Lean Six Sigma Green Belt Proefexamen Naam van de Green Belt: ……………………………
Controleer of u het correcte examen heeft. Dit is het Green Belt Examen for Services/Industry. Het is een open boek examen. Het is toegestaan om boeken en aantekeningen te gebruiken. Het is niet toegestaan om een rekenmachine, telefoon, tablet of computer te gebruiken. Gelieve uw antwoord te omcirkelen. Berekening van punten Score = 10(#correct – 10) / 30 De score wordt afgerond op halven, met uitzondering van het cijfer 5,5. Let op: dit proefexamen heeft 34 vragen. Het examen zal 40 vragen bevatten.
This material is intellectual property of the Institute for Business and Industrial Statistics of the University of Amsterdam (IBIS UvA) http://www.ibisuva.nl.
1 Boxplot of Groep 1, Groep 2 8 7 6
Data
5 4 3 2 1 0 Groep 1
Groep 2
Welke uitspraak is niet waar: a) In de metingen van Groep 1 zitten uitschieters (outliers). b) De spreiding in Groep 2 is groter. c) Uit de grafiek kunnen we de gemiddelden van beide groepen aflezen. d) Ongeveer de helft van de metingen in Groep 2 is groter dan 3.9.
2
Stap 4 van DMAIC heet “Potentiële invloedsfactoren identificeren”. Welke van het hieronder genoemde gereedschap is vermoedelijk niet bruikbaar in deze stap?
a) Failure Mode & Effect Analysis (FMEA) b) Regelkaarten c) Beheersplan (control plan) d) Visgraat- of Ishikawadiagram
3 Two-Sample T-Test and CI: Group 1, Group 2
Test for Equal Variances: Group 1, Group 2
Two-sample T for Group 1 vs Group 2
95% Bonferroni confidence intervals for standard deviations
Group 1 Group 2
N 8 8
Mean 11.94 14.28
StDev 1.53 1.12
SE Mean 0.54 0.40
Difference = mu (Group 1) - mu (Group 2) Estimate for difference: -2.34302 95% CI for difference: (-3.77999, -0.90605) T-Test of difference = 0 (vs not =): T-Value = -3.50 P-Value = 0.004 DF = 14 Both use Pooled StDev = 1.3400
Group 1 Group 2
N 8 8
Lower 0.955548 0.701728
StDev 1.52738 1.12167
Upper 3.49844 2.56916
F-Test (normal distribution) Test statistic = 1.85, p-value = 0.434 Levene's Test (any continuous distribution) Test statistic = 0.53, p-value = 0.477
Welke conclusie volgt uit het bovenstaande? a) De gemiddelden verschillen onderling significant, maar de standaardafwijkingen niet. b) De standaardafwijkingen zijn significant verschillend, maar de gemiddelden niet. c) Zowel gemiddelden als de standaardafwijkingen verschillen significant van elkaar. d) Noch de gemiddelden, noch de standaardafwijkingen verschillen van elkaar.
4
Het aantal telefoontjes dat dagelijks binnenkomt in een call center heeft een normale verdeling met een gemiddelde van 372 en een standaardafwijking van 31. Een GB registreert voor 1000 opeenvolgende dagen het aantal binnengekomen telefoontjes. Welke van de volgende stellingen klopt niet?
a) In ongeveer 95 procent van deze dagen ligt het aantal ontvangen telefoontjes per dag tussen 341 en 403. b) Het gemiddelde is ongeveer gelijk aan de mediaan. c) In ongeveer 68 procent van deze dagen ligt het aantal ontvangen telefoontjes per dag tussen 341 en 403. d) Op ongeveer 500 dagen is het aantal telefoontjes lager dan 372.
