Drei Entscheidungen, die nach Gefuehl fallen
Zu den meisten Qualitätsentscheidungen gehört eine Rechnung, und drei davon werden fast immer ohne sie getroffen. Nicht aus Nachlässigkeit — sondern weil die Rechnung fremd ist und die Schätzung vernünftig wirkt. Jede hat eine richtige Antwort, und jede geht still daneben, wenn man sie nach Augenmaß festlegt.
1. Wie viele soll ich prüfen? Die übliche Antwort ist ein Anteil: zehn Prozent des Loses, oder zwanzig Stück, weil zwanzig eine runde Zahl ist. Beides ist willkürlich. Entscheidend ist das Risikopaar, das Sie tragen wollen: bei welchem Qualitätsniveau soll ein Los angenommen werden (Produzentenseite) und bei welchem muss es abgelehnt werden (Konsumentenseite). Legen Sie beide fest, und Stichprobenumfang und Annahmezahl ergeben sich — es bleibt nichts zu raten.
Was ein Plan wirklich tut, zeigt die Operationscharakteristik: unten der wahre Fehleranteil, seitlich die Annahmewahrscheinlichkeit. Jeder Plan hat eine, auch der selbst erfundene. SenSight zeichnet sie und markiert Ihre beiden Risikopunkte darauf. Überraschend ist meist, wie flach die Kurve verläuft: ein streng wirkender Plan nimmt ein schlechtes Los weit öfter an als erwartet.
Eine Zahl lohnt besondere Beachtung: der AOQL, die schlechteste mittlere Ausgangsqualität. Werden abgelehnte Lose vollgeprüft und korrigiert, ist die beim Kunden ankommende Qualität nach oben begrenzt — und der AOQL ist diese Grenze. Es ist die einzige ehrliche Kurzfassung eines Stichprobensystems, und die meisten Werkzeuge zeigen sie nie.
2. In welchem Bereich liegen die Teile? Hier entsteht der Fehler, der bis zum Kunden gelangt. Sie haben dreißig Messwerte, rechnen ein 95%-Konfidenzintervall und schreiben in den Bericht: "99 % der Teile liegen zwischen diesen Grenzen". Das sind zwei verschiedene Fragen. Ein Konfidenzintervall betrifft den Mittelwert und wird mit mehr Messungen enger. Ein Toleranzintervall betrifft die einzelnen Teile; mehr Daten machen es sicherer, aber kaum enger — weil die Teile tatsächlich so streuen.
Der Unterschied ist nicht fein: bei typischen Daten ist das Toleranzintervall um ein Vielfaches breiter. Das schmalere zu nennen heißt, eine Streuung zu versprechen, die der Prozess nicht halten kann.
Zwei Vorbehalte. Der übliche Faktor setzt annähernd normalverteilte Daten voraus; bei schiefen Messwerten legt er die Grenzen falsch, deshalb prüft SenSight zuerst die Normalität und sagt es. Und es gibt eine verteilungsfreie Alternative, die nichts über die Form annimmt — aber sie ist nicht umsonst: 99 % mit 95 % Vertrauen aus kleinstem und größtem Wert abzudecken braucht mehrere hundert Messungen. Das Panel nennt die Zahl, damit Sie sehen, was die Annahme Ihnen erspart.
3. Ist das Neue dasselbe wie das Alte? Neuer Lieferant, neue Maschine, neuer Bediener. Sie rechnen einen t-Test, p kommt bei 0,4 heraus, und im Bericht steht "kein signifikanter Unterschied — beide sind gleichwertig". Dieser Schluss ist unzulässig und vermutlich der teuerste statistische Fehler in der Fertigung.
Ein großer p-Wert heißt, der Test konnte keinen Unterschied zeigen. Das passiert, wenn keiner da ist — und genauso, wenn Sie sechs Teile gemessen haben und der Test gar keine Chance hatte. Fehlender Nachweis wird als Nachweis der Abwesenheit gelesen.
Zu zeigen, dass zwei Dinge gleich sind, braucht einen eigenen Test — und etwas, das die Daten nicht liefern können: die Angabe, welcher Unterschied klein genug ist, um ihn zu ignorieren. Diese Grenze ist eine technische Entscheidung. Zwei MPa bei der Zugfestigkeit mögen belanglos sein, bei einem sicherheitsrelevanten Maß nicht. Sobald Sie sie nennen, stellt das TOST-Verfahren die richtige Frage: bleibt der Unterschied innerhalb Ihrer Grenze?
Am klarsten liest man das Ergebnis nicht am p-Wert, sondern am Intervall. Liegt das ganze Intervall für den Unterschied innerhalb ±Grenze, sind beide gleichwertig. Liegt es ganz außerhalb, sind sie wirklich verschieden. Überschneidet es die Grenze, lautet die ehrliche Antwort: keine Aussage möglich — meist heißt das, es fehlen Messungen, nicht dass ein anderes Ergebnis herauskommt. SenSight weist alle drei Fälle getrennt aus, denn der dritte wird regelmäßig übersprungen.
