{"id":4443,"date":"2026-07-09T15:35:32","date_gmt":"2026-07-09T13:35:32","guid":{"rendered":"https:\/\/ellistat.com\/?p=4443"},"modified":"2026-07-09T15:35:40","modified_gmt":"2026-07-09T13:35:40","slug":"deskriptive-statistik-in-der-industrie-ein-umfassender-leitfaden","status":"publish","type":"post","link":"https:\/\/ellistat.com\/de\/statistiques-descriptives-industrielles-guide-complet\/","title":{"rendered":"Deskriptive Statistik in der Industrie: Ein umfassender Leitfaden"},"content":{"rendered":"<p class=\"wp-block-paragraph\">Ein Histogramm, das zu einer Seite ausschl\u00e4gt, eine Kontrollkarte, die aus ihren Grenzen herausf\u00e4llt, ein Lieferant, der eine Fehlerquote angibt, die Sie nicht \u00fcberpr\u00fcfen k\u00f6nnen: Das sind Situationen, mit denen jeder Qualit\u00e4ts- oder Produktionsleiter regelm\u00e4\u00dfig konfrontiert ist. Die\u00a0<strong>deskriptive Statistiken<\/strong>\u00a0sind das Werkzeug, mit dem sich diese Beobachtungen in fundierte Entscheidungen statt in blo\u00dfe Eindr\u00fccke umsetzen lassen. Sie dienen nicht dazu, zum Spa\u00df Mathematik zu betreiben: Sie dienen dazu, festzustellen, ob ein Prozess unter Kontrolle ist, ob ein Teil tats\u00e4chlich eine Abweichung darstellt oder ob ein Bestand von 10.000 Teilen nach einer Pr\u00fcfung von 60 Stichproben aussortiert werden muss.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Dieser Leitfaden behandelt die konkrete Anwendung deskriptiver Statistiken in der industriellen Produktion auf der Grundlage der von \u2026 entwickelten Methodik <a href=\"https:\/\/www.linkedin.com\/in\/maurice-pillet-28542248\/\" data-type=\"link\" data-id=\"https:\/\/www.linkedin.com\/in\/maurice-pillet-28542248\/\">Maurice Pillet<\/a>, Mitbegr\u00fcnder von Ellistat, emeritierter Professor und f\u00fchrender franz\u00f6sischer Experte f\u00fcr Qualit\u00e4t und Six Sigma.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Deskriptive, inferentielle und multivariate Statistik: Wo liegt der Schwerpunkt Ihrer t\u00e4glichen Analyse?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Wenn man Produktionsdaten erfasst, erh\u00e4lt man in der Regel eine Tabelle mit Eingangsgr\u00f6\u00dfen (den X-Werten, den Prozessparametern) und Ausgangsgr\u00f6\u00dfen (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.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Deskriptive Statistik<\/strong>\u00a0beziehen sich jeweils nur auf eine einzige Variable, X oder Y, unabh\u00e4ngig davon, ob diese quantitativ (ein Messwert) oder qualitativ (ein Fehler, eine Kategorie) ist. Dies ist die g\u00e4ngigste und unmittelbarste Analyseebene.<\/li>\n\n\n\n<li><strong>Inferenzstatistik<\/strong>\u00a0suchen 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 erkl\u00e4ren oder zu modellieren.<\/li>\n\n\n\n<li><strong>Multivariate Statistik<\/strong>\u00a0bearbeiten die gesamte Tabelle ohne Unterscheidung zwischen Eingabe und Ausgabe, um Individuen zu klassifizieren oder Beziehungen zwischen Variablen zu ermitteln.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Die deskriptive Statistik ist daher der unverzichtbare Ausgangspunkt: Bevor man nach einer (inferentiellen) Ursache oder einer \u00fcbergreifenden (multivariaten) Struktur sucht, muss man zun\u00e4chst einmal eine einzelne Datenspalte richtig interpretieren k\u00f6nnen. Genau hier entscheiden sich die meisten allt\u00e4glichen Qualit\u00e4tsentscheidungen.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Bevor Sie mit der Analyse beginnen, schauen Sie sich Ihre Daten genau an<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Visuelle Hervorhebung durch bedingte Formatierung<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Der erste Schritt, der oft \u00fcbersehen 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 \u00fcber Gr\u00fcn bis hin zu Rot.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ein geschultes Auge erkennt sofort ein Problem: Eine S\u00e4ule, in der Blau \u00fcberwiegt und nur wenig Gr\u00fcn zu sehen ist, deutet auf eine Verteilung hin, die wahrscheinlich von einer Normalverteilung abweicht. Eine Spalte, in der Gr\u00fcn 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 f\u00fcr die bevorstehende Analyse vor.