Kapitel 2: Zufallszahlen
|
|
- Renate Schenck
- vor 7 Jahren
- Abrufe
Transkript
1 Kapitel 2: Zufallszahlen Anwendungsgebiete: stochastische Algorithmen, z.b. Monte-Carlo-Integration Simulation von Ereignissen mit bekannten Wahrscheinlichkeitsverteilungen, in der Physikalischen Chemie insbesondere: (Metropolis-)Monte-Carlo-Verfahren zur Simulation verschiedener Ensembles in der statistischen Thermodynamik Eine Sequenz von echten Zufallszahlen wiederholt sich nicht, sowohl innerhalb einer Sequenz als auch bei Neustart der Sequenz (auch bei sonst gleichem input, sofern vorhanden); ist nicht vorhersagbar, und dabei insbesondere unkorreliert (Wahrscheinlichkeit für jeden Wert immer gleich, unabhängig von allen vorigen Werten). Problem: Computer ist deterministisch (immer gleicher output bei gleichem input) bestenfalls Pseudozufallszahlen möglich: wiederholen sich nach (möglichst sehr langer) Sequenz; haben keine offensichtlichen Korrelationen; sind aber exakt vorhersagbar, da nach deterministischer Vorschrift erzeugt. Vorgefertigte Zufallszahlen-Generatoren: bis inkl. Fortran77 gab es keinen Generator im Standard; alle Compiler-Hersteller boten Generatoren an, mit einigen Ähnlichkeiten aber auch subtilen Unterschieden im interface und großen Unterschieden in der Qualität; ab Fortran90 gibt es ein standardisiertes interface im Standard; die eigentlichen Generatoren sind aber immer noch hersteller-abhängig. Problem: das interface ist in einem entscheidenden Aspekt unverständlich; portable Zufallszahlengene- natürlich gibt es auch direkt in Fortran geschriebene, ratoren. Hier: Algorithmus eines portablen Generators selbst programmieren und Resultate mit eingebautem Generator vergleichen.
2 Verschiedenste Algorithmen als Zufallszahlen-Generatoren denkbar. Praktisch wichtig: Erzeugung von Pseudozufallszahlen muß schnell gehen, da meist in großer Menge benötigt. möglichst kurze, einfache Formel nötig. Eine von mehreren Standard-Möglichkeiten: linear-kongruente Zufallszahlen: Iteration mit modulo-division: I j+1 = (a I j + c) mod m (1) liefert (für geeignete Werte a, c, m, I 0 ) lange, weitgehend unkorrelierte, integer-zahlenfolge, gleichverteilt zwischen 0 und m. Typische Standardisierung: Normierung auf Intervall [0, 1[ (und Erzeugung einer real-zahl): Tips zur Programmierung: alle Größen integer (bis auf r) r = I j+1 /m (2) Vorsicht bei Division von integer-werten (wie in Gl. 2): integer-division wird in Fortran ganzzahlig abgeschnitten. Das eigentlich gewünschte mathematische Verhalten bei r = i/j ergibt sich durch: r = real(i)/real(j) Initialisierung = Wahl von I 0 (seed): bei gutem Generator Sequenzlänge unabhängig von I 0, daher: Wahl von I 0 eigtl. beliebig; I 0 legt nur den Einstiegspunkt in einer durch die anderen Parameter vorgegebenen, sich immer wiederholenden Sequenz fest; aber wichtiger Praxisaspekt: Prozedur ist streng deterministisch: selber I 0 -Wert ergibt bei erneutem Programmlauf exakt denselben output! gewünschtes Verhalten bei reproduzierbaren Tests; bei echten Anwendungsrechnungen pseudo-zufällige seed-werte konstruierbar aus z.b. Tagesdatum und Uhrzeit oder hardware-countern. Parameterwahl = gute Werte für m, a, c: nicht trivial: Sequenzlänge m Korrelationen: Plot von k Zufallszahlen in k-dimensionalem Raum ergibt keine Gleichverteilung, sondern Konzentration auf (k 1)-dimensionale Ebenen. Selbst bei optimaler Wahl von m, a, c gibt es maximal m 1/k Ebenen. Faustregel: große m-werte sind besser selbst bei gutem m sind Korrelationen und Sequenzlänge auch bestimmt von a und c schwarze Magie..., siehe Tabelle. (Warnung: in Maschinensprache (assembler) sind größere integer-werte möglich als in Fortran eigener Generator sollte eigentlich schlechter sein als kommerzielle Generatoren in assembler.)
