K-INFO
HU
EN
Login

Industrial statistics and design of experiments

Ipari statisztika és kísérlettervezés
A tantárgyleírás hatályossága
Hatályosság kezdete:
2026. March 21.
Hatályosság vége:
—
Subject name (Hungarian, English)
Ipari statisztika és kísérlettervezés
Industrial statistics and design of experiments
Subject code BMEVEKFM111
Subject type —
Training Level —
Course types and hours (weekly/semester)
Course type lecture tutorial laboratory
hours (weekly) 0 2 0
type (linked/independent) — autonomous course —
Assessment type vizsga
Credits 5
Subject coordinator
Lakné Dr. Komka Kinga
position: adjunktus
Responsible department
Kémiai és Környezeti Folyamatmérnöki Tanszék
Faculty Vegyészmérnöki és Biomérnöki Kar
Subject website http://moodle.ch.bme.hu/
Primary curriculum type —
Direct prerequisites – Strong prerequisite BMEVEVMA606 (Kísérletek tervezése és értékelése)
Direct prerequisites – Weak prerequisite none
Direct prerequisites – Parallel prerequisite none
Direct prerequisites – Milestone prerequisite none
Direct prerequisites – Exclusion none

Objectives

Programme

One-way analysis of variance, box-plot, the use of the p-value, multiple comparisons, two-way analysis of variance, checking assumptions, fixed and random factors, hierarchical designs, random block, latin square designs, repeated measures design, general algorithm to create F-statistics.

Design of experiments: Potential of advanced designed experiments (e.g., factorial designs, 3p design, central composite design, mixture design) in practice, and the techniques of their evaluation. Advanced methods in regression analysis.

6 sigma methods: Application of Gage R&R and methods to improve quality of manufacturing (e.g., Taguchi methods).

 

The subject is awareness-raising. It aims to familiarise students with modern data analysis methods used in industrial practice and quality engineering. Emphasis is placed on the selection of the appropriate statistical method to link the professional and the statistical problem and the development of the associated thinking and approach. Students will be introduced to the statistical engineering tools, i.e. analysis of variance, factorial experimental designs and the statistical methods of Six Sigma. Emphasis is placed on learning how to use statistical software in order to facilitate the use of similar software in the future.

Learning outcomes

Ez a tantárgy a KKK rendeletben meghatározott, következő kompetenciák fejlesztését szolgálja:

Knowledge
Ismeri a varianciaanalízis módszertanában a rögzített és véletlen faktor, valamint a keresztosztályozás és a hierarchikus terv fogalmát. Ismeri a vegyészmérnöki szakma gyakorláshoz kapcsolódó statisztikai módszerek alkalmazásának mikéntjét. Ismeri a varianciaanalízis (ANOVA) alapelvét és főbb típusait, valamint tisztában van a módszer alkalmazhatósági feltételeivel is. Ismer és biztonsággal kezel legalább egy statisztikai számítások elvégzésére alkalmas szoftvert. Tisztában van a kísérleti tervek esetén használt optimumkeresési módszerekkel (Box-Wilson és szimplex). Ismeri és helyesen alkalmazza a válasz-felület módszerét. Ismeri az ipari kísérlettervezés haladó eszközeit: a részfaktorterveket, a másodfokú terveket (3p típusú és kompozíciós terveket) és az elegy-terveket.
Skills
Képes egy ipari probléma felmerülésekor a varianciaanalízis, mint statisztikai módszer szükségességének felismerésére, a változók beazonosítására, a modell felépítésére és az adatok kiértékelésére, valamint az eredmények alapján a gyakorlatra vonatkozó következtetések levonására. Képes a varianciaanalízis feltételeinek ellenőrzésére, illetve ezek nem teljesülésének azonosítására, alternatív elemzési módszer keresésére. Rendelkezik a színvonalas kutató-fejlesztő tevékenységhez szükséges manuális készségekkel. Képes a vegyészmérnöki, kémiai és kémiai technológiai területen alkalmazott elemzések és anyagvizsgálatok elvégzésére, értékelésére és dokumentálására, szükség esetén a vizsgálati módszerek továbbfejlesztésére, és új módszerek bevezetésére. Képes statisztikai szoftver segítségével a válasz-felület becslésére a becsült modell bizonytalanságának figyelembevételével. Képes a kritikus érték és/vagy a p-érték ismeretében döntést hozni a statisztikai hipotézisvizsgálatról, majd ez alapján szakmai választ adni a feltett kérdésre. Képes a bonyolultabb ipari problémák felderítésére szolgáló kísérleti tervek megalkotására és kiértékelésére. Képes eredeti ötletekkel és eredményekkel gazdagítani a vegyészmérnöki és kémiai szakterület tudásbázisát. Képes a szakmai problémára vonatkozó kérdést a statisztikai modell alapján számítható kimutatható eltérés ismeretében is megtervezni és értékelni. Képes a mérőrendszerből és a folyamatból származó ingadozás megkülönböztetésére, számszerűsítésére, illetve a javításra való javaslattételre. Képes a vizsgálandó analitikai/kémiai/vegyipari folyamatban jelenlévő ingadozás források azonosítására, illetve ezek becslésére. Képes a már meglévő tudásának továbbfejlesztésére, további statisztikai módszerek önálló megismerésére, gyakorlatban való alkalmazására. Képes statisztikai szoftverek kezelésének elsajátítására, számításai elvégzésére való alkalmazására.
Attitudes
A kémiai vagy vegyipari problémák statisztikai szemléletű megoldása során együttműködésre törekszik más szakterület kutatóival, mérnökeivel és ipari szakembereivel. Figyelmet fordít arra, hogy statisztikai számításait más szakember számára is átláthatóan és követhetően dokumentálja. Törekszik szakmailag magas szinten önállóan vagy munkacsoportban megtervezni és végrehajtani a feladatait. Törekszik a vizsgált folyamat mélységében való megismerésére annak érdekében, hogy a lehető leginkább alkalmas statisztikai módszert tudja kiválasztani a felmerülő szakmai kérdés megválaszolására. Munkája során aktívan követi és értelmezi az adott iparágban alkalmazandó statisztikai módszerek előírásainak változását. Törekszik a leghatékonyabb statisztikai eszközök használatára. Kritikus gondolkodást tanúsít a szignifikancia elemzésekor, melynek során mind a statisztikai, mind pedig a szakmai szignifikanciát értékeli.
Autonomy and responsibility
Önállóan tervezi meg és végzi el a vizsgálandó folyamatból származó adatok elemzését (adott esetben az adatok gyűjtését, rendszerezését is) egy statisztikai szoftverrel. Az elemzéseiért, következtetéseiért és döntéseiért felelősséget vállal.

