Sie sind auf Seite 1von 65

-1-

2. Messabweichungen und
Messunsicherheitsanalyse
1. Einführung und Grundbegriffe
2. Grundlagen Statistik
3. Bestimmung und Angabe von Messunsicherheiten
nach GUM

GUM: Guide to the expression


of Uncertainty in Measurement

Internationaler Leitfaden zur


Angabe von Unsicherheiten
beim Messen
-2-

Einführung und Grundbegriffe


Messabweichungen und Messunsicherheit
Beschreibt X den wahren Wert der Messgröße und ist Y der Messwert, so nennt
man die Differenz:

e= Y − X absolute Messabweichung. (Angabe erfolgt in der Einheit


der Messgröße)
Relative Messabweichung
e Y−X
= Die Angabe erfolgt häufig in %.
X X
Reduzierte Messabweichung
e Wobei Xmax und Xmin die obere und untere Messgrenze eines
X max − X min Messgerätes (Messbereiches) angeben. Die reduzierte Mess-
abweichung dient zur Klassifizierung der Genauigkeit von
Messgeräten.
-3-

Einführung und Grundbegriffe


Messabweichungen und Messunsicherheit
Jede Messung ist fehlerbehaftet. Der wahre Wert X ist im allgemeinen nicht bekannt.
Folglich ist auch die Messabweichung e nicht bekannt.

Die „Kunst“ in des Messens besteht darin, einen Schätzwert x0 für den wahren Wert
der Messgröße zu ermitteln und gleichzeitig die Unsicherheit U dieser Schätzung
quantitativ anzugeben.
Beachte: Da kleinere Messunsicherheiten nur
Ziel: wahrer Wert Bester durch höheren Messaufwand erreicht werden
(unbekannt) Schätzwert können, gilt die Regel, dass eine Messung nicht
x0 genauer als notwendig sein sollte.

x
Unsicherheit U Unsicherheit U

Vertrauensbereich
(z.B. P = 95%)
-4-

Einführung und Grundbegriffe


Grundsätzliche Typen von Messaufgaben

A) Messeinrichtung ist gegeben. B) Geforderte Genauigkeit der


Messung wird vorgegeben.
 Messung wird durchgeführt
 Messeinrichtung muss so
 Messunsicherheiten werden gestaltet werden, dass die
abgeschätzt geforderte Genauigkeit
eingehalten wird.
 Messergebnis mit abgeschätzer
Messunsicherheit wird Oftmals durch rekursive Lösung:
angegeben

der Messeinrichtung
(Typischer Praktikumsversuch,

Anpassung
Messeinrichtung
aber auch Standardmessungen)

Analyse der
Messunsicherheiten
-5-

Einführung und Grundbegriffe


Einteilung von Messabweichungen
Messabweichungen werden unterteilt in:
Grobe Fehler
Grobe Fehler sind grundsätzliche Fehler im Messprinzip oder der Messdurchführung.
(z.B. Strommessung mit einem Spannungsmessgerät).
Ergebnisse aus Messungen mit groben Fehlern müssen verworfen werden.

Systematische Messabweichungen
Systematische Abweichungen stehen in einen eindeutigen Zusammenhang mit dem
Messvorgang und fallen bei Messungen unter identischen Bedingungen immer
wieder gleich groß aus. (Sie sind reproduzierbar!). Systematische Abweichungen
sind in der Regel korrigierbar.

Zufällige Messabweichungen
Zufällige Abweichungen führen selbst bei identischen Messbedingungen zu
unterschiedlichen Ergebnissen, sie sind also nicht reproduzierbar. Zufällige
Abweichungen müssen mit statistischen Methoden behandelt werden.
-6-

Einführung und Grundbegriffe


Einteilung von Messabweichungen
Unerkannte systematische Messabweichungen
Systematische Messabweichung, deren Systematik und Ursache unbekannt
sind, bzw. nach dem derzeitigen Stand des Wissens oder der Technik nicht als
Solche erkannt werden können, beeinflussen ebenfalls die Messungen. Sie
werden wie zufällige Messabweichungen mit statistischen Methoden behandelt.

Anmerkung zur GUM: In der GUM wird grundsätzlich nicht mehr zwischen
systematischen und zufälligen Abweichungen unterschieden. Man erwartet weiterhin,
dass alle bekannten systematischen Abweichungen korrigiert werden, geht aber
davon aus, dass die systematischen Abweichungen ebenfalls nur mit einer
bestimmten Unsicherheit bekannt sind, also nicht vollständig korrigiert werden
können. Darüber hinaus nimmt man an, dass unerkannte systematische
Abweichungen wie zufällige Abweichungen wirken, wenn die Messung an
verschiedenen Orten und zu unterschiedlichen Zeiten mit verschiedenen Methoden
durchgeführt wird.
Man spricht auch von der „Randomisierung“ systematischer Abweichungen.
-7-

Einführung und Grundbegriffe


Umgang mit Messabweichungen
Modellfunktion, erfasst das Zusammenspiel aller Größen
beim Messprozess, einschließlich Korrektur
systematischer Abweichungen
Ausgangsgröße
(Ergebnisgröße) Eingangsgrößen

y = f ( x1 , x2 ,..., r1 , r2 , , k1 , k2 ,)

w
Messgrößen Referenz-/ Naturkonstanten
x Kalibriergrößen
w

x
• Wie werden Zufallsvariablen beschrieben?
• Wie werden Zufallsvariablen verknüpft?
-8-

Grundlagen der Statistik

• Charakterisierung einer Zufallsvariablen


(Wahrscheinlichkeitsdichte, Lageparameter, Streuparameter)
• Ausgewählte Wahrscheinlichkeitsdichten
• Verknüpfung von Zufallsvariablen
(Erwartungswert, kombinierte Varianz)
• Abschätzung des Erwartungswertes aus der Stichprobe
-9-

Grundlagen der Statistik


Grundbegriffe der Statistik
Mathematisch betrachtet man alle möglichen Messwerte, die als Ergebnis einer
bestimmten Messung auftreten könnten als „Grundgesamtheit“.
Die Grundgesamtheit müsste durch unendlich viele voneinander unabhängige
Messungen bestimmt werden, was aber nicht möglich ist. Dadurch ist die
Grundgesamtheit praktisch unbekannt. Durch einzelne Messungen wird eine
„Stichprobe“ aus dieser Grundgesamtheit gewonnen. Die Stichprobe erlauben eine
„Schätzung“ der Grundgesamtheit.

