Bei der Prozessfähigkeitsanalyse (Normalverteilung) werden die Standardabweichung innerhalb von Teilgruppen und die Gesamtstandardabweichung geschätzt.
Die Methode zum Schätzen von σinnerhalb hängt von der Teilgruppengröße ab.
Dabei gilt Folgendes:
Wenn Sie die Standardmethode ändern und sich dafür entscheiden, die Konstante für die erwartungstreue Schätzung nicht zu verwenden, wird σinnerhalb anhand von Sp geschätzt.
Begriff | Beschreibung |
---|---|
d | Freiheitsgrade für Sp= Σ (ni– 1) |
Xij | j-te Beobachtung in der i-ten Teilgruppe |
X̅i | Mittelwert der i-ten Teilgruppe |
ni | Anzahl der Beobachtungen in der i-ten Teilgruppe |
C4(d+1) | Konstante für erwartungstreue Schätzung |
Γ(·) | Gamma-Funktion |
Dabei gilt Folgendes:
Bei Gleichheit aller n:
Begriff | Beschreibung |
---|---|
ri | Spannweite der i-ten Teilgruppe |
d2 (ni) | Eine aus einer Tabelle ausgelesene Konstante für die erwartungstreue Schätzung (weitere Informationen finden Sie im Abschnitt zu den Konstanten für die erwartungstreue Schätzung d2(), d3() und d4()) |
d3 (ni) | Eine aus einer Tabelle ausgelesene Konstante für die erwartungstreue Schätzung (weitere Informationen finden Sie im Abschnitt zu den Konstanten für die erwartungstreue Schätzung d2(), d3() und d4()) |
ni | Anzahl der Beobachtungen in der i-ten Teilgruppe |
Dabei gilt Folgendes:
Wenn Sie die Standardeinstellung ändern und die Konstante für die erwartungstreue Schätzung nicht verwenden, wird σinnerhalb anhand von Σ Si / Anzahl der Teilgruppen geschätzt.
Begriff | Beschreibung |
---|---|
C4(ni) | Konstante für erwartungstreue Schätzung (gemäß Definition für die zusammengefasste Standardabweichung) |
Si | Standardabweichung von Teilgruppe i |
ni | Anzahl der Beobachtungen in der i-ten Teilgruppe |
Dabei gilt Folgendes:
Begriff | Beschreibung |
---|---|
Ri | i-te gleitende Spannweite |
w | Anzahl der Beobachtungen in der gleitenden Spannweite. Die Standardeinstellung lautet w = 2. |
d2(w) | Eine aus einer Tabelle ausgelesene Konstante für die erwartungstreue Schätzung (weitere Informationen finden Sie im Abschnitt zu den Konstanten für die erwartungstreue Schätzung d2(), d3() und d4()) |
Dabei gilt Folgendes:
Begriff | Beschreibung |
---|---|
MRi | i-te gleitende Spannweite |
MR-quer̅ | Median von MRi |
w | Anzahl der Beobachtungen in der gleitenden Spannweite. Die Standardeinstellung lautet w = 2. |
d4(w) | Eine aus einer Tabelle ausgelesene Konstante für die erwartungstreue Schätzung (weitere Informationen finden Sie im Abschnitt zu den Konstanten für die erwartungstreue Schätzung d2(), d3() und d4()) |
Wenn Sie die Standardeinstellung ändern und die Konstante für die erwartungstreue Schätzung nicht verwenden, wird σinnerhalb wie folgt geschätzt:
Begriff | Beschreibung |
---|---|
di | Sukzessive Differenzen |
C4(ni) | Konstante für erwartungstreue Schätzung (gemäß Definition für die zusammengefasste Standardabweichung) |
C4'(ni) | Konstante für die erwartungstreue Schätzung ≈ c4(ni) (weitere Informationen finden Sie im Abschnitt zur Konstanten für die erwartungstreue Schätzung c4'()) |
N | Gesamtzahl der Beobachtungen |
ni | Anzahl der Beobachtungen in der i-ten Teilgruppe |
Dabei gilt Folgendes:
Standardmäßig verwendet Minitab die Konstante für die erwartungstreue Schätzung beim Schätzen von σgesamt nicht. σgesamt wird anhand von S geschätzt. Wenn Sie die Gesamtstandardabweichung mit der Konstanten für die erwartungstreue Schätzung schätzen möchten, können Sie diese Option beim Durchführen der Prozessfähigkeitsanalyse im Unterdialogfeld Schätzen ändern. Wenn Minitab die Konstante für die erwartungstreue Schätzung generell standardmäßig verwenden soll, wählen Sie und anschließend die entsprechenden Optionen aus.
