Fallstudie: Schadenshäufigkeiten bei Kfz-Versicherungen
|
|
- Wilhelmine Hanna Sachs
- vor 8 Jahren
- Abrufe
Transkript
1 Fallstudie: Schadenshäufigkeiten bei Kfz-Versicherungen Stefan Lang 12 Oktober 2005 WS 05/06
2 Datensatzbeschreibung (1) Daten Versicherungsdaten für Belgien ca Beobachtungen Ziel Analyse der Risikostruktur mit Regressionsmodellen für Schadenshäufigkeiten und Schadenshöhen Fallbeispiel: Schadenshäufigkeiten bei Kfz-Versicherung 1
3 Datensatzbeschreibung (2) Variable AlterKfz AlterV Ps BM Region Geschl Beschreibung Alter des Kfz Alter des Versicherungsnehmers Motorleistung Bonus-Malus Score Kreiskennziffer 1 = männlich, 0=weiblich Fallbeispiel: Schadenshäufigkeiten bei Kfz-Versicherung 2
4 Deskriptive Analyse (1) Kerndichteschätzer: Alter Versicherungsnehmer durchschnittliche Schadenshäufigkeiten vs Alter Versicherungsnehmer log durchschnittliche Schadenshäufigkeiten vs Alter Versicherungsnehmer Abbildung 1: Deskriptive Analyse: Alter des Versicherungsnehmers Fallbeispiel: Schadenshäufigkeiten bei Kfz-Versicherung 3
5 Deskriptive Analyse (2) Kerndichteschätzer: Alter Kfz durchschnittliche Schadenshäufigkeiten vs Alter Kfz Alter des Kfz log durchschnittliche Schadenshäufigkeiten vs Alter Kfz Abbildung 2: Deskriptive Analyse: Alter des Kfz Fallbeispiel: Schadenshäufigkeiten bei Kfz-Versicherung 4
6 Deskriptive Analyse (3) Kerndichteschätzer: Ps Zahl durchschnittliche Schadenshäufigkeiten vs Ps Zahl Ps Zahl Ps Zahl log durchschnittliche Schadenshäufigkeiten vs Ps Ps Zahl Abbildung 3: Deskriptive Analyse: Ps Zahl Fallbeispiel: Schadenshäufigkeiten bei Kfz-Versicherung 5
7 Deskriptive Analyse (4) Kerndichteschätzer: Bonus Malus Score durchschnittliche Schadenshäufigkeiten vs BM Score Bonus Malus Score Bonus Malus Score log durchschnittliche Schadenshäufigkeiten vs BM Score Bonus Malus Score Abbildung 4: Deskriptive Analyse: BM Score Fallbeispiel: Schadenshäufigkeiten bei Kfz-Versicherung 6
8 Modellierung: Alter des Versicherungsnehmers (1) Modell 1: H i P o(λ i ) λ i = exp(β 0 + β 1 AlterV c i ) AlterV c i = AlterV i AlterV, AlterV = Datenmatrix zu Modell 1 H AlterV AlterV c Fallbeispiel: Schadenshäufigkeiten bei Kfz-Versicherung 7
9 Modellierung: Alter des Versicherungsnehmers (2) Schätzergebnisse H Coef Std Err z P> z [95% Conf Interval] AlterVc _cons Effekt des Alters des Versicherungsnehmers exp(effekt des Alters des Versicherungsnehmers) geschätzter Effekt mittlere part Residuen Abbildung 5: Modell 1: Effekt des Alters des Versicherungsnehmers inklusive mittlere partielle Residuen Fallbeispiel: Schadenshäufigkeiten bei Kfz-Versicherung 8
10 Modellierung: Alter des Versicherungsnehmers (3) Modell 2: H i P o(λ i ) λ i = exp(β 0 + β 1 AlterV c i + β 2 AlterV 2c i + β 3 AlterV 3c i ) mit AlterV c i = AlterV i AlterV AlterV = AlterV 2c i = AlterVi 2 AlterV 2 AlterV 2 = AlterV 3c i = AlterVi 3 AlterV 3 AlterV 3 = und AlterV 2 = 1 n n i=1 AlterV 2 i AlterV 3 = 1 n n i=1 AlterV 3 i Fallbeispiel: Schadenshäufigkeiten bei Kfz-Versicherung 9
11 Modellierung: Alter des Versicherungsnehmers (4) Effekt des Alters des Versicherungsnehmers wird also durch ein (um Null zentriertes) Polynom 3 Grades modelliert, dh λ i = exp(β 0 + f(alterv )) f(alterv ) = β 1 AlterV c i + β 2 AlterV 2c i + β 3 AlterV 3c i Datenmatrix zu Modell 2 H AlterV AlterV c AlterV 2c AlterV 3c Fallbeispiel: Schadenshäufigkeiten bei Kfz-Versicherung 10
12 Modellierung: Alter des Versicherungsnehmers (5) Schätzergebnisse H Coef Std Err z P> z [95% Conf Interval] AlterVc AlterV2c AlterV3c -798e e e-06 _cons Effekt des Alters des Versicherungsnehmers exp(effekt des Alters des Versicherungsnehmers) geschätzter Effekt mittlere part Residuen Abbildung 6: Modell 2: Effekt des Alters des Versicherungsnehmers inklusive mittlere partielle Residuen Fallbeispiel: Schadenshäufigkeiten bei Kfz-Versicherung 11