Einzelmessungen

Stichprobe
Grundgesamtheit

Menge aller Werte, die bei Voneinander Menge aller aufgenommenen


einer bestimmten Messung unabhängige Messwerte, die zu einer
auftreten könnten Einzelmessung bestimmten Messung gehören
-10-

Grundlagen der Statistik


Grundgesamtheit vs. Stichprobe
Voneinander unabhängige
Einzelmessungen

Grundgesamtheit Stichprobe

• unendlich groß, • endlich


• unbekannt • bekannt
• „theoretisch“ • „empirisch“

Anmerkung: Im folgenden werden wesentliche Größen zur Charakterisierung einer


Grundgesamtheit eingeführt und parallel deren empirische Abschätzung in der Stichprobe
vorgestellt. Wir werden daher immer wieder zwischen Grundgesamtheit und
Stichprobe wechseln.
-11-

Charakterisierung einer Zufallsgröße


Wahrscheinlichkeitsdichte (Grundgesamtheit)

Wahrscheinlichkeitsdichte fX(x): Die Wahrscheinlichkeitsdichte ist eine


Funktion mit der Eigenschaften:

f X ( x) ≥ 0 , mit der Normierung:


+∞ f X ( x)

−∞
f X ( z )dz = 1

Sie gibt an, mit welcher „Dichte“ bestimmte


Werte x der Zufallsvariablen X auftreten.
x
Beispiel für den möglichen Verlauf
Eine Zufallsvariable ist durch die
einer Wahrscheinlichkeitsdichte
Wahrscheinlichkeitsdichte vollständig
charakterisiert.
-12-

Charakterisierung einer Zufallsgröße


Wahrscheinlichkeit (Grundgesamtheit)

Die Wahrscheinlichkeit:
Die Wahrscheinlichkeit P, dass die Zufallsvariable X
einen Wert aus dem Intervall [a,b] annimmt
ergibt sich aus: f ( x)
X

b
P[ a ,b ] = ∫ f X ( z )dz
a
a b x
Die Fläche unter der Wahrscheinlichkeits-
dichte im Intervall [a,b] repräsentiert die
Wahrscheinlichkeit für das Auftreten eines
Wertes in diesem Intervall
-13-

Charakterisierung einer Zufallsgröße


Parametrisierung einer Zufallsgröße

Eine Zufallsgröße ist durch die Dichtefunktion vollständig charakterisiert. Allerdings


ist man oft bemüht, die Zufallsgröße anstelle einer vollständigen Funktion lediglich
durch wenige numerische Kennwerte zu beschreiben.

1. Einer der Kennwerte soll dabei ein guter Repräsentant der Zufallsgröße sein
(lagespezifischer Kennwert).

2. Ein zweiter Kennwert soll die Streuung (das Auftreten möglicher anderer Werte)
charakterisieren.

Welcher Wert einer Zufallsvariablen ein geeigneter Repräsentant sein könnte, wird
später analysiert.
Zunächst sei dieser Wert durch X gekennzeichnet.
-14-

Charakterisierung einer Zufallsgröße


Charakterisierung der Streuung (Grundgesamtheit)
Varianz und Standardabweichung:
Das Typische einer Zufallsvariablen X ist das unvorhersehbare Auftreten von Werten.
Neben dem lagespezifizierenden Repräsentanten X ist damit eine weitere,
die Streuung um diesen Repräsentanten charakterisierende Kenngröße erforderlich.

Als gebräuchlichstes Maß dient hierfür die Varianz (oder mittlere quadratische
Abweichung):
+∞

( )
2
Var X =σ =∫ x − X
2
⋅ f X ( x)dx
−∞
Die Wahl für das Quadrat der Abweichung hat mathematische Vorteile:
1. Würde man die Abweichung selber nehmen, so treten positive und negative
Abweichungen auf. Im Mittel könnte die Abweichung Null sein, obwohl
Abweichungen auftreten

2. Würde man anstelle des Quadrates den Betrag der Abweichung wählen, wäre der
Integrand nicht stetig differenzierbar.
-15-

Charakterisierung einer Zufallsgröße


Charakterisierung der Streuung (Grundgesamtheit)
Varianz und Standardabweichung:

Anstelle der Varianz wird oft auch deren Quadratwurzel, die (theoretische)
Standardabweichung verwendet:

+∞

∫ (x − X )
2 Dies hat den Vorteil, dass die
σ= Var X = ⋅ f X ( x)dx Standardabweichung die gleiche
−∞ Dimension wie die Zufallsgröße X hat.

Beachte: Obwohl Varianz und Standardabweichung ein Maß für die Streuung
sind, besteht kein direkter Zusammenhang zur statistischen Sicherheit
(Konfidenz- oder Vertrauensniveau), einen Wert im Intervall der Standardabweichung
zu finden!
-16-

Charakterisierung einer Zufallsgröße


Charakterisierung der Streuung (Stichprobe)
Varianz und Standardabweichung:

Analog zur (theoretischen) Varianz der Grundgesamtheit wird für die


Stichprobe die empirische Varianz eingeführt:

1 n
∑ ( xi − x )
2 2
s
n − 1 i =1
Und entsprechend zur (theoretischen) Standardabweichung der Grundgesamtheit
wird für die Stichprobe die empirische Standardabweichung definiert:

1 n
∑ ( xi − x )
2
s
n − 1 i =1
Beide Größen sind ein Maß dafür, wie stark die einzelnen Messwerte innerhalb
der Stichprobe streuen. Der Term (n -1) stellt sicher, dass aus einer einzelnen
Messung (n=1) keine Aussage über eine Streuung gewonnen werden kann.
-17-

Charakterisierung einer Zufallsgröße


Streuung in Stichprobe und Grundgesamtheit

Die empirische Varianz s2 und die empirische Standardabweichung s der Stichprobe


sind Schätzungen für die unbekannte Streuung (theoretische Varianz Var oder
theoretische Standardabweichung σ) der Grundgesamtheit.
Mit zunehmendem Umfang n der Stichprobe, werden die unbekannten Streuparameter
der Grundgesamtheit immer besser wiedergegeben:

1 n
= ∑ (
= xi − x ) Var( X )
2 2
lim s lim
n →∞ n →∞ n − 1
i =1

1 n
= ∑ = ( xi − x ) σ ( X )
2
lim s lim
n →∞ n →∞ n − 1 i =1
-18-

Charakterisierung einer Zufallsgröße


Charakterisierung der Lage (Grundgesamtheit)
Erwartungswert:

Als geeigneter Repräsentant einer Zufallsgröße X, wird die Größe X angesehen,


bei der die mittlere quadratische Abweichung (die Varianz) minimal wird.
X wird Erwartungswert der Zufallsgröße X genannt:

+∞

∫ (x − X )
2
Var X = ⋅ f X ( x)dx ⇒ minimal !
−∞
-19-

Charakterisierung einer Zufallsgröße


Charakterisierung der Lage (Grundgesamtheit)
Erwartungswert:

d !
Notwendige Bedingung für Minimum: Var X = 0
dX
+∞ +∞

∫ (x − X ) ∫ (x − 2 xX + X 2 ) ⋅ f X ( x)dx
2
Var X = ⋅ f X ( x)dx = 2

−∞ −∞
+∞

∫ ( −2 x + 2 X ) ⋅ f
d
Var X = X ( x)dx = 0
dX −∞

+∞ +∞ +∞
2X ∫
−∞
)dx 2 ∫ x ⋅ f X ( x)dx
f X ( x=
−∞
⇒ X= ∫ x⋅ f X ( x)dx
−∞
=1
-20-

Charakterisierung einer Zufallsgröße


Charakterisierung der Lage (Grundgesamtheit)
Erwartungswert:

d2
Hinreichende Bedingung für Minimum:
2
Var X > 0
dX
2 +∞
d
dX 2
Var X =∫
−∞
2 ⋅ f X ( x)dx > 0 immer erfüllt !

 Der Zahlenwert einer Zufallsgröße, zu dem die Summe aller quadratischen


Abweichungen minimal wird, wird Erwartungswert der Zufallsgröße genannt.
(Auch bekannt als Gaußscher Satz der kleinsten Fehlerquadrate.)

Aufgrund dieser Eigenschaften ist der Erwartungswert der geeignetste Repräsentant


für eine Zufallsgröße.
+∞
⇒ X = ∫ x⋅ f
−∞
X ( x)dx
-21-

Charakterisierung einer Zufallsgröße


Charakterisierung der Lage (Grundgesamtheit)
Erwartungswert:

Der Erwartungswert einer Zufallsgröße X ist definiert durch die Beziehung:

+∞
EX= µ( X=
) X= ∫ x⋅ f
−∞
X ( x)dx

In Bezug auf die Messtechnik repräsentiert der Erwartungswert


den unbekannten Wert der Messgröße, für den eine Schätzung unter Angabe
der Messunsicherheit für eine spezifizierte statistische Sicherheit ermittelt
werden muss.
-22-

Charakterisierung einer Zufallsgröße


Charakterisierung der Lage (Stichprobe)
Empirischer Mittelwert

Analog zum Erwartungswert der Grundgesamtheit bildet der empirische Mittelwert


der Stichprobe einen sinnvollen Repräsentanten für die Stichprobe.
Ist xi ein einzelner Messwert der Stichprobe, so ist der Mittelwert:

Analog zum Erwartungswert gilt auch für den empirischen


1 n
x = ∑ xi Mittelwert, dass die Summe aller quadratischen Abweichungen
n i =1 minimal wird.

Der empirische Mittelwert der Stichprobe ist die beste Schätzung für den unbekannten
Erwartungswert der Grundgesamtheit. Umso mehr Elemente die Stichprobe beinhaltet,
umso genauer wird die Schätzung ausfallen:

1 n

Anmerkung: Man spricht hier von einem erwartungstreuen Schätzer.
= =
lim x lim xi E( X ) Bei der Übertragung auf die Messtechnik ist aber nicht sicher gestellt,
dass der Mittelwert wirklich erwartungstreu ist. Eine unbekannte
n →∞ n →∞ n
i =1 überlagerte systematische Abweichung würde auch bei unendlich
vielen Messungen eine (systematische) Abweichung vom
Erwartungswert ergeben.
-23-

Vergleich:
Grundgesamtheit und Stichprobe
Kennwert Grundgesamtheit Stichprobe
• unendlich groß, unbekannt • endlich, bekannt
Wahrscheinlichkeitsdichte Häufigkeitsfunktion

Lagespezifischer (theoretischer) Erwartungswert empirischer Mittelwert


+∞
Kennwert 1 n
x = ∑ xi
EX= X=
−∞
∫ x⋅ f X ( x)dx
n i =1
Streuung: (theoretischer) Varianz (empirische) Varianz
+∞

∫ (x − X )
1 n
∑ ( xi − x )
2
=
2
Var X = ⋅ f X ( x)dx
2
s
−∞
n − 1 i =1
(theoretische) (empirische)
Standardabweichung Standardabweichung
+∞

∫ (x − X )
1 n
∑ ( xi − x )
2
σ= =
2
⋅ f X ( x)dx s
−∞
n − 1 i =1
-24-

Ausgw. Wahrscheinlichkeitsdichten
Die Gleichverteilung (Rechteckverteilung):

1
 ; ( x0 − a < x < x0 + a )
f(x)
f X ( x ) =  2a
0 sonst x0 - a x0 x0 + a x

Erwartungswert: Varianz:
x0 + a
1 x0 + a
a2
X =∫ 2a
x dx x0 Var X = ∫
1
( x − x0 ) dx=
2

x0 − a
x0 − a
2a 3
Die Gleichverteilung macht immer Standardabweichung:
dann Sinn, wenn es keinen Grund
a
für eine Häufung um einen σ = Var X =
bestimmten Wert gibt. 3
Beispiel: Messwerte innerhalb einer
Digitalisierungsschwelle
(z.B. digitale Anzeige).
-25-

Ausgewählte Wahrscheinlichkeits-
dichten
Die (Gaußsche) Normalverteilung
Veranschaulichung zur Entstehung einer Normalverteilung durch das „Galton-Brett“:
exakter Wert
zufällige Einflüsse auf die Messgröße

der Messgröße Die Normalverteilung liegt sehr häufig bei


physikalischen Prozessen vor, wenn eine
statistische Fluktuation um einen Zentralwert
auftritt, wobei die Zufallsvariable kontinuierlich
während einer Messung

ist und jeden Wert (positiv und negativ)


der Messwerte annehmen kann.

Das Galton-Brett liefert zunächst eine diskrete


Binomialverteilung. Für unendlich viele Streu-
Verteilung

vorgänge und unendlich viele „Kugeln“ geht


diese aber in die kontinuierliche Normalverteilung
über.