1. Wie viele soll ich prüfen? Die übliche Antwort ist ein Anteil: zehn Prozent des Loses, oder zwanzig Stück, weil zwanzig eine runde Zahl ist. Beides ist willkürlich. Entscheidend ist das Risikopaar, das Sie tragen wollen: bei welchem Qualitätsniveau soll ein Los angenommen werden (Produzentenseite) und bei welchem muss es abgelehnt werden (Konsumentenseite). Legen Sie beide fest, und Stichprobenumfang und Annahmezahl ergeben sich — es bleibt nichts zu raten.
Was ein Plan wirklich tut, zeigt die Operationscharakteristik: unten der wahre Fehleranteil, seitlich die Annahmewahrscheinlichkeit. Jeder Plan hat eine, auch der selbst erfundene. SenSight zeichnet sie und markiert Ihre beiden Risikopunkte darauf. Überraschend ist meist, wie flach die Kurve verläuft: ein streng wirkender Plan nimmt ein schlechtes Los weit öfter an als erwartet.
Eine Zahl lohnt besondere Beachtung: der AOQL, die schlechteste mittlere Ausgangsqualität. Werden abgelehnte Lose vollgeprüft und korrigiert, ist die beim Kunden ankommende Qualität nach oben begrenzt — und der AOQL ist diese Grenze. Es ist die einzige ehrliche Kurzfassung eines Stichprobensystems, und die meisten Werkzeuge zeigen sie nie.
2. In welchem Bereich liegen die Teile? Hier entsteht der Fehler, der bis zum Kunden gelangt. Sie haben dreißig Messwerte, rechnen ein 95%-Konfidenzintervall und schreiben in den Bericht: "99 % der Teile liegen zwischen diesen Grenzen". Das sind zwei verschiedene Fragen. Ein Konfidenzintervall betrifft den Mittelwert und wird mit mehr Messungen enger. Ein Toleranzintervall betrifft die einzelnen Teile; mehr Daten machen es sicherer, aber kaum enger — weil die Teile tatsächlich so streuen.
Der Unterschied ist nicht fein: bei typischen Daten ist das Toleranzintervall um ein Vielfaches breiter. Das schmalere zu nennen heißt, eine Streuung zu versprechen, die der Prozess nicht halten kann.
Zwei Vorbehalte. Der übliche Faktor setzt annähernd normalverteilte Daten voraus; bei schiefen Messwerten legt er die Grenzen falsch, deshalb prüft SenSight zuerst die Normalität und sagt es. Und es gibt eine verteilungsfreie Alternative, die nichts über die Form annimmt — aber sie ist nicht umsonst: 99 % mit 95 % Vertrauen aus kleinstem und größtem Wert abzudecken braucht mehrere hundert Messungen. Das Panel nennt die Zahl, damit Sie sehen, was die Annahme Ihnen erspart.
3. Ist das Neue dasselbe wie das Alte? Neuer Lieferant, neue Maschine, neuer Bediener. Sie rechnen einen t-Test, p kommt bei 0,4 heraus, und im Bericht steht "kein signifikanter Unterschied — beide sind gleichwertig". Dieser Schluss ist unzulässig und vermutlich der teuerste statistische Fehler in der Fertigung.
Ein großer p-Wert heißt, der Test konnte keinen Unterschied zeigen. Das passiert, wenn keiner da ist — und genauso, wenn Sie sechs Teile gemessen haben und der Test gar keine Chance hatte. Fehlender Nachweis wird als Nachweis der Abwesenheit gelesen.
Zu zeigen, dass zwei Dinge gleich sind, braucht einen eigenen Test — und etwas, das die Daten nicht liefern können: die Angabe, welcher Unterschied klein genug ist, um ihn zu ignorieren. Diese Grenze ist eine technische Entscheidung. Zwei MPa bei der Zugfestigkeit mögen belanglos sein, bei einem sicherheitsrelevanten Maß nicht. Sobald Sie sie nennen, stellt das TOST-Verfahren die richtige Frage: bleibt der Unterschied innerhalb Ihrer Grenze?
Am klarsten liest man das Ergebnis nicht am p-Wert, sondern am Intervall. Liegt das ganze Intervall für den Unterschied innerhalb ±Grenze, sind beide gleichwertig. Liegt es ganz außerhalb, sind sie wirklich verschieden. Überschneidet es die Grenze, lautet die ehrliche Antwort: keine Aussage möglich — meist heißt das, es fehlen Messungen, nicht dass ein anderes Ergebnis herauskommt. SenSight weist alle drei Fälle getrennt aus, denn der dritte wird regelmäßig übersprungen.
In der App ausprobieren
Probieren Sie es: Reiter SPC, unten Entscheidungswerkzeuge. Beginnen Sie mit dem Stichprobenplan — geben Sie Ihre Losgroesse ein und lesen Sie die OC-Kurve, bevor Sie einer geerbten Pruefregel vertrauen.