3 Standardtrick zur Zerstörung von Korrelationen und damit zur Verbesserung eines existierenden Zufallszahlengenerators: Initialisierung: generiere N Zufallszahlen speichere sie in array r(i) bei allen folgenden Aufrufen: skaliere vorherige Zufallszahl auf integer-wert j im Intervall [1, N] r(j) wird als Zufallszahl-output ausgegeben generiere eine neue Zufallszahl speichere sie in r(j)
4 Verwendung eingebauter Zufallszahlengeneratoren nicht-standard-generatoren in Fortran77: typische Befehle: seed auswählen, z.b. call srand(iseed), wobei der Wert von iseed selbst gewählt werden muß (z.b. konstruiert aus Tagesdatum und Uhrzeit) nachfolgend beliebig oft neue Zufallszahlen erzeugen, z.b. mit x = rand(); die x-werte sind dann meist gleichverteilt im Intervall [0, 1[. immer Manual für genauen Gebrauch konsultieren! Dabei achten auf: Funktions-/Subroutinen-Namen, Argumente single/double precision (Funktionen, Argument(e)) Verteilung und Intervall der Zufallszahlen seed nötig oder nicht Verhalten bei Programm-Neustart stehen diese Routinen direkt zur Verfügung oder sind compiler-direktiven oder Einbinden von Bibliotheken nötig? Erwartete Funktionsweise des Generators vor eigentlichem Einsatz immer mit einem kleinen Testprogramm verifizieren! Standard-Generator in Fortran90/95: Der Aufruf des eigentlichen Generators erfolgt wie hier gezeigt:... real::r... call random_number(r)... Dadurch wird eine Zufallszahl in der Variablen r gespeichert. Nachfolgende Aufrufe derselben Art legen die nachfolgenden Zahlen der Pseudozufallssequenz in r ab. Dabei handelt es sich um gleichverteilte Zufallszahlen im Intervall [0, 1[. Soweit ist alles unproblematisch. Will man bei sukzessiven Programmläufen unterschiedliche Pseudozufallssequenzen haben, muß man die Sequenz zunächst neu initialisieren. Dafür gibt es ein Unterprogramm random_seed, das aber dummerweise im Standard sehr verwirrend implementiert ist: Die seed-zahl ist kein einfacher integer-wert, sondern ein integer-array. Die Länge dieses seed-arrays ist nicht festgelegt. In der Praxis variiert sie tatsächlich stark von compiler zu compiler.
5 Ein Aufruf von random_seed ohne jegliche Argumente ist möglich. Dadurch wird der seed-array auf einen implementationsabhängigen Wert gesetzt dieser kann jedoch bei jedem Programmlauf derselbe sein. Korrekterweise müßte daher eigentlich folgendermaßen verfahren werden: Testprogramm laufen lassen, in dem per call random_seed(size=n) die Länge n des seed-arrays abgefragt wird. Im eigentlichen Programm den seed-array vereinbaren als integer,dimension(n)::seed (auch wenn n=1 gelten sollte!). seed-array zu Beginn auf einen gewünschten Wert setzen und an random_seed übergeben; dabei ist jedoch völlig unklar, ob alle Elemente des seed-arrays gesetzt werden müssen, mit denselben oder unterschiedliche Werten, usw. Im Absoft-Compiler ist n=1. Das folgende kleine Testprogramm zeigt, wie man das eingebaute Unterprogramm date_and_time verwenden kann, um einen quasi-zufälligen seed zu erzeugen, der bei jedem Programmlauf unterschiedlich sein sollte, und wie der Fortran-Standardgenerator danach anzusteuern ist. Beachten Sie daß trotz des ersten Aufrufs von random_seed die erste Zufallszahl bei mehrfachem Ausführen dieses Programms immer wieder dieselbe ist. daß der seed-wert und die nachfolgenden Zufallszahlen sich aber von Programmlauf zu Programmlauf unterscheiden. program random_test implicit none real::a integer,dimension(8)::date_time integer,dimension(1)::seed integer::n,i call date_and_time(values=date_time) write(*,*) year =,date_time(1) write(*,*) month =,date_time(2) write(*,*) day =,date_time(3) write(*,*) zone =,date_time(4) write(*,*) hours =,date_time(5) write(*,*) minutes =,date_time(6) write(*,*) seconds =,date_time(7) write(*,*) milliseconds =,date_time(8) call random_seed call random_number(a) write(*,*)a call random_seed(size=n) write(*,*) size =,n seed(1)=date_time(6)*date_time(7)+date_time(8) write(*,*) seed =,seed(1) call random_seed(put=seed) do i=1,10 call random_number(a) write(*,*)a end do end
6 Einfaches Programmieren mit Zufallszahlen Verschiedene Verteilungen Gleichverteilung von random_number(r) in [0, 1[ direkt verwenden gleichverteiltes r im Intervall [x 1, x 2 [: r = r(x 2 x 1 ) + x 1 (3) andere Verteilungen (exponentiell, Gaußförmig, Poisson,...) leicht aus Gleichverteilung konstruierbar; siehe Numerical Recipes Münzwurf-Simulation i = { 1 für r für r < 0.5 (4) (direkte Erzeugung zufälliger bits wäre effizienter, siehe Numerical Recipes) Zufallsereignisse bekannter Wahrscheinlichkeit z.b.: Ereignis a: 60%, Ereignis b: 30%, Ereignis c: 10% a b c wähle c für r 0.9 b für 0.6 r < 0.9 a für r < 0.6 (5) Im allgemeinen Fall mit n Ereignissen mit Wahrscheinlichkeiten w i, i = 1,...,n, 0 w i 1 sowie i w i = 1, wird diese Implementation wegen vieler if-abfragen unnötig langsam. Alternative: call random_number(r) s = 0.d0 j = 1 do s = s + w(j) if (s > r) exit j = j + 1 end do i = j Dieses Programmfragment wählt integer-wert i mit Wahrscheinlichkeit w(i), unter obigen Voraussetzungen.
