anpassung ellipsoid statt ellipse, anpassung lokaltest wegen falschem beta

Export.py

@@ -230,8 +230,8 @@ class Export:
                     <li><a href="#vks">4. Varianzkomponentenschätzung</a></li>
                     <li><a href="#aeussere_zuver">5. Äussere Zuverlässigkeit</a></li>
                     <li><a href="#Helmertscher_Punktfehler">6. Standardabweichungen und Helmert'scher Punktfehler</a></li>
-                    <li><a href="#standardellipsen">7. Standardellipsen</a></li>
+                    <li><a href="#Standardellipsoid">7. Standardellipsoid</a></li>
-                    <li><a href="#konfidenzellipsen">8. Konfidenzellipsen</a></li>
+                    <li><a href="#Konfidenzellipoid">8. Konfidenzellipoid</a></li>
                     <li><a href="#Konfidenzellipse_ENU">9. Konfidenzellipsen im ENU-System</a></li>
                     <li><a href="#netzplot_gesamt">10. Netzplot im ENU-System mit Konfidenzellipsen - Gesamtes Netz</a></li>
                     <li><a href="#netzplot_zoom">11. Netzplot im ENU-System mit Konfidenzellipsen - Ausschnitt</a></li>
@@ -258,11 +258,11 @@ class Export:
             <h3 id="Helmertscher_Punktfehler">6. Standardabweichungen und Helmert'scher Punktfehler</h3>
             {ergebnisse['df_punktfehler'].to_html(index=False)}
 
-            <h3 id="standardellipsen">7. Standardellipsen</h3>
+            <h3 id="Standardellipsoid">7. Standardellipsoid</h3>
-            {ergebnisse['df_ellipsen'].to_html(index=False)}
+            {ergebnisse['df_standardellipsoid'].to_html(index=False)}
 
-            <h3 id="konfidenzellipsen">8. Konfidenzellipsen</h3>
+            <h3 id="Konfidenzellipoid">8. Konfidenzellipoid</h3>
-            {ergebnisse['df_konfidenzellipsen'].to_html(index=False)}
+            {ergebnisse['df_konfidenzellipsoid'].to_html(index=False)}
             
             <h3 id="Konfidenzellipse_ENU">9. Konfidenzellipsen im ENU-System</h3>
             {ergebnisse['df_konfidenzellipsen_enu'].to_html(index=False)}

Netzqualitaet_Genauigkeit.py

@@ -56,9 +56,9 @@ class Genauigkeitsmaße:
 
         Aus der Kofaktor-Matrix der Unbekannten Qxx werden die Kofaktoren punktweise ausgelesen. Durch Multiplikation
         mit der a-posteriori Standardabweichung der Gewichtseinheit s₀ werden die Standardabweichungen je Koordinate
-        (σx, σy, σz) sowie der Helmertsche Punktfehler σP berechnet:
+        (σx, σy, σz) sowie der Helmert'sche Punktfehler σP berechnet:
 
-        Die Punktzuordnung erfolgt über die Symbolnamen der Unbekanntenliste (z.B. X1, Y1, Z1).
+        Die Punktzuordnung erfolgt über die Symbolnamen der Unbekanntenliste.
         Die Dimension (2D/3D) wird interaktiv per Eingabe abgefragt. Zusätzlich werden die
         Ergebnisse als Tabelle ausgegeben und in eine Excel-Datei exportiert.
 
@@ -116,30 +116,35 @@ class Genauigkeitsmaße:
 
 
     @staticmethod
-    def standardellipse(Qxx, s0_apost, unbekannten_liste):
+    def standardellipsoid(Qxx, s0_apost, unbekannten_liste):
         """
-        Berechnet die Standardellipse (Helmertsche Fehlerellipse) für die Punkte aus Qxx und s₀ a posteriori.
+        Berechnet Achsenlängen des Fehlerellipsoids (a, b, c) sowie den 2D-Richtungswinkel θ aus Qxx und s₀ a posteriori.
 