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Die automatische Erkennung von Ausrei\u00dfern<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Ein Punkt, der au\u00dferhalb der \u201eSchnurrhaare\u201c eines Schnurrhaarddiagramms liegt, ist nicht unbedingt ein Ausrei\u00dfer im statistischen Sinne. Die Unterscheidung ist wichtig: Ein echter Ausrei\u00dfer muss durch einen speziellen statistischen Test identifiziert werden, nicht nur durch eine grobe grafische Beurteilung. Dieser Test \u2013 und nicht der visuelle Eindruck \u2013 muss eine Untersuchung ausl\u00f6sen oder dazu f\u00fchren, dass der Datenpunkt aus Ihren F\u00e4higkeitsberechnungen ausgeschlossen wird.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Grafische Analyse: Histogramme, Boxplots und Kontrollkarten<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Histogramm und Boxplot zur Beurteilung der Verteilungsform<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Das Histogramm bleibt der Ausgangspunkt, um zu beurteilen, ob eine Verteilung einer Normalverteilung \u00e4hnelt, insbesondere wenn man eine Dichtekurve dar\u00fcberlegt. Das Box- und Whisker-Diagramm erg\u00e4nzt diese Auswertung, vor allem im Vergleich: Es erm\u00f6glicht es, mehrere Merkmale (mehrere Durchmesser, mehrere Chargen, mehrere Maschinen) nebeneinander darzustellen und auf einen Blick zu erkennen, welches sich anders verh\u00e4lt als die anderen.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Kontrollkarten: Kontinuierliche \u00dcberwachung der Prozessstabilit\u00e4t<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Kontrollkarten bieten einen zeitlichen \u00dcberblick, w\u00e4hrend das Histogramm eine statische Darstellung liefert. Sie m\u00fcssen sich an die tats\u00e4chlichen Gegebenheiten vor Ort anpassen k\u00f6nnen und nicht umgekehrt:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>\u00dcberwachung anhand des Mittelwerts, des Medians oder eines gewichteten gleitenden Mittelwerts (EWMA), wahlweise einzeln oder in Kombination; ;<\/li>\n\n\n\n<li>Zentrierung m\u00f6glich in Bezug auf das Ziel oder in Bezug auf den Mittelwert der Daten; ;<\/li>\n\n\n\n<li>Unterst\u00fctzung variabler Stichprobengr\u00f6\u00dfen: Wenn sich die Anzahl Ihrer Wiederholungen je nach Probenahme von 3 St\u00fcck auf 2 und dann auf 1 \u00e4ndert, muss die Karte ihre Grenzwerte automatisch anpassen, ohne dass eine manuelle Neuberechnung erforderlich ist.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Genau diese Flexibilit\u00e4t macht den Unterschied zwischen einer Kontrollkarte, die Ihren Prozess wirklich widerspiegelt, und einer theoretischen Karte, die nicht mehr der Realit\u00e4t in der Werkstatt entspricht.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Pr\u00fcfen Sie die Normalverteilung, bevor Sie Ihre F\u00e4higkeitsindizes berechnen<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Die F\u00e4higkeitsindizes (Cp, Cpk, Pp, Ppk) und die meisten Berechnungen des Anteils an Nichtkonformit\u00e4ten basieren auf einer Verteilungsannahme, meist der Normalverteilung. Vor der Berechnung muss daher \u00fcberpr\u00fcft werden, ob diese Annahme zutrifft \u2013 andernfalls sind die ermittelten Kennzahlen wertlos.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Drei Normalit\u00e4tstests decken nahezu alle in der Produktion auftretenden Situationen ab:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>der Chi-Quadrat-Test<\/strong>, geeignet, wenn die Daten geschichtet sind und keine Einzelwerte vorliegen <\/li>\n\n\n\n<li><strong>der Shapiro-Wilk-Test<\/strong>, das bei kleinen Stichproben von bis zu etwa drei\u00dfig St\u00fcck relevant ist <\/li>\n\n\n\n<li><strong>der Anderson-Darling-Test<\/strong>, ab dieser Stichprobengr\u00f6\u00dfe robuster<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Ein gutes Analysewerkzeug begn\u00fcgt sich nicht damit, alle drei zu berechnen: Es identifiziert und hebt denjenigen hervor, der je nach Umfang und Struktur Ihrer Daten tats\u00e4chlich relevant ist, um Fehlinterpretationen zu vermeiden. Und wenn die Normalit\u00e4tsannahme verworfen wird, darf man es dabei nicht belassen: Bestimmte Merkmale, insbesondere solche, die auf Null begrenzt sind (Ebenheit, Rundheit, Unrundheit), folgen naturgem\u00e4\u00df einem anderen Verteilungsgesetz, wie beispielsweise der Rayleigh-Verteilung, die ihr tats\u00e4chliches Verhalten dann wesentlich besser modelliert.