aiMOOC

Daten- und Prozessanalyse im Technikbetrieb – Fehlende und fehlerhafte Daten erkennen

QR-Code

Einleitung

Daten- und Prozessanalyse im Technikbetrieb – Fehlende und fehlerhafte Daten erkennen

Zielgruppe: Ausbildung in technischen, industriellen und IT-Berufen

Dauer: ca. 75–90 Minuten, sechs kurze Lerneinheiten

Vorkenntnisse: Grundverständnis von Messwerten und Tabellen; keine Programmiererfahrung erforderlich.

Dein Auftrag: Du arbeitest an einem fiktiven Temperaturprüfstand. In den Messdaten gibt es Lücken, Ausreißer und unterschiedliche Einheiten. Du sollst sie erkennen, bewerten und dokumentieren.

Dein Lernziel: Am Ende kannst Du Messdaten auf Vollständigkeit, Plausibilität und Konsistenz überprüfen und einfache Prüfungen mit Python automatisieren.

Abbildung: Beispiel eines Temperaturfühlers. Foto: Bitjungle, CC BY-SA 4.0, Wikimedia Commons.

Sicherheitsregel: Arbeite ausschließlich mit den bereitgestellten fiktiven Daten in einer lokalen Übungsumgebung. Keine Verbindung zu fremden Netzen, Produktivanlagen, Steuerungen oder Kundensystemen. Verwende keine Zugangsdaten oder vertraulichen Daten. Die Übungen benötigen keinen Internetzugang.

Dein Lernpfad

Einheit	Thema	Zeit	Ergebnis
A	Messdaten verstehen	10 Minuten	Datenfluss erkennen
B	Fehlende Daten finden	10 Minuten	Lücken markieren
C	Einheiten prüfen	10 Minuten	Werte vereinheitlichen
D	Ausreißer beurteilen	10 Minuten	Auffälligkeiten bewerten
E	Lokales Python-Labor	20 Minuten	Prüfprogramm ausführen
F	Qualität sichern	15 Minuten	Prüfbericht erstellen

Lerneinheit A: Der Ausbildungsfall

Ein Temperaturprüfstand liefert Messdaten

Im fiktiven Ausbildungsbetrieb TechWerk wird die Temperatur eines Übungsprüfstands beobachtet.

Die Ausbildungsanweisung legt für diesen Fall fest:

Messintervall: alle zehn Minuten ein Messwert.
Messgröße: Temperatur in Grad Celsius.
Plausibilitätsbereich: 20 bis 30 °C.
Messprotokoll: Jeder Zeitpunkt muss nachvollziehbar sein.

Der Bereich von 20 bis 30 °C ist ausschließlich eine didaktische Prüfregel, keine allgemein gültige Grenze für Maschinenbetrieb oder Maschinensicherheit.

Abbildung: Mikrocontroller mit Temperatursensor. Foto: OctopusArk, CC BY-SA 4.0.

Merke: Ein gespeicherter Zahlenwert ist nicht automatisch ein richtiger Messwert.

Vom Sensor zur Entscheidung

Sensor	→	Messwert	→	Datenspeicherung	→	Datenanalyse	→	Prüfentscheidung

Mini-Aufgabe: An welcher Stelle können Fehler entstehen?

Feedback: Schon am Sensor, bei der Übertragung, bei der Speicherung oder bei der Auswertung können Fehler auftreten. Die Datenanalyse muss die Herkunft der Daten berücksichtigen.

Lerneinheit B: Fehlende Daten erkennen

Dein fiktiver Datensatz

Es werden sieben Messzeitpunkte von 08:00 bis 09:00 Uhr erwartet.

Uhrzeit	Rohwert	Einheit	Erste Beobachtung
08:00	22,0	C	Unauffällig
08:10	22,4	C	Unauffällig
08:20	—	C	Wert fehlt
08:30	295,55	K	Andere Einheit
08:40	—	—	Ganze Messzeile fehlt
08:50	84,0	C	Auffälliger Wert
09:00	23,0	F	Einheit nicht freigegeben

Wichtig: Die Zeile 08:40 wurde für diese Darstellung ergänzt, damit Du die Lücke sehen kannst. In den tatsächlichen Übungsrohdaten existiert diese Zeile nicht.