7 Monte-Carlo-Berechnung von π r Fläche Fläche = πr2 /4 = 1 r 2 4 π (6) 0 r Algorithmus zur Berechnung von π: 1. generiere zwei Zufallszahlen x i, y i (gleichverteilt in [0, 1[; implizite Annahme: r = 1) 2. teste, ob Punkt (x i, y i ) im Viertelkreis liegt (trifft zu, wenn x 2 i + y 2 i 1) 3. π = 4 {(Anzahl Punkte im Viertelkreis)/(Anzahl aller Punkte)} 4. wenn noch nicht konvergiert, gehe zu (1) Konvergenz: Vergleich zu exaktem Wert von π wenig sinnvoll: wäre in einer realistischen Rechnung nicht bekannt davon unabhängiges Konvergenzkriterium nötig!: Vergleiche Resultate für π von einer Iteration zur nächsten; Abbruch wenn Differenz unterhalb der gewünschten Genauigkeit. generell wichtig: Anstieg der Genauigkeit mit der Anzahl N der Iterationen, z.b. linear, quadratisch, kubisch,..., exponentiell; je stärker, desto besser! Hier allerdings nur ca. wie N.
8 Monte-Carlo-Integration zwei mögliche Sichtweisen / Verfahren: mittlere Fläche: wie MC-Berechnung von π: y <f> a r r b a b r2 1 3 b a f(x) dx = f (b a) (7) mit f = 1 N N f(r i ) (8) i=1 b a f(x) dx = x,y-punkte unter f(x) y(b a) alle x,y-punkte (9) Offensichtlich ist Verfahren 1 einfacher: nur eine statt zwei Zufallszahlen pro Funktionsberechnung. Konvergenz allerdings ebenso schlecht wie bei MC-π-Berechnung.
9 Zufallszahlen in der PC/TC: Monte-Carlo-Integration: Nachteil: schlechte Konvergenz ( N) Vorteile: sehr robust und allgemein einfache Implementation keine Probleme mit kompliziert geformten Integrationsgebieten Daher Verwendung hauptsächlich bei höherdimensionalen Integralen, bei denen andere Integrationsverfahren schwieriger werden. Monte-Carlo(-Simulation/Verfahren), MC: Berechnung von statistisch-thermodynamischen Ensemblemittelwerten Metropolis-Methode zur Erzeugung eines Ensembles bei vorgegebener Temperatur T: Zufalls-Variation der Struktur, Annahme mit Wahrscheinlichkeit exp( E/kT) etablierte Varianten für verschiedene Ensembles (mikrokanonisch, kanonisch, großkanonisch; konstanter Druck; usw.) Alternative zur Moleküldynamik (MD): Simulation von Molekülen, Clustern, Gasen, Flüssigkeiten, Grenzflächen, Festkörpern,... globale Optimierung: MC-Varianten und Evolutionäre Algorithmen für Cluster-Struktur-Optimierung molecular docking Proteinfaltung
Zufallszahlen in AntBrain
Zufallszahlen SEP 291 Zufallszahlen in AntBrain Spezifikation, Teil II: Zum Beispiel könnte ein Objekt vom Typ Match die Spielfelder nach jeweils 1000 Spielrunden speichern; bei einer Anfrage nach den
MehrAnhang 1: Lamellare Strukturen in Systemen mit Bolaamphiphilen
Anhang 1: Lamellare Strukturen in Systemen mit Bolaamphiphilen Charakteristische Konfigurationen von Systemen aus 1848 6-segmentigen Bolaamphiphilen (10 Vol%) im Bereich stabiler Schichtphasen. Dunkle
MehrMonte Carlo-Simulation
Monte Carlo-Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung
Mehr15 Grundlagen der Simulation
15 Grundlagen der Simulation 15.1 Einführung Komplexe Problemstellungen, die einer analytischen Behandlung nur sehr schwer oder gar nicht zugänglich sind Lösung von diskreten (oder analytischen) Optimierungsaufgaben,
MehrMonte-Carlo-Methode. mit Pseudo- und Quasizufallszahlen
Gott würfelt nicht Monte-Carlo-Methode mit Pseudo- und Quasizufallszahlen Inhaltsverzeichnis Pseudo- und Quasizufallszahlen Monte-Carlo- Monte-Carlo- Monte-Carlo-Methode Bekannt nach Stadt Monte Carlo
Mehr1. Grundbegri e der Stochastik
. Grundbegri e der Stochastik Raum der Ereignisse. Die einelementigen Teilmengen f!g heißen auch Elementarereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. A ist ein geeignetes System von Teilmengen
MehrProgrammiertechnik II
Zufallszahlen Motivation Simulation Frisörbeispiel Stichprobenauswahl Telefonumfragen Numerische Algorithmen naives Beispiel: Berechnung von Pi Automatisiertes Testen Beispiel aus Übungsaufgabe "Faire"
MehrIT-Security. Teil 15: Zufall
IT-Security Teil 15: Zufall 09.05.17 1 Literatur [15-1] http://de.wikipedia.org/wiki/kryptographisch_sicherer_zufallszahlen generator [15-2] https://gnupg.org/documentation/manuals/gcrypt/fips-prng- Description.html
MehrZufallszahlenerzeugung
Zufallszahlenerzeugung Anwendunsgebiete: z.b.: - Computerspiele - Kryptographie - Monte-Carlo-Methoden - Simulation Melanie Kaspar, Prof. Dr. B. Grabowski 1 Wie erzeuge ich Zufallszahlen, die sich so verhalten,
MehrWahrscheinlichkeitsrechnung und Statistik
8. Vorlesung Pseudozufallszahlen sind, wie der Name schon sagt, keine echten Zufallszahlen, sondern werden durch Generatoren erzeugt. Als Pseudozufallszahlen bezeichnet man Zahlenfolgen die durch einen