(Bildquelle: Von Chrischi - Eigenes Werk, Gemeinfrei, https://commons.wikimedia.org/w/index.php?curid=9020267)


-26-

Ausgewählte Wahrscheinlichkeits-
dichten
Die (Gaußsche) Normalverteilung

 ( x − µ) 
2
1
=
f X ( x) exp  − 
σ 2π  2σ 2

 

Durch die Variablentransformation:


x−µ
u= gelangt man zu der
σ Standardnormalverteilung

1  1 2
ϕ (u )
= exp  − u 
2π  2  Beispiel: durch Rauschen überlagerte
Messsignale
-27-

Ausgewählte Wahrscheinlichkeits-
dichten
Die Poisson-Verteilung

Die Poisson-Verteilung beschreibt die Verteilung einer diskreten Zufallsvariable,


die keine negativen Werte annehmen kann und gilt für Ereignisse, die mit geringer
aber konstanter Wahrscheinlichkeit an einer großen Zahl an Objekten auftritt.

Typische Beispiele: radioaktiver Zerfall,


Auftreffen von Partikeln, Beispiel für eine
Eintreffen von Photonen Poisson- Verteilung

µx
f X (=
x) ⋅ e− µ
x!
Var X = µ Die Varianz einer Poisson-
verteilung ist gleich ihrem
Erwartungswert.
-28-

Ausgewählte Wahrscheinlichkeits-
dichten
Die Poisson-Verteilung

Die Poisson-Verteilung ist asymmetrisch. Dies muss sein, weil sie die Verteilung
diskreter Größen beschreibt, die nicht negativ sein können (die Null ist also eine
feste untere Grenze).

Bei höheren Erwartungswerten nähert sich die


Poisson- Verteilung jedoch einer symmetrischen
Normalverteilung an:

Beispiel für eine


Poisson- Verteilung
mit höherem
Erwartungswert
-29-

Verknüpfung von Zufallsvariablen


Erwartungswert einer Linearkombination über mehrere Zufallsvariablen

∑c X
Linearkombination
aus Zufallsvariablen: Y= c1 X 1 + c2 X 2 + c3 X 3 + = i i
i
mit den Wichtungsfaktoren (Koeffizienten) ci . Die Linearkombination Y ist wiederum
eine Zufallsvariable, die durch Erwartungswert und Varianz charakterisiert werden kann.

1 1
E(Y =
) Y=
N
∑∑
n i
ci xi ,n= ∑ ci
i N
∑ x = ∑c X
n
i ,n
i
i i

Der Erwartungswert der Linearkombination ist eine Linearkombination


aus den Einzelerwartungswerten, mit den selben Koeffizienten ci:

Y = c1 X 1 + c2 X 2 + c3 X 3 + = ∑c X
i
i i
-30-

Verknüpfung von Zufallsvariablen


Varianz einer Linearkombination über mehrere Zufallsvariablen
(kombinierte Varianz)

y − Y= c1 ( x1 − X 1 ) + c2 ( x2 − X 2 ) + ...= ∑ c ∆x i i
i

( y −Y )
2
= c12 ∆x12 + c22 ∆x22 + 2c 1 c2 ∆x1∆x2 + ...
K K −1 K
=
... ∑ i i + 2∑
c 2

i= 1
∆x 2
∑ c c ∆x ∆x
i = 1 j = i +1
i j j i

Var (Y ) = c12 Var ( X 1 ) + c22 Var ( X 2 ) + 2c 1 c2 Cov ( X 1 , X 2 ) + ...


K −1

∑ c c Cov ( X , X )
K K
=... ∑ i Var ( X i ) + 2∑
c 2

i= 1 i = 1 j = i +1
i j i j
-31-

Verknüpfung von Zufallsvariablen


Varianz einer Linearkombination über mehrere Zufallsvariablen
(kombinierte Varianz)

Wenn die Zufallsvariablen statistisch unabhängig sind, ist die Varianz der Summe
(kombinierte Varianz) gleich der Summe der Einzelvarianzen, wobei die
Wichtungsfaktoren ci quadratisch eingehen.

K −1
Var (Y ) = ∑ c Var ( X i ) +2∑ ∑ ci c j Cov ( X i , X j )
K K
2
i
i =1 i =1 j = i +1

Mischterm (Kovarianz)
= 0 bei
statistisch unabhängigen Größen

In der Praxis der Messtechnik können häufig versteckte Korrelationen auftreten,


z.B. wenn zwei Größen über das gleiche Normal gemessen werden oder eine
unerkannte systematische Abweichung auf mehrere Größen einwirkt. Der Mischterm
(die Kovarianz) ist dann nicht Null.
-32-

Verknüpfung von Zufallsvariablen


Anmerkung zu Kovarianz und Korrelation

Der zuvor definierte Term der Kovarianz zweier Größen:

Cov ( X , Y ) = E ( ∆x, ∆y ) = E ( x − X ) ⋅ ( y − Y ) 


ist ein Maß für die statistische Abhängigkeit zweier Zufallsgrößen. Eine
Normierung der Kovarianz führt zum Korrelationskoeffizienten r :

Cov ( X , Y ) , der nur Werte im Intervall


r=
Var ( X ) ⋅ Var (Y ) −1 ≤ r ≤ +1
annehmen kann.

Mit Hilfe des Korrelationskoeffizienten kann man umgekehrt die Kovarianz


auch schreiben als:

Cov ( X , Y )= Var ( X ) ⋅ Var (Y ) ⋅ r = σ X ⋅ σ Y ⋅ r


-33-

Verknüpfung von Zufallsvariablen


Graphische Veranschaulichung der kombinierten Varianz

unkorrelierte Größen (r = 0) korrelierte Größen (r ≠ 0)

σ 1+ 2 =
σ 12 + σ 22 r →1 r → −1
σ2
σ 1+ 2 σ 1+ 2 σ 2
σ2
σ1 σ1 σ1
Bei unkorrelierten Größen (r = 0) Bei stark korrelierten Größen (r →1) kommt
ist die Streuung der kombinierten es zu einer Addition der Streubeiträge.
Größe immer kleiner als die einfache
Summe der Einzelstreuungen. Es ist Umgekehrt, bei starker negativer Korrelation
statistisch sehr unwahrscheinlich, dass (r → -1) kompensieren sich die Streuungen
beide Größen zur gleichen Zeit in die der Einzelmessungen.
gleiche Richtung abweichen.
-34-

Verknüpfung von Zufallsvariablen


Der zentrale Grenzwertsatz
Eine Linearkombination
aus Zufallsvariablen: Y = c1 X 1 + c2 X 2 + c3 X 3 +
bei der jede Zufallsvariable eine beliebige Verteilung hat, ergibt eine Zufallsvariable
Y, die annähernd normalverteilt ist (Gaußsche Normalverteilung), wenn:

• die Anzahl der Summanden hinreichend groß ist


• Die Summanden stochastisch unabhängig zueinander sind
(also der Wert einer Variablen nicht den Wert einer anderen
Variablen beeinflusst)
• kein Summand dominiert, also alle Summanden von vergleichbarer
Größenordnung sind.

