[Barbara]

als Antwort auf: Signifikanz einer Stichprobe #51493

Hallo Thomas,

bei diesen ganzen AQL-Tabellen wird versucht, die vier Dimensionen von Stichprobenprüfungen in 2-3 Dimensionen darzustellen.

Es gibt vier Dimensionen, da
1) am Stichprobenumfang n,
2) am zu entdeckenden Effekt d (=LQ-AQL,
3) am Risiko für Fehler 1. alpha und
4) am Risiko für Fehler 2. Art beta gedreht werden kann.

Im AQL-System wird davon ausgegangen (jedenfalls so ungefähr), dass beta auf 10 % festgelegt ist (vgl. 3.1.27 Abnehmerrisiko CRQ). [Nur mal als Anmerkung: Welcher Kunde möchte bitte ein Risiko von 10 % dafür, dass er *nicht* merkt, dass ihm schlechte Qualität geliefert wird?!?]

Wenn ich jetzt nette Bildchen und Tabellen für die vorgegebenen Stichprobenumfänge mit dem maximalen Durchschlupf male (s. Tabellen 8) und dabei nichts über das kalkulierte Risiko sage, hab ich zwar eine schöne zweidimensionale Grafik, aber leider keine echt hilfreiche Information.

Ein Beispiel für die Anwendung:
Tabelle 5A – Lieferantenrisiko [alpha] für normale Prüfung
Wählen wir Kennbuchstaben K, müssen N=125 Teile geprüft werden. Bei einem festgelegten AQL-Wert von 0,65% (=0,0065) steht in der Tabelle ein Risiko von 4,87 % für die Prüfung auf Anteile. Generell soll beta im AQL-System auf 10 % festgelegt sein (s. o.)

Die vierte noch freie Dimension ist dann der Effekt, der mit dieser Art von Stichprobenanweisung identifiziert werden kann, d. h. die Abweichung von tatsächlicher Qualitätslage zum hypothetischen AQL-Wert.

GPower gibt mit
Test: Proportion
Option: Sensitivity / Compute required effect size
Tails: One (AQL soll nur nach oben abgesichert werden)
alpha=0.0487 [Tabelle 5A]
power=1-beta=0.90 [s. 3.1.27]
Total sample size=125 [Tabelle 5A]
Constant Proportion=0.0065 [AQL=0,65%]

eine identifizierbare Effektgröße von 0,0355 an, d. h. erst ab einem LQ-Wert von 3,5 % motzt die Stichprobenprüfung, dass etwas nicht in Ordnung ist, also erst wenn sich die Qualitätslage um den Faktor 5,5 verschlechtert hat!

Falls Du gerne noch weitere Programme / Internetseiten hättest, um zu den gleichen Ergebnissen zu kommen, schau mal hier rein:
Wikipedia Stichprobenumfang Formeln
Excel-Blatt
Formeln im Engineering Statistics Handbook
interaktiver Java-Rechner (Test of one proportion)

Einige dieser Formeln und Programme verwenden exakte Berechnungsmethoden, andere arbeiten mit der Normalverteilungs-Approximation, d. h. die Werte selbst können sich leicht voneinander unterscheiden; die Kernaussage bleibt gleich.

Ich bin mir beim AQL-System nicht so ganz sicher, ob diese Art der Risiko-Verschleierung durch die Wahl der Darstellungen gewollt ist oder ob die Autoren es damals einfach nicht besser wussten. (Da ich ein optimistischer Mensch bin, tippe ich auf Letzteres.)

Es ist auf jeden Fall ein Beispiel dafür, dass ein komplexes (hier vierdimensionales) System nicht durch Projektion in niedrigere Dimensionen gut beschrieben werden kann. Das entspricht dem Versuch, ein Automodell zu basteln, indem man Fotos von vorne, beiden Seiten und hinten macht, ausdruckt und zu einem Quader zusammenklebt. Da fehlt ein wenig die Tiefe ;-)

Viele Grüße

Barbara

_____________________________________

Eine gute wissenschaftliche Theorie sollte einer Bardame erklärbar sein.
(Ernest Rutherford, Physiker)

[Barbara]

als Antwort auf: QMF TÜV Süd #51466

Hallo Peter,

hm. Also ich kann verstehen, wenn sich jemand in diesem Forum noch nicht so gut auskennt und deshalb den richtigen Thread nicht findet.

Ich finde es allerdings ein bisschen blöd, wenn Du nach der ersten Antwort nicht das machst, was drin steht: Dort Deine Frage zu posten, wo sie hingehört, nämlich in den QM-Fragenkatalog-Thread.