MehrUE Algorithmen und Datenstrukturen 1 UE Praktische Informatik 1. Übung 8. Zufallszahlen Generatoren Anwendungen
UE Algorithmen und Datenstrukturen 1 UE Praktische Informatik 1 Übung 8 Zufallszahlen Generatoren Anwendungen Institut für Pervasive Computing Johannes Kepler Universität Linz Altenberger Straße 69, A-4040
MehrAdaptive Systeme. Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Evolutionäre Algorithmen: Überlebenskampf und Evolutionäre Strategien Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Überblick Einleitung Adaptive Filter Künstliche
MehrEinführung in die Simulation. Dr. Christoph Laroque Wintersemester 11/12. Dresden,
Fakultät Informatik, Institut für Angewandte Informatik, Professur Modellierung und Simulation Einführung in die Simulation Dr. Christoph Laroque Wintersemester 11/12 Dresden, 11.10.2011 01.11.2011 Einführung
MehrZufallszahlen. Diskrete Simulation. Zufallszahlengeneratoren - Zufallszahlen
Zufallszahlen Zufallszahlengeneratoren Transformation von Zufallszahlen Test von Zufallszahlengeneratoren Otto-von-Guericke-Universität Magdeburg Thomas Schulze Zufallszahlengeneratoren - Zufallszahlen
Mehr4.1 Der Blum-Blum-Shub-Generator
4.1 Der Blum-Blum-Shub-Generator Der Blum-Blum-Shub-Generator oder BBS-Generator setzt bei der in Kapitel III vorgestellten Quadratrest-Vermutung an und funktioniert so: Als ersten Schritt wählt man eine
MehrSimulation von Zufallszahlen. Grundlage: zufällige Quelle von Zufallszahlen, durch einfachen rekursiven Algorithmus am Computer erzeugt
Simulation von Zufallszahlen Grundlage: zufällige Quelle von Zufallszahlen, durch einfachen rekursiven Algorithmus am Computer erzeugt Definition: Eine Folge von Pseudo-Zufallszahlen U i ist eine deterministische
MehrPseudozufallsgeneratoren
Pseudozufallsgeneratoren In welchen kryptographischen Verfahren werden keine Zufallszahlen benötigt? Wie generiert man Zufallszahlen in einer deterministischen Maschine wie dem Computer? Wenn man eine
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 16. November 2009 2. Monte Carlo-Methoden 2.1 Zufallszahlen - Warum? 2.2 Zahlendarstellung im Rechner 2.3 Generatoren 2.3.1 Linear kongruente Generatoren
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrWahrscheinlichkeitsrechnung und Statistik
6. Vorlesung - 2018 Diskrete ZG eine diskrete ZG X wird vollständig durch ihre Wahrscheinlichkeitsverteilung beschrieben ( ) x1 x X 2... x i... = p 1 p 2... p i... P(X (a, b]) = und die Verteilungsfunktion
MehrTücken bei der Erstellung von Zufallszahlen mit RANUNI
Tücken bei der Erstellung von Zufallszahlen mit RANUNI Rainer Muche, Tillmann Babik Institut für Biometrie Schwabstraße 13 89075 Ulm rainer.muche@uni-ulm.de Zusammenfassung In der Statistik werden oft
MehrZufallszahlen erzeugen
Informationsblatt fÿr die Lehrkraft Zufallszahlen erzeugen Informationsblatt fÿr die Lehrkraft Thema: Schultyp: Vorkenntnisse: Bearbeitungsdauer: Zufallszahlen erzeugen - Methode der linearen Kongruenz
MehrIntroduction to Python. Introduction. First Steps in Python. pseudo random numbers. May 2016
to to May 2016 to What is Programming? All computers are stupid. All computers are deterministic. You have to tell the computer what to do. You can tell the computer in any (programming) language) you
MehrUnterprogramme: Formalargumente und Übergabeargumente
Unterprogramme: Formalargumente und Übergabeargumente SUBROUTINE name(var1,var2,var3) Deklarationen ausführbare Anweisungen name= END SUBROUTINE name Formalargumente Der Aufruf des Unterprogramms: CALL
MehrLineare Kongruenzgeneratoren und Quicksort
Seminar Perlen der theoretischen Informatik Dozenten: Prof. Johannes Köbler und Olaf Beyersdorff Lineare Kongruenzgeneratoren und Quicksort Ausarbeitung zum Vortrag Mia Viktoria Meyer 12. November 2002
MehrIntroduction to Python. Introduction. First Steps in Python. pseudo random numbers. May 2018
to to May 2018 to What is Programming? All computers are stupid. All computers are deterministic. You have to tell the computer what to do. You can tell the computer in any (programming) language) you
MehrWertebereich und Genauigkeit der Zahlendarstellung
Wertebereich und Genauigkeit der Zahlendarstellung Sowohl F als auch C kennen bei ganzen und Floating Point-Zahlen Datentypen verschiedener Genauigkeit. Bei ganzen Zahlen, die stets exakt dargestellt werden
MehrSoftwareprojektpraktikum Maschinelle Übersetzung
Softwareprojektpraktikum Maschinelle Übersetzung Jan-Thorsten Peter, Andreas Guta, Jan Rosendahl max.bleu@i6.informatik.rwth-aachen.de Vorbesprechung 5. Aufgabe 22. Juni 2017 Human Language Technology
MehrModellbildung und Simulation