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Der MAD: ein robuster Indikator, den nur wenige Qualit\u00e4tswerkzeuge bieten<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Die Standardabweichung reagiert sehr empfindlich auf Ausrei\u00dfer: Schon ein einziges falsch gemessenes oder tats\u00e4chlich fehlerhaftes Teil kann sie k\u00fcnstlich in die H\u00f6he treiben, sodass sie sich bei einer ansonsten vollkommen stabilen Stichprobe um einen erheblichen Faktor vervielfacht. Die&nbsp;<strong>MAD<\/strong>&nbsp;(Median Absolute Deviation, d.\u202fh. Median der Abweichungen vom Median) weist diesen Nachteil nicht auf: Er bleibt bei Vorliegen eines Ausrei\u00dfers nahezu unver\u00e4ndert, gerade weil er auf Medianen und nicht auf Durchschnittswerten basiert.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">In der Praxis ist der MAD das nichtparametrische \u00c4quivalent zur Standardabweichung. Es erweist sich als besonders n\u00fctzlich f\u00fcr Tests zum Vergleich der Variabilit\u00e4t zwischen Chargen, Maschinen oder Lieferanten, wenn Ihre Daten Ausrei\u00dfer enthalten \u2013 oder enthalten k\u00f6nnten \u2013, die einen Vergleich auf Basis der klassischen Standardabweichung verf\u00e4lschen w\u00fcrden.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Attributkarten: Qualit\u00e4tssteuerung, wenn Fehler gez\u00e4hlt werden, nicht Messwerte<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Nicht alle Qualit\u00e4tsdaten sind kontinuierliche Messwerte. Anzahl, Fehlerquote, Nichtkonformit\u00e4ten 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 Zuverl\u00e4ssigkeit der \u00dcberwachung.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Die P-Karte geht beispielsweise davon aus, dass die einzige Quelle f\u00fcr Schwankungen die Stichprobenziehung ist. Sobald jedoch die Losgr\u00f6\u00dfen von Periode zu Periode variieren, trifft diese Annahme nicht mehr zu, und die P-Karte l\u00f6st Warnmeldungen wegen einer Abweichung von der Kontrolle aus, die die tats\u00e4chliche 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 \u2013 sie ist \u00fcbrigens die in der Praxis am h\u00e4ufigsten verwendete Karte, sobald die Losgr\u00f6\u00dfen nicht streng konstant sind.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Anwendung der Gesetze der diskreten Verteilung zur Absicherung einer Sortier- oder Annahmeentscheidung<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Zwei Fragen tauchen in der Praxis sehr h\u00e4ufig auf, und die Gesetze der diskreten Verteilung geben darauf direkt eine Antwort, ohne dass man in einer statistischen Tabelle nachschlagen muss.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Erster Fall: Entscheiden, ob ein Lagerbestand sortiert werden muss.<\/strong>&nbsp;Sie haben 10.000 Teile auf Lager, beginnen mit einer Pr\u00fcfung und entnehmen 60 Teile, von denen 2 nicht den Anforderungen entsprechen. M\u00fcssen Sie alles aussortieren? Die&nbsp;<strong>hypergeometrische Verteilung<\/strong>&nbsp;(angepasst, wenn man von der St\u00fcckzahl in einer fertigen Charge ausgeht) erm\u00f6glicht es, mit einem Konfidenzintervall zu antworten: In diesem Beispiel l\u00e4sst sich sch\u00e4tzen, dass der Bestand bei einem Konfidenzniveau von 95 % nicht mehr als etwa 1.010 fehlerhafte Teile von insgesamt 10.000 enthalten w\u00fcrde. Diese Angabe ist f\u00fcr die Entscheidungsfindung weitaus aussagekr\u00e4ftiger als eine einfache Dreisatzrechnung auf Basis der beobachteten Quote.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Zweiter Fall: Bewertung des Risikos bei der Annahme einer Lieferantenlieferung.