les_7_SPC_IKZ_2526.pdf

# Steekproeftheorie en kwaliteitscontrole Dit document beschrijft de principes van steekproeftheorie, inclusief de vergelijking tussen 100% controle en steekproeven, AQL-concepten, en de relatie tussen populatie- en steekproefparameters. ### 1.1 Introductie tot steekproeftheorie Productieprocessen dienen gecontroleerd te worden op afwijkingen en toleranties. Er zijn twee primaire methoden voor kwaliteitscontrole: 100% controle en steekproeven [3](#page=3). #### 1.1.1 100% controle Bij 100% controle wordt de gehele productie geïnspecteerd om alle afkeuringswaardige producten te verwijderen. Deze methode wordt echter zelden toegepast omdat deze kostbaar is en niet altijd praktisch uitvoerbaar. Een voorbeeld is het wegen van elke puzzelzak na het samenstellen om te controleren of er stukjes ontbreken of te veel zijn [4](#page=4). #### 1.1.2 Steekproef Een steekproef is een methode waarbij slechts een deel van de productie wordt gecontroleerd, omdat volledige controle vaak onmogelijk of economisch onverantwoord is. Een steekproef bestaat uit een bepaald aantal waarden dat uit het universum (de volledige productie) wordt gehaald. Het is cruciaal dat de steekproef representatief is, wat betekent dat de selectie aselect (willekeurig) moet zijn en dat de genomen monsters elkaar niet mogen beïnvloeden. De ISO-2859 normering wordt gebruikt om de steekproefgrootte te bepalen [5](#page=5). ### 1.2 AQL: Acceptable Quality Level Het Acceptable Quality Level (AQL) verwijst naar tabellen binnen het steekproefsysteem die voor elke partijgrootte de juiste steekproefgrootte specificeren. Er zijn verschillende inspectieniveaus die de mate van toelaatbaarheid van een partij aangeven [6](#page=6). * **Niveaus G1 tot G3:** Deze niveaus betreffen niet-destructieve controlemethoden, waarbij G3 strenger is dan G2, en G2 weer strenger is dan G1 [6](#page=6). * **Steekproefgrootte:** Niveau G3 vereist een grotere steekproefgrootte dan de lagere niveaus. Veel sectoren hanteren niveau G2 als de standaardnorm [6](#page=6). * **ISO-2859-1:1999:** Dit is een specifieke norm die gerelateerd is aan AQL en steekproefsystemen [7](#page=7) [8](#page=8) [9](#page=9). ### 1.3 Parameters van een steekproef en hun relatie tot het universum #### 1.3.1 Populatieparameters De parameters van het universum (de volledige populatie) zijn onder andere: * Gemiddelde: Vaak aangeduid met $\mu$. * Spreiding: Vaak aangeduid met $\sigma$ of $s$ voor de steekproefspreiding. #### 1.3.2 Steekproefparameters De parameters van een steekproef zijn onder andere: * Gemiddelde: Aangeduid met $\bar{x}$ (steekproefgemiddelde) of $\bar{\bar{x}}$ (gemiddelde van steekproefgemiddelden) [10](#page=10). * Spreiding: Aangeduid met $s_x$ (spreiding van steekproefgemiddelden) [10](#page=10). #### 1.3.3 Verband tussen de spreiding van het universum ($s$) en het steekproefgemiddelde ($\bar{x}$) Wanneer wordt aangenomen dat het universum normaal verdeeld is met parameters $\sigma$ en $\mu$, en er worden telkens steekproeven van een vast aantal ($N$) eenheden genomen, dan zullen de gemiddelden van deze steekproeven zich spreiden rond het gemiddelde van het universum. Bij een oneindig aantal steekproeven zullen deze steekproefgemiddelden ($\bar{x}_i$) zich normaal verdelen rond het universumgemiddelde ($\mu$) [11](#page=11) [12](#page=12). * Het gemiddelde van alle steekproefgemiddelden is gelijk aan het universumgemiddelde: $\bar{\bar{x}} = \mu$ [13](#page=13). * De spreiding van de steekproefgemiddelden ($s_{\bar{x}}$) is gelijk aan de spreiding van het universum ($s$) gedeeld door de vierkantswortel van het aantal eenheden in de steekproef ($N$): $s_{\bar{x}} = \frac{s}{\sqrt{N}}$ [13](#page=13). #### 