Reader Statistical Process Control

Auteur: Els Meertens

1
1. STATISTISCHE PROCES BEHEERSING ............................................................................................................ 3

1.1 EEN BEHEERST PROCES ....................................................................................................................... 3

1.2 REGELKAARTEN .................................................................................................................................. 5

1.2.1 KRAPPE OF RUIME REGELGRENZEN ..................................................................................................................... 6

1.2.2 KEUZE PASSENDE REGELKAART .......................................................................................................................... 7

2 DISCRETE REGELKAARTEN ...................................................................................................................... 8

2.1 P KAART ............................................................................................................................................ 8

2.2 C KAART .......................................................................................................................................... 11

3 CONTINUE REGELKAARTEN ................................................................................................................... 12

3.1 MR KAART ....................................................................................................................................... 12

3.2 XR KAART ........................................................................................................................................ 16

4 INTERPRETATIE VAN REGELKAARTEN ................................................................................................... 19

5 CAPABILITY ........................................................................................................................................... 21

5.1 DE CP INDEX ..................................................................................................................................... 21

5.2 DE CPK INDEX ................................................................................................................................... 23

5.3 UITVAL ............................................................................................................................................. 24

6 OEFENOPGAVEN................................................................................................................................... 27

Opgave 1 Regelkaarten ............................................................................................................................ 27

Opgave 2 Regelkaarten ............................................................................................................................ 28
Opgave 3 Regelkaarten ............................................................................................................................ 29
Opgave 4 Regelkaarten ............................................................................................................................ 30
Opgave 5 Regelkaarten ............................................................................................................................ 31
Opgave 6 Capability ................................................................................................................................. 31
Opgave 7 Capability ................................................................................................................................. 32
Opgave 8 Regelkaarten ............................................................................................................................ 33
OEFENTOETS ......................................................................................................................................................... 34

LITERATUURLIJST.......................................................................................................................................... 36

2
1. Statistische Proces Beheersing
Statistische Proces Beheersing (ook wel aangeduid als SPC, Statistical Process Control) is een instrument
om processen te beheersen en te verbeteren. Een belangrijk begrip binnen de SPC is variatie. Zoals jullie
inmiddels weten, willen we de variatie in het proces zoveel mogelijk beperken en beheersen. Variatie is
onlosmakelijk verbonden met een proces. Het is de output van een proces dat variatie vertoont (dat is
dan ook de reden dat binnen de Integrale Kwaliteitszorg procesdenken zo’n belangrijk uitgangspunt is).
Aangezien we in de theorie van TQM al hebben gezien dat proactief zijn een belangrijk element is van
kwaliteitsorganisaties, kunnen we SPC gebruiken om daadwerkelijk proactief te reageren binnen het
proces.

Voor het management is het zeer belangrijk om in te zien dat bij een eventueel minder gunstig resultaat,
het proces kan en moet worden bijgestuurd. Zo kunnen in de toekomst betere resultaten worden
verkregen en hoeven we niet achteraf de fouten op te lossen (reactief). Verwijten c.q. het ‘toespelen van
zwarte pieten’ veranderen niets aan het resultaat. Wat wel kan is het proces gaan beheersen en hiermee
het resultaat beïnvloeden.

Met behulp van statistische methoden kunnen aan de hand van de procesgegevens voorspellingen
worden gedaan voor het procesverloop, met bijbehorende statistische zekerheden. Statistisch bezien is
SPC een toepassing gebaseerd op het begrip toetsen. Er wordt met een vooraf afgesproken
betrouwbaarheid getoetst of een van te voren vastgesteld procesgedrag ondertussen al dan niet
significant veranderd is.

1.1 Een beheerst proces

Binnen de SPC bekijken we of een proces beheerst is. Hierbij maken we onderscheid in statistische en
technische beheerstheid. In een proces dient altijd eerst bekeken te worden of het proces statistisch
beheerst is. Pas als het proces statistisch beheerst is, gaan we kijken of het proces ook technisch beheerst
is. We gaan er dus vanuit dat processen altijd te beheersen zijn (beheersbaar zijn), maar nog niet per
definitie beheerst zijn.

3
We onderscheiden vier mogelijke situaties waarin het proces zich kan bevinden:

1. Niet statistisch en niet technisch beheerst; CHAOSTOESTAND

2. Niet statistisch en wel technisch beheerst; RAND VAN CHAOS

3. Wel statistisch en niet technisch beheerst; DREMPELTOESTAND

4. Wel statistisch en wel technisch beheerst; IDEAALTOESTAND

4
Om aan te tonen of een proces statistisch beheerst is, maken we gebruik van regelkaarten1. De soorten
regelkaarten, de keuze van de juiste regelkaart en interpretatie van regelkaarten worden in de volgende
paragrafen behandeld.

Willen we bekijken of het proces ook technisch beheerst is, dan berekenen we de zogenaamde Capability
Indexen. Dit zijn kengetallen die aangeven hoe het proces zich gedraagt ten opzichte van de specificaties.
We bepalen dan hoe het zit met de spreiding en instelling van het proces en of daar eventueel op moet
worden bijgestuurd. Omdat het pas nut heeft om uitspraken te doen over technische beheerstheid als is
vastgesteld dat het proces statistisch beheerst is, behandelen we de Capability Indexen na de
regelkaarten.

1.2 Regelkaarten
Een regelkaart is een lijndiagram voor procesgegevens waarin bepaalde statistisch bepaalde
controlelijnen (regelgrenzen) zijn aangegeven. Op een regelkaart worden per periode, bijvoorbeeld elke
week, gegevens verzameld over het voortbrengingsproces. Er kan bijvoorbeeld genoteerd worden hoe
hoog de productie was, hoeveel storingen er waren, of hoeveel klachten er binnenkwamen. Kenmerk van
de regelkaart is dat de lijn die ontstaat, zich binnen bepaalde regelgrenzen of rond de middellijn beweegt.
Zo kan men afwijkingen direct constateren. Zijn deze afwijkingen niet inherent aan het proces
(abnormaal), dus statistisch gezien niet berustend op toeval, dan wijst dat op een probleem.

