| Veranstaltungsform | Vorlesung und Exkursion |
| Semesterwochenstunden | 3 |
| Turnus | jährlich Wintersemester |
| Lehrende | Dorothee Hüser, Gerd Ehret, Wolfgang Schmid |
Die Studierenden sind in der Lage, fortgeschrittene Methoden der Wahrscheinlichkeitsrechnung und Statistik zur Messdatenauswertung wie Hypothesentests und Regressionsrechnung anzuwenden, sowie das Konzept der Bayes'schen Wahrscheinlichkeitstheorie zu erläutern. Sie können Messsysteme analysieren um daraus physikalische und statistische Modelle abzuleiten. Sie verstehen den Zusammenhang von der Ermittlung von Einflussgrößen, Modellentwicklung und Optimierungsrechnung. Sie können das Konzept der Interpretation von Messergebnissen als Wahrscheinlichkeitsaussage und darauf fußenden Konformitätsentscheidungen diskutieren. Die Studierenden sind in der Lage, Messunsicherheiten gemäß des internationalen Dokuments „Guide to the Expression of Uncertainty in Measurement (GUM)“, das Ansätze für die analytische Berechnung der Unsicherheitsfortpflanzung für Modelle mit expliziter indirekter Messgröße beschreibt, zu berechnen. Sie sind ferner in der Lage, numerische Methoden zur Verteilungsfortpflanzung nach dem „GUM-Supplement 1“ zu verwenden und die Ansätze nach den weiteren „GUM-Supplement“-Dokumenten, die auch die Bayes'schen Ansätze berücksichtigen, zu diskutieren.
Messung und Messsysteme, Kennlinien, Funktionsstrukturen, Übertragungsverhalten, Einflüsse und Parameter, Grundlagen der Wahrscheinlichkeitsrechnung und Statistik für die Messdatenanalyse, Statistische Analyse von Beobachtungsdaten, Bewerten nicht-statistischer Kenntnisse, Rechnergestützte Messunsicherheitsbewertung nach GUM und GUM-Supplement 1, praktische rechnergestützte Messunsicherheitsbewertung anhand von Beispielen, Verteilungsfortpflanzung mit Monte-Carlo-Techniken, Korrelation und Regression, statistische und logische Korrelation in der Messunsicherheitsbewertung, multivariate Ausgangsgrößen, Ausgleichsrechnung, Bereichskalibrierung, Messunsicherheit aus Ringversuchen, Messung als Bayes'scher Lernprozess, Modellbildung, Multisensorsysteme, dynamische Systeme