<\/strong>&nbsp;Ein Lieferant gibt eine Fehlerquote von 3 % an. Sie entnehmen 50 St\u00fcck zur Pr\u00fcfung. Die&nbsp;<strong>Binomialgesetz<\/strong>&nbsp;erm\u00f6glicht die Berechnung, dass die Wahrscheinlichkeit, in dieser Stichprobe kein fehlerhaftes Teil zu finden \u2013 selbst wenn die tats\u00e4chliche Fehlerquote von 3 % zutrifft \u2013, bei etwa 21 % liegt. Mit anderen Worten: Wenn bei der Kontrolle nichts gefunden wird, ist dies keineswegs eine Garantie daf\u00fcr, dass die Charge konform ist. Genau diese Art von Berechnung erm\u00f6glicht es, einen Stichprobenplan korrekt zu dimensionieren, anstatt ihn willk\u00fcrlich festzulegen.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Ein periodisches Ph\u00e4nomen mithilfe der Fourier-Zerlegung vorhersagen<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Manche Qualit\u00e4tsprobleme weisen ein periodisches Muster auf, das sich anhand einer einfachen Grafik nicht erkl\u00e4ren l\u00e4sst, 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 regelm\u00e4\u00dfige Schwingungen, ohne dass die Ursache offensichtlich ist.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Die&nbsp;<strong>Fourier-Zerlegung<\/strong>&nbsp;erm\u00f6glicht es, das Signal anhand seiner dominanten Frequenzen zu rekonstruieren und festzustellen, welche davon am st\u00e4rksten zu den beobachteten Abweichungen beitr\u00e4gt. In diesem Beispiel zeigt die Analyse eine Periodizit\u00e4t, die einer Umdrehung von etwa eineinhalb Minuten entspricht \u2013 was direkt auf das betreffende mechanische Bauteil hinweist, n\u00e4mlich ein Rad, das mit dieser Frequenz dreht und die gemessenen St\u00f6rungen erzeugt. Dies ist ein wertvolles Hilfsmittel, sobald der Verdacht besteht, dass hinter einer scheinbar zuf\u00e4lligen Abweichung eine zyklische mechanische Ursache steckt.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Kontrollgrenzen klar festlegen: zwischen klassischen und erweiterten Grenzen<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">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, d\u00fcrfen niemals weiter eingeengt werden: Dies w\u00fcrde bedeuten, dass man das Risiko eingeht, einen Prozess zu st\u00f6ren, der eigentlich einwandfrei funktioniert, indem man auf normales statistisches Rauschen reagiert.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Umgekehrt kann man dem Prozess ein gewisses Ma\u00df an Abweichung zugestehen, indem man ein Mindestziel f\u00fcr die Leistungsf\u00e4higkeit (beispielsweise einen Cpk-Grenzwert) und ein akzeptables Beta-Risiko festlegt \u2013 also den Prozentsatz der F\u00e4lle, in denen man toleriert, dass eine \u00dcberschreitung dieses Ziels nicht sofort erkannt wird. Auf diese Weise lassen sich&nbsp;<strong>erweiterte Grenzen<\/strong>, die \u00fcber die klassischen Grenzen hinausgehen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Es hat sich bew\u00e4hrt, die Kontrollgrenzen zwischen diesen beiden Grenzwerten festzulegen: niemals enger als die klassischen Grenzen, niemals weiter als die erweiterten Grenzen. Mit dieser Art der Berechnung l\u00e4sst sich auch die tats\u00e4chlich erforderliche Stichprobengr\u00f6\u00dfe ermitteln, um ein bestimmtes F\u00e4higkeitsziel zu gew\u00e4hrleisten \u2013 und nicht selten stellt man fest, dass eine Stichprobe von nur einem St\u00fcck ausreicht, wenn die kurzfristige Standardabweichung des Prozesses gering genug ist, wodurch unn\u00f6tige Probenahmen vermieden werden.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Weiterf\u00fchrende Informationen: Konfidenz- und Vorhersageintervalle<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Hier ist ein h\u00e4ufiger Fehler: Ausgehend von einer Vorproduktionsstichprobe (z. B. 15 St\u00fcck) werden ein Mittelwert und eine Standardabweichung berechnet; anschlie\u00dfend wird die Streuung der tats\u00e4chlichen Charge gesch\u00e4tzt, indem diese Werte einfach auf eine Normalverteilung angewendet werden, so als ob der Mittelwert und die Standardabweichung der Stichprobe genau denen der gesamten Grundgesamtheit entspr\u00e4chen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Diese Annahme ist zu weit gefasst: Der Mittelwert und die