{"id":4872,"date":"2026-09-24T16:49:29","date_gmt":"2026-09-24T14:49:29","guid":{"rendered":"https:\/\/ellistat.com\/?p=4872"},"modified":"2026-09-24T16:49:30","modified_gmt":"2026-09-24T14:49:30","slug":"tervek-felhasznaloi-elmeny-intelligens-tervezes-bayesi-optimalizalas","status":"publish","type":"post","link":"https:\/\/ellistat.com\/hu\/plans-experience-smart-design-optimisation-bayesienne\/","title":{"rendered":"K\u00eds\u00e9rleti tervek: Smart Design \u00e9s bayesi optimaliz\u00e1l\u00e1s \u2013 mi v\u00e1ltozik val\u00f3j\u00e1ban az ipar sz\u00e1m\u00e1ra?"},"content":{"rendered":"

\u00c9vtizedeken \u00e1t ugyanazt ism\u00e9telt\u00e9k az ipari statisztika \u00f3r\u00e1kon: a k\u00eds\u00e9rleti tervek<\/strong>, mindezt a k\u00f6vetkez\u0151 munk\u00e1k k\u00f6z\u00f6tt tal\u00e1lt\u00e1k ki: Fisher<\/a> (1926, majd A k\u00eds\u00e9rletek tervez\u00e9se<\/em> (1935-ben) \u00e9s az 1950-es \u00e9vekben. Az elm\u00e9letet teljesnek tekintett\u00e9k.<\/p>\n\n\n\n

Ez m\u00e1r nem igaz. Egy nemr\u00e9giben tartott besz\u00e9d\u00e9ben, Maurice Pillet<\/a>, az Ellistat t\u00e1rsalap\u00edt\u00f3ja \u00e9s a min\u0151s\u00e9gbiztos\u00edt\u00e1s, valamint a Six Sigma franciaorsz\u00e1gi szak\u00e9rt\u0151je, k\u00e9t olyan megk\u00f6zel\u00edt\u00e9st mutatott be, amelyek konkr\u00e9tan megv\u00e1ltoztatj\u00e1k a v\u00e1llalati tesztel\u00e9s m\u00f3dj\u00e1t: a Okos tervez\u00e9s<\/strong> \u00e9s a\u2019bayesi optimaliz\u00e1l\u00e1s<\/strong>. \u00cdme, a legfontosabb pontok.<\/p>\n\n\n\n

A hagyom\u00e1nyos k\u00eds\u00e9rleti tervek korl\u00e1tai<\/strong><\/h2>\n\n\n\n

A k\u00eds\u00e9rleti tervek<\/a> A hagyom\u00e1nyos m\u00f3dszerek \u00f3ri\u00e1si szolg\u00e1latot tettek. De olyan felt\u00e9telez\u00e9seken alapulnak, amelyeket gyakran elfelejt\u00fcnk.<\/p>\n\n\n\n

A linearit\u00e1s hipot\u00e9zise<\/strong><\/h2>\n\n\n\n

A k\u00e9t szintb\u0151l \u00e1ll\u00f3 terv (egy minimum, egy maximum) azt felt\u00e9telezi, hogy a v\u00e1lasz a k\u00e9t hat\u00e1r\u00e9rt\u00e9k k\u00f6z\u00f6tt line\u00e1risan v\u00e1ltozik. Ez helyileg igaz, ahogyan a F\u00f6ld is laposnak t\u0171nik, ha a saj\u00e1t l\u00e1bunkat n\u00e9zz\u00fck. Amint a vizsg\u00e1lati tartom\u00e1ny kisz\u00e9lesedik, vagy a jelens\u00e9g nem line\u00e1ris, a modell f\u00e9lrevezet\u0151v\u00e9 v\u00e1lik. T\u00f6bbszint\u0171 modellekre kell \u00e1tt\u00e9rni, ami olyan k\u00eds\u00e9rleti tervekhez vezet, amelyekn\u00e9l a k\u00eds\u00e9rletek sz\u00e1ma gyakran elriaszt\u00f3an magas.  <\/p>\n\n\n\n