-        Für jeden Punkt werden aus der Kofaktor-Matrix der Unbekannten Qxx die
+        Für jeden Punkt wird aus der Kofaktor-Matrix der Unbekannten Qxx die 3×3-Submatrix
-        Kofaktoren von X und Y ausgelesen (qxx, qyy, qyx).
+        der Koordinaten (X, Y, Z) gebildet. Daraus werden zunächst die Standardabweichungen
-        Daraus werden Standardabweichungen σx, σy sowie die Kovarianz σxy bestimmt und
+        σx, σy, σz bestimmt. Anschließend werden über eine Eigenwertzerlegung der Submatrix
-        anschließend die Parameter der Standardellipse berechnet:
+        die Halbachsen des (punktbezogenen) Fehlerellipsoids berechnet:
 
-        - Große und kleine Halbachse der Standardellipse,
+        - Halbachse a aus dem größten Eigenwert,
-        - Richtungswinkel θ der großen Halbachse in gon.
+        - Halbachse b aus dem mittleren Eigenwert,
+        - Halbachse c aus dem kleinsten Eigenwert.
 
-        Die Punktzuordnung erfolgt über die Symbolnamen der Unbekanntenliste (z.B. X1, Y1).
+        Zusätzlich wird zur zweidimensionalen Darstellung ein Richtungswinkel θ in der X/Y-Ebene
-        Zusätzlich werden die Ergebnisse tabellarisch ausgegeben und in eine Excel-Datei expoertiert.
+        aus den Kovarianzanteilen (qxx, qyy, qyx) berechnet (Winkel in gon).
+
+        Die Punktzuordnung erfolgt über die Symbolnamen der Unbekanntenliste.
+        Die Ergebnisse werden tabellarisch ausgegeben und in eine Excel-Datei exportiert.
 
         :param Qxx: Kofaktor-Matrix der Unbekannten.
         :type Qxx: numpy.ndarray
-        :param s0_apost: a-posteriori Standardabweichung der Gewichtseinheit s₀.
+        :param s0_apost: A-posteriori Standardabweichung der Gewichtseinheit s₀.
         :type s0_apost: float
         :param unbekannten_liste: Liste der Unbekannten.
         :type unbekannten_liste: list
-        :return: Tabelle mit Standardabweichungen und Parametern der Standardellipse je Punkt.
+        :return: Tabelle mit Standardabweichungen (σx, σy, σz), Ellipsoid-Halbachsen (a, b, c) und Richtungswinkel θ je Punkt.
         :rtype: pandas.DataFrame
         """
+
         Qxx = np.asarray(Qxx, float)
         daten = []
         namen_str = [str(sym) for sym in unbekannten_liste]
@@ -153,65 +158,55 @@ class Genauigkeitsmaße:
             try:
                 idx_x = next(i for i, n in enumerate(namen_str) if n.upper() == f"X{pid}".upper())
                 idx_y = next(i for i, n in enumerate(namen_str) if n.upper() == f"Y{pid}".upper())
+                idx_z = next(i for i, n in enumerate(namen_str) if n.upper() == f"Z{pid}".upper())
 
-                qxx = Qxx[idx_x, idx_x]
+                indices = [idx_x, idx_y, idx_z]
-                qyy = Qxx[idx_y, idx_y]
+                Q_sub = Qxx[np.ix_(indices, indices)]
-                qyx = Qxx[idx_y, idx_x]
 
                 # Standardabweichungen
-                sx = s0_apost * np.sqrt(qxx)
+                sx = s0_apost * np.sqrt(Q_sub[0, 0])
-                sy = s0_apost * np.sqrt(qyy)
+                sy = s0_apost * np.sqrt(Q_sub[1, 1])
-                sxy = (s0_apost ** 2) * qyx
+                sz = s0_apost * np.sqrt(Q_sub[2, 2])
 
-                k = np.sqrt((qxx - qyy) ** 2 + 4 * (qyx ** 2))
+                # Eigenwertzerlegung
-
+                eigenwerte, eigenvektoren = np.linalg.eigh(Q_sub)
-                # Q_dmax/min = 0.5 * (Qyy + Qxx +/- k)
+                eigenwerte = np.sort(eigenwerte)[::-1]
-                q_dmax = 0.5 * (qyy + qxx + k)
-                q_dmin = 0.5 * (qyy + qxx - k)
 
