Sie sind auf Seite 1von 55

Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.

Macholdt

Zuverlässigkeit, Qualität und Risiko


Zur Erstellung dieses Skriptes habe ich aus folgenden Werken abgeschrieben.

Literatur: T. Grams: Qualitäts- und Risikomanagement (als pdf), globale Übersicht


P.D. O’Connor: Zuverlässigkeitstechnik, VCH-Verlag, typische Bettlektüre.
W. Dürr: Wahrsch.-Rechnung und schließende Statistik, Hanser, Kochrezepte
W. Timischl: Qualitätssicherung, Stat. Methoden, Hanser, für Anwender
T. Wolke: Risikomanagement, Oldenbourg Verlag, für den Betriebswirt.

0) Einführung in MATLAB

Da wir im Laufe dieser Vorlesung immer mal wieder MATLAB verwenden wollen, beginnen
wir mit einer kurzen Einführung. Als Alternative bietet sich (das kostenfreie) SCILAB an,
dessen Befehle ähnlich aussehen wie in MATLAB.

Auf den Fachbereichsrechnern finden Sie MATLAB unter

Start
Alle Programme
AT
MATLAB
R2010a
MATLAB R2010a

Es öffnet sich ein Command-Window in dem Sie Ihre Kommandos direkt nach dem Prompt
>> eingeben können.

Auf Ihrem Rechner zu Hause haben Sie in der Regel kein MATLAB (es sei denn Sie haben es
bezahlt), dort können Sie die SCILAB-Software verwenden.

http://www.scilab.org/products/scilab/download

Einfache Berechnungen, wie mit dem Taschenrechner führen wir direkt im Command-
Window aus. Den Text hinter einem Prozentzeichen wird MATLAB als Kommentar
betrachten und ignorieren.

>> 4 + 5 *3 – 6/7 % arithmetische Operatoren + - * /

ans =
18.1429

Hier hat MATLAB die Standardvariable ans zur Speicherung des Ergebnisses verwendet. Wir
können auch eigene Variablen definieren.

>> x = 4 + 5*3 – 6/7

x=
18.1429

1
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Wir können nun mit dieser Variablen auch weiterrechnen

>> b = x^4 +7.5 % Potenzoperator ^

b=
1.0836e+005

Natürlich sind auch Standardfunktionen in MATLAB enthalten.

>> sin(x)

ans =
-0.6493

Die Zahlenwerte werden in der Regel mit vier Nachkommastellen angegeben, was
vollkommen ausreichend ist. Das kann man umschalten mit den Befehlen format long und
wieder zurück mit format short.

>> format long


>> sin(7/5*pi) %MATLAB hat voreingestellte Variablen z.B. pi

ans =
- 0.95105651629515

>> format short


>> ans

ans =
-0.9511

Ebenso wie pi sind auch die Variablen i und j reserviert, in diesem Fall für die imaginäre
Einheit. Also sollten Sie diese Variablen nicht für eigene Zwecke verwenden.

Komplexe Zahlen können Sie definieren mit

>> a = 4.5 + i*3.1; %Ein Semikolon am Ende vermeidet die Ausgabe


>> b = 9,4 +i*4.4;
>> c = a + b %Addition zweier komplexer Zahlen

c=

13.9000 + 7.5000i

>> d = a * b %Multiplikation zweier komplexer Zahlen

d=

28.6600 + 48.9400i

2
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Um diese Berechnungen durchzuführen benötigen Sie natürlich keine teure Software wie
MATLAB, das kann auch Ihr Taschenrechner leisten. Die eigenliche Stärke von MATLAB
liegt in der schnellen Verarbeitung von Vektoren und Matrizen.

Einer Variable kann nicht nur ein einzelner Zahlenwert, sondern ein ganzer Vektor
zugeordnet werden.

>> x1 = 0:15 %Zahlenfolge von 0 bis 15


>> x2 = 0:0.5:5.5 %Zahlenfolge von 0 bis 5.5 in Schritten von 0.5

Führt man nun mit diesen Vektoren Berechnungen aus, dann erfolgt die Berechnung mit allen
Werten des Vektors. So schnell kann das Ihr Taschenrechner nicht mehr.

>> y1 = x1*4 %Alle Werte des Vektors x1 werden mit 4 multipliziert


>> y2 = x1.*x1 %Der Vektor x1 wird punktweise mit sich selbst multipliziert

Man beachte hierbei den Punkt vor dem Multiplikationsoperator-Operator. Ohne diesen Punkt
gibt es eine Fehlermeldung.

Den transponierten Vektor erhält man durch das Hochkommazeichen (über der Taste #). Das
macht aus einem Zeilenvektor einen Spaltenvektor. Die Operation x1*x1‘ (jetzt ohne den
Punkt) berechnet das Skalarprodukt der Vektoren x1 und x1‘.

>> x1*x1‘

ans =
1240

Eine 2-dimensionale Graphik ist nichts anderes als die bildliche Darstellung eines y-Vektors
als Funktion eines x-Vektors. Insofern geht das mit MATLAB sehr einfach.

>> x = -5:5; %Erzeugung der x-Werte


>> y = 3*x.^2 -2*x +2 %Eine quadratische Funktion von x (Punkt vor Potenzoperator!)
>> plot(x,y,‘*-‘) %*- ist eine Formatierung für die Kurve
>> xlabel(‘x-Achse‘) %Achsenbeschriftung nicht vergessen
>> ylabel(‚‘y-Achse‘)
>> grid % Erzeugt ein Gitternetz

Testen Sie auch mal die Befehle

>> stem(x,y) %Erzeugt ein Diagramm mit diskreten Punkten


>> bar(x,y) %Oder mal ein Balkendiagramm

Spätestens jetzt sollte man darüber nachdenken die Befehle in einem kleinen Programm zu
bündeln und diese durch Angabe des Programmnamens im Command-Window auszuführen.
Dazu wählen Sie im Command-Window den Menuepunkt FILE NEW SCRIPT und
schreiben die obigen Zeilen in das sich öffnende Editor-Fenster.
Gewöhnen Sie sich an, in der ersten Zeile den Programmnamen als Kommentar zu schreiben.
MATLAB-Programme werden automatisch mit dem Suffix .m abgespeichert.

3
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

%Test1.m
x = -5:5;
y = 3*x.^2 – 2*x + 2;
bar(x, y)
xlabel(‘x-Achse’)
ylabel(y-Achse’)

Dieses Programm wird nun abgespeichert als Test1.m und kann im Command-Window nun
durch Angabe von Test1 (Groß-Kleinschreibung beachten) ausgeführt werden.

Matrizen werden mit Hilfe eckiger Klammern erzeugt. Mit dem Semikolon wird eine neue
Zeile der Matrix erzeugt.

>> A = [3 4 6; -1 2 -3; 5 6 3]

A=

3 4 6
-1 2 -3
5 6 3

>> B=A*A %Multiplikation zweier Matrizen

B=

35 56 24
-20 -18 -21
24 50 21

det(A) %Die Determinante einer Matrix berechnen

ans =

-72.0000

C = inv(A) %Die inverse Matrix berechnen

C=

-0.3333 -0.3333 0.3333


0.1667 0.2917 -0.0417
0.2222 -0.0278 -0.1389

a21 = A(2, 1) %auf einzelne Werte der Matrix zugreifen

a21 =

-1

4
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Nun sind wir in der Lage auch lineare Gleichungssysteme recht schnell zu lösen. Wir
betrachten mal das folgende Beispiel.

x1 + 3 x 2 − 4 x3 − 2 x 4 = −3
x1 + 4 x 2 + x3 − x 4 = 13
3 x1 + 8 x 2 − 4 x3 − 3 x 4 = 10
2 x1 + 7 x 2 − 3 x3 + x 4 = 6

>> A = [1 3 -4 -2; 1 4 1 -1; 3 8 -4 -3; 2 7 -3 1]; %Eingabe der Koeffizientenmatrix


>> b = [-3; 13; 10; 6]; % Eingabe des Spaltenvektors

Man vergewissere sich vorher ob die Determinate der Koeffizientenmatrix ungleich Null ist,
bevor man die Inverse Matrix bestimmt.

>> det(A)

ans =

52.0000

Der Lösungsvektor ist dann gegeben durch

>> x = inv(A)*b

x=

1.0000
2.0000
3.0000
-1.0000

Zur Auswertung von Messergebnissen muss man diese auch irgendwie in MATLAB einlesen
können. Dazu werden wir den LOAD-Befehl verwenden. Wir benötigen dazu ein Textfile in
dem die Messwerte abgespeichert sind. Man beachte dass die Messwerte mit einem
Dezimalpunkt versehen sind. Siehe messwerte.txt.

>> A = load(‘U:\Q+R\QR2012\messwerte.txt‘) %Einlesen der Messwerte


>> mean(a) %Mittelwert der Messwerte
>> std(a) %Standardabweichung
>> median(a)
>> length(a)

Für zusätzliche Informationen bietet MATLAB zu allen Befehlen eine help Funktion an.

Man probiere also:

>> help plot


>> help median

5
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Für die graphische Darstellung von Messdaten werden wir häufig das Histogramm
verwenden. Dazu werden alle Messwerte in sogenannte Klassen eingeteilt und die
Häufigkeitsverteilung der Messwerte graphisch dargestellt. Was in MATLAB so einfach
aussieht, werden wir in einer späteren EXCEL-Übung mal zu Fuß ermitteln, damit Sie sehen
können, was für ein tatsächlicher Arbeitsaufwand dahintersteckt, wenn man die hist-Funktion
in MATLAB verwendet.

Die eingelesenen Messwerte im Vektor A liegen alle zwischen 5 und 10. Wir basteln uns also
ein Histogramm, welches die Messwerte in folgenden Grenzen darstellen soll.

>> x = 5:10
>> hist(A, x)

Die Anzahl der Messwerte in den einzelnen Klassen kann man mit dem folgenden Befehl
erhalten.

>> N = hist(A, x)
>> N1 = cumsum(N)

Die kumulierte Summe (so eine Art Integral unter dem Histogramm) wird mit der Funktion
cumsum berechnet. Wir wollen diese beiden Funktionen mal in einem Fenster gleichzeitig
darstellen. Dazu dient der Befehl subplot(n, m, ikk). Mit n und m kann man auswählen wie
viel Diagramme pro Zeile und Spalte man darstellen will. Die Variable ikk zählt dann die
einzelnen Teildiagramme durch.

Falls man insgesamt vier Diagramme zeichnen möchte, wählt man also die folgenden
Befehle:

>> subplot(2, 2, 1)
>> hist(A, x)
>> subplot(2, 2, 2)
>> bar(x, N1)
>> N2= N1/length(A)
>> subplot(2, 2, 3)
>> stem(x, N2)

Da vierte Diagramm wird jetzt nicht benötigt, könnte aber mit subplot(2, 2, 4) angelegt
werden.

Als Übungseinheit hierzu bearbeite jeder für sich MatlabEinstiegUeb.pdf.


Dabei können Sie die 3-dim Graphiken weglassen, die werden wir hier noch nicht brauchen.

Wer dann noch Lust und Laune hat sich intensiver mit MATLAB zu beschäftigen der lese
matlab_fh_muenster.pdf und MatlabIntroGroteKirsch.pdf.

6
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

1) Grundbegriffe

Der Begriff Qualität ist verbunden mit einer sehr subjektiven Einschätzung. Befragt man zehn
willkürlich ausgewählte Personen, was sie unter Qualität verstehen, dann erhält man in der
Regel auch zehn verschiedene Beschreibungen. Darüberhinaus hat sich dieser Begriff im
Laufe der Jahrhunderte ständig entwickelt und verändert.

Lässt sich Qualität also definieren?

Nein: siehe Robert M. Pirsig: Zen, oder die Kunst ein Motorrad zu warten.

Während der Motorradtour, auf der der Erzähler viel Zeit hat, denkt er nach. Er beginnt mit
einer einfachen Beobachtung: Während er selbst es liebt und wichtig findet, sein Motorrad zu
warten, überlässt sein Freund John die gesamte Wartung erfahrenen Mechanikern und verlässt
sich ansonsten darauf, dass während einer Tour nichts mit seiner Maschine schief geht. Dieser
scheinbar kleine Mentalitätsunterschied weitet sich in der Betrachtung immer weiter aus, bis
er zu einer gewaltigen Kluft wird, die sich mitten durch unsere Gesellschaft und unser
Denken zieht: Die Kluft zwischen dem "romantischen" und dem "klassischen" Denken. Unter
"Romantik" versteht Pirsig dabei - sehr grob gesprochen - eine Sichtweise, die die Welt direkt
so annimmt, wie sie erscheint, während die klassische Sichtweise versucht, die Welt zu
analysieren und die Dinge als das zu sehen, was sie bedeuten.

