Fault Trees. Überblick. Synonyme für Fehlerbäume. Geschichte Friederike Adler CV 03
|
|
- Heinrich Sachs
- vor 7 Jahren
- Abrufe
Transkript
1 Fault Trees Überblick Friederike Adler CV 03 2 Geschichte Synonyme für Fehlerbäume entw. vom Japaner Kaoru Ishikawa ( ) während des 2.WK Ishikawa Diagramm Universelle grafische Methode zur Systemoptimierung und Fehlerursachenanalyse Ursachen Wirkungs Diagramm Fischgräten -Diagramm Tannenbaum -Diagramm 3 wurde später in den sechziger Jahren im Bereich der amerikanischen Telekommunikations- und Flugzeugindustrie weiter entwickelt 4
2 kurze Einführung Wo sind wir? 5 6 Was ist ein Fehlerbaum? Aufbau eines Fehlerbaumes (1) ist eine grafische Darstellung der logischen Zusammenhänge zwischen den Fehlern und daraus entstehenden Ereignissen Ereignisse arbeiten entweder vollwertig oder fallen aus (0,1) Ursache- Wirkung leicht nachvollziehbar anhand logischer Gatter (AND, OR, XOR ) 7 Berechnung der Ausfallwahrscheinlichkeiten mit Hilfe der Stochastik 8
3 Aufbau eines Fehlerbaumes (2) Aufbau des Fehlerbaumes (3) 9 Baumstruktur Top Event als Wurzel (root) Bsp.: Ausfall von Alarmanlagen, Nichterreichen eines bestimmten Ziels Ex, Unerwünschtes/Erwünschtes Ereignis Ex,Ey, Basis Events sind Blätter - Grundursachen sämtlichen Versagens Gatter : boolesche Verknüpfungen mehrerer Ereignisse Ex,Ey, (AND, OR, XOR, INHIBIT, TRANSFER, ) 10 Mit Hilfe der Gatter läßt sich schnell die Zusammenwirkung und der Zusammenhang zw. den Ereignissen nachvollziehen AND : log. UND, Ereignisse treten gleichzeitig auf OR : log. ODER, ein Ereignis reicht aus, um Folgeereignis (parent )auszulösen XOR : exklusives ODER TRANSFER, INHIBIT, PRIORITY AND, M- of-n, lassen sich durch AND, OR, XOR darstellen Top Event Basis Event Ereignis an der Wurzel Auswirkung, Endzustand, Problem Bsp.: misslungenes Gericht, Autounfall, Systemausfall, Chaos im Verkehr, Vortrag stochastisch unabhängige Ereignisse Fehlerarten - Komponentenfehler (primäre, sekundäre, angewiesene) - Systemfehler durch externe Ereignisse verursacht 11 12
4 Wo sind wir? Fehlerbaumanalyse quantitative Fehlerbaumanalyse - Wahrscheinlichkeit eines Fehlerzustandes, einer Ursache qualitative Fehlerbaumanalyse - Kombination der Ereignisse die zu einen gewissen Zustand führen qualitative Fehlerbaumanalyse quantitative Fehlerbaumanalyse 15 Schnittmengenbildung aus Ereignissen, deren gleichzeitiges Eintreten zum Systemausfall führen Untersucht welche Ereignisse zum Ausfall/Fehlverhalten führen z.b. ist der Ausfall des Routers verursacht durch: - einen Stromausfall oder - einem Hardwarefehler oder - einem Softwarefehler oder - falsche Konfiguration des Routers oder 16 Kombination der Ausfallwahrscheinlichkeiten entsprechend den Verknüpfungen des Modells Verfahren aus der Mengentheorie, Boolschen Algebra und Wahrscheinlichkeitsrechnung AND P(E1E2) = P(E1) * P(E2) OR P(E1UE2) = P(E1) + P(E2) P(E1) * P(E2)
5 am Beispiel P(Ei) = 0,0025 Wo sind wir? P(E8 U E9 U E 10 U E11 U E12) = P(E4) = 0,0124 P(E13E14) = P(E13) * P(E14) = P(E6)= 0, Anwendungsgebiete Erweiterungen Medizin Unternehmen Energieversorgungen Schifffahrt Sicherheitsanalysen Produktionsanlagen mit stochastischen Petrinetzen, zur Berücksichtigung statistischer Abhängigkeiten mit Fuzzy Logic mit Bayes Konzept, so das auch bedingte Wahrscheinlichkeiten berücksichtigt werden P(A/B) = P(AB) \ P(B) 19 20
6 Wo sind wir? Vorteile schnelles Verständnis durch grafische Darstellung Boolesches Modell vollkommen ausreichend Qualitative und Quantitative Ergebnisse basiert auf mathematischen Grundlagen Nachteile Wo sind wir? 23 man verliert schnell die Übersicht, bei zu weiter Ausführung keine exakte Formulierung von Komponenten - die mehr als zwei Zustände haben - bald defekt - ein bisschen kaputt - zu 90% in Ordnung Eingeschränkte Modelliermöglichkeiten - keine Darstellungsmöglichkeit von stochastischen Abhängigkeiten zwischen Teilsystemen - keine Reparatur und Ausfallabhängigkeiten 24
7 Zusammenfassung Letztes Beispiel: Fehlerbäume sind eine grafische Darstellung des Ursache Wirkungsprinzip sie sind fast überall anwendbar, meist aber in technischen Bereichen verbreitet bedienen sich zwei Analysetechniken basieren auf mathematischen Grundlagen Ein Student besteht die Prüfung nicht Vielen Dank für Eure Aufmerksamkeit! 27
Fehlerbäume. Beispiel Kuchenbacken. Beispiel Kuchenbacken. Beispiel Kuchenbacken. der Kuchen gelingt nicht. der Kuchen.
