Poisson-Prozessfähigkeit (Poisson Capability)
Die Poisson-Prozessfähigkeitsanalyse misst, wie gut ein Prozess eine Vorgabe für die Rate von Fehlern oder seltenen Ereignissen erfüllt, wenn die Daten einer Poisson-Verteilung folgen. Sie wird eingesetzt, wenn jede Prüfeinheit mehrere Fehler oder Ereignisse aufweisen kann – etwa Kratzer auf einer Platte, Fehler in einem Dokument, Fehlstellen in einem Drahtabschnitt oder Anrufe beim Helpdesk pro Stunde – und geprüft werden soll, ob die Fehlerrate innerhalb eines akzeptablen Zielwerts liegt.
Zuletzt geprüft
Kernaussage
Die Poisson-Prozessfähigkeitsanalyse misst, wie gut ein Prozess eine Vorgabe für die Rate von Fehlern oder seltenen Ereignissen erfüllt, wenn die Daten einer Poisson-Verteilung folgen.
Auf dieser Seite
- Was ist die Poisson-Prozessfähigkeit?
- Wann wird die Poisson-Prozessfähigkeit eingesetzt?
- Hinweise zur richtigen Anwendung der Poisson-Prozessfähigkeit
- Alternativen: Wann die Poisson-Prozessfähigkeit nicht geeignet ist
- Beispiel für die Poisson-Prozessfähigkeit
- Anleitung: Poisson-Prozessfähigkeitsanalyse durchführen
Was ist die Poisson-Prozessfähigkeit?
Die Poisson-Prozessfähigkeitsanalyse misst, wie gut ein Prozess eine Vorgabe für die Rate von Fehlern oder seltenen Ereignissen erfüllt, wenn die Daten einer Poisson-Verteilung folgen. Sie wird eingesetzt, wenn jede Prüfeinheit mehrere Fehler oder Ereignisse aufweisen kann – etwa Kratzer auf einer Platte, Fehler in einem Dokument, Fehlstellen in einem Drahtabschnitt oder Anrufe beim Helpdesk pro Stunde – und geprüft werden soll, ob die Fehlerrate innerhalb eines akzeptablen Zielwerts liegt.
Anders als die Prozessfähigkeitsanalyse für stetige Daten, die Messwerte mit oberer und unterer Spezifikationsgrenze vergleicht, verwendet die Poisson-Prozessfähigkeit eine maximal zulässige Fehlerrate als Bezugsgröße. Sie drückt die Prozessleistung in Fehlern pro Million Möglichkeiten (DPMO) und dem entsprechenden Sigma-Niveau aus und lässt sich daher einfach mit Six-Sigma-Leistungszielen vergleichen.
Einfache Definition: Eine Prozessfähigkeitsanalyse für Zähldaten, die speziell misst, wie häufig Fehler oder Ereignisse pro Einheit auftreten – und ob diese Rate niedrig genug ist, um die Qualitätsziele zu erreichen
Wann wird die Poisson-Prozessfähigkeit eingesetzt?
- Wenn die Daten Anzahlen von Fehlern, Ereignissen oder Vorkommnissen pro Einheit oder pro Zeitraum darstellen – zum Beispiel die Anzahl der Lackfehler pro Fahrzeug, der Tippfehler pro Seite oder der Maschinenausfälle pro Monat.
- Wenn eine einzelne Einheit mehr als einen Fehler aufweisen kann – im Unterschied zur binomialen Prozessfähigkeit, bei der jede Einheit lediglich als gut oder schlecht eingestuft wird.
- Wenn die Fehlerrate niedrig ist und die Ereignisse unabhängig voneinander auftreten – dies sind die grundlegenden Bedingungen, die einen Poisson-Prozess definieren.
- Wenn Sie einen festgelegten Zielwert oder eine maximal zulässige Fehlerrate haben, mit der die Leistung verglichen werden kann.
Hinweise zur richtigen Anwendung der Poisson-Prozessfähigkeit
- Stellen Sie sicher, dass die Daten tatsächlich einer Poisson-Verteilung folgen – Mittelwert und Varianz der Zähldaten sollten annähernd gleich sein; ein großer Unterschied zwischen beiden weist auf Überdispersion hin, sodass möglicherweise ein anderes Modell erforderlich ist.