De abnormaliteit op de regelkaart komt tot uitdrukking met behulp van een drietal controlelijnen die in de
kaart voorkomen, te weten:

1 de bovenste lijn of UCL (Upper Control Limit);

2 de lijn van het gemiddelde of CL (Control Limit);
3 de onderste lijn of LCL (Lower Control Limit).
Deze lijnen noemen we ook wel de regelgrenzen. Regelgrenzen zijn grenzen waarbinnen uitkomsten als
normaal worden beschouwd. De regelgrenzen zullen vaak zo’n 2 à 3 keer de standaardafwijking van het
gemiddelde (CL) afliggen, dit is afhankelijk van de kaart die men dient te gebruiken. Aan elke kaart zitten
eisen waaraan voldaan zal moeten worden, wil het zin hebben deze kaart als instrument gebruiken om
het proces te beheersen. Per kaart zijn er dus verschillende formules om de regelgrenzen te berekenen.
Vaak wordt er ook een waarschuwingslijn bepaald om proactief te kunnen reageren. Deze ligt dan vaak op
tweemaal de standaardafwijking. Indien de grenzen worden overschreden, dient het systeem te
signaleren dat de ontwikkeling nader moet worden onderzocht. De regelgrenzen mogen niet worden
verward met specificaties (tolerantiegrenzen) of andere doelstellingen van het proces.

We kunnen regelkaarten indelen op basis van discrete en continue gegevens. Discrete gegevens kunnen
we tellen en hebben betrekking op kwalitatieve dan wel attributieve proceseigenschappen. Voorbeelden

1
In de literatuur worden regelkaarten ook wel controlekaarten genoemd.

5
van deze kaarten zijn de P kaart, NP kaart, de C kaart en de U-kaart. Bij de P (en NP) kaart zijn de gegevens
verdeeld volgens de binomiale verdeling en bij de C (en de U) kaart volgens de poissonverdeling.

Continue gegevens zijn meetbaar en hebben betrekking op kwantitatieve dan wel variabele
eigenschappen. Een voorbeelden van regelkaarten met continue gegevens zijn de zogenoemde XR
controlekaart, Xs en Moving Range kaart. In deze reader worden vier1 kaarten behandeld.

Hoe weet je nu of een verzameling gegevens discreet is of continue?

Bij discrete gegevens is de verzameling getallen die als uitkomst kan optreden in beginsel
beperkt tot een eindig aantal. Met andere woorden de uitkomst geeft het één of het ander
aan. Als we bijvoorbeeld bekijken of een product uit de steekproef wel of niet voldoet (de
uitkomst is dus ja of nee en niet een beetje) dan is dat een voorbeeld van een discrete
variabele.

Bij continue gegevens kunnen de uitkomsten oneindig zijn. Het is dus niet zwart-wit, maar er
zijn vele tussenliggende grijstinten mogelijk. Denk hierbij bijvoorbeeld aan de lengte in
millimeters van een schroef.

Het is belangrijk om na te gaan in welke uitkomst je geïnteresseerd bent. Wil je weten welke
lengte de schroeven hebben (vele uitkomsten mogelijk) dan is het een continue variabele. Ga
je echter op basis van de lengte van de schroeven keuren of het product wel of niet wordt
goedgekeurd (lengte is dan een keuringscriterium, met andere woorden je doet een
goed/fout meting), dan is er sprake van een discrete variabele.

1.2.1 Krappe of ruime regelgrenzen

Stel dat men werkt met krappe regelgrenzen, bijvoorbeeld het gemiddelde plus/min eenmaal de
standaarddeviatie (x ± 1s). Het gevaar is dan dat er elke keer loos alarm wordt geslagen. Men krijgt een
overschrijdingssignaal terwijl er in feite niets aan de hand is. Dit werkt in de praktijk funest, omdat er
zoveel signalen uit het systeem komen dat men op den duur niet meer alert is. Werkt men met te ruime
regelgrenzen, dan kan het zijn dat te laat wordt gesignaleerd dat de ontwikkeling fundamenteel is
veranderd. Gezocht moet worden naar een compromis tussen krap en ruim. Het is dus erg belangrijk de
juiste kaart te kiezen.

1
Met behulp van deze vier kaarten kunnen de meeste processen worden bekeken. Er zijn echter ook andere
regelkaarten.

6
1.2.2 Keuze passende regelkaart
In de literatuur is men niet altijd even eenduidig als het gaat om het bepalen van de juiste regelkaart.
Amerikaanse literatuur loopt niet helemaal synchroon met de Nederlandse literatuur en wordt er vanuit
LeanSixSigma weer een (net iets andere) overweging gemaakt, zoals te zien in onderstaande figuur.

Figuur 1.1 keuze regelkaart volgens LeanSixSigma (bron: leansixsigmapartners.nl)

Stappenplan om een passende regelkaart te kiezen:

1. Bepaal eerst met welke gegevens je te maken hebt. De gegevens zijn discreet of continue (altijd één
van beiden).

2. Als de gegevens discreet zijn, kiezen we uit twee kaarten. De benodigde regelkaart is een P of C kaart
(paragraaf 3.3 discrete regelkaarten).

3. Als de gegevens continu zijn, wordt het een XR of een Moving Range (MR) kaart (paragraaf 3.4).

NB. De Moving Range kaart wordt ook wel de I chart of I-MR chart genoemd. In Amerikaanse literatuur
maken ze deze kaart bijna alleen bij continue data waar er maar 1 waarneming in de steekproef is
(vandaar Individual chart). Het is overigens ook de enige continue kaart die je kunt maken bij n=1 (met
continue data). Dat neemt niet weg dat de kaart juist goed te gebruiken is bij n>1. Dit wordt bij de uitleg
van de continue regelkaarten verder toegelicht.

7
2 Discrete regelkaarten
We hebben bepaald dat de gegevens waarmee we werken discreet zijn. De volgende stap is dus bepalen
of we een P kaart dan wel C kaart moeten maken. De belangrijkste afweging tussen een P en een C kaart
ligt in het feit of de volgorde in het proces willekeurig is. Bij een P kaart is de volgorde in het proces
uitermate belangrijk, anders kunnen er geen uitspraken worden gedaan of het proces moet worden
bijgestuurd.

We bekijken bijvoorbeeld of een product wel of niet voldoet, door te bekijken of het product een
afwijking bevat. Als we hiervoor dagelijks (een maand lang) een steekproef zouden nemen, dan is
er duidelijk sprake van een P kaart. De gegevens zijn namelijk discreet en ook is de volgorde
belangrijk, anders kunnen we niet ingrijpen op het moment dat er in de tijd verschillende
afwijkingen worden geconstateerd. We mogen in dit geval dus niet zomaar schuiven met de
verschillende dagen waarop de steekproef is genomen. Anders gezegd, de chronologische
volgorde van dagen is niet willekeurig en van belang om uitspraken te doen. We kunnen anders
nooit meer nagaan, wanneer er afwijkingen zijn geconstateerd.

2.1 P kaart
Met een P kaart onderzoeken we of de kans dat een product de eigenschap de eigenschap bezit constant
is in die tijd. Een P kaart bestaat uit één kaart, omdat de ligging en de spreiding voor een binomiaal
verdeelde grootheid slechts van één parameter, de kansparameter p, afhangen.