Oktatási módszertan

lectures with calculation examples and case studies

Tanulástámogató anyagok

Online források
Lorenzen, T. J., Anderson, V. L.: Design of Experiment. A No-name Approach. Marcel Dekker. 1993; Box, G.E.P.; Hunter, W.G.; Hunter, J.S.: Statistics for Experimenters., J. Wiley and Sons, 1978.

Recommended preliminary knowledge for completing the subject

Knowledge type competencies
(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
nincs
Skill type competencies
(azon előzetes képességek és készségek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
nincs
Recommended (non-compulsory) preliminary competencies
(azon ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák összessége, amelyek jelentősen hozzájárulnak a tantárgy eredményes teljesítéséhez)
Fundamentals of statistics: - the more important continuous distributions (normal, t-, F-distributions) - hypothesis testing, one and two sample t-test, F-test, the first and the second kind of errors - design and analysis of full factorial (2p) designs
General rules
Requirements: a. In the semester: short online tests mandatory completed (min. 20% achievement) and project work accepted b. In the examination period: exam Re-takes: According to the Code of Studies. Consultations: as required
Assessment methods
In-term assessments

No detailed assessments provided.

Weight of in-term assessments

No weights provided.

Exam-period assessments

No detailed assessments provided.

Weight of exam elements

No weights provided.

Grade calculation

No grade thresholds provided.

Attendance requirements

No attendance requirements provided.

Rules for retake and resubmission

Not provided.

Short description

Not provided.

Detailed description
Kinga Lakné Komka PhD Department of Chemical and Environmental Process Engineering Éva Pusztai PhD Department of Chemical and Environmental Process Engineering Máté Mihalovits PhD Department of Chemical and Environmental Process Engineering
Recommended courses

Not provided.

Workload to complete the subject

No workload breakdown provided.

Validity of subject requirements
Requirements valid from:
—
Requirements valid until:
—
Curriculum placement
Faculty Program Curriculum Curriculum type Primary
Vegyészmérnöki és Biomérnöki Kar vegyészmérnöki Vegyészmérnöki mesterképzési szak tanterve elágazó nem
Vegyészmérnöki és Biomérnöki Kar vegyészmérnöki vegyészmérnöki (2024) kötelezően választható nem
Vegyészmérnöki és Biomérnöki Kar vegyészmérnöki vegyészmérnöki (2024) kötelezően választható nem