5
Tijdens de eerste Lean Six Sigma projectbijeenkomst komt een teamlid niet opdagen. De volgende dag ontmoet je hem in de gang, en vraag je waar hij was. Hij vertelt je dat hij ook bij de volgende bijeenkomst afwezig zal zijn, omdat hij Lean Six Sigma een waardeloze methode vindt. Wat is de juiste reactie?
a) Leg hem uit dat Lean Six Sigma een goede methode is, waarbij je de (financiële) voordelen benadrukt. b) Nodig hem uit voor een gesprek, en vraag zoiets als: “Een waardeloze methode, zeg je?” en luister. c) Schreeuw naar hem en zeg dat hij niet loyaal is. d) Accepteer zijn ontslag en vind iemand anders om hem te vervangen in het team.
6
Wat is het verschil tussen regelgrenzen (UCL en LCL in de regelkaart) en klantspecificaties (USL en LSL, oftewel de normen)?
a) Het is praktisch hetzelfde. b) Klantspecificaties worden gebruikt om speciale oorzaken van variatie op te sporen. Met regelgrenzen geef je aan hoe klein de variatie van het proces moet zijn. c) Regelgrenzen worden gebruikt om klantspecificaties te detecteren. d) Regelgrenzen geven de bandbreedte aan waarbinnen een proces varieert; klantspecificaties geven aan wat de klant acceptabel vindt.
7 USL
90% 90%
50% 50%
95% 95%
75% 75%
0
2
4
6
99% 99%
8
10
12
14
Doorlooptijden: 50% korter dan 2.6 dagen 75% korter dan 5.1 dagen 90% korter dan 8.3 dagen 95% korter dan 10.6 dagen 99% korter dan 16.0 dagen
16
In bovenstaande histogram is aangegeven dat 50% van de doorlooptijden korter is dan 2.6 dagen, 75% is korter dan 5.1 dagen, etcetera. Met welke techniek zijn deze percentages bepaald? a) Descriptive statistics (Basic Statistics > Display Descriptive statistcs). b) Procesprestatie-analyse (Quality tools > Capability analysis). c) Empirische CDF (Graph > Empirical CDF). d) Normale verdeling (Calc > Probability distributions > Normal).
8
Aanvragen Takttijd: 3 min. 20 aanvr. / uur
Stap 1
Stap 2
Stap 3
Cyclustijd: 5 min.
Cyclustijd: 2 min.
Cyclustijd: 11 min.
Dit administratieve proces verwerkt aanvragen. Het bestaat uit drie stappen. Van iedere stap is de cyclustijd (=bewerkingstijd per medewerker per aanvraag) weergegeven. De takt rate mag constant verondersteld worden (dus geen fluctuaties in het werkaanbod), en de variatie in bewerkingstijden is marginaal. Hoeveel medewerkers zijn in totaal nodig voor deze drie stappen? a) b) c) d)
3. 5. 7. 18.
9
Descriptive Statistics: CTQ Variable CTQ
N 30
N* 0
Mean 12.099
SE Mean 0.193
StDev 1.055
Minimum 9.754
Q1 11.212
Median 11.885
Q3 13.116
Maximum 14.056
Welke uitspraak is waar: a) b) c) d)
10
Alle metingen zijn kleiner dan 14.1 en de mediaan is 12.1. De dataset heeft 30 metingen, en 25% van de data is groter dan 11.2. De standaardafwijking is 0.193 en 50% van de data is groter dan 11.9. De standaardafwijking is 1.06 en 75% van de data is kleiner dan 13.1.
Typische vragen voor Green Belt for Industry Optimalisatie van de productie van decafeïne Vragen 10 t/m 18 hebben betrekking op deze case. We kijken naar een project bij een koffieproducent. Het proces wat bestudeerd wordt is de extractie van cafeïne uit ruwe koffiebonen voor het maken van decafeïne koffie (“decaf”). Volgens de regels van de voedselindustrie moet het cafeïne percentage van decaf lager dan 0,1% zijn. Het doel van het project is de cyclustijd voor het maken van een partij decafeïne koffie te reduceren, en tegelijkertijd de productiecapaciteit te verhogen (i.e. het aantal batches dat de afdeling per week kan verwerken te verhogen). Een extra batch per week verwerken staat voor extra inkomsten van €15.000. Natuurlijk moet het uiteindelijke product voldoen aan de regels van de voedselindustrie.