Beispiel Kuchenbacken Fehlerbäume es waren nur noch 2 Eier übrig Kuchenform war unauffindbar Präsentation im Fach Computervisualistik Sylvia Glaßer sieht seltsam aus gelingt nicht schmeckt komisch das
MehrDie qualitative Fehlerbaumanalyse am Beispiel einer Präsentation. -Sandra Mierz-
Die qualitative Fehlerbaumanalyse am Beispiel einer Präsentation -Sandra Mierz- Gliederung Definition Anwendungsgebiete der Fehlerbaumanalyse Vorgehen Fehlerbaum erstellen Fehlerbaum auswerten Vorteile
MehrFolie 1: Fehlerbaumanalyse (FTA) Kurzbeschreibung und Ziel Die Fehlerbaumanalyse im Englischen als Fault Tree Analysis bezeichnet und mit FTA
Folie 1: Fehlerbaumanalyse (FTA) Kurzbeschreibung und Ziel Die Fehlerbaumanalyse im Englischen als Fault Tree Analysis bezeichnet und mit FTA abgekürzt dient der systematischen Untersuchung von Komponenten
MehrIshikawa Ursache - Wirkungsdiagramm Definition
Ishikawa Ursache - Wirkungsdiagramm Definition by Andre Kapust - Donnerstag, Januar 01, 1970 https://www.quality.de/ishikawa-ursache-wirkungsdiagramm-definition/ Überblick Ursache-Wirkungs-Diagramm Ein
Mehr6.1 Motivation. Elemente Ereignisse. 6.2 Konstruktion von Fehlerbäumen
Verlässliche Systeme Wintersemester 2016/2017 6.1 Motivation 6.1 Motivation Verlässliche Systeme 6. Kapitel Statische Modellierung: Fehlerbäume Prof. Matthias Werner Professur Betriebssysteme Verhaltensmodellierung
MehrEinführung in die qualitative Fehlerbaumanalyse anhand des Beispiels einer Präsentation
Einführung in die qualitative Fehlerbaumanalyse anhand des Beispiels einer Präsentation Seminar Das virtuelle Labor Wintersemester 2008/2009 Sandra Mierz Inhaltsverzeichnis Abstract 1 1 Einleitung 1 2
MehrStatistik I für Betriebswirte Vorlesung 2
Statistik I für Betriebswirte Vorlesung 2 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. April 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 2 Version: 11.
MehrÜbungs-Blatt 7 Wahrscheinlichkeitsrechnung
Übungs-Blatt Wahrscheinlichkeitsrechnung BMT Biostatistik Prof. Dr. B. Grabowski Zu Aufgabe ) Ein bestimmtes Bauteil wird auf seine Zuverlässigkeit untersucht. Die technische Prüfung erfolgt dabei so:
MehrGefahrenanalyse mittels Fehlerbaumanalyse
UNIVERSITÄT PADERBORN Die Universität der Informationsgesellschaft Institut für Informatik Arbeitsgruppe Softwaretechnik Gefahrenanalyse mittels Fehlerbaumanalyse von Eike Schwindt Vortrag im Rahmen des
MehrOtto-von-Guericke-Universität Magdeburg. Fakultät für Informatik Institut für Simulation und Grafik. Seminararbeit
Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik Institut für Simulation und Grafik Seminararbeit Problem-/Gefahrenanalyse mittels Fehlerbaumanalyse Verfasser: Matthias Trojahn 14. November
MehrWelche Axiome sind Grundlage der axiomatischen Wahrscheinlichkeitsdefinition von Kolmogoroff?
