Projektergebnisse rendite P 1 P 2 P 3 1 0,1-0, , , ,09 2 0,3 0, , , ,01

Größe: px
Ab Seite anzeigen:

Download "Projektergebnisse rendite P 1 P 2 P 3 1 0,1-0, , , ,09 2 0,3 0, , , ,01"

Transkript

1 Bespel: A. r f,5 Daten und Berechnung der zustandsabhänggen Projektrendten Umwelt- zustand Entrtts wahrs. arkt- Projektergebnsse rendte P P 2 P 3 s p s r, s Z Ü,s r, s Z Ü 2,s r 2, s Z Ü 3,s r 3, s, -,5 7 -,3 7 -,3 9 -,9 2,3,5, 9 -,, 3,4,5 3,3 3,3 5,5 4,2,2 4,4 4,4 8,8 Investtonsrechnung be Ncht-Scherhet Anwendung des CAP Fole Nr.

2 Berechnung der arktparameter: Erwartungswert und Varanz/Standardabwechung der arktrendte s p s r, s p s r,s p (r - E[r ), -,5 -,5,625 2,3,5,5,75 3,4,5,6, 4,2,2,4,2 s,s 2 E[ r, Var[ r, s [r, Investtonsrechnung be Ncht-Scherhet Anwendung des CAP Fole Nr. 2

3 Berechnung der Projektparameter Erwartungswert und Kovaranz am Bespel von Projekt s p s r, s p s r, s p (r - E[r ) (r - E[r,s,s ) s, -,3 -,3,25 2,3,,3,5 3,4,3,2,2 4,2,4,8,4 E[ r,2 Cov[r, r,2 Investtonsrechnung be Ncht-Scherhet Anwendung des CAP Fole Nr. 3

4 Projektparameter der Projekte bs 3 P E[ r Cov[r, r b Cov [r, Var[ r r,2,2 2, 2,4,23 2,3 3,3,47,47 Berechnung der Wertpaperlne: r CAP ( E[r - r f ) b E[ r f +,5 + (,,5) ß,5 +,5 ß Investtonsrechnung be Ncht-Scherhet Anwendung des CAP Fole Nr. 4

5 Bestmmung der absoluten Vortelhaftgket anhand von Hurdle Rates P r E[ CAP E[,5 +,5 2,5 <,2 durchführen 2,65 >,4 ncht durchführen 3,735 >,3 ncht durchführen r Investtonsrechnung be Ncht-Scherhet Anwendung des CAP Fole Nr. 5

6 E[r,,3,25,2,5 E[r P P 2 SL,5 r f P 3,5,5 2 β β Investtonsrechnung be Ncht-Scherhet Anwendung des CAP Fole Nr. 6

7 CAP und Scherhetsäquvalente Abletung aus der SL ) 2) E[r r f + l Cov[ E[ ZÜ +E[r E[ ZÜ - E[r r, r E[ ZÜ - E[r - mt r Var[r f l ) n 2) ensetzen: 2 ) ZÜ E - r f + l Cov ZÜ -, r Investtonsrechnung be Ncht-Scherhet Anwendung des CAP Fole Nr. 7

8 a) zum Erwartungswertausdruck: ZÜ E E[Z Ü - - b) zum Kovaranzausdruck: Cov ZÜ -, r ZÜ Cov, r - Cov [, r Cov [ ZÜ, r Investtonsrechnung be Ncht-Scherhet Anwendung des CAP Fole Nr. 8

9 Ensetzen n 2 ): E[ ZÜ + l - r f Cov [ ZÜ, r Umformen nach E[ ZÜ - l Cov [ ZÜ + r f, r SÄ + r mt SÄ E[ ZÜ - l Cov [ ZÜ, r und Für r SÄ < E[ ZÜ > f Rskoabschlag l Cov [ ZÜ, r l E[ r - r Var[r f Investtonsrechnung be Ncht-Scherhet Anwendung des CAP Fole Nr. 9

10 Fortsetzung des Bespels: Ermttlung der Covaranz der ZÜ mt der arktrendte: P E[ ZÜ + E[r CAP Cov[ ZÜ, r Cov[r, r 2 /,5 43,48,2 43,48 2, /,65 978,54,23 978,54 22,5 3 3 /, ,48,47 959,48 4,5 Ermttlung von? E[ r - rf l Var[ r, -,5, 5 Investtonsrechnung be Ncht-Scherhet Anwendung des CAP Fole Nr.

11 Ermttlung des Scherhetsäquvalents P E[ZÜ Cov[ZÜ, r SÄ E[ ZÜ - l Cov [ ZÜ, 2 2,87 95, ,5 27, ,5 7,45 r Ermttlung der N/Vortelhaftgketsentschedung P SÄ N - A + r f 43,48 durchführen 2-2,48 ncht durchführen 3-4,52 ncht durchführen Investtonsrechnung be Ncht-Scherhet Anwendung des CAP Fole Nr.