                 # Halbachsen
-                s_max = s0_apost * np.sqrt(q_dmax)
+                s_a = s0_apost * np.sqrt(eigenwerte[0])  # Große Halbachse a
-                s_min = s0_apost * np.sqrt(q_dmin)
+                s_b = s0_apost * np.sqrt(eigenwerte[1])  # Mittlere Halbachse b
+                s_c = s0_apost * np.sqrt(eigenwerte[2])  # Kleine Halbachse c
 
                 # Richtungswinkel theta in gon:
-                zaehler = 2 * qyx
+                qyx = Q_sub[1, 0]
-                nenner = qxx - qyy
+                qxx = Q_sub[0, 0]
-                t_grund = 0.5 * np.arctan(abs(zaehler) / abs(nenner)) * (200 / np.pi)
+                qyy = Q_sub[1, 1]
-
+                t_gon = 0.5 * np.arctan2(2 * qyx, qxx - qyy) * (200 / np.pi)
-                # Quadrantenabfrage
+                if t_gon < 0:
-                if nenner > 0 and qyx > 0:  # Qxx - Qyy > 0 und Qyx > 0
+                    t_gon += 200
-                    t_gon = t_grund  # 0 - 50 gon
-                elif nenner < 0 and qyx > 0:  # Qxx - Qyy < 0 und Qyx > 0
-                    t_gon = 100 - t_grund  # 50 - 100 gon
-                elif nenner < 0 and qyx < 0:  # Qxx - Qyy < 0 und Qyx < 0
-                    t_gon = 100 + t_grund  # 100 - 150 gon
-                elif nenner > 0 and qyx < 0:  # Qxx - Qyy > 0 und Qyx < 0
-                    t_gon = 200 - t_grund  # 150 - 200 gon
-                else:
-                    t_gon = 0.0
 
                 daten.append([
-                    pid,
+                    pid, float(sx), float(sy), float(sz),
-                    float(sx), float(sy), float(sxy),
+                    float(s_a), float(s_b), float(s_c), float(t_gon)
-                    float(s_max), float(s_min),
-                    float(t_gon)
                 ])
             except:
                 continue
-        standardellipse = pd.DataFrame(daten, columns=["Punkt", "σx [m]", "σy [m]", "σxy [m]", "Große Halbachse [m]", "Kleine Halbachse [m]", "θ [gon]"])
+        standardellipsoid = pd.DataFrame(daten, columns=["Punkt", "σx [m]", "σy [m]", "σz [m]", "Halbachse a [m]", "Halbachse b [m]", "Halbachse c [m]", "θ [gon]"])
-        standardellipse["σx [m]"] = standardellipse["σx [m]"].astype(float).round(4)
+        standardellipsoid["σx [m]"] = standardellipsoid["σx [m]"].astype(float).round(4)
-        standardellipse["σy [m]"] = standardellipse["σy [m]"].astype(float).round(4)
+        standardellipsoid["σy [m]"] = standardellipsoid["σy [m]"].astype(float).round(4)
-        standardellipse["Große Halbachse [m]"] = standardellipse["Große Halbachse [m]"].astype(float).round(4)
+        standardellipsoid["σz [m]"] = standardellipsoid["σz [m]"].astype(float).round(4)
-        standardellipse["Kleine Halbachse [m]"] = standardellipse["Kleine Halbachse [m]"].astype(float).round(4)
+        standardellipsoid["Halbachse a [m]"] = standardellipsoid["Halbachse a [m]"].astype(float).round(4)
-        standardellipse["θ [gon]"] = standardellipse["θ [gon]"].astype(float).round(3)
+        standardellipsoid["Halbachse b [m]"] = standardellipsoid["Halbachse b [m]"].astype(float).round(4)
-        display(HTML(standardellipse.to_html(index=False)))
+        standardellipsoid["Halbachse c [m]"] = standardellipsoid["Halbachse c [m]"].astype(float).round(4)
-        standardellipse.to_excel(r"Netzqualitaet\Standardellipse.xlsx", index=False)
+        standardellipsoid["θ [gon]"] = standardellipsoid["θ [gon]"].astype(float).round(3)
-        return standardellipse
+        display(HTML(standardellipsoid.to_html(index=False)))
+        standardellipsoid.to_excel(r"Netzqualitaet\Standardellipsoid.xlsx", index=False)
+        return standardellipsoid
 
