Monte Carlo Simulationen

Größe: px
Ab Seite anzeigen:

Download "Monte Carlo Simulationen"

Transkript

1 Monte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt Stefan Wunsch 31. Mai 2014 INSTITUT FÜR EXPERIMENTELLE KERNPHYSIK (IEKP) KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft

2 Gliederung 1 Was sind Monte Carlo Simulationen? 2 Zufallszahlen 3 Erzeugung gleichverteilter Zufallszahlen 4 Monte Carlo Integration 5 Erzeugung beliebig verteilter Zufallszahlen 6 Anwendungsgebiete in und außerhalb der Physik Stefan Wunsch Monte Carlo Simulationen 31. Mai

3 Was sind Monte Carlo Simulationen? Stefan Wunsch Monte Carlo Simulationen 31. Mai

4 Was sind Monte Carlo Simulationen? Simulationen bzw. Methoden, die auf Zufallszahlen beruhen Name ist abgeleitet vom Monte Carlo Casino in Monaco Hauptanwendungsgebiete sind Optimierungsprobleme, numerische Integration von hochdimensionalen Integralen und Erzeugung von Wahrscheinlichkeitsverteilungen wichtige Personen: Stanislaw Ulam, Nicholas Metropolis und John von Neumann Entwicklung am Los Alamos National Laboratory im Manhatten Project (ca. 1940) Eng verbunden mit den ersten vollprogrammierbaren Computern: Z3 (1941) und ENIAC (1946) Stefan Wunsch Monte Carlo Simulationen 31. Mai

5 Zufallszahlen Stefan Wunsch Monte Carlo Simulationen 31. Mai

6 Zufallszahlen echter Zufall nur über stochastische Prozesse, z. B. radioaktive Zerfälle, Umgebungsrauschen aus Gerätetreibern UNIX: /dev/random, Entropiepool aus Umgebungsrauschen, Zufallszahlen sehr hoher Qualität Probleme: standardmäßig maximal 4096 Bit, füllt sich zu langsam, blockiert Zugriff bei leerem Pool Andere Quelle: QRNG (Quantum Randomness) Service der HU Berlin, gleichverteilte Zufallszahlen mit bis zu MByte/s zum Download Pseudozufallszahlen: Zahlen aus deterministischer Folge Stefan Wunsch Monte Carlo Simulationen 31. Mai

7 Erzeugung gleichverteilter Zufallszahlen Stefan Wunsch Monte Carlo Simulationen 31. Mai

8 Erzeugung gleichverteilter Zufallszahlen Basis für alle Monte Carlo Anwendungen Mögliche deterministische Zufallsgeneratoren nicht-periodische Generatoren, z. B. Nachkommastellen von π Problem: lange, aber feste Folge, Verteilung nicht wirklich bekannt periodisch-rekursive Generatoren, im Folgenden behandelt Periodenlänge als guter Anhaltspunkt für die Qualität eines Generators Geschwindigkeit der Implementierung beschränkt Simulation Reproduzierbarkeit der Folge ist erwünscht Stefan Wunsch Monte Carlo Simulationen 31. Mai

9 Linear Congruential Generator X n+1 = (ax n + c) mod (m) Modulo m: m > 0 Multiplier a: 0 < a < m Increment c: 0 c < m Seed X 0 : 0 X 0 < m Gleichverteilung auf [0, 1) über Transformation U = X m Periodenlängen in der Größenordnung Stefan Wunsch Monte Carlo Simulationen 31. Mai

10 Linear Congruential Generator Mögliche Ausbildung von Hyperebenen bei ungünstiger Wahl der Parameter. LCG nie für stochastische Simulationen benutzen. Stefan Wunsch Monte Carlo Simulationen 31. Mai

11 Mersenne-Twister Algorithmus h = Y i N Y i N mod ( 2 31) + Y i N+1 mod ( 2 31) ( ) h Y i = Y i 227 floor [(hmod (2)) 0x9908b0df)] 2 meist benutzter Pseudozufallszahlengenerator N = Bit Integer als Eingabeparameter (Seed) Periodenlänge von (Mersenne Primzahl) gleichverteilt auf bis zu 623 Dimensionen implementiert in ROOT in TRandom3, Standard in Python, Maple, MATLAB, Ruby,... in C++ seit C++11 und in Boost Libraries und Glib vorhanden Stefan Wunsch Monte Carlo Simulationen 31. Mai

12 Anwendungsbeispiel: Pi Erstelle zufälliges Tuple mit r 1, r 2 [0, 1] ( ) r1 x = r 2 Akzeptiere Punkt für x < 1 Nehme Anzahl akzeptierte Punkte N A und Gesamtanzahl Punkte N G Berechne π mit π = 4 NA N G. Stefan Wunsch Monte Carlo Simulationen 31. Mai

13 Monte Carlo Integration Stefan Wunsch Monte Carlo Simulationen 31. Mai

14 MC Integration: Verfahren Definition Erwartungswert: x = xϕ(x)dx Erwartungswert f (x): f = f (x)ϕ(x)dx zentrale Grenzwertsatz der Wahrscheinlichkeitsrechnung f = 1 N N i f (x i ) mit x i nach ϕ(x) verteilt Fehler des Mittelwerts: σ N = f (x)2 f (x) 2 N b a f (x)ϕ(x)dx = 1 b b a a f (x)dx 1 N f (x) N i f (x i ) ± 2 f (x) 2 N Stefan Wunsch Monte Carlo Simulationen 31. Mai

15 MC Integration: Fehler f(x) Fehler Trapezverfahren: ɛ 1 N d 2 Fehler MC Integration: ɛ 1 N 1 2 MC Integration hat geringeren Fehler für d > 4 Dimensionen. x Trapezverfahren Stefan Wunsch Monte Carlo Simulationen 31. Mai