Begriff | Beschreibung |
---|---|
xij | j-te Beobachtung in der i-ten Teilgruppe |
x̅ | Prozessmittelwert |
ni | Anzahl der Beobachtungen in der i-ten Teilgruppe |
C4 (N) | Konstante für erwartungstreue Schätzung (gemäß Definition für die zusammengefasste Standardabweichung) |
N (oder Σ ni) | Gesamtzahl der Beobachtungen |
Mit der Box-Cox-Transformation wird ein Lambda-Wert geschätzt (wie in der folgenden Tabelle veranschaulicht), der die Standardabweichung einer standardisierten transformierten Variablen minimiert. Die resultierende Transformation ist Yλ, wenn λ ҂ 0; sie ist ln Y, wenn λ = 0.
Bei der Box-Cox-Methode werden viele Arten von Transformationen durchsucht. In der folgenden Tabelle sind einige der gängigsten Transformationen aufgeführt, wobei Y' die Transformation des Y der Daten darstellt.
Lambda-Wert (λ) | Transformation |
---|---|
Bei der Johnson-Transformation wird die optimale Verteilung aus drei Familien von Verteilungen ausgewählt, um die Daten so zu transformieren, dass sie einer Normalverteilung folgen.
Johnson-Familie | Transformationsfunktion | Spannweite |
---|---|---|
SB | γ + η ln [(x – ε) / (λ + ε – x)] | η, λ > 0, –∞ < γ < ∞ , –∞ < ε < ∞, ε < x < ε + λ |
SL | γ + η ln (x – ε) | η > 0, –∞ < γ < ∞, –∞ < ε < ∞, ε < x |
SU | γ + η Sinh–1 [(x – ε) / λ] , wobei
Sinh–1(x) = ln [x + sqrt (1 + x2)] |
η, λ > 0, –∞ < γ < ∞, –∞ < ε < ∞, –∞ < x < ∞ |
Der Algorithmus verwendet folgendes Verfahren:
Begriff | Beschreibung |
---|---|
SB | Verteilung der Johnson-Familie mit begrenzter Variable (B) |
SL | Verteilung der Johnson-Familie mit lognormaler Variable (L) |
SU | Verteilung der Johnson-Familie mit unbegrenzter Variable (B) |
Weitere Informationen zur Johnson-Transformation finden Sie in Chou et al.1 In Minitab wurde der Shapiro-Wilks-Test auf Normalverteilung durch den Anderson-Darling-Test ersetzt.
Weitere Informationen zum Wahrscheinlichkeitsnetz, zu den Perzentilen und deren Konfidenzintervallen finden Sie unter Methoden und Formeln für Verteilungen in Identifikation der Verteilung.
d2(N) ist der erwartete Wert der Spannweite von N Beobachtungen aus einer normalverteilten Grundgesamtheit mit Standardabweichung = 1. Wenn also r die Spannweite einer Stichprobe von N Beobachtungen aus einer Normalverteilung mit Standardabweichung = σ ist, dann ist E(r) = d2(N)σ.
d3(N) ist die Standardabweichung der Spannweite von N Beobachtungen aus einer normalverteilten Grundgesamtheit mit σ = 1. Wenn also r die Spannweite einer Stichprobe von N Beobachtungen aus einer Normalverteilung mit Standardabweichung = σ ist, dann ist StdAbw(r) = d3(N)σ.