13 Modellierung: Alter des Versicherungsnehmers (6) Modell 3: H i P o(λ i ) λ i = exp(η i ) η i = β 0 + β 1 AlterV c i + β 2 AlterV 2c i + β 3 AlterV 3c i + β 4 AlterV 3 k43c i + β 5 AlterV 3 k69c i mit AlterV 3 k43 i = { (AlterV 43) 3 AlterV > 43 0 sonst AlterV 3 k43c i = AlterV 3 k43 i AlterV 3 k43 = AlterV 3 k43 i Fallbeispiel: Schadenshäufigkeiten bei Kfz-Versicherung 12
14 Modellierung: Alter des Versicherungsnehmers (7) und AlterV 3 k69 i = { (AlterV 69) 3 AlterV > 69 0 sonst AlterV 3 k69c i = AlterV 3 k69 i AlterV 3 k69 = AlterV 3 k69 i Effekt des Alters des Versicherungsnehmers ist also ein (um Null zentrierter) kubischer Spline mit 2 inneren Knoten bei AlterV = 43 und AlterV = 69 dh λ i = exp(β 0 + f(alterv )) f(alterv ) = β 1 AlterV c + β 2 AlterV 2c + β 3 AlterV 3c +β 4 AlterV 3 k43c + β 5 AlterV 3 k69c Fallbeispiel: Schadenshäufigkeiten bei Kfz-Versicherung 13
15 Modellierung: Alter des Versicherungsnehmers (8) Datenmatrix zu Modell 3 H AlterV AlterV 3 k43 AlterV 3 k43c AlterV 3 k69 AlterV 3 k69c Fallbeispiel: Schadenshäufigkeiten bei Kfz-Versicherung 14
16 Modellierung: Alter des Versicherungsnehmers (9) Schätzergebnisse H Coef Std Err z P> z [95% Conf Interval] AlterVc AlterV2c AlterV3c AlterV3_k43c AlterV3_k69c _cons Effekt des Alters des Versicherungsnehmers exp(effekt des Alters des Versicherungsnehmers) geschätzter Effekt mittlere part Residuen Abbildung 7: Modell 3: Effekt des Alters des Versicherungsnehmers inklusive mittlere partielle Residuen Fallbeispiel: Schadenshäufigkeiten bei Kfz-Versicherung 15
17 Gesamtmodell (1) Modell 4: H i P o(λ i ) λ i = exp(η i ) η i = β 0 + β 1 AlterV c i + β 2 AlterV 2c i + β 3 AlterV 3c i + β 4 AlterV 3 k43c i + β 5 AlterV 3 k69c i + β 6 AlterKfzc i + β 7 BMc i + β 8 P sc i + β 9 geschl Effekte der restlichen Kovariablen werden linear modelliert Fallbeispiel: Schadenshäufigkeiten bei Kfz-Versicherung 16
18 Gesamtmodell (2) Schätzergebnisse H Coef Std Err z P> z [95% Conf Interval] AlterVc AlterV2c AlterV3c AlterV3_k43c AlterV3_k69c AlterKfzc BMc Psc geschl _cons Fallbeispiel: Schadenshäufigkeiten bei Kfz-Versicherung 17
19 Gesamtmodell (3) Effekt des Alters des Versicherungsnehmers exp(effekt des Alters des Versicherungsnehmers) geschätzter Effekt mittlere part Residuen Effekt des Alters des Kfz geschätzter Effekt mittlere part Residuen exp(effekt des Alters des Kfz) Abbildung 8: Modell 4: Effekt des Alters des Versicherungsnehmers und des Kfz inklusive mittlere partielle Residuen Fallbeispiel: Schadenshäufigkeiten bei Kfz-Versicherung 18
20 Gesamtmodell (4) Effekt des Bonus Malus Score exp(effekt des Bonus Malus Score) Bonus Malus Score geschätzter Effekt mittlere part Residuen Bonus Malus Score Ps Zahl geschätzter Effekt Effekt der Ps Zahl mittlere part Residuen exp(effekt der Ps Zahl) Ps Zahl Abbildung 9: Modell 4: Effekt des Bonus Malus Score und der Ps Zahl inklusive mittlere partielle Residuen Fallbeispiel: Schadenshäufigkeiten bei Kfz-Versicherung 19
21 Gesamtmodell (5) Modell 5: Ersetze die lineare Modellierung des Effekts von AlterKfz aus Modell 4 durch einen Spline mit 2 inneren Knoten bei AlterKfz=10 und AlterKfz=20 H i P o(λ i ) λ i = exp(η i ) η i = β 0 + β 1 AlterV c i + β 2 AlterV 2c i + β 3 AlterV 3c i + β 4 AlterV 3 k43c i + β 5 AlterV 3 k69c i + β 6 AlterKfzc i + β 7 AlterKfz2c i + β 8 AlterKfz3c i + β 9 AlterKfz3 k10c i + β 10 AlterKfz3 k20c i β 11 BMc i + β 12 P sc i + β 13 geschl Fallbeispiel: Schadenshäufigkeiten bei Kfz-Versicherung 20
22 Gesamtmodell (6) Schätzergebnisse H Coef Std Err z P> z [95% Conf Interval] AlterVc AlterV2c AlterV3c AlterV3_k43c AlterV3_k69c AlterKfzc AlterKfz2c AlterKfz3c AlterKfz~10c AlterKfz~20c BMc Psc geschl _cons Fallbeispiel: Schadenshäufigkeiten bei Kfz-Versicherung 21