Wat is een juiste operationele definitie van de CTQ’s in dit project? a) CTQ-1: cyclustijd (meetprocedure: geregistreerde cyclustijd in digitaal proceslogboek / eenheid: batch / eis: zo laag mogelijk). CTQ-2: cafeïne% (meetsysteem procedure: chemische analyse / eenheid: batch / eis: USL = 0,1). b) CTQ-1: cyclustijd (meetprocedure: geregistreerde cyclustijd in digitaal proceslogboek / eenheid: batch / eis: zo laag mogelijk). c) Dit project is succesvol als het erin slaagt de doorlooptijd in voldoende mate te reduceren voor een extra batch per week, met als resultaat €15.000 extra omzet. d) De CTQ is cyclustijd. De relevantie van de CTQ is dat een verlaging extra capaciteit genereert zonder extra investeringen (€15.000 voor iedere extra batch).
11 Optimalisatie van de productie van decaf De GB voert een gauge R&R studie uit. De opzet is als volgt: 10 batches worden willekeurig geselecteerd, en van iedere batch wordt een monster (steekproef) genomen. De 10 monsters worden twee keer gemeten (op twee verschillende momenten), in een willekeurige volgorde, door ieder van de drie operators. De resultaten staan op de volgende slide.
Wat lijkt het grootste probleem te zijn bij deze metingen? a) b) c) d)
De systematische meetfout (bias). De willekeurige meetfout wanneer een enkele operator een partij herhaaldelijk meet. Het apparaat dat wordt gebruikt voor de metingen. Inconsistenties tussen de verschillende operators.
Gage R&R Source Total Gage R&R Repeatability Reproducibility Operators Part-To-Part Total Variation
VarComp 0.0006978 0.0000324 0.0006653 0.0006653 0.0000857 0.0007835
Source Total Gage R&R Repeatability Reproducibility Operators Part-To-Part Total Variation
StdDev (SD) 0.0264153 0.0056953 0.0257940 0.0257940 0.0092594 0.0279911
%Contribution (of VarComp) 89.06 4.14 84.92 84.92 10.94 100.00 Study Var (6 * SD) 0.158492 0.034172 0.154764 0.154764 0.055557 0.167947
Number of Distinct Categories = 1
%Study Var (%SV) 94.37 20.35 92.15 92.15 33.08 100.00
12 Optimalisatie van de productie van decaf
Hoe nauwkeurig zijn de cafeïne% metingen? a) Als een batch herhaaldelijk door verschillende personen wordt gemeten, is de standaardafwijking van de metingen SGRR = 0,0279911. b) Als een batch herhaaldelijk door verschillende personen wordt gemeten, is de standaardafwijking van de metingen SGRR = 0,158492. c) Als een batch herhaaldelijk door verschillende personen wordt gemeten, is de standaardafwijking van de metingen SGRR = 0,0264153. d) Als een batch herhaaldelijk door verschillende personen wordt gemeten, is de standaardafwijking van de metingen SGRR = 0,0006978.
13 Optimalisatie van de productie van decaf De GB voert een proces prestatie analyse (process capapbility analysis) uit. Van 50 batches bepaalt ze het cafeïne%. Het resultaat van de analyse staat op de volgende slide.
Wat moet de conclusie van de GB zijn op basis van de analyse? a) De Cp kan niet worden berekend omdat de data niet de normale verdeling volgen. b) Op de lange termijn voldoet ongeveer 0,00% van de totale hoeveelheid batches niet aan de eis (dat is caf% < 0,1%). c) Over een langere periode is de standaard deviatie van het cafeïne percentage ongeveer 0,013342. d) Dit is een 0,040026 sigma proces.