Die Datenlücken als Qualitätsmatrix

Zeit	Datensituation	Prüfzeichen
08:00	Messwert vorhanden	✓
08:10	Messwert vorhanden	✓
08:20	Leeres Messfeld	?
08:30	Kelvin statt Celsius	↔
08:40	Gesamte Zeile fehlt	✕
08:50	Auffälliger Messwert	!
09:00	Einheit ungeklärt	?

Unterscheide:

Fehlender Wert: Der Datensatz existiert, aber ein Pflichtfeld ist leer.
Fehlender Datensatz: Ein erwarteter Messzeitpunkt fehlt vollständig.
Ungültiger Wert: Eine Angabe lässt sich nach den definierten Regeln nicht zuverlässig verarbeiten.

Basisaufgabe: Welche beiden Zeitpunkte zeigen eine Datenlücke?

Feedback: 08:20 enthält ein leeres Messfeld. Um 08:40 fehlt die gesamte Messzeile. Beide Fälle benötigen unterschiedliche Prüfungen.

Lerneinheit C: Inkonsistente Einheiten

Messdaten lassen sich nur sinnvoll vergleichen, wenn ihre Einheiten bekannt und kompatibel sind.

Abbildung: Vergleich zwischen Celsius- und Kelvin-Skala. Homo logos und Kismalac, CC BY-SA 3.0.

Kelvin in Celsius umrechnen

Die Umrechnung lautet:

$t_{^{\circ} C} = T_{K} - 273,15$

Für den Messwert um 08:30 Uhr:

$295,55 - 273,15 = 22,40$

Ergebnis: 295,55 K entsprechen 22,40 °C.

Die Umrechnung ist fachlich eindeutig. Der ursprüngliche Rohwert bleibt trotzdem erhalten.

Nicht jede Einheit automatisch verändern

Das Übungssystem ist für die Einheiten C und K freigegeben.

Um 09:00 Uhr steht die Einheit F im Datenfeld. Diese Angabe wird zunächst markiert.

Ob sie Fahrenheit bezeichnet, muss anhand des vereinbarten Datenformats geklärt werden. Erst nach bestätigter Zuordnung darf eine passende Umrechnung vorgenommen werden.

Feedback: Eine rechnerisch mögliche Umrechnung ersetzt nicht die Prüfung der Datenherkunft.

Lerneinheit D: Ausreißer und Plausibilität

Ist ein ungewöhnlicher Wert automatisch falsch?

Um 08:50 Uhr beträgt der gespeicherte Wert 84,0 °C.

Er liegt außerhalb des vereinbarten Übungsbereichs von 20 bis 30 °C.

Bewertung: Der Wert ist auffällig. Seine Ursache ist jedoch nicht nachgewiesen.

Mögliche Ursachen sind ein Messfehler, ein Übertragungsfehler oder eine tatsächliche Temperaturveränderung.

Abbildung: Elemente eines Boxplots. RobSeb, CC BY-SA 3.0.

Ein Box-Plot kann ungewöhnliche Werte sichtbar machen. Dazu werden beispielsweise Median, Quartile und Interquartilsabstand betrachtet.

Abbildung: Boxplot-Beispiel. StefanPohl, CC0.

Zwei verschiedene Prüfmethoden:

Fachliche Plausibilitätsprüfung: Vergleich mit dem vorher festgelegten Bereich 20–30 °C.
Statistische Ausreißerprüfung: Vergleich mit der Verteilung der beobachteten Werte, beispielsweise mithilfe des Interquartilsabstands.

Bei sehr kleinen Datensätzen sind statistische Grenzen besonders vorsichtig zu interpretieren.

Merksatz: Auffällige Werte prüfen, nicht ungefragt löschen.

Video: Andreas Thehos – Boxplot, Quartile und Ausreißer. Externe Vertiefung; das Video ist nicht automatisch eine frei lizenzierte OER-Datei.