12 Würdgung des CAP m Hnblck auf Investtonsentschedungen + Beurtelung von Investtonsobjekten unter Berückschtgung des ndvduellen Rskos + arktbezug: Bestmmung des arktpreses für das Rsko; klare Bezehung zwschen Rendte und Rsko der enzelnen Projekte; auf vollkommenen ärkten kene Rskopräme für das unsystematsche Rsko. + wetgehende Unabhänggket von ndvduellen Rskopräferenzen, allerdngs wrd Rskoaverson unterstellt -- emprsch kaum Hnwese auf Gültgket -- Investtonen.d.R. ncht Bestandtel des PF -- Prämssenkrtk: Rskofree Anlage? Ermttlung von r f Ermttlung von PF Schätzprobleme bzgl. ß Zusammenfassung des gesamten Rskos n ener Größe ß? homogene Erwartungen? kene unendlche Telbarket der Vermögensgegenstände enperodges odell Investtonsrechnung be Ncht-Scherhet Anwendung des CAP Fole Nr. 2

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

Last-Minute-Klausurinfos. (Stand ; alle Angaben ohne Gewähr )

Last-Minute-Klausurinfos. (Stand ; alle Angaben ohne Gewähr ) Last-Mnute-Klausurnfos (Stand 2.12.2003; alle Angaben ohne Gewähr ) Ich habe ene ganz wchtge Frage zu der Klausur am 15. Ma, Aufgabe 4a! We komme ch be der Handlungsalternatve 3 auf den Nettobarwert von

Mehr

Investition in Übungen

Investition in Übungen Vahlens Übungsbücher der Wrtschafts- und Sozalwssenschaften Investton n Übungen von Prof. Dr. Hartmut Beg, Prof. Dr. Henz Kußmaul, Prof. Dr. Gerd Waschbusch 3., durchgesehene und überarbetete Auflage Verlag

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

-2 Das einfache Regressionsmodell 2.1 Ein ökonomisches Modell

-2 Das einfache Regressionsmodell 2.1 Ein ökonomisches Modell Kaptel : Das enfache Regressonsmodell - Das enfache Regressonsmodell. En ökonomsches Modell Bespel: De Bezehung zwschen Haushaltsenkommen und Leensmttelausgaen Befragung zufällg ausgewählter Haushalte

Mehr

Portfoliothorie (Markowitz) Separationstheorem (Tobin) Kapitamarkttheorie (Sharpe

Portfoliothorie (Markowitz) Separationstheorem (Tobin) Kapitamarkttheorie (Sharpe Portfolothore (Markowtz) Separatonstheore (Tobn) Kaptaarkttheore (Sharpe Ene Enführung n das Werk von dre Nobelpresträgern zu ene Thea U3L-Vorlesung R.H. Schdt, 3.12.2015 Wozu braucht an Theoren oder Modelle?

Mehr

Analyse der Validität der Rule of Half zur Ermittlung der Änderung der Konsumentenrente für gekoppelte Verkehrsnachfragemodelle

Analyse der Validität der Rule of Half zur Ermittlung der Änderung der Konsumentenrente für gekoppelte Verkehrsnachfragemodelle DLR.de Fole Analyse der Valdtät der Rule of Half zur Ermttlung der Änderung der Konsumentenrente für gekoppelte Verkehrsnachfragemodelle Dr.-Ing. Chrstan Wnkler Insttut für Verkehrsforschung Deutsches

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

Alternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF

Alternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF Alternatve Darstellung des -Stchprobentests für Antele DCF CF Total n= 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Beobachtete Response No Response Total absolut DCF 43 68 111 CF 6 86 11 69 154

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

Entscheidungstheorie: Nutzentheorie bei Unsicherheit

Entscheidungstheorie: Nutzentheorie bei Unsicherheit Entschedungstheore: Nutzentheore be Unscherhet 3 1. De Mndestanforderungen benhalten (a) De fünf Axome der Entschedung be Unscherhet Verglechbarket (auch als Vollständgket bezechnet) Transtvtät (auch als

Mehr

Wahl des optimalen Portefeuilles I - Präferenzunabhängige Vorauswahl

Wahl des optimalen Portefeuilles I - Präferenzunabhängige Vorauswahl der Universität Hamburg (Investition Wahl des optimalen Portefeuilles I - Präferenzunabhängige Vorauswahl Ein PF ist dann effizient, wenn sich aus den gegebenen Wertpapieren kein anderes PF zusammenstellen

