Alternative Konzepte zur Laufzeitenermittlung: Statistisch-theoretische Grundlagen. Dr. Jürgen Faik. - Reinfeld,

Größe: px
Ab Seite anzeigen:

Download "Alternative Konzepte zur Laufzeitenermittlung: Statistisch-theoretische Grundlagen. Dr. Jürgen Faik. - Reinfeld,"

Transkript

1 Alternatve Konzepte zur Laufzetenermttlung: Statstsch-theoretsche Grundlagen Dr. Jürgen Fak - Renfeld, Enletung In der sozalpoltschen Dskusson, welche sch auf de gesetzlche Rentenverscherung (GRV) bezeht, stehen üblcherwese andere Aspekte als das Rentenantragsgeschehen m Vordergrund. So waren etwa m Rahmen der Rentenreformdskussonen der vergangenen Jahre vorrangg Daten aus der Verscherten-, der Rentenzugangs- und der Rentenbestandsstatstk gefragt. Wenn von Verrentung gesprochen wrd, muss aber stets bedacht werden, dass jede Rente beantragt werden muss. Dem Rentenantragsgeschehen kommt somt ene Lead-Funkton n Bezug auf das Verrentungsgeschehen zu. Desem zetlchen Vorlauf entsprechend, snd de Elemente der Rentenantragsstatstk durchaus wchtge sozalpoltsche Indkatoren für künftge Rentenentwcklungen. Deser Gedanke wrd noch dadurch verstärkt, dass de Rentenantrags- und Erledgungsstatstk be der Deutschen Rentenverscherung Bund - m Untersched zu anderen, jahresbezogenen Rentenverscherungs- Statstken we z. B. der Verscherten-, der Rentenzugangs- oder der Rentenbestandsstatstk - monatsbezogen geführt wrd und daher zetlch verglechswese tef geglederte Analysen zulässt. Hnzu kommt, dass de Rentenantrags- und Erledgungsstatstk sehr zetnah aufberetet wrd: De betreffenden Informatonen enes spezfschen Monats stehen üblcherwese berets Mtte des Folgemonats zur Verfügung. Aufgrund der spezfschen Vorzüge der Rentenantrags- und Erledgungsstatstk

2 2 (große zetlche Dsaggregatonstefe und große Zetnähe zum Erhebungszetpunkt) egnet se sch n besonderem Maße dazu, Entwcklungen des Verrentungsgeschehens frühzetg zu erkennen und auf se zu reageren. Für den handelnden Sozalpoltker st de Kenntns von Rentenantragskennzffern und hren Bestmmungsgründen daher alles andere als rrelevant, wennglech wetrechende statstsch funderte Erklärungsansätze nsofern unterbleben müssen, als de Rentenantrags- und Erledgungsstatstk als Folge hres Desgns als GRV-Arbetsstatstk nur ene unzurechende Anzahl an Erklärungsvarablen anbetet. 2. Begrffsbestmmungen Vor ener analytschen Durchdrngung des Rentenantragsgeschehens st es snnvoll, de verschedenen Dmensonen des Rentenantragsgeschehens ener Systematserung zu unterwerfen. Ene möglche Systematserung n desem Zusammenhang st de Trennung des Rentenantragsgeschehens n ene Mengen- und ene Zetkomponente (sehe Abbldung 1). Abbldung 1: Überscht über das Rentenantragsgeschehen n Deutschland: Stromgrößen Bestandsgrößen Laufzet nsgesamt Rentenantragsgeschehen Mengenkomponente Zetkomponente Laufzet bem Verscherungsträger Rentenanträge Anfangsbestand ener Perode Erledgungen Endbestand ener Perode Quelle: Fak 1999, S. 77

3 3 Im Rahmen der Mengenkomponente snd zunächst de enzelnen zu bearbetenden Vorgangsarten vonenander zu dfferenzeren. Da de Mengenkomponente n menem Vortrag kene größere Rolle spelt, wrd auf desen Ast von Abbldung 1 ncht näher engegangen. De zwete Komponente des Rentenantragsgeschehens - de Zetkomponente steht m Fokus menes Vortrags. Se umfasst de Rentenantragslaufzeten, wobe üblcherwese zwschen der (durchschnttlchen) Rentenantragslaufzet nsgesamt und der (durchschnttlchen) Rentenantragslaufzet bem Verscherungsträger unterscheden wrd. Bede Größen unterscheden sch um de sogenannte Vorlaufzet vonenander d. h. um de Zet, de vergeht, bs der Rentenantrag nach dem Tag der Antragstellung bem verantwortlchen Rentenverscherungsträger engegangen st. Snnvollerwese werden Rentenantragslaufzeten nur für abgeschlossene, d. h. für erledgte oder für bewllgte Rentenanträge errechnet. Zwschen der Mengen- und der Zetkomponente des Rentenantragsgeschehens bestehen Rückkopplungseffekte. So geht z. B. en hoher Rentenantragsbestand typscherwese mt recht langen (durchschnttlchen) Rentenantragslaufzeten enher et vce versa. Herauf werden wr später noch zu sprechen kommen. 3. Grafsche Datenaufberetung Um enen ersten Enblck n de Thematk zu erhalten, können Häufgketstabellen we de der Laufzeten-Häufgketen grafsch umgesetzt werden. Herbe egnet sch für klassfzerte Merkmale ene Darstellung n Balken- bzw. Stabform. Es st für de Darstellung der enzelnen Merkmalsausprägungen m Prnzp unerheblch, welche Brete de Balken haben.

4 4 Abbldung 2: Rentenantrags-Laufzeten bem Verscherungsträger (Normalfälle) Relatve Häufgket (n %) und mehr Laufzet (n Monaten) Verschertenrenten Hnterblebenenrenten Quelle: Interne Rentenantrags- und Erledgungsstatstk, Jahreswerte 2006, Tabelle 131 Auf der Ordnate snd n Abbldung 2 de relatven Häufgketen abgetragen. was sch gerade für den Verglech zwschen Verscherten- und Hnterblebenenrenten n desem Bespel anbetet, da de Fallzahlen zwschen beden Gruppen unterschedlch groß snd. Prnzpell st es aber auch möglch, be ener Häufgketsdarstellung auf der Ordnate de absoluten Häufgketen zu verwenden. Gerade wenn n enzelne Klassen nur wenge absolute Häufgketen fallen, werden dese Klassen velfach zusammengefasst und wesen gegenüber den anderen Klassen ene größere Klassenbrete auf. In Abbldung 2 st des für Laufzeten ab 6 Monaten der Fall. Es entsteht das Problem unterschedlcher Klassenbreten nnerhalb ener Häufgketsvertelung. In desem Fall st de Häufgketsdarstellung streng genommen auf der Ordnate zu modfzeren.

5 5 Verwendet man n Abbldung 2 z. B. nahelegenderwese ene normerte Klassenbrete von 1 Monat, müssten egentlch de relatven Häufgketen der dre umkresten Klassen durch de jewelge Klassenbrete dvdert werden, was nebenbe bemerkt be der nach oben offenen Klasse 12 und mehr Monate problematsch st. Da de zugehörgen normerten relatven Häufgketen n Abbldung 2 für dese dre Klassen sehr gerng und ncht mehr gut darstellbar snd, wurde hervon Abstand genommen. Auch ohne dese egentlch gebotene Normerung wrd de sehr stark lnksstele Häufgketsvertelung der Rentenantrags-Laufzeten sowohl be Verscherten- als auch be Hnterblebenenrenten schtbar. Bezeht man sch ncht auf de enfachen relatven bzw. absoluten Häufgketen, sondern auf de kumulerten relatven bzw. absoluten Häufgketen, erhält man en Summenpolygon bzw. anders formulert: ene Vertelungsfunkton. Von kumulerten absoluten bzw. kumulerten relatven Häufgketen sprcht man m Falle sukzessve adderter absoluter bzw. relatver Häufgketen. In Abbldung 3 fragt man sch entsprechend, n we vel Prozent aller Fälle de Rentenantragslaufzet maxmal 1 Monat, maxmal 2 Monate, maxmal 3 Monate usw. dauerte. Be der grafschen Darstellung st daher auf de jewelge Klassenobergrenze Bezug zu nehmen. Bespelswese st an Hand von Abbldung 3 erschtlch, dass n etwa 60 Prozent der Fälle sowohl be den Verscherten- als auch be den Hnterblebenenrenten de Laufzet maxmal 1 Monat dauerte.