Messdaten und Prozessverhalten

Abbildung: Beispiel einer Qualitätsregelkarte. DanielPenfield und WikipediaMaster, gemeinfrei.

Eine Qualitätsregelkarte hilft dabei, Veränderungen in einem Prozessverlauf zu erkennen. Ihre statistischen Eingriffsgrenzen sind nicht mit der hier verwendeten einfachen Übungs-Plausibilitätsgrenze gleichzusetzen.

Anwendungsaufgabe: Welche Informationen würdest Du prüfen, bevor Du den Wert 84 °C als fehlerhaft einstufst?

Begründetes Feedback: Sinnvoll sind insbesondere der Zeitverlauf, der Sensorzustand, die verwendete Einheit und eine unabhängige Vergleichsmessung. Ein Einzelwert allein beweist keinen Defekt.

Lerneinheit E: Lokales Python-Datenlabor

Vorbereitung der isolierten Übungsumgebung

Das Labor verwendet ausschließlich die fiktiven Messdaten dieser Seite.

Erstelle auf einem lokalen Übungsrechner oder in einer netzwerkfreien Übungs-VM einen Ordner namens datenlabor.
Speichere den folgenden Code als datenlabor.py in diesem Ordner.
Verwende Python 3 und führe das Programm mit python -I -B datenlabor.py aus.
Öffne anschließend die erzeugte lokale Datei pruefstand_uebung.svg im Browser.

Die Optionen -I und -B beeinflussen die Python-Ausführung; sie ersetzen keine Betriebssystem- oder Netzwerkisolation. Wenn eine abgeschottete Testumgebung erforderlich ist, muss diese separat eingerichtet sein.

Der Code nutzt ausschließlich die Python-Standardbibliothek. Es werden keine Pakete installiert, keine Netzwerkanfragen gestellt und keine fremden Dateien gelesen. Nur die lokale Übungsgrafik wird geschrieben.

Programm: Lücken, Einheiten und Ausreißer erkennen

"""Offline-Uebung mit ausschliesslich fiktiven Daten."""

import csv
import io
import math
from pathlib import Path
from statistics import median

ROH = """zeit;wert;einheit
08:00;22.0;C
08:10;22.4;C
08:20;;C
08:30;295.55;K
08:50;84.0;C
09:00;23.0;F
"""

SLOTS = [
    "08:00", "08:10", "08:20", "08:30",
    "08:40", "08:50", "09:00"
]

zeilen = list(csv.DictReader(
    io.StringIO(ROH), delimiter=";"
))
daten = {z["zeit"]: z for z in zeilen}

assert len(daten) == len(zeilen), "Doppelte Zeitstempel"

def pruefe(zeit):
    if zeit not in daten:
        return None, "ZEILE_FEHLT"

    eintrag = daten[zeit]

    if not eintrag["wert"].strip():
        return None, "WERT_FEHLT"

    einheit = eintrag["einheit"]
    if einheit not in {"C", "K"}:
        return None, "EINHEIT_UNGEKLAERT"

    try:
        zahl = float(eintrag["wert"])
    except (TypeError, ValueError):
        return None, "KEINE_ZAHL"

    if not math.isfinite(zahl):
        return None, "KEINE_ENDLICHE_ZAHL"

    celsius = (
        zahl if einheit == "C"
        else zahl - 273.15
    )

    if celsius < -273.15:
        return None, "PHYSIKALISCH_UNMOEGLICH"

    if not 20 <= celsius <= 30:
        return celsius, "AUFFAELLIG"

    if einheit == "K":
        return celsius, "K_UMGERECHNET"

    return celsius, "OK"


# Auswertung mit nachvollziehbaren Statusmeldungen
freigegeben = []

print("FIKTIVER PRUEFSTAND")
print("Zeit | Temperatur | Status")

for zeit in SLOTS:
    wert, status = pruefe(zeit)
    anzeige = "-" if wert is None else f"{wert:.2f} C"
    print(f"{zeit} | {anzeige:>11} | {status}")

    if status in {"OK", "K_UMGERECHNET"}:
        freigegeben.append(wert)

print("Median freigegebener Werte:",
      median(freigegeben), "C")


# Drei reproduzierbare Selbsttests
assert pruefe("08:40")[1] == "ZEILE_FEHLT"
assert abs(pruefe("08:30")[0] - 22.4) < 1e-9
assert pruefe("08:50")[1] == "AUFFAELLIG"
print("Drei Selbsttests erfolgreich.")


