Monte-Carlo-Verfahren nach GUM Supplement 1. Gerd Wübbeler Physikalisch-Technische Bundesanstalt
|
|
- Petra Arnold
- vor 6 Jahren
- Abrufe
Transkript
1 Monte-Carlo-Verfahren nach GUM Supplement 1 Gerd Wübbeler Physikalisch-Technische Bundesanstalt 1
2 Inhalt Wahrscheinlichkeitsverteilungen Monte-Carlo Verfahren Beispiele Adaptive Monte-Carlo Verfahren
3 Warum GUM S1? Schätzwerte Unsicherheiten Modell Schätzwert Unsicherheit GUM x1, u( x1) x, u( x) x3, u( x3) Y f ( X1, X, X 3) y y, u( y) u ( y) f ( x 1,, x N ) i N 1 f x i u ( x ) i Einschränkungen seitens des GUM Linearität des Modells Annahmen über Verteilungen GUM S1 3
4 Bayessche Datenanalyse Wahrscheinlichkeitsdichte PDF Messdaten PDF Unsicherheit Modell weitere Information Schätzwert (Messergebnis) Messgröße Quantitative Beschreibung der Kenntnis über die Messgröße via PDF Numerische Berechnung der PDF mittels Monte Carlo Verfahren 4
5 GUM S1: Fortpflanzung von Verteilungen PDFs der Eingangsgrößen Modell Transformation von Zufallsvariablen Berechnungsmethode: Monte-Carlo Methode (MCM) - i.i.d. Samples aus der Verteilung (PDF) der Messgröße - Anwendbar in vielen Fällen (nichtlineare Modelle) 5
6 Festlegung von Verteilungen Information PDF Messwerte aus Gauss-Verteilung Skalierte und verschobene t-verteilung mit n 1 Freiheitsgraden x 1,, x n 1 p( x1,, xn) tn 1 s / n s / x n x 1 n n x i i 1 s 1 n 1 n i 1 ( x i x) t-verteilung n=4 6
7 Festlegung von Verteilungen Information PDF a x b Gleichverteilung über [a,b] xˆ, u( xˆ) Gauss-Verteilung xˆ u( xˆ) xˆ xˆ u( xˆ ) Tabelle 1 im GUM S1 7
8 Festlegung von Verteilungen GUM Supplement 1 (008) 8
9 GUM S1 : Fortpflanzung von Verteilungen g Y ( ) g ( ξ) [ f X ( ξ)] dξ Lineare Näherung der Modell-Funktion f ( ξ) f ( x) ( ξ x) T ( f ( x)) GUM-Formeln 9
10 Monte-Carlo Methode Ziehungen Y X 1 X X3 M=1e5; x1=5+randn(m,1); x=1+rand(m,1)+rand(m,1); x3=1+rand(m,1); y=x1.*x.*x3; hist(y,100); 10
11 Ergebnis der MCM Vertrauensintervall PDF Unsicherheit Schätzwert (Messergebnis) Messgröße 11
12 Vergleich: GUM - GUM S1 Modell Schätzwerte Unsicherheiten Y X 1 X x 1 x 1 u( x1 ) u( x ) 1 Gauss-Verteilungen (unkorreliert) Überdeckungsintervalle (95%) GUM GUM S1 Schätzwert Unsicherheit Resultate von GUM und GUM S1 können unterschiedlich sein GUM S1 im Zweifelsfall verbindliche MU Methode 1
13 Vergleich: GUM - GUM S1 mit Korrelation Modell Schätzwerte Unsicherheiten Y X 1 X x 1 x 1 u( x1 ) u( x ) Gauss-Verteilungen (korreliert) Überdeckungsintervalle (95%) GUM GUM S1 Schätzwert Unsicherheit Resultate von GUM und GUM S1 können unterschiedlich sein GUM S1 im Zweifelsfall verbindliche MU Methode 13
14 Vergleich: GUM - GUM S1 Digitalmultimeter Modell Schätzwerte Unsicherheiten R U / I 1 V und A Gleichverteilungen V, A (unkorreliert) Monte-Carlo Methode (MCM) 14
15 Adaptive Monte-Carlo Verfahren Monte-Carlo Resultate weisen i.a. zufällige Schwankungen auf Spezifikation der Genauigkeit der Ergebnisse notwendig Adaptive Monte-Carlo Verfahren Ziel Durchführen der MCM bis eine gewählte Genauigkeit mit einer vorgegebenen Wahrscheinlichkeit erreicht ist (mit möglichst wenigen Ziehungen) 15
16 Adaptive Monte-Carlo Verfahren X i i ~ N(0,1) 16
17 Adaptive Monte-Carlo Verfahren X i ~ N(0,1) Gesucht Abbruchkriterium zum Erreichen einer spezifizierten Genauigkeit 17