Pirsig veranschaulicht diese Unterscheidung durch ein Erlebnis, dass er mit dem
"romantischen" John hatte: Er wollte für John eine Kleinigkeit an seinem Motorrad reparieren
- dafür brauchte er ein dünnes aber gut verformbares Stück nichtrostenden Blechs. Die
Bierdose in seiner Hand schien ihm ideal, aber als er John vorschlug, ein Stück aus der Dose
herauszuschneiden, machte dieser Ausflüchte und verschwand schließlich, ohne dass sein
Motorrad repariert worden wäre. („Ich lass doch nicht ein Abfallteil an meine BMW!!) Für
John war die Bierdose eine Bierdose, letztlich nichts als ein Stück Abfall, für Pirsig dagegen
war die Bierdose ein Stück hochduktiles Aluminiumblech, das für den Anwendungszweck
ideal geeignet war.

Diese kleine Geschichte ist typisch für das Buch: Abstrakte Ideen wie der Unterschied
zwischen "klassisch" und "romantisch" werden am konkreten Beispiel erzählt und
veranschaulicht, so dass Pirsig nie die Bodenhaftung verliert. Und so erfährt man am Beispiel
des Motorrads etwas über die Denkweise von Aristoteles, Hume, Kant, Einstein und anderer
großer Denker.

Quelle: Martin Bäker, Physiker, http://www.scienceblogs.de/hier-wohnen-


drachen/2011/06/zen-und-die-kunst-ein-motorrad-zu-warten.php

Einige Zitate aus diesem Buch. Mögen sie dazu führen Ihre Neugierde zu wecken.

Qualität ist ein Merkmal von Gedanke und Ausdruck, das durch einen dem Denken
entzogenen Prozeß erkannt wird. Da Definitionen ein Ergebnis streng formaler Denkakte
sind, kann man Qualität nicht definieren. S. 217

Aber obgleich man Qualität nicht definieren kann, wissen Sie, was Qualität ist! S. 218

7
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Qualität ist der Subjektivität entgegengesetzt. [...] , daß Qualität nicht einseitig mit dem
Subjekt oder dem Objekt in Beziehung gesetzt werden konnte, sondern nur in der
gegenseitigen Beziehung zwischen Subjekt und Objekt zu finden war. [...] Qualität ist kein
Ding, sie ist ein Ereignis. Sie ist das Ereignis, in dem das Subjekt das Objekt gewahrt. S. 252

Qualität ist der ständige, aus unserer Umgebung auf uns einwirkende Reiz, die Welt zu
erschaffen, in der wir leben. S. 265

Die Lösungen sind alle einfach - wenn man sie gefunden hat. Aber sie sind nur dann einfach,
wenn man sie schon kennt. S. 303

Wir sind Künstler, die naturwissenschaftlich völlig unbewandert sind, und Wissenschaftler,
die künstlerisch völlig unbewandert sind; beiden Gruppen fehlt jeder geistige Ernst, und das
Resultat ist nicht nur betrüblich, sondern einfach entsetzlich. Die Vereinigung von Kunst und
Technik ist längst überfällig. S. 310

Aber wir leben natürlich in einer Welt in der wir trotzdem versuchen werden Qualität zu
definieren. Deshalb noch einmal die Frage. Lässt sich Qualität also definieren?

Ja: Qualität ist die Erfüllung von Kundenerwartungen. (Timischl)


Qualität ist, wenn der Mensch zurückkommt und nicht das Produkt. (Grams, Schmitz)

Definition nach DIN 55350/ISO 8402:

Qualität ist die Gesamtheit der Merkmale und Merkmalswerte eines Produktes oder einer
Dienstleistung bezüglich ihrer Eignung, festgelegte und vorausgesetzte Erfordernisse zu
erfüllen.

Merkmale und Merkmalswerte werden vom Kunden, d.h. vom Markt vorgegeben, folgende
Punkte sind in der Regel zu optimieren:

• Funktion,
• Sicherheit und Zuverlässigkeit,
• Umweltverträglichkeit,
• Lieferzeiten,
• Preise,
• Beratung und Betreuung.

Geschichtliche Entwicklung:
1) Qualitätskontrolle: Aussortieren fehlerhafter Einheiten.
2) Qualitätssicherung: Überwachung der Fertigung mittels statistischer Methoden. Ende
19. Jahrh.
3) Total Quality Management (TQM): Maßnahmen zur Fehlervermeidung und nicht die
nachträgliche Fehlerbehebung, unter Einbeziehung aller Mitarbeiter auf allen Ebenen.

Ab den 90-er Jahren wird das Qualitätsdenken ganzheitlich betrachtet und verändert die
Einstellung (Unternehmensphilosophie) des gesamten Unternehmens, was in dem Wort total
explizit betont wird.
8
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Entwickelt wurden diese Ideen von zwei Amerikanern W.Edward Deming (1900-1993) und
Joseph. M. Juran (1904), die lange in Japan tätig waren und maßgeblich an der Erreichung der
hohen japanischen Qualitätsstandards beteiligt waren. Anschließend fanden ihre Erkenntnisse
auch in Amerika Gehör.

Kosten der Qualität:


1) Prüfkosten: Kosten, die durch Qualitätsprüfungen entstehen.
2) Fehlerkosten:
a. Interne Kosten fallen durch Nichterfüllung von Qualitätsforderungen durch
ein Produkt vor Auslieferung an den Kunden an.
Ausschuß, Nacharbeit, Wertminderung, wiederholte Ausführung einer
Dienstleistung, falsche Planung, Verzögerung.

b. Externe Kosten fallen durch Nichterfüllung von Qualitätsforderungen durch


ein Produkt nach Auslieferung an den Kunden an.

Garantieleistungen, Produkthaftungskosten, Produktrückrufe mit


folgendem Imageverlust und Kaufeinbußen.

3) Fehlerverhütungskosten: Kosten, die durch fehlerverhütende oder vorbeugende


Maßnahmen entstehen.

Prüfplanung, Schulung, Qualitätsrevision (Audits),


Prüfmittelüberwachung, Leitung des Qualitätswesens.

Qualitätsmanagementsystem
Ein Qualitätsmanagementsystem (QM) beschreibt alle Prozesse, Zuständigkeiten sowie
Mittel, die zur Sicherung von Qualität erforderlich sind.

Forderungen an ein QM-System


• Qualität ist Managementaufgabe
• Kundenorientierung
• Einbeziehung der Mitarbeiter, Kunden und Lieferanten
• Einführung von Messgrößen zur Bewertung von Leistungen
• Streben nach kontinuierlicher Verbesserung des QM-Systems und seiner Prozesse

Qualitätsaudit
Audit=Anhörung, ist eine systematische und objektive Untersuchung auf Erfüllung von
Qualitätsanforderungen. Intern durch Unternehmensleitung oder Extern durch eine
unternehmensfremde Stelle.

DIN ISO 9000: QM-System/Grundlagen und Begriffe. In dieser Norm werden die Begriffe
des Qualitätsmanagements definiert und erklärt; sie gibt eine sichere Hilfestellung für den
Umgang mit der ISO 9001.

9
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

DIN ISO 9001: QM-Systeme/Anforderungen. Diese Norm ist maßgebliche Grundlage für die
Erteilung eines ISO 9000-Zertifikats. QS-Nachweisstufe für Entwicklung und Konstruktion.

DIN ISO 9002: QS-Nachweisstufe für Produktion und Montage.

DIN ISO 9003: QS-Nachweisstufe für Endprüfungen.

DIN ISO 9004: QM-Systeme/Leitfaden zur Qualitätsverbesserung. Diese Norm ergänzt die
Anforderungen der ISO 9001 durch Anleitungen, um die Gesamtleistung, Effizienz und
Wirksamkeit einer Organisation ständig zu verbessern.

DIN ISO 19011: Leitfaden für das Auditieren von Qualitäts-und/oder


Umweltmanagementsystemen.

Abbildung 1.1: Prozessmodell der ISO 9001

Management der Mittel:


• Personal
• Information
• Infrastruktur
• Arbeitsumgebung

Andere TQM-Systeme:

• VDA 6.1: Verband der Automobilindustrie


• QS 9000: Branchenstandard der amerikanischen Automobilhersteller (1994)
• GMP: Good Manufacturing Practice - Lebensmittel
• ISO 13485: Qualitätssicherungssysteme – Medizinprodukte.
• EFQM: European Foundation of Quality Management, 8 Leitgedanken.

10
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Zertifizierung

Eine Zertifizierung führt den Nachweis, dass das Unternehmen ein wirksames QM-System
besitzt. Dieser erfolgt durch ein Zertifizierungsaudit. Ein solches Zertifikat stellt die
Übereinstimmung eines QM-Systems mit den Forderungen der verwendeten
Zertifizierungsgrundlage (z.B. ISO 9001) fest.

Inhalt der ISO 9001: Das sind Links die in diesem pdf nicht funktionieren. Siehe dazu
ISO9000Links.DOC. Auch dort werden sie irgendwann einmal nicht mehr
funktionieren!

Das Zusammenspiel von Mensch, Maschine und Umwelt führt immer wieder zu
unerwünschten Resultaten. Das kann daran liegen, dass die Maschine

• schlecht gebaut worden ist,


• nicht auf Dauer das tut, was sie tun soll,
• nicht richtig bedient wird,
• böswillig missbraucht wird,
• Wirkungen entfaltet, die nicht vorhergesehen worden sind.

Von Fehlern sprechen wir nur dann, wenn die Ursachen der unerwünschten Resultate im
Menschen oder in der Maschine liegen. Der Kasten "Fehlerklassifikation" zeigt in einer
Übersicht diejenigen Fehlerklassen, die in diesem Buch (T. Grams: Qualitäts- und
Risikomanagement) eine Rolle spielen.

Abbildung 1.2: Fehlerarten

11
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Zur Erinnerung: Erstellen Sie ein Organigramm (einen Baum) der obigen
Fehlerklassifikation.

Einige ausgewählte Definitionen: siehe dazu auch Glossar [Grams]

• Zuverlässigkeit: Die Fähigkeit einer Einheit (System), eine geforderte Funktion unter
bestimmten Bedingungen über einen bestimmten Zeitraum auszuführen.

• Redundanz: Die Existenz von mehr als einer Möglichkeit zur Ausführung einer
gegebenen Funktion. Die Möglichkeiten müssen nicht notwendigerweise identisch
sein (Diversität).

• Heiße Redundanz: Redundanz, bei der alle redundanten Einheiten gleichzeitig in


Betrieb sind und nicht erst im Bedarfsfall eingeschaltet werden.

• Kalte Redundanz: Redundanz, bei der die alternativen Wege zur Ausführung einer
Funktion so lange außer Betrieb sind, bis sie benötigt werden.

• Diversität: Ungleichartige technische Mittel zur Erreichung nützlicher Redundanz.

• Parallelredundanz: M-aus N-System setzt die Funktionsfähigkeit von M


Subsystemen voraus. Der Ausgang y besteht aus eine Mehrheitsentscheidung aller
Subsysteme. Der Fehlerausgang liefert eine Fehlermeldung, wenn zwei Subsysteme
nicht übereinstimmen.

12
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Abbildung 1.3: Blockschaltbild einer Parallelredundanz

• Ausfall: Ende der Fähigkeit einer Einheit (eines Systems), eine geforderte Funktion
auszuführen.

• Spezifikation: Genaue (möglichst formale) Beschreibung einer Einheit (eines


Systems) im Sinne der Aufgabenstellung. Dies geschieht durch die Definition einer
Ein-Ausgaberelation R der Menge aller zulässigen Paare (x,y) von Eingabe- (x) und
Ausgabewerten (y).

• Lebensdauer: Die Zeitspanne vom Anwendungsbeginn bis zum Ausfall.

• System: ‚das Gebilde’, eine Gesamtheit von Elementen, die so miteinander


wechselwirken, dass sie als eine Aufgaben-, Sinn- oder Zweckgebundene Einheit
angesehen werden können.

Abbildung 1.4: Blockschaltbild eines Systems, Eingabewert x, Ausgabewert y.

Beispiele für Eingabe- und Ausgabewerte: Schalterstellungen, Signalverläufe.

Diskrete Werte: - x[n]={0, 1, 2, 3, …} diskrete Signale


- {EIN, AUS} Schalter, Lampen, Motoren
- {S1, S2, ŸS3, … }

Kontinuierliche Werte: x(t), y(t)

13
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Physikalische Größen (Eingang) Physikalische Größen (Ausgang):

Druck: p(t) Spannungssignal: 0…10V.


Temperatur: T(t) Stromsignal: 4…20mA.

Nicht immer ist ein System einfach zu beschreiben, i.a. haben wir es zu tun mit der Funktion
einer Funktion (Operator), also mit y (t ) = S [x(t )]

Vervollständigen Sie die folgenden Blockschaltbilder:

x1 (t ), x 2 (t ) Addierer y (t ) = x1 (t ) + x 2 (t )

t
x(t ) y (t ) = ∫ x( s )ds
Integrierer 0

1 x o y = 0
x, y Orthogonal y=
0 x o y ≠ 0

Die Funktion Orthogonal soll prüfen, ob zwei Vektoren senkrecht aufeinander stehen.
Eingabewerte sind also zwei Vektoren x und y , von denen das Skalarprodukt berechnet
wird. Ist das Skalarprodukt dieser beiden Vektoren Null, dann stehen die Vektoren senkrecht
aufeinander, d.h. sie sind Orthogonal und die Funktion liefert den Wert TRUE. Ist das
Skalarprodukt ungleich Null, dann liefert die Funktion den Wert FALSE.