Suchen Sie in der folgenden Tabelle eine Konstante für die erwartungstreue Schätzung für einen bestimmten Wert N. (Ziehen Sie zum Bestimmen des Werts von N die Formel für die betreffende Statistik hinzu.)
N | d2(N) | d3(N) | d4(N) |
---|---|---|---|
2 | 1,128 | 0,8525 | 0,954 |
3 | 1,693 | 0,8884 | 1,588 |
4 | 2,059 | 0,8798 | 1,978 |
5 | 2,326 | 0,8641 | 2,257 |
6 | 2,534 | 0,848 | 2,472 |
7 | 2,704 | 0,8332 | 2,645 |
8 | 2,847 | 0,8198 | 2,791 |
9 | 2,970 | 0,8078 | 2,915 |
10 | 3,078 | 0,7971 | 3,024 |
11 | 3,173 | 0,7873 | 3,121 |
12 | 3,258 | 0,7785 | 3,207 |
13 | 3,336 | 0,7704 | 3,285 |
14 | 3,407 | 0,7630 | 3,356 |
15 | 3,472 | 0,7562 | 3,422 |
16 | 3,532 | 0,7499 | 3,482 |
17 | 3,588 | 0,7441 | 3,538 |
18 | 3,640 | 0,7386 | 3,591 |
19 | 3,689 | 0,7335 | 3,640 |
20 | 3,735 | 0,7287 | 3,686 |
21 | 3,778 | 0,7242 | 3,730 |
22 | 3,819 | 0,7199 | 3,771 |
23 | 3,858 | 0,7159 | 3,811 |
24 | 3,895 | 0,7121 | 3,847 |
25 | 3,931 | 0,7084 | 3,883 |
N | d2(N) |
---|---|
26 | 3,964 |
27 | 3,997 |
28 | 4,027 |
29 | 4,057 |
30 | 4,086 |
31 | 4,113 |
32 | 4,139 |
33 | 4,165 |
34 | 4,189 |
35 | 4,213 |
36 | 4,236 |
37 | 4,259 |
38 | 4,280 |
39 | 4,301 |
40 | 4,322 |
41 | 4,341 |
42 | 4,361 |
43 | 4,379 |
44 | 4,398 |
45 | 4,415 |
46 | 4,433 |
47 | 4,450 |
48 | 4,466 |
49 | 4,482 |
50 | 4,498 |
Begriff | Beschreibung |
---|---|
Γ() | Gamma-Funktion |
Entnehmen Sie den folgenden Tabellen Werte für die Konstante für die erwartungstreue Schätzung c4'(), die in den Formeln für die Schätzmethode für Sigma auf der Grundlage der Quadratwurzel von MSSD verwendet wird.
