Glanz: aiMOOC über GPT aiMOOC Action erstellt

2026-09-28T05:03:45Z

aiMOOC über GPT aiMOOC Action erstellt

Neue Seite

{{T}}

{{BR}}
= ABI LF - Testergebnisse kritisch interpretieren =

'''Mini-Beschreibung:''' Du formulierst aus einem Testergebnis eine sachlich korrekte Schlussfolgerung und vermeidest Aussagen, die statistisch nicht gedeckt sind. Schwerpunkt: [[Hypothesentest]], [[p-Wert]], [[Signifikanzniveau]], Fehlerarten und präzise Interpretation im Mathematik-Leistungsfach.

[[Datei:P-Wert.gif|500px|rahmenlos|center]]

{{BR}}
= Einleitung =

Ein statistischer Test entscheidet nicht, ob eine Hypothese „wahr“ oder „falsch“ ist. Er bewertet, wie gut ein beobachtetes Ergebnis mit einem festgelegten Modell unter der [[Nullhypothese]] vereinbar ist.

Typische Prüfungsfrage: '''Was darfst Du aus einem signifikanten oder nicht signifikanten Testergebnis tatsächlich folgern?'''

Für den Abiturjahrgang 2027 in Baden-Württemberg ist im Leistungsfach die kritische Interpretation statistischer Aussagen Teil der Leitidee [[Daten und Zufall]]. Die schriftliche Prüfung hat eine Bearbeitungszeit von 300 Minuten. Welche Hilfsmittel in der Prüfung zulässig sind, richtet sich nach dem jeweils gültigen Facherlass. GeoGebra, Simulationen oder KI können beim Üben helfen, sind aber nicht automatisch Prüfungshilfsmittel.

{{BR}}
== Lernziele ==

Nach diesem aiMOOC kannst Du
# [[Testergebnis]]: eine Testentscheidung formal korrekt angeben.
# [[p-Wert]]: den p-Wert richtig deuten und typische Fehlinterpretationen erkennen.
# [[Signifikanzniveau]]: <math>\alpha</math> von einem beobachteten p-Wert unterscheiden.
# [[Fehler erster Art]]: das Risiko einer fälschlichen Ablehnung von <math>H_0</math> im Kontext erläutern.
# [[Fehler zweiter Art]]: eine nicht erkannte Abweichung im Kontext erläutern.
# [[Statistische Signifikanz]]: von praktischer Bedeutung und Kausalität unterscheiden.
# [[Mathematische Argumentation]]: mehrschrittige Schlussfolgerungen prüfen und begründen.

{{BR}}
== Vorwissen-Check ==

Beantworte zunächst ohne Hilfsmittel:

<math>X\sim B(n,p)</math>

<math>H_0:p=p_0</math>

<math>H_1:p>p_0</math>

# Was bedeutet ein rechtsseitiger Test?
# Was bedeutet <math>\alpha=0{,}05</math>?
# Wann liegt ein beobachteter Wert im Ablehnungsbereich?
# Warum ist „<math>H_0</math> ist mit 95 % Wahrscheinlichkeit falsch“ keine zulässige Schlussfolgerung?

<details>
<summary>Kurze Kontrolle</summary>
Ein rechtsseitiger Test sucht nach hinreichend großen Beobachtungswerten. Das Signifikanzniveau begrenzt das Risiko erster Art durch die Testkonstruktion. Eine Testentscheidung liefert keine direkte Wahrscheinlichkeit dafür, dass <math>H_0</math> wahr oder falsch ist.
</details>

{{BR}}
= Kernidee: Vom Ergebnis zur korrekten Aussage =

[[Datei:P-value in statistical significance testing.svg|500px|rahmenlos|center]]

Für einen rechtsseitigen Test gilt bei beobachtetem Wert <math>x</math>:

<math>p_{\mathrm{Wert}}=P_{H_0}(X\ge x)</math>

Für die Entscheidung gilt:

<math>p_{\mathrm{Wert}}\le \alpha</math> → '''<math>H_0</math> wird verworfen.'''

<math>p_{\mathrm{Wert}}>\alpha</math> → '''<math>H_0</math> wird nicht verworfen.'''

'''Wichtig:''' „Nicht verwerfen“ bedeutet nicht „beweisen“.