# Einfache lokale SVG-Visualisierung
svg = [
    '<svg xmlns="http://www.w3.org/2000/svg" '
    'viewBox="0 0 760 245">',
    '<rect width="760" height="245" fill="white"/>',
    '<text x="20" y="28" font-size="18">'
    'Fiktive Temperaturreihe in Celsius</text>',
    '<line x1="45" y1="190" x2="730" y2="190" '
    'stroke="#666"/>',
    '<text x="8" y="194">20</text>',
    '<text x="8" y="74">30</text>',
]

for i, zeit in enumerate(SLOTS):
    x = 65 + i * 100
    wert, status = pruefe(zeit)

    svg.append(
        f'<text x="{x-20}" y="215" font-size="12">'
        f'{zeit}</text>'
    )

    if wert is not None and 20 <= wert <= 30:
        y = 190 - (wert - 20) * 12
        svg.append(
            f'<circle cx="{x}" cy="{y:.1f}" '
            'r="7" fill="#16703f"/>'
        )
        svg.append(
            f'<text x="{x-18}" y="{y-12:.1f}" '
            f'font-size="12">{wert:.1f}</text>'
        )
    else:
        zeichen = (
            f'!{wert:g}' if status == "AUFFAELLIG"
            else "?"
        )
        svg.append(
            f'<text x="{x-18}" y="110" '
            f'font-size="20" fill="#a32e26">'
            f'{zeichen}</text>'
        )

svg.append(
    '<text x="25" y="238" font-size="12">'
    '? = pruefen; ! = ausserhalb des Uebungsbereichs'
    '</text>'
)
svg.append("</svg>")

Path("pruefstand_uebung.svg").write_text(
    "\n".join(svg), encoding="utf-8"
)

print("Lokale SVG-Grafik erstellt.")


# Isolierte interaktive Lernkontrolle
antwort = input(
    "Welche Uhrzeit fehlt als ganze Zeile? "
).strip()

if antwort == "08:40":
    print("Richtig: 08:40 ist in ROH nicht enthalten.")
else:
    print("Pruefe die erwarteten SLOTS gegen ROH.")

antwort = input(
    "295.55 K entsprechen wie viel Celsius? "
).strip().replace(",", ".")

if antwort in {"22.4", "22.40"}:
    print("Richtig: 295.55 - 273.15 = 22.40 C.")
else:
    print("Tipp: Von Kelvin 273.15 abziehen.")

Hinweis: Die Grafik zeigt Werte innerhalb des Übungsbereichs als Punkte. Datenlücken, ungeklärte Einheiten und Werte außerhalb des dargestellten Bereichs erscheinen als Warnzeichen. Die Darstellung ersetzt keine vollständige Prozessdiagnose.

Erwartete Prüfergebnisse

Zeitpunkt	Ergebnis	Begründung
08:00	OK	Gültiger Wert innerhalb des Übungsbereichs
08:10	OK	Gültiger Wert innerhalb des Übungsbereichs
08:20	WERT_FEHLT	Pflichtfeld ist leer
08:30	K_UMGERECHNET	295,55 K entsprechen 22,40 °C
08:40	ZEILE_FEHLT	Erwarteter Zeitstempel existiert nicht
08:50	AUFFAELLIG	84 °C liegen außerhalb des Übungsbereichs
09:00	EINHEIT_UNGEKLAERT	Einheit F ist im Übungsformat nicht freigegeben

Der Median der drei nach den Übungsregeln freigegebenen Werte beträgt 22,4 °C. Die Kennzahl beschreibt nur diese Teilmenge, nicht den vollständigen realen Prozess.