23 Gesamtmodell (7) Modell 5 Effekt des Alters des Versicherungsnehmers Modell 5 exp(effekt des Alters des Versicherungsnehmers) geschätzter Effekt mittlere part Residuen Effekt des Alters des Kfz exp(effekt des Alters des Kfz) geschätzter Effekt mittlere part Residuen Abbildung 10: Modell 5: Effekt des Alters des Versicherungsnehmers und des Kfz inklusive mittlere partielle Residuen Fallbeispiel: Schadenshäufigkeiten bei Kfz-Versicherung 22
24 Gesamtmodell (8) Effekt des Bonus Malus Score exp(effekt des Bonus Malus Score) Bonus Malus Score geschätzter Effekt mittlere part Residuen Bonus Malus Score Ps Zahl geschätzter Effekt Effekt der Ps Zahl mittlere part Residuen exp(effekt der Ps Zahl) Ps Zahl Abbildung 11: Modell 5: Effekt des Bonus Malus Score und der Ps Zahl inklusive mittlere partielle Residuen Fallbeispiel: Schadenshäufigkeiten bei Kfz-Versicherung 23
Fallbeispiel: Kreditscoring
Fallbeispiel: Kreditscoring Stefan Lang 14. Juni 2005 SS 2005 Datensatzbeschreibung (1) Ziel Untersuchung der Bonität eines Kunden in Abhängigkeit von erklärenden Variablen Zielvariable Bonität des Kunden:
Mehr8. Februar 2007. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt.
L. Fahrmeir, C. Belitz Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 8. Februar 2007 Hinweise:
MehrKapitel 4: Binäre Regression
Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,
Mehr2.Tutorium Generalisierte Regression
2.Tutorium Generalisierte Regression - Binäre Regression - Moritz Berger: 04.11.2013 und 11.11.2013 Shuai Shao: 06.11.2013 und 13.11.2013 Institut für Statistik, LMU München 1 / 16 Gliederung 1 Erweiterte
MehrAngewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen. Das folgende Modell ist ein GARCH(1,1)-Modell:
Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen LV-Leiterin: Univ.Prof.Dr. Sylvia Frühwirth-Schnatter 1 Wahr oder falsch? 1. Das folgende Modell ist ein GARCH(1,1)-Modell: Y
MehrVorkurs Mathematik Übungen zu Polynomgleichungen
Vorkurs Mathematik Übungen zu en 1 Aufgaben Lineare Gleichungen Aufgabe 1.1 Ein Freund von Ihnen möchte einen neuen Mobilfunkvertrag abschließen. Es gibt zwei verschiedene Angebote: Anbieter 1: monatl.
MehrKategoriale abhängige Variablen: Logit- und Probit -Modelle. Statistik II
Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Wiederholung Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell
MehrMusterlösung 2. Mikroprozessor & Eingebettete Systeme 1
Musterlösung 2 Mikroprozessor & Eingebettete Systeme 1 WS2013/2014 Hinweis: Die folgenden Aufgaben erheben nicht den Anspruch, eine tiefergehende Kenntnis zu vermitteln; sie sollen lediglich den Einstieg
MehrZusammenhänge zwischen metrischen Merkmalen
Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl
MehrKlassenarbeit zu linearen Gleichungssystemen
Klassenarbeit zu linearen Gleichungssystemen Aufgabe : Bestimme die Lösungsmenge der Gleichungssysteme mit Hilfe des Additionsverfahrens: x + 4y = 8 5x y = x y = x y = Aufgabe : Bestimme die Lösungsmenge
MehrAufgaben zum Datenmanagement
Aufgaben zum Datenmanagement Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/10 Datentransformationen Berechnung neuer Variablen Berechne das Durchschnittsalter und die Durchschnittsgröße beider
MehrGemischte Modelle. Fabian Scheipl, Sonja Greven. SoSe 2011. Institut für Statistik Ludwig-Maximilians-Universität München
Gemischte Modelle Fabian Scheipl, Sonja Greven Institut für Statistik Ludwig-Maximilians-Universität München SoSe 2011 Inhalt Amsterdam-Daten: LMM Amsterdam-Daten: GLMM Blutdruck-Daten Amsterdam-Daten:
MehrKfz-Nutzungsanalyse. Pkw-Fahrleistung der CHECK24-Kunden
Kfz-Nutzungsanalyse Pkw-Fahrleistung der CHECK24-Kunden Stand: Juni/Juli 2013 CHECK24 2013 Agenda 1. Methodik und Zusammenfassung 2. Jährliche Pkw-Fahrleistung 2003 bis 2013 3. Gefahrene Kilometer p. a.