 
 
     @staticmethod
-    def konfidenzellipse(Qxx, s0_apost, unbekannten_liste, R, ausgabe_erfolgt):
+    def konfidenzellipsoid(Qxx, s0_apost, unbekannten_liste, R, ausgabe_erfolgt):
         """
         Berechnet die Konfidenzellipse für Punkte aus Qxx und einem Konfidenzniveau.
 
@@ -238,7 +233,7 @@ class Genauigkeitsmaße:
         :rtype: tuple[pandas.DataFrame, float]
         :raises ValueError: Wenn alpha nicht in (0, 1) liegt oder nicht in float umgewandelt werden kann.
         """
-        alpha_input = input("Konfidenzniveau wählen (z.B. 0.05 für 95%, 0.01 für 99%) [Standard=0.05]: ")
+        alpha_input = input("Irrtumswahrscheinlichkeit α wählen (z.B. 0.05, 0.01) [Standard=0.05]: ")
         if alpha_input.strip() == "":
             alpha = 0.05
         else:
@@ -250,72 +245,53 @@ class Genauigkeitsmaße:
 
         punkt_ids = [n[1:] for n in namen_str if n.upper().startswith('X')]
 
-        # Faktor für Konfidenzellipse (F-Verteilung)
+        # Faktor fürs Konfidenzellipoid (F-Verteilung)
-        kk = float(np.sqrt(2.0 * f.ppf(1.0 - alpha, 2, R)))
+        k = float(np.sqrt(3.0 * f.ppf(1.0 - alpha, 3, R)))
 
         for pid in punkt_ids:
             try:
                 idx_x = next(i for i, n in enumerate(namen_str) if n.upper() == f"X{pid}".upper())
                 idx_y = next(i for i, n in enumerate(namen_str) if n.upper() == f"Y{pid}".upper())
+                idx_z = next(i for i, n in enumerate(namen_str) if n.upper() == f"Z{pid}".upper())
 
-                qxx = Qxx[idx_x, idx_x]
+                indices = [idx_x, idx_y, idx_z]
-                qyy = Qxx[idx_y, idx_y]
+                Q_sub = Qxx[np.ix_(indices, indices)]
-                qyx = Qxx[idx_y, idx_x]
 
                 # Standardabweichungen
-                sx = s0_apost * np.sqrt(qxx)
+                sx = s0_apost * np.sqrt(Q_sub[0, 0])
-                sy = s0_apost * np.sqrt(qyy)
+                sy = s0_apost * np.sqrt(Q_sub[1, 1])
-                sxy = (s0_apost ** 2) * qyx
+                sz = s0_apost * np.sqrt(Q_sub[2, 2])
 
-                k = np.sqrt((qxx - qyy) ** 2 + 4 * (qyx ** 2))
+                # Eigenwertzerlegung
+                eigenwerte, eigenvektoren = np.linalg.eigh(Q_sub)
+                eigenwerte = np.sort(eigenwerte)[::-1]
 
-                # Q_dmax/min = 0.5 * (Qyy + Qxx +/- k)
+                # Halbachsen des Konfidenzellipoid
-                q_dmax = 0.5 * (qyy + qxx + k)
+                A_K = k * s0_apost * np.sqrt(eigenwerte[0])
-                q_dmin = 0.5 * (qyy + qxx - k)
+                B_K = k * s0_apost * np.sqrt(eigenwerte[1])
-
+                C_K = k * s0_apost * np.sqrt(eigenwerte[2])
-                # Halbachsen der Standardellipse
-                s_max = s0_apost * np.sqrt(q_dmax)
-                s_min = s0_apost * np.sqrt(q_dmin)
-
-                # Halbachsen der Konfidenzellipse
-                A_K = kk * s_max
-                B_K = kk * s_min
 
