Was bedeutet Kurtosis = 0?

Wenn das Programm den Exzess berichtet (Standard in SPSS, psych, e1071), bedeutet Kurtosis = 0 eine normalverteilungsähnliche Wölbung. Berichtet das Programm die Roh-Kurtosis (z.B. moments-Paket in R), entspricht der Wert 3 der Normalverteilung. Immer Software-Konvention prüfen.

Was ist der Unterschied zwischen leptokurtisch und platykurtisch?

Leptokurtisch (Exzess > 0) bedeutet schwerere Tails als die Normalverteilung — also mehr Extremwerte/Ausreißer. Platykurtisch (Exzess < 0) bedeutet leichtere Tails — die Verteilung ist gleichmäßiger und hat weniger Extremwerte. Mesokurtisch (Exzess = 0) entspricht der Normalverteilung.

Ab welchem Wert ist die Kurtosis problematisch?

Faustregel: |Exzess| 2 bedenklich für parametrische Tests. Diese Schwellen sind aber Heuristiken — eine kombinierte Beurteilung mit Schiefe, Q-Q-Plot und ggf. formalen Tests ist immer besser als ein einzelner Cutoff.

Warum SPSS eine Kurtosis von 0 für die Normalverteilung anzeigt?

SPSS berichtet standardmäßig den Exzess (Excess Kurtosis), also Kurtosis − 3. Dadurch ist 0 der Referenzwert für die Normalverteilung. Diese Konvention ist in den meisten Statistikpaketen verbreitet, da sie die Interpretation vereinfacht.

Kann man bei hoher Kurtosis trotzdem den t-Test verwenden?

Bei moderater Kurtosis (|γ₂| 2) und/oder kleinen Stichproben sollte auf nicht-parametrische Verfahren (Mann-Whitney-U) ausgewichen oder die Daten transformiert werden (z.B. Log-Transformation).

Wie hängen Schiefe und Kurtosis zusammen?

Schiefe und Kurtosis sind unabhängige, aber komplementäre Maße. Schiefe misst Asymmetrie (3. Moment), Kurtosis misst Tail-Schwere (4. Moment). In der Medizin treten beide oft gemeinsam auf — rechtsschiefe Verteilungen (z.B. Laborwerte wie CRP, Bilirubin) sind meist auch leptokurtisch. Beide Maße zusammen geben das vollständigere Bild.

Wie groß muss die Stichprobe für eine zuverlässige Kurtosis sein?

Mindestens n = 30, besser n ≥ 100. Die Kurtosis basiert auf dem vierten zentralen Moment und reagiert daher sehr empfindlich auf Ausreißer — bei kleinen Stichproben kann ein einziger Extremwert die Schätzung dramatisch verändern. Bei n < 30 ist die visuelle Beurteilung per Q-Q-Plot meist informativer als der numerische Wert.

Verändert eine Log-Transformation die Kurtosis?

Ja, deutlich. Eine Log-Transformation komprimiert große Werte stärker als kleine und reduziert dadurch typischerweise sowohl Schiefe als auch Kurtosis. Bei klassisch rechtsschiefen, leptokurtischen Laborwerten (CRP, Triglyzeride, Aufenthaltsdauer) führt sie oft zu annähernd normalverteilten Daten — und ermöglicht dann den Einsatz parametrischer Tests.

Kurtosis: Definition, Formel & Interpretation

Q: Ab welchem Wert ist die Kurtosis problematisch?

Faustregel: |Exzess| 2 bedenklich für parametrische Tests. Diese Schwellen sind aber Heuristiken — eine kombinierte Beurteilung mit Schiefe, Q-Q-Plot und ggf. formalen Tests ist immer besser als ein einzelner Cutoff.

Q: Verändert eine Log-Transformation die Kurtosis?

Ja, deutlich. Eine Log-Transformation komprimiert große Werte stärker als kleine und reduziert dadurch typischerweise sowohl Schiefe als auch Kurtosis. Bei klassisch rechtsschiefen, leptokurtischen Laborwerten (CRP, Triglyzeride, Aufenthaltsdauer) führt sie oft zu annähernd normalverteilten Daten — und ermöglicht dann den Einsatz parametrischer Tests.