18 Alternatives Adaptives Verfahren Adaptives Verfahren nach GUM S1 (7.9) nicht optimal Zweistufiges Schema nach Stein Spezifizierte Genauigkeit beweisbar 18
19 Fazit: Chancen und Risiken + MCM flexibles Werkzeug zur Berechnung von Messunsicherheiten, insbes. für nichtlineare Modelle und beliebige Verteilungen + GUM S1 im Zweifelsfall verbindliche MU Methode + GUM als Spezialfall enthalten (Linearisierung) - Monte-Carlo Ergebnisse selbst unsicher - Messunsicherheitsbudget erfordert zusätzliche Berechnungen - Weitergabe von Verteilungen nicht geregelt 19
Ermittlung der Messunsicherheit und Anwendung der Monte-Carlo-Methode in GUMsim
Ermittlung der Messunsicherheit und Anwendung der Monte-Carlo-Methode in GUMsim PTB-Seminar 308 Felix Straube, QuoData GmbH Berlin, 16.03.2018 Gliederung GUM Verfahren Monte-Carlo-Methode Prinzip der Messunsicherheitsbestimmung
MehrErweiterte Messunsicherheit
Erweiterte Messunsicherheit Gerd Wübbeler, Stephan Mieke PTB, 8.4 Berechnung der Messunsicherheit Empfehlungen für die Praxis Berlin, 11. und 12. März 2014 Gliederung 1. Was gibt die erweiterte Messunsicherheit
Mehr:Messdatenauswertung & Messunsicherheit
:Messdatenauswertung & Messunsicherheit VE 12: Monte-Carlo Methode zur Fortpflanzung von Wahrscheinlichkeitsverteilungen 3.6. 10-3 1 Wahrscheinlichkeitsverteilung als Modell unsicherer Kenntnis Transformation
MehrGrundlagen der Berechnung von Messunsicherheiten
Metrodata GmbH Datenverarbeitung für Messtechnik und Qualitätssicherung Y=ŷ±U; k p =x Grundlagen der Berechnung von Messunsicherheiten Teresa Werner Munich Calibration Day München 1 Konzept der Messunsicherheit
MehrErstellen von Messunsicherheitsbudg ets nach dem GUM
Metrodata GmbH Datenverarbeitung für Messtechnik und Qualitätssicherung Munich Calibration Day München 16.10.2015 Y=ŷ±U; k p =x Erstellen von Messunsicherheitsbudg ets nach dem GUM Nachvollziehbares Dokumentieren
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse PHY31 Herbstsemester 016 Olaf Steinkamp 36-J- olafs@physik.uzh.ch 044 63 55763 Vorlesungsprogramm Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung
MehrMessunsicherheit. Irrtümer und Erklärungen
Messunsicherheit Irrtümer und Erklärungen Inhalt Schon immer begleitet den Messtechniker die Wahrheit: Wer misst, misst Mist. Nun wird ergänzt: Messunsicherheit ist nicht die Sorge, beim Messen unsicher
MehrGrundlagen der Messunsicherheitsanalyse Das ABC der Messunsicherheitsbudgets
Metrodata GmbH Datenverarbeitung für Messtechnik und Qualitätssicherung Y=ŷ±U; k p =x Grundlagen der Messunsicherheitsanalyse Das ABC der Messunsicherheitsbudgets Teresa Werner Munich Calibration Day München
MehrBenutzerfreundliche QMSys GUM Software zur praxisorientierte und normgerechte Ermittlung der Messunsicherheit
GUM Enterprise / Professional / Excel AddIn GUMX Benutzerfreundliche QMSys GUM Software zur praxisorientierte und normgerechte Ermittlung der Messunsicherheit Messmodell Stefan Golemanov Qualisyst GmbH
MehrUnsicherheit - Konzept und Auswirkungen für Normung und Strahlenschutz Rolf Behrens
Unsicherheit - Konzept und Auswirkungen für Normung und Strahlenschutz Rolf Behrens Physikalisch-Technische Bundesanstalt Inhalt Unsicherheit das Konzept Auswirkung für die Normung Auswirkung für den Strahlenschutz