                 # Richtungswinkel theta in gon:
-                zaehler = 2 * qyx
+                qyx = Q_sub[1, 0]
-                nenner = qxx - qyy
+                qxx = Q_sub[0, 0]
-                t_grund = 0.5 * np.arctan(abs(zaehler) / abs(nenner)) * (200 / np.pi)
+                qyy = Q_sub[1, 1]
-
+                t_gon = 0.5 * np.arctan2(2 * qyx, qxx - qyy) * (200 / np.pi)
-                # Quadrantenabfrage
+                if t_gon < 0:
-                if nenner > 0 and qyx > 0:
+                    t_gon += 200
-                    t_gon = t_grund  # 0 - 50 gon
-                elif nenner < 0 and qyx > 0:
-                    t_gon = 100 - t_grund  # 50 - 100 gon
-                elif nenner < 0 and qyx < 0:
-                    t_gon = 100 + t_grund  # 100 - 150 gon
-                elif nenner > 0 and qyx < 0:
-                    t_gon = 200 - t_grund  # 150 - 200 gon
-                else:
-                    t_gon = 0.0
 
                 daten.append([
-                    pid,
+                    pid, float(sx), float(sy), float(sz),
-                    float(sx), float(sy), float(sxy),
+                    float(A_K), float(B_K), float(C_K), float(t_gon)
-                    float(A_K), float(B_K),
-                    float(t_gon)
                 ])
 
             except:
                 continue
 
-        konfidenzellipse = pd.DataFrame(daten, columns=["Punkt", "σx [m]", "σy [m]", "σxy [m]", "Große Halbachse [m]", "Kleine Halbachse [m]", "θ [gon]"])
+        konfidenzellipoid = pd.DataFrame(daten, columns=["Punkt", "σx [m]", "σy [m]", "σz [m]", "Halbachse a_k [m]", "Halbachse b_k [m]", "Halbachse c_k [m]", "θ [gon]"])
-        konfidenzellipse["Große Halbachse [m]"] = konfidenzellipse["Große Halbachse [m]"].round(4)
-        konfidenzellipse["Kleine Halbachse [m]"] = konfidenzellipse["Kleine Halbachse [m]"].round(4)
-        konfidenzellipse["θ [gon]"] = konfidenzellipse["θ [gon]"].round(3)
         if ausgabe_erfolgt == False:
-            display(HTML(konfidenzellipse.to_html(index=False)))
+            display(HTML(konfidenzellipoid.to_html(index=False)))
-            konfidenzellipse.to_excel(r"Netzqualitaet\Konfidenzellipse.xlsx", index=False)
+            konfidenzellipoid.to_excel(r"Netzqualitaet\Konfidenzellipoid.xlsx", index=False)
-        return konfidenzellipse, alpha
+        return konfidenzellipoid, alpha
 
 
     @staticmethod
@@ -326,7 +302,7 @@ class Genauigkeitsmaße:
         Die Funktion transformiert zunächst die Kofaktor-Matrix der Unbekannten Qxx
         in ein East-North-Up-System (ENU) bezogen auf den Schwerpunkt der verwendeten
         Punkte (B0, L0). Anschließend wird auf Basis der transformierten Matrix die
-        Konfidenzellipse über die Funktion "konfidenzellipse" bestimmt.
+        Konfidenzellipse über die Funktion "konfidenzellipsoid" bestimmt.
         Zum Schluss werden Spaltennamen an die ENU-Notation angepasst, Werte gerundet,
         tabellarisch ausgegeben und als Excel-Datei exportiert.
 
@@ -362,8 +338,8 @@ class Genauigkeitsmaße:
         print(
             f"ENU-Referenz (Schwerpunkt): B0={Einheitenumrechnung.Einheitenumrechnung.rad_to_gon_Decimal(B0):.8f} rad, L0={Einheitenumrechnung.Einheitenumrechnung.rad_to_gon_Decimal(L0):.8f} rad")
 