Also geh bitte dorthin und hör auf, neue Threads dazu aufzumachen. Danke.

Viele Grüße

Barbara

_____________________________________

Eine gute wissenschaftliche Theorie sollte einer Bardame erklärbar sein.
(Ernest Rutherford, Physiker)

[Barbara]

als Antwort auf: Abau eines Q-Gates #51461

Hallo msb,

die 79 % beziehen sich auf die Situation, in der Ihr mehr ppms macht als Ihr denkt. In dieser Situation würdet Ihr zu 79 % nichts merken und die Stipro-Prüfung würde „alles in Ordnung“ ausspucken.

Ansonsten hab ich zu dem ppm-(Un-)Wesen auch meine Privatmeinung ;-)

Viele Grüße

Barbara

_____________________________________

Eine gute wissenschaftliche Theorie sollte einer Bardame erklärbar sein.
(Ernest Rutherford, Physiker)

[Barbara]

als Antwort auf: QMF TÜV Süd #51460

Hallo Peter,

bitte stell Deine Frage im QM-Prüfungsfragen-Thread. Danke :)

Viele Grüße

Barbara

_____________________________________

Eine gute wissenschaftliche Theorie sollte einer Bardame erklärbar sein.
(Ernest Rutherford, Physiker)

[Barbara]

als Antwort auf: Aktueller Stand ISO 9001:2008 #51425

Hallo Stefan,

also ich glaub nicht, dass die DIN überhaupt irgend eine Norm vorab zum Prüfen kostenlos herumliegen lässt. („Gelbdrucke“ o. Ä. kenne ich eher vom VDA.)

Viele Grüße

Barbara

_____________________________________

Eine gute wissenschaftliche Theorie sollte einer Bardame erklärbar sein.
(Ernest Rutherford, Physiker)

[Barbara]

als Antwort auf: FMEA Schulung #51422

Tach zusammen,

also ich find FMEA als Werkzeug nicht so wirklich gut, weil es einfach unheimlich viel Ressourcen (Zeit, Mitarbeiter) kostet und meiner bescheidenen Meinung nach zu wenig dafür bringt. (Da darf jeder auch gerne eine andere Meinung zu haben. Dies ist einfach meine.)

Wenn es darum geht, einen effizienten Weg zu finden, erwähne ich hier wieder gerne eines meiner Lieblings-Bücher zum Projektmanagement:

Techt, Uwe; Lörtz, Holger [2007]: Critical Chain – Beschleunigen Sie Ihr Projektmanagement, Haufe Verlag, ISBN 978-3448075205

(Ein bisschen mehr dazu findet Ihr auch im Literatur-Thread). Interessant sind auch die Ansätze in der Theory of Constraints (TOC, s. Literatur-Thread: Goldratt).

Gerade wenn Widersprüche und Widerstände auftauchen (günstiger vs. besser vs. schneller) führt ein Auflösen über die „Wolke“ (Goldratt) zu einer echten und nachhaltigen Klärung.

Da diese Art an Projekte und/oder Fehler heranzugehen sich deutlich von den üblichen Methoden (auch von Six Sigma-Werkzeugen) unterscheidet, ist ein Einstieg über Goldratts erstes Buch „Das Ziel“ hilfreich. Dort werden die gesamten TOC-Techniken im Rahmen eines Romans anschaulich erklärt.

Das ist jetzt immer noch an der ursprünglichen Frage, wer Einstiegsschulungen zur FMEA anbietet, komplett vorbei und hilft Dir hoffentlich trotzdem ein bisschen weiter ;-)

Viele Grüße

Barbara

_____________________________________

Eine gute wissenschaftliche Theorie sollte einer Bardame erklärbar sein.
(Ernest Rutherford, Physiker)

[Barbara]

als Antwort auf: Forumshack #51415

Aloha,

für diejenigen, die noch ein bisschen Hintergrundwissen möchten, hier einige Artikel von ZDNet:
Trend Micro warnt vor SQL Code Injection
ARD-Webseite gehackt
Barack Obamas Webseite gehackt

Falls Ihr oder Eure Firma also eine dynamische Web2.0-Seite Euer Eigen nennt, ist ein echter Sicherheitscheck ziemlich sinnvoll.

Ansonsten mag ich Hack auch am liebsten in der L-Edition (L: Lasagne) ;-)

Viele Grüße

Barbara

_____________________________________

Eine gute wissenschaftliche Theorie sollte einer Bardame erklärbar sein.
(Ernest Rutherford, Physiker)

[Barbara]

als Antwort auf: Forumshack #51408

Hallo hacki,

nupp, ich hab leider keine Ahnung.