Beispielcode mit MATLAB:

%orthogonal
x = input('Eingabe Vektor x = ')
y = input('Eingabe Vektor y = ')
l = length(x)
sp = 0;
for ikk =1:1:l
sp = sp + x(ikk)*y(ikk)
end
if sp == 0
Orthogonal = 1
else
Orthogonal = 0
end

14
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Beispiel für eine diskrete Spezifikation: Einfacher Stromkreis

Eingangsgrößen: Stromversorgung EIN/AUS,


Schalter EIN/AUS.

Ausgangsgröße: Lampe EIN/AUS.

Stromversorgung Schalter Eingang x Lampe Ausgang y


0 0 0 0 0
0 1 1 0 0
1 0 2 0 0
1 1 3 1 1

Sicherheitsspezifikation: Obermenge der funktionalen Spezifikation durch Erweiterung der


Eingangswerte.

Beispiele aus: Grams [pdf]

Lesen Sie. Grams: Q&R.pdf, Kapitel 1 und EFQM.pdf

15
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Übung 1) Grundbegriffe, Spezifikation

1. Erweitern Sie den in der Vorlesung vorgestellten einfachen Stromkreis durch einen
Wechselschalter (die Lampe soll von zwei Stellen schaltbar sein, WS1 und WS2) und
einen Leitungsschutzschalter LS. Erstellen Sie für dieses Beispiel eine diskrete
Spezifikation.

2. Entwerfen Sie die Spezifikation einer Funktionsprozedur Winkel, die aus zwei
r r
einzugebenden Eingangsvektoren x und y den Winkel zwischen den Vektoren
berechnet und ausgibt. Erinnern Sie sich mal an das so genannte Skalarprodukt. Damit
kann man den Winkel zwischen zwei Vektoren berechnen. Wie könnte der
Programmcode dieser Funktion konkret aussehen? Beispielsweise mit MATLAB.

3. Skizzieren Sie das Blockschaltbild eines 2-aus-3-System Was passiert gemäß


Spezifikation, wenn ein, zwei oder gar alle drei Subsysteme defekt sind? Simulieren
Sie das System in einer Matlab-Funktion ZD[x, y, z]. Eingabe dreier ganzer Zahlen.
Sind alle drei Zahlen gleich, wird Fehlercode Null, Eins, usw. ausgegeben.

Internetrecherche: Gehen Sie davon aus, dass ich einige dieser Fragen in der Klausur
ansprechen werde!

4. Was besagt die Produkthaftung?

5. Wie könnte man Qualität kurz umschreiben?

6. Woher kommen Qualitätsforderungen?

7. Welche qualitätsbezogenen Kosten kennen Sie?

8. Nennen Sie Gründe für die Einführung eines QM-Systems.

9. Was sind die acht Leitgedanken des TQM-Modells der EFQM (European Foundation
of Quality Management).

10. Erklären Sie den Unterschied zwischen internen und externen Fehlerkosten.

11. Welche Forderungen sind an ein Qualitätsmanagementsystem zu richten. Nennen Sie


drei Beispiele.

12. Erklären Sie an einem Beispiel den Begriff Diversität.

16
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

2) Wahrscheinlichkeitsrechnung

Das Zufallsexperiment
Die Gesamtheit aller Ergebnisse bzw. Elementarereignisse fasst man zusammen zum
Ereignisraum Ω .

Beispiele:
• ein Würfel: Ω = {1,2,3,4,5,6}
• zwei Würfel, wobei die Würfel unterschieden werden:
Ω = {(1,1), (1,2),K (1,6), (2,1), (2,6),K (6,6) )}, dieser Ereignisraum hat 36 Elemente
• zwei Würfel, wobei die Würfel nicht unterschieden werden:
Ω = {(1,1),K (1,6), (2,2),K (2,6),K (6,6 )} , dieser Ereignisraum hat 6+5+4+3+2+1=21
Elemente.
• Anzahl der emittierten α − Teilchen pro Sekunde einer radioaktiven Substanz:
Ω = {0,1,2,3,K}
• Lebensdauer einer Glühbirne innerhalb einer Produktion von M Glühbirnen
Ω = {t | t ≥ 0}, dieser Ereignisraum enthält M verschiedene Zeit-Werte.

Ereignis: Die Ereignisse A, B, C, ... sind Teilmengen des Ereignisraumes Ω .

Definition:
• Die Menge Ω ist als Teilmenge von Ω auch ein Ereignis, nämlich das sichere
Ereignis, das immer eintritt.
• Die leere Menge { } ist als Teilmenge von Ω ebenfalls ein Ereignis, nämlich das
unmögliche Ereignis, das niemals eintritt.

Da Ereignisse als Mengen definiert sind, lassen sich die Beziehungen, die zwischen Mengen
bestehen auch auf Ereignisse übertragen. Wir veranschaulichen die folgenden Verknüpfungen
mit Hilfe von Venn-Diagrammen.

1. Ereignisraum Ω

2. Ereignis A oder B = A ∪ B

3. Ereignis A und B = A ∪ B

4. Ereignis A ⊂ B

17
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

5. Sicheres Ereignis

6. Unmögliches Ereignis

7. Ereignis A

8. A und B disjunkt (unverträglich)

A∩ B = { }

9. Differenz der Ereignisse A und B

A\B

Alternative Schreibweise: A + B := A ∪ B und A ⋅ B = A ∩ B

Wahrscheinlichkeitsregeln:

Es sei Ω der Ereignisraum eines Zufallsexperiments. Jedem Ereignis A sei eine Zahl P(A),
die Wahrscheinlichkeit des Eintretens von A, zugeordnet. Dann gelten folgende Axiome:

1. 0 ≤ P ( A) P ist nichtnegativ
2. P (Ω) = 1 P ist normiert
3. P ( A ∪ B ) = P ( A) + P ( B ) , falls A ∩ B = { } P ist additiv

Beispiel: Die Wahrscheinlichkeit bei einem Würfel eine gerade Zahl oder eine fünf zu
würfeln ist P ( A) = 3 / 6 + 1 / 6 = 2 / 3 , da sich beide Ereignisse gegenseitig ausschließen.
Aus den Axiomen folgen weitere Regeln, die im folgenden Satz zusammengestellt sind.

Satz 2.1:
1. Für das unmögliche Ereignis gilt: P({ }) = 0
2. Für das komlementäre Ereignis gilt: P ( A ) = 1 − P ( A)
3. Für die Vereinigung zweier beliebiger Ereignisse gilt:
P ( A ∪ B ) = P ( A) + P ( B ) − P ( A ∩ B ) alternativ P ( A + B ) = P ( A) + P ( B ) − P ( A ⋅ B ) ,
Anwendung als ODER-Regel bei redundanten Systemen.

18
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Beweis:
Es gelten folgende Zusammenhänge:
1) A + B = A ⋅ B + A ⋅ B + A ⋅ B
2) A = A ⋅ B + A ⋅ B
3) B = A ⋅ B + A ⋅ B
alle Teilflächen sind disjunkt, die
Wahrscheinlichkeiten addieren sich somit!

1) P ( A + B ) = P ( A ⋅ B ) + P ( A ⋅ B ) + P ( A ⋅ B )
2) P ( A) = P ( A ⋅ B ) + P ( A ⋅ B )
3) P ( B ) = P ( A ⋅ B ) + P ( A ⋅ B )
Subtraktion der Gleichungen 2) und 3) von 1)
liefert die Behauptung.

P ( A + B ) − P ( A) − P ( B ) = − P ( A ⋅ B ) q.e.d

Beispiel: Wie groß ist die Wahrscheinlichkeit, bei einem Spiel mit 52 Karten ein Ass
oder ein Karo zu ziehen? Beide Ereignisse schließen sich nicht aus. Es gilt also:
P(Karo oder Ass) = P(Karo) + P(Ass) – P(Karo und Ass) = 13/52 +4/52 – 1/52

4. Für die Differenz gilt: P ( B \ A) = P ( B ) − P ( A ∩ B )

Beispiel: Die Wahrscheinlichkeit Professor B in den Semesterferien anzutreffen


betrage 0,5. Die Wahrscheinlichkeit den Professor und seinen Assistenten A
anzutreffen betrage nur 0,2. Wie groß ist die Wahrscheinlichkeit den Professor
anzutreffen, nicht aber gleichzeitig den Assistenten?

P ( B \ A) = P ( B ) − P ( A ∩ B ) = 0,5 − 0,2 = 0,3

5. Für A ⊂ B gilt: P ( A) ≤ P ( B )
6. Für einen endlichen Ereignisraum Ω = {x1 , x 2 , K x n } mit den Wahrscheinlichkeiten
P ( xi ) = p i und dem Ereignis A gilt

∑p i =1 und
P( A) = ∑ pi
i =1 xi∈A

Definition:

Die Wahrscheinlichkeit für das Ereignis A unter der Bedingung, dass B eingetreten ist, heißt
bedingte Wahrscheinlichkeit von A unter der Bedingung B und man schreibt P ( A | B ) .

19
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Man kann fünf verschiedene Fälle bezüglich der Abhängigkeit unterscheiden:

1. Das Eintreten von B verringert die Chancen für das Eintreten von A: P ( A | B ) < P ( A)
2. Das Eintreten von B erhöht die Chancen für das Eintreten von A: P ( A | B ) > P ( A)
3. Das Eintreten von B macht das Eintreten von A unmöglich: P ( A | B ) = 0
4. Das Eintreten von B macht das Eintreten von A sicher: P ( A | B ) = 1
5. Das Eintreten von B hat keinen Einfluss auf das Eintreten von A: P ( A | B ) = P ( A)

d.h. im Prinzip ist alles möglich. (Siehe Übung)

Für die Berechnung von bedingten Wahrscheinlichkeiten gilt der folgende

Satz 2.2:
Für zwei Ereignisse A und B mit P(B)>0 gilt die Beziehung

P( A ∩ B )
P( A | B) =
P( B)

Definition:
Zwei Ereignisse heißen stochastisch unabhängig, wenn gilt

P ( A | B ) = P ( A) bzw. P ( B | A) = P ( B )

d.h. P(A) hängt nicht davon ab, ob B eintritt oder nicht, und umgekehrt.

Unter Berücksichtigung dieser Definition erhält man aus dem obigen Satz den
Multiplikationssatz der Wahrscheinlichkeitstheorie.

Satz 2.3: Multiplikationssatz

Für zwei Ereignisse A und B gilt die folgende Beziehung:

P( A ∩ B) = P( A | B) ⋅ P( B)

insbesondere sind zwei Ereignisse genau dann unabhängig wenn gilt:

P ( A ∩ B ) = P ( A) ⋅ P ( B )

Man nennt diese Regel auch Produktregel. Sie kann auf eine beliebige Anzahl stochastisch
unabhängiger Ereignisse erweitert werden. Die Wahrscheinlichkeit beim Würfel eine
bestimmte Zahlenfolge in drei Würfen zu erhalten ist:

1 1 1 1
⋅ ⋅ = ≈ 0,00463 ≈ 0,463%
6 6 6 216

20
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Diskrete Verteilungen (ist die ganze Welt nicht in Wirklichkeit diskret?)

Stellt man die relativen Häufigkeiten p i einer Zufallsvariablen (die zugehörigen


Wahrscheinlichkeiten) in Abhängigkeit von dieser Zufallsvariablen xi dar, so erhält man ein
sogenanntes Histogramm der Verteilung und man nennt die Funktion

f ( x) = pi für xi ∈ X

die Wahrscheinlichkeitsfunktion der Zufallsvariablen X.

Anzahl der Messwerte: N


absolute Häufigkeiten: h( x)
h( x)
relative Häufigkeiten: p ( x) =
N
Summenhäufigkeit: H ( x) = ∑ h( x )
xi < x
i

Beispiel: Einschätzung der wirtschaftlichen Situation in Punktwerten (1:sehr gut bis 7=mies)

Anzahl der Befragten N=200, H (x) =kumulative Häufigkeit (Summenhäufigkeit)

Punktwert xi h(x) f ( x) = p( x) xi ⋅ pi H (x) F (x)


1 17 0,085 0,085 17 0,085
2 31 0,155 0,31 48 0,24
3 44 0,22 0,66 92 0,46
4 37 0,185 0,74 129 0,645
5 32 0,16 0,8 161 0,805
6 29 0,145 0,87 190 0,95
7 10 0,05 0,35 200 1,0
Summe 200 1,00 3,815

Summiert man die Werte der Wahrscheinlichkeitsfunktion mit steigendem x-Wert auf so
erhält man die relative Summenhäufigkeit oder Verteilungsfunktion F (x) . Diese gibt die
Wahrscheinlichkeit dafür an, dass die Zufallsvariable höchstens den Wert x annimmt.