- Jeder Fehler bzw. jedes Ereignis muss unabhängig von den anderen sein – ein Vorkommnis darf die Wahrscheinlichkeit des nächsten nicht beeinflussen.
- Der Umfang der Prüfmöglichkeiten muss über alle Beobachtungen gleich sein – oder, falls er variiert, muss die Analyse die unterschiedlichen Möglichkeiten je Einheit berücksichtigen.
- Erfassen Sie ausreichend viele Teilgruppen bzw. Zeiträume , um eine stabile Schätzung der Fehlerrate des Prozesses zu erhalten – empfohlen werden mindestens 25 Teilgruppen, bevor Schlüsse gezogen werden.
- Stellen Sie sicher, dass der Prozess stabil ist, bevor Sie die Prozessfähigkeit interpretieren – prüfen Sie mit einer U-Karte oder C-Karte, dass die Fehlerrate nicht driftet und keine Signale außer Kontrolle zeigt.
- Die wichtigsten Ausgabekennzahlen sind DPU (Fehler pro Einheit), DPMO (Fehler pro Million Möglichkeiten) und das Sigma-Niveau – interpretieren Sie diese im Verhältnis zu Ihrem Qualitätsziel statt anhand herkömmlicher Cp/Cpk-Schwellenwerte.
Alternativen: Wann die Poisson-Prozessfähigkeit nicht geeignet ist
Situation
Stattdessen verwenden
Jede Einheit ist einfach gut oder schlecht (keine Fehleranzahl)
Binomiale Prozessfähigkeitsanalyse
Die Daten sind stetige Messwerte
Prozessfähigkeitsanalyse für normalverteilte, nicht normalverteilte Daten oder nichtparametrische Prozessfähigkeitsanalyse
Zähldaten zeigen Überdispersion (Varianz >> Mittelwert)
Negative Binomialverteilung oder Poisson-Modell mit Überdispersion
Die Fehlerrate ist hoch (kein Prozess mit seltenen Ereignissen)
Prozessstabilität vor der Prozessfähigkeitsanalyse prüfen
Der Umfang der Möglichkeiten variiert stark zwischen den Einheiten
Analyse auf Basis der U-Karte mit variablem Umfang der Möglichkeiten verwenden
Beispiel für die Poisson-Prozessfähigkeit
Ein Prozessingenieur bewertet die Haltbarkeit der Isolierung eines elektrischen Drahts. Er wählt zufällig Drahtabschnitte aus und unterzieht sie einer Spannungsprüfung, um Schwachstellen in der Isolierung zu finden, die im Gebrauch zum Ausfall führen könnten. Für jeden Drahtabschnitt erfasst er sowohl die Anzahl der gefundenen Schwachstellen (Fehler) als auch die Länge des Drahts in Metern. Ziel ist eine Poisson-Prozessfähigkeitsanalyse, um zu beurteilen, wie gut der Isolierprozess die Haltbarkeitsanforderungen erfüllt, und festzustellen, ob er über verschiedene Drahtlängen hinweg durchgängig das geforderte Qualitätsniveau einhält. Die folgenden Schritte:
- Die erforderlichen Daten wurden erhoben.

- Analysieren Sie die Daten nun in Zometric Statistical Software unter https://statsai.zometric.com/.
- Die Poisson-Prozessfähigkeit finden Sie unter Statistical module> Process Capability>Poisson Capability.
- Geben Sie im Werkzeug die Daten zusammen mit den weiteren Eingaben wie folgt ein:

- Nach Ausführung des oben genannten Werkzeugs erhalten Sie folgende Ausgabe:


Anleitung: Poisson-Prozessfähigkeitsanalyse durchführen
Die Anleitung lautet wie folgt:
- Melden Sie sich bei Zometric Statistical Software an unter https://statsai.zometric.com/
- Wählen Sie auf der Startseite Statistical Tool> Process Capability >Poisson Capability .
- Geben Sie die Daten anschließend manuell ein, oder kopieren Sie die Daten vollständig (Strg+C) aus einer Excel-Tabelle und fügen Sie sie hier ein (Strg+V).
- Füllen Sie die erforderlichen Optionen aus.
- Klicken Sie abschließend unten auf der Seite auf calculate, um die gewünschten Ergebnisse zu erhalten.
Das Dashboard von Poisson Capability ist in zwei Bereiche unterteilt.