Berekening regelgrenzen P kaart

De CLp (het gemiddelde van de fracties) is het uitgangspunt bij de berekeningen. Het gemiddelde van de
fracties wordt bepaald door Σ fracties / totaal aantal fracties. Soms moeten de fracties eerst nog bepaald
worden. Dit is het percentage van de succeskans (en jullie weten inmiddels dat een succeskans niet altijd
iets positiefs impliceert!).

Als we per steekproef 50 producten testen, dit doen we 30 dagen, en er blijken er 5 niet in orde dan is
de fractie 5/50 (= 0,10). Waarbij het totaal aantal proeven gelijk is aan 50 * 30 = 1500. Het aantal
waarnemingen in de steekproef is in dit voorbeeld gelijk aan 50 (in literatuur aangeduid met m of n).
UCLhier
Wij houden p =nu
Cl(net
p +als
3 in*Amerikaanse
CLp (1literatuur)
- CLp)/ nnaan.

LCLp = Clp - 3 * CLp (1 - CLp)/ n

Een fractie kan nooit negatief worden, dus als LCLp < 0 dan stellen we LCLp = 0

_
Waarbij de CLp ook wordt aangeduid met f (het gemiddelde van de fracties).

Noot: Het is verstandig de regelgrenzen een decimaal nauwkeuriger te nemen dan de gegeven data. Dit
voorkomt dat er waarnemingen op grenzen vallen en maakt het interpreteren makkelijker.

8
Als voorbeeld maken we een regelkaart voor bramen op een bepaald spuitgietproduct. Iedere twee uur
wordt een steekproef van 50 producten uit productie genomen. Per product wordt gekeken of het
bramen bevat. Gemiddeld verwacht men dat ongeveer 10% van de producten bramen bevat.

Dag Uur Steekproefomvang (n) Aantal producten Fractie

met bramen
13/9 14 50 4 .08
13/9 16 50 3 .06
13/9 18 50 3 .06
13/9 20 50 5 .10
13/9 22 50 4 .08
14/9 00 50 4 .08
14/9 02 50 2 .04
14/9 04 50 5 .10
14/9 06 50 4 .08
14/9 08 50 7 .14
14/9 10 50 6 .12
14/9 12 50 1 .02
14/9 14 50 4 .08
14/9 16 50 6 .12
14/9 18 50 5 .10
14/9 20 50 7 .14
14/9 22 50 4 .08
15/9 00 50 8 .16
15/9 02 50 5 .10
15/9 04 50 7 .14

We maken hier een P kaart, want de gegevens zijn discreet (we doen een goed/fout meting). Een product
heeft namelijk wel of geen bramen. Tevens is hier de volgorde van belang, anders kunnen we niet meer
nagaan op welke dag en tijdstip zich mogelijk een onregelmatigheid heeft voorgedaan.

De regelgrenzen voor de P kaart worden dus:

_ _ _
UCLp = f + 3Ö f (1 – f ) / n = 0,218

_
CLp = f = 0,094

_ _ _
LCLp = f - 3Ö f (1 – f ) / n < 0,00, dus LCLp = 0

9
10
2.2 C kaart
Bij een C kaart is de volgorde niet van belang, maar gaat het om tellingen. Dat heeft tot gevolg dat we in
een C kaart de punten binnen de kaart niet met elkaar mogen verbinden en de uitspraken die we kunnen
doen, enigszins afwijken van de andere regelkaarten.

Als we zouden tellen hoeveel auto’s van bepaalde merken het schoolterrein af zouden rijden, is er
sprake van een C kaart. De gegevens zijn discreet (het is wel of niet een bepaald merk) en de volgorde
is willekeurig. We zijn dus alleen geïnteresseerd in de telling. We kunnen niet zeggen dat een Renault
voor Volvo komt. Op de x-as is de gegeven volgorde van de merken dus willekeurig.

We tellen dus het aantal gebeurtenissen per eenheid (steekproef). De eenheid moet zo groot zijn dat er
voldoende gebeurtenissen zullen optreden. Als vuistregel stellen we: gemiddeld ten minste 5
gebeurtenissen per eenheid. De C kaart bestaat net als de P kaart uit één kaart.

Berekening regelgrenzen C kaart

Ook hier is het gemiddelde (de CLc) het uitgangspunt. Hier is het gemiddelde te bepalen door het totaal
van de tellingen te delen op het aantal tellingen.

UCLc = CLc + 3 * CLc

LCLc = CLc - 3 * CLc

Een aantal kan nooit negatief worden, dus als LCLc < 0 dan stellen we LCLc = 0.

Voor de CLc wordt ook C gebruikt.

11
3 Continue regelkaarten
Als we bepaald hebben dat de gegevens continue zijn, dienen we de keuze te maken uit een XR dan wel
Moving Range (MR) kaart. Op het moment dat er maar één waarneming in de steekproef zit dan mag er
geen XR kaart worden gemaakt en blijft er slechts de mogelijkheid van een MR kaart over. Moeilijker
wordt de keuze als er 2 of meer waarnemingen in de steekproef zijn. Volgens Banens (1994) dien je in
geval van twijfel een MR kaart te maken (je weet niet zeker of je aan alle strenge eisen voldoet van een XR
kaart). Terwijl andere literatuur er juist voor pleit om een XR kaart te maken.

Belangrijk bij de keuze van de juiste continue kaart, vinden wij de afweging van de keuze van de kaart en
de effecten hiervan op het (mogelijk moeten) ingrijpen in het proces. Hiermee wordt bedoeld dat je de
keuze van de kaart moet laten afhangen van het soort proces en de gevolgen voor de output en het
proces van het al dan niet ingrijpen. Een MR kaart zal over het algemeen ruimere regelgrenzen geven dan
een XR kaart (zeker bij een relatief kleine n). Dit is dus iets dat meegenomen moet worden in de
overweging van de keuze van de kaart, aangezien deze gevolgen heeft voor de interpretatie van de kaart.

Er dient dus te worden gekeken of het proces gebaat is bij strengere (krappe) dan wel ruimere
regelgrenzen. Met andere woorden, hoe noodzakelijk is direct kunnen ingrijpen versus de kosten van
direct ingrijpen. Organisaties die ervaring hebben met SPC en/of kosten willen besparen zijn over het
algemeen dus meer gebaat bij de net iets ruimere grenzen van de MR kaart. Bij twijfel zit je altijd beter
met de MR kaart.