6 6 Abbldung 3: Rentenantragslaufzeten bem Verscherungsträger (Normalfälle) 2006, Vertelungsfunktonen Kumulerte relatve Häufgket (n %) Medan (0,85 bzw. 0,86 Monate) Klassenobergrenze (n Monaten) Verschertenrenten Hnterblebenenrenten Quelle: Interne Rentenantrags- und Erledgungsstatstk, Jahreswerte 2006, Tabelle 131 De 50-Prozent-Grenze des Summenpolygons bzw. der Vertelungsfunkton trennt de Vertelung n de unteren 50 % und de oberen 50 % der Vertelung. Dese Grenze wrd auch als Medan bezechnet. In Abbldung 3 legt se be den Verschertenrenten be ca. 0,86 Monaten, und be den Hnterblebenenrenten be ca. 0,85 Monaten, d. h. be jewels ca. 26 Tagen. 4. Mttelwerte Es st möglch, dass der Form nach gleche Häufgketsvertelungen mt unterschedlchen Nveaus der Merkmalsausprägungen enhergehen. Zur Dfferenzerung zweer Häufgketsvertelungen dentscher Form, aber unterschedlcher Lage st de Angabe enes entsprechenden Lageparameters snnvoll, welcher den Nveaueffekt n ener enzelnen Zahl be-

7 7 schrebt. Man sprcht von Maßen der zentralen Vertelungstendenz oder von repräsentatven Wertgrößen bzw. enfacher: von Mttelwerten. De gebräuchlchsten Mttelwerte snd: Der Modus, der Medan, das a- rthmetsche und das geometrsche Mttel. Auf se wrd nachfolgend jewels kurz engegangen. Überscht 1: Mttelwertkonzepte: Modus: Modus =, f = max Medan, allgemen: Medan = F ( 0, 5 ) Medan, ungerades N: Medan = N Medan, gerades N: Medan = 1 2 N 2 + N u u 0,5 F ( ) o u Medan, klassfzerte Daten: Medan = + ( ) F ( ) F ( ) o u Arthmetsches Mttel, ungewchtet: = 1 N N = 1 Arthmetsches Mttel, gewchtet: = 1 N K = 1 h = K = 1 f Geometrsches Mttel: GM = N N = 1 log GM = 1 N N = 1 log Quelle: Fak 2007, S Modus Der Modus gbt den häufgsten Merkmalswert ener Häufgketsvertelung an. Legen de Daten klassfzert vor, wählt man zunächst de Klasse mt der größten relatven bzw. absoluten Häufgket aus und nmmt als Modus enen möglchst repräsentatven Wert der ausgewählten Klasse. In der Regel entschedet man sch dabe für de Klassenmtte.

8 8 4.2 Medan We berets erwähnt, ergbt sch der Medan an der 50-Prozent-Marke der kumulerten relatven Häufgketen. Legen klassfzerte Daten vor, fällt der Medan n de Klasse hnen, be der ene kumulerte relatve Häufgket von 0,5 errecht wrd. Man könnte dann den Klassenmttelwert als Medan verwenden. Velfach nutzt man ndes n desem Fall auf Bass des Strahlensatzes ene Näherungslösung für den Medan. In der Regel st der Medan resstent gegen ene nach unten offene unterste Klasse bzw. gegen ene nach oben offene oberste Klasse. Daher betet er sch n unserem Falle ener nach oben offenen obersten Klasse n Abbldung 1 grundsätzlch als Indkator für de zentrale Vertelungslage an. 4.3 Arthmetsches Mttel Das arthmetsche Mttel gbt den Durchschnttswert ener Häufgketsvertelung durch Addton der Enzelwerte und anschleßender Dvson durch de Anzahl aller Fälle an. Das arthmetsche Mttel st ncht unbedngt en konkreter Wert aus der Menge aller Merkmalsausprägungen. Anders formulert, st das arthmetsche Mttel mtunter n Bezug auf de enzelnen Merkmalsausprägungen en abstrakter Wert. Be klassfzerten Daten verwendet man als Merkmalsausprägungen de Klassenmtten. D. h.: Es wrd unterstellt, dass de Merkmalsausprägungen nnerhalb der Klassen kene gehäuften Abwechungen von der Klassenmtte nach oben bzw. unten aufwesen. Das arthmetsche Mttel reagert senstv auf Ausreßerwerte nach oben bzw. unten. Das st bespelswese dann problematsch, wenn man für

9 9 de oberste nach oben offene Klasse enen konkreten Wert annehmen muss. 4.4 Geometrsches Mttel Für Veränderungsraten st das arthmetsche Mttel ken geegnetes Maß. In enem solchen Fall verwendet man das geometrsche Mttel. Deses st nur für ncht-negatve Werte defnert. Des macht es erforderlch, be sener Berechnung ncht drekt auf de Veränderungsraten, sondern auf so genannte Wachstumsfaktoren abzustellen. Letztere ergeben sch daraus, dass man jewels für zwe aufenanderfolgende Merkmalsausprägungen den Quotenten bldet. Das geometrsche Mttel kann übrgens durch Logarthmerung n das a- rthmetsche Mttel der logarthmerten Merkmalswerte überführt werden. 4.5 Emprsche Mttelwertergebnsse De emprschen Ergebnsse ergeben für de Laufzeten der Verschertenwe Hnterblebenenrenten jewels enen Modus von 15 Tagen und enen Medan von 26 Tagen. Das auf Grundlage der vorgegebenen Klassen sowe unter der Annahme ener obersten Klassenmtte n Höhe von 20 Monaten berechnete arthmetsche Mttel beläuft sch be den Verschertenrenten auf 43 Tage und be den Hnterblebenenrenten auf 40 Tage.

10 10 Überscht 2a: Mttelwerte, Rentenantragslaufzeten der Verschertenrenten (Normalfälle) 2006 (berechnet aus grupperten Daten): Modus: 0,5 Monate bzw. 15 Tage Medan: 0,86 Monate bzw. 26 Tage Arthmetsches Mttel: 1,4 Monate bzw. 43 Tage (oberste Klassenmtte auf 20 Monate gesetzt; zum Verglech arthmetsches Mttel aus Indvdualdaten: 39 Tage) Quelle: Egene Berechnungen auf Bass der nternen Rentenantrags- und Erledgungsstatstk, Jahreswerte 2006, Tabelle 131 Überscht 2b: Mttelwerte, Rentenantragslaufzeten der Hnterblebenenrenten (Normalfälle) 2006 (berechnet aus grupperten Daten): Modus: 0,5 Monate bzw. 15 Tage Medan: 0,85 Monate bzw. 26 Tage Arthmetsches Mttel: 1,3 Monate bzw. 40 Tage (oberste Klassenmtte auf 20 Monate gesetzt; zum Verglech arthmetsches Mttel aus Indvdualdaten: 37 Tage) Quelle: Egene Berechnungen auf Bass der nternen Rentenantrags- und Erledgungsstatstk, Jahreswerte 2006, Tabelle 131

11 11 Gegenüber den exakten arthmetschen Mttelwerten aus den nchtklassfzerten Daten snd dese Mttelwerte um 4 bzw. 3 Tage höher, was de Problematk der Verwendung klassfzerter Wertangaben andeutet. Arthmetsche Mttelwerte können be Zetrehennformatonen genutzt werden, um sasonale Schwankungen zu glätten. Man verwendet dann so genannte gletende Durchschnttswerte. Dese snd dadurch charaktersert, dass für ene bestmmte Anzahl aufenanderfolgender Orgnalwerte der jewelge Durchschntt gebldet wrd. In Abbldung 4 wurden de Monatswerte des Jahres 2006 für de durchschnttlchen Gesamtlaufzeten der Nchtvertragsrenten (Normalfälle) auf der Bass dreer aufenanderfolgender Werte, d. h. auf Bass von 3er-Durchschntten, geglättet. Erschtlcherwese geht be ener solchen Vorgehenswese am Anfang und am Ende der Zetrehe jewels en Beobachtungswert verloren. Abbldung 4: Gletende (3er-)Durchschntte, Gesamtlaufzeten der Nchtvertragsrenten (Normalfälle) 2006 (n Tagen): Gletende Durchschnttswerte Orgnalwerte Januar 48 Februar März Aprl Ma Jun Jul August September Oktober November Dezember 38 Tage Nchtvertragsrenten (Normalfälle) 2006, Gesamtlaufzet, gletende 3er-Durchschntte Januar Februar März Aprl Ma Jun Jul August Monat September Oktober November Dezember Orgnalwerte Gletende Durchschnttswerte Quelle: Egene Berechnungen auf Bass der nternen Rentenantrags- und Erledgungsstatstk, Jahreswerte 2006, Tabelle 233 Da de Orgnal-Zetrehe n Abbldung 4 nur ene gernge sasonale Varaton aufwest, st der Glättungseffekt verglechswese bescheden.

