Jeder Messwert und jede Prüfung bedeuten Aufwand und dieser Aufwand muss gerechtfertigt werden. Wenn wir uns nur einen Teil vom Ganzen anschauen, haben wir eine Stichprobe. Wie groß muss diese Stichprobe sein bzw. wie viele Teile müssen geprüft werden?

Auch wenn das Internet heute voll von Informationen ist, sind Bücher hilfreich. Sie zeigen die historische Entwicklung der Datenanalyse, liefern eine solide Grundlage und Vertiefungen zu Themen, die in dem Umfang und in der Tiefe tatsächlich nicht im Netz zu finden sind.

Simulationen sind eine Möglichkeit für was-wäre-wenn-Analysen, die Erkenntnisse liefern ohne (weiteren) Versuchsaufwand zu generieren. In dieser Folge geht es darum, welche Voraussetzungen für Simulationen erfüllt sein müssen und wie gängige Simuliations-Techniken funktionieren.

Eine der häufigsten Aufgaben in der Datenanalyse ist, Messwerte aus verschiedenen Messreihen zu vergleichen. In der aktuellen Podcast-Folge von "Irgendwas mit Daten" dreht sich alles um die Methoden und Tools, um Grafiken und statistischen Tests, mit denen Messreihen verglichen werden.

Verteilungen sind wichtig, zum Beispiel bei der Prozessfähigkeit oder der Toleranzermittlung. Wenn eine Verteilung theoretisch passen sollte kommt der Realitätscheck: Sehen die Messwerte auch so aus, wie sie aussehen sollten, wenn sie aus dieser Verteilung stammen? Hierfür gibt es gute und weniger gute Methoden bei den Grafiken und Testverfahren. Bei dem ganzen Aufwand taucht oft die Frage auf, ob das nicht auch einfacher geht oder automatisiert werden kann.

In vielen Bereichen spielen Verteilungen eine entscheidende Rolle bei der Auswertung. Besonders häufig stellt sich die Frage nach der Verteilung bei der Prozessfähigkeitsbewertung oder auch bei statistischen Testverfahren. In dieser Folge dreht sich alles um Verteilungen und die Frage, ob sie wirklich immer notwendig sind oder ob es Alternativen gibt.

Die Abkürzungen KI, PI und TI stehen für Konfidenz-, Prognose- und Toleranz-Intervall. In dieser Folge geht es um die Anwendungsfälle für die drei Intervalle. Es wird erklärt, warum das Konfidenzintervall immer kleiner oder schmaler als das Prognose- bzw. Toleranzintervall ist und was die berechneten Grenzwerte bedeuten.

Statistik ist für viele Menschen langweilig, trocken und schlecht nachvollziehbar. Data Science dagegen ist (scheinbar) neu, aufregend und liefert interessante Erkenntnisse. Bei Data Science und Statistik werden Daten ausgewertet. Das Image der beiden Begriffe könnte dagegen kaum unterschiedlicher sein. In der Podcast-Folge werden Unterschiede und Gemeinsamkeiten aufgezeigt und erklärt, warum ich als Statistikerin sage, dass Data Science viel cooler als Statistik ist.

Endlich lassen sich aus der vielen Vorarbeit und den Versuchen Ergebnisse und Erkenntnisse erkennen. Im fünften und letzten Teil der DoE-Serie geht es um die gezielte Nutzung der Versuchsplan-Ergebnisse für Simulationen, Optimierung, Nachweis, Toleranz, Qualifizierung und statistische Prozess-Kontrolle.

Die vierte Folge der DoE-Serie beschreibt die Auswertung von Versuchsergebnissen. Es geht um den roten Faden bei der Datenanalyse und Methoden zum Finden signifikanter Einflüsse und Effekte. Die Bewertung der Aussagekraft ist ein zentraler Bestandteil der Auswertung und liefert mit Grafiken und Kennzahlen eine Entscheidungsgrundlage, ob die Ursache-Wirkungs-Beziehung gut genug für das gesetzte Ziel ist.