Die Kurtosis misst die Wölbung einer Verteilung — also wie stark sich Werte in den Verteilungsenden (Tails) konzentrieren. Definition, Formel, Interpretation, Anwendung in SPSS und R.

📊 Verteilungseigenschaften · ⏱️ 8 Min. · Aktualisiert 2026-05-10

Definition

Die Kurtosis (auch: Wölbung, Exzess) ist ein Maß für die Form einer Verteilung — speziell dafür, wie stark sich Werte in den Verteilungsenden (Tails) konzentrieren und wie ausgeprägt der zentrale Gipfel ist. Sie ergänzt Mittelwert (Lage) und Standardabweichung (Streuung) um eine dritte deskriptive Dimension der Datenstruktur.

Die Kurtosis vergleicht die beobachtete Verteilung mit der Normalverteilung als Referenz (Kurtosis = 3 bzw. Exzess-Kurtosis = 0). Verteilungen mit höherer Kurtosis haben schwerere Tails — also mehr Extremwerte/Ausreißer als die Normalverteilung erwarten ließe. Dies ist in der medizinischen Forschung wichtig, weil viele inferenzstatistische Verfahren (t-Test, ANOVA, Regression) Normalverteilung voraussetzen.

Merke: Kurtosis misst nicht primär die "Spitze" der Verteilung, sondern die Schwere der Tails. Eine hohe Kurtosis bedeutet: mehr extreme Werte als bei einer Normalverteilung — relevant für Ausreißer-Diagnostik.

Formel

Die theoretische Kurtosis einer Zufallsvariable X mit Erwartungswert μ und Standardabweichung σ:

$$\text{Kurtosis} = \frac{E[(X - \mu)^4]}{\sigma^4}$$

In der Praxis wird meist der Exzess (Excess Kurtosis) berichtet — die Differenz zur Normalverteilung:

$$\gamma_2 = \frac{E[(X - \mu)^4]}{\sigma^4} - 3$$

Aus einer Stichprobe geschätzt:

$$\hat{\gamma}2 = \frac{\frac{1}{n}\sum{i=1}^{n}(x_i - \bar{x})^4}{\left(\frac{1}{n}\sum_{i=1}^{n}(x_i - \bar{x})^2\right)^2} - 3$$

SPSS, R und die meisten Programme geben standardmäßig den Exzess zurück (also Kurtosis − 3), nicht die Roh-Kurtosis. Wert 0 = normalverteilt.

Voraussetzungen

Für eine sinnvolle Berechnung der Kurtosis sollten folgende Bedingungen erfüllt sein:

Metrisches Skalenniveau — intervall- oder verhältnisskalierte Daten
Ausreichende Stichprobengröße — n ≥ 30, besser n ≥ 100 für stabile Schätzungen (Kurtosis reagiert sensibel auf Ausreißer bei kleinen n)
Keine extremen Ausreißer durch Messfehler — diese können die Kurtosis künstlich erhöhen
Unimodale Verteilung — bei mehrgipfligen Verteilungen ist die Kurtosis schwer interpretierbar

Interpretation

Drei klassische Kategorien anhand des Exzess (γ₂):

Exzess γ₂	Bezeichnung	Form
γ₂ = 0	Mesokurtisch	normalverteilt — Referenzfall
γ₂ > 0	Leptokurtisch	spitzer Gipfel + schwere Tails — mehr Extremwerte
γ₂ < 0	Platykurtisch	flacher Gipfel + leichte Tails — weniger Extremwerte

Faustregeln für die Praxis (medizinische Forschung):

| |γ₂| | Bewertung für Normalverteilungsannahme | |---|---| | < 1 | unproblematisch — parametrische Tests anwendbar | | 1 – 2 | grenzwertig — Normalverteilung visuell prüfen (Q-Q-Plot) | | > 2 | bedenklich — Transformation oder nicht-parametrische Verfahren erwägen | | > 7 | stark abweichend — parametrische Tests nicht zulässig |

Praxis-Tipp: Die Kurtosis allein reicht nicht zur Beurteilung der Normalverteilung. Immer kombiniert mit Schiefe, Q-Q-Plot und ggf. Shapiro-Wilk-Test prüfen. Bei n > 200 sind formale Normalverteilungstests übersensibel — dann gewichten Schiefe + Kurtosis schwerer.