16 MC Integration: Laufzeitverhalten MC Integration: Berechnungspunkte N unabhängig von der Dimension d bei konstantem Fehler ɛ. Trapezverfahren: Berechnungspunkte N steigen exponentiell mit der Dimension mit exp ( ) d 2 bei konstantem Fehler ɛ. N d Stefan Wunsch Monte Carlo Simulationen 31. Mai

17 Erzeugung beliebig verteilter Zufallszahlen Stefan Wunsch Monte Carlo Simulationen 31. Mai

18 Neumann sches Rückweisungsverfahren x i = x min + r 2i x φ(x) y i = r 2i+1 ϕ max Akzeptiere Wert, wenn y i < ϕ(x i ) Nachteil: Bei steilen Verteilungen müssen sehr viele Zahlen verworfen werden. x Stefan Wunsch Monte Carlo Simulationen 31. Mai

19 Transformationsmethode φ(x) Φ(x) 1 y x 0 x Stefan Wunsch Monte Carlo Simulationen 31. Mai

20 Transformationsmethode ϕ(x) ϕ(y) mit x = f (y) x ϕ(x )dx = y ϕ(y )dy Φ(x ) x = Φ(y ) y mit Φ(y) = y x = Φ 1 (y) Vorteil: Direktes Abbilden ohne Verwerfen von Zufallszahlen. Nachteil: Wahrscheinlichkeitsdichte muss integrierbar und invertierbar sein für analytische Transformation. Stefan Wunsch Monte Carlo Simulationen 31. Mai

21 Majorantenverfahren x i = M 1 (r 2i ) y i = r 2i+1 m(x i ) Akzeptiere Wert, wenn y i < ϕ(x i ) φ(x) m(x) f (x) Vorteil: Nur f (x) Werte werden in einem Punkt x verworfen. x Stefan Wunsch Monte Carlo Simulationen 31. Mai

22 Box-Müller Verfahren Erzeugung von standardnormalverteilten Zufallszahlen z. B. Simulation mittelwertfreies weißes Rauschen exp( x 2 )dx nicht analytisch lösbar Transformationsmethode x 1 nur voll numerisch nutzbar Lösung: Methode in zwei Dimensionen benutzen ( ( )) 1 x 2 x 2 2π exp 1 + x2 2 dx 1 dx 2 = 2 r mit x 1 = r cos(θ) und x 2 = r sin(θ) θ 1 2π exp ( r ) 2 rdrdθ 2 Stefan Wunsch Monte Carlo Simulationen 31. Mai

23 Box-Müller Verfahren θ 0 1 r 2π dθ exp ( r ) 2 r dr = y 1 y y 1 = θ 2π θ = 2πy 1 ( ) r 2 y 2 = 1 exp r = 2 log (1 y 2 ) = 2 log (y 2 ) 2 x 1 = r cos(θ) = 2 log (y 2 ) cos(2πy 1 ) x 2 = r sin(θ) = 2 log (y 2 ) sin(2πy 1 ) Stefan Wunsch Monte Carlo Simulationen 31. Mai

24 Anwendungsbeispiele Stefan Wunsch Monte Carlo Simulationen 31. Mai

25 Metropolis Algorithmus: Energieniveaus Simulation von System mit diskreten Energieniveaus Wahrscheinlichkeit für ein Teilchen im Zustand X folgt Boltzmannverteilung ( 1 p(x) = ( ) exp E ) X expi E i k B T k B T Suche Besetzung der Niveaus für gegebene Temperatur T und Anfangszustand X 0 Stefan Wunsch Monte Carlo Simulationen 31. Mai

26 Metropolis Algorithmus: Energieniveaus Wähle zufälligen Zustand Y aus. Dieser wird vom aktuellen Zustand X aus angenommen mit der Akzeptanzwahrscheinlichkeit ) A(X Y ) = min ( 1, p(y ) p(x) = min Entscheide über die Akzeptanz mit r [0, 1) und ( ( r < min 1, exp E )). k B T ( ( 1, exp E )). k B T Histogrammiere angenommene Zustände bei N-facher Ausführung Stefan Wunsch Monte Carlo Simulationen 31. Mai

27 Mehrteilchensystem im Kasten Mehrteilchensystem mit N Teilchen und gegenseitig abstoßender Kraft (Coulombpotential) und Anfangspositionen x 0,i V( x) = N i=0 c x x i Ermittle neue Position eines Teilchens mit ( cos(2πr1 ) x n = x n 1 + a r 2 sin(2πr 1 ) [ ( Akzeptiere neue Position für r < min 1, exp r [0, 1) und innerhalb Kasten. ). V( x n 1) V( x n) k B T )] mit Stefan Wunsch Monte Carlo Simulationen 31. Mai

28 Aktienmarkt Gute Näherung für das Verhalten von Aktienmärkten ist ein Random Walk Beschreibung über Diffusionsgleichung der Form mit den Eigenschaften ds = µsdt + σɛ dt µ : const., Drift σ : const., Variation ɛ : normalverteilt Stefan Wunsch Monte Carlo Simulationen 31. Mai

Monte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt

Monte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt Monte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt Stefan Wunsch 31. Mai 014 Inhaltsverzeichnis Inhaltsverzeichnis 1 Was sind Monte Carlo Simulationen? 3 Zufallszahlen 3

Mehr

Die Monte-Carlo-Methode mit Pseudo- und Quasi-Zufallszahlen

Die Monte-Carlo-Methode mit Pseudo- und Quasi-Zufallszahlen Die Monte-Carlo-Methode mit Pseudo- und Quasi-Zufallszahlen Marco A. Harrendorf Hauptseminar Methoden der experimentellen Teilchenphysik WS 2011/2012 Karlsruhe Institut für Technologie (KIT) 25.11.2011

Mehr

Grundlagen der Monte-Carlo-Methode

Grundlagen der Monte-Carlo-Methode Probieren geht über studieren Institut für experimentelle Kernphysik Karlsruher Institut für Technologie 16. November 2009 Übersicht Definitionen und Motivation 1 Definitionen und Motivation Typische Problemstellung