Modellbildung und Simulation 6. Vorlesung Wintersemester 2007/2008 Klaus Kasper Value at Risk (VaR) Gaußdichte Gaußdichte der Normalverteilung: f ( x) = 1 2π σ x e 2 2 x ( x µ ) / 2σ x Gaußdichte der Standardnormalverteilung:
MehrWahrscheinlichkeitsverteilungen und ihre Implementierung in Root. Eric Volkmann
Wahrscheinlichkeitsverteilungen und ihre Implementierung in Root Eric Volkmann Inhalt Mathematische Definition Random Number Generators Wichtige Verteilungen Anwendungsbeispiel: Monte-Carlo Simulation
MehrPractical Numerical Training UKNum
Practical Numerical Training UKNum Zufallszahlen, Monte Carlo Methoden PD. Dr. C. Mordasini Max Planck Institute for Astronomy, Heidelberg Programm: 1) Zufallszahlen 2) Transformations Methode 3) Monte
MehrEinführung (1) In der Praxis finden Sie viele Anwendungsfelder für Zufallszahlen. Beispiele
11. Zufallszahlen 1 Einführung (1) In der Praxis finden Sie viele Anwendungsfelder für Zufallszahlen. Beispiele sind 1. Computersimulationen 2. Optimierungsprobleme und 3. Hochdimensionale Integrale. Problemstellung:
MehrRechnernutzung in der Physik Teil 3 Statistische Methoden der Datenanalyse
Rechnernutzung in der Physik Teil 3 Statistische Methoden der Datenanalyse Karlsruher Institut für Technologie Ulrich Husemann Institut für Experimentelle Kernphysik, Karlsruher Institut für Technologie
MehrGenerierung von Zufallszahlen gemäß einer vorgegebenen diskreten Verteilung
Generierung von Zufallszahlen gemäß einer vorgegebenen diskreten Verteilung Die folgende Fallstudie eignet sich sehr gut zur Einarbeitung in die objektorientierte Programmierung. Es wird zunächst eine
Mehr7 Zufallszahlen, Simulation
7 Zufallszahlen, Simulation Es ist nützlich, Folgen von i.i.d. R[0, 1]-verteilten Zufallszahlen auf einem Rechner erzeugen zu können vgl. Simulation, Monte-Carlo-Verfahren). Letztere sind i.a. keine echten
MehrLabor Software-Entwicklung 1
Fakultät für Technik STUDIENGANG MEDIZINTECHNIK Labor Software-Entwicklung Vorbereitungsaufgaben zu Versuch 2 C-Programmierung Mathematische Berechnungen Wintersemester 205/206 Seite von 5 Vorbemerkungen
MehrPPS: Bits on Air 2. Teil
Institut für Kommunikationstechnik Prof. Dr. H. Bölcskei Sternwartstrasse 7 CH-8092 Zürich PPS: Bits on Air 2. Teil Markus Gärtner & Felix Kneubühler Revidierte Version vom 16. August 2016 1 Einleitung
MehrGrundlagen der Monte-Carlo-Simulation
Grundlagen der Monte-Carlo-Simulation Prof. Dr. V. Schmidt und S. Luck j 8. November 2007 page 2 Contents Motivation Erzeugung von SPZZ Software Transformation von SPZZ page 3 Motivation Motivation fur
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
MehrEinsatz von Varianzreduktionstechniken II
Einsatz von Varianzreduktionstechniken II Stratified Sampling und Common Random Numbers Bastian Bluhm Betreuer: Christiane Barz Ausgewählte technische, rechtliche und ökonomische Aspekte des Entwurfs von
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, 4. Mai 2017 Dr. Michael O. Distler
MehrDAP2 Praktikum Blatt 2
Fakultät für Informatik Lehrstuhl 11 / Algorithm Engineering Prof. Dr. Petra Mutzel, Carsten Gutwenger Sommersemester 2009 DAP2 Praktikum Blatt 2 Ausgabe: 28. April Abgabe: 13. 15. Mai Langaufgabe 2.1
MehrErzeugung von Pseudozufallszahlen mit Computern
Erzeugung von Pseudozufallszahlen mit Computern Basisgeneratoren und deren Einfluss auf die Qualität der Ergebnisse Lorenz Hauswald IKTP, TU Dresden 7 Dezember 2011 1 / 26 Gliederung Grundlagen 1 Grundlagen
MehrWahrscheinlichkeitsrechnung und Statistik
Babeş-Bolyai Universität Fakultät für Mathematik und Informatik Oktober 2018 Im Alltag... Laut den meteorologischen Vorhersagen wird es morgen regnen. Ob ich riskiere und die Wette verlieren werde? Ich
Mehrint i=1; //Integerzahl i anlegen und mit 1 initialisieren float wert; //Floatzahl deklarieren scanf( %f,&wert); //Wert über Tastatur eingeben
Datenfelder (Array) Seite 1 von 7 Bei den bisherigen Programmen wurde für jede verwendete Variable (oder für jedes Objekt) ein eigener Typ und Name vergeben. Die Initialisierung, d.h. die Belegung mit
MehrPROGRAMMIERKURS FORTRAN
Literaturempfehlung: Vorlesungsskript von Heidrun Kolinsky zu FORTRAN 90/95: http://www.rz.uni-bayreuth.de/lehre/fortran90/vorlesung/index.html Schmitt, Günter (1996): Fortran 90 Kurs technisch orientiert,
MehrZufälle gibt s, oder gibt s die nicht? Martin Köhler Science Café Hamburg, 25. Juni 2014
Zufälle gibt s, oder gibt s die nicht? Martin Köhler Science Café Hamburg, 25. Juni 2014 Grundfrage und Gliederung Gibt es einen echten Zufall, oder wissen wir einfach nicht genug für eine exakte Vorhersage?