Im linken Bereich befindet sich der Datenbereich (Data Pane). Im Data Pane bildet jede Zeile eine Teilgruppe. Die Daten können manuell eingegeben oder vollständig aus einer Excel-Tabelle kopiert (Strg+C) und hier eingefügt (Strg+V) werden.
Load example: Es werden Beispieldaten geladen.
Load File: Damit werden Excel-Daten direkt geladen.
Im rechten Bereich stehen folgende Optionen zur Verfügung:
- Defects Wählen Sie die Spalte mit der Anzahl der Fehler bzw. Vorkommnisse , die in jedem Prüfzeitraum bzw. jeder Teilgruppe erfasst wurden – zum Beispiel die Anzahl der Oberflächenkratzer pro Platte, der Fehler pro Dokument oder der Fehlstellen pro Längeneinheit eines Kabels. Jeder Wert in dieser Spalte steht für die Gesamtzahl der Fehler, die in einer Prüfeinheit oder einem Zeitraum beobachtet wurden. Dies ist die wichtigste Eingabe, mit der die Analyse die Fehlerrate des Prozesses schätzt.
- Sample Size Wählen Sie die Spalte mit der Anzahl der Einheiten bzw. der Größe des Prüfbereichs , die zu jeder Fehleranzahl gehört. Dies ist wesentlich, da die Fehlerrate berechnet wird, indem die Fehleranzahl durch den Stichprobenumfang geteilt wird – zum Beispiel ergeben 12 Fehler bei 300 geprüften Einheiten eine Rate von 0.04 Fehlern pro Einheit. Ist der Stichprobenumfang in jeder Zeile gleich, kann statt einer Spalte ein konstanter Wert eingegeben werden.
- Historical Mu (μ) Optional. Mu (μ) steht für die bekannte oder historisch ermittelte mittlere Fehlerrate des Prozesses. Wenn Ihnen eine verlässliche Basis-Fehlerrate aus einer früheren Studie oder aus langfristigen Prozessaufzeichnungen vorliegt, geben Sie sie hier ein. Ist sie angegeben, verwendet die Analyse diesen Wert direkt zur Berechnung der Fähigkeitskennzahlen und zur Festlegung von Leistungsbezugswerten – statt die Fehlerrate allein aus dem aktuellen Datensatz zu schätzen. Dies liefert stabilere und konsistentere Ergebnisse, insbesondere bei kleiner aktueller Stichprobe. Lassen Sie das Feld leer, damit die Analyse mu aus den Daten schätzt.
- Target Die gewünschte bzw. ideale Fehlerrate , die der Prozess erreichen soll. Mit einem Zielwert kann die Analyse die aktuelle Prozessleistung direkt mit einem festgelegten Ziel vergleichen – zum Beispiel bedeutet ein Zielwert von 0.01 Fehlern pro Einheit, dass nicht mehr als 1 Fehler pro 100 Einheiten akzeptabel ist. Dieser Wert dient in der Ausgabe als Bezugsgröße und wird als Referenzlinie im Prozessfähigkeitsdiagramm angezeigt, sodass leicht zu erkennen ist, wie weit der aktuelle Prozess vom gewünschten Leistungsniveau entfernt ist.
- Check Rule 1: 1 point > K Stdev from center line: Test 1 ist entscheidend, um Teilgruppen zu erkennen, die deutlich von den übrigen abweichen, und ist daher ein allgemein anerkanntes Mittel zur Erkennung von Zuständen außer Kontrolle. Um die Empfindlichkeit zu erhöhen und kleinere Verschiebungen im Prozess zu erkennen, kann Test 2 zusammen mit Test 1 verwendet werden, was die Wirksamkeit von Regelkarten steigert.
- Check Rule 2: K points in a row on same side of center line: Test 2 erkennt Veränderungen der Prozesslage oder der Streuung. Bei der Überwachung auf kleine Verschiebungen im Prozess kann Test 2 zusammen mit Test 1 verwendet werden, um die Empfindlichkeit von Regelkarten zu erhöhen.
- Check Rule 3: K points in a row, all increasing or all decreasing: Test 3 dient dazu, Trends in einem Prozess zu erkennen. Dieser Test sucht gezielt nach einer längeren Folge aufeinanderfolgender Datenpunkte, deren Werte stetig steigen oder fallen, was auf einen möglichen zugrunde liegenden Trend im Prozessverhalten hinweist.