Video: CSV-Daten mit Python verarbeiten

Video: Binärverkehr – CSV mit Python lesen und schreiben. Der Kurs verwendet eine vereinfachte lokale Variante ohne externe Eingabedateien.

Gestufte Hilfen

Hilfe	Wann?	Denkanstoß
Hilfe A	Du findest die Lücken nicht.	Vergleiche alle erwarteten Zeitpunkte mit den vorhandenen Datensätzen.
Hilfe B	Du verstehst die Einheiten nicht.	Eine Kelvin-Temperatur wird durch Subtraktion von 273,15 in Celsius umgerechnet.
Hilfe C	Du bekommst ein unerwartetes Prüfergebnis.	Kontrolliere zuerst Eingabeformat, Statusregel und Originalwert. Verändere immer nur eine Testangabe gleichzeitig.

Lerneinheit F: Datenqualität sichern

Vom Prüfzeichen zur dokumentierten Entscheidung

Eine gute Datenprüfung endet nicht beim Finden einer Auffälligkeit.

Schritt	Handlung
Erkennen	Lücken und ungewöhnliche Werte markieren
Prüfen	Einheit, Zeitstempel und Messbedingungen untersuchen
Bewerten	Beobachtung und mögliche Ursache unterscheiden
Entscheiden	Korrektur nur bei ausreichender Grundlage freigeben
Dokumentieren	Originalwert, Änderung, Grund und Prüfstatus festhalten

Beispiel: 08:30, Originalwert 295,55 K, Vergleichswert 22,40 °C, Regel „Kelvin in Celsius“, Status „umgerechnet“. Der Originalwert wird nicht überschrieben.

Fachregel: Fehlende Werte dürfen nicht ohne begründetes Verfahren durch erfundene Messwerte ersetzt werden. Bei sicherheitsrelevanten Daten gelten die betrieblichen Freigabe- und Prüfverfahren.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Welcher Zeitpunkt fehlt als vollständiger Datensatz? (08:40) (!08:10) (!08:30) (!08:50)

Bei welchem Zeitpunkt existiert eine Zeile mit leerem Messwert? (08:20) (!08:00) (!08:40) (!09:00)

Welche Temperatur entspricht 295,55 Kelvin? (22,40 Grad Celsius) (!295,55 Grad Celsius) (!568,70 Grad Celsius) (!84 Grad Celsius)

Wie muss der Wert 84 Grad Celsius im Übungsfall behandelt werden? (Als auffällig markieren und untersuchen) (!Ungeprüft durch null ersetzen) (!Sofort als Sensorfehler bestätigen) (!Ohne Dokumentation löschen)

Warum wird die Einheit F zunächst markiert? (Weil ihre Bedeutung im Übungsformat nicht bestätigt ist) (!Weil Fahrenheit keine Temperatureinheit ist) (!Weil jede andere Einheit einen Sensorfehler beweist) (!Weil der Zeitstempel fehlt)

Was sollte bei einer dokumentierten Datenkorrektur erhalten bleiben? (Der ursprüngliche Messwert) (!Nur der neue Messwert) (!Nur die letzte Berechnung) (!Nur die Anzahl der Tabellenzeilen)

Welche Grenze nutzt das Python-Programm für die einfache Plausibilitätsprüfung? (Den festgelegten Übungsbereich) (!Den größten vorhandenen Messwert) (!Die Anzahl der Sensoren) (!Die Länge der Dateinamen)

Welches Lagemaß ist gegenüber einzelnen extremen Werten vergleichsweise robust? (Median) (!Maximum) (!Summe) (!Spannweite)

Welche Daten benötigt das lokale Python-Programm? (Die eingebetteten fiktiven Übungsdaten) (!Eine Verbindung zur Maschinensteuerung) (!Kundendaten aus einem Produktionsserver) (!Zugangsdaten für ein Firmennetz)

Warum darf ein Ausreißer nicht automatisch als Messfehler gelten? (Weil er auch eine tatsächliche Prozessveränderung anzeigen kann) (!Weil Ausreißer immer korrekt sind) (!Weil Messungen niemals fehlerhaft sein können) (!Weil nur Datenlücken untersucht werden dürfen)

Memory

Finde die sechs passenden Begriffspaare.