MehrMusterlösung 2. Mikroprozessor & Eingebettete Systeme 1
Musterlösung 2 Mikroprozessor & Eingebettete Systeme 1 WS2014/2015 Hinweis: Die folgenden Aufgaben erheben nicht den Anspruch, eine tiefergehende Kenntnis zu vermitteln; sie sollen lediglich den Einstieg
MehrMultivariate Statistik
Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)
MehrVorkurs Mathematik Übungen zu Differentialgleichungen
Vorkurs Mathematik Übungen zu Differentialgleichungen Als bekannt setzen wir die folgenden Umformungen voraus: e ln(f(x)) = f(x) e f(x)+c = e f(x) e c e ln(f(x)) +c = f(x) e c = f(x) c f ( g(x) ) g (x)
MehrDas Bonus-Malus-System Berufs- und Nichtberufsunfallversicherung. Umschlag-Titel Unterzeile Grundlagen und Anwendung
Das Bonus-Malus-System Berufs- und Nichtberufsunfallversicherung Umschlag-Titel Unterzeile Grundlagen und Anwendung Grundlagen und Anwendung Sowohl für die Nichtberufsunfallversicherung (NBUV) als auch
MehrSurvival of the Fittest Wie statistische Modelle an Daten angepasst werden
Tag der Mathematik 2009 Survival of the Fittest Wie statistische Modelle an Daten angepasst werden Thomas Kneib Fakultät für Mathematik und Naturwissenschaften Carl von Ossietzky Universität Oldenburg
MehrPädagogische Hochschule Thurgau. Lehre Weiterbildung Forschung
Variante 1 Swisscom-Router direkt ans Netzwerk angeschlossen fixe IP-Adressen (kein DHCP) 1. Aufrufen des «Netz- und Freigabecenters». 2. Doppelklick auf «LAN-Verbindung» 3. Klick auf «Eigenschaften» 4.
MehrIndikatoren-Erläuterung
Datum: 29.01.2016 Indikatoren-Erläuterung Basisdaten Pflegeprognose 2009 Allgemeine Informationen Pflegeprognose Als Datengrundlage für die Darstellung und Beschreibung der zukünftigen Bevölkerungsentwicklung
MehrIn konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
MehrKosten-Leistungsrechnung Rechenweg Optimales Produktionsprogramm
Um was geht es? Gegeben sei ein Produktionsprogramm mit beispielsweise 5 Aufträgen, die nacheinander auf vier unterschiedlichen Maschinen durchgeführt werden sollen: Auftrag 1 Auftrag 2 Auftrag 3 Auftrag
MehrModellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios. Bernd Rosenow, 3. Kölner Workshop Quantitative Finanzmarktforschung
Modellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios Bernd Rosenow Rafael Weißhaupt Frank Altrock Universität zu Köln West LB AG, Düsseldorf Gliederung Beschreibung des Datensatzes
MehrL & G TECH Industriezerspanung
1. Normen- und In diesem Programm werden alle Normen, Dokumente und Betriebsanweisungen erfasst um den genauen Stand zu überwachen. 2. Normen Hier werden alle Normen ob vom Kunden oder allgemein gültige
Mehrt r Lineare Codierung von Binärbbäumen (Wörter über dem Alphabet {, }) Beispiel code( ) = code(, t l, t r ) = code(t l ) code(t r )
Definition B : Menge der binären Bäume, rekursiv definiert durch die Regeln: ist ein binärer Baum sind t l, t r binäre Bäume, so ist auch t =, t l, t r ein binärer Baum nur das, was durch die beiden vorigen
MehrMichelson-Interferometer. Jannik Ehlert, Marko Nonho
Michelson-Interferometer Jannik Ehlert, Marko Nonho 4. Juni 2014 Inhaltsverzeichnis 1 Einführung 1 2 Auswertung 2 2.1 Thermische Ausdehnung... 2 2.2 Magnetostriktion... 3 2.2.1 Beobachtung mit dem Auge...