- Check Rule 4: K points in a row, alternating up and down: Test 4 dient dazu, systematische Schwankungen in einem Prozess zu erkennen. Idealerweise sollte das Streuungsmuster eines Prozesses zufällig sein. Verletzt ein Punkt jedoch Test 4, kann dies darauf hindeuten, dass die Streuung nicht zufällig ist, sondern einem vorhersagbaren Muster folgt.
- Check Rule 5: K out of K + 1 points > 2 standard deviation from center line (same side): Test 5 erkennt kleine Verschiebungen im Prozess.
- Check Rule 6: K out of K + 1 points > 1 standard deviation from center line (same side):Test 6 erkennt kleine Verschiebungen im Prozess.
- Check Rule 7: K points in a row within 1 standard deviation of center line (either side):Test 7 erkennt Streuungsmuster, die fälschlich als Beleg für eine gute Prozessbeherrschung gedeutet werden könnten. Dieser Test erkennt zu weite Eingriffsgrenzen, die häufig auf geschichtete Daten zurückzuführen sind. Geschichtete Daten liegen vor, wenn es innerhalb jeder Teilgruppe eine systematische Streuungsquelle gibt, wodurch die Eingriffsgrenzen breiter erscheinen, als sie sein sollten.
- Check Rule 8: K points in a row > 1 standard deviation from center line (either side):Test 8 erkennt ein Mischungsmuster. Bei einem Mischungsmuster liegen die Punkte tendenziell nicht nahe der Mittellinie, sondern in der Nähe der Eingriffsgrenzen.
Häufig gestellte Fragen
Was ist die Poisson-Prozessfähigkeitsanalyse?
Die Poisson-Prozessfähigkeitsanalyse misst, wie gut ein Prozess eine Vorgabe für die Rate von Fehlern oder seltenen Ereignissen erfüllt, wenn die Daten einer Poisson-Verteilung folgen. Statt oberer und unterer Spezifikationsgrenzen verwendet sie eine maximal zulässige Fehlerrate als Bezugsgröße und gibt die Leistung als Fehler pro Einheit, Fehler pro Million Möglichkeiten (DPMO) und entsprechendes Sigma-Niveau an.
Wann sollte man die Poisson- statt der binomialen Prozessfähigkeit verwenden?
Verwenden Sie die Poisson-Prozessfähigkeit, wenn die Daten Anzahlen von Fehlern oder Ereignissen pro Einheit oder pro Zeitraum sind und eine einzelne Einheit mehr als einen Fehler aufweisen kann, etwa Lackfehler pro Fahrzeug. Verwenden Sie die binomiale Prozessfähigkeit, wenn jede Einheit lediglich als gut oder schlecht eingestuft wird. Für stetige Messwerte verwenden Sie stattdessen die Prozessfähigkeitsanalyse für normalverteilte oder nicht normalverteilte Daten bzw. die nichtparametrische Prozessfähigkeitsanalyse.
Welche Voraussetzungen gelten für die Poisson-Prozessfähigkeitsanalyse?
Die Anzahlen sollten einer Poisson-Verteilung folgen, mit annähernd gleichem Mittelwert und gleicher Varianz; ein großer Unterschied weist auf Überdispersion hin. Fehler müssen unabhängig voneinander auftreten, und der Umfang der Möglichkeiten muss gleich sein oder, wenn er variiert, berücksichtigt werden. Empfohlen werden mindestens 25 Teilgruppen, und der Prozess sollte stabil sein – geprüft mit einer U-Karte oder C-Karte –, bevor die Prozessfähigkeit interpretiert wird.
Wie interpretiert man die Ergebnisse der Poisson-Prozessfähigkeit?
Die wichtigsten Ausgaben sind DPU (Fehler pro Einheit), DPMO (Fehler pro Million Möglichkeiten) und das Sigma-Niveau. Interpretieren Sie diese im Verhältnis zu Ihrem Qualitätsziel statt anhand herkömmlicher Cp- oder Cpk-Schwellenwerte. Wird eine Ziel-Fehlerrate eingegeben, erscheint sie als Referenzlinie im Prozessfähigkeitsdiagramm und zeigt, wie weit der aktuelle Prozess von der gewünschten Leistung entfernt ist.
