> ## Documentation Index
> Fetch the complete documentation index at: https://kstats.oremif.org/llms.txt
> Use this file to discover all available pages before exploring further.

# Annahmen überprüfen

> Überprüfen Sie Normalität, Varianzhomogenität und Verteilungsanpassung, bevor Sie parametrische Methoden anwenden.

<Card title="Kotlin Notebook" icon="notebook" href="https://github.com/Oremif/kstats/blob/master/samples/testing-assumptions.ipynb">
  Probieren Sie diesen Leitfaden als Kotlin Notebook mit Kandy-Visualisierungen aus — führen Sie die Zellen aus, um Diagramme zu sehen und die Daten interaktiv zu erkunden.
</Card>

Parametrische Methoden (t-Tests, ANOVA, Pearson-Korrelation) setzen bestimmte Eigenschaften der Daten voraus. Dieser Leitfaden behandelt die drei häufigsten Annahmen und die zugehörigen kstats-Funktionen.

## Normalität

### Verfügbare Tests

| Test               | Funktion                       | Geeignet für                                            |
| ------------------ | ------------------------------ | ------------------------------------------------------- |
| Shapiro-Wilk       | `shapiroWilkTest(sample)`      | Universeller Standard, Stichproben bis \~5000           |
| Anderson-Darling   | `andersonDarlingTest(sample)`  | Empfindlich gegenüber Abweichungen in den Rändern       |
| D'Agostino-Pearson | `dagostinoPearsonTest(sample)` | Omnibus-Test über Schiefe und Kurtosis, n > 20          |
| Jarque-Bera        | `jarqueBeraTest(sample)`       | Große Stichproben, prüft Schiefe und Kurtosis gemeinsam |

### Alle vier auf denselben Datensatz anwenden

```kotlin theme={"system"}
val sensorReadings = doubleArrayOf(
    150.2, 151.8, 149.6, 152.1, 150.9, 151.3, 149.8, 152.5, 150.4, 151.1,
    150.7, 149.5, 151.6, 150.0, 152.3, 151.0, 149.9, 150.8, 151.5, 150.3,
    151.2, 149.7, 150.6, 152.0, 150.1, 151.4, 149.4, 151.9, 150.5, 151.7
)

val shapiro = shapiroWilkTest(sensorReadings)
val anderson = andersonDarlingTest(sensorReadings)
val dagostino = dagostinoPearsonTest(sensorReadings)
val jarqueBera = jarqueBeraTest(sensorReadings)

shapiro.pValue    // Shapiro-Wilk
anderson.pValue   // Anderson-Darling
dagostino.pValue  // D'Agostino-Pearson
jarqueBera.pValue // Jarque-Bera
```

<Tip>
  Wenn die Tests unterschiedliche Ergebnisse liefern, bevorzugen Sie Shapiro-Wilk für kleine bis mittlere Stichproben und Anderson-Darling, wenn das Verhalten in den Rändern relevant ist.
</Tip>

### Mit deskriptiver Statistik kombinieren

```kotlin theme={"system"}
val summary = sensorReadings.describe()
summary.skewness // close to 0 for symmetric data
summary.kurtosis // close to 0 (excess) for Normal-like tails
```

## Varianzhomogenität

Beim Vergleich von Gruppen (t-Test, ANOVA) wird häufig Varianzgleichheit vorausgesetzt.

| Test            | Funktion                                  | Setzt Normalität voraus?                      |
| --------------- | ----------------------------------------- | --------------------------------------------- |
| Levene          | `leveneTest(group1, group2, ...)`         | Nein — robust gegenüber Nicht-Normalität      |
| Bartlett        | `bartlettTest(group1, group2, ...)`       | Ja — trennschärfer bei normalverteilten Daten |
| Fligner-Killeen | `flignerKilleenTest(group1, group2, ...)` | Nein — nicht-parametrisch, medianbasiert      |

### Varianzen vor der ANOVA prüfen

```kotlin theme={"system"}
val batchA = doubleArrayOf(48.2, 47.8, 49.1, 48.5, 47.9, 48.7, 48.3, 49.0, 48.1, 48.6)
val batchB = doubleArrayOf(51.3, 50.8, 52.1, 51.0, 51.7, 50.5, 51.9, 51.2, 50.9, 51.5)
val batchC = doubleArrayOf(49.5, 50.2, 49.8, 50.0, 49.3, 50.4, 49.7, 50.1, 49.6, 50.3)

val levene = leveneTest(batchA, batchB, batchC)
val bartlett = bartlettTest(batchA, batchB, batchC)
val fligner = flignerKilleenTest(batchA, batchB, batchC)

levene.pValue   // Levene
bartlett.pValue // Bartlett
fligner.pValue  // Fligner-Killeen
```

Ein hoher p-Wert bei allen drei Tests spricht dafür, mit der ANOVA oder einem t-Test mit gleichen Varianzen fortzufahren.

### Dann ANOVA durchführen

```kotlin theme={"system"}
val anova = oneWayAnova(batchA, batchB, batchC)
anova.fStatistic
anova.pValue
```

## Anpassungsgüte

### Kolmogorov-Smirnov-Test

Vergleichen Sie beobachtete Daten mit einer theoretischen Verteilung.

```kotlin theme={"system"}
val temperatureReadings = doubleArrayOf(
    155.2, 154.8, 156.1, 155.5, 154.3, 155.9, 155.0, 156.3, 154.7, 155.4,
    155.8, 154.5, 156.0, 155.3, 154.9, 155.7, 155.1, 156.2, 154.6, 155.6
)

// Fit Normal from sample
val fitted = NormalDistribution(
    mu = temperatureReadings.mean(),
    sigma = temperatureReadings.standardDeviation()
)

val ks = kolmogorovSmirnovTest(temperatureReadings, fitted)
ks.statistic // smaller means better fit
ks.pValue
```

### Chi-Quadrat-Anpassungstest

Prüfen Sie, ob beobachtete Kategoriehäufigkeiten den erwarteten Proportionen entsprechen.

```kotlin theme={"system"}
// Defect counts across 5 product categories
val observedDefects = intArrayOf(12, 18, 25, 15, 30)

// Test against uniform expectation (null = equal probability per category)
val uniform = chiSquaredTest(observedDefects)
uniform.pValue

// Test against specific expected counts
val expectedCounts = doubleArrayOf(20.0, 20.0, 20.0, 20.0, 20.0)
val specific = chiSquaredTest(observedDefects, expectedCounts)
specific.pValue
```

### Zwei-Stichproben-KS-Test

Vergleichen Sie zwei Stichproben, ohne eine bestimmte Verteilung vorauszusetzen.

```kotlin theme={"system"}
val morningReadings = doubleArrayOf(
    155.2, 154.8, 156.1, 155.5, 154.3, 155.9, 155.0, 156.3, 154.7, 155.4
)
val nightReadings = doubleArrayOf(
    156.1, 155.3, 157.0, 156.5, 155.8, 156.8, 155.5, 157.2, 155.9, 156.3
)

val twoSampleKs = kolmogorovSmirnovTest(morningReadings, nightReadings)
twoSampleKs.pValue // low p-value suggests different underlying distributions
```