Ein Histogramm, das zu einer Seite ausschlägt, eine Kontrollkarte, die aus ihren Grenzen herausfällt, ein Lieferant, der eine Fehlerquote angibt, die Sie nicht überprüfen können: Das sind Situationen, mit denen jeder Qualitäts- oder Produktionsleiter regelmäßig konfrontiert ist. Die deskriptive Statistiken sind das Werkzeug, mit dem sich diese Beobachtungen in fundierte Entscheidungen statt in bloße Eindrücke umsetzen lassen. Sie dienen nicht dazu, zum Spaß Mathematik zu betreiben: Sie dienen dazu, festzustellen, ob ein Prozess unter Kontrolle ist, ob ein Teil tatsächlich eine Abweichung darstellt oder ob ein Bestand von 10.000 Teilen nach einer Prüfung von 60 Stichproben aussortiert werden muss.
Dieser Leitfaden behandelt die konkrete Anwendung deskriptiver Statistiken in der industriellen Produktion auf der Grundlage der von … entwickelten Methodik Maurice Pillet, Mitbegründer von Ellistat, emeritierter Professor und führender französischer Experte für Qualität und Six Sigma.
Deskriptive, inferentielle und multivariate Statistik: Wo liegt der Schwerpunkt Ihrer täglichen Analyse?
Wenn man Produktionsdaten erfasst, erhält man in der Regel eine Tabelle mit Eingangsgrößen (den X-Werten, den Prozessparametern) und Ausgangsgrößen (den Y-Werten, den Produktmerkmalen). Es gibt drei Arten statistischer Analysen, mit denen sich diese Daten auswerten lassen, und es ist hilfreich zu wissen, welche davon Sie im Alltag anwenden.
- Deskriptive Statistik beziehen sich jeweils nur auf eine einzige Variable, X oder Y, unabhängig davon, ob diese quantitativ (ein Messwert) oder qualitativ (ein Fehler, eine Kategorie) ist. Dies ist die gängigste und unmittelbarste Analyseebene.
- Inferenzstatistik suchen nach einem systematischen Zusammenhang zwischen den Schwankungen einer Variablen Y und einer oder mehreren Variablen X, in der Regel, um das Verhalten von Y zu erklären oder zu modellieren.
- Multivariate Statistik bearbeiten die gesamte Tabelle ohne Unterscheidung zwischen Eingabe und Ausgabe, um Individuen zu klassifizieren oder Beziehungen zwischen Variablen zu ermitteln.
Die deskriptive Statistik ist daher der unverzichtbare Ausgangspunkt: Bevor man nach einer (inferentiellen) Ursache oder einer übergreifenden (multivariaten) Struktur sucht, muss man zunächst einmal eine einzelne Datenspalte richtig interpretieren können. Genau hier entscheiden sich die meisten alltäglichen Qualitätsentscheidungen.
Bevor Sie mit der Analyse beginnen, schauen Sie sich Ihre Daten genau an
Visuelle Hervorhebung durch bedingte Formatierung
Der erste Schritt, der oft übersehen wird, besteht einfach darin, sich die Datentabelle mit bedingter Formatierung anzusehen. Das Prinzip ist einfach: Die Werte werden je nach ihrer Position in der Verteilung farblich hervorgehoben, von Blau über Grün bis hin zu Rot.
Ein geschultes Auge erkennt sofort ein Problem: Eine Säule, in der Blau überwiegt und nur wenig Grün zu sehen ist, deutet auf eine Verteilung hin, die wahrscheinlich von einer Normalverteilung abweicht. Eine Spalte, in der Grün dominiert, mit einer hohen Dichte in der Mitte und den Extremen in Blau und Rot, sieht hingegen wie eine gut zentrierte Normalverteilung aus. Dieser einfache Blick, noch bevor Berechnungen angestellt werden, gibt bereits die Richtung für die bevorstehende Analyse vor.
Die automatische Erkennung von Ausreißern
Ein Punkt, der außerhalb der „Schnurrhaare“ eines Schnurrhaarddiagramms liegt, ist nicht unbedingt ein Ausreißer im statistischen Sinne. Die Unterscheidung ist wichtig: Ein echter Ausreißer muss durch einen speziellen statistischen Test identifiziert werden, nicht nur durch eine grobe grafische Beurteilung. Dieser Test – und nicht der visuelle Eindruck – muss eine Untersuchung auslösen oder dazu führen, dass der Datenpunkt aus Ihren Fähigkeitsberechnungen ausgeschlossen wird.