Da es im Moment allerdings mal wieder ein echter Renner zu sein scheint, Foren zu hacken (vgl. Forumshack phpBB-Foren), tippe ich mal auf die sportliche Betätigung irgendwelcher Menschen, die zu wenig sinnvolle Aufgaben in ihrem Leben haben.

Viele Grüße

Barbara

_____________________________________

Eine gute wissenschaftliche Theorie sollte einer Bardame erklärbar sein.
(Ernest Rutherford, Physiker)

[Barbara]

als Antwort auf: Signifikanz einer Stichprobe #51399

Hallo Thomas,

die „Constant Rate“ in GPower entspricht dem AQL-Wert (allerdings als Dezimalzahl), d. h. wenn Du mit AQL=0,65 % Ausschuss in der Produktion rechnest, hättest Du eine „Constant Rate“ von 0.0065 (wichtig: GPower erwartet einen Punkt, kein Komma).

Mit dem Kunden ist z. B. ein maximaler Ausschuss von LQ = 0,8 % vereinbart, d. h. der Effekt, ab dem die Stichproben-Prüfung anzeigen soll, dass etwas schief läuft, ist 0,8 % – 0,65 % = 0,15 % = 0.0015 (Effect Size g in GPower).

Wenn mir jetzt falsche Alarme (Fehler 1. Art alpha) weniger wichtig sind, kann ich ein 10%-Risiko riskieren: alpha=0.10. Da mich sowieso nur interessiert, ob der Ausschuss-Anteil zu groß wird (kleiner darf er ruhig werden), nehme ich die einseitige Absicherung (Tails: One in GPower) und bekomme folgende Stichprobenanweisung:

Prüfe 21’805 Teile (Total Sample Size). Wenn mehr als 123 davon n.i.O. sind (critical N), weise das Los zurück.

Damit hab ich eine Sicherheit (Güte) von 95 %, dass ich meinem Kunden keine zu schlechte Lieferung schicke.

Netter für mich wird es, wenn ich eine deutlich bessere Qualitätslage AQL habe als der Kunde als Grenzwert LQ=0,8% vorgibt. Wenn ich statt der 0,65 % z. B. nur 0,1 % = 0.001 n.i.O. produziere, habe ich einen deutlich größeren Effekt, den ich mit meiner Stichprobenprüfung finden muss (g=0.008-0.001 = 0.007). Und ein größerer Effekt ist natürlich leichter zu finden als ein minikleiner Winz-Effekt.

Damit muss ich weniger Teile (nämlich „nur“ 785) prüfen und würde bei mehr als 3 n.i.O.-Teilen das Los stoppen.

Häufiger ist jedoch ein kleiner bis sehr kleiner Abstand zwischen AQL und LQ, weil die Kunden natürlich das maximal mögliche bekommen möchten. Bei einem AQL von 0,65 % und einem LQ von 0,7 % musst Du schon ganz genau schauen, dass Du diesen kleinen Effekt noch findest (genauer: von 229’998 geprüften Teilen dürfen nicht mehr als 1545 Teile n.i.O. sein).

Ich hoffe, diese Rechnerei hilft Dir weiter.

Viele Grüße

Barbara

_____________________________________

Eine gute wissenschaftliche Theorie sollte einer Bardame erklärbar sein.
(Ernest Rutherford, Physiker)

[Barbara]

als Antwort auf: Signifikanz einer Stichprobe #51396

Hallo Thomas,

naja, Du kennst das ja: Da sind diese hohen, hohen (An-)Forderungen, die der Lieferant an den Kunden stellt, damit er vernünftig produzieren kann und dann kommt der Kunde, sagt dass es unbezahlbar ist und man einigt sich auf einen Kompromiss. So sind die AQL-Tabellen um 1940 entstanden.

Bis in die 90er Jahre war es noch enorm schwierig, die Güte exakt auszurechnen, was heute dank netten kleinen Statistik-Programmen auf Knopfdruck funktioniert. Und erst seit es diese Programme überhaupt gibt (also seit ca. 10 Jahre), kann auch ein Anwender sein Risiko bestimmen. Bis sich allerdings überall herumgesprochen hat, dass das Risiko durch AQL-Systeme extrem hoch sein kann, wird es schätzungsweise noch mal 10 Jahre dauern.