A termin\u00e1lok kiv\u00e1laszt\u00e1sa<\/strong><\/h2>\n\n\n\n

M\u00e1sodik buktat\u00f3: ha a min \u00e9s a max \u00e9rt\u00e9keket rosszul v\u00e1lasztott\u00e1k meg, el\u0151fordulhat, hogy az optimum a vizsg\u00e1lt tartom\u00e1nyon k\u00edv\u00fcl helyezkedik el. A terv ekkor ugyan helyes eredm\u00e9nyt ad\u2026 de rossz helyen.<\/p>\n\n\n\n

A sz\u0171r\u00e9si s\u00e9m\u00e1k \u00e9s az aliasok probl\u00e9m\u00e1ja<\/strong><\/h2>\n\n\n\n

Sz\u00e1mos t\u00e9nyez\u0151 (p\u00e9ld\u00e1ul hat) eset\u00e9n \u00e1ltal\u00e1ban sz\u0171r\u0151terveket alkalmaznak: a k\u00e9t szint\u0171 L12-es t\u00e1bl\u00e1zatot, vagy a h\u00e1rom szintet mag\u00e1ban foglal\u00f3 L18-at. Ezek legnagyobb h\u00e1tr\u00e1nya, hogy a t\u00e9nyez\u0151k hat\u00e1sai r\u00e9szben \u00f6sszekeverednek (aliasing) a k\u00f6lcs\u00f6nhat\u00e1sokkal. \u00cdgy lehetetlen egy\u00e9rtelm\u0171en meg\u00e1llap\u00edtani, hogy a megfigyelt hat\u00e1s mag\u00e1b\u00f3l a t\u00e9nyez\u0151b\u0151l sz\u00e1rmazik-e, vagy k\u00e9t t\u00e9nyez\u0151 k\u00f6z\u00f6tti k\u00f6lcs\u00f6nhat\u00e1sb\u00f3l.<\/p>\n\n\n\n

Smart Design: a f\u0151bb hat\u00e1sok, az \u00edvel\u00e9s \u00e9s a k\u00f6lcs\u00f6nhat\u00e1sok el\u00e9r\u00e9se kev\u00e9s k\u00eds\u00e9rlettel<\/strong><\/h2>\n\n\n\n

Egy hossz\u00fa ideig megval\u00f3s\u00edthatatlan k\u00f6vetelm\u00e9nylist<\/strong><\/h3>\n\n\n\n

Az ipari v\u00e1llalatok val\u00f3j\u00e1ban mindkett\u0151t akarj\u00e1k:<\/p>\n\n\n\n

    \n
  • egy\u00e9rtelm\u0171en ismerni a f\u0151bb hat\u00e1sokat; ;<\/li>\n\n\n\n
  • felismerni az esetleges nemline\u00e1ris viselked\u00e9st; ;<\/li>\n\n\n\n
  • a jelent\u0151s k\u00f6lcs\u00f6nhat\u00e1sok azonos\u00edt\u00e1sa; ;<\/li>\n\n\n\n
  • k\u00e9t szint\u0171 kvalitat\u00edv t\u00e9nyez\u0151k \u00e9s h\u00e1rom szint\u0171 kvantitat\u00edv t\u00e9nyez\u0151k \u00f6sszekapcsol\u00e1sa; ;<\/li>\n\n\n\n
  • a lehet\u0151 legkevesebb k\u00eds\u00e9rletet v\u00e9gezni.<\/li>\n<\/ul>\n\n\n\n

    Eg\u00e9szen a k\u00f6zelm\u00faltig, hat t\u00e9nyez\u0151 eset\u00e9n csak k\u00e9t lehet\u0151s\u00e9g volt: a teljes (irre\u00e1lis) terv, vagy egy legal\u00e1bb 54 k\u00eds\u00e9rletb\u0151l \u00e1ll\u00f3 v\u00e1laszfel\u00fcleti terv. A teljes modell (f\u0151hat\u00e1sok, m\u00e1sodfok\u00fa tagok, interakci\u00f3k) azonban 28 egy\u00fctthat\u00f3t tartalmaz, amelyek k\u00f6z\u00fcl a gyakorlatban a legt\u00f6bb nulla. A probl\u00e9ma az, hogy el\u0151re nem lehet tudni, melyek ezek.<\/p>\n\n\n\n