Grafische Analyse: Histogramme, Boxplots und Kontrollkarten
Histogramm und Boxplot zur Beurteilung der Verteilungsform
Das Histogramm bleibt der Ausgangspunkt, um zu beurteilen, ob eine Verteilung einer Normalverteilung ähnelt, insbesondere wenn man eine Dichtekurve darüberlegt. Das Box- und Whisker-Diagramm ergänzt diese Auswertung, vor allem im Vergleich: Es ermöglicht es, mehrere Merkmale (mehrere Durchmesser, mehrere Chargen, mehrere Maschinen) nebeneinander darzustellen und auf einen Blick zu erkennen, welches sich anders verhält als die anderen.
Kontrollkarten: Kontinuierliche Überwachung der Prozessstabilität
Kontrollkarten bieten einen zeitlichen Überblick, während das Histogramm eine statische Darstellung liefert. Sie müssen sich an die tatsächlichen Gegebenheiten vor Ort anpassen können und nicht umgekehrt:
- Überwachung anhand des Mittelwerts, des Medians oder eines gewichteten gleitenden Mittelwerts (EWMA), wahlweise einzeln oder in Kombination; ;
- Zentrierung möglich in Bezug auf das Ziel oder in Bezug auf den Mittelwert der Daten; ;
- Unterstützung variabler Stichprobengrößen: Wenn sich die Anzahl Ihrer Wiederholungen je nach Probenahme von 3 Stück auf 2 und dann auf 1 ändert, muss die Karte ihre Grenzwerte automatisch anpassen, ohne dass eine manuelle Neuberechnung erforderlich ist.
Genau diese Flexibilität macht den Unterschied zwischen einer Kontrollkarte, die Ihren Prozess wirklich widerspiegelt, und einer theoretischen Karte, die nicht mehr der Realität in der Werkstatt entspricht.
Prüfen Sie die Normalverteilung, bevor Sie Ihre Fähigkeitsindizes berechnen
Die Fähigkeitsindizes (Cp, Cpk, Pp, Ppk) und die meisten Berechnungen des Anteils an Nichtkonformitäten basieren auf einer Verteilungsannahme, meist der Normalverteilung. Vor der Berechnung muss daher überprüft werden, ob diese Annahme zutrifft – andernfalls sind die ermittelten Kennzahlen wertlos.
Drei Normalitätstests decken nahezu alle in der Produktion auftretenden Situationen ab:
- der Chi-Quadrat-Test, geeignet, wenn die Daten geschichtet sind und keine Einzelwerte vorliegen
- der Shapiro-Wilk-Test, das bei kleinen Stichproben von bis zu etwa dreißig Stück relevant ist
- der Anderson-Darling-Test, ab dieser Stichprobengröße robuster
Ein gutes Analysewerkzeug begnügt sich nicht damit, alle drei zu berechnen: Es identifiziert und hebt denjenigen hervor, der je nach Umfang und Struktur Ihrer Daten tatsächlich relevant ist, um Fehlinterpretationen zu vermeiden. Und wenn die Normalitätsannahme verworfen wird, darf man es dabei nicht belassen: Bestimmte Merkmale, insbesondere solche, die auf Null begrenzt sind (Ebenheit, Rundheit, Unrundheit), folgen naturgemäß einem anderen Verteilungsgesetz, wie beispielsweise der Rayleigh-Verteilung, die ihr tatsächliches Verhalten dann wesentlich besser modelliert.
Der MAD: ein robuster Indikator, den nur wenige Qualitätswerkzeuge bieten
Die Standardabweichung reagiert sehr empfindlich auf Ausreißer: Schon ein einziges falsch gemessenes oder tatsächlich fehlerhaftes Teil kann sie künstlich in die Höhe treiben, sodass sie sich bei einer ansonsten vollkommen stabilen Stichprobe um einen erheblichen Faktor vervielfacht. Die MAD (Median Absolute Deviation, d. h. Median der Abweichungen vom Median) weist diesen Nachteil nicht auf: Er bleibt bei Vorliegen eines Ausreißers nahezu unverändert, gerade weil er auf Medianen und nicht auf Durchschnittswerten basiert.
In der Praxis ist der MAD das nichtparametrische Äquivalent zur Standardabweichung. Es erweist sich als besonders nützlich für Tests zum Vergleich der Variabilität zwischen Chargen, Maschinen oder Lieferanten, wenn Ihre Daten Ausreißer enthalten – oder enthalten könnten –, die einen Vergleich auf Basis der klassischen Standardabweichung verfälschen würden.
Attributkarten: Qualitätssteuerung, wenn Fehler gezählt werden, nicht Messwerte
Nicht alle Qualitätsdaten sind kontinuierliche Messwerte. Anzahl, Fehlerquote, Nichtkonformitäten pro Charge: Diese Attributdaten werden mit einer speziellen Kartenfamilie (P, NP, C, U) verwaltet, und die Wahl der richtigen Karte hat direkten Einfluss auf die Zuverlässigkeit der Überwachung.