{{BR}}
== Interaktives Beispiel: Binomialtest ==

Gegeben sei

<math>X\sim B(20,0{,}5)</math>

mit

<math>H_0:p=0{,}5</math>

und

<math>H_1:p>0{,}5</math>.

Beobachtet werden <math>x=15</math> Erfolge.

Der rechtsseitige p-Wert ist

<math>P(X\ge 15)=\sum_{k=15}^{20}\binom{20}{k}(0{,}5)^k(0{,}5)^{20-k}\approx 0{,}0207</math>.

Bei

<math>\alpha=0{,}05</math>

gilt

<math>0{,}0207<0{,}05</math>.

'''Sachlich korrekte Schlussfolgerung:''' Das Ergebnis ist auf dem 5-%-Niveau statistisch signifikant. Unter dem verwendeten Modell liefern die Daten genügend Evidenz, <math>H_0</math> zugunsten von <math>H_1</math> zu verwerfen.

'''Nicht gedeckt:''' „Mit 97,93 % Wahrscheinlichkeit gilt <math>H_1</math>.“

<iframe> https://www.geogebra.org/m/VcNGNBWW </iframe>

{{#ev:youtube| https://www.youtube.com/watch?v=sNlxShUM4io |500|center}}

{{BR}}
== Visueller Rechenweg ==

[[Datei:BinomialTest.svg|500px|rahmenlos|center]]

Arbeite in dieser Reihenfolge:

'''Modell''' → '''<math>H_0,H_1</math>''' → '''Testseite''' → '''<math>\alpha</math>''' → '''Testgröße''' → '''p-Wert''' → '''Entscheidung''' → '''Kontextsatz'''

<details>
<summary>Warum ist diese Reihenfolge wichtig?</summary>
Die Richtung des Tests muss aus der Fragestellung folgen und darf nicht erst nach Sichtung des Ergebnisses passend gewählt werden. Sonst verändert sich die Fehlerwahrscheinlichkeit.
</details>

{{BR}}
== Dynamisches Modell: Ablehnungsbereich verändern ==

Verändere im Applet Stichprobenumfang, Nullhypothese und Signifikanzniveau. Beobachte, wie sich Ablehnungsbereich und Fehlerwahrscheinlichkeiten ändern.

<iframe> https://www.geogebra.org/m/apuJWGcA </iframe>

[[Datei:Teste-de-hipóteses.gif|500px|rahmenlos|center]]

{{BR}}
= Typische Fehlformulierungen und Verbesserungen =

{{BR}}
== Fehler 1: Wahrscheinlichkeit der Hypothese ==

'''Falsch:''' „Der p-Wert beträgt 3 %, also ist <math>H_0</math> mit Wahrscheinlichkeit 3 % wahr.“

'''Besser:''' Unter <math>H_0</math> beträgt die Wahrscheinlichkeit für das beobachtete oder ein mindestens ebenso extremes Ergebnis 3 %.

Der p-Wert ist eine bedingte Wahrscheinlichkeit der Form <math>P(D\mid H_0)</math>, wobei <math>D</math> für das beobachtete oder ein mindestens ebenso extremes Ergebnis steht. Er ist nicht <math>P(H_0\mid D)</math>.

{{BR}}
== Fehler 2: Nicht signifikant bedeutet bewiesen ==

'''Falsch:''' „Weil das Ergebnis nicht signifikant ist, gilt <math>H_0</math>.“

'''Besser:''' Die Daten reichen auf dem gewählten Signifikanzniveau nicht aus, um <math>H_0</math> zu verwerfen.

{{BR}}
== Fehler 3: Signifikant bedeutet wichtig ==

'''Falsch:''' „Der Unterschied ist signifikant, also ist er groß und praktisch relevant.“

'''Besser:''' Statistische Signifikanz beschreibt die Unvereinbarkeit der Daten mit <math>H_0</math> relativ zum Testmodell. Die praktische Relevanz muss zusätzlich anhand der Größenordnung und des Kontexts beurteilt werden.

{{BR}}
== Fehler 4: Kausalität aus einem Test ==

'''Falsch:''' „Der Test beweist, dass Faktor A die Ursache von B ist.“

'''Besser:''' Der Test allein belegt keine Kausalität. Dafür sind Untersuchungsdesign, mögliche Störgrößen und die Art der Datenerhebung entscheidend.