    Mit v\u00e1ltoztat meg a Smart Design?<\/strong><\/h3>\n\n\n\n

    N\u00fa\u00f1ez \u00e9s t\u00e1rsai (2020) (2023) leg\u00fajabb tudom\u00e1nyos publik\u00e1ci\u00f3i alapj\u00e1n egy \u00faj tervcsal\u00e1dot siker\u00fclt kidolgozni. Legfontosabb tulajdons\u00e1guk: a f\u0151hat\u00e1sok sem a m\u00e1sodfok\u00fa tagokkal, sem az interakci\u00f3kkal nem korrel\u00e1lnak. Ha biztosak vagyunk a f\u0151hat\u00e1sokban, \u00e9s a fennmarad\u00f3 korrel\u00e1ci\u00f3k el\u00e9g gyeng\u00e9k ahhoz, hogy becs\u00fclhess\u00fck a m\u00e1sodrend\u0171 hat\u00e1sokat.<\/p>\n\n\n\n

    A Maurice Pillet \u00e1ltal bemutatott p\u00e9ld\u00e1ban (egy k\u00e9t szint\u0171 kataliz\u00e1tor, \u00f6t tov\u00e1bbi h\u00e1rom szint\u0171 t\u00e9nyez\u0151), 18 k\u00eds\u00e9rletb\u0151l \u00e1ll\u00f3 terv elegend\u0151<\/strong> ahol 54 kellett volna.<\/p>\n\n\n\n

    Hogyan elemezz\u00fck?<\/strong><\/h3>\n\n\n\n

    Ahelyett, hogy a hagyom\u00e1nyos l\u00e9p\u00e9senk\u00e9nti kiv\u00e1laszt\u00e1st alkalmazn\u00e1 (ami lehetetlen, ha a k\u00eds\u00e9rletek sz\u00e1ma kevesebb, mint az egy\u00fctthat\u00f3k sz\u00e1ma), az elemz\u00e9s a k\u00f6vetkez\u0151 keres\u00e9sen alapul: a kifejez\u00e9sek legjobb r\u00e9szhalmaza<\/strong> : a szoftver minden lehets\u00e9ges kombin\u00e1ci\u00f3t kipr\u00f3b\u00e1l, \u00e9s a legmegfelel\u0151bb modellt v\u00e1lasztja ki. Az eredm\u00e9ny visszaadja a jelens\u00e9g t\u00e9nyleges szerkezet\u00e9t, n\u00e9ha egy csek\u00e9ly hat\u00e1ssal b\u00edr\u00f3, felesleges taggal egy\u00fctt, ami azonban a k\u00f6vetkeztet\u00e9sekre gyakorlatilag nincs hat\u00e1ssal.<\/p>\n\n\n\n

    Annak \u00e9rdek\u00e9ben, hogy az eszk\u00f6z a mindennapi gyakorlatban is haszn\u00e1lhat\u00f3 legyen, t\u00f6bb mint 2 000 vet\u00fcletet el\u0151re kisz\u00e1m\u00edtottak \u00e9s be\u00e9p\u00edtettek az Ellistat szoftverbe. A felhaszn\u00e1l\u00f3 megadja a param\u00e9tereit, a szoftver pedig felaj\u00e1nlja a rendelkez\u00e9sre \u00e1ll\u00f3 vet\u00fcleteket azok min\u0151s\u00e9gi krit\u00e9riumainak felt\u00fcntet\u00e9s\u00e9vel.<\/p>\n\n\n\n