Fehlendes Messfeld	Leeres Pflichtfeld in vorhandener Zeile
Zeitstempellücke	Vollständig ausgefallener Messdatensatz
Kelvin	Einheit der thermodynamischen Temperatur
Median	Robustes statistisches Lagemaß
Ausreißer	Ungewöhnliche Beobachtung
Rohdatenarchiv	Unverändert erhaltene Ursprungsinformationen

Drag and Drop

Ordne jedem Problem die richtige Beschreibung zu.

Ordne die richtigen Begriffe zu.	Beschreibung
Datenlücke	Fehlender Messwert
Einheitenkonflikt	Unterschiedliche Maßeinheiten
Plausibilitätsverletzung	Wert außerhalb einer festgelegten Prüfgrenze
Doppelerfassung	Wiederholt vorhandener Datensatz
Prüfprotokoll	Nachvollziehbare Dokumentation

Kreuzworträtsel

Sensor	Welches Bauteil erfasst eine physikalische Messgröße?
Kelvin	Wie heißt die SI-Basiseinheit der thermodynamischen Temperatur?
Median	Wie heißt der mittlere Wert eines geordneten Datensatzes beziehungsweise das Mittel der zwei mittleren Werte?
Luecke	Wie bezeichnet man das Fehlen einer erwarteten Information?
Ausreisser	Wie heißt eine ungewöhnlich weit abweichende Beobachtung?
Protokoll	Wie nennt man eine nachvollziehbare Aufzeichnung von Prüfschritten?

LearningApps

Optional kannst Du weitere Aufgaben zum Thema suchen. Der folgende externe Dienst benötigt eine Internetverbindung und sollte nur mit Freigabe der Schule oder Ausbildungsstätte verwendet werden. Verwende dort keine betrieblichen Daten.

Lückentext

Ein technischer Messfühler wird als

bezeichnet.

Ein vorhandener Datensatz ohne eingetragenen Messwert ist

und muss überprüft werden.

Ein vollständig fehlender Zeitpunkt erzeugt eine

im Messverlauf.

Die SI-Basiseinheit der thermodynamischen Temperatur heißt

und besitzt das Einheitenzeichen K.

Für die Umrechnung von Kelvin in Celsius wird der Zahlenwert

subtrahiert.

Ein außergewöhnlich weit abweichender Messwert wird als

bezeichnet.

Ein robustes Lagemaß für geordnete Messwerte ist der

und wird von extremen Einzelwerten vergleichsweise wenig beeinflusst.

Die Prüfung auf die Einhaltung fachlich festgelegter Wertebereiche nennt man

und sie liefert Hinweise auf Auffälligkeiten.

Unveränderte Ursprungsinformationen werden als

aufbewahrt.

Eine nachvollziehbare Entscheidung zur Datenkorrektur benötigt eine

des ursprünglichen Wertes und der vorgenommenen Änderung.

Offene Aufgaben

Bearbeite die Aufgaben in einem lokalen Übungsordner oder mit Papier und Stift. Nutze ausschließlich fiktive Daten.

Leicht: Basisaufgaben

Datenlücke: Markiere im Beispieldatensatz die fehlende Zeile und das leere Pflichtfeld mit unterschiedlichen Symbolen.
Messgröße: Erstelle eine beschriftete Skizze von Sensor, Messwerterfassung, Speicherung und Datenprüfung.
Einheitenumrechnung: Berechne 293,15 K und 303,15 K in Grad Celsius.
Plausibilität: Erkläre mit eigenen Worten, weshalb 84 °C untersucht und nicht sofort gelöscht werden sollten.

Standard: Anwendungsaufgaben

Prüfprotokoll: Erstelle für jeden Zeitpunkt eine Tabelle aus Originalwert, Prüfstatus und Begründung.
Python: Starte das lokale Programm und vergleiche die Ergebnisse mit Deiner handschriftlichen Prüfung.
Testfall: Ändere im fiktiven Programm den Wert von 08:10 auf 50.0 und dokumentiere, welche Statusmeldung entsteht.
Datenvisualisierung: Zeichne eine Temperaturkurve mit erkennbaren Lücken und getrennt markierten Ausreißern.