N | c4'(N) | N | c4'(N) | N | c4'(N) |
---|---|---|---|---|---|
2 | 0,797850 | 41 | 0,990797 | 80 | 0,995215 |
3 | 0,871530 | 42 | 0,991013 | 81 | 0,995272 |
4 | 0,905763 | 43 | 0,991218 | 82 | 0,995328 |
5 | 0,925222 | 44 | 0,991415 | 83 | 0,995383 |
6 | 0,937892 | 45 | 0,991602 | 84 | 0,995436 |
7 | 0,946837 | 46 | 0,991782 | 85 | 0,995489 |
8 | 0,953503 | 47 | 0,991953 | 86 | 0,995539 |
9 | 0,958669 | 48 | 0,992118 | 87 | 0,995589 |
10 | 0,962793 | 49 | 0,992276 | 88 | 0,995638 |
11 | 0,966163 | 50 | 0,992427 | 89 | 0,995685 |
12 | 0,968968 | 51 | 0,992573 | 90 | 0,995732 |
13 | 0,971341 | 52 | 0,992713 | 91 | 0,995777 |
14 | 0,973375 | 53 | 0,992848 | 92 | 0,995822 |
15 | 0,975137 | 54 | 0,992978 | 93 | 0,995865 |
16 | 0,976679 | 55 | 0,993103 | 94 | 0,995908 |
17 | 0,978039 | 56 | 0,993224 | 95 | 0,995949 |
18 | 0,979249 | 57 | 0,993340 | 96 | 0,995990 |
19 | 0,980331 | 58 | 0,993452 | 97 | 0,996030 |
20 | 0,981305 | 59 | 0,993561 | 98 | 0,996069 |
21 | 0,982187 | 60 | 0,993666 | 99 | 0,996108 |
22 | 0,982988 | 61 | 0,993767 | 100 | 0,996145 |
23 | 0,983720 | 62 | 0,993866 | 101 | 0,996182 |
24 | 0,984391 | 63 | 0,993961 | 102 | 0,996218 |
25 | 0,985009 | 64 | 0,994053 | 103 | 0,996253 |
26 | 0,985579 | 65 | 0,994142 | 104 | 0,996288 |
27 | 0,986107 | 66 | 0,994229 | 105 | 0,996322 |
28 | 0,986597 | 67 | 0,994313 | 106 | 0,996356 |
29 | 0,987054 | 68 | 0,994395 | 107 | 0,996389 |
30 | 0,987480 | 69 | 0,994474 | 108 | 0,996421 |
31 | 0,987878 | 70 | 0,994551 | 109 | 0,996452 |
32 | 0,988252 | 71 | 0,994626 | 110 | 0,996483 |
33 | 0,988603 | 72 | 0,994699 | 111 | 0,996514 |
34 | 0,988934 | 73 | 0,994769 | 112 | 0,996544 |
35 | 0,989246 | 74 | 0,994838 | 113 | 0,996573 |
36 | 0,989540 | 75 | 0,994905 | 114 | 0,996602 |
37 | 0,989819 | 76 | 0,994970 | 115 | 0,996631 |
38 | 0,990083 | 77 | 0,995034 | 116 | 0,996658 |
39 | 0,990333 | 78 | 0,995096 | 117 | 0,996686 |
40 | 0,990571 | 79 | 0,995156 | 118 | 0,996713 |
N | c4'(N) | N | c4'(N) | N | c4'(N) |
---|---|---|---|---|---|
119 | 0,996739 | 160 | 0,997541 | 201 | 0,998016 |
120 | 0,996765 | 161 | 0,997555 | 202 | 0,998025 |
121 | 0,996791 | 162 | 0,997570 | 203 | 0,998034 |
122 | 0,996816 | 163 | 0,997584 | 204 | 0,998043 |
123 | 0,996841 | 164 | 0,997598 | 205 | 0,998052 |
124 | 0,996865 | 165 | 0,997612 | 206 | 0,998061 |
125 | 0,996889 | 166 | 0,997625 | 207 | 0,998070 |
126 | 0,996913 | 167 | 0,997639 | 208 | 0,998078 |
127 | 0,996936 | 168 | 0,997652 | 209 | 0,998087 |