MehrStichwortverzeichnis. Chi-Quadrat-Verteilung 183, 186, 189, 202 ff., 207 ff., 211 Testen von Zufallszahlen 294 Cărtărescu, Mircea 319
Stichwortverzeichnis A Ableitung partielle 230 absolute Häufigkeit 47 Abweichungen systematische 38, 216, 219 zufällige 216, 218, 220, 222 Algorithmus average case 303 Las Vegas 300 Monte Carlo 300 randomisierter
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse (PHY31) Herbstsemester 015 Olaf Steinkamp 36-J- olafs@physik.uzh.ch 044 63 55763 Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung und
MehrMessunsicherheit für Prozesse GUM-konforme Fähigkeitsbestimmung für Messprozesse
Metrodata GmbH Datenverarbeitung für Messtechnik und Qualitätssicherung Y=ŷ±U; k p =x Messunsicherheit für Prozesse GUM-konforme Fähigkeitsbestimmung für Messprozesse Teresa Werner 293. PTB- Seminar Berlin
MehrInhaltsverzeichnis. 4 Statistik Einleitung Wahrscheinlichkeit Verteilungen Grundbegriffe 98
Inhaltsverzeichnis 1 Datenbehandlung und Programmierung 11 1.1 Information 11 1.2 Codierung 13 1.3 Informationsübertragung 17 1.4 Analogsignale - Abtasttheorem 18 1.5 Repräsentation numerischer Daten 20
MehrMessunsicherheit Irrtümer und Erklärungen. White Paper
Messunsicherheit Irrtümer und Erklärungen White Paper Schon immer begleitet den Messtechniker die Wahrheit: Wer misst, misst Mist. Nun wird ergänzt: Messunsicherheit ist nicht die Sorge, beim Messen unsicher
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 13. Juli 2011 Ziel der Vorlesung Vermittlung von Grundkenntnissen der Statistik, Simulationstechnik und numerischen Methoden (Algorithmen) Aufgabe:
MehrSchätzung von Parametern
Schätzung von Parametern Schätzung von Parametern Quantitative Wissenschaft: Messung von Parametern Gemessene Werte weichen durch (statistische und systematische) Messfehler vom wahren Wert des Parameters
Mehr1 Grundbegriffe der Messtechnik 1
1 Grundbegriffe der Messtechnik 1 1.1 Definitionen 1 1.2 Art des Messens 3 1.3 Messsysteme 4 1.4 Messverfahren 6 1.4.1 Messmethoden 6 1.4.2 Messeffekt 8 1.5 Funktionselemente von Messeinrichtungen 9 1.6
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
MehrMessunsicherheitsangabe für Messbereiche
Messunsicherheitsangabe für Messbereiche Messunsicherheitsangabe für Messbereiche 260. PTB-Seminar 21./22. März 2011 Dr. Harry Stolz PTB Braunschweig Leiter der Zertifizierungsstelle H. Stolz, März 2011
Mehr5. Meßfehler. Zufällige Messfehler machen das Ergebnis unsicher - ihre Abschätzung ist nur unter Verwendung statistischer Methoden durchführbar
5. Meßfehler Man unterscheidet... zufällige Meßfehler systematische Meßfehler Zufällige Messfehler machen das Ergebnis unsicher - ihre Abschätzung ist nur unter Verwendung statistischer Methoden durchführbar
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Rechenregeln für den Erwartungswert Ist f symmetrisch bzgl. a, so gilt E(X)
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse (PHY231) Herbstsemester 2015 Olaf Steinkamp 36-J-22 olafs@physik.uzh.ch 044 63 55763 Vorlesungsprogramm Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
PHY3 Herbstsemester 04 Olaf Steinkamp Physik-Institut der Universität Zürich Winterthurerstrasse 90 CH-8057 Zürich olafs@physik.uzh.ch Büro: 36-J- Tel.: 044-635.57.63 Vorlesungsprogramm Einführung, Messunsicherheiten,