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

Prof. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz

Prof. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz Prof. Dr. P. Kschka WS 2012/13 Lehrstuhl für Wrtschafts- und Sozalstatstk Klausur Statstsche Inferenz 15.02.2013 Name: Matrkelnummer: Studengang: Aufgabe 1 2 3 4 5 6 7 8 Summe Punkte 6 5 5 5 5 4 4 6 40

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

Keynesianisches Totalmodell

Keynesianisches Totalmodell Keynesansches Totalmodell : S-LM-Modell mt Geldund Kaptalmarkt S LM : Gütermarkt : roduktonsfunkton : rbetsmarkt * : Nomallohnfestsetzung s () W0 * W/ (W/)* * d () d (W/) = (,K) Fskalpoltk m Totalmodell

Mehr

Vorlesung 1. Prof. Dr. Klaus Röder Lehrstuhl für BWL, insb. Finanzdienstleistungen Universität Regensburg. Prof. Dr. Klaus Röder Folie 1

Vorlesung 1. Prof. Dr. Klaus Röder Lehrstuhl für BWL, insb. Finanzdienstleistungen Universität Regensburg. Prof. Dr. Klaus Röder Folie 1 Vorlesung Entschedungslehre h SS 205 Prof. Dr. Klaus Röder Lehrstuhl für BWL, nsb. Fnanzdenstlestungen Unverstät Regensburg Prof. Dr. Klaus Röder Fole Organsatorsches Relevante Informatonen önnen Se stets

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

Thema 3: Die Schätzung a priori unbekannter Renditemomente

Thema 3: Die Schätzung a priori unbekannter Renditemomente Thema 3: De Schätzung a pror unbekannter Rendtemomente Problem: We gelangt man zur Kenntns der benötgten Rendteerwartungswerte, -varanzen und -kovaranzen für Markowtz- Portfoloselekton? Möglche Quellen:

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

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Übung/Tutorate Statistik II: Schließende Statistik SS 2007

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Übung/Tutorate Statistik II: Schließende Statistik SS 2007 Übung/Tutorate Statstk II: Schleßende Statstk SS 7 Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt

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

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007 Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen

Mehr

Makroökonomie I/Grundlagen der Makroökonomie

Makroökonomie I/Grundlagen der Makroökonomie Makroökonome I/Grundzüge der Makroökonome Page 1 1 Makroökonome I/Grundlagen der Makroökonome Kaptel 5: Das IS-LM Modell Günter W. Beck 1 Makroökonome I/Grundzüge der Makroökonome Page 2 2 Der Gütermarkt

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

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

R a i n e r N i e u w e n h u i z e n K a p e l l e n s t r G r e v e n T e l / F a x / e

R a i n e r N i e u w e n h u i z e n K a p e l l e n s t r G r e v e n T e l / F a x / e R a i n e r N i e u w e n h u i z e n K a p e l l e n s t r. 5 4 8 6 2 8 G r e v e n T e l. 0 2 5 7 1 / 9 5 2 6 1 0 F a x. 0 2 5 7 1 / 9 5 2 6 1 2 e - m a i l r a i n e r. n i e u w e n h u i z e n @ c

Mehr

F r e i t a g, 3. J u n i

F r e i t a g, 3. J u n i F r e i t a g, 3. J u n i 2 0 1 1 L i n u x w i r d 2 0 J a h r e a l t H o l l a, i c h d a c h t e d i e L i n u x - L e u t e s i n d e i n w e n i g v e r n ü n f t i g, a b e r j e t z t g i b t e

Mehr

L 3. L a 3. P a. L a m 3. P a l. L a m a 3. P a l m. P a l m e. P o 4. P o p 4. L a. P o p o 4. L a m. Agnes Klawatsch

L 3. L a 3. P a. L a m 3. P a l. L a m a 3. P a l m. P a l m e. P o 4. P o p 4. L a. P o p o 4. L a m. Agnes Klawatsch 1 L 3 P 1 L a 3 P a 1 L a m 3 P a l 1 L a m a 3 P a l m 2 P 3 P a l m e 2 P o 4 L 2 P o p 4 L a 2 P o p o 4 L a m 4 L a m p 6 N a 4 L a m p e 6 N a m 5 5 A A m 6 6 N a m e N a m e n 5 A m p 7 M 5 A m p

Mehr

Untersuchung der Abhängigkeit einer interessierenden Größe von einem einzelnen Einflussparameter bei Konstanz aller übrigen

Untersuchung der Abhängigkeit einer interessierenden Größe von einem einzelnen Einflussparameter bei Konstanz aller übrigen Sete Stehlng AVWL 3 (Mkro) SS 08 - Kap. 4: Komparatve Statk 4 Komparatve Statk Komparatve Statk: Untersuchung der Abhänggket ener nteresserenden Größe von enem enzelnen Enflussparameter be Konstanz aller