 Der zentrale Grenzwertsatz hat eine fundamentale Bedeutung für die Statistik und
die Messtechnik. Er begründet, weshalb viele äußere unkontrollierte Einflüsse mit
beliebigen Verteilungen zu einer annähernd normalverteilten Messgröße führen.
-35-

Verknüpfung von Zufallsvariablen


Der zentrale Grenzwertsatz, numerisches Beispiel

Numerisches Beispiel für die


Überlagerung mehrerer
Rechteckverteilungen (RV).
Bereits nach 3 RV erkennt man
einen Gauß-förmigen Verlauf

(Abb. aus: F: Adunka: Messunsicherheiten)


-36-
Streuung des empirischen Mittelwertes und
Abschätzung seiner Standardunsicherheit
Zwar wurde der empirische Mittelwert als die beste Schätzung für den unbekannten
Erwartungswert erkannt, da er jedoch nur aus einer Stichprobe i mit endlich vielen
Elementen n stammt, wird der empirische Mittelwert vom theoretischen Erwartungs-
wert abweichen.

Würde man m Stichproben mit je n Elementen


nehmen, so würden die empirischen Mittelwerte
Messreihe: 1 2 m
der m Stichproben selbst wieder streuen.
 x1   x1   x1 
     
 ,
     ,  ,  
x  x  x 
 n  n  n
Nach dem zentralen Grenzwertsatz ist die
⇓ ⇓ ⇓ Verteilung der Mittelwerte eine Normalverteilung,
X1 , X 2 , , X m selbst wenn die Verteilung der Einzelmesswerte
nicht normalverteilt ist.
-37-
Streuung des empirischen Mittelwertes und
Abschätzung seiner Standardunsicherheit
Um die Streuung der Mittelwerte abzuschätzen, betrachtet man den Mittelwert
einer Stichprobe i als Zufallsvariable, die aus einer Linearkombination aus den
n Einzelmesswerten gebildet wird:

1 n n
1
=Xi =
=
∑ xi ∑ xi
n i 1 =i 1 n
Die Streuung der Einzelmesswerte xi wird dabei durch deren (empirische)
Standardabweichung sx bzw. deren Varianz Var(x)=(sx)2 beschrieben.
Die Streuung des Mittelwertes ergibt sich dann als kombinierte Varianz der Streuung
der Einzelwerte:

1 n
1 2 n
1 2 sx2
=
Var ( X i ) ∑ 2 Var
= ( xi ) ∑= s
2 xi
= 2
nsx
=i 1 = n i 1 n n n
-38-
Streuung des empirischen Mittelwertes und
Abschätzung seiner Standardunsicherheit

Somit folgt für die Varianz bzw. Standardabweichung des Mittelwertes:

sx2
Var( X ) = Standardabweichung
der Einzelmessung
n
bzw:
n
sx 1
= = ∑ ( xi − x )
2
Standardabweichung sX
des Mittelwerts n n(n − 1) i =1

Anzahl an Einzelmessungen,
die zum Mittelwert beigetragen
haben

Erinnerung: Nach dem zentralen Grenzwertsatz ist die Verteilung der Mittelwerte eine
Normalverteilung, selbst wenn die Einzelmesswerte nicht normalverteilt sind.
-39-
Streuung des empirischen Mittelwertes und
Abschätzung seiner Standardunsicherheit

Hinweis:
Die Streuung der Einzelmesswerte bleibt auch bei unendlich großen Stichproben
erhalten. Sie konvergiert lediglich gegen den unbekannten Wert der Streuung
der Grundgesamtheit.

Die Streuung der Mittelwerte – also die Standardunsicherheit des Mittelwerts –


konvergiert hingegen mit zunehmendem Umfang der Stichprobe gegen Null.

sx
= = 0
lim sX lim
n →∞ n →∞ n
Die Streuung der Einzelwerte fällt immer größer
als die Streuung der Mittelwerte aus:

n n
1 sx 1
∑ ( xi − x ) = sx > sX = = ∑ ( xi − x )
2 2

(n − 1) i 1 = n n(n − 1) i 1
-40-
Streuung des empirischen Mittelwertes und
Abschätzung seiner Standardunsicherheit

Beispiel für Streuung von Messwerten und von Mittelwerten

(Mittelwert)

(Einzelwert)
-41-

Bestimmung und Angabe von


Messunsicherheiten nach GUM
GUM: Guide to the expression
of uncertainty in measurement

Internationaler Leitfaden zur


Angabe von Unsicherheiten
beim Messen

Ziel der GUM ist eine internationale


Vereinheitlichung in der Ermittlung und
Darstellung von Messunsicherheiten.
Die praktische Umsetzbarkeit hat daher
Vorrang gegenüber der rein wissen-
schaftlichen Exaktheit.
Wie alle Vorschriften, wird sie regelmäßig
an neuere wissenschaftliche
Erkenntnisse angepasst.
-42-

Messunsicherheiten nach GUM


Prinzipielle Vorgehensweise

1. Aufstellen einer Modellgleichung

y = f ( x1 , x2 ,..., xk )
Dies erfordert Klarheit über:

 Was soll durch die Messung herausgefunden werden?


 Welche Größen xi müssen dafür gemessen bzw. ermittelt werden?
 Wie gelangt man von den Eingangsgrößen xi zu der gesuchten Größe y?
Dies wird durch die Modellgleichung zum Ausdruck gebracht und impliziert
auch die Berücksichtigung bekannter systematischer Abweichungen.
2. Durchführung der Messung bzw. Ermittlung der Eingangsgrößen xi

3. Abschätzen der Unsicherheiten der Eingangsgrößen xi


Dies erfordert Klarheit oder sinnvolle Annahmen über die Wahrscheinlichkeits-
verteilungen der Eingangsgrößen.
-43-

Messunsicherheiten nach GUM


Prinzipielle Vorgehensweise

4. Überprüfung auf Korrelation der Unsicherheiten der Eingangsgrößen


(In dieser Veranstaltung gehen wir immer davon aus, dass die Unsicherheiten
unkorreliert sind. In der Praxis muss das nicht gegeben sein!)

5. Berechnung des Erwartungswertes (bester Schätzer) der gesuchten


Größe y aus den Erwartungswerten der Eingangsgrößen xi
Dies erfolgt mit Hilfe der Modellgleichung, die auch bekannte systematische
Abweichungen berücksichtigt.