-        # 2) Konfidenzellipse im ENU-System
+        # 2) Konfidenzellipoid im ENU-System
-        Konfidenzellipse_ENU, alpha = Genauigkeitsmaße.konfidenzellipse(
+        Konfidenzellipse_ENU, alpha = Genauigkeitsmaße.konfidenzellipsoid(
             Qxx_enu,
             s0apost,
             liste_unbekannte,
@@ -375,15 +351,17 @@ class Genauigkeitsmaße:
         Konfidenzellipse_ENU = Konfidenzellipse_ENU.rename(columns={
             "σx [m]": "σE [m]",
             "σy [m]": "σN [m]",
-            "σxy [m]": "σEN [m]",
+            "σz [m]": "σU [m]",
             "θ [gon]": "θ_EN [gon]"
         })
 
         # 4) Runden und Anzeigen
-        Konfidenzellipse_ENU["σE [m]"] = Konfidenzellipse_ENU["σE [m]"].round(4)
+        Konfidenzellipse_ENU["σE [m]"] = Konfidenzellipse_ENU["σE [m]"].round(6)
-        Konfidenzellipse_ENU["σN [m]"] = Konfidenzellipse_ENU["σN [m]"].round(4)
+        Konfidenzellipse_ENU["σN [m]"] = Konfidenzellipse_ENU["σN [m]"].round(6)
-        Konfidenzellipse_ENU["Große Halbachse [m]"] = Konfidenzellipse_ENU["Große Halbachse [m]"].round(4)
+        Konfidenzellipse_ENU["σU [m]"] = Konfidenzellipse_ENU["σU [m]"].round(6)
-        Konfidenzellipse_ENU["Kleine Halbachse [m]"] = Konfidenzellipse_ENU["Kleine Halbachse [m]"].round(4)
+        Konfidenzellipse_ENU["Halbachse a_k [m]"] = Konfidenzellipse_ENU["Halbachse a_k [m]"].round(4)
+        Konfidenzellipse_ENU["Halbachse b_k [m]"] = Konfidenzellipse_ENU["Halbachse b_k [m]"].round(4)
+        Konfidenzellipse_ENU["Halbachse c_k [m]"] = Konfidenzellipse_ENU["Halbachse c_k [m]"].round(4)
         Konfidenzellipse_ENU["θ_EN [gon]"] = Konfidenzellipse_ENU["θ_EN [gon]"].round(4)
 
         display(HTML(Konfidenzellipse_ENU.to_html(index=False)))
@@ -416,26 +394,28 @@ class Plot:
             unbekannten_labels,
             beobachtungs_labels,
             df_konf_ellipsen_enu,
-            skalierung=1000,
+            skalierung,
             n_ellipse_pts=60,
             titel="Netzplot im ENU-System mit Konfidenzellipsen"
     ):
+
         """
         Erstellt einen Netzplot im ENU-System inklusive Konfidenzellipsen, Netzpunkten und Beobachtungslinien.
 
-        Die Funktion visualisiert das geodätische Netz im East-North-Up-System (ENU)
+        Die Funktion visualisiert das geodätische Netz im East-North-Up-System (ENU) mit Plotly.
-        mit Plotly. Dabei werden:
+        Dabei werden:
 
-        - Beobachtungen als Verbindungslinien zwischen Punkten dargestellt, deren Ansicht aus- und eingeschaltet werden kann,
+        - Beobachtungen als Verbindungslinien zwischen Punkten dargestellt (als separate Traces/Legenden-Einträge),
         - Konfidenzellipsen je Punkt (Halbachsen und Richtungswinkel),
         - Netzpunkte mit Punkt-ID und Koordinaten im Hover-Text angezeigt.
 
-        Die Ellipsen werden zur besseren Sichtbarkeit mit einem Faktor "skalierung" vergrößert. Dieser kann angepasst werden.
+        Die Ellipsen werden zur besseren Sichtbarkeit mit dem Faktor "skalierung" vergrößert.
         Der Richtungswinkel wird in gon erwartet und intern nach Radiant umgerechnet.
+        Zusätzlich wird eine PNG-Grafik über "plot.write_image(...)" exportiert.
 