MehrKooperation mit der Direct Line Versicherung
Kooperation mit der Direct Line Versicherung Wer ist die Direct Line Versicherung AG? Leistungsübersicht der Direct Line Warum kooperiert die FFS mit der Direct Line? Wie funktioniert s? Ihr Nutzen Wer
MehrVarianzanalyse (ANOVA: analysis of variance)
Varianzanalyse (AOVA: analysis of variance) Einfaktorielle VA Auf der Basis von zwei Stichproben wird bezüglich der Gleichheit der Mittelwerte getestet. Variablen müssen Variablen nur nominalskaliert sein.
MehrBinäre abhängige Variablen
Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen
MehrEinführung in die Programmierung
Technische Universität Carolo Wilhelmina zu Brauschweig Institut für rechnergestützte Modellierung im Bauingenierwesen Prof. Dr.-Ing. habil. Manfred Krafczyk Pockelsstraße 3, 38106 Braunschweig http://www.irmb.tu-bs.de
MehrProfil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8
1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen
MehrLösen von linearen Gleichungssystemen mit zwei Unbekannten:
Lösen von linearen Gleichungssystemen mit zwei Unbekannten: 1. Additions- und Subtraktionsverfahren 3x = 7y 55 + 5x 3x = 7y 55 7y 5x + 2y = 4 3 5 werden, dass die Variablen links und die Zahl rechts vom
MehrEinführung in statistische Analysen
Einführung in statistische Analysen Andreas Thams Econ Boot Camp 2008 Wozu braucht man Statistik? Statistik begegnet uns jeden Tag... Weihnachten macht Deutschen Einkaufslaune. Im Advent überkommt die
MehrAHVplus D E L E G I E R T E N V E R S A M M L U N G V OM 1 1. M A I 2 0 1 2. Die AHVplus-Varianten. Antrag: Abstimmung.
D E L E G I E R T E N V E R S A M M L U N G V OM 1 1. M A I 2 1 2 Bern, 11. Mai 212 Tischvorlage DB AHVplus Antrag: Abstimmung. Die AHVplus-Varianten Die Projektgruppe hat verschiedene Varianten ausgearbeitet,
Mehr17.1.2014 Einführung in die Programmierung Laborübung bei Korcan Y. Kirkici. 12.Übung 13.1. bis 17.1.2014
17.1.2014 Einführung in die Programmierung Laborübung bei Korcan Y. Kirkici 12.Übung 13.1. bis 17.1.2014 1 BEFRAGUNG http://1.bp.blogspot.com/- waaowrew9gc/tuhgqro4u_i/aaaaaaaaaey/3xhl 4Va2SOQ/s1600/crying%2Bmeme.png
MehrDas Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear":
Lineare Regression Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear": Im einfachsten Fall werden mehrere Prädiktoren (oder nur
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 12.01.2012 INSTITUT FÜR THEORETISCHE 0 KIT 12.01.2012 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der Informatik
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
MehrKfz-Haftpflichtschadenindex. nach Bundesland, jährlicher Fahrleistung sowie Alter und Geschlecht des Versicherungsnehmers
Kfz-Haftpflichtschadenindex nach Bundesland, jährlicher Fahrleistung sowie Alter und Geschlecht des Versicherungsnehmers CHECK24 2015 Agenda 1 2 3 4 Zusammenfassung Methodik Kfz-Haftpflichtschadenindex
MehrMusterlösung zu Serie 14
Dr. Lukas Meier Statistik und Wahrscheinlichkeitsrechnung FS 21 Musterlösung zu Serie 14 1. Der Datensatz von Forbes zeigt Messungen von Siedepunkt (in F) und Luftdruck (in inches of mercury) an verschiedenen
Mehr1. MENTORIUM (KW44) Aufgabenblatt Grundlegende Begriffe und ihre Abgrenzung
1. MENTORIUM (KW44) Aufgabenblatt Grundlegende Begriffe und ihre Abgrenzung Aufgabe 1 Erläutern Sie, welche Korrekturen vorzunehmen sind, um von den Einzahlungen/ Auszahlungen zu den Einnahmen/Ausgaben
MehrFolge 19 - Bäume. 19.1 Binärbäume - Allgemeines. Grundlagen: Ulrich Helmich: Informatik 2 mit BlueJ - Ein Kurs für die Stufe 12
Grundlagen: Folge 19 - Bäume 19.1 Binärbäume - Allgemeines Unter Bäumen versteht man in der Informatik Datenstrukturen, bei denen jedes Element mindestens zwei Nachfolger hat. Bereits in der Folge 17 haben
MehrVergleichsklausur 12.1 Mathematik vom 20.12.2005
Vergleichsklausur 12.1 Mathematik vom 20.12.2005 Mit CAS S./5 Aufgabe Alternative: Ganzrationale Funktionen Berliner Bogen Das Gebäude in den Abbildungen heißt Berliner Bogen und steht in Hamburg. Ein
MehrAnleitung zur Excel-Anwendung Basisprämienberechnung
Anleitung zur Excel-Anwendung Basisprämienberechnung Inhaltsverzeichnis Inhaltsverzeichnis... 1 Abbildungsverzeichnis... 1 1. Einleitung... 2 2. Allgemeine Anwendungshinweise... 2 3. Die Tabellenkalkulation...
