Vorlesung Simulation technischer Systeme - ByteLABS
Vorlesung Simulation technischer Systeme - ByteLABS
Vorlesung Simulation technischer Systeme - ByteLABS
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
8. Versuchsplanung (Exerimental Design) und<br />
Datenanalyse<br />
Bereits das <strong>Simulation</strong>sziel gibt vor wie man die <strong>Simulation</strong>släufe gruppieren soll um möglichst<br />
viel Information aus möglichst wenig <strong>Simulation</strong>släufen filtern zu können.<br />
Annahme: Wir vermuten, dass folgende 3 Einflussfaktoren auf den Verbrauch eines Fahrzeugs<br />
(LKW) wirken:<br />
- Straßenbelag<br />
- Oktanzahl<br />
- Reifenqualität<br />
Dann muss schon das <strong>Simulation</strong>sexperiment so angelegt werden, dass jeder Straßenbelag mit<br />
jeder Oktanzahl mit jeweils jeder Reifenqualität getestet wird. Wir werden dies in unserem<br />
letzten Beispiel sehen.<br />
Im umgekehrten Fall kann aber auch getestet werden, ob Auffälligkeiten, die in einem <strong>Simulation</strong>sergebnis<br />
erkennbar sind, statistisch signifikant sind (Datenanalyse).<br />
Wir werden im folgenden Modelle mit bis zu 3 Einflussfaktoren (bzw. Auffälligkeiten) kennenlernen<br />
(Näheres dazu in der Literatur über Experimental Design).<br />
Wir nehmen wieder unser Beispiel aus Kapitel 4.4. (Ob die Daten aus einer Datenerhebung<br />
oder Ergebnisse einer <strong>Simulation</strong> sind, spielt für den statistischen Test keine Rolle.)<br />
Tag<br />
Sequenz Montag Dienstag Mittw. Donnerst. Freitag Samstag<br />
Zeilensummen<br />
1 23.9 23.8 23.3 24.4 23.3 22.9 141.6<br />
2 22.0 22.8 22.9 22.8 22.9 22.3 135.7<br />
3 23.8 23.5 23.8 23.1 24.1 24.0 142.3<br />
4 21.5 23.1 22.9 22.5 23.0 22.0 135.0<br />
5 24.6 23.4 23.5 22.6 23.3 23.2 140.6<br />
6 21.7 23.0 23.3 21.6 23.2 22.8 135.6<br />
7 23.9 23.3 23.5 23.4 23.8 23.7 141.6<br />
8 23.1 23.0 22.3 22.5 21.8 23.0 135.7<br />
Analysiert man das Datenmaterial, so sieht man, dass an jedem Tag sequentiell einer „hohen“<br />
Bearbeitungszeit immer eine „niedere“ folgt (pulsierende Bearbeitungszeiten). Dieser Effekt<br />
ist auch in den Zeilensummen erkennbar. Da ein derartiger Puls einen starken Einfluss auf die<br />
Wartenschlagenlänge hat, untersuchen wir mittels Varianzanalyse, ob dieser Effekt signifikant<br />
ist.<br />
50