Histogramm

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.