F ( x) = ∑ f (x )
xi < x
i

Übung: Skizzieren Sie die Verteilungsfunktion. Vervollständigen Sie zunächst die obige
Tabelle.

21
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Statistische Kennwerte

Mittelwert: Der Mittelwert µ = E[ X ] (oder Erwartungswert) einer Zufallsvariablen


berechnet sich mit:
n
1 N
µ = ∑ xi ⋅ pi oder µ = ⋅ ∑ xi bei N Meßwerten
i =1 N i =1

In unserem Falle beträgt der Mittelwert µ = 3,815

22
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Median: Der Median ist derjenige Punkt, unterhalb und oberhalb dessen jeweils die Hälfte
der Messwerte liegen. Liegen die Messwerte in Form einer Häufigkeitstabelle vor, berechnet
sich der Median nach folgender Schätzformel:

1 N  100 − 92
M = x m − 0,5 + ⋅  − H m−1  = 4 − 0,5 + = 3,72
hm  2  37

In unserem Fall ist x m = 4 , da beim Punktwert 4 die Summenhäufigkeit zum ersten mal den
Wert N / 2 = 100 überschreitet. Aus der Tabelle ergibt sich dann hm = 37 und H m−1 = 92

Modalwert: Der Modalwert ist der in einer Verteilung am häufigsten vorkommende


Messwert (Maximumswert). In der vorliegenden Tabelle liegt der Modalwert also bei 3.

Median, Modalwert und Mittelwert unterscheiden sich also bei unsymmetrischen


Verteilungen.

Varianz: Die Varianz σ 2 einer Zufallsvariablen X stellt ein Maß dafür dar, ob sich die
Verteilung stark um den Mittelwert konzentriert oder mehr oder weniger um den Mittelwert
streut.

N
1
σ 2 = ∑ ( xi − µ ) 2 ⋅ f ( x i ) oder σ2 = ⋅ ∑ (xi − µ )
2

i N − 1 i =1

Übung: Berechnen Sie die Varianz und die Standardabweichung für das obige Beispiel. Es
war µ = 3,815

Punktwert xi ( xi − µ ) 2 f ( x) = pi ( x i − µ )2 ⋅ f ( x )
1 7,924 0,085 0,674
2 3,294 0,155 0,511
3 0,664 0,22 0,146
4 0,034 0,185 0,006
5 1,404 0,16 0,225
6 4,774 0,145 0,692
7 10,144 0,05 0,507
Summe: 2,761

Für das obige Beispiel erhalten wir die Varianz σ 2 = 2,761 . Zieht man von dieser Zahl die
positive Wurzel, so erhält man die Standardabweichung s = 1,662 .

23
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Das obige Beispiel als MATLAB-Programm:

%Erzeugung von 200 Messwerten Einschätzung der wirtschaftlichen Lage


%in Punktwerten von 1 bis 7
A1 = ones(1,17)
A2 = 2.*ones(1,31)
A3 = 3.*ones(1,44)
A4 = 4.*ones(1,37)
A5 = 5.*ones(1,32)
A6 = 6.*ones(1,29)
A7 = 7.*ones(1,10)
A = [A1 A2 A3 A4 A5 A6 A7]
x = 1:7
%Histogramm der Rohdaten
subplot(1,3,1)
hist(A,x)
title('Histogramm')
xlabel('Punktwert x')
ylabel('Häufigkeit')
%Wahrscheinlichkeitsfunktion f(x)=p Darstellung mit Balkendiagramm
bar
h = [17 31 44 37 32 29 10]
p = h./200
subplot(1,3,2)
bar(x,p)
title('Wahrscheinlichkeitsfunktion')
xlabel('Punktwert x')
ylabel('f(x)')
%Berechnung der Verteilungsfunktion F(x), Darstellung als Polygonzug
F = cumsum(p);
subplot(1,3,3)
plot(x,F,'-o')
title('Verteilungsfunktion')
xlabel('Punktwert x')
ylabel('F(x)')
%Statistische Kennwerte
MW = mean(A)
Median = median(A)
Standard0 = std(A) % Normiert auf N-1
Standard1 = std(A,1) %Normiert auf N

Lesen Sie. Grams_Q&R.pdf, Kapitel 2.

24
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Übung 2) Wahrscheinlichkeitsrechnung, diskrete Verteilungen

1. Die Zuverlässigkeit einer Rakete beträgt 0,85. Wie hoch ist die Wahrscheinlichkeit,
dass mindestens ein Treffer erzielt wird, wenn zwei Geschosse abgefeuert werden?
Die Treffer sind stochastisch unabhängig. Lösen Sie die Aufgabe rechnerisch und mit
einem Baumdiagramm.

2. Die Treffer seien nun stochastisch abhängig. Falls das erste Geschoss nicht trifft,
betrage die Wahrscheinlichkeit eines Fehlschlages für das zweite Geschoss 0,2. Trifft
das erste Geschoss, so ist die Trefferwahrscheinlichkeit für das zweite Geschoss
unverändert bei 0,85. Wie hoch ist die Wahrscheinlichkeit für mindestens einen
Treffer? Lösung rechnerisch und mit Baumdiagramm.

3. Eine Urne enthalte drei weiße Kugeln (w1, w2, w3) und eine schwarze Kugel (s).
Berechnen Sie die Wahrscheinlichkeit folgender Ereignisse:
a. Ziehen ohne Zurücklegen: A = 2. Kugel weiß, B = 1. Kugel weiß.
b. Ziehen ohne Zurücklegen: A = Beide Kugeln weiß, B = 1. Kugel weiß.
c. Ziehen ohne Zurücklegen: A = 2. Kugel schwarz, B = 1. Kugel schwarz.
d. Ziehen ohne Zurücklegen: A = 2. Kugel weiß, B = 1. Kugel schwarz.
e. Ziehen mit Zurücklegen: A = 2. Kugel weiß, B = 1. Kugel weiß.

4. In der EXCEL-Arbeitsmappe Uebung2.XLS sind die Daten von n = 50 Messungen


verzeichnet. Gesucht wird eine übersichtliche Darstellung der Daten.
a. Bestimmen Sie zunächst die Spannweite R dieser Daten als Differenz
zwischen Minimum und Maximum.
b. Bestimmen Sie die Klassenweite w aufgrund der praktischen Empfehlung:

R
w= für 50 < n < 400
n

c. Stellen Sie die Daten als Histogramm dar. (Strichliste, Histogramm-Funktion


in EXCEL oder MATLAB hist-Funktion)
d. Bestimmen Sie die prozentuale Häufigkeitssummenfunktion und stellen Sie
diese ebenfalls graphisch dar.
e. Berechnen Sie Mittelwert, Median, Modalwert und Standardabweichung der
vorliegenden diskreten Verteilung.

25
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

3) Die Binomialverteilung, Schwarz/Weiß, Ganz/Kaputt also Yin/Yang

Definition: Ein Zufallsexperiment mit den Ereignissen A und A (z.B. schwarz/weiß oder
defekt/funktionsfähig) und den zugeordneten Wahrscheinlichkeiten p und 1-p werde n-mal
wiederholt. Dann heißt die Verteilung der Zufallsvariablen X = Anzahl des Eintretens von A
Binomialverteilung mit den Parametern n und p kurz B(n;p)-Verteilung.

Beispiel 1: Aus einer Urne werden n=10 Kugeln gezogen, welche mit einer
Wahrscheinlichkeit von je 50% schwarz oder weiß gefärbt sind. Die Wahrscheinlichkeit, dass
0,1 2,... oder 10 weiße Kugeln gezogen werden ist B(10;0.5)-verteilt.

Beispiel 2: Werden bei einer Qualitätskontrolle 5 Glühbirnen auf ihre Funktionsfähigkeit


getestet und geht man von einer durchschnittlichen Fehlerrate von 5% aus, dann ist die
Wahrscheinlichkeit 0 bis 5 defekte Glühbirnen anzutreffen B(5; 0.05)-verteilt.

Satz: Für die Wahrscheinlichkeitsfunktion f (x) einer B(n; p)-verteilten Zufallsvariablen X


gilt:

n n n!
f ( x) = P ( X = x) =   ⋅ p x ⋅ (1 − p )
n− x
mit   =
 x  x  x!⋅(n − x )!

der Mittelwert ist µ = n ⋅ p und die Varianz σ 2 = n ⋅ p (1 − p )

Genau genommen geht man hier von einer Stichprobe mit Zurücklegen aus. Der
Stichprobenumfang sollte also im Vergleich zur gesamten Fertigung (Losumfang) klein sein.
Falls das nicht der Fall ist verwendet man die hypergeometrische Verteilung.
Zu erwähnen ist noch die Poisson-Verteilung, die Verwendung findet bei mehreren
Stichproben.

Beispiel: Wie groß ist die Wahrscheinlichkeit, dass bei 5.maligem Münzwurf 3 mal ZAHL
eintritt? Bei diesem Versuch ist also n=5 und p=0,5.

Die Zufallsvariable „Anzahl Zahl“ ist B(5; 0,5)-verteilt. Damit wird für x=3

 5
f (3) = P ( X = 3) =   ⋅ 0,5 3 ⋅ (1 − 0,5) = 10 ⋅ 0,5 5 = 0,3125 = 31,25%
5−3

 3

Dies ist die Wahrscheinlichkeit dafür, genau dreimal Zahl zu würfeln.


Die Wahrscheinlichkeit höchstens dreimal Zahl zu Würfeln ist dann durch die
Summenwahrscheinlichkeit (kumulierteWahrscheinlichkeit), also durch

f(0)+f(1)+f(2)+f(3) = gegeben.

Wir werden diese Summenhäufigkeit mit dem LARSON-Nomogramm graphisch bestimmen,


da die Berechnung sehr aufwendig ist.
In EXCEL kann man die Funktion =BINOMVERT(n; k; p; WAHR) verwenden.

26
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Diese Funktion nennt man Verteilungsfunktion der Binomialverteilung G (k | n; p ) und ist


allgemein gegeben durch

k
n
G (k | n; p ) = ∑   ⋅ p x ⋅ (1 − p )
n− x

x =0  x 

Anwendung: Stichprobenprüfung.

Kontinuierliche Verteilungen

Vorbemerkung:
Die bisher vorgestellten Verteilungen haben gemeinsam, dass danach verteilte
Merkmalswerte nur ganzzahlig sein können. Sie finden demnach Verwendung in der
Qualitätssicherung bei zählenden Prüfungen.

Bei der messenden Prüfung haben wir es mit Zahlenwerten zu tun, die beliebige Werte aus
einem Intervall annehmen können, also kontinuierlich sind.

Im kontinuierlichen Fall besteht die Zufallsvariable x aus reellen Zahlen. Anstatt von
Wahrscheinlichkeitsfunktion spricht man nun von der Dichtefunktion f (x) . Im Gegensatz
zum diskreten Fall stellen die Funktionswerte aber keine Wahrscheinlichkeiten dar, sondern
man muss für die Angabe einer Wahrscheinlichkeit auch noch ein Intervall angeben. Die
Fläche unter der Funktion ist dann die Wahrscheinlichkeit dafür, die Zufallsvariable in diesem
Intervall anzutreffen. Man muss also diese Funktion immer integrieren und erhält dadurch
auch wie im diskreten Fall eine Verteilungsfunktion F ( x ) .

Skizze:

27
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Die Normalverteilung (Gauß’sche Glockenkurve, die schönste Funktion der Welt)

Die wichtigste stetige Verteilung in der gesamten Naturwissenschaft, sie spielt eine
überragende Rolle in vielen theoretischen Überlegungen und Anwendungen nicht nur in der
Wahrscheinlichkeitstheorie.

Definition: Die Verteilung einer stetigen Zufallsvariablen X mit der Dichtefunktion

1  1  x − µ 2 
f ( x) = ⋅ exp −   
σ 2π  2 σ  
 
und der zugehörigen Verteilungsfunktion

1
x
 1  t − µ 2 
F ( x) = ⋅ ∫ exp −   dt

σ 2π − ∞  2  σ  
heißt Normalverteilung mit den Parametern µ (Mittelwert) und σ (Standardabweichung)
oder kurz N( µ ; σ ) -Verteilung.

Abbildung 3.1: Gauss-Verteilung, Quelle: www.mnm-team.org

Standardnormalverteilung

Wir betrachten nun die spezielle Verteilung N(0; 1). Diese Verteilung mit Mittelwert µ = 0
und Standardabweichung σ = 1 wird als Standardnormalverteilung bezeichnet. Diese
Funktion und die zugehörige Verteilungsfunktion F (x) sind tabelliert. (Dummerweise kann
man dieses Integral nur numerisch berechnen, da man keine Stammfunktion findet.)

28
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

1  x2 
Dichtefunktion: f ( x) = ⋅ exp − 
2 ⋅π  2 

1
x
 t2 
Verteilungsfunktion: F ( x) = ⋅ ∫ exp − dt Werte in Tabelle1.pdf!!!
2 ⋅ π −∞  2 

Eine beliebige Normalverteilung kann mit folgender Transformation auf eine


Standardnormalverteilung gebracht (und somit verglichen werden).