Mehr13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.
13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)
MehrName (in Druckbuchstaben): Matrikelnummer: Unterschrift:
20-minütige Klausur zur Vorlesung Lineare Modelle im Sommersemester 20 PD Dr. Christian Heumann Ludwig-Maximilians-Universität München, Institut für Statistik 2. Oktober 20, 4:5 6:5 Uhr Überprüfen Sie
MehrSpline Morphing. Softwarepraktikum im IWR. Carl Friedrich Bolz. Carl Friedrich Bolz
Spline Morphing Softwarepraktikum im IWR Einführung Motivation: Splines sind die Grundlage von jeglicher Vektorgrafik, 3D-Grafik, CAD/CAM,... Splines werden häufig zur Beschreibung von Schrift verwendet,
MehrApproximationsverfahren zur Überführung nichtäquidistanter Messwertfolgen in äquidistante Zeitreihen.
Fakultät Informatik, Institut für Angewandte Informatik, Professur für Technische Informationssysteme Approximationsverfahren zur Überführung nichtäquidistanter Messwertfolgen in äquidistante Zeitreihen.
MehrDie 65-70-jährigen des Jahres 2035 werden mit den heutigen 60-65-jährigen Neurentnern nicht mehr zu vergleichen sein. Merksatz: oder: Eine extreme Verlängerung der Lebenserwartung ( alle werden 100
MehrÜ b u n g s b l a t t 11
Mathe für Physiker I Wintersemester 0/04 Walter Oevel 8. 1. 004 Ü b u n g s b l a t t 11 Abgabe von Aufgaben am 15.1.004 in der Übung. Aufgabe 91*: (Differentialgleichungen, Separation. 10 Bonuspunkte
Mehr1. Einfuhrung zur Statistik
Philipps-Universitat Marburg Was ist Statistik? Statistik = Wissenschaft vom Umgang mit Daten Phasen einer statistischen Studie 1 Studiendesign Welche Daten sollen erhoben werden? Wie sollen diese erhoben
MehrQt-Projekte mit Visual Studio 2005
Qt-Projekte mit Visual Studio 2005 Benötigte Programme: Visual Studio 2005 Vollversion, Microsoft Qt 4 Open Source s. Qt 4-Installationsanleitung Tabelle 1: Benötigte Programme für die Qt-Programmierung
MehrKlausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik
Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:
MehrFES GEWERBLICHE UND HAUSWIRTSCHAFTLICHE SCHULEN SCHRAMBERG
6. Teile mit geringen Wanddicken 6.1. Linear Austragen dünnes Feature Beim Skizzieren eines offenen Profils können Sie Dünnes Feature im EigenschaftenManager auswählen. Mit Typ wird festgelegt, ob ein
MehrEvolutionary Dilemmas in a Social Network
Evolutionary Dilemmas in a Social Network Autoren: Leslie Luthi, Enea Pestelacci, Marco Tomassini Referent: Felix Hanel Datum: 25.6.2012 Inhaltsübersicht 1 soziale Entscheidungsprobleme 1.1 Prisoner's
MehrTheoretische Informatik SS 04 Übung 1
Theoretische Informatik SS 04 Übung 1 Aufgabe 1 Es gibt verschiedene Möglichkeiten, eine natürliche Zahl n zu codieren. In der unären Codierung hat man nur ein Alphabet mit einem Zeichen - sagen wir die
MehrKategoriale abhängige Variablen:
Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell Statistik II
MehrThermodynamik Wärmestrom
Folie 1/11 Werden zwei Körper mit unterschiedlichen Temperaturen in thermischen Kontakt miteinander gebracht, so strömt Wärme immer vom Körper mit der höheren Temperatur auf den Körper mit der niedrigen
Mehr6.2 Perfekte Sicherheit
04 6.2 Perfekte Sicherheit Beweis. H(B AC) + H(A C) = H(ABC) H(AC) + H(AC) H(C) Wegen gilt Einsetzen in die Definition gibt = H(AB C). H(A BC) = H(AB C) H(B C). I(A; B C) = H(A C) H(AB C) + H(B C). Da
MehrStochastische Eingangsprüfung, 17.05.2008
Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)
MehrProgrammiersprachen und Übersetzer
Programmiersprachen und Übersetzer Sommersemester 2010 19. April 2010 Theoretische Grundlagen Problem Wie kann man eine unendliche Menge von (syntaktisch) korrekten Programmen definieren? Lösung Wie auch
MehrMathematik. Prüfung zum mittleren Bildungsabschluss 2008. Saarland. Schriftliche Prüfung Pflichtaufgaben. Name: Vorname: Klasse:
Prüfung zum mittleren Bildungsabschluss 2008 Schriftliche Prüfung Pflichtaufgaben Mathematik Saarland Ministerium für Bildung, Familie, Frauen und Kultur Name: Vorname: Klasse: Bearbeitungszeit: 120 Minuten
MehrGrundsätzliches zur TimeTec Cloud Preisgestaltung
Grundsätzliches zur TimeTec Cloud Preisgestaltung Standard TimeTec Cloud Pakete: - 20$ pro Block für 10 Nutzerlizenzen und eine passende Lizenz für ein Zeiterfassungsterminal - 2% Rabatt für halbjährliche
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrKapitel 3: Interpretationen
Kapitel 3: 1. Interpretation von Outputs allgemein... 1 2. Interpretation von Signifikanzen... 1 2.1. Signifikanztests / Punktschätzer... 1 2.2. Konfidenzintervalle... 2 3. Interpretation von Parametern...