Mehr2.3 Chaos und Lyapunov-Exponent. d dx f(x) λ = lim n n . (1) Programm. k=0. PROGRAM lyapunov ...
2.3 Chaos und Lyapunov-Exponent... PROGRAM lyapunov REAL*8 1 λ = lim n n :: a,x,fly n k=0 ln d dx f(x). (1) x=xk DO it=1,itmax+ivor! Schleife Iterationen x=a*x*(1.-x)! log. Abbildung IF(it.GT.ivor.and.ABS(x-.5).GT.1.E-30)
Mehr1 Grundprinzipien statistischer Schlußweisen
Grundprinzipien statistischer Schlußweisen - - Grundprinzipien statistischer Schlußweisen Für die Analyse zufallsbehafteter Eingabegrößen und Leistungsparameter in diskreten Systemen durch Computersimulation
MehrPseudo-Zufallsgeneratoren basierend auf dem DLP
Seminar Codes und Kryptografie SS 2004 Struktur des Vortrags Struktur des Vortrags Ziel Motivation 1 Einleitung Ziel Motivation 2 Grundlegende Definitionen Zufallsgeneratoren 3 Generator Sicherheit 4 Generator
MehrKryptographische Protokolle
Kryptographische Protokolle Lerneinheit 2: Generierung von Primzahlen Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Wintersemester 2018/2019 15.11.2018 Einleitung Einleitung Diese Lerneinheit
Mehrf Z (z) = 0 sonst = 1
Lösungsvorschläge zu Blatt 8) Da das Teilchen sich mit konstanter Winkelgeschwindigkeit bewegt und zufällig gestoppt wird und da Z und Z + kπ, k Z, das gleiche X liefern, kann Z als eine auf [ π, π] gleichverteilte
Mehr6. Multivariate Verfahren Zufallszahlen
4. Zufallszahlen 6. Multivariate Verfahren Zufallszahlen - werden nach einem determinist. Algorithmus erzeugt Pseudozufallszahlen - wirken wie zufäll. Zahlen (sollen sie jedenfalls) Algorithmus: Startwert
Mehr1 Zufallszahlen jede Zahl gleichen Wahrscheinlichkeit Zufallszahlenfolge unabhängiger, identisch ver- teilter
Zufallszahlen Zufallszahlen werden für viele Anwendungen im Computer benötigt. Hauptanwendungsgebiete sind die Simulation und die Statistik. Besonders bei der Programmierung von Spielen werden Zufallszahlen
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrGrundlagen der Fortran Sprache
Kapitel 1 Grundlagen der Fortran Sprache Programmieren bezeichnet das Verfahren, in einer bestimmten Sprache (Syntax) Anweisungen (sog. Quellcode) für den Computer zu schreiben. Dieser Programmcode wird
MehrAdaptive Systeme. Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Evolutionäre Algorithmen Teil II Evolutionsfenster durch Mutation und sexuelle Rekombination Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Evolutionäre Algorithmen
MehrÜbung zu Algorithmen und Datenstrukturen (für ET/IT)
Übung zu Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 2015 Matthias Wieczorek Computer-Aided Medical Procedures Technische Universität München Administratives Zentralübung (Mittwoch, 09:45
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrÜbung zu Algorithmen und Datenstrukturen (für ET/IT)
Übung zu Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 2017 Rüdiger Göbl, Mai Bui Computer Aided Medical Procedures Technische Universität München Administratives Zentralübung (Mittwoch, 09:45
Mehr4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
MehrSimulation von Zufallsvariablen und Punktprozessen
Simulation von Zufallsvariablen und Punktprozessen 09.11.2009 Inhaltsverzeichnis 1 Einleitung 2 Pseudozufallszahlen 3 Punktprozesse Zufallszahlen Definition (Duden): Eine Zufallszahl ist eine Zahl, die
MehrHausaufgabe Modellierung und Simulation 1
Hausaufgabe Modellierung und Simulation 1 Die Pareto Verteilung Die Pareto-Verteilung ist eine stetige Wahrscheinlichkeitsverteilung in einem rechtsseitig unendlichen Intervall zwischen x min und. Die
MehrG. Zachmann Clausthal University, Germany
lausthal Informatik II Suchen lausthal University, ermany zach@in.tu-clausthal.de Problemstellung egeben ist eine Menge von Datensätzen {A1,...,An} esucht sind die Datensätze, deren Schlüssel (Key) = A[i].key
MehrArbeit: Page, Brin, Motwani, Winograd (1998). Ziel: Maß für absolute
3.4 PageRank Arbeit: Page, Brin, Motwani, Winograd (1998). Ziel: Maß für absolute Wichtigkeit von Webseiten; nicht Relevanz bezüglich Benutzeranfrage. Anfrageunabhängiges Ranking. Ausgangspunkt: Eingangsgrad.
