Grundlagen der Wahrscheinlichkeitsrechnung und Statistik Zufällige Ereignisse, Häufigkeit, klassischer Wahrscheinlichkeitsbegriff, axiomatischer Aufbau der Wahrscheinlichkeitsrechnung, bedingte Wahrscheinlichkeit, Bayes, diskrete und stetige Zufallsgrößen, Wahrscheinlichkeitsverteilungen und deren Kennwerte, Grundgesamtheit und Stichprobe, Übungen zur Wahrscheinlichkeitsrechnung

Statistische (Stichproben-)Analyse, Bewertung nicht-statistischer Kenntnisse (Bayes) Stichproben und deren Eigenschaften, wiederholte Beobachtungen, Punktschätzungen, Maximum-Likelihood-Methode, Konfidenzschätzungen, statistische Prüfverfahren, Grenzen der Anwendbarkeit der statistischen Analyse, Übungen zur statistischen Analyse, Bayes´scher Wahrscheinlichkeitsbegriff und Ansatz zur Beschreibung von (unvollständigen) Kenntnissen über messbare Größen, Bewertung von nicht-statistischen Kenntnissen und systematischen Effekten in der Messdatenauswertung, Prinzip der maximalen Informationsentropie

Rechnergestützte Messunsicherheitsbewertung nach GUM Verfahren der Messunsicherheitsberechnung nach GUM, rechnergestützte Messunsicherheitsbewertung, Übungsbeispiele aus den Bereichen der Messung mechanischer, dimensioneller, elektrischer und thermischer Größen, Grenzen des Verfahrens nach GUM, Messunsicherheit aus Ringversuchsergebnissen

Korrelation und Regression Gegenseitige Abhängigkeit von Größen, statistische und logische Korrelation, Berücksichtigung der Korrelation in der Messunsicherheitsbewertung

Messung als Lernprozess nach Bayes, Informations-/ Datenfusion Bayes-Theorem, Messung als Lernprozess, Rechenregeln, Datenmodelle, Bayes´scher Ansatz zur Messunsicherheitsbewertung, Verteilungsfortpflanzung mittels Monte-Carlo-Techniken, GUM-Supplement, Konsistenzbewertung der Ansätze, Bayes als Grundlage von Informations-/ Datenfusion, Beispiel: Ringvergleich

Title:

Measurement Data Evaluation and Measurement Uncertainty