MehrVorwort zur fünften Auflage. Liste der Beispiele. Häufig benutzte Symbole und Bezeichnungen
Vorwort zur fünften Auflage Liste der Beispiele Häufig benutzte Symbole und Bezeichnungen v xiv xvii 1 Einleitung 1 1.1 Typische Aufgaben der Datenanalyse 1 1.2 Zum Aufbau dieses Buches 2 1.3 Zu den Programmen
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse (PHY23) Herbstsemester 207 Olaf Steinkamp 36-J-05 olafs@physik.uzh.ch 044 63 55763 Vorlesungsprogramm Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 15.01.2009 Numerische Methoden und Algorithmen in der Physik Christian Autermann 1/ 47 Methode der kleinsten Quadrate
MehrKalmanfiter (1) Typische Situation für den Einsatz von Kalman-Filtern
Kalmanfiter (1) Typische Situation für den Einsatz von Kalman-Filtern Vorlesung Robotik SS 016 Kalmanfiter () Kalman-Filter: optimaler rekursiver Datenverarbeitungsalgorithmus optimal hängt vom gewählten
MehrInhaltsverzeichnis. Vorwort zur fünften Auflage. Liste der Beispiele. Häufig benutzte Symbole und Bezeichnungen
Vorwort zur fünften Auflage Liste der Beispiele Häufig benutzte Symbole und Bezeichnungen v xiv xvii 1 Einleitung 1 Typische Aufgaben der Datenanalyse 1 1.2 Zum Aufbau dieses Buches 2 Zu den Programmen
MehrStatistische Methoden der Datenanalyse
Statistische Methoden der Datenanalyse Vorlesung im Sommersemester 2008 H. Kolanoski Humboldt-Universität zu Berlin Inhaltsverzeichnis Literaturverzeichnis iii 1 Grundlagen der Statistik 3 1.1 Wahrscheinlichkeit............................
MehrRechnernutzung in der Physik Teil 3 Statistische Methoden der Datenanalyse
Rechnernutzung in der Physik Teil 3 Statistische Methoden der Datenanalyse Karlsruher Institut für Technologie Ulrich Husemann Institut für Experimentelle Kernphysik, Karlsruher Institut für Technologie
MehrParameteranpassung mit kleinsten Quadraten und Maximum Likelihood
Parameteranpassung mit kleinsten Quadraten und Maximum Likelihood Armin Burgmeier 27. November 2009 1 Schätzwerte 1.1 Einführung Physikalische Messungen sind immer fehlerbehaftet. Man misst niemals den
MehrMessunsicherheit nach GUM* Praxisgerecht für chemische Laboratorien
Messunsicherheit nach GUM* Praxisgerecht für chemische Laboratorien *) Guide to the Expression of Uncertainty in Measurement - F 1 Einführung und Motivation Gliederung: 1. Notwendigkeit und Nutzen der
MehrStatistische Methoden für Bauingenieure WS 13/14
Statistische Methoden für Bauingenieure WS 13/14 Einheit 6: Simulation und probabilistische Bemessung/ Zuverlässigkeit Univ.Prof. Dr. Christian Bucher Typische Problemstellung Auslegung des Turmschafts
MehrPhysikalische Größe die Gegenstand der Messung ist z.b Länge
Seite 1 von 1 Grundlegendes Konzept ist die VDI/VDE-Richtlinie 2617 Blatt 11, sowie die weitergehenden Ausführungen des Fachbuchs Messunsicherheit (Expertverlag, Renningen, 2007). Mitgeltende Unterlagen
MehrSYS_A - ANALYSIEREN. Statistik. NTB Druckdatum: SYS A. Histogramm (Praxis) Gaußsche Normalverteilung (Theorie) Gebrauch: bei n > 100
SYS_A - ANALYSIEREN Statistik Gaußsche Normalverteilung (Theorie) Gebrauch: bei n > 100 Histogramm (Praxis) Realisierung Lage Streuung Zufallsvariable Dichte der Normalverteilung Verteilungsfunktion Fläche