12 12 In ncht wengen, statstsch allerdngs eher unbedarften Darstellungen begnnen de Ordnatenwerte ncht m Ursprung, sondern be enem höheren Wert, wodurch de enzelnen Werte stärker ausenander gezogen werden als be ener ursprungsbezogenen Darstellung. Aus Illustratonszwecken habe ch n Abbldung 5 de Ordnate erst be enem Wert von 35 Tagen starten lassen. Auf dese Wese snd zwar auf der enen Sete de Veränderungen zwschen den Monaten deutlcher zu sehen; es könnte aber auf der anderen Sete der unzulässge Endruck entstehen, dass es sch um beträchtlche Wertunterschede zwschen den enzelnen Beobachtungsmonaten handelt. Tatsächlch legen zwschen maxmaler und mnmaler Laufzet aber nur 11 Tage. Es st daher seröserwese von ener Ordnaten-Transformaton we der n Abbldung 5 abzuraten. Abbldung 5: ACHTUNG: Statstsche Manpulaton! Gletende (3er-)Durchschntte, Gesamtlaufzeten der Nchtvertragsrenten (Normalfälle) 2006 (n Tagen): Gletende Durchschnttswerte Orgnalwerte Januar 48 Februar März Aprl Ma Jun Jul August September Oktober November Dezember 38 Tage Nchtvertragsrenten (Normalfälle) 2006, Gesamtlaufzet, gletende 3er-Durchschntte Januar Februar März Aprl Ma Jun Jul August September Oktober November Dezember Monat Orgnalwerte Gletende Durchschnttswerte Quelle: Egene Berechnungen auf Bass der nternen Rentenantrags- und Erledgungsstatstk, Jahreswerte 2006, Tabelle 233 Interessert man sch für de durchschnttlche Gesamtlaufzet der n den Abbldungen 4 und 5 angegebenen Orgnalwerte, legt de Berechnung des arthmetschen Mttels m bekannten Snne der Wertesumme aller

13 13 Monate dvdert durch de Anzahl der 12 Monate nahe. In desem Falle ergbt sch en (arthmetscher) Mttelwert n Höhe von 44 Tagen. Interessert man sch demgegenüber für de monatsbezogenen Veränderungen der Gesamtlaufzet, st, we erwähnt, das geometrsche Mttel als Indkator zu wählen. Es berechnet sch n unserem Fall als Produkt der angegebenen (nsgesamt 11) Wachstumsfaktoren, aus dem de elfte Wurzel gezogen wrd. Anschleßend st der Wert 1 zu subtraheren, und man erhält dadurch n unserem Fall ene durchschnttlche monatsbezogene Veränderung von ca. -2,1 %. D. h.: Im Jahr 2006 haben sch de Gesamtlaufzeten der Nchtvertragsrenten (Normalfälle) von Monat zu Monat durchschnttlch um etwa 2,1 % vermndert. Überscht 3: Geometrsches Mttel, Gesamtlaufzeten der Nchtvertragsrenten, Normalfälle (Wachstumsraten) 2006: Gesamtlaufzet (n Tagen) Wachstumsfaktoren Januar 48 Februar 43 0,8958 März 46 1,0698 Aprl 39 0,8478 Ma 43 1,1026 Jun 45 1,0465 Jul 44 0,9778 August 43 0,9773 September 45 1,0465 Oktober 50 1,1111 November 44 0,8800 Dezember 38 0,8636 Geometrsches Mttel (n %): -2,1014 Quelle: Egene Berechnungen auf Bass der nternen Rentenantrags- und Erledgungsstatstk, Jahreswerte 2006, Tabelle 233

14 14 5. Streuungsmaße En glecher Mttelwert kann mt ener unterschedlch homogenen Häufgketsvertelung verbunden sen. Es stellt sch das Problem der Streuung. Analog zu den verschedenen Mttelwertkonzepten stehen auch her dverse (Streuungs-)Messzffern zur Verfügung. Überscht 4: Streuungskonzepte: Spannwete: SPW = max mn Quartlsabstand: QA = 0,75 0, 25 Mttlere absolute Abwechung: MAA = 1 N K = 1 h K 1 Standardabwechung: S = ( ) K 2 1 Varanz: S = ( ) N = 1 2 N h = 1 2 h Varatonskoeffzent: V = S Quelle: Fak 2007, S Spannwete De Spannwete (synonym: Range) z. B. gbt den Abstand zwschen der größten und der klensten Merkmalsausprägung an. Be klassfzerten Daten st snnvollerwese auf de Klassenmttelwerte der obersten und der untersten Klasse Bezug zu nehmen. De Spann-

15 15 wete st problematsch, da se de Vertelung zwschen den beden Extremwerten vernachlässgt. Be nach unten offener unterster Klasse bzw. be nach oben offener oberster Klasse kann des mehr oder wenger große Ergebnsverzerrungen mt sch brngen. Da n Abbldung 1 ene nach oben offene oberste Klasse vorlag und de Werte deser Abbldung auch den nachfolgend präsenterten Streuungsberechnungen zugrunde legen, wurde wegen der skzzerten Problematk nachfolgend auf den Auswes ener emprschen Spannwete verzchtet. 5.2 Quartlsabstand Das Problem der Vernachlässgung von Merkmalsausprägungen stellt sch auch be Verwendung des Maßes Quartlsabstand, wennglech be deser Kenngröße Verzerrungen durch Extremwerte wenger graverend als be der Spannwete snd. Bem Index des Quartlsabstandes werden de Merkmalsausprägungen auf Bass der kumulerten relatven Häufgketen n ver prozentual glech große Bereche (= n Quartle) ensortert. Danach berechnet man den Quartlsabstand als Dfferenz des Wertes an der 75-Prozent-Marke (= Obergrenze des drtten Quartls) und des Wertes an der 25-Prozent- Marke (= Obergrenze des ersten Quartls). Offenschtlch gehen nur das drtte und das unterste Quartl n de Berechnung des Quartlsabstands en. Das zwete und das oberste Quartl mt den darn enthaltenen Merkmalsausprägungen werden hngegen vernachlässgt. Damt wrd auch bem Quartlsabstand de Gesamtstreuung ncht vollständg berückschtgt. Be klassfzerter Vertelung betet sch zur Berechnung des Quartlsabstands analog zur Ermttlung des Medans n enem solchen Fall ene Näherungslösung an.

16 Mttlere absolute Abwechung Das Problem der Vernachlässgung von Merkmalsausprägungen be der Streuungsberechnung, welches sowohl der Spannwete als auch dem Quartlsabstand mmanent st, wrd be anderen Streuungsmaßen vermeden. Solche Streuungsmaße snd etwa jene, de auf Abwechungen von enem Mttelwert, z. B. vom arthmetschen Mttelwert, baseren. Herbe dürfen aber ncht de enfachen Abwechungen vom arthmetschen Mttelwert verwendet werden, denn bem arthmetschen Mttel heben sch negatve und postve Mttelwert-Abwechungen auf; es würde also ne ene Streuung ausgewesen. Um en solch unsnnges Ergebns zu vermeden, verwendet man anstelle der enfachen bespelswese de absoluten (d. h. betragsmäßgen) Abwechungen vom arthmetschen Mttelwert. De enzelnen Abwechungen snd dabe also jewels prnzpell glech bedeutsam. 5.4 Varanz und Standardabwechung Ene Alternatve zur Verwendung der absoluten Werteabwechungen vom arthmetschen Mttelwert st de Quadrerung der entsprechenden Abwechungen. Herdurch werden größere Abwechungen vom Mttelwert (absolut) stärker als klenere berückschtgt. Das korresponderende Maß heßt Varanz. Ihre Dmenson st de den Merkmalsausprägungen zugrunde legende Enhet m Quadrat, also z. B. Euro m Quadrat oder n unserem Fall: Tage m Quadrat. Um de gleche Dmensonerung des Streuungsmaßes m Verglech zu den Merkmalsausprägungen zu erhalten n unserem Fall: Tage, wrd aus der Varanz üblcherwese de Quadratwurzel gezogen, und man erhält de Standardabwechung.