6. Bestimmung der kombinierten Standardunsicherheit der gesuchten


Größe y aus den Unsicherheiten der Einzelmessungen xi.
In den meisten Fällen kann hierfür von einer linearisierten Modellgleichung
ausgegangen werden.
(Bei korrelierten Eingangsgrößen wäre hier auch die Kovarianz zu berücksichtigen.)
-44-

Messunsicherheiten nach GUM


Prinzipielle Vorgehensweise

7. Ermittlung der Erweiterten Unsicherheit


Die kombinierten Standardunsicherheit ist durch einen Erweiterungsfaktor
so zu erweitern, dass das Unsicherheitsintervall den wahren (unbekannten)
Wert mit einer geforderten statistischen Sicherheit (Konfidenz- oder
Vertrauensniveau) erfasst. Dies setzt Kenntnisse oder sinnvolle Annahmen
über die Verteilung der Zufallsgrößen voraus.

8. Angabe des vollständigen Messergebnis


durch Angabe des besten Schätzwertes der Messgröße mit Einheit und der diesem
Schätzwert zugeordneten erweiterten Unsicherheit mit Angabe des statistischen
Vertrauensniveaus sowie einer sinnvollen Rundung der numerischen Zahlenwerte
-45-

Messunsicherheiten nach GUM


(1.) Aufstellen der Modellgleichung
Die Modellgleichung erfasst alle Zusammenhänge von Einflussgrößen xi,
auch Eingangsgrößen genannt, die schließlich zur gesuchten Messgröße y
(Ausgangsgröße bzw. Ergebnisgröße) führen.
Insbesondere umfasst die Modellgleichung auch alle bekannten systematischen
Einflussgrößen, die zu systematischen Unsicherheiten führen würden.

y = f ( x1 , x2 ,..., xk )

Ausgangsgröße Eingangsgrößen
(Ergebnisgröße)

In der Praxis können solche Modellgleichungen sehr komplex werden.


Allerdings kann eine genaue Analyse der Einflussstärke einzelner
Eingangsgrößen dazu führen, dass unter bestimmen Voraussetzungen
bestimmte Einflussgrößen vernachlässigbar sind.
-46-

Messunsicherheiten nach GUM


(1.) Aufstellen der Modellgleichung
Beispiel Spannungsmessung

Gesuchte Eingangsgrößen
Ergebnisgröße

uAnzeige + δ uAuflösung + δ uKalibrierung


u=

Anzeigewert (oder Auflösungsgrenze, Aus Kalibrierung bekannte


Ausgabewert einer der Erwartungswert Abweichung (kann auch
Schnittstelle); kann ist Null (!) aber mit einer Null sein!) aber mit einer
auch als Mittelwert aus der Auflösung entsprech- spezifizierten Unsicherheit;
mehreren Einzelmessungen enden Unsicherheit alternativ auch die
bestimmt worden sein, der Unsicherheitsangabe des
dann eine statistische Herstellers
Unsicherheit hat
-47-

Messunsicherheiten nach GUM


Abschätzen der (Standard-)Unsicherheiten der
Eingangsgrößen (3.)
Optimal wäre die Erfassung der gesamten Wahrscheinlichkeitsverteilung aller
Eingangsgrößen. In der Praxis beschränkt man sich aber auf die Bestimmung der
Kenngrößen für Streuung und Lage (Varianz/Erwartungswert).
In der GUM unterscheidet man:

Unsicherheitskomponenten vom Typ A:


Dies sind Unsicherheitskomponenten, die aus Wiederholmessungen bestimmt wurden.
Entweder wurden diese Wiederholmessungen selbst durchgeführt oder aber
die Werte werden einem Protokoll entnommen, aus dem ersichtlich ist, dass die
Werte aus Wiederholmessungen stammen.
Unsicherheitskomponenten vom Typ B:
alles was nicht Typ A entspricht, dass heißt, nicht aus Widerholmessungen
bestimmt wurde. Hierunter fallen alle Größen, die einschließlich gewisser
Unsicherheitsgrenzen vorgegeben sind. Über die Verteilung der Größen sind
sinnvolle Annahmen zu machen.
-48-

Messunsicherheiten nach GUM


Abschätzen der (Standard-)Unsicherheiten der
Eingangsgrößen (3.)
Anmerkung:

• Es ist wichtig, sich klar darüber zu werden, dass es quasi keine „exakten“
Eingangsgrößen gibt. Ausgenommen sind die 7 Naturkonstanten, die im
SI-System per Definition exakt sind, sowie mathematische Konstanten wie π oder e.
-49-

Messunsicherheiten nach GUM


Abschätzen der (Standard-)Unsicherheiten der
Eingangsgrößen (3.)
Die Standardunsicherheit:

Standardunsicherheit u (xi) entspricht der Standardabweichung der Größe xi.

Beispiele:

Typ A Komponente: Der beste Schätzwert für die Eingangsgröße ist hier
der Mittelwert (Erwartungswert) der Größe Xi.

Standardabweichung der Einzelmessung xi


Standard- sxi
unsicherheit u ( xi=
) s=
xi
von xi n
Anzahl der Einzelmessung xi, die zum
Mittelwert beigetragen haben
Standardabweichung
des Mittelwerts xi
-50-

Messunsicherheiten nach GUM


Abschätzen der (Standard-)Unsicherheiten der
Eingangsgrößen (3.)
Die Standardunsicherheit:

Mittelwerte sind nach dem Zentralen Grenzwertsatz normalverteilt.


Aus Mittelwerten gewonnene Eingangsgrößen können daher immer
als normalverteilt angenommen werden.

Sonderfall n=1:

Wird z.B: aus Zeitgründen nur ein Wert x gemessen, die Streuung
durch Rauschen ist aber aus vorrangegangenen Messungen als Standard-
abweichung sx bekannt, so folgt für die Standardunsicherheit dieser Einzelmessung:

u ( x ) = sx
-51-

Messunsicherheiten nach GUM


Abschätzen der (Standard-)Unsicherheiten der
Eingangsgrößen (3.)
Die Standardunsicherheit:

Typ B Komponenten: Der beste Schätzwert für die Eingangsgröße xi ist hier meist
ein nomineller Wert mit Unsicherheitsangaben. In der Regel ist hier von einer
Gleichverteilung innerhalb des angegebenen Grenzbereichs bzw. Intervalls [-a, a]
auszugehen, da alle anderen Annahme Willkür beinhalten würden.
Beachte, dass es auch Eingangsgrößen geben kann, deren Erwartungswert Null ist,
die aber dennoch eine Unsicherheit einbringen (z.B. Auflösung).