Mehr

Course Dec 15, Statistische Mechanik plus. Course Hartmut Ruhl, LMU, Munich. People involved. Rationale

Course Dec 15, Statistische Mechanik plus. Course Hartmut Ruhl, LMU, Munich. People involved. Rationale Dec 15, 2016 ASC, room A 238, phone 089-21804210, emal hartmut.ruhl@lmu.de Patrc Böhl, ASC, room A205, phone 089-21804640, emal patrc.boehl@phys.un-muenchen.de. Dsusson der Besetzungszahldarstellungen

Mehr

4.2 Grundlagen der Testtheorie

4.2 Grundlagen der Testtheorie 4.2 Grundlagen der Testtheore Wntersemester 2008 / 2009 Hochschule Magdeburg-Stendal (FH) Frau Prof. Dr. Gabrele Helga Franke Deskrptve Statstk 4-1 bs 4-2 1 GHF m WSe 2008 / 2009 an der HS MD-SDL(FH) m

Mehr

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen Chrstoph Sawade/Nels Landwehr Jules Rasetaharson Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte, Varanz

Mehr

4. Teil: Zu den Gerichten

4. Teil: Zu den Gerichten 1. Abschntt: Zuständgketen Sachlche Zuständgket Örtlche Zuständgket Funktonelle Zuständgket Welches Gercht st n erster Instanz zuständg? Krteren: - Strafgewalt - Straferwartung - Art des Delktsvorwurfs

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

II. Das Bestimmtheitsmaß R 2

II. Das Bestimmtheitsmaß R 2 II. Da Betmmthetmaß R Bepel: (a) ( ) ( )( ) - - 6 6 b ˆ /, und b ˆ, ˆ +, (b) ( ) ( )( ) - / -/ / / 6 6 b ˆ /, und b ˆ, ˆ +, D.h. de KQ-Geraden nd n beden Fällen glech, aber 7. Elementare Regrenrechnung

Mehr

Stochastische Prozesse

Stochastische Prozesse INSTITUT FÜR STOCHASTIK SS 009 UNIVERSITÄT KARLSRUHE Blatt 4 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 16: (Success Run, Fortsetzung)

Mehr

P[bk t c se(b k) k bk t c se(b k)] 1 (5.1.3)

P[bk t c se(b k) k bk t c se(b k)] 1 (5.1.3) Kaptel 5: Inferenz m multplen Modell 5 Inferenz m multplen Modell 5. Intervallschätzung m multplen Regressonsmodell Analog zum enfachen Regressonsmodell glt: Dem Intervallschätzer der Parameter legt zugrunde,

Mehr

Kapitel 8: Kernel-Methoden. Maschinelles Lernen und Neural Computation

Kapitel 8: Kernel-Methoden. Maschinelles Lernen und Neural Computation Kaptel 8: Kernel-Methoden SS 009 Maschnelles Lernen und Neural Computaton 50 Ausgangsbass: Perceptron Learnng Rule Δw y = Kf = 0Ksonst K"target" = Kf Rosenblatt (96) Input wrd dazugezählt (abgezogen),

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

K A P I T E L. Das IS-LM-Modell. Modell. Prof. Dr. Ansgar Belke Makroökonomik I Sommersemester 2009 Folie 1

K A P I T E L. Das IS-LM-Modell. Modell. Prof. Dr. Ansgar Belke Makroökonomik I Sommersemester 2009 Folie 1 K A P I T E L 5 Das IS-LM-Modell Modell Prof. Dr. Ansgar Belke Makroökonomk I Sommersemester 2009 Fole Das IS-LM-Modell aptel 5 Ka 5 5. Der Gütermarkt und de IS- Glechung 52 5.2 Geld- und Fnanzmärkte und

Mehr

Praktikum Physikalische Chemie I (C-2) Versuch Nr. 6

Praktikum Physikalische Chemie I (C-2) Versuch Nr. 6 Praktkum Physkalsche Cheme I (C-2) Versuch Nr. 6 Konduktometrsche Ttratonen von Säuren und Basen sowe Fällungsttratonen Praktkumsaufgaben 1. Ttreren Se konduktometrsch Schwefelsäure mt Natronlauge und

Mehr

4. Rechnen mit Wahrscheinlichkeiten

4. Rechnen mit Wahrscheinlichkeiten 4. Rechnen mt Wahrschenlchketen 4.1 Axome der Wahrschenlchketsrechnung De Wahrschenlchketsrechnung st en Telgebet der Mathematk. Es st üblch, an den Anfang ener mathematschen Theore enge Axome zu setzen,

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

1.0 TFSI ultra 70 kw (95 PS) 5-Gang

1.0 TFSI ultra 70 kw (95 PS) 5-Gang Gebrauchtwagensuche 43 Treffer 15.490,00 (MwSt. auswesbar) oder Rate z.b. mtl. 80,60 mt VaroCredt Lestung: 70 kw (95 PS), 11.400 km, EZ: 07/2016 VaroCredt: Laufzet 36 Monate, Jährlche Fahrlestung 10.000

Mehr

Neuronale Netze. M. Gruber (1) ausgeloste Reiz ist x (1) = (1) (s (1) ) mit (1) (s) = 1 sgn(s 1 ) sgn(s 2 ) T. .