Standardabweichung, die auf der Grundlage von 15 St\u00fcck berechnet werden, k\u00f6nnen selbst von einer Stichprobe zur anderen variieren. Die in der Norm ISO 16269 festgelegte Methode tr\u00e4gt dem Rechnung, und die\u2019<strong>Streuungsbereich<\/strong>&nbsp;Das so erhaltene Ergebnis ist systematisch gr\u00f6\u00dfer als das, das man bei einer naiven Berechnung mit mehr oder weniger X Standardabweichungen erh\u00e4lt. Wird dieser feine Unterschied au\u00dfer Acht gelassen, wird die tats\u00e4chlich zu erwartende Streuung in der Produktion untersch\u00e4tzt, was das Risiko birgt, dass das Problem erst nach dem Start der Serie und nicht bereits im Vorfeld entdeckt wird.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Es lassen sich zwei verwandte Begriffe unterscheiden: Das Streuintervall gibt den Bereich an, in dem ein bestimmter Anteil der Individuen liegt, w\u00e4hrend das\u2019<strong>Vorhersageintervall<\/strong>&nbsp;begrenzt den erwarteten Streuungsbereich auf eine zuk\u00fcnftige Population definierter Gr\u00f6\u00dfe (beispielsweise eine k\u00fcnftige Charge von 500 St\u00fcck). Es gibt auch eine nichtparametrische Berechnung f\u00fcr F\u00e4lle, in denen die Normalit\u00e4tsannahme nicht zutrifft.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Warum sollten diese Analysen in einem Qualit\u00e4tsmanagement-Tool statt in Excel-Tabellen zentralisiert werden?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Jede dieser Analysen ist einzeln abrufbar; viele Qualit\u00e4tsverantwortliche 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, zuverl\u00e4ssig und reproduzierbar auf Daten anzuwenden, die sich st\u00e4ndig \u00e4ndern.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Das ist die Aufgabe des Moduls\u00a0<strong><a href=\"https:\/\/ellistat.com\/de\/solutions-data-analysis\/\" data-type=\"page\" data-id=\"905\">Datenanalyse<\/a><\/strong>\u00a0aus der Ellistat-Suite: Es b\u00fcndelt alle diese deskriptiven Statistiken: grafische Analyse, Kontrollkarten, Normalit\u00e4tstests, MAD, Attributkarten, Verteilungsgesetze, Fourier-Zerlegung, Rechner f\u00fcr Stichprobenpl\u00e4ne gem\u00e4\u00df den Normen ISO 2859 und ISO 3951, Kontrollgrenzen und Streuintervalle \u2026 in einer einzigen Benutzeroberfl\u00e4che, die so konzipiert ist, dass sie einfach zug\u00e4nglich bleibt und nie mehr als zwei Men\u00fcebenen umfasst. Das Ziel besteht nicht darin, die statistische Komplexit\u00e4t zu erh\u00f6hen, sondern im Gegenteil, sie zu verringern, indem diese Methoden f\u00fcr die Qualit\u00e4ts- und Produktionsteams direkt nutzbar gemacht werden, ohne dass vorherige statistische Fachkenntnisse erforderlich sind.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Schlussfolgerung<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Deskriptive Statistiken sind keine akademische \u00dcbung, die nur Qualit\u00e4tsexperten vorbehalten ist: Sie geben Antworten auf ganz konkrete Fragen, die sich Produktions- und Qualit\u00e4tsverantwortliche t\u00e4glich stellen: Ist dieser Wert wirklich ein Ausrei\u00dfer, ist dieser Prozess stabil, ist diese Lieferantencharge zuverl\u00e4ssig, muss dieser Lagerbestand aussortiert werden? Richtig eingesetzt verwandeln deskriptive Industriestatistiken Rohdaten in schnelle und fundierte Entscheidungen, anstatt in nicht \u00fcberpr\u00fcfbare Vermutungen. Die Schwierigkeit liegt nie in der statistischen Theorie selbst, sondern in ihrer einfachen und zuverl\u00e4ssigen Umsetzung \u2013 Tag f\u00fcr Tag \u2013 anhand der tats\u00e4chlichen Daten aus Ihrer Fertigung.