Mehr

Monte Carlo Simulationen

Monte Carlo Simulationen Monte Carlo Simulationen Zahlreiche Vorgänge in der Natur werden durch stochastische Prozesse bestimmt. Beispiele: Diffusion Spin-Spin-Wechselwirkung (Magnetisierung eines Ferromagneten, Ising-Modell)

Mehr

Von den Grundlagen der Monte-Carlo-Methode zur Simulation von Teilchenreaktionen und Teilchendetektoren

Von den Grundlagen der Monte-Carlo-Methode zur Simulation von Teilchenreaktionen und Teilchendetektoren Von den Grundlagen der Monte-Carlo-Methode zur Simulation von Teilchenreaktionen und Teilchendetektoren Michael Unrau HS WS 08/09 14 November 2008 HS 08/09 Monte-Carlo Methoden 14 November 2008 1 / 24

Mehr

Die Monte-Carlo-Methode mit Pseudound Quasi-Zufallszahlen

Die Monte-Carlo-Methode mit Pseudound Quasi-Zufallszahlen Hauptseminar Methoden der experimentellen Teilchenphysik WS 2011/2012 Die Monte-Carlo-Methode mit Pseudound Quasi-Zufallszahlen Marco A. Harrendorf Karlsruhe Institut für Technologie, Bachelor Physik Vortrag

Mehr

ZUFALLSZAHLEN. WPG Informatik / Mathematik. BG/BRG Bad Ischl. A. Lindner

ZUFALLSZAHLEN. WPG Informatik / Mathematik. BG/BRG Bad Ischl. A. Lindner ZUFALLSZAHLEN WPG Informatik / Mathematik BG/BRG Bad Ischl A. Lindner 1 BEDEUTUNG VON ZUFALLSZAHLEN Beispiel: Computertip für Lotto in einer Trafik. Wie kann ein (elektronisches) Gerät, das nach einem

Mehr

Monte-Carlo-Simulation

Monte-Carlo-Simulation Modellierung und Simulation Monte-Carlo-Simulation Universität Hamburg Johannes Schlundt 7. Januar 2013 Monte-Carlo-Simulation Johannes S. 1/31 Inhalt Motivation Geschichtliche Entwicklung Monte-Carlo-Simulation

Mehr

Monte-Carlo- Simulation. Seminar zur Vorlesung Teilchendetektoren und Experiment an ELSA

Monte-Carlo- Simulation. Seminar zur Vorlesung Teilchendetektoren und Experiment an ELSA Monte-Carlo- Simulation Seminar zur Vorlesung Teilchendetektoren und Experiment an ELSA Übersicht Einleitung Simulation mit Geant4 generierte Daten Zusammenfassung 2 Simulation Mathematische Modellierung

Mehr

FC1 - Monte Carlo Simulationen

FC1 - Monte Carlo Simulationen FC1 - Monte Carlo Simulationen 16. Oktober 2007 Universität Paderborn - Theoretische Physik Autor: Simone Sanna, Stephan Blankenburg Datum: 16. Oktober 2007 FC1 - Monte Carlo Simulationen 3 1 Das Monte

Mehr

Hauptseminar. Monte-Carlo-Methoden, stochastische Schätzungen und deren Unsicherheit. Robert John 2.11.2011

Hauptseminar. Monte-Carlo-Methoden, stochastische Schätzungen und deren Unsicherheit. Robert John 2.11.2011 Hauptseminar Monte-Carlo-Methoden, stochastische Schätzungen und deren Unsicherheit Robert John 1 Inhalt Herkunft Stochastische Schätzung Monte-Carlo-Methode Varianzreduktion Zufallszahlen Anwendungsgebiete

Mehr

Statistische Thermodynamik I Lösungen zur Serie 1

Statistische Thermodynamik I Lösungen zur Serie 1 Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen

Mehr

Mathematik des Hybriden Monte-Carlo. Marcus Weber. Zuse Institute Berlin

Mathematik des Hybriden Monte-Carlo. Marcus Weber. Zuse Institute Berlin Mathematik des Hybriden Monte-Carlo Marcus Weber Zuse Institute Berlin Statistische Thermodynamik Ziel: Am Computer ein Ensemble samplen. Messung im Gleichgewicht (zeitunabhängige Verteilung π der Systemzustände

Mehr

Monte-Carlo Simulation

Monte-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

Mehr

Monte Carlo Simulation

Monte Carlo Simulation Monte Carlo Simulation M. Alexander Thomas 1. Juni 26 Zusammenfassung Die Monte Carlo Methode ist ein in vielen Bereichen nicht mehr wegzudenkendes Hilfsmittel zur Berechung und Simulation wissenschaftlicher

Mehr

Statistik. R. Frühwirth. Statistik. fru@hephy.oeaw.ac.at. VO 142.090 http://tinyurl.com/tu142090. Februar 2010. R. Frühwirth Statistik 1/536

Statistik. R. Frühwirth. Statistik. fru@hephy.oeaw.ac.at. VO 142.090 http://tinyurl.com/tu142090. Februar 2010. R. Frühwirth Statistik 1/536 fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/536 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung

Mehr

Grundlagen der Monte Carlo Simulation

Grundlagen der Monte Carlo Simulation Grundlagen der Monte Carlo Simulation 10. Dezember 2003 Peter Hofmann Inhaltsverzeichnis 1 Monte Carlo Simulation.................... 2 1.1 Problemstellung.................... 2 1.2 Lösung durch Monte

Mehr

Computational Finance

Computational Finance Computational Finance Kapitel 2.2: Monte Carlo Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring 4 / WiWi-Gebäude

Mehr

MA Projekt: Langfristige Kapitalmarktsimulation

MA Projekt: Langfristige Kapitalmarktsimulation MA Projekt: Langfristige Kapitalmarktsimulation Einführung in die Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring

Mehr

Statistik - Fehlerrechnung - Auswertung von Messungen

Statistik - Fehlerrechnung - Auswertung von Messungen 2013-11-13 Statistik - Fehlerrechnung - Auswertung von Messungen TEIL I Vorbereitungskurs F-Praktikum B (Physik), RWTH Aachen Thomas Hebbeker Literatur Eindimensionaler Fall: Grundbegriffe Wahrscheinlichkeitsverteilungen:

Mehr

Modellbildung und Simulation

Modellbildung und Simulation Modellbildung und Simulation 5. Vorlesung Wintersemester 2007/2008 Klaus Kasper Value at Risk (VaR) Glossar Portfolio: In der Ökonomie bezeichnet der Begriff Portfolio ein Bündel von Investitionen, das

Mehr

2.1 Berechnung gleichverteilter Zufallszahlen. (Linearer Kongruenz-Generator)

2.1 Berechnung gleichverteilter Zufallszahlen. (Linearer Kongruenz-Generator) Seydel: Skript umerische Finanzmathematik, Kap. 2 (Version 20) 33 ¾º Ö ÒÙÒ ÚÓÒ Ù ÐÐ Þ Ð Ò Definition (Stichprobe einer Verteilung) Eine Folge von Zahlen heißt Stichprobe (sample) von einer Verteilungsfunktion

Mehr

Markov-Ketten-Monte-Carlo-Verfahren

Markov-Ketten-Monte-Carlo-Verfahren Markov-Ketten-Monte-Carlo-Verfahren Anton Klimovsky 21. Juli 2014 Strichprobenerzeugung aus einer Verteilung (das Samplen). Markov- Ketten-Monte-Carlo-Verfahren. Metropolis-Hastings-Algorithmus. Gibbs-Sampler.

Mehr

Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006

Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 1 3.34 1.1 Angabe Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 U sei auf dem Intervall (0, 1) uniform verteilt. Zeigen

Mehr

Grundlagen der Monte-Carlo-Simulation. Dr. Sebastian Lück 7. Februar 2012

Grundlagen der Monte-Carlo-Simulation. Dr. Sebastian Lück 7. Februar 2012 Grundlagen der Monte-Carlo-Simulation Dr. Sebastian Lück 7. Februar 2012 page 2 Contents Motivation Erzeugung von SPZZ Software Transformation von SPZZ Akzeptanz- und Verwerfungsmethode Monte-Carlo-Integration

Mehr

Faktorisierung ganzer Zahlen mittels Pollards ρ-methode (1975)

Faktorisierung ganzer Zahlen mittels Pollards ρ-methode (1975) Dass das Problem, die Primzahlen von den zusammengesetzten zu unterscheiden und letztere in ihre Primfaktoren zu zerlegen zu den wichtigsten und nützlichsten der ganzen Arithmetik gehört und den Fleiss

Mehr

Inhaltsverzeichnis 12.01.2015. 1. Grundbegriffe. 2. Einführung in die statistische Mechanik. 3. Normalmoden. 4. Molekulardynamik

Inhaltsverzeichnis 12.01.2015. 1. Grundbegriffe. 2. Einführung in die statistische Mechanik. 3. Normalmoden. 4. Molekulardynamik Inhaltsverzeichnis 1. Grundbegriffe 2. Einführung in die statistische Mechanik 3. ormalmoden 4. Molekulardynamik 5. Monte -Carlo Simulationen 6. Finite-Elemente Methode 1 Casino in Monte Carlo, Monaco

Mehr

Simulation mit der Monte-Carlo-Methode

Simulation mit der Monte-Carlo-Methode Rechnernutzung in der Physik Simulation mit der Monte-Carlo-Methode - Grundsätzliches - gleichverteilte (Pseudo-)Zufallszahlen - Verfahren zur Erzeugung beliebiger Verteilungen - Beispiele 1 Grundsätzliches

Mehr

Zufallszahlen in AntBrain

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

Mehr

Probabilistisches Tracking mit dem Condensation Algorithmus

Probabilistisches Tracking mit dem Condensation Algorithmus Probabilistisches Tracking mit dem Condensation Algorithmus Seminar Medizinische Bildverarbeitung Axel Janßen Condensation - Conditional Density Propagation for Visual Tracking Michael Isard, Andrew Blake

Mehr

Computational Finance

Computational Finance Computational Finance Kapitel 2.1: Einführung in die Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring 4

Mehr

Zufallszahlen. Inhaltsüberblick

Zufallszahlen. Inhaltsüberblick Veranstaltung: Chipkartensysteme 1, SS 2005 Prof. Dr. Martin Leischner Bearbeitet von Christian Linke Inhaltsüberblick generatoren Nicht-Deterministisch Deterministisch Güte von Erzeugung von für Chipkarten

Mehr

Monte Carlo Simulation (Grundlagen)

Monte Carlo Simulation (Grundlagen) Der Titel des vorliegenden Beitrages wird bei den meisten Lesern vermutlich Assoziationen mit Roulette oder Black Jack hervorrufen. Allerdings haben das heutige Thema und die Spieltische nur den Namen

Mehr

Fotios Filis. Monte-Carlo-Simulation

Fotios Filis. Monte-Carlo-Simulation Fotios Filis Monte-Carlo-Simulation Monte-Carlo-Methoden??? Spielcasino gibt Namen Monte Carlo war namensgebend für diese Art von Verfahren: Erste Tabellen mit Zufallszahlen wurden durch Roulette-Spiel-Ergebnisse

Mehr

Erzeugung von Pseudozufallszahlen mit Computern

Erzeugung 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

Mehr

COMPUTERSIMULATIONEN. Ein Überblick

COMPUTERSIMULATIONEN. Ein Überblick COMPUTERSIMULATIONEN Ein Überblick Ziel: Vorhersage der makroskopischen Eigenschaften eines Systems. Geht das? Newton: Ja: F=m a gibt an, wie sich das System mit der Zeit entwickelt Laplace: Im Prinzip