{{BR}}
== Fehler 5: Signifikanzniveau als beobachtete Fehlerquote ==

'''Falsch:''' „Bei <math>\alpha=0{,}05</math> ist diese konkrete Entscheidung mit 95 % Wahrscheinlichkeit richtig.“

'''Besser:''' Das Signifikanzniveau steuert bei wiederholter Anwendung des Testverfahrens unter <math>H_0</math> das Risiko erster Art.

{{BR}}
= Fehler erster und zweiter Art =

[[Datei:Standard deviation diagram.svg|500px|rahmenlos|center]]

Die Entscheidung kann mit der unbekannten Realität übereinstimmen oder nicht.

Sei <math>A</math> das Ereignis „<math>H_0</math> wird verworfen“. Dann gilt für den Fehler erster Art:

<math>\alpha=P(A\mid H_0)</math>

Für eine festgelegte Alternative sei <math>B</math> das Ereignis „<math>H_0</math> wird nicht verworfen“. Dann gilt für den Fehler zweiter Art:

<math>\beta=P(B\mid H_1)</math>

'''Fehler erster Art:''' <math>H_0</math> wird verworfen, obwohl sie gilt.

'''Fehler zweiter Art:''' <math>H_0</math> wird nicht verworfen, obwohl die betrachtete Alternative zutrifft.

Die Teststärke ist

<math>1-\beta</math>.

{{#ev:youtube| https://www.youtube.com/watch?v=0Dlv4QP4cTs |500|center}}

{{BR}}
= Übungen mit Hilfen und Feedback =

{{BR}}
== Übung 1: Signifikant ==

Ein Test liefert <math>p_{\mathrm{Wert}}=0{,}018</math> bei <math>\alpha=0{,}05</math>.

Formuliere einen korrekten Entscheidungssatz.

<details>
<summary>Hilfe</summary>
Vergleiche zuerst <math>0{,}018</math> mit <math>0{,}05</math>. Formuliere danach getrennt die formale Entscheidung und ihre Bedeutung im Kontext.
</details>

<details>
<summary>Feedback</summary>
Da <math>0{,}018<0{,}05</math>, wird <math>H_0</math> auf dem 5-%-Niveau verworfen. Das Ergebnis ist statistisch signifikant. Eine Wahrscheinlichkeit für die Wahrheit von <math>H_0</math> folgt daraus nicht.
</details>

{{BR}}
== Übung 2: Nicht signifikant ==

Ein Test liefert <math>p_{\mathrm{Wert}}=0{,}12</math> bei <math>\alpha=0{,}05</math>.

Bewerte die Aussage: „Damit ist <math>H_0</math> bewiesen.“

<details>
<summary>Hilfe</summary>
Frage Dich, ob ein Test eine Nullhypothese beweist oder nur verwirft beziehungsweise nicht verwirft.
</details>

<details>
<summary>Feedback</summary>
Die Aussage ist falsch. Es gilt lediglich <math>0{,}12>0{,}05</math>; deshalb wird <math>H_0</math> nicht verworfen.
</details>

{{BR}}
== Übung 3: Richtung des Tests ==

Eine Firma behauptet, der Ausschussanteil liege höchstens bei <math>p_0=0{,}04</math>. Es soll geprüft werden, ob er höher ist.

Formuliere eine passende Alternative.

<math>H_1:p>0{,}04</math>

<details>
<summary>Feedback</summary>
Die Fragestellung „höher“ führt zu einem rechtsseitigen Test. Die Testrichtung wird vor der Auswertung festgelegt.
</details>

{{BR}}
= Fehleranalyse =

Prüfe diese KI-Antwort:

'''„Da der p-Wert 0,04 beträgt, ist die Nullhypothese zu 96 % falsch. Der Effekt ist außerdem groß und wurde bewiesen.“'''

Markiere mindestens drei Fehler.