Die Standardunsicherheit u (xi) entspricht dann hier der Standardabweichung


einer Gleich- bzw. Rechteckverteilung:
Intervallgrenze
Standardunsicherheit a
von xi unter Annahme u ( x=
i) σ=
xi
einer Gleichverteilung 3
Standardabweichung
einer Rechteckverteilung
-52-

Messunsicherheiten nach GUM


Überprüfung auf Korrelation der Unsicherheiten
der Eingangsgrößen (4.)

Typ A Komponenten: Hier ist die Kovarianz bzw. Korrelation r zwischen den
verschiedenen Eingangsgrößen zu berechnen. Ergibt sie Null, liegt keine Korrelation
vor, andernfalls ist die Kovarianz bzw. Korrelation r später bei der Abschätzung der
kombinierten Unsicherheit mit zu berücksichtigen.

Typ B Komponenten: Hier ist zu überprüfen ob Unsicherheitskomponenten


unterschiedlicher Eingangsgrößen korreliert sein könnten.
Dies wäre z.B. dann der Fall, wenn das gleiche Spannungsmessgerät zum
Messen unterschiedlicher Eingangsgrößen genutzt wird, so das z.B.
Kalibrierabweichungen in allen Messungen gleichartig wirken. In solch einem
Fall liegt starke Korrelation (r =1 oder r = -1) vor.

Hinweis: In diesem Kurs nehmen wir der Einfachheit halber an, dass die
Unsicherheiten aller Eingangsgrößen nicht korreliert sind.
-53-

Messunsicherheiten nach GUM


Berechnung des Erwartungswertes der gesuchten
Größe aus den Erwartungswerten der
Eingangsgrößen (5.)
Grundlage bildet die Modellgleichung. Die Eingangsgrößen sind durch die jeweiligen
Erwartungswerte als bester Schätzer zu ersetzten. Die Modellgleichung liefert dann
den Erwartungswert der gesuchten Größe.

Typ A Komponenten: Der Erwartungswert der Eingangsgrößen vom Typ A


entspricht dem arithmetischen Mittelwert aus mehreren Einzelmessungen.
Es kann auch der Sonderfall auftreten, wo nur ein Messwert aufgenommen wird,
dessen Streuung (und damit Unsicherheit) aber aus vorherigen Messungen bekannt ist.
In diesem Fall ist der Einzelmesswert gleich dem Erwartungswert.

Typ B Komponenten: Der Erwartungswert ist hier ein nominell gegebener Wert.
Es können durchaus Eingangsgrößen mit einem Erwartungswert Null auftreten,
die aber dennoch eine Unsicherheit haben (z.B. eine Kalibrierungsabweichung,
die zwar zu nominell Null bestimmt aber nur mit endlicher Unsicherheit gemessen
werden konnte)
-54-

Messunsicherheiten nach GUM


Bestimmung der kombinierten Standardunsicherheit
aus den Unsicherheiten der Einzelmessungen (6.)
Ziel ist die Ermittlung der kombinierten Unsicherheit uc der gesuchten Messgröße
aus den Einzelunsicherheiten u(xi) der Eingangsgrößen.

In der Regel wird dafür die Modellgleichung zunächst durch Reihenentwicklung


um den Erwartungswert linearisiert:
mit:
∂f ∂f ∂f
y ≈ f ( x1 , x2 ,...) + ∆x1 + ∆x2 + ... = y + ∑ ∆xi ∆xi = ( xi − xi )
∂x1 ∂x2 i ∂xi

Die partiellen Ableitungen sind an der Stelle der Erwartungswerte


zu nehmen und werden als Empfindlichkeitskoeffizient c bezeichnet:

∂f
ci =
∂xi xi
-55-

Messunsicherheiten nach GUM


Bestimmung der kombinierten Standardunsicherheit
aus den Unsicherheiten der Einzelmessungen (6.)
Die kombinierten (Standard-)Unsicherheit uc der gesuchten Messgröße ergibt sich
nun gemäß der kombinierten Varianz bzw. der kombinierten Standardabweichung
für eine Linearkombination von Zufallsvariablen (siehe Folie 31):

Gesetz der Unsicherheitsfortpflanzung


(Gauß´sches Fehlerfortpflanzungsgesetz)
K −1
⋅ u ( xi ) u ( x j ) ⋅ r ( xi , x j )
K K
=uc ∑ i ( xi ) + 2∑
c 2

i =1
⋅ u 2
∑cc
i = 1 j = i +1
i j

= 0 bei unkorrelierten Größen

Für eine einfache Unsicherheitsabschätzung kann die Korrelation vernachlässigt werden.


Wir gehen in diesem Kurs stets davon aus. In der Praxis treten aber häufiger Korrelationen auf,
als vermutet, da es sich oftmals um „verdeckte“ Korrelationen handelt.
-56-

Messunsicherheiten nach GUM


Budgetierung der Einzelunsicherheiten

Es ist oft aufschlussreich die einzelnen Beträge zur kombinierten Unsicherheit


in einem Unsicherheitsbudget zu vergleichen:

Unsicherheitsbudget-Tabelle:

Eingangs- Unsicherheit der Empfindlichkeitsfaktor Beitrag zur kombinierten


größe Eingangsgrößen Unsicherheit

x1 u ( x1 ) c1 =∂f ∂x1 c1 ⋅ u ( x1 ) =
u1

xi u ( xi ) ci =∂f ∂xi ci ⋅ u ( xi ) =
ui

Dies gestattet Hinweise darauf, welche Eingangsgrößen besonders kritisch oder


unkritisch bezüglich der kombinierten Unsicherheit sind. Beiträge die nur 1% oder
weniger ausmachen, können in der Regel von der Unsicherheitsanalyse ausgeschlossen
werden.
-57-

Messunsicherheiten nach GUM


(7.) Ermittlung der Erweiterten Unsicherheit

Die erweitere Unsicherheit U geht aus der Standardunsicherheit u durch


Multiplikation mit einem Erweiterungsfaktor k hervor.

U= k ⋅ u
Der Erweiterungsfaktor k soll die Standardunsicherheit u soweit erweitern,
dass der abgedeckte Vertrauensbereich ein gewünschtes Vertrauensniveau
(z.B. P = 95,45%) erreicht. (Erst die erweiterte Unsicherheit stellt einen Bezug
zu einer statistischen Sicherheit her!)