MehrStatistics, Data Analysis, and Simulation SS 2015
Mainz, May 12, 2015 Statistics, Data Analysis, and Simulation SS 2015 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
MehrEinführung in die Programmiersprache Julia Vorlesung Computerphysik Sommersemester 2018 Ralf Bulla Universität zu Köln
Einführung in die Programmiersprache Julia Vorlesung Computerphysik Sommersemester 2018 Ralf Bulla Universität zu Köln 1 Einstieg Das erste Programm: a = 1 println(a) Ein Programm ist eine Abfolge von
MehrLösungsvorschlag Serie 2 Rekursion
(/) Lösungsvorschlag Serie Rekursion. Algorithmen-Paradigmen Es gibt verschiedene Algorithmen-Paradigmen, also grundsätzliche Arten, wie man einen Algorithmus formulieren kann. Im funktionalen Paradigma
MehrStochastik-Praktikum
Stochastik-Praktikum Zufallszahlen und Monte Carlo Peter Frentrup Humboldt-Universität zu Berlin 17. Oktober 2017 (Humboldt-Universität zu Berlin) Zufallszahlen und Monte Carlo 17. Oktober 2017 1 / 23
MehrRalf Kirsch Uwe Schmitt. Programmieren inc. Eine mathematikorientierte Einführung. Mit 24 Abbildungen und 13 Tabellen. Springer
Ralf Kirsch Uwe Schmitt Programmieren inc Eine mathematikorientierte Einführung Mit 24 Abbildungen und 13 Tabellen Springer Inhaltsverzeichnis Eine Einleitung in Frage und Antwort V 1 Vorbereitungen 1
MehrDas Doppelstern-Modell Vorgehen beim Bestimmen der Modellparameter und ihrer Fehler
Das Doppelstern-Modell Vorgehen beim Bestimmen der Modellparameter und ihrer Fehler Udo Backhaus 29. November 2013 1 Hintergrund Das Doppelstern-Modell [1] beschreibt die Helligkeit y(t) zweier sich gegenseitig
MehrECDL MODUL COMPUTING. Syllabus Version 1.0
ECDL MODUL COMPUTING Syllabus Version 1.0 DLGI Dienstleistungsgesellschaft für Informatik Am Bonner Bogen 6 53227 Bonn Tel.: 0228-688-448-0 Fax: 0228-688-448-99 E-Mail: info@dlgi.de, URL: www.dlgi.de In
MehrPollards Rho-Methode zur Faktorisierung
C A R L V O N O S S I E T Z K Y Pollards Rho-Methode zur Faktorisierung Abschlusspräsentation Bachelorarbeit Janosch Döcker Carl von Ossietzky Universität Oldenburg Department für Informatik Abteilung
MehrWerkstatt Multiplikation Posten: Fakultät. Informationsblatt für die Lehrkraft. ! F a k u l t ät M M % R- CM _ X = hlen
Informationsblatt für die Lehrkraft Fa ltä mi gr en! F a k u l t ät ON/ CA C- CE R- CM _ 7 4 1 0 M 8 5 2. M+ 9 6 3 % : X = + ku t t oss Za hlen Informationsblatt für die Lehrkraft Thema: Schultyp: Vorkenntnisse:
MehrInformatik II, SS 2016
Informatik II - SS 2016 (Algorithmen & Datenstrukturen) Vorlesung 8 (13.5.2016) Hashtabellen I Algorithmen und Komplexität Dictionary mit sortiertem Array Laufzeiten: create: O(1) insert: O(n) find: O(log
MehrHybride Verschlüsselungsverfahren
Hybride Verschlüsselungsverfahren Ziel: Flexibilität von asym. Verfahren und Effizienz von sym. Verfahren. Szenario: Sei Π = (Gen, Enc, Dec) ein PK-Verschlüsselungsverfahren und Π = (Gen, Enc, Dec ) ein
Mehr1. Grundbegri e. T n i=1 A i = A 1 \ A 2 \ : : : \ A n alle A i treten ein. na = A das zu A komplementäre Ereignis; tritt ein, wenn A nicht eintritt.
. Grundbegri e Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. ist auch das sichere Ereignis,
MehrÜbungen zu Theoretische Physik IV
Physikalisches Institut Übungsblatt 4 Universität Bonn 02. November 2012 Theoretische Physik WS 12/13 Übungen zu Theoretische Physik IV Priv.-Doz. Dr. Stefan Förste http://www.th.physik.uni-bonn.de/people/forste/exercises/ws1213/tp4
MehrZufallszahlen Mathematik zum Nachbilden von Zufälligkeit SommerUni 2013 Bergische Universität Wuppertal Autor: Prof. Dr.