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Aufzeichnung des Webinars vom 9. Juli 2026<\/h2>\n\n\n\n<figure class=\"wp-block-video\"><video height=\"1080\" style=\"aspect-ratio: 1920 \/ 1080;\" width=\"1920\" controls src=\"https:\/\/ellistat.com\/wp-content\/uploads\/Webinaire-Maurice-Statistiques-Descriptives-09-Juillet-2026.mp4\"><\/video><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\"><\/p>","protected":false},"excerpt":{"rendered":"<p>Un histogramme qui penche d&rsquo;un c\u00f4t\u00e9, une carte de contr\u00f4le qui sort de ses limites, un fournisseur qui annonce un taux de d\u00e9faut que vous n&rsquo;arrivez pas \u00e0 v\u00e9rifier : ce sont des situations que tout responsable qualit\u00e9 ou responsable production croise r\u00e9guli\u00e8rement. Les\u00a0statistiques descriptives\u00a0sont l&rsquo;outil qui permet de transformer ces observations en d\u00e9cisions argument\u00e9es [&hellip;]<\/p>\n","protected":false},"author":4,"featured_media":4445,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[7],"tags":[],"class_list":["post-4443","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-analysis"],"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.0 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Statistiques descriptives industrielles : guide complet - Ellistat<\/title>\n<meta name=\"description\" content=\"Cartes de contr\u00f4le, tests de normalit\u00e9, capabilit\u00e9, valeurs aberrantes : comment les statistiques descriptives s\u00e9curisent vos d\u00e9cisions ?\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/ellistat.com\/de\/deskriptive-statistik-in-der-industrie-ein-umfassender-leitfaden\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Statistiques descriptives industrielles : guide complet - Ellistat\" \/>\n<meta property=\"og:description\" content=\"Cartes de contr\u00f4le, tests de normalit\u00e9, capabilit\u00e9, valeurs aberrantes : comment les statistiques descriptives s\u00e9curisent vos d\u00e9cisions ?\" \/>\n<meta property=\"og:url\" content=\"https:\/\/ellistat.com\/de\/deskriptive-statistik-in-der-industrie-ein-umfassender-leitfaden\/\" \/>\n<meta property=\"og:site_name\" content=\"Ellistat\" \/>\n<meta property=\"article:published_time\" content=\"2026-07-09T13:35:32+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-07-09T13:35:40+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/ellistat.com\/wp-content\/uploads\/Webinaire-Maurice-Data-Analysis-2.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1280\" \/>\n\t<meta property=\"og:image:height\" content=\"720\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Camille Forest\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Camille Forest\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"12\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/statistiques-descriptives-industrielles-guide-complet\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/statistiques-descriptives-industrielles-guide-complet\\\/\"},\"author\":{\"name\":\"Camille Forest\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/#\\\/schema\\\/person\\\/b757d2fa4e8a73814cb00474e7653681\"},\"headline\":\"Statistiques descriptives industrielles : guide complet\",\"datePublished\":\"2026-07-09T13:35:32+00:00\",\"dateModified\":\"2026-07-09T13:35:40+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/statistiques-descriptives-industrielles-guide-complet\\\/\"},\"wordCount\":2629,\"image\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/statistiques-descriptives-industrielles-guide-complet\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/uploads\\\/Webinaire-Maurice-Data-Analysis-2.png\",\"articleSection\":[\"Data Analysis\"],\"inLanguage\":\"de\"},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/statistiques-descriptives-industrielles-guide-complet\\\/\",\"url\":\"https:\\\/\\\/ellistat.com\\\/statistiques-descriptives-industrielles-guide-complet\\\/\",\"name\":\"Statistiques descriptives industrielles : guide complet - Ellistat\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/statistiques-descriptives-industrielles-guide-complet\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/statistiques-descriptives-industrielles-guide-complet\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/uploads\\\/Webinaire-Maurice-Data-Analysis-2.png\",\"datePublished\":\"2026-07-09T13:35:32+00:00\",\"dateModified\":\"2026-07-09T13:35:40+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/#\\\/schema\\\/person\\\/b757d2fa4e8a73814cb00474e7653681\"},\"description\":\"Cartes de contr\u00f4le, tests de normalit\u00e9, capabilit\u00e9, valeurs aberrantes : comment les statistiques descriptives s\u00e9curisent vos d\u00e9cisions ?