Satz: Es sei X eine N( µ ; σ ).verteilte Zufallsvariable. Dann ist die transformierte


Zufallsvariable
X −µ
z=
σ
N(0; 1)-verteilt. Zwischen der Verteilungsfunktion F ( x) und der Verteilungsfunktion F0 ( x)
der N(0; 1)-Verteilung gilt demnach folgende Beziehung:

x−µ
F ( x) = F0  
 σ 

Damit kann man die Werte einer beliebigen Normalverteilung durch Werte der
Standardnormalverteilung darstellen.

Beispiel: Die Zufalls Variable X sei N(10; 3)-verteilt. Man ermittle mit Hilfe der Tabelle zur
Normalverteilung folgende Wahrscheinlichkeiten: Man beachte dabei F0 (− x ) = 1 − F0 ( x) ,
tabelliert sind nur positive Werte von x.

a) P ( X ≤ 16)
b) P ( X ≥ 12)
c) P (7 ≤ X ≤ 13)

 16 − 10 
a) F0   = F0 (2) = 0,9772 = 97,72%
 3 
 12 − 10 
b) 1 − F0   = 1 − F0 (2 / 3) = 1 − F0 (0,67) = 25,14%
 3 
 13 − 10   7 − 10 
c) F0   − F0   = F0 (1) − F0 (−1) = F0 − (1 − F (1)) = 0,8413 − 0,1587 = 68,27%
 3   3 

29
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Die χ 2 -Verteilung (sprich: chi)

Wir benötigen diese Verteilung für die Frage nach dem Vertrauensintervall der Varianz und
für Anpassungstests. Sie ist abhängig von einem Parameter n, den man Freiheitsgrad nennt.

Definition: Es seien X 1 , X 2 , K X n unabhängige standardnormalverteilte Zuvallsvariable.


Dann heißt die Verteilung der Zufallsvariablen

Y = X 12 + X 22 + K X n2

χ 2 -Verteilung mit n Freiheitsgeraden und E(Y) = n, Varianz(Y) = 2n

Abbildung 3.2: Chi-Quadratverteilung, Quelle: Claudia Hoffmann

Wir ersparen uns hier die genaue Darstellung der Dichte-Funktion für die Chi-
Quadratverteilung anzugeben, da diese eine weitere wesentlich unhandlichere Funktion (die
Gamma-Funktion) enthält. Schließlich benötigen wir, wie bei der Gauss-Verteilung auch, nur
die zugehörige Verteilungsfunktion, deren Werte in Tabelle2.pdf nachzulesen sind.

Für n>100 Freiheitsgrade ist eine χ 2 -verteilte Zufallsvariable näherungsweise N(n; 2n )-


verteilt, die Chi-Quadrat-Verteilung sieht dann in etwa wie eine Gauß-Verteilung aus.

30
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Die Exponentialverteilung

Abbildung 3.3: Exponentialverteilung, Quelle: Sinner1

Diese Verteilung werden wir ausführlich verwenden bei der Thematik: Ausfallraten,
Zuverlässigkeitsfunktion, Überlebenswahrscheinlichkeit.

Dichtefunktion: f ( x) = λ ⋅ e − λ ⋅ x Verteilungsfunktion: F ( x) = 1 − e − λ ⋅ x

Der Mittelwert (Erwartungswert) der Exponential-Verteilung läßt sich recht einfach


berechnen:

∞ ∞
E ( x) = ∫ x ⋅ f ( x) dx = ∫ x ⋅ λ ⋅ e −λ ⋅ x dx
0 0

Wir intergrieren partiell mit u = x und v' = λ ⋅ e − λ ⋅ x . Damit ergibt sich u ' = 1 und v = −e − λ ⋅ x
Somit erhält man

∞ ∞ ∞
 λ 
E ( x) = ∫ x ⋅ λ ⋅ e −λ ⋅ x
( )
dx = x ⋅  − e −λ ⋅ x  − ∫ 1 ⋅ − e −λ ⋅ x dx = − x ⋅ e −λ ⋅ x

+ ∫ e −λ ⋅ x dx =
0  λ 0 0
0


1 −λ ⋅ x 1 1
E ( x) = − ⋅e = 0 − (− ) =
λ 0 λ λ

31
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Eine schöne Übungsaufgabe besteht darin, die Varianz dieser Verteilung zu berechnen, also
das folgende Integral.

∞ ∞ 2
 1
VAR( x) = ∫ ( x − E ( x)) ) ⋅ f ( x) dx = ∫  x −  ⋅ λ ⋅ e −λ ⋅ x dx
2

0 0
λ

Man muss halt zweimal partiell intergrieren und sollte folgendes Ergebnis erhalten.

1
VAR ( x) =
λ2

1
Damit ist die Standardabweichung σ = VAR ( x) = genau so groß wie der Mittelwert bei
λ
der Exponentialverteilung.

Weitere kontinuierliche Verteilungen sind: Lognormal-Verteilung und Weibull-Verteilung.

Abbildung 3.4: Lognormalverteilung, Quelle: http://de.academic.ru

32
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Übung 3) Binomialverteilung und Normalverteilung

1. Eine Glühbirnenfertigung läuft mit einem konstanten Ausschussanteil von 5%. Zur
Qualitätsprüfung werden 5 Leuchtkörper entnommen.
a. Berechnen Sie die Wahrscheinlichkeiten für das Auftreten von genau 0,1,2,3,4
oder 5 defekten Glühbirnen.
b. Wie hoch ist die Wahrscheinlichkeit höchstens 2 defekte Glühbirnen
vorzufinden?
c. Wie hoch ist die Wahrscheinlichkeit mindestens 2 defekte Glühbirnen zu
finden?

2. Wie groß ist die Wahrscheinlichkeit, dass bei 6-maligem Würfeln höchstens einmal
eine Sechs auftritt?

3. Erstellen Sie in EXCEL eine Tabelle, welche die gaußsche Standardnormalverteilung


und die zugehörige Verteilungsfunktion berechnet und graphisch darstellt.

1  x2 
Dichtefunktion: f ( x) = ⋅ exp − 
2 ⋅π  2 

1
x
 t2 
Verteilungsfunktion: F ( x) = ⋅ ∫ exp − dt
2 ⋅ π −∞  2 

4. Die Lebensdauer einer Glühbirne ist N(1200h; 200h)-Normalverteilt. Wie hoch ist die
Wahrscheinlichkeit, dass eine Glühlampe a) mindestens 800h hält und b) mindestens
1600h?

5. Die folgende Aufgabe enthält eine eher ‚umgekehrte’ Fragestellung. Das Gewicht (in
Gramm) von Zuckerpaketen sei N(1000; 5)-Normalverteilt. Man ermittle:

a. das 90%-Quantil, also das Gewicht, das ein zufällig entnommenes Zuckerpaket
mit einer Wahrscheinlichkeit von 90% höchstens wiegt.
b. das Gewicht, das ein zufällig entnommenes Zuckerpaket mit einer
Wahrscheinlichkeit von 95% mindestens wiegt.
c. den zum Mittelwert symmetrischen Bereich, der das Gewicht eines zufällig
entnommenen Zuckerpaketes mit einer Wahrscheinlichkeit von 98% enthält.
d. Das Intervall von 995 bis 1000+x Gramm, das mit 80%-iger
Wahrscheinlichkeit ein zufällig entnommenes Zuckerpaket enthält.

33
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

4) Vertrauensintervalle – Intervallschätzungen

Wir gehen im folgenden davon aus, dass wir es mit einer Fertigung zu tun haben, in der die
qualitätsbestimmenden Parameter X Normalverteilt sind. Aufgrund von langjährigen
Erfahrungen seien der Mittelwert und die Standardabweichung bei diesem
Produktionsprozess bekannt und wir wollen nun in Form einer Stichprobe X aus der
laufenden Produktion abschätzen, welchen Wert wir für den Mittelwert der Stichprobe
erwarten können und welchen Schwankungen dieser Wert eventuell unterliegt.

Satz: Es sei X eine Zufallsvariable mit dem Erwartungswert (Mittelwert) µ und der Varianz
σ
σ 2 . Ist X normalverteilt, dann ist der Mittelwert der Stichprobe N( µ ; )-verteilt.
n
(n = Stichprobenumfang)

Definition: Erhält man mit einer vorgegebenen Wahrscheinlichkeit von mindestens 1 − α


(z.B. 0,95 oder 0,99) aufgrund einer Stichprobe ein Intervall [ A; B ] , das einen unbekannten
Parameter ν enthält, so heißt diese Intervall Vertrauensintervall (Konfidenzintervall) für ν
bei dem Vertrauensniveau (Konfidenzzahl) 1 − α .. Der Wert α ist die sogenannte
Irrtumswahrscheinlichkeit.

Dies führt dann zu Aussagen wie: Man kann mit 95%-iger Wahrscheinlichkeit davon
ausgehen, das der Anteil der Wähler einer bestimmten Partei zwischen 37% und 41% liegt.
Man erhält also eine Intervallschätzung bei einem Vertrauensniveau von 0,95.

Satz: Die Zufallsvariable X sei N( µ ; σ )-verteilt. Dann gilt für ein vorgegebenes
Vertrauensniveau 1 − α :

 σ σ 
P X − z ⋅ ≤ µ ≤ X + z⋅  = 1 − α
 n n

Man kann also mit der Wahrscheinlichkeit 1 − α , davon ausgehen, dass obiges Intervall, das
man aufgrund einer konkreten Stichprobe erhält, den Erwartungswert µ enthält.

Voraussetzung für diesen Satz ist, dass die Standardabweichung σ bekannt ist. Entweder
erhält man diesen Wert durch frühere Untersuchungen oder man schätzt ihn ab durch die
Standardabweichung der Stichprobe. (Faustregel hierfür: Stichprobenumfang > 30)

σ =s=
1 n
(
∑ xi − x
n − 1 i =1
)
2

34
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Bestimmung eines Vertrauensintervalls für den Mittelwert µ einer Normalverteilung


bei bekannter Standardabweichung σ .

Schritt 1: Man wähle ein Vertrauensniveau 1 − α .


Schritt 2: Man bestimme für das gewählte Vertrauensniveau für 1 − α / 2 den zugehörigen
Wert z nach Tabelle1.pdf. Die folgenden Werte sind gebräuchlich:

1−α 0,90 0,95 0,99 0,999


z 1,65 1,96 2,58 3,290

Schritt 3: Man berechne den Mittelwert der Stichprobenwerte x .


Schritt 4: Man berechne das Vertrauensintervall
σ σ
x − z⋅ ≤ µ ≤ x + z⋅
n n

Anmerkung: Man wundere sich nicht darüber, dass der z-Wert (für das 95%-Vertrauens-
intervall bei 97,5% abgelesen wird, da das 95%-Intervall symmetrisch ist und sich von 2,5%
bis auf 97,5% erstreckt.

Beispiel: Eine Maschine schneidet Stahlbleche automatisch auf eine geforderte Länge zu.
Man weiß, dass die tatsächlichen Längen geringfügige Schwankungen aufweisen können.
Untersuchungen über einen längeren Zeitraum haben ergeben, dass die Standardabweichung
für diesen Maschinentyp σ = 2,2cm beträgt.
Es soll bei der derzeitigen Einstellung der Maschine die mittlere Länge µ der Stahlbleche
geschätzt werden. Wie lautet das 95%-Vertrauensintervall für µ , wenn eine Stichprobe vom
Umfang n=40 die mittlere Länge x = 80,50cm ergeben hat?

Schritt 1: 1 − α = 0,95

Schritt 2: z = 1,96

Schritt 3: x = 80,50

2,2
Schritt 4: 80,50 ± 1,96 ⋅ = 80,5 ± 0,68 ⇒ [79,82; 81,18]
40

Vertrauensintervalle für Anteilswerte

Ergeben sich bei einer konkreten Stichprobe (z.B. n = 1000) eine bestimmte Anzahl von
Ausfällen (z.B. k = 100) dann ist

k 100
p= = = 0,1 also 10% Ausfall
n 1000

ein möglicher Schätzwert für die unbekannte Ausschussquote dieses Massenproduktes.

35
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Analog zum vorigen Abschnitt wollen wir auch hier versuchen ein Vertrauensintervall zu
konstruieren, in dem dieser Parameter p mit einer gewissen Wahrscheinlichkeit 1 − α zu
liegen kommt.

Satz: Ist für eine Wahrscheinlichkeit p die Bedingung n ⋅ p(1 − p ) > 9 erfüllt, so gilt für ein
vorgegebenes Vertrauensniveau 1 − α näherungsweise

 p (1 − p ) p (1 − p ) 
P P − z ⋅ ≤ p ≤ P + z⋅  = 1−α

 n n 

Dies führt zu folgender Vorgehensweise:

Bestimmung eines Vertrauensintervalls für einen unbekannten Anteilswert p.

Schritt 1: Man wähle ein Vertrauensniveau 1 − α .