17 Varatonskoeffzent De bshergen Streuungsmaße hatten allesamt ene bestmmte Enhet. Für Vergleche zwschen Häufgketsvertelungen mt unterschedlchem Mttelwert st aber ene dmensonslose Größe vorzuzehen. Verdoppeln sch bespelswese sämtlche Merkmalsausprägungen, verdoppelt sch ncht nur das arthmetsche Mttel, sondern auch de mttels Standardabwechung ausgewesene Streuung. Solche problematschen Ergebnsse vermedet der Varatonskoeffzent; er st üblcherwese als Quotent aus Standardabwechung und arthmetschem Mttel defnert. 5.6 Emprsche Streuungsergebnsse Gemäß Quartlsabstand st de Streuung be den Hnterblebenenrenten um 3 Tage nedrger als be den Verschertenrenten (37 versus 40 Tage). Auf Bass des umfassenderen Streuungsndkators Mttlere absolute Abwechung geht de betreffende Streuungsdfferenz mt 28 versus 31 Tagen n de gleche qualtatve Rchtung. Überscht 5a: Streuungsmaße, Rentenantragslaufzeten der Verschertenrenten (Normalfälle) 2006 (berechnet aus grupperten Daten): Quartlsabstand: 1,3 Monate bzw. 40 Tage Mttlere absolute Abwechung: 1,0 Monate bzw. 31 Tage Standardabwechung: 1,9 Monate bzw. 58 Tage Varatonskoeffzent: 1,36 bzw. 136 % Quelle: Egene Berechnungen auf Bass der nternen Rentenantrags- und Erledgungsstatstk, Jahreswerte 2006, Tabelle 131

18 18 Überscht 5b: Streuungsmaße, Rentenantragslaufzeten der Hnterblebenenrenten 2006 (berechnet aus grupperten Daten): Quartlsabstand: 1,2 Monate bzw. 37 Tage Mttlere absolute Abwechung: 0,9 Monate bzw. 28 Tage Standardabwechung: 1,7 Monate bzw. 52 Tage Varatonskoeffzent: 1,33 bzw. 133 % Quelle: Egene Berechnungen auf Bass der nternen Rentenantrags- und Erledgungsstatstk, Jahreswerte 2006, Tabelle 131 Be der Standardabwechung erhält man zwar auch das gleche qualtatve Ergebns ener gerngeren Streuung der Laufzeten be den Hnterblebenenrenten m Verglech zu den Verschertenrenten. Wegen der Gewchtung größerer Mttelwertabwechungen snd de angegebenen Werte für de Standardabwechung (58 Tage be den Verschertenrenten, 52 Tage be den Hnterblebenenrenten) wesentlch höher, da für de o- berste Klasse en relatv hoher Mttelwert von 20 Monaten unterstellt wurde. Des deutet enmal mehr de Problematk klassfzerter Daten an. Der Varatonskoeffzent schleßlch zegt, dass unter den getroffenen Annahmen de Standardabwechung sowohl be Verscherten- als auch be Hnterblebenenrenten m Jahr 2006 jewels etwa das 1,3- bs 1,4- fache des arthmetschen Mttelwerts betrug. 6. Rangkorrelatonen Bslang wurden nur unvarate statstsche Methoden behandelt. De komplexe wrtschaftlche Realtät st aber durch de wechselsetge Beenflussung ener Velzahl von Varablen gekennzechnet. De Sozalwssenschaften haben dabe de Aufgabe, Zusammenhänge bzw. Erklä-

19 19 rungsmuster für de enzelnen wrtschaftlchen Phänomene zu ergründen bzw. zu entwckeln. Es st daher bedeutsam, sch auch multvaraten statstschen Zusammenhängen bzw. Verfahren zu wdmen. Aus ddaktschen Gründen gescheht des nachfolgend ausschleßlch für den bvaraten Fall, d. h. für nsgesamt ledglch zwe statstsche Merkmale. Für den Zusammenhang zwschen zwe ordnal-, d. h. rangskalerten Merkmalen lassen sch zwar kene quanttatven Aussagen über de Abstände zwschen den beden Varablen und Y treffen. Es können aber mmerhn de jewelgen Rangordnungen zuenander n Bezehung gesetzt und entsprechende Abwechungen festgehalten werden. Man sprcht daher n desem Fall auch von Rangkorrelaton. In Überscht 6 snd für de enzelnen Merkmalsträger (n desem Fall: für de enzelnen Verscherungsträger) de enzelnen - und Y-Platzerungen zuenander n Bezehung gesetzt. De Varable steht für den normerten Durchschnttsbestand an Rentenanträgen m Falle von Nchtvertragsrenten (Normalfälle). Um de unterschedlche Größe der Verscherungsträger zu berückschtgen wurde der Durchschnttsbestand durch de Anzahl des Verwaltungspersonals bem jewelgen Verscherungsträger dvdert. De Varable Y steht n Überscht 6 für de durchschnttlchen Rentenlaufzeten be den Nchtvertrags-Altersrenten (Normalfälle).

20 20 Überscht 6: Rangkorrelatonen zwschen normertem Durchschnttsbestand und den durchschnttlchen Rentenlaufzeten be den Nchtvertragsrenten (Normalfälle) Altersrenten: Verscherungsträger Normerter Durchschnttsbestand Bestands- Platz Laufzet (Altersrenten) Altersrenten- Platz A 0, B 1, C 1, D 1, E 1, F 1, G 1, H 1, I 1, J 1, K 2, L 2, M 2, N 2, O 2, P 2, Q 2, R 4, Quelle: Egene Berechnungen auf Bass der nternen Rentenantrags- und Erledgungsstatstk, Jahreswerte 2006, Tabellen 243 und 900.S1 Wäre de Rangfolge gemäß der -Varable unter den nsgesamt 18 Verscherungsträgern exakt so we nach der Y-Varable, läge ene vollständg postve Korrelaton vor. Erschtlcherwese st m Falle von Überscht 6 bzw. Abbldung 6 de Korrelaton zwschen den Durchschnttsbeständen und den durchschnttlchen Laufzeten be den Verscherungsträgern ncht exakt Ens, aber doch we de enzelnen Beobachtungspunkte zegen ncht allzu wet weg von plus Ens. Man kann den konkreten Wert auch mttels des so genannten Rangkorrelatonskoeffzenten berechnen, und es ergbt sch n unserem Fall en Wert von mmerhn +0,72.

21 21 Abbldung 6: Platz (Laufzet) Rangkorrelatonen zwschen normertem Durchschnttsbestand be den Nchtvertragsrenten (Normalfälle) vs. den durchschnttlchen Rentenlaufzeten be den Altersrenten 2006: Rangkorrelaton = +0, Platz (Durchschnttsbestand) Quelle: Egene Berechnungen auf Bass der nternen Rentenantrags- und Erledgungsstatstk, Jahreswerte 2006, Tabellen 243 und 900.S1 Es ergbt sch das engangs erwartete Ergebns ener hoch-postven Korrelaton zwschen Durchschnttsbeständen und Laufzeten. 7. Schlussbetrachtung Halten wr abschleßend fest: Be klassfzerten Daten ergeben sch enge Fallstrcke; nsbesondere snd Ungenaugketen n den Ergebnssen ncht zu vermeden. Bezüglch der n den Standardtabellen der Deutschen Rentenverscherung Bund ausgewesenen Laufzetenvertelungen kann m. E. mt enger Berechtgung krtsert werden, dass n de unterste Klasse 0-1 Monate en zu großer Tel der Merkmalssumme hnenfällt. Des verseht n desem Spezalfall nsbesondere de Berechnung von Modus und Medan, aber auch de des Quartlsabstands mt enem hohen Ungenaugketsgrad. An deser Stelle wäre ene verfenerte Klassfzerung zelführend.