Zufallszahlen Mathematik zum Nachbilden von Zufälligkeit SommerUni 23 Bergische Universität Wuppertal Autor: Prof. Dr. Roland Pulch Aufgabe: Konstruiere Zufallszahlen aus der Menge {,, 2, 3, 4, 5, 6, 7,
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrProbabilistische Algorithmen Zufallszahlen - Monte Carlo - Genetische Programmierung
Probabilistische Algorithmen Zufallszahlen - Monte Carlo - Genetische Programmierung 25. Mai 2009 Inhaltsverzeichnis Pseudozufallszahlen Kongruenzmethode Monte-Carlo-Algorithmen Bsp Primzahltest Genetische
MehrStetige Wahrscheinlichkeitsverteilung
Stetige Wahrscheinlichkeitsverteilung Stetige Wahrscheinlichkeitsverteilung Gaußsche Normalverteilung [7] S.77 [6] S.7 ORIGIN µ : Mittelwert σ : Streuung :, 9.. Zufallsvariable, Zufallsgröße oder stochastische
Mehr15.3 Statistische Tests von Pseudozufallszahlen
15.3 Statistische Tests von Pseudozufallszahlen Def. 52 Ein Test ist eine Entscheidungsvorschrift, die über die Akzeptanz genau einer von zwei alternativen Hypothesen entscheidet. Bsp. 109 (Analogie zur
MehrNr. 4: Pseudo-Zufallszahlengeneratoren
Proseminar: Finanzmathematische Modelle und Simulationen Martin Dieckmann WS 09/0 Nr. 4: Pseudo-Zufallszahlengeneratoren Begriff Pseudo-Zufallszahl Zufallszahlen im Rechner entstehen letztlich immer durch
Mehrzu große Programme (Bildschirmseite!) zerlegen in (weitgehend) unabhängige Einheiten: Unterprogramme
Bisher Datentypen: einfach Zahlen, Wahrheitswerte, Zeichenketten zusammengesetzt Arrays (Felder) zur Verwaltung mehrerer zusammengehörender Daten desselben Datentypes eindimensional, mehrdimensional, Array-Grenzen
MehrMotivation. Benötigtes Schulwissen. Wirtschaftswissenschaftliches Zentrum 6 Universität Basel. Statistik
Wirtschaftswissenschaftliches Zentrum 6 Universität Basel Statistik Dr. Thomas Zehrt Wahrscheinlichkeitsräume Motivation Das Hauptanliegen der Stochastik liegt darin, Modelle zur (mathematischen Beschreibung
MehrInhalt. Einführung in die Strukturierte Programmierung 15
Inhalt Einführung in die Strukturierte Programmierung 15 1.1 Was bedeutet Programmieren? 17 1.2 Was bedeutet Strukturierte Programmierung? 18 1.3 Was ist Pascal? 19 1.4 Was ist PS/k? 20 1.5 Warum wird
MehrZuname: Vorname: KennNr: Matr.Nr: PRÜFUNG AUS MATHEMATIK 3. 1)(8 P.) Lösen Sie das folgende AWP mit Hilfe der Laplacetransformation.
(8 P.) Lösen Sie das folgende AWP mit Hilfe der Laplacetransformation. y 7y + 10y = sin(2x), y(0) = 1, y (0) = 3. x ( ) Bemerkung: Für festes a gilt L(e ax ) = 1 und L sin(ax) = arctan a. s a x s Die auftretenden
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
MehrInformationssicherheit III
Zufall im Rechner Präsentation im Rahmen der Lehrveranstaltung Informationssicherheit III WS 2001/2002 Jochen Rondorf 17.01.2002 Zufall im Rechner WS 2001/02 1 Agenda Arten von Zufall Anwendungsgebiete
MehrÜ b u n g s b l a t t 12
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 5. 6. 007 Ü b u n g s b l a t t Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
MehrExperimentelle Methoden der Teilchenphysik Sommersemester 2011/2012 Albert-Ludwigs-Universität Freiburg
Eperimentelle Methoden der Teilchenphysik Sommersemester 011/01 Albert-Ludwigs-Universität Freiburg Prof. Markus Schumacher Physikalisches Institut, Westbau,. OG Raum 008 Telefon 0761 03 761 E-Mail: Markus.Schumacher@physik.uni-freiburg.de
MehrDas Suchproblem. Gegeben Menge von Datensätzen. Beispiele Telefonverzeichnis, Wörterbuch, Symboltabelle
119 4. Suchen Lineare Suche, Binäre Suche, Interpolationssuche, Exponentielle Suche, Untere Schranken [Ottman/Widmayer, Kap. 3.2, Cormen et al, Kap. 2: Problems 2.1-3,2.2-3,2.3-5] 120 Das Suchproblem Gegeben
MehrDas Suchproblem 4. Suchen Das Auswahlproblem Suche in Array
Das Suchproblem Gegeben. Suchen Lineare Suche, Binäre Suche, Interpolationssuche, Exponentielle Suche, Untere Schranken [Ottman/Widmayer, Kap. 3.2, Cormen et al, Kap. 2: Problems 2.-3,2.2-3,2.3-] Menge
MehrDas Suchproblem 4. Suchen Das Auswahlproblem Suche in Array
Das Suchproblem Gegeben. Suchen Lineare Suche, Binäre Suche, Interpolationssuche, Untere Schranken [Ottman/Widmayer, Kap. 3.2, Cormen et al, Kap. 2: Problems 2.-3,2.2-3,2.3-] Menge von Datensätzen. Beispiele
Mehr