Six Sigma nutzt statistische Kennzahlen zur Messung, Bewertung und Steuerung von Prozessen. Zentrale Tendenzmaße beschreiben die typischen Werte eines Datensatzes, während Streumaße die Variabilität erfassen und grafische Werkzeuge Muster sichtbar machen.
Maße der zentralen Tendenz: Mittelwert, Median, Modus
Der Mittelwert (auch Mean genannt) ist die Summe aller Messwerte, dividiert durch ihre Anzahl. Er reagiert empfindlich auf Ausreißer und eignet sich besonders für normalverteilte Daten. In Six-Sigma-Projekten zeigt der Mittelwert die durchschnittliche Prozessleistung.
Der Median ist der mittlere Wert einer sortierten Datenreihe. Er bleibt stabil bei asymmetrischen Verteilungen und Ausreißern. Bei asymmetrischen Verteilungen liefert der Median oft ein realistischeres Bild als der Mittelwert.
Der Modus bezeichnet den häufigsten Wert im Datensatz. Er findet Anwendung bei kategorialen Daten oder zur Identifikation von Häufungspunkten. In Produktionsprozessen kann der Modus kritische Fehlermuster aufdecken.
Diese drei Kennzahlen bilden die Grundlage der deskriptiven Statistik in Six Sigma. Ihre gemeinsame Betrachtung ermöglicht eine vollständige Beschreibung der Datenstruktur.
Streumaße: Standardabweichung, Varianz, Range
Die Standardabweichung (σ) misst die durchschnittliche Abweichung der Werte vom Mittelwert. Sie ist das zentrale Maß in Six Sigma, da sie direkt die Prozessstabilität beschreibt. Ein kleinerer Wert bedeutet konsistentere Ergebnisse.
Die Varianz ist das Quadrat der Standardabweichung. Sie verstärkt größere Abweichungen mathematisch und wird in vielen statistischen Tests verwendet. In der Praxis ist die Standardabweichung jedoch intuitiver, da sie dieselbe Einheit wie die Messwerte hat.
Die Range zeigt die Spanne zwischen kleinstem und größtem Wert. Sie bietet einen schnellen Überblick über die Datenbandbreite, ignoriert jedoch die Verteilung dazwischen. In Statistical Process Control (SPC) dient die Range zur Überwachung von Prozessschwankungen.
Diese Streumaße sind für datengestützte Entscheidungen unverzichtbar. Sie quantifizieren die Prozessvariabilität und erlauben es, objektive Vergleiche vor und nach Verbesserungsmaßnahmen durchzuführen.
Verteilungen und grafische Werkzeuge: Histogramm, Boxplot, Verteilungsformen
Das Histogramm visualisiert die Häufigkeitsverteilung von Messwerten in Klassen. Es zeigt auf einen Blick, ob Daten symmetrisch, links- oder rechtsschief verteilt sind. In Six Sigma hilft es, Abweichungen von der Normalverteilung zu erkennen.
Der Boxplot stellt den Median, die Quartile und die Ausreißer kompakt dar. Er ermöglicht schnelle Vergleiche zwischen Gruppen und macht Ausreißer sofort sichtbar. Die Box enthält 50 % der Daten, während die sogenannten „Whisker” die Streuung zeigen.
Die Normalverteilung ist die Grundannahme vieler statistischer Tests. Prozesse, die normalverteilt sind, lassen sich präzise mit Mittelwert und Standardabweichung beschreiben. Asymmetrische Daten hingegen erfordern oft alternative Analysemethoden oder Datentransformationen.
Grafische Auswertungen machen komplexe Datenmuster verständlich. Sie unterstützen die Kommunikation zwischen Teammitgliedern und fördern datenbasierte Diskussionen ohne tiefe Statistikkenntnisse vorauszusetzen.
Schlussfolgernde Statistik: Hypothesentests, Konfidenzintervalle, Regression
Beim Hypothesentest wird geprüft, ob beobachtete Unterschiede statistisch signifikant sind. Die Nullhypothese behauptet, dass kein Unterschied besteht, während die alternative Hypothese eine Veränderung postuliert. Six Sigma nutzt diese Tests zur Validierung von Verbesserungen.
Der t-Test vergleicht die Mittelwerte zweier Gruppen. Die ANOVA (Analysis of Variance) erweitert dies auf drei oder mehr Gruppen. Der Chi-Quadrat-Test untersucht Zusammenhänge zwischen kategorialen Variablen. Die F-Verteilung kommt bei Varianztests zum Einsatz.
Konfidenzintervalle geben einen Wertebereich an, in dem der wahre Parameter mit einer bestimmten Wahrscheinlichkeit liegt. Die Margin of Error definiert die Breite dieses Intervalls. Konfidenzintervalle ermöglichen somit Aussagen über die Genauigkeit von Schätzungen.
Die Regressionsanalyse untersucht Beziehungen zwischen Variablen. Ein Scatterplot visualisiert diese Zusammenhänge grafisch. In Six Sigma werden mithilfe der Regression Einflussfaktoren auf die Prozessleistung identifiziert.
Diese Methoden der Inferenzstatistik liefern belastbare Erkenntnisse für Prozessentscheidungen und unterscheiden zufällige Schwankungen von systematischen Effekten. Damit bilden sie die Grundlage, um fundierte Ursachen-Wirkungs-Beziehungen abzuleiten und Verbesserungsmaßnahmen mit statistischer Sicherheit zu bewerten.
In Six-Sigma-Projekten stellen schlussfolgernde statistische Methoden sicher, dass Entscheidungen nicht auf Vermutungen, sondern auf belastbaren Daten basieren. Sie helfen Teams, nachhaltige Verbesserungen nachzuweisen, Risiken zu minimieren und den tatsächlichen Einfluss von Prozessänderungen objektiv zu quantifizieren.