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, 4. Mai 2017 Dr. Michael O. Distler
MehrLösungsskizzen zur Präsenzübung 09
Lösungsskizzen zur Präsenzübung 09 Hilfestellung zur Vorlesung Anwendungen der Mathematik im Wintersemester 2015/2016 Fakultät für Mathematik Universität Bielefeld Veröffentlicht am 07. Februar 2016 von:
MehrKonzepte der Statistik für die Messdatenanalyse
Konzepte der Statistik für die Messdatenanalyse Modelle Beispiel: optische Abbildung im Fernfeld (Fraunhoferbeugung) indirekte Messgröße: Abstand der beiden Spalte D Modell inverses Problem direkte Messgrößen:
MehrKonformitätsaussagen nach JCGM 106. M. Zeier, METAS
Konformitätsaussagen nach JCGM 106 M. Zeier, METAS Inhalt Worum geht es GUM-Dokument: JCGM 106 Messunsicherheiten und PDFs Konformitätswahrscheinlichkeit Risiko, Sicherheitsabstand und Annahmegrenze PTB-Seminar,
MehrMethoden der Werkstoffprüfung Kapitel II Statistische Verfahren I. WS 2009/2010 Kapitel 2.0
Methoden der Werkstoffprüfung Kapitel II Statistische Verfahren I WS 009/010 Kapitel.0 Schritt 1: Bestimmen der relevanten Kenngrößen Kennwerte Einflussgrößen Typ A/Typ B einzeln im ersten Schritt werden
MehrAnhang 2 Bestimmung von Messunsicherheiten
Anhang 2 Bestimmung von Messunsicherheiten Jede Messung ist unvollkommen und kann daher nicht den wahren Wert der gesuchten Messgröße, sondern nur einen mehr oder weniger genauen Näherungswert liefern,
MehrDie Maximum-Likelihood-Methode
Vorlesung: Computergestützte Datenauswertung Die Maximum-Likelihood-Methode Günter Quast Fakultät für Physik Institut für Experimentelle Kernphysik SS '17 KIT Die Forschungsuniversität in der Helmholtz-Gemeinschaft
MehrStatistik - Fehlerrechnung - Auswertung von Messungen
Statistik - Fehlerrechnung - Auswertung von Messungen TEIL II Vorbereitungskurs F-Praktikum B (Physik), RWTH Aachen Thomas Hebbeker Eindimensionaler Fall: Parameterbestimmung - Beispiele [Übung] Mehrdimensionaler
MehrModellierung von Unsicherheit in Systemen
Modellierung von Unsicherheit in Systemen Motivation Systeme Zeitdiskrete, lineare und nicht-lineare Systeme, Beispiele Wahrscheinlichkeiten Zufallsvariablen, Wahrscheinlichkeitsdichten, mehrdimensionale
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 29. Oktober 2007 1. Statistik 1.1 Wahrscheinlichkeit Pragmatisch: p(e) = n(e) N für N sehr groß Kombination von Wahrscheinlichkeiten p(a oder B) =
MehrMessunsicherheitsbetrachtungen bei Temperatur-Blockkalibratoren
268. PTB-Seminar: Berechnung der Messunsicherheit Empfehlungen für die Praxis Messunsicherheitsbetrachtungen bei Temperatur-Blockkalibratoren Dienstag, 19. März 213 S. Friederici FB 7.4 PTB Berlin Physikalisch-Technische
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion und σ > 0 heißt
MehrDatenanalyse für Naturwissenschaftler und Ingenieure
Siegmund Brandt Datenanalyse für Naturwissenschaftler und Ingenieure Mit statistischen Methoden und Java-Programmen 5. Auflage 4y Springer Spektrum Inhaltsverzeichnis Vorwort zur fünften Auflage Liste
Mehrvon Prof. Dr. P. H. Osanna, Prof. Dr. N. M. Durakbasa, Dr. techn. L. Kräuter Inhalt
Geometrische Produktspezifikation und -Verifikation "GPS" und Messunsicherheit nach "GUM" als Basis moderner Metrologie im fortschrittlichen Produktionsbetrieb von Prof. Dr. P. H. Osanna, Prof. Dr. N.