Neuronale Netze. M. Gruber (1) ausgeloste Reiz ist x (1) = (1) (s (1) ) mit (1) (s) = 1 sgn(s 1 ) sgn(s 2 ) T. . Neuronale Netze M. Gruber 7.11.015 Begnnen wr mt enem Bespel. Bespel 1 Wr konstrueren enen Klasskator auf der Menge X = [ 1; 1], dessen Wrkung man n Abb.1 rechts sehen kann. Auf der blauen Telmenge soll

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

Fallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum

Fallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten

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

DATENBLATT. Etikett (Mini 20 ml) Kurz-Info: Dateigröße: 105 x 135 mm. Breite: 105 mm / Höhe: 135 mm (zzgl. 7 mm Beschnitt) Endformat: 119 x 149 mm

DATENBLATT. Etikett (Mini 20 ml) Kurz-Info: Dateigröße: 105 x 135 mm. Breite: 105 mm / Höhe: 135 mm (zzgl. 7 mm Beschnitt) Endformat: 119 x 149 mm DATENBLATT Deses Datenblatt soll Ihnen helfen Ihr ndvduelles Etkett selbst zu erstellen. Es dent Ihnen als Vorlage bzw. gbt Ihnen alle wchtgen Informatonen über Format/Größe des Etketts, Farbmodus, Auflösung

Mehr

Entgelte für die Netznutzung, Messung und Abrechnung im Gasverteilnetz

Entgelte für die Netznutzung, Messung und Abrechnung im Gasverteilnetz Entgelte für de Netznutzung, Messung und Abrechnung m Gasvertelnetz Gültg vom 22.12.2006 bs 30.09.2007 reslste (netto) 1. Netzentgelt (netto) De Netzentgelte der Kunden der Stadtwerke Osnabrück AG werden

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

Basel III Kontrahentenrisiken

Basel III Kontrahentenrisiken Basel III Kontrahentenrsken Chrstoph Hofmann De Fnanzkrse hat gezegt, dass das aus ncht börsengehandelten (OTC) Dervaten hervorgehende Kontrahentenrsko von entschedender Bedeutung für de Stabltät des Bankensystems

Mehr

Systemübersicht und Bestell-Leitfaden für Vialle Liquid SI Autogasanlagen

Systemübersicht und Bestell-Leitfaden für Vialle Liquid SI Autogasanlagen Systemüberscht Bestell-Letfaden für Valle Lqud SI Autogasanlagen Systemüberscht Valle Lqud SI Dese Überscht zegt, welche enzelnen Komponenten ener Valle Lqud SI Autogasanlage zusammenwrken. Auf den nachfolgenden

Mehr

Näherungsverfahren. Wiederhole den Algorithmusbegriff. Erläutere die Begriffe: Klasse der NP-Probleme. Probleme. Probleme. Approximative Algorithmen

Näherungsverfahren. Wiederhole den Algorithmusbegriff. Erläutere die Begriffe: Klasse der NP-Probleme. Probleme. Probleme. Approximative Algorithmen Näherungsverfahren Wederhole den Algorthmusbegrff. Erläutere de Begrffe: Klasse der P-ProblemeP Probleme Klasse der NP-Probleme Probleme Approxmatve Algorthmen Stochastsche Algorthmen ALGORITHMEN Def.:

Mehr

Operations Research II (Netzplantechnik und Projektmanagement)

Operations Research II (Netzplantechnik und Projektmanagement) Operatons Research II (Netzplantechnk und Projektmanagement). Aprl Frank Köller,, Hans-Jörg von Mettenhem & Mchael H. Bretner.. # // ::: Gute Vorlesung:-) Danke! Feedback.. # Netzplantechnk: Überblck Wchtges

Mehr

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

Prof. Dr. Roland Füss Statistik II SS 2008

Prof. Dr. Roland Füss Statistik II SS 2008 5. Spezelle Testverfahren Zahlreche parametrsche und nchtparametrsche Testverfahren, de nach Testvertelung (Bnomal, t-test etc.), Analysezel (Anpassungs- und Unabhänggketstest) oder Konstrukton der Prüfgröße

Mehr

Der stöchiometrische Luftbedarf einer Reaktion kann aus dem Sauerstoffbedarf der Reaktion und der Zusammensetzung der Luft berechnet werden.