2. Übung: Wahrscheinlichkeitsrechnung Aufgabe 1 Welche Axiome sind Grundlage der axiomatischen Wahrscheinlichkeitsdefinition von Kolmogoroff? a) P ist nichtnegativ. b) P ist additiv. c) P ist multiplikativ.
MehrStatistik I für Betriebswirte Vorlesung 2
Statistik I für Betriebswirte Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 11. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrKapitel 5 Stochastische Unabhängigkeit
Kapitel 5 Stochastische Unabhängigkeit Vorlesung Wahrscheinlichkeitsrechnung I vom SoSe 2009 Lehrstuhl für Angewandte Mathematik 1 FAU 5.1 Das Konzept der stochastischen Unabhängigkeit. 1 Herleitung anhand
MehrMathematische und statistische Methoden II
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de
MehrWahrscheinlichkeitstheorie
Bruno de Finetti Wahrscheinlichkeitstheorie Einführende Synthese mit kritischem Anhang R. Oldenbourg Verlag Wien München 1981 Inhaltsverzeichnis Vorwort X I II III Einführung 1. Wozu ein neues Buch über
MehrFMEA Glossar. Was ist eine FMEA? Was ist eine Prozess-FMEA? Was ist eine Produkt-FMEA? Was ist eine Design FMEA? Was bedeutet Brainstorming?
FMEA Glossar Was ist eine FMEA? Fehlermöglichkeits und Einflussanalyse (FMEA) Die Fehlermöglichkeits- und Einflussanalyse ist eine Methode zur Analyse von Fehlerrisiken im Produkt und Prozess. Sie dient
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
MehrSTOCHASTISCHE UNABHÄNGIGKEIT. Annika Pohlmann Philipp Oel Wilhelm Dück
STOCHASTISCHE UNABHÄNGIGKEIT Annika Pohlmann Philipp Oel Wilhelm Dück 1 GLIEDERUNG 1) Bedingte Wahrscheinlichkeiten 2) Unabhängigkeit für mehr als zwei Ereignisse 3) Unabhängigkeit für Zufallsvariable
MehrBoole'sches Modell <is web>
Boole'sches Modell basiert auf Mengentheorie und Boole'scher Algebra sehr einfaches Modell mit klarer Semantik Dokumente als Mengen von Indextermen Termgewichte sind binär: im Dokument enthalten oder nicht
MehrSatz von der totalen Wahrscheinlichkeit
htw saar 1 Satz von der totalen Wahrscheinlichkeit Sei (Ω, P) ein Wahrscheinlichkeitsraum, und B 1,, B n seien paarweise disjunkte Ereignisse mit B i = Ω. Für jedes Ereignis A gilt dann: P(A) = P(A B 1
MehrStatistik mit MATHCAD und MATLAB
Hans Benker Statistik mit MATHCAD und MATLAB Einführung in die Wahrscheinlichkeitsrechnung und mathematische Statistik für Ingenieure und Naturwissenschaftler Mit 31 Abbildungen Springer Einleitung 1 1.1
MehrInhalt. Wissensbasierte Diagnose Entscheidungsbäume Bayes-Netze Fallbasiertes Schließen Funktionsorientierte Diagnose Modellbasierte Systeme
Inhalt 2 Wissensbasierte Diagnose 3 Diagnose bezeichnet hier das Rückschließen auf mögliche Ursachen, welche zu beobachtbaren Wirkungen führen. Heutige Diagnosesysteme haben gute Diagnosebasisfunktionen,
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206 Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
MehrÜbersicht. Künstliche Intelligenz: 13. Unsicherheiten Frank Puppe 1
Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres Wissen und Schließen 13. Unsicherheiten 14. Probabilistisches Schließen 15. Probabilistisches
MehrElectronic Design Automation (EDA) Technology Mapping
Electronic Design Automation (EDA) Technology Mapping Überblick digitale Synthese Technology Mapping Abbildung durch die Abdeckung eines Baumes Partitionierung des DAG Dekomposition und Abdeckung Beispiel
MehrStation 1 Das Galtonbrett, Realmodelle
Station 1 Das Galtonbrett, Realmodelle Zeit zur Bearbeitung: 10 Minuten 1.1 Versuch:. Münzwurf mit dem Galtonbrett Betrachtet wird folgendes Zufallsexperiment: Fünf identische Münzen werden zehn-mal geworfen.