Die P-Karte geht beispielsweise davon aus, dass die einzige Quelle für Schwankungen die Stichprobenziehung ist. Sobald jedoch die Losgrößen von Periode zu Periode variieren, trifft diese Annahme nicht mehr zu, und die P-Karte löst Warnmeldungen wegen einer Abweichung von der Kontrolle aus, die die tatsächliche Situation des Prozesses nicht widerspiegeln. Die U-Karte, die die Anzahl der Fehler auf eine Gelegenheitseinheit bezieht, erweist sich daher in den meisten realen industriellen Kontexten als weitaus besser geeignet – sie ist übrigens die in der Praxis am häufigsten verwendete Karte, sobald die Losgrößen nicht streng konstant sind.
Anwendung der Gesetze der diskreten Verteilung zur Absicherung einer Sortier- oder Annahmeentscheidung
Zwei Fragen tauchen in der Praxis sehr häufig auf, und die Gesetze der diskreten Verteilung geben darauf direkt eine Antwort, ohne dass man in einer statistischen Tabelle nachschlagen muss.
Erster Fall: Entscheiden, ob ein Lagerbestand sortiert werden muss. Sie haben 10.000 Teile auf Lager, beginnen mit einer Prüfung und entnehmen 60 Teile, von denen 2 nicht den Anforderungen entsprechen. Müssen Sie alles aussortieren? Die hypergeometrische Verteilung (angepasst, wenn man von der Stückzahl in einer fertigen Charge ausgeht) ermöglicht es, mit einem Konfidenzintervall zu antworten: In diesem Beispiel lässt sich schätzen, dass der Bestand bei einem Konfidenzniveau von 95 % nicht mehr als etwa 1.010 fehlerhafte Teile von insgesamt 10.000 enthalten würde. Diese Angabe ist für die Entscheidungsfindung weitaus aussagekräftiger als eine einfache Dreisatzrechnung auf Basis der beobachteten Quote.
Zweiter Fall: Bewertung des Risikos bei der Annahme einer Lieferantenlieferung. Ein Lieferant gibt eine Fehlerquote von 3 % an. Sie entnehmen 50 Stück zur Prüfung. Die Binomialgesetz ermöglicht die Berechnung, dass die Wahrscheinlichkeit, in dieser Stichprobe kein fehlerhaftes Teil zu finden – selbst wenn die tatsächliche Fehlerquote von 3 % zutrifft –, bei etwa 21 % liegt. Mit anderen Worten: Wenn bei der Kontrolle nichts gefunden wird, ist dies keineswegs eine Garantie dafür, dass die Charge konform ist. Genau diese Art von Berechnung ermöglicht es, einen Stichprobenplan korrekt zu dimensionieren, anstatt ihn willkürlich festzulegen.
Ein periodisches Phänomen mithilfe der Fourier-Zerlegung vorhersagen
Manche Qualitätsprobleme weisen ein periodisches Muster auf, das sich anhand einer einfachen Grafik nicht erklären lässt, selbst wenn es deutlich zu erkennen ist. Dies ist beispielsweise bei einem Uhrwerk der Fall, dessen Amplitude alle sechs Sekunden gemessen wird: Die Kurve zeigt regelmäßige Schwingungen, ohne dass die Ursache offensichtlich ist.
Die Fourier-Zerlegung ermöglicht es, das Signal anhand seiner dominanten Frequenzen zu rekonstruieren und festzustellen, welche davon am stärksten zu den beobachteten Abweichungen beiträgt. In diesem Beispiel zeigt die Analyse eine Periodizität, die einer Umdrehung von etwa eineinhalb Minuten entspricht – was direkt auf das betreffende mechanische Bauteil hinweist, nämlich ein Rad, das mit dieser Frequenz dreht und die gemessenen Störungen erzeugt. Dies ist ein wertvolles Hilfsmittel, sobald der Verdacht besteht, dass hinter einer scheinbar zufälligen Abweichung eine zyklische mechanische Ursache steckt.
Kontrollgrenzen klar festlegen: zwischen klassischen und erweiterten Grenzen
Dies ist ein Punkt, der oft nicht ausreichend beachtet wird, obwohl er die Wirksamkeit einer Kontrollkarte direkt beeinflusst. Die klassischen Kontrollgrenzen, die auf der Grundlage der Normalverteilung mit plus/minus 3 Standardabweichungen berechnet werden, dürfen niemals weiter eingeengt werden: Dies würde bedeuten, dass man das Risiko eingeht, einen Prozess zu stören, der eigentlich einwandfrei funktioniert, indem man auf normales statistisches Rauschen reagiert.
Umgekehrt kann man dem Prozess ein gewisses Maß an Abweichung zugestehen, indem man ein Mindestziel für die Leistungsfähigkeit (beispielsweise einen Cpk-Grenzwert) und ein akzeptables Beta-Risiko festlegt – also den Prozentsatz der Fälle, in denen man toleriert, dass eine Überschreitung dieses Ziels nicht sofort erkannt wird. Auf diese Weise lassen sich erweiterte Grenzen, die über die klassischen Grenzen hinausgehen.