22 22 Über de Betrachtung unvarater Statstken hnaus erschenen multvarate Statstken n Form von Korrelatonen bzw. weterführend: n Form von Regressonen snnvoll, um Zusammenhänge bzw. Erklärungen aufzuzegen bzw. zu geben. Derartge Betrachtungen könnten n ener noch wetrechenderen Scht zu Prognosezwecken genutzt werden. Glechwohl st stets sozusagen vor de Statstk der gesunde Menschenverstand zu setzen, um Schenkorrelatonen, d. h. Schenzusammenhänge zu vermeden und um wrklch gehaltvolle Aussagen zu erhalten. Lteratur: Fak, Jürgen: Rentenanträge und hre Erledgung n beden Telen Deutschlands Ene Zetverlaufsbetrachtung. In: Deutsche Rentenverscherung, Heft 1-2/1999, S Fak, Jürgen: Elementare Wrtschaftsstatstk, Berln 2007.

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung: Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab

Mehr

Streuungs-, Schiefe und Wölbungsmaße

Streuungs-, Schiefe und Wölbungsmaße aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen

Mehr

2 Zufallsvariable und Verteilungen

2 Zufallsvariable und Verteilungen Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem

Mehr

Die hierzu formulierte Nullhypothese H lautet: X wird durch die Verteilungsdichtefunktion h(x)

Die hierzu formulierte Nullhypothese H lautet: X wird durch die Verteilungsdichtefunktion h(x) ZZ Lösung zu Aufgabe : Ch²-Test Häufg wrd be der Bearbetung statstscher Daten ene bestmmte Vertelung vorausgesetzt. Um zu überprüfen ob de Daten tatsächlch der Vertelung entsprechen, wrd en durchgeführt.

Mehr

Auswertung univariater Datenmengen - deskriptiv

Auswertung univariater Datenmengen - deskriptiv Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;

Mehr

FORMELSAMMLUNG STATISTIK (I)

FORMELSAMMLUNG STATISTIK (I) Statst I / B. Zegler Formelsammlng FORMELSAMMLUG STATISTIK (I) Statstsche Formeln, Defntonen nd Erläterngen A a X n qaltatves Mermal Mermalsasprägng qanttatves Mermal Mermalswert Anzahl der statstschen

Mehr

Auswertung univariater Datenmengen - deskriptiv

Auswertung univariater Datenmengen - deskriptiv Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;

Mehr

In der beschreibenden Statistik werden Daten erhoben, aufbereitet und analysiert. Beispiel einer Datenerhebung mit Begriffserklärungen (Vokabel)

In der beschreibenden Statistik werden Daten erhoben, aufbereitet und analysiert. Beispiel einer Datenerhebung mit Begriffserklärungen (Vokabel) Rudolf Brnkmann http://brnkmann-du.de Sete.. Datenerhebung, Datenaufberetung und Darstellung. In der beschrebenden Statstk werden Daten erhoben, aufberetet und analysert. Bespel ener Datenerhebung mt Begrffserklärungen

Mehr

Arbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2

Arbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2 ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung

Mehr

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen

Mehr

Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i

Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i Itemanalyse und Itemkennwerte De Methoden der Analyse der Itemegenschaften st ncht m engeren Snne Bestandtel der Klassschen Testtheore Im Rahmen ener auf der KTT baserenden Testkonstrukton und -revson

Mehr

nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen

nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree

Mehr

4. Indexzahlen. 5.1 Grundlagen 5.2 Preisindizes 5.3 Indexzahlenumrechnungen. Dr. Rebecca Schmitt, WS 2013/2014

4. Indexzahlen. 5.1 Grundlagen 5.2 Preisindizes 5.3 Indexzahlenumrechnungen. Dr. Rebecca Schmitt, WS 2013/2014 4. ndexzahlen 5.1 Grundlagen 5.2 Presndzes 5.3 ndexzahlenumrechnungen 1 4.1 Grundlagen Als Messzahlen werden de Quotenten bezechnet, de aus den Beobachtungswerten bzw. den Maßzahlen zweer Telmengen derselben

Mehr

Grundlagen sportwissenschaftlicher Forschung Deskriptive Statistik

Grundlagen sportwissenschaftlicher Forschung Deskriptive Statistik Grundlagen sportwssenschaftlcher Forschung Deskrptve Statstk Dr. Jan-Peter Brückner jpbrueckner@emal.un-kel.de R.6 Tel. 880 77 Deskrptve Statstk - Zele Beschreben der Daten Zusammenfassen der Daten Überblck

Mehr

Statistik Exponentialfunktion

Statistik Exponentialfunktion ! " Statstk " Eponentalfunkton # $ % & ' $ ( )&* +, - +. / $ 00, 1 +, + ) Ensemble von radoaktven Atomkernen Zerfallskonstante λ [1/s] Lebensdauer τ 1/λ [s] Anzahl der pro Zetenhet zerfallenden Kerne:

Mehr

Definition des linearen Korrelationskoeffizienten

Definition des linearen Korrelationskoeffizienten Defnton des lnearen Korrelatonskoeffzenten r xy x y y r x xy y 1 x x y y x Der Korrelatonskoeffzent st en Indkator dafür, we gut de Punkte (X,Y) zu ener Geraden passen. Sen Wert legt zwschen -1 und +1.

Mehr

Konzept der Chartanalyse bei Chart-Trend.de

Konzept der Chartanalyse bei Chart-Trend.de Dpl.-Phys.,Dpl.-Math. Jürgen Brandes Konzept der Chartanalyse be Chart-Trend.de Konzept der Chartanalyse be Chart-Trend.de... Bewertungsgrundlagen.... Skala und Symbole.... Trendkanalbewertung.... Bewertung

Mehr

Lösungen zum 3. Aufgabenblock

Lösungen zum 3. Aufgabenblock Lösungen zum 3. Aufgabenblock 3. Aufgabenblock ewerber haben n enem Test zur sozalen Kompetenz folgende ntervallskalerte Werte erhalten: 96 131 11 1 85 113 91 73 7 a) Zegen Se für desen Datensatz, dass

Mehr

6. Modelle mit binären abhängigen Variablen

6. Modelle mit binären abhängigen Variablen 6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch

Mehr

Kreditrisikomodellierung und Risikogewichte im Neuen Baseler Accord

Kreditrisikomodellierung und Risikogewichte im Neuen Baseler Accord 1 Kredtrskomodellerung und Rskogewchte m Neuen Baseler Accord erschenen n: Zetschrft für das gesamte Kredtwesen (ZfgK), 54. Jahrgang, 2001, S. 1004-1005. Prvatdozent Dr. Hans Rau-Bredow, Lehrstuhl für

Mehr

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden. Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve

Mehr

WS 2016/17 Prof. Dr. Horst Peters , Seite 1 von 9

WS 2016/17 Prof. Dr. Horst Peters , Seite 1 von 9 WS 2016/17 Prof. Dr. Horst Peters 06.12.2016, Sete 1 von 9 Lehrveranstaltung Statstk m Modul Quanttatve Methoden des Studengangs Internatonal Management (Korrelaton, Regresson) 1. Überprüfen Se durch Bestmmung

Mehr

Auswertung von Umfragen und Experimenten. Umgang mit Statistiken in Maturaarbeiten Realisierung der Auswertung mit Excel 07

Auswertung von Umfragen und Experimenten. Umgang mit Statistiken in Maturaarbeiten Realisierung der Auswertung mit Excel 07 Auswertung von Umfragen und Expermenten Umgang mt Statstken n Maturaarbeten Realserung der Auswertung mt Excel 07 3.Auflage Dese Broschüre hlft bem Verfassen und Betreuen von Maturaarbeten. De 3.Auflage

Mehr

ω 0 = Protokoll zu Versuch E6: Elektrische Resonanz

ω 0 = Protokoll zu Versuch E6: Elektrische Resonanz Protokoll zu Versuch E6: Elektrsche esonanz. Enletung En Schwngkres st ene elektrsche Schaltung, de aus Kapaztät, Induktvtät und ohmschen Wderstand besteht. Stmmt de Frequenz der anregenden Wechselspannung

Mehr

SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT

SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT Smulaton von Hybrdfahrzeugantreben mt optmerter Synchronmaschne 1 SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT OPTIMIERTER SYNCHRONMASCHINE H. Wöhl-Bruhn 1 EINLEITUNG Ene Velzahl von Untersuchungen hat sch