    Maurice Pillet meg\u00e1llap\u00edt\u00e1sa egy\u00e9rtelm\u0171: a v\u00e1llalatn\u00e1l szinte kiz\u00e1r\u00f3lag Smart Design-okat k\u00e9sz\u00edt.<\/p>\n\n\n\n

    Bayesi optimaliz\u00e1l\u00e1s: a m\u0171k\u00f6d\u00e9si tartom\u00e1ny meghat\u00e1roz\u00e1sa, ha nem tudjuk, hol keress\u00fcnk<\/strong><\/h2>\n\n\n\n

    A tipikus p\u00e9lda: a l\u00e9zerhegeszt\u00e9s<\/strong><\/h3>\n\n\n\n

    Egyes elj\u00e1r\u00e1sok \u00abmegakadnak\u00bb: egy be\u00e1ll\u00edt\u00e1s m\u0171k\u00f6dik, de ha megv\u00e1ltoztatunk egy param\u00e9tert, m\u00e1ris semmi sem m\u0171k\u00f6dik. Maurice Pillet egy olyan esetet hoz fel, amikor ugyanazt az alkatr\u00e9szt k\u00e9t besz\u00e1ll\u00edt\u00f3 hegesztette l\u00e9zerrel, mindkett\u0151 teljesen elt\u00e9r\u0151 be\u00e1ll\u00edt\u00e1sokkal, \u00e9s egyik\u00fckn\u00e9l sem volt igaz\u00e1n kiel\u00e9g\u00edt\u0151 az eredm\u00e9ny. Val\u00f3sz\u00edn\u0171leg l\u00e9tezik egy olyan tartom\u00e1ny, ahol a folyamat t\u00f6k\u00e9letesen m\u0171k\u00f6dik. De hol?<\/p>\n\n\n\n

    Ebben az esetben egy klasszikus k\u00eds\u00e9rleti terv, amely egy m\u00e1r k\u00f6r\u00fclhat\u00e1rolt ter\u00fclet minden szeglet\u00e9t felt\u00e1rja, nem megfelel\u0151.<\/p>\n\n\n\n

    R\u00e1csozni? Rossz \u00f6tlet<\/strong><\/h3>\n\n\n\n

    A term\u00e9szetes \u00f6szt\u00f6n az, hogy r\u00e1csot rajzoljunk a t\u00e9rre: 4 \u00d7 4 = 16 k\u00eds\u00e9rlet. A probl\u00e9ma az, hogy minden t\u00e9nyez\u0151 minden \u00e9rt\u00e9k\u00e9t n\u00e9gyszer tesztelj\u00fck, \u00e9s egy kis kedvez\u0151 ter\u00fclet kics\u00faszhat a r\u00e1cs szemei k\u00f6z\u00fcl.<\/p>\n\n\n\n

    A t\u00f6lt\u00e9si tervek<\/strong> (t\u00e9rkit\u00f6lt\u0151 tervek) kiegyens\u00falyozottan osztj\u00e1k el a k\u00eds\u00e9rleteket, \u00e9s minden k\u00eds\u00e9rlet minden t\u00e9nyez\u0151 egy-egy k\u00fcl\u00f6nb\u00f6z\u0151 \u00e9rt\u00e9k\u00e9t vizsg\u00e1lja. Ugyanannyi k\u00eds\u00e9rlet mellett jelent\u0151sen megn\u0151 annak a val\u00f3sz\u00edn\u0171s\u00e9ge, hogy \u00abeltal\u00e1ljuk\u00bb a megfelel\u0151 tartom\u00e1nyt. De hogy biztosan ne maradjon ki semmi, k\u00eds\u00e9rt\u00e9sbe eshet\u00fcnk, hogy 100 k\u00eds\u00e9rletre emelj\u00fck a sz\u00e1mot\u2026 amelyek t\u00falnyom\u00f3 t\u00f6bbs\u00e9ge azonban teljesen felesleges lenne.<\/p>\n\n\n\n

    A szekvenci\u00e1lis megk\u00f6zel\u00edt\u00e9s: gauss-folyamatok + bayesi optimaliz\u00e1l\u00e1s<\/strong><\/h3>\n\n\n\n

    A bayesi optimaliz\u00e1l\u00e1s k\u00e9t matematikai eszk\u00f6zt \u00f6tv\u00f6z:<\/p>\n\n\n\n

      \n
    • A gauss-folyamatok<\/strong>, amelyek modellezik a v\u00e1laszjelet \u00e9s \u2013 ami a legfontosabb \u2013 a bizonytalans\u00e1got a ter\u00fclet minden egyes pontj\u00e1n. A polinomi\u00e1lis modellekt\u0151l elt\u00e9r\u0151en ez a bizonytalans\u00e1g helyenk\u00e9nt v\u00e1ltozik.<\/li>\n\n\n\n
    • A bayesi optimaliz\u00e1l\u00e1s<\/strong>, amely k\u00e9t megk\u00f6zel\u00edt\u00e9s k\u00f6z\u00f6tt egyens\u00falyozva v\u00e1lasztja ki a k\u00f6vetkez\u0151 k\u00eds\u00e9rleteket: egyr\u00e9szt kiakn\u00e1zza az \u00edg\u00e9retes ter\u00fcleteket, m\u00e1sr\u00e9szt felt\u00e1rja azokat a m\u00e9g kev\u00e9ss\u00e9 ismert ter\u00fcleteket, ahol a bizonytalans\u00e1g jobb eredm\u00e9nyre ad okot a rem\u00e9nyre.<\/li>\n<\/ul>\n\n\n\n

      A folyamat l\u00e9p\u00e9sr\u0151l l\u00e9p\u00e9sre halad: el\u0151sz\u00f6r k\u00f6r\u00fclbel\u00fcl t\u00edz kit\u00f6lt\u00e9si tervvel kapcsolatos kezdeti k\u00eds\u00e9rletet v\u00e9gz\u00fcnk, majd a szoftver javaslatot tesz a k\u00f6vetkez\u0151 k\u00eds\u00e9rletekre, megmagyar\u00e1zva azok indokait. Ezeket elv\u00e9gezz\u00fck, megfigyelj\u00fck a konvergenci\u00e1t, \u00e9s akkor \u00e1llunk le, amikor az optim\u00e1lis ter\u00fcletet kell\u0151k\u00e9ppen dokument\u00e1ltuk. Ez a logika sokkal k\u00f6zelebb \u00e1ll a technikusok intu\u00edci\u00f3j\u00e1hoz, mint az a megk\u00f6zel\u00edt\u00e9s, hogy \u00abel\u0151sz\u00f6r elk\u00e9sz\u00edtem az eg\u00e9sz tervet, majd elemzem\u00bb.<\/p>\n\n\n\n

      A m\u00f3dszer megismer\u00e9se \u00e9rdek\u00e9ben az Ellistat szoftver tartalmaz egy bemutat\u00f3 m\u00f3dot, amely egy h\u00e1rom t\u00e9nyez\u0151b\u0151l \u00e1ll\u00f3 folyamatot (h\u0151m\u00e9rs\u00e9klet, nyom\u00e1s, ciklusid\u0151) szimul\u00e1l.<\/p>\n\n\n\n

      Smart Design vagy bayesi optimaliz\u00e1l\u00e1s: mikor melyiket \u00e9rdemes haszn\u00e1lni?<\/strong><\/h2>\n\n\n\n

      A k\u00e9t megk\u00f6zel\u00edt\u00e9s nem \u00e1ll egym\u00e1ssal ellent\u00e9tben, hanem k\u00fcl\u00f6nb\u00f6z\u0151 helyzetekre adnak v\u00e1laszt:<\/p>\n\n\n\n