Mehr

Einführung in Statistik und Messwertanalyse für Physiker

Einführung in Statistik und Messwertanalyse für Physiker Gerhard Böhm, Günter Zech Einführung in Statistik und Messwertanalyse für Physiker SUB Göttingen 7 219 110 697 2006 A 12486 Verlag Deutsches Elektronen-Synchrotron Inhalt sverzeichnis 1 Einführung 1 1.1

Mehr

Monte Carlo Simulation des 2-D Ising Modells

Monte Carlo Simulation des 2-D Ising Modells Monte Carlo Simulation des -D Ising Modells Seminararbeit am Institut für theoretische Physik an der TU Braunschweig Von Thomas Schart WS 004/05 1 Inhaltsverzeichnis: 1. Einleitung...3. Das Ising Modell...6

Mehr

38. Algorithmus der Woche Zufallszahlen Wie kommt der Zufall in den Rechner?

38. Algorithmus der Woche Zufallszahlen Wie kommt der Zufall in den Rechner? 38. Algorithmus der Woche Zufallszahlen Wie kommt der Zufall in den Rechner? Autor Tim Jonischkat, Universität Duisburg-Essen Bruno Müller-Clostermann, Universität Duisburg-Essen Algorithmen sind clevere

Mehr

3 Monte-Carlo-Simulationen

3 Monte-Carlo-Simulationen 3 Monte-Carlo-Simulationen In diesem Kapitel soll mit der so genannten Monte-Carlo-Methode ein wichtiges Anwendungsgebiet des in Kapitel 2 erarbeiteten Begriffs- und Methodenapparats detaillierter beleuchtet

Mehr

Füllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge

Füllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge 2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten

Mehr

Schriftliche Ausarbeitung zum Vortrag Monte-Carlo-Simulation

Schriftliche Ausarbeitung zum Vortrag Monte-Carlo-Simulation Schriftliche Ausarbeitung zum Vortrag Monte-Carlo-Simulation Universität Hamburg Fachbereich Informatik Johannes Schlundt 20. März 2013 Inhaltsverzeichnis 1 Motivation 2 2 Geschichte 2 3 Monte Carlo Simulation

Mehr

q = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678

q = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678 Lösungsvorschläge zu Blatt 8 X binomialverteilt mit p = 0. und n = 10: a PX = = 10 q = 1 p = 0.8 0. 0.8 10 = 0, 1,..., 10 PX = PX = 0 + PX = 1 + PX = 10 10 = 0. 0 0.8 10 + 0. 1 0.8 9 + 0 1 10 = 0.8 8 [

Mehr

Die Bestimmung von Value-at-Risk-Werten mit Hilfe der Monte-Carlo-Simulation

Die Bestimmung von Value-at-Risk-Werten mit Hilfe der Monte-Carlo-Simulation Die Bestimmung von Value-at-Risk-Werten mit Hilfe der Monte-Carlo-Simulation Studiengang Informatik Jens Schiborowski 8. Januar 2009 Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik 1 Abstract

Mehr

Simulation mit modernen Tools - runde und spitze Berechnung von π -

Simulation mit modernen Tools - runde und spitze Berechnung von π - Simulation mit modernen Tools - runde und spitze Berechnung von π - Prof. Dr. rer. nat. Stefan Ritter Fakultät EIT 7. April 01 Gliederung 1. Wozu Simulation?. Moderne Tools zur Simulation 1. Maple, Geogebra

Mehr

Seminar Finanzmathematik

Seminar Finanzmathematik Seminar Finanzmathematik Simulationen zur Black-Scholes Formel von Christian Schmitz Übersicht Zufallszahlen am Computer Optionspreis als Erwartungswert Aktienkurse simulieren Black-Scholes Formel Theorie

Mehr

Was können Schüler anhand von Primzahltests über Mathematik lernen?

Was können Schüler anhand von Primzahltests über Mathematik lernen? Was können Schüler anhand von Primzahltests über Mathematik lernen? Innermathematisches Vernetzen von Zahlentheorie und Wahrscheinlichkeitsrechnung Katharina Klembalski Humboldt-Universität Berlin 20.

Mehr

Modellgestützte Analyse und Optimierung Übungsblatt 4

Modellgestützte Analyse und Optimierung Übungsblatt 4 Fakultät für Informatik Lehrstuhl 4 Peter Buchholz, Jan Kriege Sommersemester 2015 Modellgestützte Analyse und Optimierung Übungsblatt 4 Ausgabe: 27.04.2015, Abgabe: 04.05.2015 (12 Uhr) Aufgabe 4.1: Verteilungsfunktionen

Mehr

Grundlagen der Verschlüsselung und Authentifizierung (2)

Grundlagen der Verschlüsselung und Authentifizierung (2) Grundlagen der Verschlüsselung und Authentifizierung (2) Benjamin Klink Friedrich-Alexander Universität Erlangen-Nürnberg Benjamin.Klink@informatik.stud.uni-erlangen.de Proseminar Konzepte von Betriebssystem-Komponenten

Mehr

Ausarbeitung des Seminarvortrags zum Thema

Ausarbeitung des Seminarvortrags zum Thema Ausarbeitung des Seminarvortrags zum Thema Anlagepreisbewegung zum Seminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn von Imke Meyer im W9/10 Anlagepreisbewegung

Mehr

Simulationsverfahren. Schwerpunkt: Monte Carlo Simulation

Simulationsverfahren. Schwerpunkt: Monte Carlo Simulation Simulationsverfahren Schwerpunkt: Monte Carlo Simulation Agenda 1. Was ist eine Simulation? 2. Verschiedene Arten von Simulation 3. Einsatzgebiete von Simulationen 4. Geschichte der MC Simulation 5. Warum