Indien men producten maakt waarbij men elk risico op afwijking moet vermijden (denk hierbij
bijvoorbeeld aan geneesmiddelen waarbij een te hoge dosis van een bepaalde stof zou kunnen
zorgen voor gevaar voor de gezondheid), dan is men meer gebaat bij krappere grenzen dan bij
bijvoorbeeld de reistijden van de verschillende pizzabezorgers.

3.1 MR kaart
Het is een gecombineerde kaart voor de ligging (Moving Range x kaart) en indien er meer dan één
waarneming per steekproef is, voor de spreiding (Moving Range R kaart).

Berekening regelgrenzen MR kaart

Aangezien we nu twee kaarten moeten maken, moeten we ook tweemaal de verschillende regelgrenzen
bepalen. We hebben namelijk regelgrenzen nodig voor de MR x kaart en voor de MR R kaart.

12
Bij de Moving Range kaart wordt er vanuit de Moving Range (MR) gerekend. Deze moet dus eerst worden
bepaald, op basis van de absolute verschillen tussen opeenvolgende steekproefgemiddelden:

MRx = ∑ | xi –xi-1|/ (k-1)

i =2

Voor de Moving Range x-kaart berekenen we de regelgrenzen dan als volgt:

UCLX = x + 2.66 MRx

CLX = x

LCLX = x – 2.66 MRx

Voor de Moving Range R-kaart gebeurt dit op dezelfde wijze, waarbij gebruik wordt gemaakt van de
volgende formules:

MRR = ∑ | Ri –Ri-1|/ (k-1)

i=2

Voor de Moving Range R-kaart berekenen we de regelgrenzen dan als volgt:

UCLR = R + 2.66 MRR

CLR = R

LCLR = R – 2.66 MRR

Net als bij de P en C kaart is de onderste regelgrens (LCL) bij continue kaarten nooit negatief.

13
Bij de productie van keramische platen is één van de processtappen het sinteren van geperste platen in
een sinteroven. De plaatdikte na het sinteren is een belangrijk kwaliteitskenmerk. Het sinteren geschiedt
in batches van 20 platen. Aan 5 platen wordt de dikte gemeten, steeds op één plaats.

Steekproeven van plaatdiktes per batch

Batch Metingen plaatdikte (µm) X R

45 389 389 391 387 391 389.4 4

47 401 392 399 397 398 397.4 9

48 400 397 394 395 397 396.6 6

49 391 396 397 394 398 395.2 7

50 389 396 394 388 395 392.4 8

51 394 389 390 390 395 391.6 6

53 398 385 102 394 399 395.6 17

54 400 395 400 387 379 392.2 21

55 393 394 393 391 394 393.0 3

56 395 396 393 395 394 394.6 3

57 385 389 386 387 389 387.2 4

58 398 393 400 399 396 397.2 7

59 399 389 392 388 392 392.0 11

61 396 388 386 387 393 390.0 10

62 400 399 391 392 400 396.4 9

63 396 380 395 396 398 393.0 18

64 397 399 396 396 397 397.0 3

65 392 387 395 392 392 391.6 8

66 385 390 391 390 394 390.0 9

67 385 392 382 391 392 388.4 10

73 393 396 395 389 398 394.2 9

X = 393.10 R = 8.67

14
Er wordt een MR kaart gemaakt, aangezien de metingen op continue schaal zijn en het management vindt
dat de kosten van steeds mogelijk teveel (en dus voor niets) ingrijpen niet opwegen tegen de voordelen
van het hanteren van krappere regelgrenzen. Om het proces wel proactief te volgen, kan men werken
met waarschuwingsgrenzen (op tweemaal de standaardafwijking).

De berekening van de Moving Range x kaart loopt als volgt:

MRx = ∑ | xi –xi-1|/ 20 = 3,82

Toelichting: (|397,4 – 389,4|+|396,6 – 397,4|+…….+|394,2- 388,4|)/20

UCLx = X + 2.66 MRx = 393,10 + 2,66 * 3,82 = 403,26

CLx = X = 393,10

LCLx = X – 2.66 MRx = 393,10 - 2,66 * 3,82 = 382,94

15
De regelgrenzen voor de Moving Range R kaart worden als volgt berekend:

MRR = ∑ | Ri – Ri-1|/ 20 = 4,35

Toelichting: (|9 – 4|+|6 – 9|+…….+|9 - 10|)/20

UCLR = R + 2.66 MRR = 8,67 + 2,66 * 4,35 = 20,2

CLR = R = 8,7

LCLR = R – 2.66 MRR = 8,67 - 2,66 * 4,35 = negatief, dus 0

16
3.2 XR kaart
Bij de XR kaart worden er altijd twee kaarten gemaakt, namelijk een kaart voor het gemiddelde (X) en een
kaart voor de range (R). Dit is dus exact gelijk aan de Moving Range kaart, waarbij ook een kaart voor het
gemiddelde en een kaart voor de range wordt gemaakt (met de uitzondering als er maar één waarneming
is in de steekproef, waarbij het berekenen van de range niet mogelijk is). In de berekening van de
regelgrenzen van beide kaarten is het gemiddelde van de range van belang. Het is dus verstandig om deze
eerst te bepalen, door Σ ranges / aantal ranges. Waarbij de range het verschil tussen de hoogste en
laagste waarneming in de steekproefomvang (n) is.

Berekening regelgrenzen XR kaart

Vertrekpunt voor het bepalen van de regelgrenzen is hier wederom het gemiddelde van de gemiddelden
per steekproef (X) en wordt ook aangegeven met CLx. Voor de X-kaart berekenen we de regelgrenzen als
volgt:

UCLx = X + A2R

CLx = X

LCLx = X - A2R
Bij de R- kaart berekenen we de regelgrenzen als volgt:

UCLR = D4R

CLR = R

LCLR = D3R
Je ziet dat er bij de berekeningen gebruik wordt gemaakt van een constante (A2, D3 en D4). Deze kun je
aflezen in tabel 3.1. Let op, het aantal waarnemingen in de steekproef bepaalt de waarde van de
constante.

17
Waarbij de constante A2, D3 en D4 van de steekproefomvang n afhangt, zie hierond
Steekproefomvang A2 D3 D4

1 - - -

2 1,880 0 3,267

3 1,023 0 2,575

4 0,729 0 2,282

5 0,577 0 2,115

6 0.483 0 2,004

7 0,419 0,076 1,924

8 0,373 0,136 1,864

9 0,377 0,184 1,816

10 0,308 0,223 1,777

15 0,223 0,348 1,652

20 0,180 0,414 1,586

tabel 3.1 Constanten voor de berekening van de regelgrenzen bij de XR kaart

18
4 Interpretatie van regelkaarten
Het interpreteren van regelkaarten is zonder twijfel het moeilijkste onderdeel. Regelkaarten worden
gemaakt om het proces te monitoren en vervolgens uitspraken te doen of dat proces statistisch beheerst is.
Natuurlijk zijn er richtlijnen die ons helpen om hierover uitspraken te doen. Als één van de hieronder
beschreven situaties zich voordoet spreken van statistische onbeheerstheid, ook wel een ‘out of control’
situatie genoemd.