\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/statistiques-descriptives-industrielles-guide-complet\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/ellistat.com\\\/statistiques-descriptives-industrielles-guide-complet\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/statistiques-descriptives-industrielles-guide-complet\\\/#primaryimage\",\"url\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/uploads\\\/Webinaire-Maurice-Data-Analysis-2.png\",\"contentUrl\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/uploads\\\/Webinaire-Maurice-Data-Analysis-2.png\",\"width\":1280,\"height\":720},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/statistiques-descriptives-industrielles-guide-complet\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Accueil\",\"item\":\"https:\\\/\\\/ellistat.com\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Data Analysis\",\"item\":\"https:\\\/\\\/ellistat.com\\\/category\\\/data-analysis\\\/\"},{\"@type\":\"ListItem\",\"position\":3,\"name\":\"Statistiques descriptives industrielles : guide complet\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/#website\",\"url\":\"https:\\\/\\\/ellistat.com\\\/\",\"name\":\"Ellistat\",\"description\":\"La suite qualit\u00e9 de l&#039;industrie m\u00e9canique\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/ellistat.com\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/#\\\/schema\\\/person\\\/b757d2fa4e8a73814cb00474e7653681\",\"name\":\"Camille Forest\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/litespeed\\\/avatar\\\/54873af0f2f4be7f109d4c67b3706390.jpg?ver=1783537936\",\"url\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/litespeed\\\/avatar\\\/54873af0f2f4be7f109d4c67b3706390.jpg?ver=1783537936\",\"contentUrl\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/litespeed\\\/avatar\\\/54873af0f2f4be7f109d4c67b3706390.jpg?ver=1783537936\",\"caption\":\"Camille Forest\"},\"url\":\"https:\\\/\\\/ellistat.com\\\/de\\\/author\\\/camille-forest\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Deskriptive Industriestatistik: Ein umfassender Leitfaden \u2013 Ellistat","description":"Kontrollkarten, Normalit\u00e4tstests, F\u00e4higkeitsanalysen, Ausrei\u00dfer: Wie tragen deskriptive Statistiken zur Sicherheit Ihrer Entscheidungen bei?","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/ellistat.com\/de\/deskriptive-statistik-in-der-industrie-ein-umfassender-leitfaden\/","og_locale":"de_DE","og_type":"article","og_title":"Statistiques descriptives industrielles : guide complet - Ellistat","og_description":"Cartes de contr\u00f4le, tests de normalit\u00e9, capabilit\u00e9, valeurs aberrantes : comment les statistiques descriptives s\u00e9curisent vos d\u00e9cisions ?","og_url":"https:\/\/ellistat.com\/de\/deskriptive-statistik-in-der-industrie-ein-umfassender-leitfaden\/","og_site_name":"Ellistat","article_published_time":"2026-07-09T13:35:32+00:00","article_modified_time":"2026-07-09T13:35:40+00:00","og_image":[{"width":1280,"height":720,"url":"https:\/\/ellistat.com\/wp-content\/uploads\/Webinaire-Maurice-Data-Analysis-2.png","type":"image\/png"}],"author":"Camille Forest","twitter_card":"summary_large_image","twitter_misc":{"Verfasst von":"Camille Forest","Gesch\u00e4tzte Lesezeit":"12\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/ellistat.com\/statistiques-descriptives-industrielles-guide-complet\/#article","isPartOf":{"@id":"https:\/\/ellistat.com\/statistiques-descriptives-industrielles-guide-complet\/"},"author":{"name":"Camille Forest","@id":"https:\/\/ellistat.com\/#\/schema\/person\/b757d2fa4e8a73814cb00474e7653681"},"headline":"Statistiques descriptives industrielles : guide complet","datePublished":"2026-07-09T13:35:32+00:00","dateModified":"2026-07-09T13:35:40+00:00","mainEntityOfPage":{"@id":"https:\/\/ellistat.com\/statistiques-descriptives-industrielles-guide-complet\/"},"wordCount":2629,"image":{"@id":"https:\/\/ellistat.com\/statistiques-descriptives-industrielles-guide-complet\/#primaryimage"},"thumbnailUrl":"https:\/\/ellistat.com\/wp-content\/uploads\/Webinaire-Maurice-Data-Analysis-2.png","articleSection":["Data