Schritt 2: Man bestimme für das gewählte Vertrauensniveau den zugehörigen Wert z aus
Tabelle1.pdf.
k
Schritt 3: Man berechne den Anteil p = in der Stichprobe.
n
Schritt 4: Gilt n ⋅ p ⋅ (1 − p ) > 9 , so lautet das Vertrauensintervall

p (1 − p ) p (1 − p )
p−z⋅ ≤ p ≤ p+ z⋅
n n

Handelt es sich um ‚kleine Stichproben, so ist diese Vorgehensweise nicht richtig, da man
dann nicht mehr mit der Normalverteilung arbeiten kann. Wir verschieben das auf später.

Beispiel: Eine Blitzumfrage unter 200 Wahlberechtigten hat ergeben, dass bei der nächsten
Wahl k = 98 Wähler die Partei XYZ wählen wollen.
Wie lautet das 95%-Vertrauensintervall für den Anteil der XYZ-Wähler in der gesamten
Wählerschaft?

Schritt 1: 1 − α = 0,95
Schritt 2: z = 1,96
98
Schritt 3: p = = 49%
200
Schritt 4: Es gilt 200 ⋅ 0,49 ⋅ (1 − 0,49) ≈ 50 > 9
0,49 ⋅ 0,51
1,96 ⋅ = 0,069 = 6,9% ⇒ [42,1%; 55,9%]
200

Mit 95-prozentiger Wahrscheinlichkeit kann man also davon ausgehen, dass der
tatsächliche Anteil der XYZ-Wähler zwischen 42,1% und 55,9%
liegt.

36
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Vertrauensintervall für die Varianz σ 2 einer Normalverteilung

Da in der Varianz Quadrate von Zufallsvariablen auftauchen, ist die zugrundeliegende


Verteilung vom Typ Chi-Quadrat.

Bestimmung eines Vertrauensintervalls für die Varianz σ 2 einer Normalverteilung.

Schritt 1: Man wähle ein Vertrauensniveau 1 − α .


Schritt 2: Man entnehme Tabelle 2 der χ 2 -Verteilung für α / 2 den Wert z1 und für 1 − α / 2
Den Wert z 2 , wobei n − 1 die Anzahl der Freiheitsgrade ist. (Achtung: Für n=15 lese man
also in der Tabelle bei 14 ab.) In der folgenden Tabelle sind für 1 − α = 0,95 und
verschiedene Stichprobenumfänge n die zugehörigen (gerundeten) Werten von z1 und z 2
aufgeführt.

n 3 4 5 10 15 30
z1 0,05 0,22 0,48 2,7 5,63 16,05
z2 7,38 9,35 11,14 19,02 26,12 45,72

Schritt 3: Man berechne die Varianz


1 n
s2 = ∑ ( x i − x )2
n − 1 i =1
der Stichprobenwerte x1 , x 2 , K x n .
Schritt 4: Man berechne des Vertrauensintervall
2 2
(n − 1) s ≤ σ 2 ≤ (n − 1) s
z2 z1

Skizze: Dichtefunktion der χ 2 -Verteilung mit 4 Freiheitsgraden und den Grenzen z1 und z 2
für ein 95%-Intervall.

37
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Der notwendige Stichprobenumfang

In der Praxis ist natürlich von hohem Interesse, wie groß die Anzahl der Stichproben ist, um
mit einer gewissen Wahrscheinlichkeit ein bestimmtes Vertrauensintervall zu erhalten.

Bezeichnet man die halbe Breite des Vertrauensintervalls mit ∆µ bzw. mit ∆p (für den Fall
von Anteilwerten), bei dem Vertrauensniveau 1 − α , dann sollten die Intervallgrenzen
unterhalb dieses Wertes liegen, also sollte gelten:

σ p ⋅ (1 − p )
∆µ ≥ z ⋅ oder ∆p ≥ z ⋅
n n
Wir lösen diese Gleichungen nach n auf und erhalten damit den Mindestumfang der
Stichprobe, wenn eine vorgegebene Genauigkeit eingehalten werden soll.

σ2 p(1 − p )
n ≥ z2 ⋅ bzw. n ≥ z2
(∆µ )2 (∆p )2

Auch hier sollte man den erwarteten Mittelwert oder den Anteil vorher kennen, was die
Verwendung dieser Formeln natürlich einschränkt.

Beispiel: Der Anteil der XYZ-Wähler soll bei gleichem Vertrauensniveau mit einer
maximalen Abweichung von 1% geschätzt werden.

Vertrauensniveau: 1 − α = 95% ⇒ z = 1,96

Erwarteter Mittelwert: p = 0,49

Maximale Abweichung: ∆p = 0,01

p(1 − p ) 0,49 ⋅ 0,51


Stichprobenumfang: n ≥ z 2 = 1,96 2 ⋅ ≈ 9600
(∆p ) 2
(0,01)2

38
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Übung 4) Vertrauensintervalle

1. Welche Möglichkeiten existieren, die Intervall-Länge von Vertrauensintervallen zu


verkürzen?

2. Zeigen Sie: p(1 − p ) nimmt für p = 1 / 2 sein Maximum an.


a. Wie lautet das Vertrauensintervall für einen Anteilswert p, wenn man diesen
Maximalwert verwendet?
b. Welche Folgen hat diese Maßnahme für die Genauigkeit der
Intervallschätzung, wenn p sehr nahe bei 0 oder 1 liegt?

3. Eine Partei, die bei der letzten Wahl 20% der Wählerstimmen erhalten hatte, möchte
ihren derzeitigen Wähleranteil schätzen. Wie viele Wähler muss sie mindestens
befragen, wenn sie bei einem Vertrauensniveau von 0,95 einen Schätzfehler von
höchstens 10% ihres Stimmenanteils hinnehmen möchte.

4. Eine Messgröße ist normalverteilt mit σ = 2,0 . Eine Stichprobe des Umfangs n = 25
ergab einen Mittelwert x = 20,4 .
a. Ermitteln Sie den zweiseitigen 95%-Vertrauensbereich für µ .
b. Für welchen Stichprobenumfang ist der zweiseitige 99%-Vertrauensbereich für
µ genau so lang?

5. Eine Stichprobe des Durchmessers von Kugeln für Kugellager ergab folgende
Häufigkeitsverteilung:

d<24,55 2
24,55<d<24,65 9
24,65<d<24,75 33
24,75<d<24,85 38
24,85<d<24,95 15
d>24,95 3

a. Berechnen Sie den Mittelwert und die Standardabweichung des Durchmessers.


b. Geben Sie ein Vertrauensintervall für den Mittelwert bei einem
Signifikanzniveau von 90% an.
c. Geben Sie ein Vertrauensintervall für die Varianz an (ebenfalls 90%).

39
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

5) Testverfahren

Verteilungstest

Wir sind in den letzten Beispielen immer davon ausgegangen dass wir es mit einer gegebenen
Verteilung (Normal, Chi, etc.) zu tun haben. Wir wollen nun ein Verfahren kennen lernen, das
eine Aussage darüber macht, ob eine gemessene Verteilung auch mit dieser angenommenen
Verteilung übereinstimmt.

Beispiel 1: Wir würfeln n = 100 mal und überprüfen, ob die Augenzahlen Gleichverteilt sind.

Beispiel 2: Die in Abschnitt 2.3 vorgestellte Einschätzung der wirtschaftlichen Lage ist
annähernd Normalverteilt. Ist diese Aussage richtig?

Prinzipielle Vorgehensweise beim Testen von Hypothesen

1) Festlegung der Grundgesamtheit (der Art der Verteilung) und Formulierung von
Nullhypothese H 0 und der Alternativhypothese (in der Regel das Gegenteil der
Nullhypothese) H 1 . Konkret: Die Augenzahlen beim Würfel sind Gleichverteilt oder
sie sind nicht Gleichverteilt.
2) Festlegung der Signifikanzzahl α . Dies ist die Irrtumswahrscheinlichkeit, d.h. die
Wahrscheinlichkeit die Nullhypothese abzulehnen, obwohl sie richtig ist.
3) Bestimmung einer Testgröße (in diesem Fall χ 2 ) und des Annahme- und
Ablehnungsbereichs.
4) Berechnung des Wertes der Testgröße mit den Daten der Stichprobe und
Testentscheidung.

Der Chi-Quadrat-Test

Das Prinzip ist recht einfach. Wir vergleichen eine gemessene Häufigkeitsverteilung mit der
zu erwartenden Häufigkeitsverteilung und bestimmen die Differenzen beider Verteilungen an
jedem Punkt. Der folgende Satz ist die Grundlage für diesen Test.

Satz: Es sei eine diskrete Wahrscheinlichkeitsverteilung mit den Wahrscheinlichkeiten


p1 , p 2 , K p m gegeben. h1 , h2 , K hm seien die bei einer Stichprobe des Umfangs n
beobachteten Häufigkeiten. Dann ist die Zufallsvariable

m
(hi − npi )2
χ =∑
2

i =1 np i

für größere n näherungsweise χ 2 -verteilt mit m-1 Freiheitsgraden.

Sind irgendwelche Parameter (Mittelwert und Standardabweichung) der gewünschten


Verteilung zu schätzen, dann ist die Anzahl der Freiheitsgrade um die Anzahl dieser
Parameter zu verringern.

40
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Dieser Satz führt zu folgender Vorgehensweise:

Überprüfung auf eine diskrete Wahrscheinlichkeitsverteilung.

Schritt 1: Man wähle eine Signifikanzzahl α und entnehme für m-1-Anzahl geschätzter
Parameter eine Annahmegrenze co aus Tabelle 2 für 1 − α .

Schritt 2: Man berechne für die vorliegende Stichprobe den Testwert

m
(hi − npi )2
χ2 = ∑
i =1 np i

Hierbei sind die p i die hypothetischen (erwarteten) Wahrscheinlichkeiten und die hi die in
der Stichprobe tatsächlich vorliegenden Häufigkeiten. n=Anzahl der Messwerte und
m=Anzahl der Messpunkte (Klassen).

Schritt 3: Gilt χ 2 > co , dann lehne man die Nullhypothese ab. Ansonsten nehme man die
Nullhypothese an.

Beispiel: Überprüfung eines Würfels auf Gleichverteilung. Die Nullhypothese lautet H 0 :


pi = 1 / 6 für alle Augenzahlen.

Schritt 1: Es sei α = 0,05 gewählt. Bei 6-1 = 5 Freiheitsgraden und 1 − α = 0,95 entnimmt
man Tabelle 2.pdf eine Annahmegrenze von c0 = 11,07

Schritt 2: Berechnung des Testwertes mit Hilfe folgender Arbeitstabelle

Augenzahl i Beobachtete Erwartete (hi − npi )2 (ni − npi )2


Häufigkeit hi Häufigkeit np i npi
1 7 10 9 0,9
2 8 10 4 0,4
3 13 10 9 0,9
4 8 10 4 0,4
5 9 10 1 0,1
6 15 10 25 2,5
n = 60 χ 2 = 5,2

Schritt 3: Es gilt χ 2 = 5,2 < 11,07 , der Würfel ist also OK.

41
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Methode der kleinsten Fehlerquadrate

Üblicherweise wird diese Methode dazu verwendet eine optimale Gerade durch Messpunkte
( xi , y i ) zu legen.

Da eine Gerade y = a ⋅ x + b durch die beiden Parameter a und b eindeutig bestimmt ist, muss
dieses Verfahren als Ergebnis diese beiden Parameter am Ende der Rechnung auch liefern.

Die Argumentation ist folgende: Eine optimale Gerade durch gemessene Punkte ergibt sich,
wenn die Gerade so gewählt ist, dass die Summe der Abweichungen der gemessenen Punkte
von dieser Gerade möglichst Minimal wird.

Damit wir keine negativen Abweichungen aufsummieren quadrieren wir die Abweichungen
vorher (daher Fehlerquadrate). Wir bestimmen also die Größe
n
χ 2 (a, b ) = ∑ ( y i − a ⋅ xi − b )
2

i =1
und suchen nun deren Minimum!

Da diese Funktion von zwei Parametern abhängt (a und b) ist eine notwendige Bedingung für
ein Minimum dann gegeben, wenn die partiellen Ableitungen dieser Funktion nach a und
nach b Null werden. Dies liefert zwei Gleichungen aus denen die Parameter a und b bestimmt
werden können. Wir geben nur die Lösung an.

Bestimmung einer optimalen Gerade durch n Messpunkte ( xi , y i ) , der Form


y = a⋅x+b
Schritt 1: Man berechne die Mittelwerte x und y der vorliegenden Messpunkte.
Schritt 2: Man berechne die Varianzen
1 n 1 n
S x2 = ∑ ( xi − x ) S y2 = ∑ ( y i − y )
2 2
und
n i =1 n i =1
Schritt 3: Man berechne die sogenannte Kovarianz
1 n
S xy = ∑ ( xi − x )( y i − y )
n i =1
Schritt 4: Die Parameter a und b sind dann gegeben durch
S xy
a= 2 und b = y −a⋅x
Sx
Schritt 5: Man berechne den Korrelationskoeffizienten
S xy
r=
Sx ⋅ Sy
Liegt der Korrelationskoeffizient nahe bei 1 (>0,9), dann besteht berechtigte Hoffnung, dass
die Messpunkte durch diese Gerade gut darstellbar sind.