Process Capability of Caf% USL Process Data LSL * Target * USL 0.1 Sample Mean 0.0562153 Sample N 50 StDev(Within) 0.010803 StDev(Overall) 0.013342
Within Overall Potential (Within) Capability Cp * CPL * CPU 1.35 Cpk 1.35 Overall Capability Pp * PPL * PPU 1.09 Ppk 1.09 Cpm *
0.024 0.036 0.048 0.060 0.072 0.084 0.096 Observed Performance % < LSL * % > USL 0.00 % Total 0.00
Exp. Within Performance % < LSL * % > USL 0.00 % Total 0.00
Exp. Overall Performance % < LSL * % > USL 0.05 % Total 0.05
14
Optimalisatie van de productie van decaf De GB wil vaststellen of de cafeïne percentages een normale, lognormale of een Weibull verdeling hebben, of misschien wel een hele andere verdeling.
Wat is het beste middel om de verdeling van de data te bestuderen? a) b) c) d)
De regelkaart (control chart). Het histogram. De empirisch CDF (cumulatieve verdelingsfunctie). De probability plot.
15 Optimalisatie van de productie van decaf Laten we aannemen dat de GB zich zorgen maakt om mogelijke vervuilingen in de dataset, en de data wil screenen op uitschieters (outliers).
Waarmee kun je het beste uitschieters (outliers) in de dataset identificeren? a) b) c) d)
Het histogram. De empirische CDF (cumulatieve verdelingsfunctie). De probability plot. De 1-sample t-test.
16 Optimalisatie van de productie van decaf De grootste component van de doorlooptijd van een batch is de extractietijd (ET). Bij de normale productie wordt de ET door de operators op 400 minuten per batch bepaald. Om het effect van de ET op het cafeïne percentage te onderzoeken, voert de GB een experiment uit, waarbij de ET varieert van 200 tot 700 minuten. De resultaten worden geanalyseerd door middel van regressie-analyse (zie de volgende slide).
Is de analyse acceptabel? a) b) c) d)
Nee: de GB moet de uitschieters (outliers) uit the dataset verwijderen. Nee: de GB moet een kwadratisch term in de regressie-vergelijking opnemen. Nee: 87.1% is geen acceptabele waarde voor de R-sq. Nee: de waarde S = 0.0161376 geeft aan dat er teveel ruis (random error) in de data zit.
Regression Analysis: Caf% versus ET The regression equation is Caf% = 0.1788 - 0.000261 ET S = 0.0161376
R-Sq = 87.1%
R-Sq(adj) = 86.3%
Analysis of Variance
Fitted Line Plot Plot SourceLine DF
SS
1 0.0315351 0.1788 - 0.000261 CT Caf% =Regression 0.000261 CT Error Total
0.16
0.0046876 0.0362227
MS 0.0315351 0.0002604
S R-Sq R-Sq Sequential Analysis of Variance R-Sq(adj) R-Sq(adj)
0.14 0.12
Source Linear Quadratic
0.10 Caf%
18 19
DF 1 1
SS 0.0315351 0.0031627
F 121.09 35.26
F 121.09
P 0.000
0.0161376 0.0161376 87.1% 86.3%
P 0.000 0.000
0.08 0.06 0.04 0.02 0.00 200
300
400
500
600
700
CT ET
17
Optimalisatie van de productie van decaf Laten we voor deze vraag aannemen dat de analyse van de voorgaande slide correct en acceptabel is.
Gebaseerd op de plot bij regressie-analyse (fitted line plot) van de voorgaande slide, wat zou een aanvaardbare extractietijd (ET) zijn? a) b) c) d)
Caf% = 0,1%. ET = 200 min. ET = 300 min. ET = 430 min.
18 Optimalisatie van de productie van decaf In de regressieanalyse van Caf% versus ET (twee slides terug) staat: Analysis of Source Regression Error Total
Variance DF SS 1 0.0315351 18 0.0046876 19 0.0362227
MS 0.0315351 0.0002604
F 121.09
P 0.000
Wat betekent dit? a) Het betekent dat de helling van de regressielijn significant afwijkt van nul (i.e. de regressielijn is niet horizontaal). b) Het betekent dat het Caf% significant is. c) Het betekent dat de extractietijd bijna 100% van het cafeïnepercentage bepaalt. d) Het betekent dat de dataset niet groot genoeg is om te bewijzen dat er relatie is tussen Caf% en ET.