Mehr2 Die Darstellung linearer Abbildungen durch Matrizen
2 Die Darstellung linearer Abbildungen durch Matrizen V und V seien Vektorräume über einem Körper K. Hom K (V, V ) bezeichnet die Menge der K linearen Abbildungen von V nach V. Wir machen Hom K (V, V )
MehrAllgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse
Allgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse Univariate Varianz- und Kovarianzanlyse, Multivariate Varianzanalyse und Varianzanalyse mit Messwiederholung finden sich unter
MehrRationale Zahlen. Vergleichen und Ordnen rationaler Zahlen
Rationale Zahlen Vergleichen und Ordnen rationaler Zahlen Von zwei rationalen Zahlen ist die die kleinere Zahl, die auf der Zahlengeraden weiter links liegt.. Setze das richtige Zeichen. a) -3 4 b) - -3
MehrTitel anhand der der Präsentation. nicht fett geschrieben
Schätzung von Vollzeitäquivalenten Titel anhand der der Präsentation AHV-Lohndaten wenn nötig Jann Potteratmit und Monique Untertitel Graf Bundesamt für Statistik, Statistische Methoden METH nicht fett
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1
Mehr3. Grundlagen der Linearen Programmierung
3. Grundlagen der linearen Programmierung Inhalt 3. Grundlagen der Linearen Programmierung Lineares Programm Grafische Lösung linearer Programme Normalform Geometrie linearer Programme Basislösungen Operations
MehrMelanie Kaspar, Prof. Dr. B. Grabowski 1
7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen
MehrOption 1: Hinzufügen eines Schritts zur Bearbeitungsliste... 2
Erklärung der Bearbeitungsliste Frage Wie verwende ich die Bearbeitungsliste? Antwort Alle Optimierungen, die auf Bilder angewandt werden, und im Rahmen der einzelnen Optimierungen jeweils vorgenommenen
Mehr0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 )
Aufgabe 65. Ganz schön span(n)end. Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 aus Aufgabe P 6: M = v =, v =, v =, v 4 =, v 5 =, v 6 = Welche der folgenden Aussagen sind wahr? span(v,
MehrHeader 26P. + 12V. Produktecode "1 aus 16" bei Einstellung des Parameters EXT.REG.BINAER = 0 (max. 16 Produkte) RL8 RL10 RL9 RL7 RL11 P10 P11
Interface K 9374 Header 26P. Flachkabel 25P. Länge = 2 m Freigabe GND GN 3k3 + + _ 22 µ F GND + 2V RL6 5 4 3 2 0 9 8 7 6 5 4 3 2 8 RL7 2 3 4 5 6 7 8 9 0 2 3 4 5 6 7 8 9 20 2 22 23 24 25 26 2 3 4 5 6 7
MehrAbschnitt: Algorithmendesign und Laufzeitanalyse
Abschnitt: Algorithmendesign und Laufzeitanalyse Definition Divide-and-Conquer Paradigma Divide-and-Conquer Algorithmen verwenden die Strategien 1 Divide: Teile das Problem rekursiv in Subproblem gleicher
MehrLINGO: Eine kleine Einführung
LINGO: Eine kleine Einführung Jun.-Prof.Dr. T. Nieberg Lineare und Ganzzahlige Optimierung, WS 2009/10 LINDO/LINGO ist ein Software-Paket, mit dessen Hilfe (ganzzahlige) lineare Programme schnell und einfach
MehrElemente der Analysis I Kapitel 2: Einführung II, Gleichungen
Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 8. November 2010 http://www.mathematik.uni-trier.de/ schulz/elan-ws1011.html
MehrChangePoint-Analysen - ein Überblick
ChangePoint-Analysen - ein Überblick Gliederung Motivation Anwendungsgebiete Chow Test Quandt-Andrews Test Fluktuations-Tests Binary Segmentation Recursive circular and binary segmentation algorithm Bayesscher
MehrQuantitative Methoden der Bildungsforschung
Glieung Wieholung Korrelationen Grundlagen lineare Regression Lineare Regression in SPSS Übung Wieholung Korrelationen Standardisiertes Zusammenhangsmaß (unstandardisiert: Kovarianz) linearer Zusammenhang
MehrAufgabenstellung Aufgabe 1: Betrachten Sie das folgende ökonometrische Modell: y t = α + βx t + u t (1)