1.3.4 Praktische betekenis De waarde van een steekproefgemiddelde varieert van steekproef tot steekproef. Gemiddeld genomen liggen deze waarden echter dicht bij het universumgemiddelde $\mu$, omdat het gemiddelde van de steekproefgemiddelden gelijk is aan $\mu$. De steekproefgemiddelden zijn normaal verdeeld rond het universumgemiddelde. De minimale en maximale waarden die men kan verwachten voor een steekproefgemiddelde, met een betrouwbaarheid van ongeveer 99,7%, liggen binnen drie standaardafwijkingen van het gemiddelde van de steekproefgemiddelden [14](#page=14): $$ \text{Min} = \bar{\bar{x}} - 3 s_{\bar{x}} $$ $$ \text{Max} = \bar{\bar{x}} + 3 s_{\bar{x}} $$ Dit principe maakt het mogelijk om aan de hand van steekproeven uitspraken te doen over het universum [15](#page=15). ### 1.4 Oefening en toepassingen #### 1.4.1 Oefening 1 Gegeven: steekproeven van $N=5$ stuks, het gemiddelde van de steekproefgemiddelden $\bar{\bar{x}} = 152$ gram, en de spreiding van de steekproefgemiddelden $s_{\bar{x}} = 2$ gram [17](#page=17). 1. **Kleinste en grootste gemiddelde dat kan voorkomen:** Gebruikmakend van de formule $\text{Min/Max} = \bar{\bar{x}} \pm 3 s_{\bar{x}}$ [18](#page=18): Min: $152 - 3 \times 2 = 146$ gram [18](#page=18). Max: $152 + 3 \times 2 = 158$ gram [18](#page=18). 2. **Kleinste en grootste individu dat kan voorkomen:** Eerst moet de spreiding van het universum ($s$) bepaald worden met behulp van de relatie $s_{\bar{x}} = \frac{s}{\sqrt{N}}$ [20](#page=20): $s = s_{\bar{x}} \times \sqrt{N} = 2 \times \sqrt{5} \approx 4.47$ gram [20](#page=20). De kleinste en grootste individuele waarden worden geschat met $\text{Min/Max} = \bar{\bar{x}} \pm 3s$: Min: $152 - 3 \times 4.47 \approx 138.6$ gram [21](#page=21). Max: $152 + 3 \times 4.47 \approx 165.4$ gram [21](#page=21). 3. **Uitval bij eis 150 ± 10 gram:** De toegestane range voor individuele producten is 140 gram tot 160 gram. De geschatte range van individuele producten is 138.6 gram tot 165.4 gram. Aangezien de geschatte range buiten de toegestane range valt, is er uitval. Het percentage uitval kan bepaald worden door de oppervlakte onder de normaalverdelingscurve buiten de grenzen te berekenen [21](#page=21) [23](#page=23). 4. **Bijregelen om uitval te verkleinen:** Om de uitval te verkleinen, kan er bijgeregeld worden. Dit impliceert een aanpassing van het productieproces om het gemiddelde en/of de spreiding te verbeteren. #### 1.4.2 Oefening 2 (Gebaseerd op pagina's 24, 27, 28) Deze oefening illustreert het bepalen van de universumspreiding uit de gemiddelde Range ($\bar{R}$) van steekproeven met behulp van de formule $s = \frac{\bar{R}}{d_2}$ [24](#page=24). Gegeven: $\bar{\bar{x}} = 22.025$, $\bar{R} = 5$, $N = 5$. De constante $d_2$ voor $N=5$ is 2.33 [27](#page=27) [28](#page=28). * **Bepaal de universumspreiding ($s$):** $s = \frac{\bar{R}}{d_2} = \frac{5}{2.33} \approx 2.146$ [28](#page=28). * **Bepaal de grenzen voor het gemiddelde (met 3s):** Min: $\bar{\bar{x}} - 3s = 22.025 - 3 \times 2.146 \approx 15.587$ [28](#page=28). Max: $\bar{\bar{x}} + 3s = 22.025 + 3 \times 2.146 \approx 28.463$ [28](#page=28). ### 1.5 Relatie tussen populatie- en steekproefparameters Het is mogelijk om aan de hand van steekproefresultaten conclusies te trekken over de parameters van het universum. Door het gemiddelde van steekproefgemiddelden ($\bar{\bar{x}}$) en de spreiding van steekproefgemiddelden ($s_{\bar{x}}$) te bepalen, kan men schattingen maken van het populatiegemiddelde ($\mu$) en de populatiespreiding ($s$). Dit is de kern van inferentiële statistiek, waarbij men de steekproef gebruikt om het gedrag van de gehele populatie te voorspellen [13](#page=13) [15](#page=15). > **Tip:** Begrijp