128 | 0,996959 | 169 | 0,997665 | 210 | 0,998095 |
129 | 0,996982 | 170 | 0,997678 | 211 | 0,998104 |
130 | 0,997004 | 171 | 0,997691 | 212 | 0,998112 |
131 | 0,997026 | 172 | 0,997703 | 213 | 0,998120 |
132 | 0,997047 | 173 | 0,997716 | 214 | 0,998128 |
133 | 0,997069 | 174 | 0,997728 | 215 | 0,998137 |
134 | 0,997089 | 175 | 0,997741 | 216 | 0,998145 |
135 | 0,997110 | 176 | 0,997753 | 217 | 0,998152 |
136 | 0,997130 | 177 | 0,997765 | 218 | 0,998160 |
137 | 0,997150 | 178 | 0,997776 | 219 | 0,998168 |
138 | 0,997170 | 179 | 0,997788 | 220 | 0,998176 |
139 | 0,997189 | 180 | 0,997800 | 221 | 0,998184 |
140 | 0,997209 | 181 | 0,997811 | 222 | 0,998191 |
141 | 0,997227 | 182 | 0,997822 | 223 | 0,998199 |
142 | 0,997246 | 183 | 0,997834 | 224 | 0,998206 |
143 | 0,997264 | 184 | 0,997845 | 225 | 0,998214 |
144 | 0,997282 | 185 | 0,997856 | 226 | 0,998221 |
145 | 0,997300 | 186 | 0,997866 | 227 | 0,998228 |
146 | 0,997318 | 187 | 0,997877 | 228 | 0,998235 |
147 | 0,997335 | 188 | 0,997888 | 229 | 0,998242 |
148 | 0,997352 | 189 | 0,997898 | 230 | 0,998250 |
149 | 0,997369 | 190 | 0,997909 | 231 | 0,998257 |
150 | 0,997386 | 191 | 0,997919 | 232 | 0,998263 |
151 | 0,997402 | 192 | 0,997929 | 233 | 0,998270 |
152 | 0,997419 | 193 | 0,997939 | 234 | 0,998277 |
153 | 0,997435 | 194 | 0,997949 | 235 | 0,998284 |
154 | 0,997450 | 195 | 0,997959 | 236 | 0,998291 |
155 | 0,997466 | 196 | 0,997969 | 237 | 0,998297 |
156 | 0,997481 | 197 | 0,997978 | 238 | 0,998304 |
157 | 0,997497 | 198 | 0,997988 | 239 | 0,998311 |
158 | 0,997512 | 199 | 0,997997 | 240 | 0,998317 |
159 | 0,997526 | 200 | 0,998007 | 241 | 0,998323 |
N | c4'(N) | N | c4'(N) | N | c4'(N) |
---|---|---|---|---|---|
242 | 0,998330 | 283 | 0,998553 | 324 | 0,998720 |
243 | 0,998336 | 284 | 0,998558 | 325 | 0,998723 |
244 | 0,998342 | 285 | 0,998562 | 326 | 0,998727 |
245 | 0,998349 | 286 | 0,998567 | 327 | 0,998730 |
246 | 0,998355 | 287 | 0,998571 | 328 | 0,998734 |
247 | 0,998361 | 288 | 0,998576 | 329 | 0,998737 |
248 | 0,998367 | 289 | 0,998580 | 330 | 0,998740 |
249 | 0,998373 | 290 | 0,998585 | 331 | 0,998744 |
250 | 0,998379 | 291 | 0,998589 | 332 | 0,998747 |
251 | 0,998385 | 292 | 0,998593 | 333 | 0,998751 |
252 | 0,998391 | 293 | 0,998598 | 334 | 0,998754 |
253 | 0,998397 | 294 | 0,998602 | 335 | 0,998757 |
254 | 0,998403 | 295 | 0,998606 | 336 | 0,998761 |
255 | 0,998408 | 296 | 0,998611 | 337 | 0,998764 |
256 | 0,998414 | 297 | 0,998615 | 338 | 0,998767 |
257 | 0,998420 | 298 | 0,998619 | 339 | 0,998770 |