Typische vragen voor Green Belt for Services Reduceer doorlooptijd van hypotheekoffertes Vragen 19 tot 34 hebben betrekking op deze case. Een proces bij een bank verwerkt aanvragen voor hypotheken, en als de aanvraag wordt geaccepteerd, resulteert het in een offerte. Gemiddeld 40 aanvragen gaan dagelijks het proces in. In de eerste fase worden deze verwerkt door 4 coördinatoren, die de aanvragen controleren op volledigheid, en die additionele informatie opvragen uit het Kadaster. Vervolgens sturen de coördinatoren de aanvraag naar een van 3 beoordelaars. Zij beoordelen of de aanvrager aan de eisen voldoet voor een lening, en ze bepalen het rentetarief. Aanvragen voor de grotere leningen (25% van de aanvragen) worden dan naar een interne adviseur gestuurd, die het risico beoordeelt en beslist over goedkeuren of afwijzing van de lening. Uiteindelijk wordt 10% van de aanvragen afgekeurd. In dat geval schrijft de secretaresse een afwijzingsbrief. Voor goedgekeurde aanvragen (90%), maakt de secretaresse een offerte en stuurt deze naar de aanvrager. Het bedrijf verliest klanten vanwege de lange doorlooptijd van het proces. Als aanvragers niet binnen enkele dagen een offerte ontvangen, geven zij het op en proberen het bij een andere bank. Dit resulteert in een slechte conversieratio (= het percentage offertes dat door de aanvragers geaccepteerd wordt).
19
Conversieratio (= % offertes geaccepteerd door klanten)
Operationele kosten
Doorlooptijd (DLT)
Man-uren per aanvraag
Wachttijd (WT) tussen processtappen
Bewerkingstijd (BWT) van processtappen
Is bovenstaande CTQ-flowdown acceptabel? a) Ja, de flowdown is zo goed. b) Nee, wachttijd (WT) hoort niet verbonden te zijn met man-uren per aanvraag. c) Nee, bewerkingstijd (BWT) hoort niet verbonden te zijn met man-uren per aanvraag. d) Nee, conversieratio zou vervangen moeten worden door kwaliteit en efficiëntie.
20
Wat is een praktische en effectieve manier om BWT en WT te meten?
a) “Travel-sheet”: volg een steekproef van aanvragen door het proces, waarbij medewerkers tijdstempels plaatsen wanneer zij aan een taak beginnen of eindigen. b) “Day-in-the-life-of” (“multi-moment-opname”): volg een aantal medewerkers gedurende een dag. Elk 15 minuten. Zij geven op een formulier aan welke taak ze aan het doen zijn. c) “Tijdstudie”: Vraag een medewerker om de eerste processtap uit te voeren voor 10 aanvragen en meet de bewerkingstijden met een stopwatch. Hetzelfde voor de tweede processtap, enzovoorts. d) “Processtudie”: Meet op welke momenten een aanvraag de eerste processtap bereikt, dan de tweede stap, enzovoorts.
21
DMAIC 2: Valideer de meetprocedures De GB wil de meetmethoden en het meetplan valideren dat zij heeft ontworpen om de WT en BWT te bepalen.
Welk van deze technieken is niet relevant voor het valideren van het meetplan. a) Brainstormsessie om validiteitsproblemen te identificeren. b) Doe een testmeting. c) Nadat de data zijn verzameld: controleer de face validity van de resultaten. d) Regelkaart (control chart).
22
DMAIC 2: Valideer de meetprocedures De GB overweegt een kappa-studie (agreement study) uit te voeren.
Is dat in deze situatie een geschikte techniek? a) Ja, want de WT en BWT zijn categorische variabelen. b) Ja, want de WT en BWT zijn numerieke variabelen. c) Nee, want de WT en BWT zijn categorische variabelen. d) Nee, want de WT en BWT zijn numerieke variabelen.