Zu Deiner Beruhigung: Du hast die korrekten Ergebnisse aus GPower bekommen (ich hab hier ein n=2412). Das AQL-Verfahren ist tatsächlich so grottenschlecht. „Constant Rate“ meint, dass es eine konstante Ausschuss-Rate gibt.

Viele Grüße

Barbara

_____________________________________

Eine gute wissenschaftliche Theorie sollte einer Bardame erklärbar sein.
(Ernest Rutherford, Physiker)

[Barbara]

als Antwort auf: SPC-Schulung #51379

Hallo rabbit,

schau mal bei Q4U nach dem Stichwort „Statistik simpel“ von qualyman.

Viele Grüße

Barbara

_____________________________________

Eine gute wissenschaftliche Theorie sollte einer Bardame erklärbar sein.
(Ernest Rutherford, Physiker)

[Barbara]

als Antwort auf: Signifikanz einer Stichprobe #51361

Hallo Thomas,

ojemine. Attributive AQL-Prüfungen sind echt riskant. Ein Rechenbeispiel für Sichtprüfungen hab ich gerade gepostet (meine Rechnerei steht ziemlich weit unten).

Eine Stichproben-Prüfung ist ein statistisches Testverfahren. Die Parameter und Risiken, die dabei eine Rolle spielen, hab ich hier ausführlich beschrieben.

Vergleichen kannst Du die Qualität der Prüfungen über die Güte des Testverfahrens (auch Power, wird als 1-beta berechnet, interessant ist auch der Artikel über die Operationscharakteristik). Je höher die Güte, desto kleiner ist das Risiko für „zu viele niO-Teile und keiner merkt es durch die Prüfung“ (Fehler 2. Art beta), wenn mit dem gleichen Risiko für „Fehlalarm“ (Fehler 1. Art alpha) gearbeitet wird.

Diese Güte kann nicht per Hand ausgerechnet werden. In Wikipedia ist ein nettes Freeware-Programm verlinkt: GPower, das nicht nur die Güte von einem AQL-Test bestimmen kann, sondern von mehreren (Tests > Proportions > Multigroup: Goodnes-of-Fit).

Ich würde Dir allerdings raten, erstmal mit dem Vergleich von einer Testsituation anzufangen. Der X²-Test als Goodness-of-Fit-Test ist nämlich ziemlich schlecht. Und bei einer multi-Testsituation wird das Risiko eh nur noch höher (und ich nehme mal an, dass Du erstmal schlucken musst, wenn Du das beta-Risiko für eine Testsituation ausgerechnet hast.) Die Güte für den Test für einen AQL-Wert findest Du in GPower über Tests > Proportions > One Group: Difference from Constant.

Die Güte wird Dir dann jeweils berechnet, wenn Du „Post Hoc: Compute achieved power – given alpha, sample size, and effect size“ auswählst. Du brauchst also alpha, die Stichprobengröße (sample size), und die zu findende Effektgröße (Effektgröße=LQ-AQL). Im AQL-System wird standardmäßig mit einem alpha von 5 % = 0,05 gearbeitet.

Und weil diese attributiven Prüfungen meistens einen sehr hohen Stichprobenumfang brauchen, um ein akzeptables Risiko (alpha und beta) einzuhalten, würd ich wenn möglich eine variable Prüfung machen und/oder den Prozess anders absichern als mit attributiven Prüfsystemen.

Tut mir leid, wenn ich Dir damit die Illusion nehme, dass attributive AQL-Prüfungen sinnvoll sind. Die haben mit qualitativ guten statistischen Verfahren wenig bis nichts zu tun.

Viele Grüße

Barbara

_____________________________________

Eine gute wissenschaftliche Theorie sollte einer Bardame erklärbar sein.
(Ernest Rutherford, Physiker)

[Barbara]

als Antwort auf: Abau eines Q-Gates #51360

Hallo zusammen,

nachdem hier gerade noch eine Frage zu Stichproben aufgeschlagen war, hab ich mal ein bisschen für Eure Situation gerechnet.

Gehen wir mal davon aus, dass Ihr 80 ppm (0,00008) schafft und der Kunde ab 120 ppm (0,00012) meckert. (Ein bisschen Luft nach oben sollte es immer geben.)

Ihr wollt Euch mit einer Stichprobenprüfung vor allem dahingehend absichern, dass die Prüfung zuverlässig eine Entscheidung über die Einhaltung der Kundenforderung liefert. Übersetzt in Statistik-Stichproben-Deutsch heißt das: Ihr braucht einen kleinen Fehler 2. Art beta (Risiko für „zu viele niO-Teile und keiner merkt es“ soll begrenzt sein). Ihr setzt also das Risiko auf maximal 10 % (5 %: alternativer Wert).

