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

Statistische (Stichproben-)Analyse, Bewertung nicht-statistischer Kenntnisse (Bayes) Stichproben und deren Eigenschaften, wiederholte Beobachtungen, Maximum-Likelihood-Methode, Konfidenzschätzungen, Grenzen der Anwendbarkeit der statistischen Analyse, Übungen zur statistischen Analyse, Bayes’scher Wahrscheinlichkeitsbegriff und Ansatz zur Beschreibung und Bewertung von (unvollständigen) Kenntnissen über Größen/Variable, nichtstatistische Kenntnisse und systematische Effekte, Prinzip der maximalen Informationsentropie in der Metrologie.

Modellierung von Messungen für Messunsicherheitsbestimmung Ansätze zur systematischen Modellbildung, ausgehend von der Ursache-Wirkungs-Fortpflanzung in Messsystemen.

Rechnergestützte Messunsicherheitsbewertung nach GUM Verfahren der Messunsicherheitsberechnung nach GUM, rechnergestützte Messunsicherheitsbestimmung, Übungsbeispiele aus den Bereichen der Messung mechanischer, dimensioneller, elektrischer und thermischer Größen, Grenzen des Verfahrens nach GUM, künftige Entwicklungen und Herausforderungen.

Korrelation und Regression Gegenseitige Abhängigkeit von Größen, statistische und logische Korrelation, Berücksichtigung der Korrelation in der Messunsicherheitsbewertung, lineare Ausgleichrechnung und assoziierte Messunsicherheiten.

Messung als Lernprozess nach Bayes, Informations-/ Datenfusion Bayes-Theorem, Messung als Lernprozess, Datenmodelle, Bayes’scher Ansatz zur Messunsicherheitsbewertung, Verteilungsfortpflanzung mittels Monte-Carlo-Techniken, Konsistenzbewertung der Ansätze, Beispiel: Ringvergleich

Title:

Measurement Data Evaluation and Measurement Uncertainty