So führst du einen Vergleich aus 01 Eine Voreinstellung wählen oder ein Modell eintippen. Die Voreinstellungen enthalten y = x², x₁·x₂ und das Pendel, die interessanten Fehlschläge sind also einen Klick entfernt. 02 Jedem Eingang eine Verteilung geben. Normal, rechteckig, dreieckig, skaliert-verschobene t, log-normal oder Arkussinus, mit ν, wo es bekannt ist. 03 M, Seed und Überdeckung setzen. Der Standard sind 100 000 Versuche, Seed 20250101 und 95 %. 04 Beide Zeilen lesen. y, u(y), das symmetrische Intervall und die §8-Differenzen; der Urteilstext sagt, wie sie zu interpretieren sind. 05 Entscheiden, was berichtet wird. Bleiben die Endpunktdifferenzen innerhalb der Toleranz, das Ergebnis erster Ordnung zitieren; überschreiten sie sie, Monte Carlo zitieren.
Durchgerechnetes Beispiel Seed 20250101, M = 100 000, 95 % Überdeckung; δ ist die numerische Toleranz nach §8 für die Standardunsicherheit.
Modell
GUM u(y)
MC u(y)
MC-95 %-Intervall
Endpunktdifferenzen gegen δ = 5.00e-2
Urteil
x^2, x ~ N(0, 1)
0
1,41508161
[0,00092727, 5,05221926]
9,27e-4 / 5,05 — übereinstimmend: nein
nichtlinear: MC verwenden (Schiefe 2,7978 )
x1 * x2, N(10, 1), N(5, 0,5)
7,07106781
7,0995449
[36,9247005, 64,60907171]
7,84e-1 / 7,50e-1 — bei diesem M nicht aufgelöst
M erhöhen
x1 + x2 + x3 + x4, vier N(0, 1)
2
2,00529595
[−3,90620878, 3,96027218]
1,37e-2 / 4,03e-2 — innerhalb δ
erster Ordnung bestätigt
Die Quadrat-Voreinstellung ist der sauberste Fehlschlag im ganzen Wissenschaftsbereich: Bei x = 0 verschwindet die Ableitung 2x, die GUM-Zeile liest also u = 0 und ein Intervall der Breite null, während die wahre Verteilung χ²-artig ist mit Mittelwert 1,00083028 , Standardunsicherheit 1,41508161 und einem 95-%-Intervall von 0,00092727 bis 5,05221926 . Monte Carlo erkennt auch die Form: Schiefe 2,7978 und ein kürzestes Intervall [0 , 3,84543713 ], das deutlich enger ist als das symmetrische.
Der §8-Test und was er braucht JCGM 101 §8 legt eine numerische Toleranz δ = ½·10^l fest, wobei u(y) = c·10^l mit ganzzahligem c und der gewählten Stellenzahl ist — 5,00e-2 für diese Beispiele. Das Ergebnis erster Ordnung ist nur bestätigt, wenn beide Intervallendpunkte von den Monte-Carlo-Endpunkten um höchstens δ abweichen. Zwei Bedingungen müssen gelten, damit der Vergleich etwas bedeutet: Das Monte-Carlo-Rauschen muss klein gegen δ sein, und die Intervalle müssen dieselbe Art sein. Der Tab berichtet außerdem, ob der Vergleich aufgelöst ist — dafür muss δ ≥ 3× das Sampling-Rauschen u(y)/√M gelten —, weil das Urteil bei kleinem M zufällig umspringt, statt Nichtlinearität zu messen. Die Quadrat-Voreinstellung bleibt von M = 10⁴ bis 10⁶ aufgelöst und scheitert jedes Mal an der Übereinstimmung; bei der Produkt-Voreinstellung unterscheidet sich u vom GUM-Wert um nur 0,4011 % des Monte-Carlo-Werts (der Tab misst die Abweichung gegen u_MC), doch das Urteil bei M = 100 000 ist nicht aufgelöst , weil die Endpunktdifferenzen (0,784 und 0,750 ) δ weit übersteigen und das Rauschen (2,25e-2 ) für eine saubere Entscheidung zu groß ist.
Grenzen und was es nicht tut
Monte Carlo ist nur so gut wie die Eingangsverteilungen. Eine Rechteckverteilung ist keine Normalverteilung mit demselben σ, und das Überdeckungsintervall ändert entsprechend seine Form — siehe die vier gleichverteilten Eingänge, deren Intervall [−3,86488045, 3,90530028] enger ist als die ±3,92 des Normalfalls bei gleichem u.
Das Modell muss ein typisierter Ausdruck sein. Korrelationen gehen als explizit eingegebene Matrix ein; eine Messung, deren Eingänge eine Drift ohne erfasste Korrelation teilen, ist stillschweigend optimistisch. Was es nicht tut. Es entscheidet nicht über dein Modell und bewertet nicht dein Instrument — reine Erster-Ordnung-Arbeit gehört zum Fehlerfortpflanzungs-Panel , die Eingangsrangfolge zur Sensitivität und die automatische Wahl von M zum Adaptiven M .
Die Falle: ein winziger u-Unterschied ist kein Bestehen Die Standardunsicherheiten der Produkt-Voreinstellung unterscheiden sich um nur 0,4011 % des Monte-Carlo-Werts — klein genug, um wie Übereinstimmung auszusehen —, doch die §8-Prüfung vergleicht Intervalle, nicht u, und scheitert. Umgekehrt kann Übereinstimmung ein Zufall eines günstigen M sein: Vor dem Zitieren eines bestätigten Urteils die Auflösungszeile lesen. Die dritte Falle steckt in der Null der Quadrat-Voreinstellung: u = 0 ist keine starke Aussage, sondern die Linearisierung meldet, dass die Steigung am Auswertungspunkt flach ist, was nichts über die Streuung 1,4 Einheiten entfernt sagt.
Wo es verwendet wird Kalibrier- und Prüfberichte Ein Bericht, der für ein gekrümmtes Modell eine linearisierte Unsicherheit zitiert, kann in der zweiten Ziffer falsch sein. Beide Methoden laufen zu lassen und das §8-Urteil beizufügen, macht die Ergebniswahl auditierbar.
Lehren, warum Ableitungen nicht genügen Die Quadrat- und die Produkt-Voreinstellung sind klein genug für die Handrechnung: Die eine zeigt eine verschwindende Ableitung, die andere den fehlenden u₁²u₂²-Term. Sie machen aus „Monte Carlo verwenden“ einen Slogan mit gezeigtem Fehlschlag.
Datenschutz Parsing, Sampling und der Vergleich laufen in deinem Browser mit einem Seed-Generator; Modell und Eingaben werden nie hochgeladen.
Quellen
BIPM JCGM, JCGM 100:2008 — die GUM-Methode erster Ordnung. bipm.org (访问日期:2026-10-07)
BIPM JCGM, JCGM 101:2008 — Monte-Carlo-Fortpflanzung, §7.9 Toleranz und §8 Validierung. bipm.org (访问日期:2026-10-07)
NIST, Technical Note 1297 — Bewertung und Angabe von Unsicherheiten. nist.gov (访问日期:2026-10-07)
Wikipedia, Propagation of uncertainty — Linearisierung und ihr Versagen. en.wikipedia.org (访问日期:2026-10-07)
Wikipedia, Monte Carlo method — Sampling durch ein Modell. en.wikipedia.org (访问日期:2026-10-07)
Calculators in this hub
Hand-picked tools, one click away. The mini versions compute live and carry your values into the full calculator.
Sources & review
Updated 2026-10-07