Der Erweiterungsfaktor für ein bestimmtes Vertrauensniveau hängt von


der Wahrscheinlichkeitsdichte (bzw. der Verteilungsfunktion) der Messgröße
und der Anzahl verfügbarer Messwerte ab.
-58-

Messunsicherheiten nach GUM


(7.) Ermittlung der Erweiterten Unsicherheit
Bestimmung des Erweiterungsfaktors bei unendlich vielen Messungen

Liegen unendlich viele (in der Praxis > 50) Wiederholmessungen (Typ A) vor
oder werden nominelle Werte (Typ B) als Eingangsgrößen verwendet
und sind die Messwerte normalverteilt, so gilt:
Vertrauens- Vertrauens-
k bereich P P bereich k

k 1:  X − u , X + u  ⇒ 68, 27  %
= 50% :  X − k ⋅ u , X + k ⋅ u  ⇒ k =0, 675
k 2 :  X − 2u , X + 2u  ⇒ 95, 45 %
= 95% :  X − k ⋅ u , X + k ⋅ u  ⇒ k =
1,96
k 3 :  X − 3u , X + 3u  ⇒ 99, 73 %
= 99% :  X − k ⋅ u , X + k ⋅ u  ⇒ k =2,576

Auch wenn einige Eingangsgrößen nicht normalverteilt sind, so wird in der Regel gemäß
dem zentralen Grenzwertsatz die kombinierte Größe dennoch eine Normalverteilung
aufweisen und die zuvor beschriebene Vorgehensweise bleibt erhalten.
-59-

Messunsicherheiten nach GUM


(7.) Ermittlung der Erweiterten Unsicherheit
Bestimmung des Erweiterungsfaktors bei unendliche vielen Messungen

Der Zusammenhang aus Vertrauensbereich und Erweiterungsfaktor bei


Normalverteilung ergibt sich aus dem Flächenanteil unter der Gaußschen Kurve

Anmerkung: Der Zusammenhang


zwischen Erweiterungsfaktor k und
statistischem Vertrauensniveau P ist
eine transzendente Funktion
(Gaußsches Fehlerintegral). Ein
ganzzahliges k entspricht daher immer
einem irrationalen P und umgekehrt.

µ-3σ µ+3σ
-60-

Messunsicherheiten nach GUM


(7.) Ermittlung der Erweiterten Unsicherheit
Bestimmung des Erweiterungsfaktors bei endlich vielen Messungen

Sind zumindest für einige der Eingangsgrößen weniger als 50 Wiederholmessungen


aufgenommen worden, besteht aber annähernde Normalverteilung, so muss zunächst
ein effektiver Freiheitsgrad ν eff für die kombinierte Größe (Ausgangsgröße) ermittelt
werden (Welch-Satterthwaite-Formel):

uc4 ( y ) uc ( y ) : Kombinierte Standardunsicherheit


υeff =
ui4 ( y ) ui ( y ) :
∑ υi
Beitrag der Größe i zur komb. Unsicherheit
i
υi : Freiheitsgrad (N-1) der Größe i

Nominelle Eingangsgrößen (Typ B), werden dabei mit einem Freiheitsgrad νi → ∞


behandelt.
-61-

Messunsicherheiten nach GUM


(7.) Ermittlung der Erweiterten Unsicherheit
Bestimmung des Erweiterungsfaktors bei endlich vielen Messungen

Schätzung einer Normalverteilung aus endlich vielen Messwerten:

Normalverteilung Aus nur wenigen Einzelmessungen


(aus unendlich vielen geschätzte Verteilung
Messungen)

Da die Randbereiche sehr


unwahrscheinlich sind, treten
dort kaum Messwerte auf.
Die Verteilung wird daher zu
schmal abgeschätzt
-62-

Messunsicherheiten nach GUM


(7.) Ermittlung der Erweiterten Unsicherheit
Bestimmung des Erweiterungsfaktors bei endlich vielen Messungen

Liegt eine Normalverteilung zu Grunde,


sind aber nur endlich viele (< 50) Messwerte
bekannt, entspricht der Erweiterungsfaktor k
dem t-Parameter der Studentschen t-Verteilung
(siehe Tabelle).

Die t-Verteilung berücksichtigt, dass bei nur


geringer Anzahl an Messwerten, die Streubreite
unterschätzt wird. Der Erweiterungsfaktor
für eine gegebene statistische Sicherheit ist
folglich größer, als für die (ideale) Normal-
verteilung. Diese wird erst durch den Grenzfall
unendlich vieler Messungen (n → ∞) erreicht.

(Umfangreichere t-Verteilungstabellen sind in entsprechende Tafelwerken


oder bei Wikipedia aufgeführt)
-63-

Messunsicherheiten nach GUM


(7.) Ermittlung der Erweiterten Unsicherheit
Anmerkung zur Bestimmung des Erweiterungsfaktors

Auch wenn aufgrund des zentralen Grenzwertsatzes sehr häufig eine Normalverteilung
der Messgröße auftritt, so können auch Messgrößen nicht-normalverteilt sein.

Ist die Messgröße definitiv nicht normalverteilt, ist die vorangegangene


Bestimmungsmethode für den Erweiterungsfaktor k nicht mehr anwendbar.
Der Erweiterungsfaktor k muss dann in der Regel aus numerischen Simulationen
über die zugrundeliegende Verteilungsfunktion bestimmt werden.

Für den Sonderfall, dass eine Rechteckverteilung vorliegt,


gilt für den Erweiterungsfaktor (für P = 95%):

=
k0,95 0,95 3 ≈ 1, 65 oder allgemein: kP = P 3
-64-

Messunsicherheiten nach GUM


(8.) Angabe des vollständigen Messergebnisses

Das Messergebnis ist in der Form: Messgröße= y ±U anzugeben

y: bester Schätzer für den Erwartungswert (arithmetischer Mittelwert),


berechnet über die Modellgleichung durch Einsetzen der Erwartungswerte
für die Eingangsgrößen

U: erweiterte (kombinierte) Unsicherheit

Zur vollständigen Angabe des Messergebnisses gehört auch


eine Angabe des Erweiterungsfaktors
(z.B. k =2)
(dies gestattet später wieder eine Rückrechnung auf die Standardunsicherheit)
und des damit angestrebten Vertrauensniveaus
(z.B. P = 95%),
was auch in der Form: k0.95 = 2 angegeben werden kann.

… und die Einheit!


-65-

Messunsicherheiten nach GUM


(8.) Angabe des vollständigen Messergebnisses
Genauigkeit der Angaben

• Die Unsicherheit sollte höchstens mit zwei


signifikanten Ziffern angegeben werden.
(Für die hier geltenden Rundungsregeln
siehe Übung!)

=I (123,5 ± 2,3) A

• Das numerische Ergebnis


ist so zu runden, dass die
letzte signifikante Dezimalstelle
der letzten signifikanten Dezimal-
stelle der Unsicherheit entspricht.

Das könnte Ihnen auch gefallen