Fehler 1. und 2. Art – warum kann ich nicht einfach beide gleichzeitig klein halten?

Gute Frage – das ist die Stelle, an der Statistik von „Formel einsetzen“ zu „verstehen, was man da tut“ wird. Der Trick ist, sich klarzumachen, dass beide Fehler an derselben Entscheidungsgrenze hängen.

Stell dir eine Zahlengerade mit deiner Teststatistik vor. Du legst einen Punkt fest (den kritischen Wert): rechts davon lehnst du H0 ab, links davon behältst du sie.

• α (Fehler 1. Art) = die Wahrscheinlichkeit, dass du rechts landest, obwohl H0 wahr ist. Das ist genau dein Signifikanzniveau – du legst es vorher selbst fest.
• β (Fehler 2. Art) = die Wahrscheinlichkeit, dass du links landest, obwohl H1 wahr ist.

Und jetzt kommt der Punkt: Wenn du α von 5 % auf 1 % senkst, verschiebst du die Grenze nach rechts. Der Ablehnbereich wird kleiner. Damit landest du seltener fälschlich im Ablehnbereich – aber eben auch dann seltener, wenn H0 tatsächlich falsch ist. β steigt also automatisch. Ein Schieberegler, zwei Enden: ziehst du an einem, geht das andere hoch.

Die Güte (Macht, engl. power) ist einfach 1 − β: die Wahrscheinlichkeit, einen tatsächlich vorhandenen Effekt auch zu finden. Ein Test mit α = 0,1 % ist super darin, keine falschen Alarme zu schlagen, und gleichzeitig ziemlich blind für echte Unterschiede.

Es gibt aber einen Ausweg, und den will die Aufgabe meistens hören: Beide Fehler zusammen sinken, wenn du den Stichprobenumfang n erhöhst. Mehr Daten machen die Verteilung schmaler, damit rücken die beiden Fehlerbereiche auseinander, ohne dass du α antasten musst. n ist der einzige Hebel, der nicht auf Kosten der anderen Seite geht – neben einem größeren echten Effekt, den du dir aber nicht aussuchen kannst.

Merksatz fürs Heft: α wählst du, β handelst du dir ein, n kaufst du dir frei.

Marcos Herleitung deckt die Rechenlogik ab – ich ergänze zwei Sachen, die in Klausuren gern als Transferfrage kommen.

1. Warum ist ausgerechnet α das, was man festlegt? Weil die beiden Fehler nicht gleich schlimm sind. In der Testlogik ist H0 die „Status-quo-Annahme“, und der Fehler 1. Art bedeutet: Du behauptest einen Effekt, den es nicht gibt. Das ist in Forschung und Qualitätssicherung meist der teurere Fehler, deshalb wird er gedeckelt. Ob das im Einzelfall stimmt, hängt aber vom Sachverhalt ab – und genau darauf zielen Anwendungsaufgaben:

• Medizinischer Suchtest: Ein übersehener Kranker (Fehler 2. Art) wiegt schwerer als ein Fehlalarm → man nimmt bewusst ein höheres α in Kauf.
• Wareneingangskontrolle: Eine grundlos zurückgewiesene Lieferung (Fehler 1. Art) kostet Geld und Lieferantenbeziehung → α klein halten.

Wenn eine Aufgabe fragt „Welcher Fehler wiegt hier schwerer?“, ist genau diese Abwägung gefragt, nicht die Definition.

2. α wird VOR dem Test festgelegt. Das klingt nach Formalie, ist aber inhaltlich zentral: Wer erst rechnet und dann das Niveau passend wählt, bekommt jedes gewünschte Ergebnis. Aus demselben Grund ist auch die Entscheidung einseitig/zweiseitig vorher zu treffen – einseitig verschiebt die ganze Wahrscheinlichkeitsmasse auf eine Seite und macht den Test dort empfindlicher.

Und noch eine Formulierungsfalle, die viele Punkte kostet: Ein nicht signifikantes Ergebnis heißt nicht „H0 ist bewiesen“. Es heißt nur „die Daten reichten nicht aus, um H0 zu verwerfen“ – was bei kleinem n eben auch an der schwachen Güte liegen kann. Schreib lieber „H0 kann nicht verworfen werden“ statt „H0 gilt“. Umgekehrt heißt statistisch signifikant nicht automatisch praktisch relevant: Bei sehr großem n wird auch ein winziger, betriebswirtschaftlich völlig egaler Unterschied signifikant.

Schöner Thread – ich hänge noch die Anwendung dran, bei der mir die beiden Fehlerarten zum ersten Mal wirklich klar geworden sind: die Annahmestichprobenprüfung in der Qualitätssicherung.

Beim Wareneingang zieht man aus einer Lieferung eine Stichprobe und nimmt die Lieferung an, wenn höchstens eine vorher festgelegte Zahl fehlerhafter Teile darin ist. Die zwei Fehler haben dort eigene Namen, und die machen sofort klar, wer den Schaden trägt:

• Produzentenrisiko (α): Eine eigentlich gute Lieferung wird wegen einer unglücklichen Stichprobe zurückgewiesen – das trifft den Lieferanten.
• Konsumentenrisiko (β): Eine schlechte Lieferung rutscht durch – das trifft den Abnehmer.

Dargestellt wird das mit der Operationscharakteristik (OC-Kurve): Sie zeigt für jeden möglichen Fehleranteil der Lieferung, mit welcher Wahrscheinlichkeit sie angenommen wird. Die ideale Kurve wäre eine Stufe – bis zur vereinbarten Qualitätsgrenze immer annehmen, darüber immer ablehnen. Real ist sie eine fallende S-Kurve, und je größer der Stichprobenumfang, desto steiler wird sie. Das ist Marcos Punkt mit n, nur als Bild: Mehr Prüfaufwand macht die Kurve trennschärfer und senkt beide Risiken gleichzeitig. Wie viel man prüft, ist damit am Ende eine Kostenfrage – Prüfkosten gegen die Folgekosten der beiden Fehler.