Mehr

Hausübung 1 Lösungsvorschlag

Hausübung 1 Lösungsvorschlag Hydrologe und Wasserwrtschaft Hausübung Lösungsvorschlag NIDRSCHLAG Hnwes: Be dem vorlegenden Dokument handelt es sch ledglch um enen Lösungsvorschlag und ncht um ene Musterlösung. s besteht ken Anspruch

Mehr

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5

Mehr

Erwartungswert, Varianz, Standardabweichung

Erwartungswert, Varianz, Standardabweichung RS 24.2.2005 Erwartungswert_Varanz_.mcd 4) Erwartungswert Erwartungswert, Varanz, Standardabwechung Be jedem Glücksspel nteresseren den Speler vor allem de Gewnnchancen. 1. Bespel: Setzen auf 1. Dutzend

Mehr

Sind die nachfolgenden Aussagen richtig oder falsch? (1 Punkt pro korrekter Beantwortung)

Sind die nachfolgenden Aussagen richtig oder falsch? (1 Punkt pro korrekter Beantwortung) LÖSUNG KLAUSUR STATISTIK I Berufsbegletender Studengang Betrebswrtschaftslehre Sommersemester 016 Aufgabentel I: Theore (10 Punkte) Snd de nachfolgenden Aussagen rchtg oder falsch? (1 Punkt pro korrekter

Mehr

Kapitel V. Parameter der Verteilungen

Kapitel V. Parameter der Verteilungen Kaptel V Parameter der Vertelungen D. 5.. (Erwartungswert) Als Erwartungswert ener Zufallsvarablen X bezechnet man: E( X ) : Dabe se vorausgesetzt: = = + p falls X dskret f d falls X stetg und = + p

Mehr

Maße der zentralen Tendenz (10)

Maße der zentralen Tendenz (10) Maße der zentralen Tendenz (10) - De Berechnung der zentralen Tendenz be ategorserten Daten mt offenen Endlassen I - Bespel 1: offene Endlasse Alter x f x f p x p p cum bs 20 1? 3? 6? 6 21-25 2 23 20 460

Mehr

Grundgedanke der Regressionsanalyse

Grundgedanke der Regressionsanalyse Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden

Mehr

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de

Mehr

Abbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).

Abbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)). 44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften

Mehr

Regressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n

Regressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n Regressonsgerade x x x x 3... x n y y y y 3... y n Bem Auswerten von Messrehen wrd häufg ene durch theoretsche Überlegungen nahegelegte lneare Bezehung zwschen den x- und y- Werten gesucht, d.h. ene Gerade

Mehr

Konkave und Konvexe Funktionen

Konkave und Konvexe Funktionen Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage

Mehr

Verteilungen eindimensionaler diskreter Zufallsvariablen

Verteilungen eindimensionaler diskreter Zufallsvariablen Vertelungen endmensonaler dskreter Zufallsvarablen Enführung Dskrete Vertelungen Dskrete Glechvertelung Bernoull-Vertelung Bnomalvertelung Bblografe: Prof. Dr. Kück Unverstät Rostock Statstk, Vorlesungsskrpt,

Mehr

Individuelle Clusterung, oder: Womit kann man Bayern vergleichen?

Individuelle Clusterung, oder: Womit kann man Bayern vergleichen? Indvduelle Clusterung, oder: Womt kann man Bayern verglechen? Data Mnng / Web Mnng Martn Westphal Bauer Systems KG Bauer Meda Group Burchardstraße 11 Hamburg martn.westphal@bauerverlag.de Ncola Brauns

Mehr

Teil IV: Drei Musterklausuren

Teil IV: Drei Musterklausuren Tel IV: Dre Musterklausuren Hauptklausur SS 97 Aufgabe : 5 Schwmmer verschedenen Alters erbrachten n Wettkämpfen über 50 m Brustschwmmen de folgenden Zeten: Alter Zeten n sec. 8 37.00 40.00 4.00 30 39.00

Mehr

Statistik und Wahrscheinlichkeitsrechnung

Statistik und Wahrscheinlichkeitsrechnung Statstk und Wahrschenlchketsrechnung Statstk und Wahrschenlchketsrechnung 5. Vorlesung Dr. Jochen Köhler.03.0 Statstk und Wahrschenlchketsrechnung Wchtg!!! Vorlesung Do 4.03.0 HCI G3 Übung 5 D 9.03.0 Fnk

Mehr

ANOVA (Analysis of Variance) Varianzanalyse. Statistik Methoden. Ausgangssituation ANOVA. Ao.Prof.DI.Dr Josef Haas

ANOVA (Analysis of Variance) Varianzanalyse. Statistik Methoden. Ausgangssituation ANOVA. Ao.Prof.DI.Dr Josef Haas Ao.Prof.DI.Dr Josef Haas josef.haas@medungraz.at ANOVA (Analyss of Varance) Varanzanalyse Statstk Methoden Verglech von Mttelwerten Ao.Unv.Prof.DI.Dr. Josef Haas josef.haas@medungraz.at Ausgangsstuaton

Mehr

(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt:

(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt: (Theoretsche Konfdenzntervalle für de beobachteten Werte: De Standardabwechung des Messfehlers wrd Standardmessfehler genannt: ( ε ( 1- REL( Mt Hlfe der Tschebyscheff schen Unglechung lassen sch be bekanntem

Mehr

Musterklausur Wirtschaftsmathematik und Statistik. Zusatzstudium für Wirtschaftsingenieur

Musterklausur Wirtschaftsmathematik und Statistik. Zusatzstudium für Wirtschaftsingenieur Musterklausur Wrtschaftsmathematk und Statstk Zusatzstudum für Wrtschaftsngeneur Telnehmer (Name, Vorname): Datum:.2006 Prüfer: Böhm-Retg Matrkelnummer: REGELN 1. Zum Bestehen der Klausur snd mndestens

Mehr

Facility Location Games

Facility Location Games Faclty Locaton Games Semnar über Algorthmen SS 2006 Klaas Joeppen 1 Abstract Wr haben berets sehr häufg von Nash-Glechgewchten und vor allem von deren Exstenz gesprochen. Das Faclty Locaton Game betet

Mehr

Netzwerkstrukturen. Entfernung in Kilometer:

Netzwerkstrukturen. Entfernung in Kilometer: Netzwerkstrukturen 1) Nehmen wr an, n enem Neubaugebet soll für 10.000 Haushalte en Telefonnetz nstallert werden. Herzu muss von jedem Haushalt en Kabel zur nächstgelegenen Vermttlungsstelle gezogen werden.

Mehr

Statistische Kennzahlen für die Lage

Statistische Kennzahlen für die Lage Statstsche Kennzahlen für de Lage Bsher: gernge Informatonsverdchtung durch Vertelungsbeschrebung Jetzt: stärere Zusammenfassung der Daten auf hr Zentrum ls Raabe: Wahrschenlchetsrechnung und Statstsche

Mehr

U Test (Rangsummentest) Parameterfreie Tests. U -Test. U -Test. χ ²- Unabhängigkeitstest Test auf Unabhängigkeit von zwei Zufallsgrößen

U Test (Rangsummentest) Parameterfreie Tests. U -Test. U -Test. χ ²- Unabhängigkeitstest Test auf Unabhängigkeit von zwei Zufallsgrößen Parameterfree Tests U Test (Rangsummentest) Verglech der Mttelwerte (Medane) be ncht normalvertelten Größen U - Test Mttelwertverglech von zwe ncht verbundenen Zugrößen Wlcoxon - Vorzechenrangtest Mttelwertverglech

Mehr

9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.

9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1. Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.