de wiskundige relatie tussen de spreiding van individuele eenheden ($s$) en de spreiding van steekproefgemiddelden ($s_{\bar{x}}$) die $s_{\bar{x}} = \frac{s}{\sqrt{N}}$ is. Dit is essentieel om van steekproefgemiddelden naar individuele eenheden te kunnen extrapoleren. > **Tip:** Wees consistent in het gebruik van notatie voor populatieparameters (vaak Griekse letters zoals $\mu$ en $\sigma$) en steekproefparameters (vaak Romeinse letters zoals $\bar{x}$ en $s$). In de documentatie wordt $s$ soms zowel voor populatie- als steekproefspreiding gebruikt, wat contextgevoelig is. > **Tip:** De regel van '3 sigma' (of $3s$) is een veelgebruikte vuistregel om de grenzen van normale spreiding te schatten (ongeveer 99,7% van de data valt binnen deze grenzen voor een normale verdeling). Dit principe wordt toegepast op zowel steekproefgemiddelden als individuele waarden. --- # Controlekaarten en foutenanalyse Dit gedeelte introduceert controlekaarten, specifiek de x-R controlekaart, als instrumenten voor procesbeheersing, het stabiliseren van processen en het herkennen van diverse fouten. ### 2.1 De rol van controlekaarten Controlekaarten zijn hulpmiddelen die worden gebruikt om de stabiliteit van een proces te bepalen. Ze maken gebruik van controlelimieten, die berekend worden op basis van het proces zelf, om aan te geven wanneer de kans groot is dat het proces is veranderd. Wanneer alle punten binnen deze limieten blijven en er geen speciale patronen worden waargenomen, wordt de toestand van het proces als stabiel beschouwd. Het doel van controlekaarten is dan ook het beheersen van het proces door de stabiliteit ervan te beoordelen. Deze limieten dienen berekend te worden vanuit een stabiel proces [29](#page=29) [30](#page=30). ### 2.2 De x-R controlekaart De x-R controlekaart is specifiek ontworpen om zowel het gemiddelde als de spreiding (range) van metingen binnen een proces te beheersen. Dit type kaart wordt gebruikt om de kwaliteit en productieomstandigheden van een proces te reguleren, waarbij $x$ staat voor het procesgemiddelde en $R$ voor de spreiding. De formules voor het bepalen van de controle- of regelgrenslimieten zijn afgeleid uit de steekproeftheorie [31](#page=31). #### 2.2.1 Berekening van controlelimieten voor de x-R kaart De x-R kaart houdt rekening met het gemiddelde van een kleine reeks metingen (steekproef) en de spreiding van iedere reeks metingen. De theoretische formule voor de controlelimieten van het gemiddelde ($x$-kaart) is [32](#page=32): $$ \bar{x} \pm 3s_{\bar{x}} $$ waarbij $s_{\bar{x}}$ de standaarddeviatie van de steekproefgemiddelden is. Met behulp van steekproeftheorie kan dit verder uitgewerkt worden [32](#page=32): $$ s_{\bar{x}} = \frac{s}{\sqrt{N}} $$ waarbij $s$ de standaarddeviatie van de steekproef is en $N$ de steekproefgrootte [32](#page=32). Voor de praktijk wordt vaak de volgende vereenvoudigde formule gebruikt, die rekening houdt met de range ($R$): $$ \bar{x} \pm A_2 \bar{R} $$ waarbij $\bar{R}$ het gemiddelde van de ranges is en $A_2$ een constante die afhangt van de steekproefgrootte $N$. De relatie tussen $A_2$, $d_2$ (een factor uit steekproeftheorie gerelateerd aan de range) en $N$ is [33](#page=33): $$ A_2 = \frac{3}{d_2 \sqrt{N}} $$ Er wordt ook een aparte controlekaart voor de range ($R$-kaart) gehanteerd. De controlelimieten voor de range worden berekend met behulp van de gemiddelde range $\bar{R}$ en een constante $D_4$ en $D_3$ uit de steekproeftheorie, die afhangen van de steekproefgrootte $N$ [34](#page=34) [35](#page=35). * **Regellimieten voor de $\bar{x}$-kaart:** $$ UCL_{\bar{x}} = \bar{\bar{x}} + A_2 \bar{R} $$ $$ LCL_{\bar{x}} = \bar{\bar{x}} - A_2 \bar{R} $$ Hierbij is $\bar{\bar{x}}$ het gemiddelde van de steekproefgemiddelden [33](#page=33). * **Regellimieten voor de $R$-kaart:** $$ UCL_R = D_4 \bar{R} $$ $$ LCL_R = D_3 \bar{R} $$ Voor $N > 1$, is $D_3$ vaak 0 [34](#page=34) [35](#page=35). ### 2.3 Herkennen van fouten met controlekaarten Controlekaarten helpen bij het identificeren van twee hoofdtypes van fouten: systematische fouten en toevallige fouten [36](#page=36). #### 2.3.1 Systematische fouten Een systematische fout manifesteert zich doordat het gemiddelde van het proces niet meer op het gewenste niveau ligt. Dit duidt op een structureel probleem dat bijregeling van het proces vereist, bijvoorbeeld door het bijstellen van machines. Een voorbeeld hiervan is een versleten beitel die ertoe leidt dat alle geproduceerde onderdelen consequent te groot zijn. Dit type fout is direct zichtbaar op de $\bar{x}$-kaart [37](#page=37). > **Voorbeeld:** Een versleten beitel zorgt ervoor dat alle onderdelen een afmeting hebben die systematisch boven de specificatie ligt. Dit wordt waargenomen als een verschuiving van het procesgemiddelde op de $\bar{x}$-kaart. #### 2.3.2 Toevallige fouten Toevallige fouten uiten zich in een te grote spreiding van de meetresultaten, wat resulteert in een te hoge $R$ op de $R$-kaart. Het verkleinen van deze spreiding vereist vaak een grondige analyse, bijvoorbeeld met behulp van een Ishikawa-diagram (visgraatdiagram) voor inventarisatie en Pareto-analyse voor prioritering. Mogelijke oorzaken van toevallige fouten zijn menselijke factoren (zoals vermoeidheid van een operator), machinegerelateerde problemen (zoals een versleten lager) of variaties in materiaal van verschillende leveranciers [39](#page=39). > **Voorbeeld:** Variaties in de kwaliteit van het aangeleverde materiaal van verschillende leveranciers kunnen leiden tot een grotere spreiding in de productafmetingen, wat zichtbaar wordt als een hoge $R$-waarde op de $R$-kaart. ### 2.4 Het opstellen van een x-R controlekaart Het proces van het uittekenen van een x-R controlekaart omvat de volgende stappen [41](#page=41) [56](#page=56): 1. **Steekproeven nemen:** Verzamel minimaal 20 tot 25 steekproeven, waarbij elke steekproef uit een groep metingen bestaat [41](#page=41) [56](#page=56). 2. **Gemiddelden berekenen:** Bepaal voor elke steekproefgroep het gemiddelde ($x$-waarde) [41](#page=41) [56](#page=56). 3. **Ranges berekenen:** Bereken voor elke steekproefgroep het minimum en maximum en bepaal daaruit de range ($R$-waarde) [41](#page=41) [56](#page=56). 4. **Uitvoeren in diagram:** Zet de berekende $x$- en $R$-waarden uit in een grafisch diagram (de controlekaart) [41](#page=41) [56](#page=56). 5. **Gemiddelde waarden bepalen:** Bereken de gemiddelde waarde van alle $x$-waarden ($\bar{\bar{x}}$) en de gemiddelde waarde van alle $R$-waarden ($\bar{R}$) [41](#page=41) [56](#page=56). 6. **Regellimieten berekenen:** Bereken de bovenste en onderste regelgrenzen voor zowel de $\bar{x}$-kaart als de $R$-kaart [41](#page=41) [56](#page=56). 7. **Grenzen plaatsen:** Plaats de berekende regelgrenzen op de controlekaart [41](#page=41) [56](#page=56). 8. **Controleren op stabiliteit:** Verifieer of de uitgezette punten binnen de toegestane bereiken tussen de bovenste en onderste grenzen vallen [41](#page=41) [56](#page=56). ### 2.5 Illustratieve voorbeelden van procesafwijkingen Diverse patronen op controlekaarten kunnen wijzen op specifieke problemen [43](#page=43) [44](#page=44) [45](#page=45) [46](#page=46) [47](#page=47) [48](#page=48) [49](#page=49): * **Opwaarts verloop van gemiddelden:** Een stijgende trend in de steekproefgemiddelden over zes of meer opeenvolgende metingen kan duiden op "drift" in het proces, mogelijk veroorzaakt door slijtage