Der stöchiometrische Luftbedarf einer Reaktion kann aus dem Sauerstoffbedarf der Reaktion und der Zusammensetzung der Luft berechnet werden. Stoffwerte De Stoffwerte für de enzelnen omponenten raftstoff, Luft und Abgas snd den verschedenen Stellen aus den Lteraturhnwesen zu entnehmen, für enge Stoffe sollen jedoch de grundlegenden Zusammenhänge

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

13.1 Differentialgleichung der Biegelinie

13.1 Differentialgleichung der Biegelinie 79 13 Begelne Neben dem Versgen enes Butels uf Grund zu hoher Snnungen snd häufg uch de Verformungen be der Auslegung zu berückschtgen. Dbe snd nsbesondere de Durchbegungen von Getrebe- oder Rotorwellen

Mehr

4.6 Das Pumping-Lemma für reguläre Sprachen:

4.6 Das Pumping-Lemma für reguläre Sprachen: Theoretsche Informatk 1 Vorlesungsskrpt vom Fretag, 30 Jun 000 Index: Erstellt von: (Matrkelnummer: 70899) Sete : 46 Das Pumpng-Lemma für reguläre Sprachen 1 Satz W 1 Zugrundelegende Idee des Pumpng-Lemma

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

Mehrfachregression: Einfluss mehrerer Merkmale auf ein metrisches Merkmal. Designmatrix Bestimmtheitsmaß F-Test T-Test für einzelne Regressoren

Mehrfachregression: Einfluss mehrerer Merkmale auf ein metrisches Merkmal. Designmatrix Bestimmtheitsmaß F-Test T-Test für einzelne Regressoren Mehrfachregresson: Enfluss mehrerer Merkmale auf en metrsches Merkmal Desgnmatrx Bestmmthetsmaß F-Test T-Test für enzelne Regressoren Mehrfachregresson Bvarat: x b b y + = 0 ˆ k k x b x b x b b y + + +

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

HAT DIE WAHL DES PERFORMANCEMAßES EINEN EINFLUSS

HAT DIE WAHL DES PERFORMANCEMAßES EINEN EINFLUSS HAT DIE WAHL DES PERFORMANCEMAßES EINEN EINFLUSS AUF DIE BEURTEILUNG VON HEDGEFONDS-INDIZES? MARTIN ELING FRANK SCHUHMACHER WORKING PAPERS ON RISK MANAGEMENT AND INSURANCE NO. 10 EDITED BY HATO SCHMEISER

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

Der Erweiterungsfaktor k

Der Erweiterungsfaktor k Der Erweterungsfaktor k Wahl des rchtgen Faktors S. Meke, PTB-Berln, 8.40 Inhalt: 1. Was macht der k-faktor? 2. Welche Parameter legen den Wert des k-faktors fest? 3. Wo trtt der k-faktor auf? 4. Zusammenhang

Mehr

2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar.

2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar. . Nullstellensuche Enes der ältesten numerschen Probleme stellt de Bestmmung der Nullstellen ener Funkton = dar. =c +c =c +c +c =Σc =c - sn 3 Für ene Gerade st das Problem trval, de Wurzel ener quadratschen

Mehr

MOD-01 LAGRANGE FORMALISMUS -- TEIL 1

MOD-01 LAGRANGE FORMALISMUS -- TEIL 1 MOD- LAGRAGE FORMALISMUS -- EIL. Zustandsfunktonen Defnton -: Zustandsfunkton Ene Zustandsfunkton W( () t, t) = W(, t) bzw. W ( ) st jede belebge skalare Funkton der Zustandsgrößen () t und der Zet t,

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

5. Transmissionsmechanismen der Geldpolitik

5. Transmissionsmechanismen der Geldpolitik Geldtheore und Geldpoltk Grundzüge der Geldtheore und Geldpoltk Sommersemester 2013 5. Transmssonsmechansmen der Geldpoltk Prof. Dr. Jochen Mchaels Geldtheore und Geldpoltk SS 2013 5. Transmssonsmechansmen

Mehr

Geld- und Finanzmärkte

Geld- und Finanzmärkte Gel- un Fnanzmärkte Prof. Dr. Volker Clausen akroökonomk 1 Sommersemester 2008 Fole 1 Gel- un Fnanzmärkte 4.1 De Gelnachfrage 4.2 De Bestmmung es Znssatzes I 4.3 De Bestmmung es Znssatzes II 4.4 Zwe alternatve