Mehr

Resultate / "states of nature" / mögliche Zustände / möglicheentwicklungen

Resultate / states of nature / mögliche Zustände / möglicheentwicklungen Pay-off-Matrzen und Entschedung unter Rsko Es stehen verschedene Alternatven (Strategen) zur Wahl. Jede Stratege führt zu bestmmten Resultaten (outcomes). Man schätzt dese Resultate für jede Stratege und

Mehr

Flußnetzwerke - Strukturbildung in der natürlichen Umwelt -

Flußnetzwerke - Strukturbildung in der natürlichen Umwelt - Flußnetzwerke - Strukturbldung n der natürlchen Umwelt - Volkhard Nordmeer, Claus Zeger und Hans Joachm Schlchtng Unverstät - Gesamthochschule Essen Das wohl bekannteste und größte exsterende natürlche

Mehr

Erläuterungen zur Analyse des Zinssatzswaps Referenz N//83734/5 zwischen der A/B Duegården und der Nykredit Bank A/S

Erläuterungen zur Analyse des Zinssatzswaps Referenz N//83734/5 zwischen der A/B Duegården und der Nykredit Bank A/S Erläuterungen zur Analyse des Znssatzswaps Referenz 3584455N//83734/5 zwschen der A/B Duegården und der Nykredt Bank A/S 1. Zusammenfassung der Analyse De A/B Duegården und de Nykredt Bank A/S haben am

Mehr

2.1 Einfache lineare Regression 31

2.1 Einfache lineare Regression 31 .1 Enfache lneare Regresson 31 Regressonsanalyse De Regressonsanalyse gehört zu den am häufgsten engesetzten multvaraten statstschen Auswertungsverfahren. Besonders de multple Regressonsanalyse hat große

Mehr

Zufallsvariable, Wahrscheinlichkeitsverteilungen und Erwartungswert

Zufallsvariable, Wahrscheinlichkeitsverteilungen und Erwartungswert R. Brnkmann http://brnkmann-du.de Sete..8 Zufallsvarable, Wahrschenlchketsvertelungen und Erwartungswert Enführungsbespel: Zwe Würfel (en blauer und en grüner) werden 4 mal zusammen geworfen. De Häufgketen

Mehr

Lineare Regression (1) - Einführung I -

Lineare Regression (1) - Einführung I - Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:

Mehr

Nomenklatur - Übersicht

Nomenklatur - Übersicht Nomenklatur - Überscht Name der synthetschen Varable Wert der synthetschen Varable durch synth. Varable erklärte Gesamt- Streuung durch synth. Varable erkl. Streuung der enzelnen Varablen Korrelaton zwschen

Mehr

Statistik. Finanzmathematik 1-15

Statistik. Finanzmathematik 1-15 Prüfungsdauer: Hlfsmttel: 90 Mnuten Taschenrechner (ncht grafkfähg und ncht programmerbar) und Formelsammlung De Klausur besteht aus dem 16 Aufgaben m Pflchttel, de alle bearbetet werden müssen. Auf de

Mehr

Lineare Regression - Mathematische Grundlagen

Lineare Regression - Mathematische Grundlagen FKULTÄT FÜR MTHEMTIK U TURWISSESCHFTE ISTITUT FÜR PHYSIK FCHGEBIET EXPERIMETLPHYSIK I r. rer. nat. orbert Sten, pl.-ing (FH) Helmut Barth Lneare Regresson - Mathematsche Grundlagen. llgemene Gerade Wr

Mehr

An dem Ergebnis eines Zufallsexperiments interessiert oft nur eine spezielle Größe, meistens ein Messwert.

An dem Ergebnis eines Zufallsexperiments interessiert oft nur eine spezielle Größe, meistens ein Messwert. SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 1 Zufallsgrößen An dem Ergebns enes Zufallsexperments nteressert oft nur ene spezelle Größe, mestens en Messwert. Bespel 1. Zufällge Auswahl enes Studenten,

Mehr

9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.

9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1. Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.

Mehr

Mathematik für MolekularbiologInnen. Vorlesung VII Block III: Wahrscheinlichkeit und Statistik Verteilungen und Lagemaßzahlen

Mathematik für MolekularbiologInnen. Vorlesung VII Block III: Wahrscheinlichkeit und Statistik Verteilungen und Lagemaßzahlen Mathematk für MolekularbologInnen Vorlesung VII Block III: Wahrschenlchket und Statstk Vertelungen und Lagemaßzahlen Überscht Allgemene Defntonen Bezehung und Vsualserung von Daten Regresson, Fehlerbetrachtung

Mehr

-70- Anhang: -Lineare Regression-

-70- Anhang: -Lineare Regression- -70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de

Mehr

Analyse von Querschnittsdaten. Bivariate Regression

Analyse von Querschnittsdaten. Bivariate Regression Analse von Querschnttsdaten Bvarate Regresson Warum geht es n den folgenden Stzungen? Kontnuerlche Varablen Deskrptve Modelle kategorale Varablen Datum 3.0.2004 20.0.2004 27.0.2004 03..2004 0..2004 7..2004

Mehr

Standardnormalverteilung / z-transformation

Standardnormalverteilung / z-transformation Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ

Mehr

Elemente der Mathematik - Sommer 2016

Elemente der Mathematik - Sommer 2016 Elemente der Mathematk - Sommer 2016 Prof Dr Matthas Lesch, Regula Krapf Lösungen Übungsblatt 3 Aufgabe 9 (10 Punkte) Das Horner-Schema st ene Methode zum Auswerten enes Polynoms n a0 x an der Stelle s

Mehr

Contents blog.stromhaltig.de

Contents blog.stromhaltig.de Contents We hoch st egentlch Ihre Grundlast? Ene ncht ganz unwchtge Frage, wenn es um de Dmensonerung ener senannten Plug&Play Solar-Anlage geht. Solarsteckdosensystem für jermann, auch für Meter lautete

Mehr

Versicherungstechnischer Umgang mit Risiko

Versicherungstechnischer Umgang mit Risiko Verscherungstechnscher Umgang mt Rsko. Denstlestung Verscherung: Schadensdeckung von für de enzelne Person ncht tragbaren Schäden durch den fnanzellen Ausglech n der Zet und m Kollektv. Des st möglch über

Mehr

Bedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)

Bedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY) Bedngte Entrope Kaptel : Bedngte Entrope Das vorherge Theorem kann durch mehrfache Anwendung drekt verallgemenert werden H (... H ( = Ebenso kann de bedngt Entrope defnert werden Defnton: De bedngte Entrope

Mehr

Beschreibung von Vorgängen durch Funktionen

Beschreibung von Vorgängen durch Funktionen Beschrebung von Vorgängen durch Funktonen.. Splnes (Sete 6) a +b c Zechenerklärung: [ ] - Drücken Se de entsprechende Taste des Graphkrechners! [ ] S - Drücken Se erst de Taste [SHIFT] und dann de entsprechende

Mehr

Beschreibende Statistik Mittelwert

Beschreibende Statistik Mittelwert Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )

Mehr

Grundlagen der Technischen Informatik. 12. Übung. Christian Knell Keine Garantie für Korrekt-/Vollständigkeit

Grundlagen der Technischen Informatik. 12. Übung. Christian Knell Keine Garantie für Korrekt-/Vollständigkeit Grundlagen der Technschen Informatk 12. Übung Chrstan Knell Kene Garante für Korrekt-/Vollständgket 12. Übungsblatt Themen Aufgabe 1: Aufgabe 2: Aufgabe 3: Komparator Adderer/Subtraherer Mehr-Operanden-Adderer

Mehr

Verteilungen, sondern nur, wenn ein. Eignet sich nicht bei flachen. Bei starker Streuung wenig. Wert eindeutig dominiert.

Verteilungen, sondern nur, wenn ein. Eignet sich nicht bei flachen. Bei starker Streuung wenig. Wert eindeutig dominiert. Auswertung von Umfragen und Expermenten Umgang mt Statstken n Maturaarbeten Realserung der Auswertung mt Excel 07 Kenngrössen der Statstk Für de Auswertung von Datenrehen werden verschedene Kenngrössen

Mehr

Datensätze und statistische Grundlagen: Begriffe, Definitionen, Konzepte

Datensätze und statistische Grundlagen: Begriffe, Definitionen, Konzepte Abtelung Arbetsmarktpoltk und Beschäftgung Hauptsemnar: Analse von Längsschnttdaten mt GSOEP und STATA Datensätze und statstsche Grundlagen: Begrffe, Defntonen, Konzepte 27. Oktober 2003 Abtelung Arbetsmarktpoltk

Mehr

1 BWL 4 Tutorium V vom 15.05.02

1 BWL 4 Tutorium V vom 15.05.02 1 BWL 4 Tutorum V vom 15.05.02 1.1 Der Tlgungsfaktor Der Tlgungsfaktor st der Kehrwert des Endwertfaktors (EWF). EW F (n; ) = (1 + )n 1 T F (n; ) = 1 BWL 4 TUTORIUM V VOM 15.05.02 (1 ) n 1 Mt dem Tlgungsfaktor(TF)

Mehr

Methoden der innerbetrieblichen Leistungsverrechnung

Methoden der innerbetrieblichen Leistungsverrechnung Methoden der nnerbetreblchen Lestungsverrechnung In der nnerbetreblchen Lestungsverrechnung werden de Gemenosten der Hlfsostenstellen auf de Hauptostenstellen übertragen. Grundlage dafür snd de von den

Mehr

Quantitatives Prognosemodell für die Anwendung des Black-Litterman-Verfahrens

Quantitatives Prognosemodell für die Anwendung des Black-Litterman-Verfahrens Quanttatves Prognosemodell für de Anwendung des Black-Ltterman-Verfahrens Franzska Felke* und Marc Gürtler** Abstract: De chätzung erwarteter Wertpaperrendten stellt ene der zentralen Aufgaben n der praktschen

Mehr

Dynamisches Programmieren

Dynamisches Programmieren Marco Thomas - IOI 99 -. Treffen n Bonn - Dynamsches Programmeren - Unverstät Potsdam - 8.02.999 Dynamsches Programmeren 957 R. Bellmann: Dynamc Programmng für math. Optmerungsprobleme Methode für Probleme,.