Klinisches Anwendungsbeispiel

Studie: Verteilung der CRP-Werte (mg/L) bei n = 250 Patienten in der Notaufnahme zur Sepsis-Diagnostik.

Mittelwert: M = 42,3 mg/L
Standardabweichung: SD = 58,7 mg/L
Schiefe: 2,84 (rechtsschief)
Exzess-Kurtosis: 9,12 (stark leptokurtisch)

Interpretation: Die hohe Kurtosis von 9,12 zeigt, dass die CRP-Verteilung deutlich schwerere Tails als die Normalverteilung hat — es gibt also wesentlich mehr extreme Werte (z.B. CRP > 300 mg/L bei Sepsis-Patienten) als unter Normalverteilungsannahme erwartet. Kombiniert mit der starken Rechtsschiefe ist klar: Ein t-Test ist hier ungeeignet. Geeignete Alternativen:

Log-Transformation der CRP-Werte → erneute Prüfung
Nicht-parametrische Tests (Mann-Whitney-U bei Gruppenvergleich)
Median + Interquartilsabstand statt Mittelwert ± SD berichten

In SPSS berechnen

Analysieren → Deskriptive Statistiken → Häufigkeiten → Statistik...

Im Dialog "Statistik" anhaken:

Schiefe (Skewness)
Kurtosis (Wölbung)

Im Output-Tab erscheinen:

Kurtosis = Exzess-Kurtosis (also bereits −3 verrechnet, Normalverteilung = 0)
Standardfehler der Kurtosis = SE_K

Faustregel SPSS: Kurtosis / SE_K → wenn |Wert| > 1,96, weicht die Verteilung signifikant von der Normalverteilung ab (bei α = 0,05). Diese Regel gilt allerdings nur für moderate Stichproben (n = 50–300).

Eine vollständige SPSS-Anleitung zur deskriptiven Auswertung inklusive Verteilungsdiagnostik findest du im Begleit-Tutorial.

In R berechnen

# Mit dem Paket "moments"
library(moments)
crp <- df$crp_wert
kurtosis(crp)         # liefert Roh-Kurtosis (Normalverteilung = 3)
kurtosis(crp) - 3     # Exzess (Normalverteilung = 0)

# Mit dem Paket "psych" — komplette deskriptive Statistik
library(psych)
describe(crp)
# vars   n  mean   sd median  ... skew  kurtosis   se
#   1  250  42.3 58.7   18.4  ... 2.84      9.12  3.71
# psych liefert standardmäßig den EXZESS (Normalverteilung = 0)

# Visuelle Prüfung
hist(crp, breaks = 30, freq = FALSE)
curve(dnorm(x, mean(crp), sd(crp)), add = TRUE, col = "red")
qqnorm(crp); qqline(crp, col = "red")

Achtung: moments::kurtosis() liefert die Roh-Kurtosis (Normalverteilung = 3), psych::describe() und e1071::kurtosis() liefern standardmäßig den Exzess (Normalverteilung = 0). Immer prüfen, welche Konvention das verwendete Paket nutzt.

Häufige Fehler

Fehler 1: Kurtosis mit "Spitzigkeit" gleichsetzen

Lange wurde die Kurtosis als "Maß der Gipfelhöhe" gelehrt — das ist irreführend. Tatsächlich misst sie primär das Gewicht der Tails (Extremwerte). Eine hohe Kurtosis kann auch bei flachem Gipfel auftreten, wenn die Tails sehr schwer sind.

Fehler 2: Roh-Kurtosis und Exzess verwechseln

Wenn ein Paper "Kurtosis = 3,2" angibt — handelt es sich um Roh-Kurtosis (≈ Normalverteilung) oder Exzess (deutlich leptokurtisch)? Immer Konvention angeben ("Excess Kurtosis nach Fisher") und Software-Defaults prüfen.

Fehler 3: Bei kleinen Stichproben über-interpretieren

Bei n < 30 ist die Kurtosis-Schätzung sehr instabil — ein einzelner Ausreißer verändert sie drastisch. Schlussfolgerungen über Normalverteilung sollten dann primär auf Q-Q-Plots beruhen, nicht auf der numerischen Kurtosis.