Euch ist es nicht ganz so wichtig, dass es einen „falschen Alarm“ gibt, d. h. dass die Stichprobenprüfung irrtümlich anzeigt, das etwas falsch ist. Übersetzt in Statistik-Stichproben-Deutsch heißt das: Das Risiko für einen Fehler 1. Art alpha (Fehlalarm) darf ein bisschen größer sein. Nehmen wir mal 20 % (für das Risiko der Testentscheidung, *nicht* für die Qualität der Teile selbst!)

Und mit diesen Angaben könnt Ihr dann ausrechnen, wie viele Teile Ihr prüfen müsst, bis Ihr diese Sicherheit erreicht habt. (Das funktioniert natürlich nur, wenn das Mess- bzw. Prüfsystem in Ordnung ist):

alpha = 20 % = 0,20
beta = 10 % (5 %) = 0,10 (0,05)
angenommene ppm: 80 = 0,00008
Grenzwert: 120 ppm = 0,00012

Damit müsst Ihr „nur“ 281.967 Teile prüfen (beta = 10 %) oder wenn Ihr ein etwas kleineres Risiko erreichen möchtet 396.168 Teile (beta = 5 %). Ich glaub das ist nicht so wirklich realistisch ;-)

Nehmen wir mal den anderen Weg: Ihr prüft 2.000 Teile und wollte wissen, wie hoch das beta-Risiko für „es brennt und keiner merkts“ ist.

alpha = 20 % = 0,20
angenommene ppm: 80 = 0,00008
Grenzwert: 120 ppm = 0,00012
geprüfte Teile: N=2000

Damit ergibt sich ein beta-Risiko von 79 %, d. h. in 79 % dieser Entscheidungs-Situationen würdet Ihr nicht merken, wenn es schlechter läuft als geplant.

Wer das Nachrechnen möchte findet bei der Heinrich-Heine-Uni ein wirklich nettes Freeware-Tool GPower (ist allerdings auf Englsich).

Fazit:

Mit ppm’s attributive Stichproben-Sichtprüfungen zu machen ist Kokolores: Sieht nett aus und bringt keine wirkliche Risikoverkleinerung.

Welche statistischen Verfahren tatsächlich etwas bringen (und lange zwar bevor man 200.000 Teile geprüft hat) hab ich ja schon beschrieben.

Viele Grüße von Eurer

Gräfin von Zahl

_____________________________________

Eine gute wissenschaftliche Theorie sollte einer Bardame erklärbar sein.
(Ernest Rutherford, Physiker)

[Barbara]

als Antwort auf: Zitat aus der Logistik #51339

Hallo Flo_House,

so ein richtig schickes Zitat hab ich auch nicht. Vielleicht gefällt Dir das hier:

Man braucht nur ein paar Flugzeuge, Förderbänder, Kraftfahrzeuge und überall gute Leute, die wissen, wann exakt sie was am besten und am günstigsten zu tun haben. Genau das ist Logistik.
Immo Dubies, dt. Journalist (FAZ) |

Ansonsten kannst Du bei zitate.de mal schauen, die haben dort noch mehr Kategorien.

Viele Grüße

Barbara

_____________________________________

Eine gute wissenschaftliche Theorie sollte einer Bardame erklärbar sein.
(Ernest Rutherford, Physiker)

[Barbara]

als Antwort auf: Anzahl von Erstmustern #51338

Hallo Daniel,

vielleicht einfach weil es schwieriger ist, drei Zeugen zu bestechen (und die auch nachhaltig schweigen bzw. lügen zu lassen) als einen?

Wenn Du einen EMPB fälschen willst, dann ist es glaub ich relativ egal, ob Du Dir ein oder 3 oder 5 Teile anschaust (wo Wille da Weg). Die Wahrscheinlichkeit für 3-4 gehübschte Teile ist einfach kleiner als für 1 gehübschtes Teil.

Falls Du Deine Argumentation weiterspinnst, könntest Du doch auch sagen, es sollte überhaupt kein Teil gemessen werden. Schließlich kann auch ein Teil gehübscht sein und deshalb nicht Aussage-kräftig.

Hm. So ein EMPB ganz ohne Teile? Ich bin mir nicht so sicher, ob das im Sinne des Kunden und Lieferanten ist ;-)

Viele Grüße

Barbara

_____________________________________

Eine gute wissenschaftliche Theorie sollte einer Bardame erklärbar sein.
(Ernest Rutherford, Physiker)

[Autor]

Beiträge