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. P. Embrechts ETH Zürich Sommer 204 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Schreiben Sie für Aufgabe 2-4 stets alle Zwischenschritte und -rechnungen sowie Begründungen auf. Vereinfachen
MehrRechnernutzung in der Physik
Rechnernutzung in der Physik Teil 3 Statistische Methoden in der Datenanalyse Roger Wolf 15. Dezember 215 INSTITUTE OF EXPERIMENTAL PARTICLE PHYSICS (IEKP) PHYSICS FACULTY KIT University of the State of
MehrStatistische Methoden für Bauingenieure WS 2013/14. Literatur
Statistische Methoden für Bauingenieure WS 2013/14 Einheit 1: Einführung in die Wahrscheinlichkeitstheorie Univ.Prof. Dr. Christian Bucher Literatur C. Bucher: Computational analysis of randomness in structural
MehrQMSys GUM Enterprise, Professional, Standard Software zur Analyse der Messunsicherheit
QMSys GUM Enterprise, Professional, Standard Software zur Analyse der Messunsicherheit 1. Einführung... 2 2. Editionen der QMSys Software... 4 3. Vorteile der QMSys GUM Software... 6 4. Beschreibung der
MehrEinführung in die Theorie der Messfehler
Einführung in die Theorie der Messfehler Ziel der Vorlesung: Die Studentinnen/Studenten sollen die Grundlagen der Theorie der Messfehler sowie den Unterschied zwischen Ausgleichsrechnung und statistischer
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 08.01.2009 Numerische Methoden und Algorithmen in der Physik Hartmut Stadie 1/ 32 Einführung Wahrscheinlichkeit Verteilungen
MehrKAPITEL 10. Numerische Integration
KAPITEL 10. Numerische Integration 10.1 Einleitung Sei Es gilt I Ĩ = b I = b a a f(x) f(x) dx f(x) dx, Ĩ = b b a f(x) dx. a f(x) f(x) dx (b a) f f. I Ĩ I (b a) f f b a f(x) dx = ba f dx b a f(x) dx f f
Mehr6. Kontinuierliche Zufallsgrößen. Beispiel 1: Die Exponentialverteilungen Sei λ > 0. Setzen
6. Kontinuierliche Zufallsgrößen Definition: Eine Z. G. ξ ist absolut stetig mit (Wahrscheinlichkeits-) Dichte f : R R, wenn gilt: P ( a ξ < b ) = b a f(x) dx (a < b) allgem. Eigenschaften einer Dichte
MehrStichwortverzeichnis. Symbole
Stichwortverzeichnis Symbole 50ste Perzentil 119 A Absichern, Ergebnisse 203 Abzählbar unendliche Zufallsvariable 146 Alternativhypothese 237 238 formulieren 248 Anekdote 340 Annäherung 171, 191 Antwortquote
MehrQuantifizierung der Unsicherheit von Netzmessungen in einer Venturi-Düse bei unsicheren Zuströmbedingungen
Quantifizierung der Unsicherheit von Netzmessungen in einer Venturi-Düse bei unsicheren Zuströmbedingungen, Jonas Steinbock, André Fiebach, Thomas Lederer Erfahrungsaustausch zum Thema Flow am 29.2.2016
MehrUmgang mit und Analyse von Messwerten
In diesem ersten Praktikumsversuch erarbeiten Sie sich das Handwerkszeug, was zum erfolgreichen absolvieren des Physikpraktikums nötig ist. Im Fokus dieses Versuchs stehen die Themen: Signifikante Stellen
MehrHypothesentests für Erwartungswert und Median. für D-UWIS, D-ERDW, D-USYS und D-HEST SS15
Hypothesentests für Erwartungswert und Median für D-UWIS, D-ERDW, D-USYS und D-HEST SS15 Normalverteilung X N(μ, σ 2 ) : «X ist normalverteilt mit Erwartungswert μ und Varianz σ 2» pdf: f x = 1 2 x μ exp
Mehr1. Grundbegri e der Stochastik
Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt
MehrVortrag anlässlich des 277. PTB Seminars, Berlin, 11. März 2014
Vortrag anlässlich des 277. PTB Seminars, Berlin, 11. März 2014 Bernd Pesch Kalibrierzentrum der Bundeswehr / QM, Messverfahren und ihre Unsicherheit Nebenberuflich tätig für Pesch Consult, Zülpich So
MehrEinführung Fehlerrechnung
Einführung Fehlerrechnung Bei jeder Messung, ob Einzelmessung oder Messreihe, muss eine Aussage über die Güte ( Wie groß ist der Fehler? ) des Messergebnisses gemacht werden. Mögliche Fehlerarten 1. Systematische
MehrMethoden der Werkstoffprüfung Kapitel I Grundlagen. WS 2009/2010 Kapitel 1.0
Methoden der Werkstoffprüfung Kapitel I Grundlagen WS 2009/2010 Kapitel 1.0 Grundlagen Probenmittelwerte ohne MU Akzeptanzbereich Probe 1 und 2 liegen im Akzeptanzbereich Sie sind damit akzeptiert! Probe
MehrAuswertung von Messungen Teil II
Auswertung von Messungen Teil II 1. Grundgesamtheit und Stichprobe. Modellverteilungen.1 Normalverteilung. Binominalverteilung.3 Poissonverteilung.4 Näherungen von Binominal- und Poissonverteilung 3. Zentraler
MehrDie Anwendung der. Wahrscheinlichkeitstheorie. nach Bayes und Laplace in der Fertigungsmesstechnik. Michael Krystek
Die Anwendung der nach Bayes und Laplace in der Fertigungsmesstechnik Michael Krystek Physikalisch-Technische Bundesanstalt, Braunschweig Kolloquium der Abt. Fertigungsmesstechnik, Braunschweig, 4.2.2008
MehrCopula Funktionen. Eine Einführung. Nils Friewald
Copula Funktionen Eine Einführung Nils Friewald Institut für Managementwissenschaften Abteilung Finanzwirtschaft und Controlling Favoritenstraße 9-11, 1040 Wien friewald@imw.tuwien.ac.at 13. Juni 2005
Mehr4.1 Stichproben, Verteilungen und Schätzwerte. N(t) = N 0 e λt, (4.1)
Kapitel 4 Stichproben und Schätzungen 4.1 Stichproben, Verteilungen und Schätzwerte Eine physikalische Messung ist eine endliche Stichprobe aus einer Grundgesamtheit, die endlich oder unendlich sein kann.