Fehler 4: Allein auf den Shapiro-Wilk-Test verlassen

Bei n > 300 wird der Shapiro-Wilk-Test übersensibel — er weist selbst minimale Abweichungen als signifikant aus. Dann liefern Schiefe + Kurtosis + Histogramm + Q-Q-Plot das robustere Gesamtbild.

Fehler 5: Transformation nicht erwägen

Bei deutlich leptokurtischen, rechtsschiefen Daten (typisch in der Medizin: CRP, Bilirubin, Triglyzeride, Aufenthaltsdauer) führt eine Log-Transformation oft zu annähernd normalverteilten Werten. Nicht-parametrische Tests sind nicht immer die beste Lösung — Transformation prüfen.

Häufige Fragen

„Was bedeutet Kurtosis = 0?" → Wenn das Programm den Exzess berichtet (Standard in SPSS, psych, e1071), bedeutet Kurtosis = 0 eine normalverteilungsähnliche Wölbung. Berichtet das Programm die Roh-Kurtosis (z.B. moments-Paket in R), entspricht der Wert 3 der Normalverteilung. Immer Software-Konvention prüfen.
„Was ist der Unterschied zwischen leptokurtisch und platykurtisch?" → Leptokurtisch (Exzess > 0) bedeutet schwerere Tails als die Normalverteilung — also mehr Extremwerte/Ausreißer. Platykurtisch (Exzess < 0) bedeutet leichtere Tails — die Verteilung ist gleichmäßiger und hat weniger Extremwerte. Mesokurtisch (Exzess = 0) entspricht der Normalverteilung.
„Ab welchem Wert ist die Kurtosis problematisch?" → Faustregel: |Exzess| < 1 ist unproblematisch, 1–2 grenzwertig, > 2 bedenklich für parametrische Tests. Diese Schwellen sind aber Heuristiken — eine kombinierte Beurteilung mit Schiefe, Q-Q-Plot und ggf. formalen Tests ist immer besser als ein einzelner Cutoff.
„Warum SPSS eine Kurtosis von 0 für die Normalverteilung anzeigt?" → SPSS berichtet standardmäßig den Exzess (Excess Kurtosis), also Kurtosis − 3. Dadurch ist 0 der Referenzwert für die Normalverteilung. Diese Konvention ist in den meisten Statistikpaketen verbreitet, da sie die Interpretation vereinfacht.
„Kann man bei hoher Kurtosis trotzdem den t-Test verwenden?" → Bei moderater Kurtosis (|γ₂| < 2) und n ≥ 30 ist der t-Test dank zentralem Grenzwertsatz robust. Bei stark leptokurtischen Verteilungen (γ₂ > 2) und/oder kleinen Stichproben sollte auf nicht-parametrische Verfahren (Mann-Whitney-U) ausgewichen oder die Daten transformiert werden (z.B. Log-Transformation).
„Wie hängen Schiefe und Kurtosis zusammen?" → Schiefe und Kurtosis sind unabhängige, aber komplementäre Maße. Schiefe misst Asymmetrie (3. Moment), Kurtosis misst Tail-Schwere (4. Moment). In der Medizin treten beide oft gemeinsam auf — rechtsschiefe Verteilungen (z.B. Laborwerte wie CRP, Bilirubin) sind meist auch leptokurtisch. Beide Maße zusammen geben das vollständigere Bild.
„Wie groß muss die Stichprobe für eine zuverlässige Kurtosis sein?" → Mindestens n = 30, besser n ≥ 100. Die Kurtosis basiert auf dem vierten zentralen Moment und reagiert daher sehr empfindlich auf Ausreißer — bei kleinen Stichproben kann ein einziger Extremwert die Schätzung dramatisch verändern. Bei n < 30 ist die visuelle Beurteilung per Q-Q-Plot meist informativer als der numerische Wert.
„Verändert eine Log-Transformation die Kurtosis?" → Ja, deutlich. Eine Log-Transformation komprimiert große Werte stärker als kleine und reduziert dadurch typischerweise sowohl Schiefe als auch Kurtosis. Bei klassisch rechtsschiefen, leptokurtischen Laborwerten (CRP, Triglyzeride, Aufenthaltsdauer) führt sie oft zu annähernd normalverteilten Daten — und ermöglicht dann den Einsatz parametrischer Tests.

✅ Fachlich geprüft von PD Dr. Dr. Andreas Vollmer