Klausur: Einführung in die Ökonometrie Prüfer: Prof. Dr. Karl-Heinz Paqué Dr.Ludwigv.Auer Semester: WS 1999/00 Als Hilfsmittel sind zugelassen: nicht-programmierbarer Taschenrechner Diese Klausur besteht
MehrErfolg im Mathe-Abi. H. Gruber, R. Neumann. Prüfungsaufgaben Hessen
H. Gruber, R. Neumann Erfolg im Mathe-Abi Prüfungsaufgaben Hessen Übungsbuch für den Grundkurs mit Tipps und Lösungen - plus Aufgaben für GTR und CAS Inhaltsverzeichnis Inhaltsverzeichnis 1 Ganzrationale
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
MehrKlausur in Programmieren
Studiengang Sensorik/Sensorsystemtechnik Note / normierte Punkte Klausur in Programmieren Sommer 2014, 16. Juli 2014 Dauer: 1,5h Hilfsmittel: Keine (Wörterbücher sind auf Nachfrage erlaubt) Name: Matrikelnr.:
MehrMechanismus Design Auktionen
Mechanismus Design Auktionen Universität Hohenheim Alexander Staus Mechanismus Design Universität Hohenheim 1/25 Welche Auktionen kennen Sie? traditionelle Auktionshäuser ebay Immobilien Fahrräder Blumen
Mehr!Umfrage!zum!deutschen!Mark!für! Persönlichkeitsdiagnostik!
Ergebnissberichtzur UmfragezumdeutschenMarkfür Persönlichkeitsdiagnostik InnermetrixDeutschlandundPEpersonalityexpertshabenimJuli2013eineUmfragezum deutschenmarkfürpersönlichkeitsdiagnostikdurchgeführt.
MehrLeseproben aus dem Buch: "Kanban mit System zur optimalen Lieferkette" Dr. Thomas Klevers, MI-Wirtschaftsbuch
Im Folgenden finden Sie Leseproben aus verschiedenen Kapiteln des Buches. Zu Beginn eines jeden Ausschnitts ist das jeweilige Kapitel angegeben. Kapitel 2: Grundlegende Gestaltung Kapitel 3: Verschiedene
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de
MehrTREND SEARCH VISUALISIERUNG. von Ricardo Gantschew btk Berlin Dozent / Till Nagel
von Ricardo Gantschew btk Berlin Dozent / Till Nagel 01 IDEE Einige kennen vielleicht GoogleTrends. Hierbei handelt es sich um eine Anwendung, bei der man verschiedenste Begriffe auf die Häufigkeit ihrer
MehrKünstliche Intelligenz Maschinelles Lernen
Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert Sommersemester 2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen
MehrKFZ-Versicherung. Pflicht für jeden Besitzer! Beratung durch:
KFZ-Versicherung Pflicht für jeden Besitzer! Beratung durch: AVB Assekuranz Kontor GmbH Demmlerplatz 10 19053 Schwerin Tel.: 0385 / 71 41 12 Fax: 0385 / 71 41 12 avb@avb-schwerin.de http://www.avb-schwerin.de
MehrGDOES-Treffen Berlin 2008. Sputterprozess und Kristallorientierung
GDOES-Treffen Berlin 2008 Sputterprozess und Kristallorientierung Die folgenden drei Folien zeigen, daß bei polykristallinen Materialien kein mehr oder weniger gleichmäßiger Sputterangriff beobachtet werden
MehrEinführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.
Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.de 1 Gliederung 7 Weitere Krigingverfahren 7.1 Simple-Kriging 7.2 Indikator-Kriging
MehrGrundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen
Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen 1. Quadratische Gleichungen Quadratische Gleichungen lassen sich immer auf die sog. normierte Form x 2 + px + = 0 bringen, in
MehrDer Einfluss der Gezeiten auf die Erdrotation
10. Österreichischer Geodätentag Schladming 6.-8. Okt. 2009 Der Einfluss der Gezeiten auf die Erdrotation Sigrid Englich Böhm Höhere Geodäsie Institut für Geodäsie und Geophysik Technische Universität
Mehrwww.mathe-aufgaben.com
Abiturprüfung Mathematik Baden-Württemberg (ohne CAS) Pflichtteil Aufgaben Aufgabe : ( VP) Bilden Sie die erste Ableitung der Funktion f mit sin() f() =. Aufgabe : ( VP) Berechnen Sie das Integral ( )
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
Mehr