Kann man nun diese Methode auch dazu verwenden durch eine gemessene Gauß-Verteilung
eine optimale Kurve zu legen und damit auch optimale Parameter (σ , µ ) zu erhalten?
Die Antwort ist Ja, man muss sich die Gauß-Funktion nur etwas zurechtbiegen, d.h. durch
Logarithmieren erhält man ein Polynom 2. Grades, mit dem anschließend die lineare
Regression durchgeführt wird.

42
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Test für den Mittelwert einer Normalverteilung

Mit diesem Test wollen wir nachprüfen, ob der Mittelwert einer Fertigung einem geforderten
Wert µ 0 entspricht. Wir wollen also die Hypothese H 0 : µ = µ 0 gegen die
Alternativhypothese H 1 : µ ≠ µ 0 testen. Hierbei gehen wir davon aus, dass die
Standardabweichung bekannt ist.

Folgende Vorgehensweise ist in Anlehnung an den Begriff des Vertrauensintervalls


naheliegend.

Zweiseitiger Test für den Mittelwert einer Normalverteilung einer Stichprobe mit n
Prüflingen.

Schritt 1: Man wähle eine Signifikanzzahl α und entnehme der Tabelle 1 den z-Wert für
1−α / 2 .

Schritt 2: Man berechne die untere und obere Annahmegrenze


σ σ
cu = µ 0 − z ⋅ und co = µ 0 + z ⋅
n n
Schritt 3: Man berechne den Mittelwert der Stichprobe x . Fällt x in den Annahmebereich,
d.h. gilt
cu < x < c o ,
nehme man die Hypothese H 0 an. Ansonsten lehne man sie ab.

Testet man auf Anteilswerte p, so wird die Prüf-Ungleichung entsprechend verändert.


p 0 ⋅ (1 − p0 ) p0 ⋅ (1 − p0 )
cu = p 0 − z ⋅ und co = p0 + z ⋅
n n
Skizze: Annahme- und Ablehnungsbereich.

Während eines Fertigungsprozesses werden aufgrund dieses Verfahrens ständig Stichproben


genommen und der Mittelwert dahingehend überprüft, ob er innerhalb der gewünschten
Grenzen liegt. Man nennt die 95%-Grenze auch OWG (obere Warngrenze) und analog UWG
(untere Warngrenze). Wird dieser Wert über- oder unterschritten, wird eventuell eine weitere
Stichprobe genommen oder der Zeitraum zwischen den Stichproben verkürzt.
Die 99%-Grenzen bezeichnet man als OEG (obere Eingreifgrenze) und UEG (untere
Eingreifgrenze), weil dann in den Produktionsprozess eingegriffen werden muss.

43
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Abbildung 5.1: Qualitätsregelkarte zur Überwachung eines Prozesses, Quelle: Daniel


Penfield

Will man einen Mittelwert dahingehend überprüfen ob er einen bestimmten Wert nur über
(unter)schreitet, dann spricht man vom einseitigen Test. Dazu ein Beispiel:

Eine Verbraucherorganisation will überprüfen, ob 1000g-Zuckerpakete im Mittel wirklich


1000g enthalten.
Die Nullhypothese lautet also H 0 : µ ≥ 1000 gegen H 1 : µ < 1000 .

Der Hersteller gibt für die Standardabweichung σ = 15 g an.

Angenommen, für den Test wurde die Signifikanzzahl α = 0,05 gewählt und es ergab sich für
20 zufällig entnommene Zuckerpakete ein mittleres Gewicht von x = 993,50 g .
Die untere Grenze für den Annahmebereich ist dann

15
cu = 1000 − 1,65 = 994,47 g
20

Der gemessene Mittelwert ist kleiner als diese untere Schranke, somit fällt er aus dem
Annahmebereich heraus. Die Nullhypothese wird also abgelehnt.

Skizze: Annahme und Ablehnungsbereich für einseitige Fragestellung

44
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Führt man den Test mit α = 0,02 durch erhält man.

15
cu = 1000 − 3,08 = 989,67 g , dann wird die Hypothese bestätigt.
20

Merke: Kein statistischer Test kann eine Behauptung mit Sicherheit bestätigen oder
widerlegen, da er auf Stichprobenergebnissen beruht.

Wir haben aufgrund eines Tests vier Entscheidungsmöglichkeiten:

Testentscheidung Hypothese ist wahr Hypothese ist falsch


Hypothese ablehnen Fehlalarm: Fehler 1. Art Richtige Entscheidung
Hypothese annehmen Richtige Entscheidung Unterlassener Alarm: Fehler
2. Art

Abbildung 5.2: Fehler 1. und 2. Art

Die Wahrscheinlichkeit eine richtige Hypothese abzulehnen wird Fehler 1. Art genannt und
mit α bezeichnet.

Die Wahrscheinlichkeit eine falsche Hypothese nicht abzulehnen, heißt Fehler 2. Art und wird
mit β bezeichnet.

Offensichtlich führt eine Vergrößerung von α dazu, dass zunächst der Annahmebereich
eingeschränkt wird und damit β verkleinert wird.

Damit wird aber die Wahrscheinlichkeit den Annahmetest nicht zu bestehen vergrößert
(Lieferantenrisiko), während das Abnehmerrisiko verringert wird. Ein Konsument wird
also darauf drängen, das Risiko 2. Art (also β ) zu verkleinern, d.h. α möglichst groß werden
zu lassen, oder den Stichprobenumfang zu vergrößern, damit die Verteilung schmaler wird.
Man sagt, dass durch diese Maßnahmen die Trennschärfe vergrößert wird.

45
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Differenztest für Mittelwerte von Normalverteilungen

Beispiel: Zwei Typen von Projektionslampen sollen bezüglich ihrer mittleren Lebensdauer
verglichen werden. Die Frage ist nun, ob eine gemessene Differenz der Mittelwerte
signifikant ist, oder die Abweichung nur als Zufallsbedingt aufgefasst werden kann. Dieser
Test prüft also nach, ob ein bestimmtes Produkt eventuell bessere oder schlechtere
Eigenschaften hat als ein Vergleichsprodukt.

Vorgehensweise: Will man die Hypothese µ1 = µ 2 gegen die Hypothese µ1 ≠ µ 2


Teste, dann bestimme man µ = µ1 − µ 2

und teste die Hypothese µ=0 gegen µ≠0

Satz: Bei unabhängigen Stichproben ist die Testgröße X − Y (Differenz der Mittelwerte)
normalverteilt mit dem Mittelwert µ1 − µ 2 und der Varianz

σ 21 σ 22
+
n1 n2

Der Test erfolgt also analog dem auf S. 34 beschriebenen Rezept, mit dem einzigen
Unterscheid dass die Annahmegrenzen nun

σ 12 σ 22 σ 12 σ 22
cu = − z ⋅ + und co = + z ⋅ +
n1 n2 n1 n2

lauten.

Allerdings sind auch für diesen Test die Varianzen im Allgemeinen nicht bekannt. Für große
Stichproben (n>30) könne sie auch hier durch ihre Schätzwerte

n
1
⋅ ∑ (xi − x )
2
s2 =
n − 1 i =1
ersetzt werden.

Tests auf Abhängigkeit von unterschiedlichen Merkmalen

z.B. Gibt es einen Zusammenhang zwischen der Benutzung von Handy’s und der Erkrankung
an Krebs oder gibt es vermehrt Fälle von Leukämie in der Nähe von Kernkraftwerken?

Lassen Sie die Finger von solchen Tests, es kommt meistens (je nach Fragestellung) immer
das gewünschte Ergebnis heraus. Die Tendenz ein Gutachten mit einem schon vorher
feststehenden Ergebnis zu bekommen ist linear abhängig von den Kosten des Gutachtens.
Woran das liegt, kann ich Ihnen beim besten Willen nicht erklären.

46
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Übung 5) Testverfahren

1. Überprüfen Sie die in der Vorlesung vorgestellte Verteilung Einschätzung der


wirtschaftlichen Situation auf Normalverteilung.

Punktwert xi h( x) f ( x) = p( x) xi ⋅ pi H ( x) F ( x)
1 17 0,085 0,085 17
2 31 0,155 0,31 48
3 44 0,22 0,66 92
4 37 0,185 0,74 129
5 32 0,16 0,8 161
6 29 0,145 0,87 190
7 10 0,05 0,35 200
Summe 200 1,00 3,815

2. Die Reißlast eines speziellen Drahttyps ist normalverteilt. Vorgegeben ist ein
Höchstwert für die Standardabweichung von 5,4N. Zur Überprüfung wird die
Reißlast an 12 Drähten bestimmt. Werte in N: 82, 91, 88, 73, 85, 77,81, 89, 75, 79, 80,
71. Sind diese Daten mit der erhobenen Forderung vereinbar? (1 − α = 95% ) .

3. Ein Großhändler bezieht Projektionslampen von zwei Herstellern. Er möchte prüfen,


ob die mittlere Lebensdauer beider Fabrikate gleich ist. Ein Dauertest mit 35 Lampen
des ersten Herstellers und mit 40 Lampen des zweiten Herstellers hatte folgende
Ergebnisse: Produkt 1: x = 41,5h σ 1 = 4,21h Produkt 2: y = 44,8h σ 2 = 4,62h
Überprüfen Sie, ob man bei einer Irrtumswahrscheinlichkeit von 0,01 einen
signifikanten Unterschied in der mittleren Lebensdauer feststellen kann.

Lösungen in Uebung5L.XLS

47
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

6) Einfach-Stichprobenprüfung auf fehlerhafte Einheiten

Skizze: Ziehen einer Stichprobe

Ist N die Gesamtzahl der zu prüfenden Einheiten im Prüflos und sind davon d Einheiten
fehlerhaft, dann ist p = d / N der Anteil der fehlerhaften Einheiten.

Sei nun n der Stichprobenumfang mit x Einheiten als fehlerhaft erkannt.

Prüfanweisung: Entnehmen Sie dem Prüflos zufällig n Einheiten. Nehmen Sie das Los an,
d.h. Test bestanden, wenn x ≤ k . Sonst weisen Sie es zurück.
Kurzschreibweise dieser Prüfanweisung: n − k

Beispiel: Stanzteile werden stichprobenartig nach der Anweisung n − k = 55 − 1 geprüft.


Wie groß ist die Wahrscheinlichkeit, für die Annahme eines Prüfloses, wenn in diesem der
Anteil der fehlerhaften Einheiten gleich 0,5%, 1%, 2%, 3%, 5%,8% oder 10% ist. Wir setzen
eine Prüflosgröße von N=1000 voraus.

Die Wahrscheinlichkeit eine fehlerhafte Einheit in einer Stichprobe von 55 Teilen zu finden
ist (annähernd) B(1;p)-Binomial-Verteilt.

Das Los wird angenommen, wenn kein fehlerhaftes Teil oder ein fehlerhaftes Teil gefunden
wird. Die Annahmewahrscheinlichkeit ist also die kumulierte Binomialverteilung, also die
Verteilungsfunktion der Binomialverteilung.

Bezeichnen wir mit Pa diese Annahmewahrscheinlichkeit, dann ist

 55   55 
Pa ( p ) = G (k | n, p ) =   ⋅ p 1 ⋅ (1 − p ) +   ⋅ p 1 ⋅ (1 − p )
54 54

0 1

Wir berechnen diese Wahrscheinlichkeiten

mit EXCEL: =BINOMVERT(1; 55; p; WAHR) oder LARSON-Nomogramm.

und erhalten folgende Werte

48
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

p Pa(55-1) Pa(100-1)
0 1 1
0,005 0,9688 0,9102
0,01 0,8950 0,7358
0,02 0,6987 0,4033
0,03 0,5058 0,1946
0,05 0,2319 0,0371
0,08 0,0589 0,0023
0,1 0,0216 0,0003

Zum Vergleich sind die Werte für einen Stichprobenumfang von 100 ebenfalls mit berechnet
worden.
Stellt man nun die Annahmewahrscheinlichkeit Pa als Funktion des Fehleranteils p
graphisch dar, so erhält man die sogenannte Operationscharakteristik des Stichprobentests.

0,9
Operationscharakteristik
Annahmewahrscheinlichkeit

0,8

0,7

0,6

0,5
Pa(55-1)
0,4
Pa(100-1)
0,3

0,2

0,1

0
0 0,02 0,04 0,06 0,08 0,1 0,12
Fehleranteil p

Anmerkungen:

1. Die Wirksamkeit einer Stichprobenanweisung wird anhand ihrer OC bewertet.


2. Da der Fehleranteil in der Regel nicht bekannt ist, ist die OC eine „Was wäre, wenn-
Kurve“, d.h. sie gibt Auskunft über die Annahmewahrscheinlichkeit, wenn der
Fehleranteil p wäre.
3. Der Bereich mit geringer Annahmewahrscheinlichkeit ist für den Abnehmer (Kunden)
interessant. Will der Kunde z.B. zu 80% ( β = 0,2 ) sicher sein nur einen Fehleranteil
von 5% in der Lieferung vorzufinden, dann kann die OC-Pa(55) diese Forderung
schon nicht mehr erfüllen. Man muss also in diesem Fall den Stichprobenumfang
erhöhen (oder noch mal mit dem Kunden reden), da ein steigender Stichprobenumfang
die ganze Kurve „steiler“ werden lässt.