<details>
<summary>Kontrolle</summary>
# Aus dem p-Wert folgt keine Wahrscheinlichkeit für die Wahrheit von <math>H_0</math>.
# Ein kleiner p-Wert misst nicht automatisch die Effektgröße.
# Ein Signifikanztest liefert keinen Beweis im mathematischen Sinn.
# Ohne Angabe von <math>\alpha</math>, Hypothesen, Testseite und Modell ist die Entscheidung unvollständig.
</details>

'''Merksatz:''' KI-Ausgaben können Rechen- oder Interpretationsfehler enthalten. Prüfe Hypothesen, Testseite, Wahrscheinlichkeitsmodell, Rechnung und Schlussfolgerung selbst. KI ersetzt keinen Beweis.

{{BR}}
= Interaktive Aufgaben =

{{BR}}
== Quiz: Teste Dein Wissen ==

{{MC}}

'''Was darfst Du bei einem signifikanten Testergebnis folgern?'''
(Die Nullhypothese wird auf dem gewählten Signifikanzniveau verworfen)
(!Die Nullhypothese ist sicher falsch)
(!Die Alternativhypothese ist bewiesen)
(!Der Effekt ist automatisch praktisch groß)

{{E}}
<br>

{{MC}}

'''Was beschreibt der p-Wert?'''
(Die Wahrscheinlichkeit des beobachteten oder eines extremeren Ergebnisses unter der Nullhypothese)
(!Die Wahrscheinlichkeit dass die Nullhypothese wahr ist)
(!Die Wahrscheinlichkeit dass die Alternativhypothese wahr ist)
(!Die Größe des praktischen Effekts)

{{E}}
<br>

{{MC}}

'''Was bedeutet ein nicht signifikantes Ergebnis?'''
(Die Nullhypothese wird auf dem gewählten Niveau nicht verworfen)
(!Die Nullhypothese ist bewiesen)
(!Die Alternativhypothese ist widerlegt)
(!Der Test war fehlerfrei)

{{E}}
<br>

{{MC}}

'''Wann wird bei einem p-Wert-Test die Nullhypothese verworfen?'''
(Der p-Wert ist höchstens so groß wie das Signifikanzniveau)
(!Der p-Wert ist größer als eins)
(!Der p-Wert ist größer als das Signifikanzniveau)
(!Der p-Wert entspricht immer der Effektgröße)

{{E}}
<br>

{{MC}}

'''Was ist ein Fehler erster Art?'''
(Eine wahre Nullhypothese wird verworfen)
(!Eine falsche Nullhypothese wird nicht verworfen)
(!Die Stichprobe ist immer zu klein)
(!Der p-Wert wurde gerundet)

{{E}}
<br>

{{MC}}

'''Was ist ein Fehler zweiter Art?'''
(Eine falsche Nullhypothese wird nicht verworfen)
(!Eine wahre Nullhypothese wird verworfen)
(!Die Testseite wurde korrekt festgelegt)
(!Das Signifikanzniveau wurde angegeben)

{{E}}
<br>

{{MC}}

'''Welche Aussage zu statistischer Signifikanz ist korrekt?'''
(Sie ist nicht mit praktischer Relevanz gleichzusetzen)
(!Sie beweist automatisch Kausalität)
(!Sie beweist einen großen Effekt)
(!Sie bedeutet dass keine Modellannahmen nötig sind)

{{E}}
<br>

{{MC}}

'''Wann sollte die Testrichtung festgelegt werden?'''
(Vor der Auswertung der Beobachtungsdaten)
(!Erst nach Betrachtung des p-Werts)
(!Nur bei nicht signifikanten Ergebnissen)
(!Sie spielt keine Rolle)

{{E}}
<br>

{{MC}}

'''Was ist bei einer KI-generierten Testinterpretation notwendig?'''
(Die mathematische und inhaltliche Prüfung aller Schritte)
(!Die ungeprüfte Übernahme der Formulierung)
(!Nur die Rechtschreibkontrolle)
(!Das Weglassen der Hypothesen)

{{E}}
<br>

{{MC}}

'''Welche Formulierung ist bei einem nicht signifikanten Ergebnis angemessen?'''
(Die Daten liefern auf dem gewählten Niveau nicht genügend Evidenz gegen die Nullhypothese)
(!Die Nullhypothese ist mit Sicherheit wahr)
(!Es gibt keinen Effekt)
(!Der Versuch beweist die Gleichheit)