1. Als er een of meerdere punten buiten de regelgrenzen vallen. Een punt boven de UCL of onder de
LCL zorgt dus al voor een ‘out of control’ situatie.
2. 6 punten achter elkaar in een dalende of stijgende lijn (eerste punt telt mee).
3. Tien punten achter elkaar boven of onder de CL.
Op het moment dat er sprake is van een ‘out of control’ situatie dient men altijd actie te ondernemen. In
praktijk betekent dit checken of de oorzaak te wijten aan toeval of dat het proces moet worden bijgesteld.
Nog belangrijker dan het checken van deze punten is het gebruik van het gezonde verstand. Bekijk een kaart
altijd kritisch; doen er zich uitzonderlijke situaties voor aan het einde van de kaart? (denk hierbij
bijvoorbeeld aan 4 punten in een dalende of stijgende trend) of is er erg veel variatie? (punten springen
constant van heel hoog naar heel laag, maar wel net binnen de grenzen). Dit zou kunnen betekenen dat het
proces toch zeker aandacht behoeft, ook al is er (op dit moment) niet direct sprake van een ‘out of control’
situatie.
Tevens is bij de interpretatie van regelkaarten de keuze van de kaart van belang. Bij een C kaart hebben we
geconstateerd dat de volgorde niet van belang is. Dat houdt in dat we punt 2 en punt 3 niet kunnen
meenemen, we kunnen slechts kijken naar punten buiten de regelgrenzen en variatie in de tijd. Na verloop
van tijd is het wel mogelijk verschillende C kaarten betreffende hetzelfde proces met elkaar te vergelijken.
Zeker bij de interpretatie van een MR dan wel XR kaart dient de koppeling met de keuze duidelijk naar voren
te komen, aangezien de keuze van de kaart met name wordt bepaald op basis van krappe c.q. ruime
regelgrenzen.
Acties

Elke ‘out of control’ situatie vergt actie. Dit betekent dat elk punt dat buiten de regelgrenzen valt, moet
worden onderzocht, net als trends en circa 10 punten achtereenvolgens boven dan wel onder de CL. Er dient
te worden nagegaan of er sprake is van toeval of dat er iets mis is in het proces. Pas als is aangetoond dat
het toeval is, kan er een nieuwe kaart worden gemaakt, die opnieuw geanalyseerd dient te worden. Is de
‘out of control’ situatie ontstaan door iets anders dan een toevalligheid dan dient het proces te worden
bijgesteld.
Indien de kaart(en) geen afwijkingen laten zien, noemen we het proces statistisch beheerst en kunnen we
ons gaan concentreren op de technische beheerstheid.

OCAP

Je moet niet gaan vergaderen wanneer je onder vijandelijk vuur ligt. Vanuit dit perspectief bezag Tom
Bassett (Philips IC fabriek te Orem, USA) het productieproces. Hij voerde het gebruik van Out of Control
Action Plannen (OCAP) in. Daarin wordt niet alleen de normale bedrijfsvoering vastgelegd, maar ook de
reactie op bijzondere gebeurtenissen. Een OCAP geeft weer wat je moet doen als in het productieproces
iets fout gaat. Door bijzondere gebeurtenissen te analyseren, kan de te ondernemen reactie worden
geformaliseerd. Zo worden voorkomende problemen gestandaardiseerd en de te volgen stappen in een

19
flowchart inzichtelijk gemaakt. De werkvloer krijgt met een OCAP een tool in handen om de meeste
problemen snel en adequaat zelf op te lossen. Zo verankert een OCAP de verantwoordelijkheid voor
procesbeheersing op de werkvloer. Oorzaken van procesverstoringen worden zo snel mogelijk
weggenomen.

Uitspraken doen:

1. Zie je 1 of meer punten boven de UCL of onder de LCL?

2. Zie je 6 of meer punten in een stijgende of dalende lijn?
3. Zie je 10 punten achtereenvolgens onder of boven de CL?

Als je op 1 (of meer) van deze vragen ja moet antwoorden, dan is het proces niet statistisch beheerst.
Ook kijk je naar:

4. Variatie (netjes om CL of punten op en neer richting regelgrenzen? Toenemende variatie?)

5. Patronen (zie je herhalende patronen/figuren in de kaart?)
6. Einde kaart (dreigende out of control?)

Als je naar alles hebt gekeken, dan kan je daar vervolgstappen aan verbinden (dus benoemen!).
Punten erbuiten onderzoeken (toeval of niet?), mogelijk proces statistisch beheerst maken. Indien wel
statistisch beheerst, dan naar technische beheerstheid kijken. Indien toenemende variatie of
mogelijke trend op einde kaart, dan proactief toch verder meten (niet wachten op out of control).

20
5 Capability
Zoals we gezien hebben in de voorgaande paragrafen is statistische beheerstheid noodzakelijk om het
proces überhaupt onder controle te kunnen houden. Echter alleen statistische beheerstheid is niet
genoeg. Het is dan namelijk nog steeds mogelijk om veel uitval te hebben en/of inefficiënt te werken en
daarmee dus onnodige kosten te maken. Als het proces doet wat het moet (en dus statistisch beheerst is),
dan is de vraag belangrijk of het proces ook wel doet wat het kan. Hiervoor is technische beheerstheid
nodig en om aan te tonen of het proces wel of niet technisch beheerst is, maken we gebruik van de
Capabiltity Indexen. Hierbij zijn de tolerantiegrenzen (specificatiegrenzen) van belang. De regelgrenzen
uit de regelkaart zijn dus NIET gelijk aan de tolerantiegrenzen. Regelgrenzen worden berekend op basis
van de gegeven informatie waarmee men de kaart wil maken. Tolerantiegrenzen zijn eisen die zijn
opgelegd en waar men niet vanaf mag wijken.