Mehr

Simulation von Zinsentwicklungen und Bewertung von gängigen Finanzprodukten

Simulation von Zinsentwicklungen und Bewertung von gängigen Finanzprodukten Simulation von Zinsentwicklungen und Bewertung von gängigen Finanzprodukten Andreas Eichler Institut für Finanzmathematik Johannes Kepler Universität Linz 1. Februar 2010 1 / 7 Gliederung 1 Was ist Finanzmathematik

Mehr

Monte Carlo Methoden in Kreditrisiko-Management

Monte Carlo Methoden in Kreditrisiko-Management Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen

Mehr

Die Black-Scholes-Gleichung

Die Black-Scholes-Gleichung Die Black-Scholes-Gleichung Franziska Merk 22.06.2012 Outline Optionen 1 Optionen 2 3 Optionen Eine Kaufoption ist ein Recht, eine Aktie zu einem heute (t=0) festgelegten Preis E an einem zukünftigen Zeitpunkt

Mehr

Practical Numerical Training UKNum

Practical 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

Mehr

Motivation. Jede Messung ist mit einem sogenannten Fehler behaftet, d.h. einer Messungenauigkeit

Motivation. Jede Messung ist mit einem sogenannten Fehler behaftet, d.h. einer Messungenauigkeit Fehlerrechnung Inhalt: 1. Motivation 2. Was sind Messfehler, statistische und systematische 3. Verteilung statistischer Fehler 4. Fehlerfortpflanzung 5. Graphische Auswertung und lineare Regression 6.

Mehr

Kryptographie und Komplexität

Kryptographie und Komplexität Kryptographie und Komplexität Einheit 2.3 One-Time Pads und Perfekte Sicherheit 1. Perfekte Geheimhaltung 2. One-Time Pads 3. Strombasierte Verschlüsselung Wie sicher kann ein Verfahren werden? Ziel ist

Mehr

Monte Carlo Simulationen

Monte Carlo Simulationen Monte Carlo Simulationen Problem: Auswertung der Zustandssumme Wie können Q, und berechnet werden? Q = (1/V) n exp{- ß U(r 1, r 2,..., r N )} dr 1 dr 2...dr N (1) = (1/Q) (1/V N ) U(r 1, r

Mehr

Monte Carlo Methoden

Monte Carlo Methoden Monte Carlo Methoden im Verstärkungslernen [Spink] Bryan Spink 2003 Ketill Gunnarsson [ ketill@inf.fu-berlin.de ], Seminar zum Verstärkungslernen, Freie Universität Berlin [ www.inf.fu-berlin.de ] Einleitung

Mehr

Statistik I für Betriebswirte Vorlesung 5

Statistik I für Betriebswirte Vorlesung 5 Statistik I für Betriebswirte Vorlesung 5 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 07. Mai 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 5 1 Klassische Wahrscheinlichkeitsdefinition

Mehr

Universität zu Köln Mathematisches Institut Sommersemester 2008. Zufallszahlengeneratoren und Monte-Carlo-Simulation

Universität zu Köln Mathematisches Institut Sommersemester 2008. Zufallszahlengeneratoren und Monte-Carlo-Simulation Universität zu Köln Mathematisches Institut Sommersemester 2008 Zufallszahlengeneratoren und Monte-Carlo-Simulation Stefan Müller muelles1(at)smail.uni-koeln.de 3. September 2008 1 Optionen In den letzten

Mehr

Seminar Finanzmathematik

Seminar Finanzmathematik Seminar Finanzmathematik Simulationen zur Black-Scholes Formel Seite 1 von 24 Zufallszahlen am Computer 3 Gleichverteilte Zufallszahlen 3 Weitere Verteilungen 3 Quadratische Verteilung 4 Normalverteilung

Mehr

Monte-Carlo Simulation

Monte-Carlo Simulation Monte-Carlo Simulation Dolga Olena Otto-von-Guericke-Universität Fakultät für Informatik Seminar-Das virtuelle Labor Inhaltsverzeichnis Überblick Geschichte Anwendung -Bereiche -Spezielle Methoden Mathematische

Mehr

DLP. Adolphe Kankeu Tamghe papibobo@informatik.uni-bremen.de ALZAGK SEMINAR. Bremen, den 18. Januar 2011. Fachbereich Mathematik und Informatik 1 / 27

DLP. Adolphe Kankeu Tamghe papibobo@informatik.uni-bremen.de ALZAGK SEMINAR. Bremen, den 18. Januar 2011. Fachbereich Mathematik und Informatik 1 / 27 DLP Adolphe Kankeu Tamghe papibobo@informatik.uni-bremen.de Fachbereich Mathematik und Informatik ALZAGK SEMINAR Bremen, den 18. Januar 2011 1 / 27 Inhaltsverzeichnis 1 Der diskrete Logarithmus Definition

Mehr

Erforschung aktueller Quellen von Zufallszahlen

Erforschung aktueller Quellen von Zufallszahlen Erforschung aktueller Quellen von Zufallszahlen Projektarbeit verfasst von Carole Bréda Matrikelnummer: 1100786 Betreuer: Dipl. Math. Daniel Mohr Betreuerin: Dipl. Math. Nina Ovcharova Institut für Mathematik

Mehr

Informatik Aufgaben. 1. Erstelle ein Programm zur Berechnung der Summe der Zahlen von 1 bis n, z.b. n = 100.

Informatik Aufgaben. 1. Erstelle ein Programm zur Berechnung der Summe der Zahlen von 1 bis n, z.b. n = 100. Informatik Aufgaben 1. Erstelle ein Programm zur Berechnung der Summe der Zahlen von 1 bis n, z.b. n = 100. 2. Erstelle ein Programm, das die ersten 20 (z.b.) ungeraden Zahlen 1, 3, 5,... ausgibt und deren

Mehr

Skriptum zur Veranstaltung. Quantitative Methoden (Mathematik/Statistik) Teil Induktive Statistik. 1. Version (mehr Draft als Skriptum)

Skriptum zur Veranstaltung. Quantitative Methoden (Mathematik/Statistik) Teil Induktive Statistik. 1. Version (mehr Draft als Skriptum) Skriptum zur Veranstaltung Quantitative Methoden (Mathematik/Statistik) Teil Induktive Statistik 1. Version (mehr Draft als Skriptum) Anmerkungen, Aufzeigen von Tippfehlern und konstruktive Kritik erwünscht!!!