aan gereedschap. Dit vereist herhaalde bijstellingen om de drift te compenseren [43](#page=43). * **Gemiddelde buiten limieten:** Wanneer het gemiddelde voortdurend buiten de controlelimieten valt, zowel aan de bovenzijde (BKG) als de onderzijde (OKG), kan dit wijzen op te grote bijstellingen door de operator, wat scholing vereist [44](#page=44). * **Gemiddelden naar één limiet:** Als de gemiddelden structureel naar de bovengrens (of ondergrens) neigen in plaats van rond het midden te liggen, is het proces niet onder controle en kan een groter percentage uitval verwacht worden, zelfs als de waarden nog binnen de grenzen vallen. Een mogelijke oorzaak is de inloopperiode van een machine [45](#page=45). * **Voorspelbare proceswijziging:** Een voorspelbare, extreme wijziging in het proces, zoals aan het begin van een dienst of na een pauze, kan duiden op een machine die nog niet op temperatuur is. In zo'n geval kan 100% controle tijdens de opwarmperiode noodzakelijk zijn [46](#page=46). * **Negatieve proceswijziging met toegenomen spreiding:** Wanneer de spreiding in elke steekproef toeneemt en buiten de controlelimieten valt, duidt dit op een negatieve proceswijziging. Dit vereist nader onderzoek en correctie [47](#page=47). * **Range die naar nul gaat:** Als de range herhaaldelijk richting nul gaat, terwijl het proces ogenschijnlijk onder controle lijkt, kan dit een indicator zijn van problemen bij de operator, zoals het slechts controleren van één stuk, onkunde met meetapparatuur of het verzinnen van data. Dit vereist direct onderzoek omdat de verzamelde gegevens waardeloos kunnen zijn [48](#page=48). * **Positieve wijziging in range:** Een positieve verandering in de range, waarbij de waarden dichter bij elkaar liggen, kan wijzen op een succesvolle procesverbetering. Na het uitvoeren van verbeteringen en het nemen van voldoende nieuwe steekproeven (20-25), is het raadzaam om de controlegrenzen opnieuw te berekenen [49](#page=49). ### 2.6 Keuze van waarden voor berekeningen #### 2.6.1 De waarde van $\bar{\bar{x}}$ * **Theoretisch:** $\bar{\bar{x}}$ vertegenwoordigt het gemiddelde van alle steekproefgemiddelden [51](#page=51). * **Praktisch:** In de praktijk kan $\bar{\bar{x}}$ vervangen worden door de nominale waarde van de klantenspecificatie. Dit levert extra informatie op met betrekking tot de instelling van het proces [51](#page=51). #### 2.6.2 De waarde van $\bar{R}$ * **Wanneer het proces nog niet bekend is:** Als het proces nieuw is of nog niet goed gekend, worden eerst ongeveer tien steekproeven uitgevoerd om $\bar{R}$ te bepalen. Vervolgens kunnen de standaarddeviatie ($s$), de regelgrenzen van $\bar{\bar{x}}$ en $\bar{R}$ berekend worden, uitgaande van voldoende steekproeven voor een correcte bepaling [52](#page=52). * **Wanneer $\bar{R}$ uit het verleden bekend is:** Als het proces al langer draait, wordt een gekende waarde van $\bar{R}$ gebruikt om $s$ te bepalen en de regelgrenzen van de controlekaart op te stellen. De meest recente resultaten worden dan ingevuld. Als blijkt dat de gekende waarde van $\bar{R}$ niet meer voldoet, wordt een nieuw berekende waarde van $\bar{R}$ genomen, wat tevens een herberekening van $s$ en de regelgrenzen tot gevolg heeft [53](#page=53). ### 2.7 Oefeningen en toepassingen Oefeningen kunnen betrekking hebben op het opstellen van een x-R kaart, het bepalen van regelgrenzen, het controleren of de machine de tolerantie kan aan, het berekenen van uitvalpercentages, het bepalen van ideale machine-instellingen en het noodzakelijke tolerantieveld. Dit leidt tot gemotiveerde beslissingen over te ondernemen acties [54](#page=54) [55](#page=55). --- ## Veelgemaakte fouten om te vermijden - Bestudeer alle