Verbesserungsphase

Zusammenfassung Daten stehen im Vordergrund jeder statistischen Entscheidungsfindung. Die Verbesserung der Datenqualität ist genauso gut wie die Verbesserung der Gesamtqualität des Prozesses. Dies wird durch ein klar definiertes Betriebsverfahren des Prozesses und die Kenntnis der Leistungsindikatoren, die für den Prozess funktionieren, bestätigt. Die Techniken zur Fehlerfreiheit der Daten, zur Systematisierung des Informationsflusses und zur Reduzierung von Abfällen usw. werden das Hauptziel der Datenqualität sein. In diesem Kapitel werden viele wertvolle Werkzeuge zur Verbesserung der Datenqualität vorgestellt. Die praktische Bedeutung von geplanten Experimenten und robusten Designs wird hier gründlich untersucht. Die drei Prinzipien der Experimentierung, nämlich Replikation, Randomisierung, Blockbildung oder lokale Kontrolle, helfen dem Experimentator, die geeigneten Daten zu entscheiden, die gesammelt werden müssen, und das Design, das zur Findung des optimalen Prozessniveaus verwendet werden soll. Die Notwendigkeit von vollständigen, teilweisen fraktionalen Designs und robustem Design wird hier ebenfalls betont. Es wird erwartet, dass alle inferentiellen Studien einer Normalverteilung folgen sollten. Fehlt diese, können die aus den Daten gezogenen Schlussfolgerungen nicht zuverlässig sein. Dieses Problem wird durch die Verwendung von Normalisierung, Standardisierung und Stabilisierungstechniken für verarbeitete Daten erklärt. Ein weiteres häufiges Problem in der statistischen Forschung und im Management besteht darin, ein bestes Modell für gegebene Daten vorzuschlagen. Unter der Auswahl vieler konkurrierender Modelle ist es noch wichtiger für Forscher, das Beste zu entscheiden. Dies wird in diesem Kapitel durch drei Methoden behandelt, darunter parametrische, nichtparametrische und Simulationstechniken.