Analysis"],"inLanguage":"de"},{"@type":"WebPage","@id":"https:\/\/ellistat.com\/statistiques-descriptives-industrielles-guide-complet\/","url":"https:\/\/ellistat.com\/statistiques-descriptives-industrielles-guide-complet\/","name":"Deskriptive Industriestatistik: Ein umfassender Leitfaden \u2013 Ellistat","isPartOf":{"@id":"https:\/\/ellistat.com\/#website"},"primaryImageOfPage":{"@id":"https:\/\/ellistat.com\/statistiques-descriptives-industrielles-guide-complet\/#primaryimage"},"image":{"@id":"https:\/\/ellistat.com\/statistiques-descriptives-industrielles-guide-complet\/#primaryimage"},"thumbnailUrl":"https:\/\/ellistat.com\/wp-content\/uploads\/Webinaire-Maurice-Data-Analysis-2.png","datePublished":"2026-07-09T13:35:32+00:00","dateModified":"2026-07-09T13:35:40+00:00","author":{"@id":"https:\/\/ellistat.com\/#\/schema\/person\/b757d2fa4e8a73814cb00474e7653681"},"description":"Kontrollkarten, Normalit\u00e4tstests, F\u00e4higkeitsanalysen, Ausrei\u00dfer: Wie tragen deskriptive Statistiken zur Sicherheit Ihrer Entscheidungen bei?","breadcrumb":{"@id":"https:\/\/ellistat.com\/statistiques-descriptives-industrielles-guide-complet\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/ellistat.com\/statistiques-descriptives-industrielles-guide-complet\/"]}]},{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/ellistat.com\/statistiques-descriptives-industrielles-guide-complet\/#primaryimage","url":"https:\/\/ellistat.com\/wp-content\/uploads\/Webinaire-Maurice-Data-Analysis-2.png","contentUrl":"https:\/\/ellistat.com\/wp-content\/uploads\/Webinaire-Maurice-Data-Analysis-2.png","width":1280,"height":720},{"@type":"BreadcrumbList","@id":"https:\/\/ellistat.com\/statistiques-descriptives-industrielles-guide-complet\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Accueil","item":"https:\/\/ellistat.com\/"},{"@type":"ListItem","position":2,"name":"Data Analysis","item":"https:\/\/ellistat.com\/category\/data-analysis\/"},{"@type":"ListItem","position":3,"name":"Statistiques descriptives industrielles : guide complet"}]},{"@type":"WebSite","@id":"https:\/\/ellistat.com\/#website","url":"https:\/\/ellistat.com\/","name":"Ellistat","description":"Die Qualit\u00e4tssuite der Maschinenbauindustrie","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/ellistat.com\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"},{"@type":"Person","@id":"https:\/\/ellistat.com\/#\/schema\/person\/b757d2fa4e8a73814cb00474e7653681","name":"Camille Forest","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/ellistat.com\/wp-content\/litespeed\/avatar\/54873af0f2f4be7f109d4c67b3706390.jpg?ver=1783537936","url":"https:\/\/ellistat.com\/wp-content\/litespeed\/avatar\/54873af0f2f4be7f109d4c67b3706390.jpg?ver=1783537936","contentUrl":"https:\/\/ellistat.com\/wp-content\/litespeed\/avatar\/54873af0f2f4be7f109d4c67b3706390.jpg?ver=1783537936","caption":"Camille Forest"},"url":"https:\/\/ellistat.com\/de\/author\/camille-forest\/"}]}},"_links":{"self":[{"href":"https:\/\/ellistat.com\/de\/wp-json\/wp\/v2\/posts\/4443","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ellistat.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ellistat.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ellistat.com\/de\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/ellistat.com\/de\/wp-json\/wp\/v2\/comments?post=4443"}],"version-history":[{"count":1,"href":"https:\/\/ellistat.com\/de\/wp-json\/wp\/v2\/posts\/4443\/revisions"}],"predecessor-version":[{"id":4446,"href":"https:\/\/ellistat.com\/de\/wp-json\/wp\/v2\/posts\/4443\/revisions\/4446"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/ellistat.com\/de\/wp-json\/wp\/v2\/media\/4445"}],"wp:attachment":[{"href":"https:\/\/ellistat.com\/de\/wp-json\/wp\/v2\/media?parent=4443"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ellistat.com\/de\/wp-json\/wp\/v2\/categories?post=4443"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ellistat.com\/de\/wp-json\/wp\/v2\/tags?post=4443"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}