23
Op basis van 30 metingen, maakt de GB een regelkaart voor de BWT van de coördinatoren (zie hierboven). Wat is een juiste conclusie? a) De bewerkingstijden van de coördinatoren zijn acceptabel. b) De BWT van de coördinatoren is niet statistisch beheerst. c) Er is geen bewijs voor trends of uitschieters (de BWT is stabiel). d) Alle BWT van de coördinatoren blijft binnen de normen zoals afgesproken in de SLA (Service Level Agreement).
24
De GB wil bepalen of de WT een normale, lognormale of Weibull verdeling hebben, of misschien een andere verdeling.
Wat is de beste techniek om de verdeling van de data te onderzoeken? a) b) c) d)
Empirical CDF (cumulative distribution function). Histogram. Regelkaart (control chart). Probability plot.
25
De GB maakt een Empirical CDF van 50 observaties van de doorlooptijd (DLT); zie de volgende slide.
Wat kan zij concluderen uit deze grafiek? a) Ongeveer 4% van de aanvragen blijven langer dan 10 werkdagen in het proces. b) Ongeveer 24% van de aanvragen hebben een doorlooptijd van 5 dagen. c) De Weibull-verdeling geeft geen goede fit, want de data liggen niet op een rechte lijn. d) Het effect van de DLT is niet lineair.
26
DMAIC 4: Identificeer mogelijke invloedsfactoren. Met als doel de DLT te verlagen tot een meer acceptabel niveau, overweegt de GB een FMEA te doen met medewerkers in het proces.
Is het in dit project nuttig om een FMEA te doen? a) Nee, want de projectdoelen gaan niet over risico’s. b) Nee: een FMEA wordt gebruikt om faalwijzen (mogelijke defecten) te identificeren in producten. c) Ja, aangenomen dat een deel van de lange doorlooptijden wordt veroorzaakt door fouten en vergissingen. d) Ja, want het helpt om de bottleneck te identificeren in het proces.
27
DMAIC 4: Identificeer mogelijke invloedsfactoren. De GB organiseert een brainstormsessie met de medewerkers in het proces. Het doel van de meeting is om oorzaken van lange doorlooptijden te identificeren en om mogelijke oplossingen te bedenken.
Wat is de belangrijkste rol van de medewerkers in deze brainstormsessie? a) De medewerkers stemmen over de waarde van verbeterideeën, en de ideeën met de meeste stemmen worden geïmplementeerd. b) De medewerkers opperen een groot aantal potentiële oorzaken en oplossingen. c) De medewerkers oordelen of door de GB aangedragen invloedsfactoren juist zijn. d) De medewerkers gaan met elkaar in discussie over enkele veelbelovende oplossingen.
28
Op basis van de metingen maakt de GB een Value Stream Map (volgende slide).
Hoe zijn in de Value Stream Map de bewerkingstijden (BWT) per processtap bepaald? a) Als het gemiddelde van de metingen. b) Als de mediaan van de metingen. c) Als het gemiddelde van de metingen plus tweemaal de standaarddeviatie. d) Als het maximum van de metingen.
Aanvragen
Klant
Taktrate: 40/dag
(offerte of afwijzingsbrief)
Coördinator WT
BWT: 20 min #: 4 Cap: ?
75%
Beoordelaar WT
BWT : 15 min #: 3 Cap: 84/dag
WT 25%
WT
Werktijd: 7 uur / dag
Secretaresse
Interne adviseur BWT: 15 min #: 1 Cap: 28/dag
BWT: 12 min #: 1 Cap: 35/dag
29
Wat is de capaciteit (Cap) van de coördinatoren? a) 3 aanvragen/dag. b) 21/dag. c) 24/dag. d) 84/dag.
30
Voor welke processtap is er ondercapaciteit? a) Geen van de processtappen heeft ondercapaciteit. b) De processtap van de interne adviseur. c) De processtap van de secretaresse. d) Zowel de stap van de interne adviseur als die van de secretaresse.