{{E}}
<br>

{{BR}}
== Memory ==

<div class="memo-quiz">
{|
|-
| p-Wert || Extremwahrscheinlichkeit unter der Nullhypothese
|-
| Signifikanzniveau || Vorab festgelegte Schwelle
|-
| Fehler erster Art || Wahre Nullhypothese wird verworfen
|-
| Fehler zweiter Art || Falsche Nullhypothese wird nicht verworfen
|-
| Teststärke || Eins minus Beta
|-
| Signifikanz || Testentscheidung relativ zum Modell
|}
{{E}}
<br>

{{BR}}
== Drag and Drop ==

<div class="lueckentext-quiz">

{| class="wikitable"
! Ordne die richtigen Begriffe zu.
! Thema
|-
| '''Nullhypothese verwerfen'''
| p-Wert kleiner als Signifikanzniveau
|-
| '''Nullhypothese nicht verwerfen'''
| p-Wert größer als Signifikanzniveau
|-
| '''Fehler erster Art'''
| falscher Alarm
|-
| '''Fehler zweiter Art'''
| übersehene Abweichung
|-
| '''Kritische Interpretation'''
| Aussage auf Testmodell begrenzen
|}
{{E}}

<br>

{{BR}}
== Kreuzworträtsel ==

<div class="kreuzwort-quiz">
{|
|-
| Signifikanz || Wie heißt die statistische Auffälligkeit relativ zu einem festgelegten Testniveau?
|-
| Hypothese || Wie heißt eine zu prüfende statistische Annahme?
|-
| Stichprobe || Wie heißt die untersuchte Teilmenge einer Grundgesamtheit?
|-
| Ablehnung || Wie heißt die Entscheidung gegen die Nullhypothese?
|-
| Teststärke || Wie heißt eins minus Beta?
|-
| Kausalität || Was folgt aus statistischer Signifikanz allein gerade nicht?
|}
{{E}}
<br>

{{BR}}
== LearningApps ==

<iframe> https://learningapps.org/index.php?s=ABI+LF+Testergebnisse+kritisch+interpretieren </iframe>

{{BR}}
== Lückentext ==

<quiz display=simple>
{'''Vervollständige den Text.'''<br>
|type="{}"}
Ein statistischer Test prüft Daten relativ zu einer { Nullhypothese }. Der vorab festgelegte Schwellenwert heißt { Signifikanzniveau }. Ist der p-Wert hinreichend klein, wird die Nullhypothese { verworfen }. Ein nicht signifikantes Ergebnis ist kein { Beweis } für die Nullhypothese. Statistische Signifikanz bedeutet nicht automatisch praktische { Relevanz }. Das Risiko einer fälschlichen Verwerfung einer wahren Nullhypothese heißt Fehler { erster } Art. KI-generierte Schlussfolgerungen müssen mathematisch { geprüft } werden.
</quiz>

<br>

{{BR}}
= Selbstkontrolle =

Beende jeden Satz fachsprachlich:

# Bei <math>p_{\mathrm{Wert}}=0{,}031</math> und <math>\alpha=0{,}05</math> ...
# Bei <math>p_{\mathrm{Wert}}=0{,}21</math> und <math>\alpha=0{,}05</math> ...
# Ein p-Wert von <math>0{,}01</math> bedeutet nicht ...
# Ein nicht signifikantes Ergebnis erlaubt nicht ...
# Kausalität folgt aus einem Hypothesentest allein nicht, weil ...

{{BR}}
= Transfer =

Ein Online-Artikel schreibt: „Eine Studie fand <math>p=0{,}03</math>. Damit ist zu 97 % bewiesen, dass die Maßnahme wirkt.“

Bearbeite vier Schritte:

'''Testinformation''' → '''Fehlerdiagnose''' → '''zulässige Aussage''' → '''fehlende Zusatzinformation'''

Nenne insbesondere Effektgröße, Stichprobenumfang, Untersuchungsdesign und Modellannahmen als mögliche Zusatzinformationen.