        \n
      • Intelligens tervez\u00e9s<\/strong> : nagyj\u00e1b\u00f3l ismeri a m\u0171k\u00f6d\u00e9si tartom\u00e1nyt, \u00e9s azt szeretn\u00e9 pontosan modellezni. Legfeljebb h\u00e1rom szint, kev\u00e9s be\u00e1ll\u00edt\u00e1si v\u00e1ltoztat\u00e1s \u2013 ide\u00e1lis megold\u00e1s, ha egy param\u00e9ter m\u00f3dos\u00edt\u00e1sa k\u00f6lts\u00e9ges.<\/li>\n\n\n\n
      • Bayesi optimaliz\u00e1l\u00e1s<\/strong> : m\u00e9g nem ismerik j\u00f3l a folyamatot, \u00e9s ki kell der\u00edteni\u00fck, hol m\u0171k\u00f6dik. El kell fogadniuk, hogy gyakran kell m\u00f3dos\u00edtaniuk a be\u00e1ll\u00edt\u00e1sokat \u2013 ez a felfedez\u00e9s el\u0151felt\u00e9tele.<\/li>\n<\/ul>\n\n\n\n

        Mindk\u00e9t esetben ugyanaz a c\u00e9l: az egyre \u00f6sszetettebb ipari probl\u00e9m\u00e1k megold\u00e1sa an\u00e9lk\u00fcl, hogy a k\u00eds\u00e9rletek sz\u00e1m\u00e1t n\u00f6veln\u00e9nk.<\/p>\n\n\n\n

        Fejlett matematika, amely a felhaszn\u00e1l\u00f3 sz\u00e1m\u00e1ra l\u00e1thatatlan<\/strong><\/h2>\n\n\n\n

        Ezeknek a m\u00f3dszereknek h\u00e1tter\u00e9ben bonyolult matematikai eszk\u00f6z\u00f6k \u00e1llnak. Az Ellistat c\u00e9lja, hogy ezeket \u00e1tl\u00e1that\u00f3v\u00e1 tegye. Ahogy Maurice Pillet \u00f6sszefoglalja: az eszk\u00f6zt nem statisztikusok, hanem technikusok sz\u00e1m\u00e1ra fejlesztett\u00e9k ki.<\/p>\n\n\n\n

        K\u00f6vetkeztet\u00e9s<\/strong><\/h2>\n\n\n\n

        A k\u00eds\u00e9rleti tervek<\/strong> m\u00e9g nem mondt\u00e1k ki az utols\u00f3 szavukat. A Smart Designs seg\u00edts\u00e9g\u00e9vel 18 k\u00eds\u00e9rlettel el\u00e9rhet\u0151 az, ami kor\u00e1bban 54-et ig\u00e9nyelt, a f\u0151 hat\u00e1sok tekintet\u00e9ben pedig nincs k\u00e9t\u00e9rtelm\u0171s\u00e9g. A bayesi optimaliz\u00e1l\u00e1s utat nyit azoknak a folyamatoknak, amelyeket eddig tapogat\u00f3zva \u00e1ll\u00edtottak be. A m\u00f3dszertani, min\u0151s\u00e9gbiztos\u00edt\u00e1si \u00e9s folyamat-K+F csapatok sz\u00e1m\u00e1ra ez kevesebb k\u00eds\u00e9rletet, kevesebb anyagfelhaszn\u00e1l\u00e1st \u00e9s robusztusabb be\u00e1ll\u00edt\u00e1sokat jelent.<\/p>\n\n\n\n