Een producent van schroeven krijgt een opdracht om schroeven te maken voor een
meubelfabrikant. Deze meubelfabrikant heeft bepaalde eisen aan de lengte van de schroef. Als de
geleverde schroeven te lang zijn, steken ze door de meubels heen, zijn zij echter te kort, dan is er
geen grip en valt het meubelstuk uit elkaar. Natuurlijk is er wel wat variatie mogelijk, maar
binnen van tevoren vastgestelde tolerantiegrenzen. Deze meubelfabrikant wil bij voorkeur
schroeven van 25 millimeter met een maximale totale afwijking van 4 millimeter (er mag dus 2
millimeter naar boven en naar beneden worden afgeweken). Voor de producent van de schroeven
is dat is de 25 millimeter de streefwaarde, ook wel aangeduid met T. De onderste tolerantiegrens
To (ook wel L) is 23 millimeter en de bovenste tolerantiegrens Tb (ook wel U) is dan 27 millimeter.

5.1 De Cp index
De Cp index heet voluit de process potential index. Deze index geeft aan of de spreiding in het proces de
potentie heeft om binnen de tolerantiegrenzen te blijven. Een goede Cp (en we spreken van een goede Cp
waarde vanaf circa 1,33) geeft dus aan dat de spreiding de potentie heeft om tussen de tolerantiegrenzen
te vallen. Een lage Cp waarde (onder 1,00) geeft aan dat die potentie er niet is. Dit zegt echter niet, dat de
tolerantiegrenzen niet worden overschreden. Het geeft slechts aan of de potentie aanwezig is, met
andere woorden of de spreiding niet te groot is binnen het proces. Om te bepalen of naast de spreiding
de ligging van het proces in orde is, hebben we de Cpk waarde nodig. Hier komen we in de volgende
paragraaf op terug.

Formule Cp waarde:

Tb - To
Cp = --------------
6σ

21
Op het moment dat we te maken hebben met een steekproef (en in de praktijk is dat vaak zo) verandert
de notatie van de formule in:

Tb - To
Cp = --------------
6s

Cp ³ 1,33 De spreiding is goed en heeft dus de potentie om tussen de

tolerantiegrenzen te vallen. Of dat op dit moment ook gebeurt,
hangt af van de Cpk waarde.

Cp ³ 1,00 en < 1,33
De spreiding in het proces is mogelijk precies goed (naarmate
men dichter in de buurt komt van een Cp waarde van 1,00). Een
lichte verschuiving in het proces kan er al voor zorgen dat de
tolerantiegrenzen worden overschreden (en er dus uitval
ontstaat).

Cp < 1,00 De spreiding van het proces is niet in orde, omdat de spreading
niet de potentie heeft om binnen de tolerantiegrenzen te vallen.
Er is in dit geval altijd sprake van uitval (technisch niet beheerst).
De spreiding in het proces verdient de aandacht en moet
verminderd worden, om uitval te gaan voorkomen.

tabel 5.1 Gevolgen Cp waarde

22
5.2 De Cpk index
De Cpk index wordt de process performance index genoemd. Bij deze index wordt zowel de spreiding in
het proces als de instelling van het proces bekeken. Een goede Cpk waarde (en dat is bij 1,33 of hoger)
geeft aan dat het proces qua spreiding en qua instelling goed is. Met andere woorden; het proces is
technisch beheerst en er is dus geen uitval. Het kan nooit voorkomen dat de Cpk waarde groter is dan de
Cp waarde. De Cpk waarde is op zijn hoogst gelijk aan de Cp waarde (dat gebeurt slechts wanneer het
gemiddelde gelijk is aan de streefwaarde), maar vaker kleiner. Dit gegeven zorgt er dan ook voor dat als
we streven naar een Cpk waarde van 1,33 er in de praktijk vaak blijkt dat de Cp waarde daardoor eerder in
de buurt komt van 1,67.

Je zou nu kunnen denken dat het handiger (en in ieder geval sneller) is om alleen de Cpk waarde
uit te rekenen. De Cp waarde geeft echter wel belangrijke informatie. Aangezien de Cpk waarde
iets zegt over zowel de spreiding als instelling, is het moeilijk na te gaan of er iets mis is met de
spreiding of de instelling of beiden. De Cp filtert voor ons de spreiding eruit. Indien de spreiding
niet in orde is (een lage Cp waarde), kan de instelling al niet meer in orde zijn (met andere
woorden, de tolerantiegrenzen zullen altijd worden overschreden, met uitval als gevolg).

Formule Cpk waarde:

(Tb – μ) of (μ – To)
Cpk = ----------------------------
3σ

Waarbij we de laagste waarde dienen te nemen van (Tb – μ) en (μ – To). Zouden we hier de uitkomst
nemen die het hoogste is dan is de kans groot dat de Cpk groter uitvalt dan de Cp (en zoals jullie weten,
dat mag niet). We verkrijgen hierbij slechts dezelfde waarde uit beide sommen indien het gemiddelde (X)
gelijk is aan de streefwaarde (T).

Ook hier geldt dat de formule wijzigt als er sprake is van een steekproef:

(Tb – x) of (x – To)
Cpk = ----------------------------
3s

En net als voor de Cp waarde geldt voor de Cpk waarde eveneens dat deze minimaal 0 is. Let wel, een
negatieve Cpk waarde krijg je als het proces zo scheef is qua instelling dat het gemiddelde onder To of
boven Tb ligt.

23
Cpk ³ 1,33 Zowel de instelling als de spreiding is goed. Het proces is
technisch beheerst en er is dus geen uitval. De toestand van het
proces is ideaal. Wel het proces blijven monitoren en oppassen
voor ‘overefficiency’.

Cpk ³ 1,00 en < 1,33 De instelling en spreiding zijn mogelijk precies goed (naarmate
men dichter in de buurt komt van een Cpk waarde van 1,00). Dat
houdt in dat de kleinste storing kan zorgen voor uitval. Het proces
dient dus nauwkeurig in de gaten te worden gehouden.

Cpk < 1,00 De instelling en/of spreiding van het proces zijn niet in orde. Er is
sprake van uitval (technisch niet beheerst). Afhankelijk van het
feit of de instelling of spreiding (zie Cp) niet goed is, dient men
gericht actie op dat punt te ondernemen. Er (logisch) vanuit
gaande dat het proces wel statistisch beheerst is, is er sprake van
drempeltoestand.

tabel 5.2 Gevolgen Cpk waarde

Teken een plaatje (met daarin de streefwaarde, de tolerantiegrenzen en het gemiddelde) om inzicht te
krijgen in de staat van het proces. Dat helpt je ook om te zien of en zo ja waar er uitval is.

Benoem altijd of het spreidings- en/of instellingsprobleem is.