{{BR}}
= Kompetenzcheck =

Du bist prüfungsbereit, wenn Du ohne Musterlösung

# <math>H_0</math> und <math>H_1</math> aus einem Kontext formulierst,
# die Testseite begründet auswählst,
# einen p-Wert als bedingte Wahrscheinlichkeit deutest,
# <math>p_{\mathrm{Wert}}</math> mit <math>\alpha</math> vergleichst,
# Fehler erster und zweiter Art im Kontext formulierst,
# unzulässige Aussagen über Wahrheit, Kausalität oder Effektgröße erkennst,
# eine KI-Antwort mathematisch überprüfst,
# Deine Entscheidung in einem präzisen Kontextsatz formulierst.

{{BR}}
= Reflexion =

Welche Formulierung fällt Dir leichter: „<math>H_0</math> wird nicht verworfen“ oder „<math>H_0</math> gilt“? Erkläre, warum nur eine davon im Allgemeinen statistisch korrekt ist.

Überlege außerdem: Welche Zusatzinformationen brauchst Du, bevor Du aus einem signifikanten Ergebnis eine praktische Entscheidung ableitest?

{{BR}}
= Offene Aufgaben =

{{BR}}
=== Leicht ===
# [[Fehlformulierungen sammeln]]: Finde drei typische falsche Aussagen zu p-Werten und verbessere sie.
# [[Testentscheidung formulieren]]: Schreibe zu drei vorgegebenen Paaren aus p-Wert und Signifikanzniveau jeweils einen formalen Entscheidungssatz.
# [[Begriffe visualisieren]]: Gestalte eine Skizze zu Nullhypothese, Ablehnungsbereich und beobachtetem Wert.
# [[Erklärvideo planen]]: Entwirf ein 60-Sekunden-Storyboard zur Aussage „Nicht signifikant bedeutet nicht bewiesen“.

{{BR}}
=== Standard ===
# [[Binomialtest untersuchen]]: Variiere in GeoGebra <math>n</math>, <math>p_0</math> und <math>\alpha</math> und dokumentiere Veränderungen des Ablehnungsbereichs.
# [[Medienkritik]]: Prüfe einen Zeitungs- oder Online-Satz mit dem Wort „signifikant“ auf statistische Präzision.
# [[Fehlerarten im Kontext]]: Erfinde einen eigenen Anwendungskontext und formuliere Fehler erster und zweiter Art vollständig.
# [[KI-Prüfung]]: Lass Dir eine Testinterpretation erzeugen und markiere jeden mathematisch zu prüfenden Schritt.

{{BR}}
=== Schwer ===
# [[Testverfahren vergleichen]]: Vergleiche zwei sinnvolle Signifikanzniveaus und diskutiere Auswirkungen auf Fehler erster und zweiter Art.
# [[Mehrschrittiges Modellieren]]: Entwickle eine vollständige Testaufgabe von der Modellannahme bis zur kritischen Schlussfolgerung.
# [[Argumentation prüfen]]: Analysiere eine Behauptung, die aus statistischer Signifikanz Kausalität ableitet, und widerlege den Fehlschluss strukturiert.
# [[Abiturtraining]]: Formuliere eine eigene Aufgabe im Stil des schriftlichen Abiturs mit Hypothesen, Rechnung, Begründung und Interpretation.

{{:Offene Aufgabe - MOOC erstellen}}

{{BR}}
= Lernkontrolle =

# [[Interpretation statt Rechnung]]: Ein Test ergibt <math>p=0{,}048</math> bei <math>\alpha=0{,}05</math>. Formuliere eine zulässige Schlussfolgerung und zwei unzulässige Schlussfolgerungen mit Begründung.
# [[Fehlerarten übertragen]]: Beschreibe in einem selbst gewählten Qualitätskontroll-Kontext die praktischen Folgen von Fehler erster und zweiter Art.
# [[Modellkritik]]: Erkläre, warum ein formal korrekt berechneter p-Wert bei ungeeignetem Modell trotzdem zu einer problematischen Aussage führen kann.
# [[Testseite begründen]]: Entwickle zwei Fragestellungen zu demselben Parameter, von denen eine einen linksseitigen und eine einen rechtsseitigen Test erfordert.
# [[Signifikanz und Relevanz]]: Konstruiere ein Beispiel, bei dem ein Ergebnis statistisch signifikant, aber praktisch wenig bedeutsam ist.
# [[KI und Beweis]]: Prüfe eine KI-generierte statistische Begründung und trenne Rechnung, Interpretation und nicht belegte Behauptungen.

