Grafiken für Prozessfähigkeitsanalyse (nicht normal) für mehrere Variablen

Hier finden Sie Definitionen und Anleitungen zur Interpretation für alle Grafiken, die für die Prozessfähigkeitsanalyse (Nicht-Normalverteilung) für mehrere Variablen bereitgestellt werden.

Wahrscheinlichkeitsnetze

Ein Wahrscheinlichkeitsnetz zeigt jeden Datenpunkt im Vergleich zum Prozentsatz der Werte in der Stichprobe an, die kleiner oder gleich diesem Datenpunkt sind.
Ein Wahrscheinlichkeitsnetz enthält die folgenden Komponenten:
Mittellinie
Das erwartete Perzentil aus der Verteilung auf der Grundlage der geschätzten Maximum-Likelihood-Parameter.
Linien der Konfidenzgrenzen
Die gekrümmte Linie links bildet die Untergrenzen der Konfidenzintervalle für die Perzentile ab. Die gekrümmte Linie rechts bildet die Obergrenzen der Konfidenzintervalle für die Perzentile ab.
Anderson-Darling-Teststatistik und p-Wert
Die Ergebnisse eines Tests, mit dem ermittelt wird, ob die Daten der Verteilung folgen.

Interpretation

Verwenden Sie die Wahrscheinlichkeitsnetze, um zu ermitteln, wie gut die Nicht-Normalverteilung an jede Variable angepasst ist.

Wenn die Verteilung gut an die Daten angepasst ist, sollten die Punkte annähernd eine Gerade bilden. Abweichungen von dieser Geraden weisen darauf hin, dass die Anpassung nicht akzeptabel ist. Wenn der p-Wert größer als 0,05 ist, können Sie schlussfolgern, dass die Daten der für die Analyse verwendeten Nicht-Normalverteilung folgen.

Wenn der p-Wert kleiner als 0,05 ist, folgen die Daten der ausgewählten Verteilung nicht, und die Ergebnisse der Prozessfähigkeitsanalyse sind möglicherweise nicht genau. Verwenden Sie Identifikation der Verteilung, um zu ermitteln, welche Nicht-Normalverteilung oder Datentransformation für Ihre Daten besser geeignet ist.
Hinweis

Wenn die Verteilungen für mehrere Variablen voneinander abweichen, sollten Sie für jede Variable eine separate Prozessfähigkeitsanalyse mit einer anderen Verteilung ausführen.

Histogramm der Prozessfähigkeit

Im Histogramm der Prozessfähigkeit wird die Verteilung der Stichprobendaten veranschaulicht. Jeder Balken im Histogramm stellt die Häufigkeit von Daten innerhalb eines Intervalls dar.
Die durchgezogene rote Kurve stellt das Modell der Nicht-Normalverteilung dar, das für die Analyse ausgewählt wurde.

Interpretation

Verwenden Sie das Histogramm der Prozessfähigkeit, um die Stichprobendaten in Bezug auf die Verteilungsanpassung und die Spezifikationsgrenzen anzuzeigen.

Suchen nach Anzeichen einer fehlenden Anpassung der ausgewählten Nicht-Normalverteilung für die Daten

Vergleichen Sie für jede Variable die Verteilungskurve mit den Balken des Histogramms, um zu untersuchen, ob die Daten der Verteilung folgen, die Sie für die Analyse ausgewählt haben. Wenn die Balken stark von der Kurve abweichen, folgen die Daten möglicherweise nicht der ausgewählten Verteilung, und die Schätzungen der Prozessfähigkeit für den Prozess sind u. U. nicht zuverlässig. Wenn Sie unsicher sind, welche Verteilung für Ihre Daten am besten geeignet ist, bestimmen Sie mit Hilfe von Identifikation der Verteilung eine geeignete Verteilung oder Transformation.

Gute Anpassung
Schlechte Anpassung
Wichtig

Die Histogramme liefern nur eine ungefähre Abbildung der Anpassung der Verteilung. Verwenden Sie die Ergebnisse auf den Wahrscheinlichkeitsnetzen, um die Verteilungsanpassung eingehender zu beurteilen. Wenn die Verteilungen für mehrere Variablen voneinander abweichen, sollten Sie für jede Variable eine separate Prozessfähigkeitsanalyse mit einer anderen Verteilung ausführen.

Untersuchen der Stichprobendaten in Bezug auf die Spezifikationsgrenzen
Untersuchen Sie die Daten für jede Variable im Histogramm visuell in Bezug auf die untere und die obere Spezifikationsgrenze. Im Idealfall ist die Streubreite der Daten geringer als die Spezifikationsstreubreite, und alle Daten liegen innerhalb der Spezifikationsgrenzen. Daten, die außerhalb der Spezifikationsgrenzen liegen, stellen unzulängliche Teile dar. Im Idealfall liegen nur wenige oder überhaupt keine Teile außerhalb der Spezifikationsgrenzen.

In diesen Ergebnissen ist die Prozessstreubreite größer als die Spezifikationsstreubreite, was auf eine unzureichende Prozessfähigkeit verweist. Obgleich viele Daten innerhalb der Spezifikationsgrenzen liegen, gibt es viele unzulängliche Einheiten unter der unteren Spezifikationsgrenze (USG) und über der oberen Spezifikationsgrenze (OSG).

Hinweis

Um die tatsächliche Anzahl der unzulänglichen Einheiten im Prozess zu ermitteln, verwenden Sie die Ergebnisse für PPM < USG, PPM > OSG und PPM Gesamt. Weitere Informationen finden Sie unter „Alle Statistiken und Grafiken“.

Auswerten der Lage des Prozesses

Untersuchen Sie für jede Variable, ob der Prozess zwischen den Spezifikationsgrenzen oder auf den Sollwert (sofern vorhanden) zentriert ist. Durch die Spitze der Verteilungskurve wird ersichtlich, wo sich die meisten Daten befinden.

In diesen Ergebnissen liegen zwar sämtliche Stichprobenbeobachtungen innerhalb der Spezifikationsgrenzen, die Spitze der Verteilungskurve ist jedoch nicht auf den Sollwert zentriert. Die meisten Daten überschreiten den Sollwert und befinden sich dicht an der oberen Spezifikationsgrenze.

Wenn Sie die Annahmen für die Verwendung einer Prozessfähigkeitsanalyse für nicht normalverteilte Daten eingehender analysieren möchten, verwenden Sie Capability Sixpack (nicht normal).
Durch Ihre Nutzung dieser Website stimmen Sie zu, dass Cookies verwendet werden. Cookies dienen zu Analysezwecken und zum Bereitstellen personalisierter Inhalte.  Lesen Sie unsere Richtlinien