5.3 Uitval
Een aantal malen is de term uitval al naar voren gekomen. Deze uitval is natuurlijk te berekenen.
Aangezien we te maken hebben met een bij benadering normale verdeling (met andere woorden,
doordat we op basis van de regelkaart uitgaan van een statistisch beheerst proces) kunnen we de uitval
bepalen door gebruik te maken van de formule van de normale verdeling, waarbij we niets anders doen
dan tweemaal (indien nodig, afhankelijk van de instelling) de oppervlakte van de Gauss-kromme (de jullie
welbekende klokvorm van de normale verdeling) berekenen. Toegepast op deze stof geeft dat de
volgende formules (let wel uitgaande van de populatie, bij een steekproef verandert wederom de
notatie):

Tb - µ
z = ----------
s

To - µ
z = ----------
s

24
Een fabriek maakt aluminium staafjes met een nominale lengte van 12,50 millimeter en een totale
tolerantie van 0,20 millimeter. Een representatieve steekproef leverde de volgende 25 waarnemingen op
in mm:

12,40 12,52 12,59 12,55 12,60

12,53 12,63 12,55 12,46 12,41

12,59 12,57 12,48 12,44 12,49

12,58 12,51 12,56 12,41 12,53

12,49 12,44 12,43 12,57 12,54

Gevraagd:
a. Bereken de Cp waarde en leg uit wat deze waarde inhoudt voor het proces.
b. Bereken de Cpk waarde en leg uit wat deze waarde inhoudt voor het proces.
c. Bereken het uitvalpercentage.

Uitwerking:

a. Nominale lengte = 12,50 mm (Streefwaarde, T). Dit betekent dat de onderste tolerantiegrens (To)
12,40 mm wordt en de bovenste tolerantiegrens (Tb) 12,60 mm.

Met behulp van de rekenmachine hebben we berekend:

x = 12,5148

s = 0,066715815

Cp = (Tb - To) = (12,60-12,40) = 0,499631659 = 0,50

(6*s) (6*0,066715815)

De Cp-waarde geeft aan of een proces kan voldoen aan gestelde eisen qua spreiding. Een Cp-waarde
kleiner dan 1,00 geeft aan dat de spreiding in het productieproces groter is dan gewenst. De spreiding
heeft dus niet de potentie om tussen de tolerantiegrenzen (Tb en To) te vallen (de spreiding is te breed).

b. Cpk = minimum van (Tb-x; x-To) = (0,0852, 0,1148) = 0,43

3* s (3*0,066715815)

De Cpk-waarde zegt iets over de spreiding en instelling van het proces. Wanneer de Cpk-waarde kleiner is
dan 1,00 betekent dit dat we te maken hebben met een slechte procesinstelling of spreiding. Kijkend naar
de Cp waarde is in ieder geval de spreiding niet in orde. Tevens zien we dat de instelling scheef is (x ≠ T),
maar dat is maar een zeer kleine afwijking (0,0148). Met name dus door de spreiding is dit een slecht
proces en zal er altijd sprake zijn van uitval.

25
c. Bereken het uitvalpercentage:

Tb - x = (12,60 -12,5148) = 1,277 ® P1 = 10,15 %

s (0,066715815)

To – x = (12,40 -12,5148) = -1,721 ® P2 = 4,19 %

s (0,066715815) +
14,34 %

Deze kansen zijn bepaald door interpolatie (hoeven jullie niet te doen ;-)). Je kunt de hoogste kanswaarde
nemen (dus de z-waarde naar beneden afronden).

26
6 Oefenopgaven

Opgave 1 Regelkaarten

a. Maak een P kaart en geef aan waarom dit een P kaart moet zijn.

b. Welke uitspraken kun je doen over deze kaart?

27
Opgave 2 Regelkaarten

Een fabriek maakt glazen buisjes. Iedere drie uur wordt er een steekproef van 100 producten uit de
productie genomen. Per product wordt er gekeken of het barsten bevat. Men verwacht dat circa 10% van
de producten een barst heeft.

TIJD IN UREN AANTAL PRODUCTEN

MET BARST

9:00 8

12:00 12

15:00 7

18:00 4

21:00 9

24:00 15

03:00 14

06:00 11

09:00 9

12:00 5

Maak de juiste regelkaart en geef een interpretatie.

28
Opgave 3 Regelkaarten

Casus Jort

De manager van TISD kan er niet meer tegen. Hij is het gedoe met niet meewerkende docenten meer dan
zat. Hij neemt ontslag bij TISD en gaat een hele andere branche proberen. Aangezien hij fan is van Jort
Kelder (en dan vooral zijn overhemden) besluit hij om een baan te zoeken in de mode branche.

Gelukkig vindt hij een fabrikant van overhemden die de kwaliteit probeert te verbeteren. En omdat hij
een uitdaging nooit uit de weg gaat, wordt hij kwaliteitsmanager (dat was toch altijd al zijn ding). De
fabrikant wil graag dat de door hem gemaakte overhemden in de ‘betere’ winkels worden verkocht. Hij
maakt een afspraak met een bekend mannenlabel. Hij mag aan deze keten gaan leveren, mits hij kan
aantonen dat de door hem geproduceerde overhemden niet teveel productiefouten bevatten.
Zijn assortiment overhemden bestaat uit 35 soorten overhemden. De kwaliteitsmanager kan hier gelukkig
bij helpen! Elke dag neemt hij een steekproef en houdt bij hoeveel overhemden fouten vertonen. In de
tabel vind je het soort hemd met het gevonden aantal fouten.

HKbB46 3 HKlbB46 3 HKwB46 0 HKsB46 4 HKrB46 2

HKbB47 2 HKlbB47 4 HKwB47 5 HKsB47 3 HKrB47 0
HKbB48 0 HKlbB48 6 HKwB48 4 HKsB48 3 HKrB48 2
HKbB49 5 HKlbB49 0 HKwB49 2 HKsB49 3 HKrB49 0
HKbB50 4 HKlbB50 0 HKwB50 6 HKsB50 1 HKrB50 0
HKbB51 1 HKlbB51 1 HKwB51 2 HKsB51 2 HKrB51 2
HKbB52 2 HKlbB52 3 HKwB52 1 HKsB52 0 HKrB52 0

Lijst met gebruikte afkortingen:

H : hemd
K : kleur (blauw (b); lichtblauw (lb); wit (w); streep (s); ruit (r))
B : boordmaat (maat 46 tot en met 52)

Voorbeeld: HKbB46: blauw overhemd met boordmaat 46.

a. Als de fabrikant kan laten zien dat hij zijn proces beheerst, mag hij gaan leveren aan het
bekende mannenlabel. Maak hiervoor de juiste regelkaart(en), onderbouw je keuze en doe
uitspraken over het proces.

29
Opgave 4 Regelkaarten

a. Maak de juiste regelkaart (onderbouw de keuze).

b. Doe uitspraken over het proces.

