung verwendet (kritischer Wert: 1,96), wäre das Ergebnis zwar ebenfalls signifikant – aber der kritische Wert wäre zu niedrig angesetzt. Bei kleineren Stichproben und weniger eindeutigen Ergebnissen kann dieser Unterschied über Signifikanz oder Nicht-Signifikanz entscheiden.