258 | 0,998425 | 299 | 0,998623 | 340 | 0,998774 |
259 | 0,998431 | 300 | 0,998627 | 341 | 0,998777 |
260 | 0,998436 | 301 | 0,998632 | 342 | 0,998780 |
261 | 0,998442 | 302 | 0,998636 | 343 | 0,998783 |
262 | 0,998447 | 303 | 0,998640 | 344 | 0,998786 |
263 | 0,998453 | 304 | 0,998644 | 345 | 0,998790 |
264 | 0,998458 | 305 | 0,998648 | 346 | 0,998793 |
265 | 0,998463 | 306 | 0,998652 | 347 | 0,998796 |
266 | 0,998469 | 307 | 0,998656 | 348 | 0,998799 |
267 | 0,998474 | 308 | 0,998660 | 349 | 0,998802 |
268 | 0,998479 | 309 | 0,998664 | 350 | 0,998805 |
269 | 0,998484 | 310 | 0,998668 | 351 | 0,998808 |
270 | 0,998489 | 311 | 0,998671 | 352 | 0,998811 |
271 | 0,998495 | 312 | 0,998675 | 353 | 0,998814 |
272 | 0,998500 | 313 | 0,998679 | 354 | 0,998817 |
273 | 0,998505 | 314 | 0,998683 | 355 | 0,998820 |
274 | 0,99851 | 315 | 0,998687 | 356 | 0,998823 |
275 | 0,998515 | 316 | 0,998690 | 357 | 0,998826 |
276 | 0,998519 | 317 | 0,998694 | 358 | 0,998829 |
277 | 0,998524 | 318 | 0,998698 | 359 | 0,998832 |
278 | 0,998529 | 319 | 0,998701 | 360 | 0,998835 |
279 | 0,998534 | 320 | 0,998705 | 361 | 0,998837 |
280 | 0,998539 | 321 | 0,998709 | 362 | 0,998840 |
281 | 0,998544 | 322 | 0,998712 | 363 | 0,998843 |
282 | 0,998548 | 323 | 0,998716 | 364 | 0,998846 |
k | c4'(k) | k | c4'(k) | k | c4'(k) |
---|---|---|---|---|---|
365 | 0,998849 | 411 | 0,998963 | 457 | 0,999054 |
366 | 0,998851 | 412 | 0,998965 | 458 | 0,999056 |
367 | 0,998854 | 413 | 0,998967 | 459 | 0,999058 |
368 | 0,998857 | 414 | 0,998970 | 460 | 0,999060 |
369 | 0,998860 | 415 | 0,998972 | 461 | 0,999061 |
370 | 0,998862 | 416 | 0,998974 | 462 | 0,999063 |
371 | 0,998865 | 417 | 0,998976 | 463 | 0,999065 |
372 | 0,998868 | 418 | 0,998978 | 464 | 0,999067 |
373 | 0,998871 | 419 | 0,998980 | 465 | 0,999068 |
374 | 0,998873 | 420 | 0,998982 | 466 | 0,999070 |
375 | 0,998876 | 421 | 0,998985 | 467 | 0,999072 |
376 | 0,998879 | 422 | 0,998987 | 468 | 0,999073 |
377 | 0,998881 | 423 | 0,998989 | 469 | 0,999075 |
378 | 0,998884 | 424 | 0,998991 | 470 | 0,999077 |
379 | 0,998886 | 425 | 0,998993 | 471 | 0,999078 |
380 | 0,998889 | 426 | 0,998995 | 472 | 0,999080 |
381 | 0,998892 | 427 | 0,998997 | 473 | 0,999082 |
382 | 0,998894 | 428 | 0,998999 | 474 | 0,999084 |
383 | 0,998897 | 429 | 0,999001 | 475 | 0,999085 |
384 | 0,998899 | 430 | 0,999003 | 476 | 0,999087 |
385 | 0,998902 | 431 | 0,999005 | 477 | 0,999088 |
386 | 0,998904 | 432 | 0,999007 | 478 | 0,999090 |