MehrWelche Axiome sind Grundlage der axiomatischen Wahrscheinlichkeitsdefinition von Kolmogoroff?
2. Übung: Wahrscheinlichkeitsrechnung Aufgabe 1 Welche Axiome sind Grundlage der axiomatischen Wahrscheinlichkeitsdefinition von Kolmogoroff? a) P ist nichtnegativ. b) P ist additiv. c) P ist multiplikativ.
MehrStatistik I für Betriebswirte Vorlesung 2
Statistik I für Betriebswirte Vorlesung 2 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 16. April 2018 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 2 Version: 9. April
MehrModes And Effect Analysis)
Gefahrenanalyse mittels FMEA (Failure Modes And Effect Analysis) Vortragender: Holger Sinnerbrink Betreuer: Holger Giese Gefahrenanalyse mittels FMEA Holger Sinnerbrink Seite: 1 Gliederung Motivation Einordnung
MehrAbbildung der Lehrplaninhalte im Lambacher Schweizer Thüringen Klasse 9 Lambacher Schweizer 9 Klettbuch
Leitidee Lernkompetenzen Lambacher Schweizer Klasse 9 Anmerkungen: Der Lehrplan für das Gymnasium in Thüringen ist ein Doppeljahrgangslehrplan. Das bedeutet, dass die Inhalte, die im Lehrplan zu finden
MehrWahrscheinlichkeitstheorie
Kapitel 2 Wahrscheinlichkeitstheorie Josef Leydold c 2006 Mathematische Methoden II Wahrscheinlichkeitstheorie 1 / 24 Lernziele Experimente, Ereignisse und Ereignisraum Wahrscheinlichkeit Rechnen mit Wahrscheinlichkeiten
MehrAufgabenblock 3. Durch zählen erhält man P(A) = 10 / 36 P(B) = 3 / 36 P(C) = 18 / 36 und P(A B) = 3 /
Aufgabenblock 3 Aufgabe ) A sei das Ereignis: schwerer Verkehrsunfall B sei das Ereignis: Alkohol ist im Spiel Herr Walker betrachtet die Wahrscheinlichkeit P(B A) = 0.3 und errechnet daraus P(-B A) =
Mehr1. Grundlegende Konzepte der Informatik
1. Grundlegende Konzepte der Informatik Inhalt Algorithmen Darstellung von Algorithmen mit Programmablaufplänen Beispiele für Algorithmen Aussagenlogik Zahlensysteme Kodierung Peter Sobe 1 Aussagenlogik
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften Modul 203 Stochastische Unabhängigkeit Hans Walser: Modul 203, Stochastische Unabhängigkeit ii Inhalt 1 Bedingte Wahrscheinlichkeit... 1 1.1 Feuermeldeanlage,
Mehr03 Boolesche Algebra. Technische Grundlagen der Informatik
03 Boolesche Algebra Technische Grundlagen der Informatik Automation Systems Group E183-1 Institute of Computer Aided Automation Vienna University of Technology email: tgi@auto.tuwien.ac.at Inhalt Operationen
MehrTechnische Grundlagen der Informatik
Technische Grundlagen der Informatik WS 2008/2009 6. Vorlesung Klaus Kasper WS 2008/2009 Technische Grundlagen der Informatik Inhalt Wiederholung Boolesche Gesetze Boolesche Kürzungsregeln Antivalenz und
MehrFuzzy Logic und Wahrscheinlichkeit
Philosophische Fakultät Institut für Philosophie, Lehrstuhl für Theoretische Philosophie, Holm Bräuer M.A. Fuzzy Logic und Wahrscheinlichkeit Ein Kurzüberblick Was ist Fuzzy Logic? Fuzzy-Logik (englisch:
MehrEinführung in die Wahrscheinlichkeitsrechnung
Einführung in die Wahrscheinlichkeitsrechnung Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) Wahrscheinlichkeitsrechnung
MehrAlgorithmen & Programmierung. Logik
Algorithmen & Programmierung Logik Aussagenlogik Gegenstand der Untersuchung Es werden Verknüpfungen zwischen Aussagen untersucht. Aussagen Was eine Aussage ist, wird nicht betrachtet, aber jede Aussage
MehrPraxishandbuch Qualitätsmanagement
Tilo Pfeifer Praxishandbuch Qualitätsmanagement Mit 191 Abbildungen und 42 Tabellen Carl Hanser Verlag München Wien VII Inhaltsverzeichnis Vorwort V 1 Qualitätsplanung 1 1.1 Quality Function Deployment
MehrZuverlässigkeitsanalyse auf Basis von Gutläufer-Informationen unter Nutzung von WInD-Pool -Daten
Zuverlässigkeitsanalyse auf Basis von Gutläufer-Informationen unter Nutzung von WInD-Pool -Daten Beitrag zur 4. EVW-Beiratssitzung Kassel, 04.06.2014 Dipl.-Ing. Klaus Kühnert IZP Dresden EVW-Projektbeiratssitzung
MehrÜberblick. Linguistische Anwendungen: æ Spracherkennung æ Textretrival æ probabilistische Grammatiken: z.b. Disambiguierung. Problem: woher Daten?