Mehr

Polygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com.

Polygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com. Verfahren für de Polygonalserung ener Kugel Eldar Sultanow, Unverstät Potsdam, sultanow@gmal.com Abstract Ene Kugel kann durch mathematsche Funktonen beschreben werden. Man sprcht n desem Falle von ener

Mehr

Komplexe Zahlen. Teil 1. Grundrechenarten. Darstellung in der Gaußschen Zahlenebene. Datei Nr Friedrich Buckel. Stand 23.

Komplexe Zahlen. Teil 1. Grundrechenarten. Darstellung in der Gaußschen Zahlenebene. Datei Nr Friedrich Buckel. Stand 23. Höhere Analyss Komplexe Zahlen Tel Grundrechenarten Darstellung n der Gaußschen Zahlenebene Date Nr. 500 Stand. November 08 INTERNETBIBLIOTHEK FÜR SCHULMATHEMATIK https/:mathe-cd.de 500 Komplexe Zahlen

Mehr

Statistische Berichte

Statistische Berichte Statstsche Berchte De Entcklung der Bevölkerung m Saarland 2014 bs 2060 Ergebnsse der 13. koordnerten Bevölkerungsvorausberechnung Altersaufbau der Bevölkerung m Saarland Altersjahre 100 95 90 85 80 75

Mehr

Informatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition

Informatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition Informatk II Raner Schrader und Implkanten Zentrum für Angewandte Informatk Köln 27. Oktober 2005 1 / 28 2 / 28 Was bsher geschah: jede Boolesche Funkton kann durch enfache Grundfunktonen dargestellt werden

Mehr

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz): LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete

Mehr

Ingenieurmonitor Fachkräftebedarf und -angebot nach Berufsordnungen und regionalen Arbeitsmärkten

Ingenieurmonitor Fachkräftebedarf und -angebot nach Berufsordnungen und regionalen Arbeitsmärkten Methodenbercht Ingeneurmontor Fachkräftebedarf und -angebot nach Berufsordnungen und regonalen Arbetsmärkten n Kooperaton mt: Veren Deutscher Ingeneure e.v. (VDI) VDI-Platz 1 40468 Düsseldorf Ansprechpartner

Mehr

Aspekte zur Approximation von Quadratwurzeln

Aspekte zur Approximation von Quadratwurzeln Aspete zur Approxmaton von Quadratwurzeln Intervallschachtelung Intervallhalberungsverfahren Heron-Verfahren Rechnersche und anschaulche Herletung Zusammenhang mt Newtonverfahren Monotone und Beschränthet

Mehr

Empirische Wirtschaftsforschung

Empirische Wirtschaftsforschung Emprsche Wrtschaftsforschung Prof. Dr. Bernd Süßmuth Unverstät Lepzg Insttut für Emprsche Wrtschaftsforschung Volkswrtschaftslehre, nsbesondere Ökonometre 5. Enfaches OLS-Regressonsmodell 5.1. Herletung

Mehr

1 Definition und Grundbegriffe

1 Definition und Grundbegriffe 1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:

Mehr

NSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher.

NSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher. PV - Hausaugabe Nr. 7.. Berechnen Se eakt und verglechen Se de Werte ür de Nullstelle, de mttels dem Verahren von Newton, der Regula als und ener Mttelung zu erhalten snd von der! Funkton: ( ) Lösungs

Mehr

5. ZWEI ODER MEHRERE METRISCHE MERKMALE

5. ZWEI ODER MEHRERE METRISCHE MERKMALE 5. ZWEI ODER MEHRERE METRISCHE MERKMALE wenn an ener Beobachtungsenhet zwe (oder mehr) metrsche Varablen erhoben wurden wesentlche Problemstellungen: Frage nach Zusammenhang: Bsp.: Duxbury Press (sehe

Mehr

3. Lineare Algebra (Teil 2)

3. Lineare Algebra (Teil 2) Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw

Mehr

Multilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel

Multilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel ultlneare Algebra und hre Anwendungen Nr. : Normalformen Verfasser: Yee Song Ko Adran Jenn Rebecca Huber Daman Hodel 9.5.7 - - ultlneare Algebra und hre Anwendungen Jordan sche Normalform Allgemene heore

Mehr

Analysis I. Vorlesung 17. Logarithmen. R R, x exp x,

Analysis I. Vorlesung 17. Logarithmen. R R, x exp x, Prof. Dr. H. Brenner Osnabrück WS 2013/2014 Analyss I Vorlesung 17 Logarthmen Satz 17.1. De reelle Exponentalfunkton R R, x exp x, st stetg und stftet ene Bjekton zwschen R und R +. Bewes. De Stetgket

Mehr

22. Vorlesung Sommersemester

22. Vorlesung Sommersemester 22 Vorlesung Sommersemester 1 Bespel 2: Würfel mt festgehaltener Ecke In desem Fall wählt man den Koordnatenursprung n der Ecke und der Würfel st durch den Berech x = 0 a, y = 0 a und z = 0 a bestmmt De

Mehr

Die Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung

Die Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall

Mehr

Datenaufbereitung und Darstellung

Datenaufbereitung und Darstellung Datenaufberetung und Darstellung 1 Glederung: Zel der Datenaufberetung und Darstellung Datenverdchtung Tabellen und grafsche Darstellungen Darstellung unvarater Datenmengen Darstellung multvarater Daten

Mehr

Streuungs-, Schiefe und Wölbungsmaße 1

Streuungs-, Schiefe und Wölbungsmaße 1 aptel IV Streuung-, Schefe und Wölbungmaße B... Lagemaße von äufgketvertelungen geben allen weng Aukunft über ene äufgketvertelung. Se bechreben zwar en Zentrum deer Vertelung, geben aber kenen Anhaltpunkt

Mehr

Rückblick Regression II: Anpassung an Polynome

Rückblick Regression II: Anpassung an Polynome Rückblck Regresson II: Anpassung an Polynome T. Keßlng: Auswertung von Messungen und Fehlerrechnung - Fehlerrechnung und Korrelaton 0.06.08 Vorlesung 0- Temperaturmessung mt Thermospannung Wr erhalten

Mehr

1 Mehrdimensionale Analysis

1 Mehrdimensionale Analysis 1 Mehrdmensonale Analyss Bespel: De Gesamtmasse der Erde st ene Funton der Erddchte ρ Erde und des Erdradus r Erde De Gesamtmasse der Erde st dann m Erde = V Erde ρ Erde Das Volumen ener Kugel mt Radus

Mehr

6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen

6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen 196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen

Mehr

(2) i = 0) in Abhängigkeit des Zeitunterschieds x ZeitBus ZeitAuto für seinen Arbeitsweg.) i = 1) oder Bus ( y

(2) i = 0) in Abhängigkeit des Zeitunterschieds x ZeitBus ZeitAuto für seinen Arbeitsweg.) i = 1) oder Bus ( y 5. Probt-Modelle Ökonometre II - Peter Stalder "Bnar Choce"-Modelle - Der Probt-Ansatz Ene ncht drekt beobachtbare stochastsche Varable hängt von x ab: x u 2 u ~ N(0, ( Beobachtet wrd ene bnäre Varable

Mehr