         :param Koord_ENU: Dictionary der Punktkoordinaten im ENU-System.
         :type Koord_ENU: dict
-        :param unbekannten_labels: Liste der Unbekannten zur Ableitung der Punkt-IDs (z.B. X1, Y1, Z1).
+        :param unbekannten_labels: Liste der Unbekannten zur Ableitung der Punkt-IDs.
         :type unbekannten_labels: list
         :param beobachtungs_labels: Liste der Beobachtungen zur Ableitung von Verbindungslinien.
         :type beobachtungs_labels: list
@@ -447,12 +427,12 @@ class Plot:
         :type n_ellipse_pts: int
         :param titel: Titel des Plots.
         :type titel: str
-        :return: None
+        :return: Plotly-Figure-Objekt mit Netz, Beobachtungen und Ellipsen.
-        :rtype: None
+        :rtype: plotly.graph_objects.Figure
         :raises ValueError: Wenn weder "θ_EN [gon]" noch "θ [gon]" im DataFrame vorhanden ist.
         """
 
-        names = [str(s).strip() for s in unbekannten_labels]
+        namen = [str(s).strip() for s in unbekannten_labels]
 
         if "θ_EN [gon]" in df_konf_ellipsen_enu.columns:
             theta_col = "θ_EN [gon]"
@@ -461,9 +441,9 @@ class Plot:
         else:
             raise ValueError("Spalte 'θ_EN [gon]' oder 'θ [gon]' fehlt im DataFrame.")
 
-        punkt_ids = sorted({nm[1:] for nm in names if nm and nm[0].upper() in ("X", "Y", "Z")})
+        punkt_ids = sorted({nm[1:] for nm in namen if nm and nm[0].upper() in ("X", "Y", "Z")})
 
-        fig = go.Figure()
+        plot = go.Figure()
 
         # 1) Darstellungen der Beobachtungen
         beob_typen = {
@@ -472,28 +452,28 @@ class Plot:
         }
 
         for typ, info in beob_typen.items():
-            x_l, y_l = [], []
+            x_linie, y_linie = [], []
-            for bl in beobachtungs_labels:
+            for beob in beobachtungs_labels:
-                bl_str = str(bl).lower()
+                bl_str = str(beob).lower()
                 is_typ = ((info['pattern'] in bl_str and info['pattern'] != '') or
                           (info['pattern'] == '' and 'gnss' not in bl_str and 'niv' not in bl_str))
                 if not is_typ:
                     continue
 
-                bl_raw = str(bl)
+                beob_text = str(beob)
-                pts = []
+                punkte = []
                 for pid in punkt_ids:
-                    if (f"_{pid}" in bl_raw) or bl_raw.startswith(f"{pid}_"):
+                    if (f"_{pid}" in beob_text) or beob_text.startswith(f"{pid}_"):
                         if pid in Koord_ENU:
-                            pts.append(pid)
+                            punkte.append(pid)
 
-                if len(pts) >= 2:
+                if len(punkte) >= 2:
-                    p1, p2 = pts[0], pts[1]
+                    punkt1, punkt2 = punkte[0], punkte[1]
-                    x_l.extend([Koord_ENU[p1][0], Koord_ENU[p2][0], None])  # E
+                    x_linie.extend([Koord_ENU[punkt1][0], Koord_ENU[punkt2][0], None])  # E
-                    y_l.extend([Koord_ENU[p1][1], Koord_ENU[p2][1], None])  # N
+                    y_linie.extend([Koord_ENU[punkt1][1], Koord_ENU[punkt2][1], None])  # N
 
-            if x_l:
+            if x_linie:
-                fig.add_trace(go.Scatter(x=x_l, y=y_l, mode='lines', name=typ,
+                plot.add_trace(go.Scatter(x=x_linie, y=y_linie, mode='lines', name=typ,
                                          line=dict(color=info['color'], width=1)))
 
         # 2) Darstellung der Konfidenzellipsen
@@ -504,8 +484,8 @@ class Plot:
             if pid not in Koord_ENU:
                 continue
 
-            a = float(row["Große Halbachse [m]"]) * skalierung
+            a = float(row["Halbachse a_k [m]"]) * skalierung
-            b = float(row["Kleine Halbachse [m]"]) * skalierung
+            b = float(row["Halbachse b_k [m]"]) * skalierung
             theta = float(row[theta_col]) * np.pi / 200.0  # gon->rad
 
             ex = a * np.cos(t)
@@ -517,7 +497,7 @@ class Plot:
 