Mehr

Verkehrstechnik. Straßenbau

Verkehrstechnik. Straßenbau st messbar. smanagement Hlfsmttel Arbetsscherhet Fazt Verkehrstechnk Straßenbau IVU Semnar Mobltät, Verkehrsscherhet, Umwelt (04/06) Dpl. Ing. Sandra Voß st messbar. smanagement Hlfsmttel Arbetsscherhet

Mehr

Klausur zur Vorlesung Lineare Modelle SS 2006 Diplom, Klausur A

Klausur zur Vorlesung Lineare Modelle SS 2006 Diplom, Klausur A Lneare Modelle m SS 2006, Prof. Dr. W. Zucchn 1 Klausur zur Vorlesung Lneare Modelle SS 2006 Dplom, Klausur A Aufgabe 1 (18 Punkte) a) Welcher grundsätzlche Untersched besteht n der Interpretaton von festen

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

Ordered Response Models (ORM)

Ordered Response Models (ORM) Handout: Mkroökonometre Ordered Response Models Domnk Hanglberger - SS 28 Ordered Response Models (ORM) Ist de abhängge Varable ordnal skalert (d.h. hre Kategoren lassen sch n ene Rangrehenfolge brngen,

Mehr

Grundzüge der Geldtheorie und Geldpolitik

Grundzüge der Geldtheorie und Geldpolitik Grundzüge der Geldtheore und Geldpoltk Sommersemester 2012 8. Monetäre Transaktonskanäle Prof. Dr. Jochen Mchaels SoSe 2012 Geldtheore & -poltk 8. De Übertragung monetärer Impulse auf de Gesamtwrtschaft

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

Übungen zur Vorlesung Physikalische Chemie 2 (B. Sc.) Lösungsvorschlag zu Blatt 6

Übungen zur Vorlesung Physikalische Chemie 2 (B. Sc.) Lösungsvorschlag zu Blatt 6 Übungen zur Vorlesung Physkalsche Chee B. Sc. ösungsvorschlag zu Blatt 6 Prof. Dr. Norbert Happ Jens Träger Wnterseester 7/8.. 7 Aufgabe De Wellenfunkton des haronschen Oszllators hat de For Ψ v N v H

Mehr

Refelxion und Transmission. KGH Seismische Explorationsverfahren Teil 4 - Slide 1

Refelxion und Transmission. KGH Seismische Explorationsverfahren Teil 4 - Slide 1 Sesmsche Wellen Refelxon und Transmsson KGH Sesmsche Exploratonserfahren Tel 4 - Slde Raytracng Raytracng Ermttlung des Laufweges enes Wellenstrahls be gegebener Geschwndgketsstruktur de rognose des Laufweges

Mehr

Hat die Wahl des Performancemaßes einen Einfluss auf die Beurteilung von Hedgefonds-Indizes?

Hat die Wahl des Performancemaßes einen Einfluss auf die Beurteilung von Hedgefonds-Indizes? Hat de Wahl des Performancemaßes enen Enfluss auf de Beurtelung von Hedgefonds-Indzes? Von Martn Elng, St. Gallen, und Frank Schuhmacher, Lepzg Ene zentrale Fragestellung n der wssenschaftlchen Ausenandersetzung

Mehr

EAU SWH l$,0, wohngebäude

EAU SWH l$,0, wohngebäude EAU SWH l$,0, wohngebäude gemäß den $$ 6 ff, Energeensparverordnung (EnEV) :,:: Gültsbs: 09208 Gebäude Gebäudetyp Altbau Mehrfamlenhaus Adresse Hardstraße 3 33, 40629 Düsseldorf Gebäudetel Baujahr Gebäude

Mehr

Einführung in die theoretische Physik 1

Einführung in die theoretische Physik 1 Enführung n de theoretsche hysk 1 rof. Dr. L. Mathey Denstag 15:45 16:45 und Donnerstag 10:45 12:00 Begnn: 23.10.12 Jungus 9, Hörs 2 Mathey Enführung n de theor. hysk 1 1 Grundhypothese der Thermostatk

Mehr

Lineare Optimierung Dualität

Lineare Optimierung Dualität Kaptel Lneare Optmerung Dualtät D.. : (Dualtät ) Folgende Aufgaben der lnearen Optmerung heßen symmetrsch dual zuenander: und { z = c x Ax b x } max, 0 { Z b A c } mn =, 0. Folgende Aufgaben der lnearen

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

Risiko- und Kostenfaktor IT Betrieb

Risiko- und Kostenfaktor IT Betrieb conaq Unternehmensberatung GmbH Rsko- und Kostenfaktor IT Betreb Ergebnsbespel IT Benchmarkng: Rsken und Potentale der IT Servces n conaq Unternehmensberatung GmbH n Ergebnsbespel IT Benchmarkng: Rsken