30
Opgave 5 Regelkaarten

Opgave 6 Capability

Gegeven:

n = 101 waarnemingen

Streefwaarde, T = 7250 mm

Tb = 7300 mm en To = 7200 mm

Gemiddelde op basis van deze 101 waarnemingen (x) = 7189,9 mm

Standaardafwijking (s) = 10,288 mm

Gevraagd:

Bereken de capability indexen en de uitval, schets de situatie en doe uitspraken over het proces.

31
Opgave 7 Capability

a. Bereken capability indexen en geef aan wat de berekende waarde inhoudt.

b. Bereken de uitval.

c. Doe uitspraken over dit proces.

32
Opgave 8 Regelkaarten

De manager van een bedrijf dat onderdelen van koelinstallaties verkoopt, installeert en repareert, weet
hoe belangrijk het is om snel en effectief te reageren op noodoproepen van zijn klanten (supermarkten en
horecabedrijven).
Eén van de variabelen die effect heeft op de tijd waarin het probleem kan worden opgelost, is de tijd die
de servicemonteurs nodig hebben om van het ene naar het andere adres te komen.
De manager wil weten of de huidige werkwijze statistisch beheerst is. Er wordt elke dag een steekproef
van 5 oproepen genomen en de reistijd tussen oproepen wordt bijgehouden. De gemiddelde tijd in
minuten en de range voor elke steekproef staan in de tabel.

gemiddelde tijd in minuten en de range voor elke steekproef staan in de onderstaande tabel.

Dag Steekproef Gemiddelde Range

vrijdag 1 27 25
zaterdag 2 36 50
zondag 3 44 65
maandag 4 31 30
dinsdag 5 30 30
woensdag 6 46 50
donderdag 7 34 25
vrijdag 8 42 65
zaterdag 9 22 15
zondag 10 38 50
maandag 11 40 40
dinsdag 12 30 15
woensdag 13 25 25
donderdag 14 47 35
vrijdag 15 28 20
zaterdag 16 37 40
zondag 17 33 45
maandag 18 28 30
dinsdag 19 43 35
woensdag 20 40 40
donderdag 21 31 30
vrijdag 22 36 40
zaterdag 23 38 25
zondag 24 32 25
maandag 25 60 30
dinsdag 26 29 20
woensdag 27 32 25
donderdag 28 30 15
vrijdag 29 38 15
zaterdag 30 27 20

a. Maak de juiste controlekaart en licht de keuze van de kaart toe.

b. Is dit proces statistisch beheerst? (onderbouw)

c. Vinden jullie dat de manager een andere manier moet gaan hanteren in het toewijzen van
oproepen aan de servicemonteurs? (onderbouw)

33
Oefentoets
Het bedrijf A. Buis maakt plastic buisjes voor Brillo BV, fabrikant van brilmonturen. De pootjes voor de
monturen kunnen echter pas goed passend worden gemaakt als de diameter van de plastic buisjes niet
teveel afwijkt van de toegestane millimeter eis. Dit legt natuurlijk een grote druk op bedrijf A. Buis en
besluit daarom om jou aan te stellen als kwaliteitsdeskundige. Jij moet het proces gaan onderzoeken. Grip
krijgen op het proces past helemaal in het kader van de geplande kostenbesparing.
De steekproef beslaat in totaal 100 waarnemingen (20 dagen * 5 waarnemingen).

Dag *

Xgem R

1 3,43 3,49 3,47 3,44 3,38 3,44 0,11

2 3,51 3,43 3,55 3,50 3,51 3,50 0,12

3 3,47 3,52 3,31 3,42 3,45 3,43 0,21

4 3,53 3,33 3,46 3,48 3,48 3,46 0,20

5 3,39 3,51 3,50 3,50 3,46 3,47 0,12

6 3,56 3,41 3,43 3,38 3,44 3,44 0,18

7 3,44 3,48 3,49 3,70 3,43 3,51 0,27

8 3,49 3,44 3,45 3,49 3,58 3,49 0,14

9 3,48 3,51 3,45 3,43 3,50 3,47 0,08

10 3,46 3,46 3,51 3,52 3,49 3,49 0,06

11 3,48 3,40 3,30 3,61 3,51 3,46 0,31

12 3,59 3,48 3,48 3,53 3,55 3,53 0,11

13 3,34 3,50 3,40 3,36 3,41 3,40 0,16

14 3,39 3,45 3,52 3,57 3,56 3,50 0,18

15 3,50 3,51 3,49 3,45 3,43 3,48 0,08

16 3,47 3,46 3,57 3,49 3,65 3,53 0,19

17 3,52 3,47 3,44 3,44 3,44 3,46 0,08

18 3,45 3,49 3,54 3,49 3,50 3,50 0,09

19 3,54 3,52 3,52 3,47 3,52 3,51 0,07

20 3,52 3,32 3,47 3,47 3,46 3,45 0,20

Gevonden waarden per dag over 20 dagen

34
 a. Maak de juiste regelkaart (onderbouw deze keuze, bereken de regelgrenzen (laat zien!), teken
de kaart(en)).

b. Doe uitspraken over dit proces.

Je hebt nu bekeken in hoeverre dit proces gedeeltelijk beheerst is. Echter dit zegt natuurlijk nog niet alles,
want om uitspraken te doen over de gehele beheerstheid zal er ook naar de capability gekeken moeten
worden. Hiervoor besluit je totaal willekeurig een steekproef te nemen van 20 waarnemingen, namelijk
de hele vierde kolom (met * erboven).

De streefwaarde ( T ) is 3,50 mm, met een totale tolerantie van 0,20 mm.

c. Doe uitspraken over de ligging ten opzichte van de streefwaarde.

d. Doe uitspraken over de spreiding in het proces.

e. Bereken de totale uitval, wat zegt dit over de beheerstheid?

f. Teken dit proces (laat dus door middel van een duidelijk plaatje zien hoe dit proces ervoor staat,
met daarin de streefwaarde, de tolerantiegrenzen en mogelijk uitval).

35
Literatuurlijst

• Bakker, C.G. en Meertens, E., IKZ, Integrale kwaliteitszorg en duurzaamheid, 2021; Noordhoff

• Banens, e.a., Industriële statistiek en kwaliteit, praktische handleiding voor het effectief
implementeren van statistische kwaliteitsbeheersing en kwaliteitsverbetering in de industrie,
1994, Kluwer Bedrijfsinformatie

• Buijs, A., Statistiek om mee te werken, 2017; Noordhoff

• Smith, Gerald, M., Statistical Process Control and Quality Improvement, 2003, Pearson

• Verrept, Guido, Statistische procesbeheersing (SPC), stap voor stap, 1998, Beaumont Quality
Publications

36