1 Überblick æ Beschreibende Statistik: Auswertung von Experimenten und Stichproben æ Wahrscheinlichkeitsrechnung: Schlüsse aus gegebenen Wahrscheinlichkeiten, Hilfsmittel: Kombinatorik æ Beurteilende Statistik:
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 2. Vorlesung Dr. Jochen Köhler 25.02.2011 1 Inhalt der heutigen Vorlesung Risiko und Motivation für Risikobeurteilungen Übersicht über die Wahrscheinlichkeitstheorie
MehrQualitätsmanagement 7 Managementwerkzeuge (M7) Gliederung
Gliederung 1. Qualitätsmanagement: Einführung und Überblick a. Definition des Qualitätsbegriffs b. Entwicklung des Qualitätsmanagements c. Entwicklungslinien des Qualitätsmanagements bei Lebensmitteln
Mehra) (A B) tritt ein = A tritt ein oder B tritt ein. = Mindestens eines der Ereignisse A, B tritt ein.
Lösungsvorschläge zu den Aufgaben von Blatt 6: 43) 7 Telefonzellen ( 7 Kugeln in der Urne); 3 davon sind von je einem Benutzer besetzt ( 3 Kugeln in die Stichprobe). Die Telefonzellen werden nicht mehrfach
MehrNeuere Ansätze zur Auswahl von Prädiktionsmodellen. Von Veronika Huber
Neuere Ansätze zur Auswahl von Prädiktionsmodellen Von Veronika Huber Gliederung Anwendungsbereiche von Prädiktionsmodellen Traditionelle Methoden zur Prüfung der Wirksamkeit Neuere Ansätze zur Prüfung
MehrGrundbegriffe der Wahrscheinlichkeitstheorie. Karin Haenelt
Grundbegriffe der Wahrscheinlichkeitstheorie Karin Haenelt 1 Inhalt Wahrscheinlichkeitsraum Bedingte Wahrscheinlichkeit Abhängige und unabhängige Ereignisse Stochastischer Prozess Markow-Kette 2 Wahrscheinlichkeitsraum
MehrIndexvokabular {Korsika, Sardinien, Strand, Ferienwohnung, Gebirge} Verknüpfung von Enthaltenseinsbedingungen mittels Boole'scher Junktoren.
Boole'sches Modell Boole'sches Modell: Beispiel basiert auf Mengentheorie und Boole'scher Algebra sehr einfaches Modell mit klarer Semantik Dokumente als Mengen von Indextermen Termgewichte sind binär:
MehrZusammenfassung Stochastik
Zusammenfassung Stochastik Die relative Häufigkeit Ein Experiment, dessen Ausgang nicht vorhersagbar ist, heißt Zufallsexperiment (ZE). Ein Würfel wird 40-mal geworfen, mit folgendem Ergebnis Augenzahl
MehrLösungen zu Übungs-Blatt 8 Wahrscheinlichkeitsrechnung
Lösungen zu Übungs-Blatt Wahrscheinlichkeitsrechnung Diskrete Zufallsgrößen Zu Aufgabe ) Welche der folgenden grafischen Darstellungen und Tabellen zeigen keine (Einzel-)Wahrscheinlichkeitsverteilung?
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 2008/2009
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
MehrAtypische Beschäftigung
10:52:26 Atypische Beschäftigung in Essen, Kreisfreie Stadt Seite Daten 1. Überblick 2 2. Kennziffern Struktur 5 3. Kennziffern Entwicklung 8 Diagramme 4. Anteil an Atypischer Beschäftigung in % 9 5. Atypische
MehrBoole sches Retrieval als frühes, aber immer noch verbreitetes IR-Modell mit zahlreichen Erweiterungen
Rückblick Boole sches Retrieval als frühes, aber immer noch verbreitetes IR-Modell mit zahlreichen Erweiterungen Vektorraummodell stellt Anfrage und Dokumente als Vektoren in gemeinsamen Vektorraum dar
MehrIntegration von Markov Modellen in Fehlerbäume
Integration von Markov Modellen in Fehlerbäume Alexander Prohaska Lehrstuhl Software Engineering: Dependability Technische Universität Kaiserslautern Postfach 3049 67653 Kaiserslautern prohaska@cs.uni-kl.de
MehrVorlesung Statistik, H&A Mathe, Master M
Beispiel: Die Wahrscheinlichkeit dafür, dass ein Bewerber von Firma A angenommen wird ist P(A) = 0,2. Die Wahrscheinlichkeit von Firma B angenommen zu werden beträgt P(B) = 0,3. Von mindestens einer der
MehrDie ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist.
.3. Stochastik Grundlagen Die ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist. Die RELATIVE HÄUFIGKEIT einer Merkmalsausprägung gibt an mit welchem Anteil
Mehr= 7! = 6! = 0, 00612,
Die Wahrscheinlichkeit, dass Prof. L. die Wette verliert, lässt sich wie folgt berechnen: Ω = {(i 1,..., i 7 ) : i j {1... 7}, j = 1... 7}, wobei i, j für den Wochentag steht, an dem die Person j geboren
Mehr7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen
7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen 7.7.1 Die Laplace-Verteilung Sei X eine gleich verteilte Zufallsvariable mit den Werten in der Menge Ω X = {x i R : i = 1,...,n}, d.h. f (x i = 1
MehrKomponentengruppenübergreifende Gemeinsam Verursachte Ausfälle (GVA) M. Leberecht
Komponentengruppenübergreifende Gemeinsam Verursachte Ausfälle (GVA) M. Leberecht Übersicht Einführung Der GVA in der PSA Der komponentengruppenübergreifende GVA Herausforderungen bei der Modellierung
MehrStochastik 02 Wiederholung & Vierfeldertafel
23. August 2018 Grundlagen der Statistik (bis Klasse 10) Grundlagen der Stochastik (bis Klasse 10) Zufallsgrößen und Verteilungen Beurteilende Statistik (Testen von Hypothesen) Bernoulli-Experimente Ziele
MehrStochastik Musterlösung 2
ETH Zürich HS 2018 RW, D-MATL, D-MAVT Prof. Marloes H. Maathuis Koordinator Dr. Marvin S. Müller Stochastik Musterlösung 2 1. Wir betrachten folgende vier Wettersituationen. Es regnet nur am Morgen; Es
MehrPraxisorientierte Ursachenerkennung. Verbesserung der Anlagenverfügbarkeit durch intelligente Ursachenerkennung mit SR::EAGLE
Praxisorientierte Ursachenerkennung Verbesserung der Anlagenverfügbarkeit durch intelligente Ursachenerkennung mit SR::EAGLE www.steag-systemtechnologies.com Ursachenanalyse 2 Ursache und Wirkung Im Laufe
MehrÜbung zu Grundlagen der Technischen Informatik
Grundlagen der Technischen Informatik 9. Übung Christian Knell Keine Garantie für Korrekt-/Vollständigkeit 9. Übungsblatt Themen Aufgabe 1: Aufgabe 2: Aufgabe 3: Aufgabe 4: Multiplexer und De-Multiplexer
MehrTechnische Informatik I
Rechnerstrukturen Dario Linsky Wintersemester 200 / 20 Teil 2: Grundlagen digitaler Schaltungen Überblick Logische Funktionen und Gatter Transistoren als elektronische Schalter Integrierte Schaltkreise
MehrBeispielseite (Band 1) 2. Ganzrationale Funktionen 2.4 Nullstellen bei Funktionen 3. Grades
Beispielseite (Band ). Ganzrationale Funktionen.4 Nullstellen bei Funktionen. Grades Funktionen. Grades ohne Absolutglied Bei ganzrationalen Funktionen. Grades ohne Absolutglied beginnt die Nullstellenberechnung
Mehr8. Mai Qualitätsmanagement Werkzeuge des Qualitätsmanagements
Qualitätsmanagement Übung 1 8. Mai 2007 Fischgrätendiagramm oder Ishikawa Diagramm Fischgrätendiagramm oder Ishikawa Diagramm es werden möglichst alle Ursachen eines Problems in Form von Haupt- und Nebenästen
MehrAnwendung Informatik Daten verwalten (2) Ursprüngliche Information Logische Verknüpfungen als Grundlage für die Informationsgewinnung
Agenda für heute, 20. November 2009 Daten verwalten (2): Drei Stufen der Datenverwaltung Logische Verknüpfungen als Grundlage für die Informationsgewinnung Werte von Aussagen: Wahrheitstabellen Anwendung
MehrStochastik Grundlagen
Grundlegende Begriffe: Zufallsexperiment: Ein Experiment, das beliebig oft wiederholt werden kann. Die möglichen Ergebnisse sind bekannt, nicht jedoch nicht, welches Ergebnis ein einzelnes Experiment hat.
MehrLogik (Teschl/Teschl 1.1 und 1.3)
Logik (Teschl/Teschl 1.1 und 1.3) Eine Aussage ist ein Satz, von dem man eindeutig entscheiden kann, ob er wahr (true, = 1) oder falsch (false, = 0) ist. Beispiele a: 1 + 1 = 2 b: Darmstadt liegt in Bayern.
MehrGAP - Analyse. Katrin Lindemann & Robert Rduch. Planung 1 Übung GAP-Analyse Katrin Lindemann & Robert Rduch. Folie: 1
GAP - Analyse Katrin Lindemann & Robert Rduch Folie: 1 Gliederung 1. Prognose 1.1. Grundlagen 1.2. Methoden 13 1.3. Einordnung der GAPA GAP-Analyse 2. GAP-Analyse 2.1. Aufgabe & Zweck 2.2. Vorgehensweise
MehrTesten eingebetteter Systeme
Seminar Qualitätsmanagement in der Softwaretechnik Testen eingebetteter Systeme Jens Rolfes rolfes@web.de Gliederung! Grundlagen! Präventive Analysemethoden! Messende Testtechniken! Fazit Testen eingebetteter
MehrDas Ziegenproblem. Nils Schwinning und Christian Schöler Juni 2010
Das Ziegenproblem Nils Schwinning und Christian Schöler http://www.esaga.uni-due.de/ Juni 2010 Die Formulierung Obwohl das sogenannte Ziegenproblem in der Mathematik allgegenwärtig erscheint, wurde es
MehrFür die Wahrscheinlichkeit P A (B) des Eintretens von B unter der Bedingung, dass das Ereignis A eingetreten ist, ist dann gegeben durch P(A B) P(A)
3. Bedingte Wahrscheinlichkeit ================================================================== 3.1 Vierfeldertafel und Baumdiagramm Sind A und B zwei Ereignisse, dann nennt man das Schema B B A A P
MehrPrognoseverfahren von Michaela Simon 7.Semester Spezialisierung Finanzwirtschaft
Prognoseverfahren von Michaela Simon 7.Semester Spezialisierung Finanzwirtschaft Inhaltsverzeichnis I. Allgemeine Aussagen II. Subjektive Planzahlenbestimmung III. Extrapolierende Verfahren 1. Trendanalyse:
MehrGrundbegrie der Wahrscheinlichkeitsrechnung
Die Benutzung dieser Materialien ist auf Herbst 2017 beschränkt. Diese Hilfsmaterialien sind nur für unseren Studenten gemeint, dürfen also nicht weiterverteilt werden. Grundbegrie der Wahrscheinlichkeitsrechnung
Mehr11 Unabhängige Ereignisse
11 Unabhängige Ereignisse In engem Zusammenhang mit dem Begriff der bedingten Wahrscheinlichkeit steht der Begriff der Unabhängigkeit von Ereignissen. Wir klären zuerst, was man unter unabhängigen Ereignissen
MehrInformationsverarbeitung auf Bitebene
Informationsverarbeitung auf Bitebene Dr. Christian Herta 5. November 2005 Einführung in die Informatik - Informationsverarbeitung auf Bitebene Dr. Christian Herta Grundlagen der Informationverarbeitung
MehrProgramm heute. Algorithmen und Datenstrukturen (für ET/IT) Definition Algorithmus. Wie beschreibt man Algorithmen?
Programm heute Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 2015 1 Einführung Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München 2 Grundlagen von Algorithmen
MehrEinführung in die Wahrscheinlichkeitsrechnung
Marco Cattaneo Institut für Statistik Ludwig-Maximilians-Universität München Sommersemester 2011 1. Wahrscheinlichkeitsrechnung 2. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grenzwertsätze
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 2016 Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München Programm heute 1 Einführung 2 Grundlagen von Algorithmen
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie (3) Überblick. Deskriptive Statistik I 2. Deskriptive
MehrRumpfskript. Elementare Wahrscheinlichkeitsrechnung. Prof. Dr. Ralf Runde Statistik und Ökonometrie, Universität Siegen
Rumpfskript Elementare Wahrscheinlichkeitsrechnung Prof. Dr. Ralf Runde Statistik und Ökonometrie, Universität Siegen Vorbemerkung Vorbemerkung Das vorliegende Skript heißt nicht nur Rumpf skript, sondern
MehrHauptklausur zur Stochastik für Lehramt
Universität Duisburg-Essen Essen, den 20.02.203 Fakultät für Mathematik Dr. Daniel Herden Dipl.-Inf. Christian Thiel Matthias aus der Wiesche Hauptklausur zur Stochastik für Lehramt Bearbeitungszeit: mind.
MehrDaten und Zufall. eine gar nicht sooo neue Leitidee im Bildungsplan Mathematik Grundschule. SINUS September 2012 Benedikt Rocksien 1
Daten und Zufall eine gar nicht sooo neue Leitidee im Bildungsplan Mathematik Grundschule SINUS September 2012 Benedikt Rocksien 1 Mathematikunterricht in der Grundschule Allgemeine mathematische Kompetenzen
MehrStatistik für Ingenieure Vorlesung 2
Statistik für Ingenieure Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 24. Oktober 2016 2.4 Bedingte Wahrscheinlichkeiten Häufig ist es nützlich, Bedingungen
MehrDas Business im Process: Warum Anwender nicht BPMN sprechen
Das Business im Process: Warum Anwender nicht BPMN sprechen Andreas Wußler, PROMATIS software GmbH Ettlingen, 15. November 2011 1 Agenda Einleitung Petri-Netze XML-Netze BPMN 2.0 Warum Projekte scheitern
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 24. Oktober 2007 1. Statistik Wir denken an Experimente, bei deren Durchführung die Variable X, um die es dabei geht, verschiedene Werte annehmen
MehrEpidemiologie und HIV-Tests
26. November 2009 Cornelias HIV-Test Das ist Cornelia. Cornelia möchte Plasmaspenderin werden. Dafür braucht sie einen negativen Befund eines HIV-Tests. Deshalb geht sie ins Krankenhaus. Cornelias HIV-Test
MehrArbeitsbuch zur deskriptiven und induktiven Statistik
Helge Toutenburg Michael Schomaker Malte Wißmann Christian Heumann Arbeitsbuch zur deskriptiven und induktiven Statistik Zweite, aktualisierte und erweiterte Auflage 4ü Springer Inhaltsverzeichnis 1. Grundlagen
MehrStochastik I Vorlesung WT 1 Stochastische Modellbildung. K.Gerald van den Boogaart
Stochastik I Vorlesung WT 1 Stochastische Modellbildung K.Gerald van den Boogaart http://www.stat.boogaart.de Stochastik I p.1/52 Spielbeispiel Die Simplon 13 Rettungsrakete Zündung der Rettungsrakete
MehrIch-kann-Sätze für die 4. Klausur M EPh GK 4
Ich-kann-Sätze für die 4. Klausur M EPh GK 4 Dies ist die Ich-kann-Satz-Liste (Checkliste) für die zentrale Mathematikklausur am 13.06.2019. Grundsätzlich können natürlich alle mathematischen Inhalte aus
MehrStatistik Einführung // Wahrscheinlichkeitstheorie 3 p.2/58
Statistik Einführung Wahrscheinlichkeitstheorie Kapitel 3 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Leydold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // Wahrscheinlichkeitstheorie
Mehr6 Technische Statistik und Wahrscheinlichkeitsrechnung
1 6 Technische Statistik und Wahrscheinlichkeitsrechnung 6.1 Die Binominalverteilung Diese Verteilung wird auch als Bernoullische oder Newtonsche Verteilung bezeichnet. Dabei handelt es sich um eine diskrete
MehrFUNKTIONALE DEKOMPOSITION
Ein statistischer Sicherheitsnachweis für den Autobahnchauffeur würde mehrere Milliarden Testkilometer erfordern. Dies ist nicht realisierbar. Ein szenario-basierter Ansatz kann den Testaufwand reduzieren,
MehrGrundlagen des Datenschutzes und der IT-Sicherheit (8)
und der IT-Sicherheit (8) Vorlesung im Sommersemester 2006 an der Universität Ulm von Ergebnis: Anforderungen an IT-Sicherheit Ausgestaltung der IT-Sicherheit beeinflusst durch - rechtliche Vorgaben -
MehrFehlerdiagnose von transienten Fehlern in quantisierten Systemen
Fehlerdiagnose von transienten Fehlern in quantisierten Systemen Hauptseminar Andreas Kost Gliederung Einührung Qualitative Modellierung Diagnose von quantisierten Systemen Zusammenassung & Ausblick 1.
Mehr