Mehr

18. Vorlesung Sommersemester

18. Vorlesung Sommersemester 8. Vorlesung Sommersemester Der Drehmpuls des starren Körpers Der Drehmpuls des starren Körpers st etwas komplzerter. Wenn weder de Wnkelgeschwndgket um de feste Rotatonsachse st, so wrd mt Hlfe des doppelten

Mehr

Fallstudie 4 Qualitätsregelkarten (SPC) und Versuchsplanung

Fallstudie 4 Qualitätsregelkarten (SPC) und Versuchsplanung Fallstude 4 Qualtätsregelkarten (SPC) und Versuchsplanung Abgabe: Lösen Se de Aufgabe 1 aus Abschntt I und ene der beden Aufgaben aus Abschntt II! Aufgabentext und Lösungen schrftlch bs zum 31.10.2012

Mehr

8.000 KWh/a. 0,26 Euro/KWh. mittlerer Tagesverlauf in KWh (Profil: H0 - Privathaushalt mit Kindern) 4

8.000 KWh/a. 0,26 Euro/KWh. mittlerer Tagesverlauf in KWh (Profil: H0 - Privathaushalt mit Kindern) 4 Ihr Stromverbrauch Stromverbrauch Strompres Stromverbrauch pro Monat n 8 8 8 Ihr aktueller Jahresstromverbrauch Ihr aktueller Strompres De angenommene Vertelung Ihres Verbrauchs auf de enzelnen Monate

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

2 Toleranzen, Passimgen, Oberflachenbeschafifeiiheit

2 Toleranzen, Passimgen, Oberflachenbeschafifeiiheit 2 Toleranzen, Passmgen, Oberflachenbeschaffehet Formelzechen j J'Bx EI, ES e, es G Go Gu h k IB, /W N P Po Pw PT Rz S Jo J ^u T 7B5 7w 0 Vo. 0. Enhet Jm m man {m m fm Jm fxm jxm Benemung Grenzwerte des

Mehr

Teil E: Qualitative abhängige Variable in Regressionsmodellen

Teil E: Qualitative abhängige Variable in Regressionsmodellen Tel E: Qualtatve abhängge Varable n Regressonsmodellen 1. Qualtatve abhängge Varable Grundlegendes Problem: In velen Fällen st de abhängge Varable nur über enen bestmmten Werteberech beobachtbar. Bsp.

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

Kursthemen 2. Sitzung. Tabellarische und graphische Darstellung diskreter Daten. Tabellarische und graphische Darstellung diskreter Daten

Kursthemen 2. Sitzung. Tabellarische und graphische Darstellung diskreter Daten. Tabellarische und graphische Darstellung diskreter Daten Kursthemen 2. Stzung Fole I - 2-1 Tabellarsche und graphsche Darstellung dskreter Daten Tabellarsche und graphsche Darstellung dskreter Daten A) Nomnalskalen (Fole 2 bs 7) A) Nomnalskalen (Fole 2 bs 7)

Mehr

Aufgabenteil. - wird nicht mit abgegeben - 21.03.2011, 18.00-20.00 Uhr. Fakultät für Wirtschaftswissenschaft

Aufgabenteil. - wird nicht mit abgegeben - 21.03.2011, 18.00-20.00 Uhr. Fakultät für Wirtschaftswissenschaft Fakultät für Wrtschaftswssenschaft Lehrstuhl für Volkswrtschaftslehre, nsb. Makroökonomk Unv.-Prof. Dr. Helmut Wagner Klausur: Termn: Prüfer: Makroökonome 2.03.20, 8.00-20.00 Uhr Unv.-Prof. Dr. Helmut

Mehr

Warnschilder. Warnschilder müssen folgende Eigenschaften aufweisen:

Warnschilder. Warnschilder müssen folgende Eigenschaften aufweisen: Kennzechnungen Warnschlder BGV A8, DIN 4844, ASR A1.3 Warnschlder Im Snne der Unfallverhütungsvorschrft BGV A8 snd Warnzechen Scherhetszechen, de vor enem Rsko oder ener Gefahr warnen. Nach 3 der Arbetsstättenverordnung

Mehr

1 Sicherheitshinweise. 2 Geräteaufbau. 3 Funktion. Funk-Bussystem. Funk-Schaltaktor. Funk-Schaltaktor. Best.-Nr. : Bedienungsanleitung

1 Sicherheitshinweise. 2 Geräteaufbau. 3 Funktion. Funk-Bussystem. Funk-Schaltaktor. Funk-Schaltaktor. Best.-Nr. : Bedienungsanleitung Best.-Nr. : 0404 00 Bedenungsanletung 1 Scherhetshnwese Enbau und Mntage elektrscher Geräte dürfen nur durch Elektrfachkräfte erflgen. Schwere Verletzungen, Brand der Sachschäden möglch. Anletung vllständg

Mehr