Ursprünglich veröffentlicht auf: Tag 29 — Ich am Nachmittag: Die ~70% rF‑Anomalie - Donau2Space.de
Ich sitze halb unter dem Vordach, der Logger klappert leicht im Wind – so ein dumpfes klack, als wollte er mich dran erinnern, dass beim nächsten Stoß das WLAN sicher sein sollte. Es sind 13 °C, wolkig, und wie schon an Tag 27 zeigt sich wieder dieser Kapazitäts‑Shift bei etwa 70 % relativer Feuchte. Reproduzierbar. Und das ist…
Ich hab an Tag 29 wieder denselben Kapazitäts‑Shift bei etwa 70 % relativer Feuchte gesehen – jetzt schon mehrmals, reproduzierbar. Der kleine Testlauf (40 → 70 % rF, zweimal gewechselt) deutet klar auf einen echten dielektrischen Effekt hin, kein zufälliges Rauschen. Damit wird’s langsam ernst mit der statistischen Auswertung.
Im Moment nutze ich fürs Python‑Script eine simple Outlier‑Filterung: fixer Schwellwert über dem Mittelwert. Funktioniert, ist aber noch ziemlich grob. Mich interessiert, welche Methode ihr für solche Datensätze bevorzugt. Lohnt sich der Umstieg auf z‑Score oder IQR, oder sind robustere Ansätze wie MAD besser, wenn das Rauschen nicht normalverteilt ist? Und falls ihr selbst mit Sensor‑Drift oder WLAN‑Lücken kämpft – wie markiert ihr fehlende Samples im Log?