<br>
<br>

{{BR}}
= Lernnachweis =

Für einen Lernnachweis solltest Du zeigen, dass Du
# Hypothesen formal und kontextbezogen korrekt formulierst,
# Testseite und Signifikanzniveau begründest,
# Wahrscheinlichkeiten und p-Werte korrekt berechnest oder aus geeigneten Darstellungen entnimmst,
# eine Testentscheidung sauber vom Kontextsatz trennst,
# Fehler erster und zweiter Art erklären kannst,
# Signifikanz, Effektgröße, praktische Relevanz und Kausalität nicht verwechselst,
# mathematische Argumentationen und KI-Ausgaben kritisch prüfst,
# mehrschrittige Begründungen nachvollziehbar dokumentierst.

<br>
<br>

{{BR}}
= Medien zur Vertiefung =

[[Datei:Normalvert.gif|500px|rahmenlos|center]]

Die Animation zeigt, wie sich eine Binomialverteilung bei wachsendem Stichprobenumfang einer Glockenform annähert. Für Testentscheidungen bleibt entscheidend, welches Modell tatsächlich vorausgesetzt wird.

{{#ev:youtube| https://youtu.be/-vWZkfvxlaU |500|center}}

{{BR}}
= Prüfungsbezug Baden-Württemberg =

Für den Abiturjahrgang 2027 verweist der Facherlass Mathematik im Leistungsfach auf die Inhalte und Kompetenzen des Bildungsplans 2016. In der Leitidee Daten und Zufall gehören Hypothesentests, die kritische Interpretation statistischer Aussagen sowie Fehler erster und zweiter Art zum Kompetenzbereich.

'''Prüfungshinweis:''' Verwende Übungswerkzeuge wie GeoGebra, Simulationen, Lernapps oder KI nur zur Vorbereitung, sofern sie nicht ausdrücklich als Prüfungshilfsmittel zugelassen sind. Maßgeblich ist der jeweils gültige Facherlass.

[https://km.baden-wuerttemberg.de/de/schule/gymnasium/termine-und-informationen-zum-abitur Offizielle Abiturinformationen Baden-Württemberg]

[https://www.bildungsplaene-bw.de/BP2016BW_ALLG_GYM_M.V2_IK_11-12-LF_05 Bildungsplan Mathematik Leistungsfach – Daten und Zufall]

{{BR}}
= OERs zum Thema =

<iframe> https://de.m.wikipedia.org/wiki/Statistischer_Test </iframe>

<iframe> https://de.m.wikipedia.org/wiki/P-Wert </iframe>

{{BR}}
= Verknüpfte Lernbereiche =

{| align=center
{{:D-Tab}}
'''[[Testergebnisse kritisch interpretieren]]'''
# [[Hypothesentest]]
# [[Nullhypothese]]
# [[Alternativhypothese]]
# [[p-Wert]]
# [[Signifikanzniveau]]
# [[Fehler erster Art]]
# [[Fehler zweiter Art]]
# [[Binomialverteilung]]
# [[Normalverteilung]]
# [[Statistische Signifikanz]]
|}

{{BR}}
= Folgekurs =

Als nächster Schritt eignet sich ein aiMOOC zu '''[[ABI LF - Fehler erster und zweiter Art analysieren]]''' oder '''[[ABI LF - Hypothesentests modellieren und begründen]]'''. Dort kannst Du Teststärke, Stichprobenumfang und die Wahl von Testverfahren vertiefen.

[[Kategorie:Mathematik]]
[[Kategorie:Stochastik]]
[[Kategorie:Statistik]]
[[Kategorie:Hypothesentest]]
[[Kategorie:Abitur]]
[[Kategorie:Mathematik-Abitur]]
[[Kategorie:Baden-Württemberg]]
[[Kategorie:Leistungsfach]]
[[Kategorie:Oberstufe]]

{{BR}}
= aiMOOC-Projekte =
[[Kategorie:AI_MOOC]] [[Kategorie:GPT aiMOOC]]
{{MT}}

ABI LF - Testergebnisse kritisch interpretieren - Versionsgeschichte

Glanz: aiMOOC über GPT aiMOOC Action erstellt