MehrInhaltsverzeichnis. I Vektoranalysis... 1
IX Inhaltsverzeichnis I Vektoranalysis... 1 1 Ebene und räumliche Kurven... 1 1.1 Vektorielle Darstellung einer Kurve... 1 1.2 Differentiation eines Vektors nach einem Parameter... 4 1.2.1 Ableitung eines
MehrF-Praktickm. Einführung in die Statistik. Universität Hamburg, Institut für Experimentalphysik. Erika Garutti
F-Praktickm Einführung in die Statistik Erika Garutti (Erika.Garutti@desy.de) Universität Hamburg, Institut für Experimentalphysik disclaimer please do not distribute these slides electronically without
MehrSzenario und Wirklichkeit
Szenario und Wirklichkeit Wie weit lassen sich Risikoberechnungen bei Naturgefahren vereinfachen? Katharina Fischer / Matthias Schubert Übersicht Szenario und Wirklichkeit Ziel: - Kritische Diskussion
MehrMathematik für Ingenieure und Naturwissenschaftler Band 3
Lothar Papula Mathematik für Ingenieure und Naturwissenschaftler Band 3 Vektoranalysis Wahrscheinlichkeitsrechnung Mathematische Statistik Fehler- und Ausgleichsrechnung 2., verbesserte Auflage Mit zahlreichen
MehrMessunsicherheiten. Messung physikalischer Größen
Messunsicherheiten Messung physikalischer Größen Angabe physikalischer Größen Physikalische Größen werden quantitativ als Vielfache bestimmter Einheiten erfasst. Eine gemessene Länge wird beispielsweise
MehrKapitel 2 Experiment: Messwert & Messgenauigkeit
Kapitel 2 Experiment: Messwert & Messgenauigkeit Die Reproduzierbarkeit von Experimenten ist ein zentrales Thema in allen Naturwissenschaften. In diesem Kapitel erarbeiten wir Verfahren, mit denen wir
MehrVerzerrung und Unsicherheit von Quantilschätzern
Verzerrung und Unsicherheit von Quantilschätzern Henning Rust, Malaak Kallache, Jürgen Kropp Potsdam-Institut für Klimafolgenforschung p.1/31 Motivation Festlegung von Bemessungsgrößen für die Wasserwirtschaft
MehrTeil VII. Deskriptive Statistik. Woche 5: Deskriptive Statistik. Arbeitsschritte der Datenanalyse. Lernziele
Woche 5: Deskriptive Statistik Teil VII Patric Müller Deskriptive Statistik ETHZ WBL 17/19, 22.05.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit
MehrStatistische Interpretation von Messergebnissen
Astroteilchenschule, Obertrubach-Bärnfels 8. Oktober 2008 Statistische Interpretation von Messergebnissen Ullrich Schwanke Humboldt-Universität Berlin Astroteilchenschule, Obertrubach-Bärnfels 8. Oktober
Mehr2. Grundbegriffe. Literatur. Skript D. Huhnke S emg GEM. emg GEM
. Grundbegriffe Literatur Skript D. Huhnke S. 10-1 Messung Messwert: Wert, der zur Messgröße gehört und der Ausgabe eines Messgerätes eindeutig zugeordnet ist. Messvoraussetzungen Die Messung soll sein
MehrPraktikum zur Vorlesung Einführung in die Geophysik
Praktikum zur Vorlesung Einführung in die Geophysik Hinweise zum Praktikum: Messunsicherheit und Fehlerrechnung Stefan Wenk, Prof. Thomas Bohlen TU Bergakademie Freiberg Institut für Geophysik www.geophysik.tufreiberg.de/pages/studenten/praktika/nebenfaechlerpraktikum.htm
MehrRechnernutzung in der Physik