Es hat sich bewährt, die Kontrollgrenzen zwischen diesen beiden Grenzwerten festzulegen: niemals enger als die klassischen Grenzen, niemals weiter als die erweiterten Grenzen. Mit dieser Art der Berechnung lässt sich auch die tatsächlich erforderliche Stichprobengröße ermitteln, um ein bestimmtes Fähigkeitsziel zu gewährleisten – und nicht selten stellt man fest, dass eine Stichprobe von nur einem Stück ausreicht, wenn die kurzfristige Standardabweichung des Prozesses gering genug ist, wodurch unnötige Probenahmen vermieden werden.
Weiterführende Informationen: Konfidenz- und Vorhersageintervalle
Hier ist ein häufiger Fehler: Ausgehend von einer Vorproduktionsstichprobe (z. B. 15 Stück) werden ein Mittelwert und eine Standardabweichung berechnet; anschließend wird die Streuung der tatsächlichen Charge geschätzt, indem diese Werte einfach auf eine Normalverteilung angewendet werden, so als ob der Mittelwert und die Standardabweichung der Stichprobe genau denen der gesamten Grundgesamtheit entsprächen.
Diese Annahme ist zu weit gefasst: Der Mittelwert und die Standardabweichung, die auf der Grundlage von 15 Stück berechnet werden, können selbst von einer Stichprobe zur anderen variieren. Die in der Norm ISO 16269 festgelegte Methode trägt dem Rechnung, und die’Streuungsbereich Das so erhaltene Ergebnis ist systematisch größer als das, das man bei einer naiven Berechnung mit mehr oder weniger X Standardabweichungen erhält. Wird dieser feine Unterschied außer Acht gelassen, wird die tatsächlich zu erwartende Streuung in der Produktion unterschätzt, was das Risiko birgt, dass das Problem erst nach dem Start der Serie und nicht bereits im Vorfeld entdeckt wird.
Es lassen sich zwei verwandte Begriffe unterscheiden: Das Streuintervall gibt den Bereich an, in dem ein bestimmter Anteil der Individuen liegt, während das’Vorhersageintervall begrenzt den erwarteten Streuungsbereich auf eine zukünftige Population definierter Größe (beispielsweise eine künftige Charge von 500 Stück). Es gibt auch eine nichtparametrische Berechnung für Fälle, in denen die Normalitätsannahme nicht zutrifft.
Warum sollten diese Analysen in einem Qualitätsmanagement-Tool statt in Excel-Tabellen zentralisiert werden?
Jede dieser Analysen ist einzeln abrufbar; viele Qualitätsverantwortliche wenden sie bereits an, oft mithilfe von manuell angepassten Excel-Formeln oder statistischen Tabellen in Papierform. Die Schwierigkeit liegt nicht in der Methode selbst, sondern darin, sie im Alltag schnell, zuverlässig und reproduzierbar auf Daten anzuwenden, die sich ständig ändern.
Das ist die Aufgabe des Moduls Datenanalyse aus der Ellistat-Suite: Es bündelt alle diese deskriptiven Statistiken: grafische Analyse, Kontrollkarten, Normalitätstests, MAD, Attributkarten, Verteilungsgesetze, Fourier-Zerlegung, Rechner für Stichprobenpläne gemäß den Normen ISO 2859 und ISO 3951, Kontrollgrenzen und Streuintervalle … in einer einzigen Benutzeroberfläche, die so konzipiert ist, dass sie einfach zugänglich bleibt und nie mehr als zwei Menüebenen umfasst. Das Ziel besteht nicht darin, die statistische Komplexität zu erhöhen, sondern im Gegenteil, sie zu verringern, indem diese Methoden für die Qualitäts- und Produktionsteams direkt nutzbar gemacht werden, ohne dass vorherige statistische Fachkenntnisse erforderlich sind.
Schlussfolgerung
Deskriptive Statistiken sind keine akademische Übung, die nur Qualitätsexperten vorbehalten ist: Sie geben Antworten auf ganz konkrete Fragen, die sich Produktions- und Qualitätsverantwortliche täglich stellen: Ist dieser Wert wirklich ein Ausreißer, ist dieser Prozess stabil, ist diese Lieferantencharge zuverlässig, muss dieser Lagerbestand aussortiert werden? Richtig eingesetzt verwandeln deskriptive Industriestatistiken Rohdaten in schnelle und fundierte Entscheidungen, anstatt in nicht überprüfbare Vermutungen. Die Schwierigkeit liegt nie in der statistischen Theorie selbst, sondern in ihrer einfachen und zuverlässigen Umsetzung – Tag für Tag – anhand der tatsächlichen Daten aus Ihrer Fertigung.