             E0, N0, _ = Koord_ENU[pid]
 
-            fig.add_trace(go.Scatter(
+            plot.add_trace(go.Scatter(
                 x=E0 + xr, y=N0 + yr,
                 mode="lines",
                 line=dict(color="red", width=1.5),
@@ -539,7 +519,7 @@ class Plot:
             texts.append(pid)
             hovers.append(f"Punkt {pid}<br>E={E:.4f} m<br>N={N:.4f} m<br>U={U:.4f} m")
 
-        fig.add_trace(go.Scatter(
+        plot.add_trace(go.Scatter(
             x=xs, y=ys, mode="markers+text",
             text=texts, textposition="top center",
             marker=dict(size=8, color="black"),
@@ -547,7 +527,7 @@ class Plot:
             hovertext=hovers, hoverinfo="text"
         ))
 
-        fig.update_layout(
+        plot.update_layout(
             title=f"{titel} (Ellipsen ×{skalierung})",
             xaxis=dict(title="E [m]", scaleanchor="y", scaleratio=1, showgrid=True, gridcolor="lightgrey"),
             yaxis=dict(title="N [m]", showgrid=True, gridcolor="lightgrey"),
@@ -556,16 +536,35 @@ class Plot:
             plot_bgcolor="white"
         )
 
-        fig.add_annotation(
+        plot.add_annotation(
             text=f"<b>Maßstab Ellipsen:</b><br>Dargestellte Größe = Konfidenzellipse × {skalierung}",
             align='left', showarrow=False, xref='paper', yref='paper', x=0.02, y=0.05,
             bgcolor="white", bordercolor="black", borderwidth=1
         )
-        fig.write_image(r"Netzqualitaet\netzplot_ellipsen_volle_ausdehnung.png")
+        plot.write_image(r"Netzqualitaet\netzplot_ellipsen_volle_ausdehnung.png")
-        return fig
+        return plot
 
 
     def plot_speichere_aktuelle_ansicht(plot, dateiname=r"Netzqualitaet\netzplot_ellipsen_zoom_ansicht.png"):
+        """
+        Speichert die aktuell dargestellte Plot-Ansicht als Bilddatei.
+
+        Die Funktion übernimmt ein vorhandenes Plotly-Figure-Objekt und exportiert die momentan im Layout
+        eingestellte Ansicht (inklusive Zoom- oder Achsenbereich) als PNG-Datei. Dazu wird das aktuelle
+        Layout übernommen und in ein neues Figure-Objekt kopiert, welches anschließend mit
+        "write_image" gespeichert wird.
+
+        Zusätzlich werden die aktuellen Achsenbereiche (E/N) in der Konsole ausgegeben, um den gespeicherten
+        Ausschnitt zu dokumentieren.
+
+        :param plot: Plotly-Figure-Objekt mit dem darzustellenden Netzplot.
+        :type plot: plotly.graph_objects.Figure
+        :param dateiname: Dateipfad für die Ausgabedatei (Standard: PNG im Ordner Netzqualitaet).
+        :type dateiname: str
+        :return: None
+        :rtype: None
+        :raises OSError: Wenn die Bilddatei nicht geschrieben werden kann (z.B. fehlender Pfad oder fehlendes Kaleido).
+        """
 
         aktuelles_layout = plot.layout
         export_plot = go.Figure(plot.data, layout=aktuelles_layout)

Netzqualitaet_Zuverlaessigkeit.py

@@ -296,8 +296,8 @@ class Zuverlaessigkeit:
         labels = [str(s) for s in liste_beob]
 
         # Benutzereingabe von β
-        beta_input = input("Macht des Tests (1-β) wählen [Standard: 80 % -> 0.80]: ").strip()
+        beta_input = input("β für Macht des Tests (1-β) wählen [Standard: 0.20]: ").strip()
-        beta = 0.80 if beta_input == "" else float(beta_input)
+        beta = 0.20 if beta_input == "" else float(beta_input)
 
         # Berechnungen für den Lokaltest
         Lokaltest = Zuverlaessigkeit.lokaltest_innere_Zuverlaessigkeit(