onderwerpen grondig voor examens - Let op formules en belangrijke definities - Oefen met de voorbeelden in elke sectie - Memoriseer niet zonder de onderliggende concepten te begrijpen

| Term | Definition | |------|------------| | SPC (Statistical Process Control) | Een methode die statistische technieken gebruikt om de kwaliteit van processen te monitoren en te beheersen, met als doel variatie te verminderen en de stabiliteit te verbeteren. | | Steekproeftheorie | Het vakgebied dat zich bezighoudt met het trekken van representatieve monsters uit een grotere populatie (universum) om conclusies te trekken over die populatie, zonder de gehele populatie te hoeven onderzoeken. | | Universum | De volledige productie of de gehele verzameling van items die onderzocht worden in de context van kwaliteitscontrole. | | Steekproef | Een selectie van een bepaald aantal items uit het universum, die representatief moet zijn voor de gehele productie. | | Aselecte staalname | Een methode van steekproeftrekking waarbij elk item uit het universum een gelijke kans heeft om geselecteerd te worden, wat zorgt voor onafhankelijkheid van de steekproeven. | | AQL (Acceptable Quality Level) | Het maximaal aanvaardbare percentage defecte eenheden in een productpartij dat, voor doeleinden van continue productie-inspectie, als acceptabel wordt beschouwd. | | ISO-2859 | Een internationale norm die richtlijnen geeft voor steekproefinspectieprocedures voor de acceptatie van goederen, inclusief tabellen voor steekproefgroottes en acceptatiecriteria. | | Gemiddelde ($\bar{x}$ of $x_{double-bar}$) | De som van alle waarden gedeeld door het aantal waarden. In steekproeftheorie kan dit verwijzen naar het gemiddelde van het universum of het gemiddelde van steekproefgemiddelden. | | Spreiding ($s$ of $s_{\bar{x}}$) | Een maat voor de variabiliteit van gegevens. In dit document verwijst het naar de spreiding van individuele waarden in het universum ($s$) of de spreiding van steekproefgemiddelden ($s_{\bar{x}}$). | | Steekproefgemiddelde ($x_{bar}$) | Het gemiddelde berekend uit de waarden van een individuele steekproef. | | Variantie | Een statistische maat die aangeeft hoe ver de waarden in een dataset gemiddeld genomen van het gemiddelde af liggen. De vierkantswortel van de variantie is de standaarddeviatie. | | Controlelimieten | De grenzen (boven- en ondergrens) die worden berekend uit procesgegevens om te bepalen of een proces binnen statistische controle is. Punten buiten deze limieten duiden op speciale oorzaken van variatie. | | Control Chart | Een grafiek die wordt gebruikt om de stabiliteit van een proces in de loop van de tijd te volgen. Het bevat een centrale lijn, een bovengrens en een ondergrens. | | x-R controlekaart | Een type controlekaart dat tegelijkertijd het gemiddelde ($x$) en de spreiding (Range, $R$) van steekproeven monitort om de procescontrole te waarborgen. | | Range ($R$) | Het verschil tussen de hoogste en de laagste waarde binnen een steekproef of groep metingen. | | Systematische fout | Een fout die consequent en voorspelbaar optreedt, vaak veroorzaakt door een probleem in het proces of de apparatuur dat tot afwijkingen in één richting leidt. | | Toevallige fout | Een onvoorspelbare fout die willekeurig optreedt en meestal wordt veroorzaakt door natuurlijke variatie binnen het proces. | | Ishikawa diagram (Visgraatdiagram) | Een visuele tool die wordt gebruikt om mogelijke oorzaken van een probleem te identificeren en te categoriseren, vaak gebruikt bij het oplossen van problemen. | | Pareto-analyse | Een analyse die de principes van het Pareto-principe (80/20 regel) toepast om de meest significante oorzaken van een probleem te identificeren en prioriteren. |