Mehr

Kapitel 3: Etwas Informationstheorie

Kapitel 3: Etwas Informationstheorie Stefan Lucks 3: Informationstheorie 28 orlesung Kryptographie (SS06) Kapitel 3: Etwas Informationstheorie Komplexitätstheoretische Sicherheit: Der schnellste Algorithmus, K zu knacken erfordert mindestens

Mehr

Die Varianz (Streuung) Definition

Die Varianz (Streuung) Definition Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ

Mehr

Einführung 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. 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

Mehr

Zufallsgeneratoren. von Tobias Litte. Anwendungen der statistischen Physik WS 2004/05

Zufallsgeneratoren. von Tobias Litte. Anwendungen der statistischen Physik WS 2004/05 Zufallsgeneratoren von Tobias Litte Anwendungen der statistischen Physik WS 004/05 Inhaltsverzeichnis. Einleitung...3. Linear kongruente Zufallsgeneratoren...3. Bekannte Probleme von linear kongruenten

Mehr

Kryptographische Systeme (M, C, K, e, d) Symmetrische Verfahren (gleicher Schlüssel zum Verschlüsseln und Entschlüsseln):

Kryptographische Systeme (M, C, K, e, d) Symmetrische Verfahren (gleicher Schlüssel zum Verschlüsseln und Entschlüsseln): Was bisher geschah Kryptographische Systeme (M, C, K, e, d) Symmetrische Verfahren (gleicher Schlüssel zum Verschlüsseln und Entschlüsseln): Substitutions-Chiffren (Permutationschiffren): Ersetzung jedes

Mehr

In Kapitel 1 haben wir folgende Formel zur risiko-neutralen Bewertung von Optionen eingeführt:

In Kapitel 1 haben wir folgende Formel zur risiko-neutralen Bewertung von Optionen eingeführt: Seydel: Skript Numerische Finanzmathematik, Kap. 3 (Version 211) 47 ºÅÓÒØ ¹ ÖÐÓ¹Å Ø Ó Ò In Kapitel 1 haben wir folgende Formel zur risiko-neutralen Bewertung von Optionen eingeführt: V (S, ) = e rt E Q

Mehr

, dt. $+ f(x) = , - + < x < +, " > 0. " 2# Für die zugehörige Verteilungsfunktion F(x) ergibt sich dann: F(x) =

, dt. $+ f(x) = , - + < x < +,  > 0.  2# Für die zugehörige Verteilungsfunktion F(x) ergibt sich dann: F(x) = 38 6..7.4 Normalverteilung Die Gauß-Verteilung oder Normal-Verteilung ist eine stetige Verteilung, d.h. ihre Zufallsvariablen können beliebige reelle Zahlenwerte annehmen. Wir definieren sie durch die

Mehr

$ % + 0 sonst. " p für X =1 $

$ % + 0 sonst.  p für X =1 $ 31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses

Mehr

Anwendung von Zufallszahlen bei der Monte-Carlo-Simulation

Anwendung von Zufallszahlen bei der Monte-Carlo-Simulation Vorlesungsreihe Simulation betrieblicher Prozesse Anwendung von Zufallszahlen bei der Monte-Carlo-Simulation Prof. Dr.-Ing. Thomas Wiedemann email: wiedem@informatik.htw-dresden.de HOCHSCHULE FÜR TECHNIK

Mehr

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion

Mehr

Prof. Dr. H. Rommelfanger: Entscheidungstheorie, Kapitel 3 38

Prof. Dr. H. Rommelfanger: Entscheidungstheorie, Kapitel 3 38 Prof. Dr. H. Rommelfanger: Entscheidungstheorie, Kapitel 3 38 Offene Fragen Warum ist ein ET bereit, für eine Feuerversicherung mit einer Versicherungshöhe von 1 Million und einer Jahreseintrittswahrscheinlichkeit

Mehr

Projekt 2. Ising Modell: Monte Carlo Sampling auf dem Gitter, Phasenübergänge (Kurt Langfeld) 2.1 Das Ising Modell. 2.1.

Projekt 2. Ising Modell: Monte Carlo Sampling auf dem Gitter, Phasenübergänge (Kurt Langfeld) 2.1 Das Ising Modell. 2.1. Projekt 2 Ising Modell: Monte Carlo Sampling auf dem Gitter, Phasenübergänge (Kurt Langfeld) 2.1 Das Ising Modell 2.1.1 Allgemeines Das Ising Modell realisiert eine sehr vereinfachte Vorstellung von einem

Mehr

Teil II Optimierung. Peter Buchholz 2016. Modellgestützte Analyse und Optimierung Kap. 9 Einführung Optimierung

Teil II Optimierung. Peter Buchholz 2016. Modellgestützte Analyse und Optimierung Kap. 9 Einführung Optimierung Teil II Optimierung Gliederung 9 Einführung, Klassifizierung und Grundlagen 10 Lineare Optimierung 11 Ganzzahlige und kombinatorische Optimierung 12 Dynamische Optimierung Literatur: zu 10-12: Neumann,

Mehr

Binäre abhängige Variablen

Binäre 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

Mehr

8. Stetige Zufallsvariablen

8. Stetige Zufallsvariablen 8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse

Mehr

Physik 4, Übung 8, Prof. Förster

Physik 4, Übung 8, Prof. Förster Physik 4, Übung 8, Prof. Förster Christoph Hansen Emailkontakt Dieser Text ist unter dieser Creative Commons Lizenz veröffentlicht. Ich erhebe keinen Anspruch auf Vollständigkeit oder Richtigkeit. Falls