Schwer: Transferaufgaben

Qualitätsmanagement: Entwirf ein kleines Regelwerk für die Prüfung fiktiver Druckmessungen mit ausdrücklich festgelegten Beispielgrenzen.
Ursachenanalyse: Vergleiche die Hypothesen Sensorausfall, falsche Einheit und echte Prozessveränderung anhand geeigneter Prüfschritte.
Datenbereinigung: Entwickle ein Korrekturprotokoll, das Originalwerte, neue Werte, Prüfgrund und Freigabestatus getrennt festhält.
Ausbildungsprojekt: Erstelle eine kurze Bildschirmpräsentation oder ein Lernvideo über das lokale Prüfprogramm, seine Grenzen und eine sichere Anwendung.

Begründetes Feedback zu den Aufgaben

Niveau	Erfolgsmerkmal	Begründung
Basis	Du unterscheidest fehlende Zeilen von leeren Feldern und rechnest Einheiten korrekt um.	Unterschiedliche Fehlerarten benötigen unterschiedliche Prüfregeln.
Anwendung	Dein Programm erkennt Veränderungen im Datensatz und Du kannst die Ausgaben erklären.	Ein reproduzierbarer Test zeigt, ob die Prüfregel wie erwartet arbeitet.
Transfer	Du entwickelst begründete Regeln, dokumentierst Entscheidungen und erhältst Originaldaten.	Eine Datenprüfung ist erst dann belastbar, wenn sie fachlich nachvollziehbar und überprüfbar ist.

Beispiel-Lösungen zur Selbstkontrolle:

Basis: 08:20 hat ein leeres Pflichtfeld, 08:40 fehlt als Zeile. 293,15 K entsprechen 20 °C; 303,15 K entsprechen 30 °C.
Anwendung: Der geänderte Wert 50,0 °C muss den Status AUFFAELLIG erhalten, weil er außerhalb des Übungsbereichs liegt.
Transfer: Eine zuverlässige Lösung trennt Beobachtung, Verdachtsursache, fachliche Bestätigung und freigegebene Korrektur. Eine bloße Ersetzung aller Ausreißer erhält keine volle Bewertung.

Lernkontrolle

Bearbeite mindestens fünf der folgenden Aufgaben. Begründe jede Entscheidung.

Vollständigkeit: Ein Datensatz enthält 100 erwartete Zeitpunkte, aber nur 95 Messzeilen. Zusätzlich sind zwei vorhandene Messfelder leer. Erkläre, warum die Zahl fehlender Zeilen nicht mit der Zahl leerer Werte gleichgesetzt werden darf.
Messdatenanalyse: Zwei Temperaturmesswerte unterscheiden sich deutlich. Entwickle ein Verfahren, um zu prüfen, ob eine reale Prozessänderung oder eine fehlerhafte Erfassung vorliegen könnte.
Einheiten: Ein anderes Team liefert Temperaturen ohne verlässliche Einheitenangabe. Begründe, warum eine automatische Umrechnung problematisch sein kann.
Prozessanalyse: Erläutere, wie regelmäßige Datenlücken zu bestimmten Uhrzeiten auf eine systematische Störung des Erfassungsprozesses hindeuten könnten.
Fehlerbehandlung: Entwickle eine Entscheidungshilfe für die Fälle fehlender Wert, ungeklärte Einheit und auffälliger Wert.
Qualitätssicherung: Begründe, warum Rohdaten, Prüfregeln und Prüfergebnisse getrennt dokumentiert werden sollten.

Bewertungsmaßstab: Gute Antworten nennen nicht nur eine Maßnahme, sondern auch die Voraussetzungen, Grenzen und möglichen Folgen.

