Histogramm
Häufigkeitsverteilung mit Boxplot und Statistik
Aufbau eines Histogramms
Ein Histogramm zeigt die Häufigkeitsverteilung einer numerischen Variable. Die Werte werden in gleich breite Klassen (Bins) aufgeteilt; die Höhe jedes Balkens entspricht der Anzahl der Beobachtungen in dieser Klasse. Es ist eines der wichtigsten Werkzeuge zur visuellen Charakterisierung eines Datensatzes.
Bins (Klassen): Die Anzahl der Balken bestimmt, wie fein die Verteilung aufgelöst wird. Zu wenige Bins verbergen Strukturen, zu viele erzeugen ein zerklüftetes Bild. Faustregel: ⌈√n⌉ oder die Sturges-/Freedman-Diaconis-Regel.
Häufigkeit vs. Dichte: Die Y-Achse zeigt entweder absolute Häufigkeiten (Anzahl) oder Dichten (relative Häufigkeit pro Klassenbreite). Die Dichte-Darstellung ist nötig, um eine theoretische Verteilungskurve zu überlagern.
Normalverteilungs-Kurve: Optionale Überlagerung einer Normalverteilung mit derselben Lage (μ) und Streuung (σ) wie die Stichprobe. Zeigt auf einen Blick, wie gut die Daten zur Glockenkurve passen.
Spezifikationsgrenzen: USL und LSL können als vertikale Linien eingeblendet werden. Damit lässt sich sofort einschätzen, ob die Verteilung innerhalb der Toleranz liegt — ein erster Schritt vor der formalen Cpk-Analyse.
Kurz gesagt: Ein Histogramm zeigt Lage, Streuung, Form und mögliche Ausreißer einer Stichprobe — und sollte am Anfang fast jeder datengetriebenen Analyse stehen.
Typische Formen
- Glockenförmig, symmetrisch → Normalverteilung plausibel.
- Rechtsschief (lange rechte Flanke) → typisch für Bearbeitungszeiten, Wartezeiten, Reaktionszeiten.
- Linksschief → seltener, oft bei oberen Sättigungseffekten.
- Zwei Gipfel (bimodal) → vermischte Populationen — z. B. zwei Maschinen, zwei Schichten — Daten stratifizieren.
- Plateau / Rechteck → Gleichverteilung oder Mischung mehrerer Quellen mit ähnlicher Häufigkeit.
- Kamm-Muster mit regelmäßigen Lücken → Rundung oder Messauflösung — Skala oder Messgerät prüfen.
- Einzelne abgesetzte Balken weit außen → Ausreißer.
- Verteilung an USL/LSL „abgeschnitten" → die Daten wurden vorab gefiltert oder das Messgerät hat eine Grenze.
Stolperfallen
Zu wenige Daten: Bei n < 30 ist die Form nur schwach belastbar. Zufällige Lücken können wie Bimodalität aussehen, glatte Glocken können trotzdem nicht-normal sein.
Bin-Anzahl manipuliert das Bild: Die gleiche Stichprobe sieht mit 5 oder 50 Bins völlig anders aus. Bei wichtigen Aussagen mehrere Bin-Anzahlen testen, bevor man sich auf eine Interpretation festlegt.
Histogramm ≠ Normalitätstest: Eine glockenförmige Form ist ein Indiz, kein Beweis. Vor Cpk- oder t-Test-Anwendungen mit einem Wahrscheinlichkeitsnetz oder einem formalen Test absichern.
Gemischte Populationen übersehen: Ein einzelner Gipfel kann durch zwei sehr nahe Mittelwerte entstehen. Wenn Stratifizierungsmerkmale vorliegen (Schicht, Maschine), die Daten getrennt darstellen.
Diskrete Daten in stetigem Histogramm: Zähldaten oder gerundete Werte erzeugen typische Lücken im Histogramm. Für diskrete Daten sind Balkendiagramme oder Pareto besser geeignet.
Beispieldaten
Dieses Modul wird mit den folgenden Beispieldatensätzen ausgeliefert — mit einem Klick in der App ladbar.