Mehr

Analytische Methoden und die Black-Scholes Modelle

Analytische Methoden und die Black-Scholes Modelle Analytische Methoden und die Black-Scholes Modelle Diplomverteidigung Universität Rostock Institut für Mathematik 20.01.2011 Agenda 1 Das Ornstein-Uhlenbeck Volatilitätsmodell 2 in L 2 (R 2 ) 3 4 Problem

Mehr

Die Binomialverteilung

Die Binomialverteilung Fachseminar zur Stochastik Die Binomialverteilung 23.11.2015 Referenten: Carolin Labrzycki und Caroline Kemper Gliederung Einstieg Definition der Binomialverteilung Herleitung der Formel an einem Beispiel

Mehr

Komplexe Systeme: Computerphysik I

Komplexe Systeme: Computerphysik I Komplexe Systeme: Computerphysik I Ludger Santen und Heiko Rieger Vorlesungsmanuskript Saarbrücken, WS 2003/2004 Inhaltsverzeichnis 1 Einführung 1 1.1 Warum Computerphysik?................. 1 1.2 Elemente

Mehr

Spin-Modelle und Monte-Carlo Simulationen

Spin-Modelle und Monte-Carlo Simulationen Spin-Modelle und Monte-Carlo Simulationen Ralf Gamillscheg Technische Universität Graz 12. 1. 2006 Ralf Gamillscheg (TUG) Monte Carlo Simulationen 12. 1. 2006 1 / 22 Einleitung Spins uä. Statistische Physik

Mehr

Monty Hall-Problem. Wochen 3 und 4: Verteilungen von Zufallsvariablen. Lernziele. Diskrete Verteilungen

Monty Hall-Problem. Wochen 3 und 4: Verteilungen von Zufallsvariablen. Lernziele. Diskrete Verteilungen Monty Hall-Problem Wochen 3 und 4: Verteilungen von Zufallsvariablen US-amerikanische Fernseh-Show Let s make a deal, moderiert von Monty Hall: WBL 15/17, 04.05.2015 Alain Hauser

Mehr

Methoden des Algorithmenentwurfs Kapitel 2.2: Randomisierte Online Algorithmen

Methoden des Algorithmenentwurfs Kapitel 2.2: Randomisierte Online Algorithmen Methoden des Algorithmenentwurfs Kapitel 2.2: Randomisierte Online Algorithmen Christian Scheideler SS 2009 16.07.2009 Kapitel 2 1 Übersicht Notation Paging Selbstorganisierende Suchstrukturen Finanzielle

Mehr

Inhaltsverzeichnis. Vorwort... V. Symbolverzeichnis... XIII

Inhaltsverzeichnis. Vorwort... V. Symbolverzeichnis... XIII Inhaltsverzeichnis Vorwort................................................................. V Symbolverzeichnis...................................................... XIII Kapitel 1: Einführung......................................................

Mehr

Die Monte-Carlo-Simulation

Die Monte-Carlo-Simulation Die Monte-Carlo-Simulation O.Büker 04.09.2008 O.Büker, PTB Institut Berlin 1 von 26 Inhaltsverzeichnis 1 Zur Person 2 Einführung 3 Geschichte 4 Beispiele 5 Ausblick 6 Referenzen O.Büker, PTB Institut Berlin

Mehr

Unsupervised Kernel Regression

Unsupervised Kernel Regression 9. Mai 26 Inhalt Nichtlineare Dimensionsreduktion mittels UKR (Unüberwachte KernRegression, 25) Anknüpfungspunkte Datamining I: PCA + Hauptkurven Benötigte Zutaten Klassische Kernregression Kerndichteschätzung

Mehr

Lebensdauer eines x-jährigen

Lebensdauer eines x-jährigen Lebensdauer eines x-jährigen Sabrina Scheriau 20. November 2007, Graz 1 INHALTSVERZEICHNIS 2 Inhaltsverzeichnis 1 Einleitung 3 2 Sterbewahrscheinlichkeiten 4 2.1 Definition und Ermittlung....................

Mehr

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank

Mehr

R ist freie Software und kann von der Website. www.r-project.org

R ist freie Software und kann von der Website. www.r-project.org R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird

Mehr

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Dozent: Volker Krätschmer Fakultät für Mathematik, Universität Duisburg-Essen, WS 2012/13 1. Präsenzübung Aufgabe T 1 Sei (Z 1,...,

Mehr

MINT-Circle-Schülerakademie

MINT-Circle-Schülerakademie 1 Einführung MINT-Circle-Schülerakademie Kurze Einführung, was Maple ist, wozu es dienen kann, wo es verwendet wird. Zur Einführung die folgenden Aufgaben bearbeiten lassen. Aufgabe 1. Gib unter Maple

Mehr

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Institut für Stochastik Prof. r. N. Bäuerle ipl.-math. S. Urban Lösungsvorschlag 3. Übungsblatt zur Vorlesung Finanzmathematik I Aufgabe as endnutzenoptimale Aktienportfolio bei Exp-Nutzen Wir betrachten

Mehr

MATHEMATISCHE ANALYSE VON ALGORITHMEN

MATHEMATISCHE ANALYSE VON ALGORITHMEN MATHEMATISCHE ANALYSE VON ALGORITHMEN Michael Drmota Institut für Diskrete Mathematik und Geometrie, TU Wien michael.drmota@tuwien.ac.at www.dmg.tuwien.ac.at/drmota/ Ringvorlesung SS 2008, TU Wien Algorithmus

Mehr

1.3 Ein paar Standardaufgaben

1.3 Ein paar Standardaufgaben 1.3 Ein paar Standardaufgaben 15 1.3 Ein paar Standardaufgaben Einerseits betrachten wir eine formale und weitgehend abgeschlossene mathematische Theorie. Sie bildet einen Rahmen, in dem man angewandte

Mehr