Lernnachweis

Für einen erfolgreichen Lernnachweis solltest Du Folgendes vorlegen oder erklären können:

Datenerkennung: Fehlende Werte und ganze Datenlücken zuverlässig unterscheiden.
Einheitenprüfung: Kelvin und Celsius korrekt zuordnen und bei unbestätigten Einheiten zurückhaltend handeln.
Plausibilitätsbewertung: Eine Auffälligkeit begründet erkennen, ohne einen Fehler ungeprüft zu behaupten.
Lokaler Programmtest: Das Übungsprogramm ausführen und seine Prüfausgaben verstehen.
Visualisierung: Eine lesbare Darstellung mit Messwerten und Warnzeichen erzeugen.
Dokumentation: Originalwerte, Prüfregel, Auffälligkeit und Bewertung nachvollziehbar festhalten.
Transfer: Einen fachlich sinnvollen Prüfablauf auf einen anderen fiktiven Messprozess übertragen.
Sicherheit: Mit Übungsdaten arbeiten und keine unbefugten Zugriffe oder Übertragungen vornehmen.

Bewertungsvorschlag:

Kompetenzbereich	Anteil
Datenqualität und Fehlererkennung	30 %
Einheiten und Plausibilitätsprüfung	25 %
Lokales Datenlabor	25 %
Dokumentation und Transfer	20 %

OERs zum Thema

Wikipedia: Datenbereinigung

Der folgende Wikipedia-Artikel bietet weiterführende Informationen zu Verfahren der Datenbereinigung.

Geprüfte fachliche Quellen

NATO – Data Quality Framework: Definitionen von Datenqualität, Vollständigkeit und Konsistenz.
NIST – What are outliers in the data?: Erkennen und Bewerten statistischer Ausreißer.
NIST – Detection of Outliers: Grenzen von Ausreißerprüfungen und sorgfältiger Umgang mit auffälligen Beobachtungen.
NIST – SI Units: Temperature: Temperaturskalen und Umrechnungen.
Python-Dokumentation – csv: Verarbeitung tabellarischer CSV-Daten.
Python-Dokumentation – statistics: Statistische Funktionen und Median.
Wikipedia – Datenbereinigung: Datenfehler, Standardisierung und nachvollziehbare Korrekturen.

Hinweis: Die Messwerte, der Betrieb TechWerk, die Zeitpunkte und der Übungsbereich sind ausdrücklich konstruiert. Sie stammen nicht aus einer realen technischen Anlage.

Mediennachweise und Nutzungsrechte

Die folgenden Wikimedia-Commons-Dateien wurden anhand ihrer jeweiligen Dateibeschreibungsseiten ausgewählt.

Pt-100 temperature sensor with cables.jpg: Bitjungle, CC BY-SA 4.0.
Microcontroller with Temperature Sensor.jpg: OctopusArk, CC BY-SA 4.0.
CelsiusKelvin.svg: Homo logos und Kismalac, CC BY-SA 3.0 als verfügbare Lizenz.
Elements of a boxplot.svg: RobSeb, CC BY-SA 3.0.
Example Boxplot.svg: StefanPohl, CC0.
Xquer Regelkarte.svg: DanielPenfield und WikipediaMaster, gemeinfrei.

Die Abbildungen werden unverändert eingebunden. Bei Weitergabe und Bearbeitung sind insbesondere Namensnennung und gegebenenfalls Weitergabe unter gleichen Bedingungen nach der jeweiligen Creative-Commons-Lizenz zu beachten. Die Lizenztexte sind über die Dateiseiten erreichbar.

Videonachweise: Andreas Thehos – Excel: Boxplot und Whisker; Binärverkehr – CSV mit Python lesen und schreiben. Die verlinkten YouTube-Videos sind externe Inhalte. Eine allgemeine Freigabe zur Bearbeitung oder Weiterveröffentlichung wird nicht behauptet. Eine Einbettung ist nur zu verwenden, soweit die Plattform- und Rechteinhaberbedingungen sie erlauben.

Datenschutz: YouTube, Wikipedia und LearningApps sind externe Internetangebote. Beim Laden ihrer Inhalte können technische Verbindungsdaten übertragen werden. Für die eigentlichen Datenlabor-Aufgaben werden diese Angebote nicht benötigt. Nutze sie nur mit entsprechender Freigabe.