        GYIK<\/strong><\/h2>\n\n\n\n
          \n
        • Mi az a \u201eSmart Design\u201d a k\u00eds\u00e9rleti tervben?<\/strong> Ez egy olyan, a k\u00f6zelm\u00faltban kifejlesztett k\u00eds\u00e9rleti tervcsal\u00e1d, amely lehet\u0151v\u00e9 teszi a f\u0151 hat\u00e1sok becsl\u00e9s\u00e9t an\u00e9lk\u00fcl, hogy azokat \u00f6sszet\u00e9veszten\u00e9nk a k\u00f6lcs\u00f6nhat\u00e1sokkal vagy a n\u00e9gyzethat\u00e1sokkal, mik\u00f6zben ezeket a m\u00e1sodrend\u0171 hat\u00e1sokat is nagyon kev\u00e9s k\u00eds\u00e9rlettel kimutathatjuk.<\/li>\n\n\n\n
        • Mi a k\u00fcl\u00f6nbs\u00e9g a sz\u0171r\u0151terv \u00e9s a Smart Design k\u00f6z\u00f6tt?<\/strong> A hagyom\u00e1nyos sz\u0171r\u0151terv (L12, L18) r\u00e9szben \u00f6sszekeveri a t\u00e9nyez\u0151k hat\u00e1sait \u00e9s a k\u00f6lcs\u00f6nhat\u00e1sokat. A Smart Design kik\u00fcsz\u00f6b\u00f6li ezt a k\u00e9t\u00e9rtelm\u0171s\u00e9get a f\u0151hat\u00e1sok tekintet\u00e9ben, \u00e9s elfogadja a k\u00e9t- \u00e9s h\u00e1romszint\u0171 vegyes t\u00e9nyez\u0151ket.<\/li>\n<\/ul>\n\n\n\n
            \n
          • Mikor \u00e9rdemes a bayesi optimaliz\u00e1l\u00e1st alkalmazni a hagyom\u00e1nyos k\u00eds\u00e9rleti terv helyett?<\/strong> Amikor nem tudjuk, hol helyezkedik el egy folyamat m\u0171k\u00f6d\u00e9si tartom\u00e1nya, \u00e9s azt fel kell t\u00e1rni. Ha a tartom\u00e1nyt m\u00e1r hozz\u00e1vet\u0151legesen ismerj\u00fck, akkor a Smart Design a megfelel\u0151bb megold\u00e1s.<\/li>\n<\/ul>\n\n\n\n
              \n
            • Statisztikusnak kell lenni ahhoz, hogy ezeket a m\u00f3dszereket alkalmazni lehessen?<\/strong> Nem. Az Ellistat szoftverben a sz\u00e1m\u00edt\u00e1sok nem l\u00e1that\u00f3k: a felhaszn\u00e1l\u00f3 megadja a param\u00e9tereket, elv\u00e9gzi a javasolt vizsg\u00e1latokat, majd megtekinti az eredm\u00e9nyeket.<\/li>\n<\/ul>\n\n\n\n

              <\/p>","protected":false},"excerpt":{"rendered":"

              Pendant des d\u00e9cennies, on a r\u00e9p\u00e9t\u00e9 la m\u00eame chose dans les cours de statistique industrielle : en plans d’exp\u00e9rience, tout a \u00e9t\u00e9 invent\u00e9 entre les travaux de Fisher (1926, puis The Design of Experiments en 1935) et les ann\u00e9es 1950. La th\u00e9orie \u00e9tait consid\u00e9r\u00e9e comme achev\u00e9e. Ce n’est plus vrai. Lors d’une r\u00e9cente intervention, Maurice […]<\/p>\n","protected":false},"author":4,"featured_media":4873,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[7],"tags":[],"class_list":["post-4872","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-analysis"],"acf":[],"_links":{"self":[{"href":"https:\/\/ellistat.com\/hu\/wp-json\/wp\/v2\/posts\/4872","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ellistat.com\/hu\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ellistat.com\/hu\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ellistat.com\/hu\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/ellistat.com\/hu\/wp-json\/wp\/v2\/comments?post=4872"}],"version-history":[{"count":1,"href":"https:\/\/ellistat.com\/hu\/wp-json\/wp\/v2\/posts\/4872\/revisions"}],"predecessor-version":[{"id":4874,"href":"https:\/\/ellistat.com\/hu\/wp-json\/wp\/v2\/posts\/4872\/revisions\/4874"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/ellistat.com\/hu\/wp-json\/wp\/v2\/media\/4873"}],"wp:attachment":[{"href":"https:\/\/ellistat.com\/hu\/wp-json\/wp\/v2\/media?parent=4872"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ellistat.com\/hu\/wp-json\/wp\/v2\/categories?post=4872"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ellistat.com\/hu\/wp-json\/wp\/v2\/tags?post=4872"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}