Rechnernutzung in der Physik Teil 3 Statistische Methoden in der Datenanalyse Roger Wolf 12. Januar 2015 INSTITUTE OF EXPERIMENTAL PARTICLE PHYSICS (IEKP) PHYSICS FACULTY Grundlagen der Wahrscheinlichkeitstheorie,
MehrRechnernutzung in der Physik
Vorlesung: Rechnernutzung in der Physik Parameteranpassung mit der Likelihood-Methode Günter Quast Fakultät für Physik Institut für Experimentelle Kernphysik KIT Die Forschungsuniversität in der Helmholtz-Gemeinschaft
Mehr2 Lineare Regression am Beispiel des Hall-Effekts
Lernziele Lektion 2 Sie kennen die Normalverteilung, die Studentsche t-verteilung, sowie die inverse Gammaverteilung und können mit deren Maximalwerten, Mittelwerten und Varianzen umgehen. Sie kennen und
MehrAuswertung von Messdaten Eine Einführung zum "Leitfaden zur Angabe der Unsicherheit beim Messen" und zu den dazugehörigen Dokumenten
JCGM 104:2009 Auswertung von Messdaten Eine Einführung zum "Leitfaden zur Angabe der Unsicherheit beim Messen" und zu den dazugehörigen Dokumenten Erste Ausgabe Juli 2009 2 Dieses Dokument wurde von der
MehrComputer in der Wissenschaft
Dr. Michael O. Distler distler@uni-mainz.de Mainz, 8. Januar 2014 Methode der kleinsten Quadrate Geschichte: Von Legendre, Gauß und Laplace zu Beginn des 19. Jahrhunderts eingeführt. Die Methode der kleinsten
Mehr1 Messfehler. 1.1 Systematischer Fehler. 1.2 Statistische Fehler
1 Messfehler Jede Messung ist ungenau, hat einen Fehler. Wenn Sie zum Beispiel die Schwingungsdauer eines Pendels messen, werden Sie - trotz gleicher experimenteller Anordnungen - unterschiedliche Messwerte
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
MehrSignalverarbeitung 2. Volker Stahl - 1 -
- 1 - Überblick Bessere Modelle, die nicht nur den Mittelwert von Referenzvektoren sondern auch deren Varianz berücksichtigen Weniger Fehlklassifikationen Mahalanobis Abstand Besseres Abstandsmaß basierend
MehrRechnernutzung in der Physik Teil 3 Statistische Methoden der Datenanalyse
Rechnernutzung in der Physik Teil 3 Statistische Methoden der Datenanalyse Karlsruher Institut für Technologie Ulrich Husemann Institut für Experimentelle Kernphysik, Karlsruher Institut für Technologie
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrBerechnung der Messunsicherheit Empfehlungen für die Praxis
308. PTB-Seminar Berechnung der Messunsicherheit Empfehlungen für die Praxis 15. und 16. März 2018 in der PTB Berlin Dr.-Ing. Michael Hernla Erweiterte Messunsicherheit bei nicht korrigierten systematischen
Mehr3.1 Punktschätzer für Mittelwert µ und Varianz σ 2. Messungen x 1,..., x N, die unabhängig voneinander auf gleiche Weise gewonnen worden sind
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 3.1 3.1 Punktschätzer für Mittelwert µ und Varianz σ 2 Messungen x 1,..., x N, die unabhängig voneinander auf gleiche Weise gewonnen worden
MehrProf. Dr. Klaus Eckhardt. Messunsicherheit
Prof. Dr. Klaus Eckhardt Messunsicherheit K. Eckhardt: Messunsicherheit Inhalt Vorwort... Einführung... Statistische Grundlagen.... Zufallsvariablen.... Wahrscheinlichkeitsdichte....3 Wahrscheinlichkeitsverteilungen
Mehr