49
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

4. Der zu β zugehörige p-Wert p β heißt RQL (Rejectable Quality Level,


Rückzuweisende Qualitätsgrenzlage).
5. Der Bereich mit hoher Annahmewahrscheinlichkeit ist für den Lieferanten bedeutsam.
Er hat nämlich das Problem, eine Ware nur dann ausliefern zu können, wenn der Test
bestanden ist (im Normalfall). Will er nicht mit einer Wahrscheinlichkeit von 1 − β
seine gesamte Produktion in den Müll werfen, dann bleibt ihm nichts anderes übrig,
als den Fehleranteil zu vermindern, eine eventuell günstigere Alternative wäre ein
kompletter Test der Produktion.
6. Soll der Test mit 90%-prozentiger Sicherheit bestanden werden ( 1 − α = 0,9 ), dann
darf der Anteil der fehlerhaften Einheiten nicht größer als ca. 1% sein (bei OC-Pa(55).
Den zugehörigen p-Wert p1−α nennt man auch AQL-Wert (Acceptable Quality Level).
7. Die Wahrscheinlichkeit einen Stichprobentest nicht zu bestehen, steigt mit höherem
Stichprobenumfang.

Ermittlung von Stichprobenanweisungen mit LARSON-Nomogramm, Larson.JPG

Übung: Wie lauten die Stichprobenumfänge n die bei k=0, k=1 und k=2 (Anzahl der
fehlerhaften Prüflinge) und einem maximalen Fehleranteil p = 0,01 eine
Annahmewahrscheinlichkeit von 90% besitzen?

Man zieht im LARSON-Nomogramm eine Gerade von p = 0,01 bis G = 0,9.

Die Schnittpunkte der Geraden mit den Linien

x = 0 liefert n = 10
x = 1 liefert n = 50
x = 2 liefert n = 120

Um den kompletten Stichprobenplan zu bestimmen, brauchen wir beide Kenngrößen: n und k.

Eine Stichprobenanweisung muss zwei Ansprüchen genügen.

Forderung des Produzenten: Bis zu einem bestimmten Fehleranteil p im Prüflos soll dieses
mit hoher Wahrscheinlichkeit (ca. 90%) angenommen werden.

Forderung des Kunden: Ab einem bestimmten hohen Fehleranteil p im Prüflos darf dieses
nur noch mit einer kleinen Wahrscheinlichkeit (ca. 10%) angenommen werden.

Beispiel: Ermittlung einer Stichprobenprüfanweisung

Forderung des Produzenten: Bis p = 2% soll Pa ≥ 90% sein.


Forderung des Kunden: Ab p = 8% soll Pα ≤ 10% sein.

Wir müssen nun jene Stichprobenanweisung finden, deren OC durch die beiden Punkte
(0,02|0,9) und (0,08|0,1) gegeben ist.

50
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Zu lösen ist das Gleichungssystem:

0,9 = G (k | n;0,02)
0,1 = G ((k | n;0,08)

Die numerische Lösung ist aufgrund der Struktur der Verteilungsfunktion sehr aufwendig.
Wir machen das näherungsweise mit dem LARSON-Nomogramm.

Ermittlung einer Einfach-Stichprobenanweisung n-k mit dem Larson-Nomogramm

Schritt 1: Man zieht je eine Linie von p = 0,02 bis G = 0,9, sowie von p = 0,08 nach G = 0,1.

Schritt 2: Liegt ihr Schnittpunkt auf einer x-Linie, so ist k gleich diesem Wert., liegt er
zwischen zwei Linien, so wähle man den Größeren.

Schritt 3: Auf dieser k-Linie (x-Linie) sucht man nun im (linken) Dreieck nahe der p-Achse
das kleinstmöglichste n, natürlich nur im Rahmen der Zeichengenauigkeit.

Schritt 4: Man führe eine rechnerische Kontrolle durch.

Übung: Ermitteln Sie die Prüfanweisung n-k für das obige Beispiel.

Schnittpunkt liegt zwischen x = 2 und x = 3


Wähle also k = x = 3 Somit ist ungefähr n = 85

Rechnerische Kontrolle:
G (3 | 85; 0,02) = BINOMVERT (3; 85; 0,02; WAHR) = 0,9087
G (3 | 85; 0,08) = BINOMVERT (3; 85; 0,08; WAHR) = 0,8383

51
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Der einfache Fall – Nullfehler

Die Verteilungsfunktion

k
n
G (k | n; p ) = ∑   ⋅ p x ⋅ (1 − p )
n− x

x =0  x 

ist aufgrund ihrer komplizierten Struktur schwierig zu handhaben. Um den


Stichprobenumfang n damit zu berechnen, muss diese Gleichung nach n umgestellt werden,
ein relativ hoffnungsloses Unterfangen, oder man muss „herumprobieren“.

Allerdings vereinfacht sich die Gleichung für den Fall, indem man voraussetzt, dass der
Stichprobentest keine fehlerhafte Einheit liefern darf. In diesem Falle ist also k = 0

Die obige Summe enthält somit auch nur einen Summanden für x = k = 0.

n
Da der Ausdruck   = 1 ist, für beliebiges n, erhalten wir die einfache Formel für die
0
Annahmewahrscheinlichkeit.

Pa = (1 − p )
n
(für den Fall k = 0)

Übung: Bestimmen Sie den Stichprobenumfang für eine Fehlerwahrscheinlichkeit von 10%,
wenn die Annahmewahrscheinlichkeit höchstens 5% betragen soll. Gesucht ist also der
Stichprobenumfang n. In dieser Stichprobe darf keine fehlerhafte Einheit sein.

geg.: Annahmewahrscheinlichkeit Pa = 0,05 und Fehlerwahrscheinlichkeit p = 0,1 .

ges.: Stichprobenumfang n.

Pa = (1 − p )
n

log Pa = n ⋅ log(1 − p )
log Pa log 0,05
n= = ≈ 29
log(1 − p ) log 0,9

52
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

AQL-Stichproben nach DIN ISO 3951 (messend)

Bisher hatten wir lediglich das Unterscheidungsmerkmal OK/Defekt. Welche


Vorgehensweise müssen wir nun bei einer messenden Prüfung anwenden? Wir suchen also
nach einer Stichprobenprüfung, die Aufgrund einer zu messenden Eigenschaft die Fertigung
beurteilen kann.
Beispielsweise soll der Durchmesser von Drahtstiften 2,5mm betragen bei einer maximalen
Toleranz von 0,5%, also plus oder minus 0,0125mm. Wenn eine Fertigung 2 Millionen Stück
betragt, dann spricht man auch vom sogenannten Los. Wir wollen natürlich nicht alle 2Mio.
Drahtstifte vermessen, sondern nur eine Stichprobe davon. Wie entscheiden wir nun, ob diese
Fertigung insgesamt OK ist?

Der Vorteil einer messenden Prüfung liegt zunächst einmal darin, dass der AQL-Stichproben-
umfang wesentlich kleiner ist als bei der zählenden Prüfung.

Folgende Voraussetzungen müssen bei der ISO 3951 erfüllt sein:

• Man vereinbare einen AQL-Wert.


• Man gebe ein Prüfniveau an.
• Man gebe eine zulässige Toleranz an.
• Die Messwerte müssen normalverteilt sein.
• Die Standardabweichung der Gesamtheit muss bekannt sein.
• Ist sie nicht bekannt verwende man die Standardabweichung der Stichprobe.

Aus diesen Angaben entnehme man aus der folgenden Tabelle einen Annahmefaktor K.
Dieser Faktor K gibt an wie oft die Standardabweichung in den Abstand zwischen Mittelwert
und oberer und unterer Toleranzgrenze passen muss.

Losumfang Kennung Stichprobenumfang Annahmefaktor K AQL


Bis 280 G 5 2.06 0.4
281 bis 400 H 20 1.96 0.65
401 bis 500 I 25 1.98 0.65
501 bis 1200 J 35 1.89 0.65
1201 bis 3200 K 50 1.80 1.5
3201 bis 10000 L 75 1.65 2.5
10001 bis 35000 M 100 1.67 2.5

Diese Tabelle ist nur ein beispielhafter Auszug aus einer größeren Tabelle, siehe dazu
Aql.pdf, Seite 12.

Beispiel: Eine Fertigung von 250 Messkolben soll stichprobenartig überprüft werden. Das
Nennvolumen der Messkolben beträgt 50mL bei eine maximal zulässigen Toleranz von 0,1%.
Dies führt zu einer maximalen Abweichung von 0,05mL.

53
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Aus der obigen Tabelle entnimmt man eine Stichprobengröße von


5 Einheiten (Losumfang bis 280) und einen Annahmefaktor
K=2,06.

Der obere Grenzwert ist OGW = 50mL + 0,05mL = 50,05mL


Der untere Grenzwert ist UGW = 50mL – 0,05mL = 49,95mL

Diese Werte sehen Sie im untenstehenden Diagramm.

Es werden nun 5 Prüflinge bis zum Eichstrich mit Wasser gefüllt und mit einer
Analysenwaage des genaue Gewicht der Wassers gemessen. Mit der bekannten Dichte des
Wassers (abhängig vom Luftdruck und der Temperatur) wird nun das eingefüllte Volumen
berechnet. Es ergeben sich beispielsweise folgende Messwerte in mL: 49,976, 49,981, 49,991,
49,985 und 50,014.

Der Mittelwert berechnet sich hierbei zu 49,9894 bei einer Standardabweichung von 0,0132.
Die zugehörige Gauss-Verteilung wird nun in das Diagramm eingezeichnet.
Das Los wird angenommen, wenn der Abstand des Mittelwertes vom unteren und vom oberen
Grenzwert mindestens K*Standardabweichung ist.

49,9894mL − 49,95mL
In unserem Fall ist = 2,985 Dieser Abstand ist größer als der
0,0132
geforderte K-Wert, das Los wird somit angenommen, d.h. die Prüfung ist bestanden.

Falls der letzte Messwert 50,04mL betrage würde, ergibt sich ein Wert von nur noch 1,92, das
Los wird also nicht angenommen, obwohl alle Prüflinge innerhalb der geforderten Toleranz
liegen.
f(z)

35

30

25
Anteil in %

20

15

10

0
49,95 50 50,05
Volumen in mL

Eine gemessene Stichprobe ist dann OK, wenn die gemessene Verteilung schmaler ist als die
durch die Toleranz angegebene Breite und wenn sie möglichst auch in der Mitte zu liegen
kommt.

54
Zuverlässigkeit, Qualität und Risiko, HS Fulda, FB ET, SS2012, Dr. H.Macholdt

Übung 6) Operationscharakteristik

1. Ermitteln Sie die Operationscharakteristik einer Stichprobenanweisung mit


Stichprobengröße von N = 10, für k = 0 bis k = 5 und vergleichen Sie diese von Ihnen
ermittelten Kurven mit [Grams, S. 26].

2. Sie sollen eine Lieferung elektronischer Schaltkreise begutachten. Der Test eines
jeden Schaltkreises ist sehr aufwendig, so dass Sie sich auf eine Stichprobengröße von
N = 10 beschränken müssen. Sie wollen zu 80 % sicher sein, dass höchstens 30 % der
Geräte fehlerhaft sind. Wie viele Geräte der Stichprobe dürfen fehlerhaft sein?

3. In der folgenden Grafik finden Sie die Operationscharakteristiken L0,25(p), L1,25(p) ...
L9,25(p). Für den Test einer Lieferung von Geräten wird eine Stichprobe von 25
Geräten genommen. Festzustellen ist mit einer Sicherheit von 90 %, dass die
Fehlerwahrscheinlichkeit der gelieferten Geräte höchstens gleich 20 % ist.
a. Auf welchen Wert ist die Obergrenze k für die Anzahl fehlerhafter Geräte
festzulegen?
b. Welcher Fehlerwahrscheinlichkeit darf der Lieferant in seiner Lieferung
höchstens zulassen, wenn er sicher gehen will, dass seine Lieferung bei der
gewählten Grenze k mit höchstens 10-prozentiger Wahrscheinlichkeit
abgelehnt wird (Lieferantenrisiko).
c. Erläutern Sie ihr Ergebnis anhand der Operationscharakteristik.

4. Welche Fehlerwahrscheinlichkeit, darf eine Produktion maximal haben, damit eine


Stichprobe mit Umfang n = 25 mindestens eine Annahmewahrscheinlichkeit von 90%
aufweist. Wir gehen von einem Nullfehler-Test aus.

5. Gegeben ist eine Stichprobenanweisung 50 – 2. Wie groß ist die Annahmewahr-


scheinlichkeit für diesen Test, wenn die Fehlerwahrscheinlichkeit 3% beträgt?

Lösung in Uebung6L.XLS.

55