31 Two-sample T for Offerte vs Afwijzing Offerte Afwijzing
N 6 6
Mean 8,754 12,063
StDev 0,820 0,846
SE Mean 0,33 0,35
Difference = mu (Offer) - mu (Rejection) Estimate for difference: -3,309 95% CI for difference: (-4,396; -2,221) T-Test of difference = 0 (vs not =): T-Value = -6,88 P-Value = 0,000 DF = 9
De GB doet een kleine studie. Voor zes goedgekeurde aanvragen houdt ze bij hoeveel tijd (BWT) het de secretaresse kost om de offerte op te stellen. Daarnaast houdt ze ook voor zes afgewezen aanvragen bij hoe lang het duurt om de afwijzingsbrief te schrijven. Aangenomen dat de data normaal verdeeld zijn, wat kan ze concluderen uit bovenstaande analyse? a) De bewerkingstijd van het opstellen van een offerte is significant korter dan de tijd om een afwijzingsbrief te schrijven. b) Het aantal metingen in de studie is te klein om betrouwbare conclusies te trekken. c) De gemiddelden en varianties verschillen significant tussen de twee groepen. d) Een conclusie is niet mogelijk, want de GB had ANOVA moeten gebruiken.
32 De GB wil de relatie bepalen tussen de wachttijd WT in de wachtrij voor de coördinatoren, en de workload WL (het aantal ingediende aanvragen per dag). Op 20 verschillende dagen registreert ze het aantal ingediende aanvragen. Daarnaast houdt ze bij hoe lang een willekeurig gekozen aanvraag doorbrengt in de wachtrij voor de coördinator. Zie de regressie-analyse op de volgende slide.
Is dit een goede fit? a) Ja, er is geen bewijs voor een slechte fit. b) Nee, een kwadratische lijn is niet nodig, een lineaire lijn zou net zo goed zijn geweest. c) Nee, de relatie is niet significant. d) Nee, er zijn uitschieters.
Polynomial Regression Analysis: WT versus WL The regression equation is WT = 24,64 - 1,091 WL + 0,01276 WL**2 S = 1,15449
R-Sq = 96,3%
Analysis of Variance Source DF SS Regression 2 308,243 Error 9 11,996 Total 11 320,238
R-Sq(adj) = 95,4%
MS 154,121 1,333
F 115,63
P 0,000
Fitted Line Plot
14 Sequential Analysis of Variance Source DF SS F P Linear 1 278,632 66,97 0,000 12 Quadratic 1 29,611 22,22 0,001 10
WT (hours)
8 6 4 2
S R-Sq R-Sq(adj)
0 40
45
50 55 60 65 WL (applications per day)
70
33
Is de workload (WL) een belangrijke invloedsfactor voor de wachttijd (WT) voor de coördinatoren?
a) Ja, de kleine p-waarde geeft aan dat dit een belangrijke invloedsfactor is. b) Ja, de hoge R2 geeft aan dat dat dit een belangrijke invloedsfactor is. c) Nee, de kleine p-waarde geeft aan dat dit geen belangrijke invloedsfactor is. d) Nee, de hoge R2 geeft aan dat het grootste deel van de variatie niet verklaard kan worden door deze invloedsfactor.
1,13149 94,1% 93,4%
75
34
Veronderstel dat de workload gelijk is aan WL = 62,5 aanvragen per dag. Wat kun je dan zeggen over de wachttijd WT in de wachtrij voor de coördinator?
a) In dat geval brengt 95% van alle aanvragen minder dan 6 uur door in de wachtrij voor de coördinatoren. b) Dan is de WT maximaal 6 uur. c) Dan is de WT gemiddeld 6 uur. d) Dan is de WT precies 6 uur.
Antwoorden Vraag
Antwoord
Vraag
Antwoord
Vraag
Antwoord
Vraag
Antwoord
1
C
11
D
21
D
31
A
2
C
12
C
22
D
32
A
3
A
13
C
23
C
33
B
4
A
14
D
24
D
34
C
5
B
15
C
25
A
6
D
16
B
26
C
7
C
17
D
27
B
8
C
18
A
28
A
9
D
19
B
29
D
10
A
20
A
30
C