387 | 0,998907 | 433 | 0,999009 | 479 | 0,999092 |
388 | 0,998909 | 434 | 0,999011 | 480 | 0,999093 |
389 | 0,998912 | 435 | 0,999013 | 481 | 0,999095 |
390 | 0,998914 | 436 | 0,999015 | 482 | 0,999097 |
391 | 0,998917 | 437 | 0,999017 | 483 | 0,999098 |
392 | 0,998919 | 438 | 0,999019 | 484 | 0,999100 |
393 | 0,998921 | 439 | 0,999021 | 485 | 0,999101 |
394 | 0,998924 | 440 | 0,999023 | 486 | 0,999103 |
395 | 0,998926 | 441 | 0,999025 | 487 | 0,999104 |
396 | 0,998929 | 442 | 0,999027 | 488 | 0,999106 |
397 | 0,998931 | 443 | 0,999028 | 489 | 0,999108 |
398 | 0,998933 | 444 | 0,999030 | 490 | 0,999109 |
399 | 0,998936 | 445 | 0,999032 | 491 | 0,999111 |
400 | 0,998938 | 446 | 0,999034 | 492 | 0,999112 |
401 | 0,998940 | 447 | 0,999036 | 493 | 0,999114 |
402 | 0,998943 | 448 | 0,999038 | 494 | 0,999115 |
403 | 0,998945 | 449 | 0,999040 | 495 | 0,999117 |
404 | 0,998947 | 450 | 0,999042 | 496 | 0,999118 |
405 | 0,998950 | 451 | 0,999043 | 497 | 0,999120 |
406 | 0,998952 | 452 | 0,999045 | 498 | 0,999121 |
407 | 0,998954 | 453 | 0,999047 | 499 | 0,999123 |
408 | 0,998956 | 454 | 0,999049 | 500 | 0,999124 |
409 | 0,998959 | 455 | 0,999051 | ||
410 | 0,998961 | 456 | 0,999052 |
Ermitteln Sie anhand der nachfolgenden Tabelle einen Wert für γN, 1-α zum Berechnen des Konfidenzintervalls für Z.Bench, und bestimmen Sie anschließend mit der zweiten Gleichung den genauen Wert von γN, 1-α.
1 – α | |||||
N | 0,800 | 0,850 | 0,900 | 0,950 | 0,990 |
5 | 3,544 | 4,138 | 4,961 | 6,350 | 9,750 |
6 | 3,485 | 4,078 | 4,903 | 6,300 | 9,636 |
7 | 3,443 | 4,035 | 4,861 | 6,260 | 9,567 |
8 | 3,413 | 4,003 | 4,829 | 6,229 | 9,520 |
9 | 3,390 | 3,979 | 4,804 | 6,204 | 9,484 |
10 | 3,372 | 3,960 | 4,783 | 6,183 | 9,457 |
12 | 3,345 | 3,931 | 4,753 | 6,152 | 9,416 |
14 | 3,326 | 3,911 | 4,732 | 6,130 | 9,387 |
16 | 3,312 | 3,986 | 4,716 | 6,113 | 9,365 |
18 | 3,301 | 3,884 | 4,703 | 6,099 | 9,348 |
20 | 3,293 | 3,875 | 4,693 | 6,089 | 9,335 |
25 | 3,278 | 3,858 | 4,675 | 6,069 | 9,310 |
30 | 3,268 | 3,848 | 4,664 | 6,056 | 9,294 |
35 | 3,261 | 3,840 | 4,655 | 6,047 | 9,282 |
40 | 3,255 | 3,834 | 4,649 | 6,040 | 9,274 |
50 | 3,248 | 3,826 | 4,640 | 6,031 | 9,262 |
60 | 3,243 | 3,821 | 4,634 | 6,024 | 9,253 |
80 | 3,237 | 3,814 | 4,627 | 6,016 | 9,244 |
100 | 3,233 | 3,810 | 4,623 | 6,011 | 9,238 |
>100 | 3,219 | 3,794 | 4,605 | 5,991 | 9,210 |
Wenn N und 1 – a in der Tabelle nicht aufgeführt sind, bestimmen Sie den Wert für γN, 1-α mit der Extrapolationsmethode. Beispiel: