In diesem Thema
Äquivalenzdiagramm
In einem Äquivalenzdiagramm werden die Äquivalenzgrenzen, das Konfidenzintervall und die Entscheidung über die Schlussfolgerung zur Äquivalenz angezeigt.
Interpretation
Verwenden Sie das Äquivalenzdiagramm, um eine eine grafische Zusammenfassung der Ergebnisse eines Äquivalenztests einzusehen und festzustellen, ob die Äquivalenz angenommen werden kann.
Vergleichen Sie das Konfidenzintervall mit den Äquivalenzgrenzen. Wenn das Konfidenzintervall vollständig innerhalb der Äquivalenzgrenzen liegt, können Sie annehmen, dass der Mittelwert der Grundgesamtheit gleich dem Sollwert ist. Wenn ein Teil des Konfidenzintervalls außerhalb der Äquivalenzgrenzen liegt, kann keine Äquivalenz angenommen werden.
In diesen Ergebnissen überschreitet das 95%-Konfidenzintervall die obere Äquivalenzgrenze. Daher kann nicht angenommen werden, dass der Mittelwert der Grundgesamtheit und der Sollwert äquivalent sind.
Histogramm
In einem Histogramm werden die Stichprobenwerte in eine Reihe von Intervallen unterteilt, und die Häufigkeit der Datenwerte in jedem Intervall wird in Form eines Balkens abgebildet.
Interpretation
Verwenden Sie Histogramme, um die Form und Streubreite der Daten auszuwerten. Histogramme empfehlen sich insbesondere für Stichprobenumfänge größer als 20.
- Schiefe Daten
-
Ermitteln Sie, ob die Daten schief sind.Wenn die Daten schief sind, liegen die meisten Datenwerte am oberen oder unteren Ende des Diagramms. Häufig lässt sich die Schiefe am einfachsten mit einem Boxplot oder einem Histogramm erkennen.
Rechtsschief
Linksschief
Das Histogramm mit rechtsschiefen Daten zeigt beispielsweise Gehaltsdaten. Viele Mitarbeiter erhalten ein relativ geringes Gehalt, während immer weniger Personen sehr hohe Gehälter beziehen. Das Histogramm mit linksschiefen Daten zeigt Daten zu Ausfallraten. Eine geringe Anzahl von Einheiten fällt früh aus, während immer mehr Einheiten zu einem späteren Zeitpunkt ausfallen.
Stark schiefe Daten können die Gültigkeit der Testergebnisse beeinträchtigen, wenn die Stichprobe klein ist (weniger als 20 Werte). Wenn die Daten stark schief sind und eine kleine Stichprobe vorliegt, erwägen Sie, den Stichprobenumfang zu vergrößern.
- Ausreißer
-
Ausreißer, d. h. Datenpunkte, die weit entfernt von den meisten anderen Datenwerten liegen, können sich stark auf die Ergebnisse auswirken. Ausreißer können am einfachsten in einem Boxplot identifiziert werden.
In einem Histogramm weisen isolierte Balken an den Enden des Diagramms auf mögliche Ausreißer hin.
Versuchen Sie nach Möglichkeit, die Ursache von Ausreißern zu ermitteln. Korrigieren Sie sämtliche Dateneingabe- oder Messfehler. Erwägen Sie, Daten zu entfernen, die auf Ausnahmebedingungen zurückzuführen sind, und die Analyse zu wiederholen. Weitere Informationen zu Ausnahmebedingungen finden Sie unter Verwenden von Regelkarten zum Erkennen von Streuung durch gewöhnliche Ursachen und Streuung durch Ausnahmebedingungen.
Einzelwertdiagramm
In einem Einzelwertdiagramm werden die Einzelwerte der Stichprobe in einer horizontalen Spalte angezeigt. Jeder Kreis stellt eine Beobachtung dar. Ein Einzelwertdiagramm ist hilfreich, wenn nur eine kleine Anzahl von Beobachtungen vorliegt und Sie die Auswirkung jeder Beobachtung auswerten möchten.
Interpretation
- Schiefe Daten
-
Ermitteln Sie, ob die Daten schief sind.Wenn die Daten schief sind, liegen die meisten Datenwerte am oberen oder unteren Ende des Diagramms. Häufig lässt sich die Schiefe am einfachsten mit einem Boxplot oder einem Histogramm erkennen.
Rechtsschief
Linksschief
Das Einzelwertdiagramm mit rechtsschiefen Daten zeigt beispielsweise Gehaltsdaten. Viele Mitarbeiter erhalten ein relativ geringes Gehalt, während immer weniger Personen sehr hohe Gehälter beziehen. Das Einzelwertdiagramm mit linksschiefen Daten zeigt Daten zu Ausfallraten. Eine geringe Anzahl von Einheiten fällt früh aus, während immer mehr Einheiten zu einem späteren Zeitpunkt ausfallen.
Stark schiefe Daten können die Gültigkeit der Testergebnisse beeinträchtigen, wenn die Stichprobe klein ist (weniger als 20 Werte). Wenn die Daten stark schief sind und eine kleine Stichprobe vorliegt, erwägen Sie, den Stichprobenumfang zu vergrößern.
- Ausreißer
-
Ausreißer, d. h. Datenpunkte, die weit entfernt von den meisten anderen Datenwerten liegen, können sich stark auf die Ergebnisse auswirken. Ausreißer können am einfachsten in einem Boxplot identifiziert werden.
In einem Einzelwertdiagramm weisen ungewöhnlich niedrige oder hohe Datenwerte auf mögliche Ausreißer hin.
Versuchen Sie nach Möglichkeit, die Ursache von Ausreißern zu ermitteln. Korrigieren Sie sämtliche Dateneingabe- oder Messfehler. Erwägen Sie, Daten zu entfernen, die auf Ausnahmebedingungen zurückzuführen sind, und die Analyse zu wiederholen. Weitere Informationen zu Ausnahmebedingungen finden Sie unter Verwenden von Regelkarten zum Erkennen von Streuung durch gewöhnliche Ursachen und Streuung durch Ausnahmebedingungen.
Boxplot
Das Boxplot stellt eine grafische Zusammenfassung der Verteilung einer Stichprobe dar. Das Boxplot veranschaulicht die Form, Zentraltendenz und Streuung der Daten.
Interpretation
Verwenden Sie ein Boxplot, um die Streubreite der Daten zu untersuchen und potenzielle Ausreißer zu identifizieren. Boxplots empfehlen sich insbesondere für Stichprobenumfänge größer als 20.
- Schiefe Daten
-
Ermitteln Sie, ob die Daten schief sind.Wenn die Daten schief sind, liegen die meisten Datenwerte am oberen oder unteren Ende des Diagramms. Häufig lässt sich die Schiefe am einfachsten mit einem Boxplot oder einem Histogramm erkennen.
Rechtsschief
Linksschief
Das Boxplot mit rechtsschiefen Daten zeigt beispielsweise Gehaltsdaten. Viele Mitarbeiter erhalten ein relativ geringes Gehalt, während immer weniger Personen sehr hohe Gehälter beziehen. Das Boxplot mit linksschiefen Daten zeigt Daten zu Ausfallraten. Eine geringe Anzahl von Einheiten fällt früh aus, während immer mehr Einheiten zu einem späteren Zeitpunkt ausfallen.
Stark schiefe Daten können die Gültigkeit der Testergebnisse beeinträchtigen, wenn die Stichprobe klein ist (weniger als 20 Werte). Wenn die Daten stark schief sind und eine kleine Stichprobe vorliegt, erwägen Sie, den Stichprobenumfang zu vergrößern.
- Ausreißer
-
Ausreißer, d. h. Datenpunkte, die weit entfernt von den meisten anderen Datenwerten liegen, können sich stark auf die Ergebnisse auswirken. Ausreißer können am einfachsten in einem Boxplot identifiziert werden.
In einem Boxplot werden Ausreißer mit Sternchen (*) gekennzeichnet.
Versuchen Sie nach Möglichkeit, die Ursache von Ausreißern zu ermitteln. Korrigieren Sie sämtliche Dateneingabe- oder Messfehler. Erwägen Sie, Daten zu entfernen, die auf Ausnahmebedingungen zurückzuführen sind, und die Analyse zu wiederholen. Weitere Informationen zu Ausnahmebedingungen finden Sie unter Verwenden von Regelkarten zum Erkennen von Streuung durch gewöhnliche Ursachen und Streuung durch Ausnahmebedingungen.
