Einführung (1) In der Praxis finden Sie viele Anwendungsfelder für Zufallszahlen. Beispiele
|
|
- Nicole Scholz
- vor 7 Jahren
- Abrufe
Transkript
1 11. Zufallszahlen 1
2 Einführung (1) In der Praxis finden Sie viele Anwendungsfelder für Zufallszahlen. Beispiele sind 1. Computersimulationen 2. Optimierungsprobleme und 3. Hochdimensionale Integrale. Problemstellung: Erzeuge gleichverteilte Zufallszahlen im Intervall (0;1) ( uniform deviaters ), meist mit 0 und ohne 1. Aus solchen UD können Zufallszahlen anderer Verteilungen, wie z.b. der Gauß-Verteilung gemacht werden. Praxis: Kaufe z.b. CDs mit Zufallszahlen aus radioaktiven Zerfällen oder anderen zufälligen Naturereignissen (meist überflüssig und speicherintensiv). 2
3 Einführung (2) Benutze ein Rekursionsformel zur Erzeugung der Zufallszahlen, ( deterministische Zufallszahlen ): Pseudo-Zufallszahlen. Pseudo-Zufallszahlen müssen auf ihre Qualität hin untersucht werden! Pseudo-Zufallszahlen sind zu unterscheiden von Quasi-Zufallszahlen: Quasi-Zufallszahlengeneratoren erzeugen nicht eine zufällige Folge von Zahlen, sondern Zahlen, die möglichst gut gleichverteilt sind (wenige Anwendungen und hier nicht behandelt). Zwei Definition von Zufallszahlen 1. Eine Folge von Zahlen ist zufällig, wenn ihre Komplexität nicht kleiner als die Folge selbst ist. 2. Eine Folge von Zahlen ist zufällig, wenn kein Algorithmus das nächste Element in polynomialer Zeit vorhersagen kann (chaotische Systeme). 3
4 Einführung (3) Praxis: Eine Folge von Zahlen ist zufällig, 1. wenn die nächste Zahl nicht vorhersagbar ist für den, der den Algorithmus nicht kennt, 2. wenn die Folge eine bestimmte Anzahl von Tests erfüllt. Wirkliche Zufallszahlen gibt es auf einem Computer nicht, da es sich immer um einen deterministischen Algorithmus handelt und es damit immer eine Anwendung bzw. einen Test gibt, bei dem der Zufallszahlengenerator versagt. 4
5 Einführung (4) Gute Generatoren sollten folgende Kriterien erfüllen: große Periode, geringe Korrelation, gleichmäßige Verteilung, Portierbarkeit, Wiederholbarkeit und lange sich nicht überschneidende Teilfolgen (Parallelrechner). 5
6 Einführung (5) Typischerweise gibt es auf Computern Funktionen wie rand(). Ein Programm wie #include <stdlib.h>... for (i=0;i<100,i++) a[i]= rand(); erzeugt 100 Zufallszahlen zwischen 0 und RAND MAX. Hinzu kommt eine Funktion, um den Startwert einer Folge von Zufallszahlen festzulegen, z.b. void srand(unsigned seed) 6
7 Einführung (6) Warum ist hier nicht die Vorlesung über Zufallszahlen zu Ende? Computer werden immer leistungsfähiger und können damit auch immer präzisere numerische Berechnungen durchgeführt werden. Einfache Zufallszahlen-Generatoren wie in den meisten Bibliotheksfunktionen liefern z.b. bei einigen Computersimulationen FALSCHE Ergebnisse! Zufallszahlen-Generatoren sind deshalb seit Jahrzehnten aktuelles Forschungsgebiet. 7
8 Zufallszahlen-Generatoren (1) Es existieren zwei wesentliche Arten von Generatoren: Multiplikative lineare kongruente Generatoren (Integer Arithmetik) x n = a 1 x n 1 +a 2 x n 2 +a j x n j +a 0 (mod m) Rückkoppel-Schieberegister-Methode (Shift Register) oder Tausworth Generatoren (Bit Arithmetik) a k = c 1 a k 1 +c 2 a k 2 + +c j a k j +c 0 (mod 2) Diese werden abhängig von der Wahl der Integer-Konstanten a i bzw. Bit-Konstanten c i in verschiedene Klassen unterteilt. 8
9 Zufallszahlen-Generatoren (2) 1. Ein einfacher Zufallszahlen-Generator Der einfachste Zufallszahlen-Generator ist ein linear kongruenter Zufallszah Generator x n = (ax n 1 +b) mod(m) Dieses ist der älteste Zufallszahlen-Generator (D.H.Lehmer, 1948) mit der maximalen Periode m. Der Generator in C: iseed = (iseed*a+b)%m; ran = (float)iseed/(float)m; Es sollten alle ganzen Zahlen 0...(m 1) vorkommen, also eine volle Periode. Dies ist durch geeignete Parameter a,b und m zu erreichen. z. B. iseed = (69069 iseed+1) (mod 2 32 ) Die meisten als Bibliothek vorhandenen Zufallszahlen-Generatoren sind einfache linear kongruente Generator. 9
10 Zufallszahlen-Generatoren (3) 2. Fibonacci Zufallszahlen-Generatoren Ein Fibonacci Zufallszahlen-Generator ist eine einfache Abwandlung der multiplikativen linear kongruenten Generatoren, bei der neben der Addition auch andere arithmetische Operationen verwendet werden. x n = x n p x n q (mod m) Maximale Periode: (2 p 1)(2 q 1). Er erfordert nur eine Rechenoperation und wird deshalb häufig für aufwendige Berechnungen verwendet. 3. Rückkoppel-Schieberegister-Methode (Tausworth) Methode: Benutze die Zahlendarstellung im Rechner, um Zufallszahlensequenzen {a i } von Bits zu erzeugen, die anschließend wieder als Zahlen interpretiert werden. 10
11 Zufallszahlen-Generatoren (4) Gegeben sei eine einmal festgelegte Sequenz von p Bits c p,...,c 1 Berechne aus einer vorliegenden Bitfolge a k p,...,a k 1 ein neues Bit a k mit a k = (c p a k p +c p 1 a k p 1 + +c 1 a k 1 +c 0 ) (mod 2). Ein Beispiel mit (c 0 = 1): c 4 c 3 c 2 c a k 4 a k 3 a k 2 a k 1 a k Anfang
12 Zufallszahlen-Generatoren (5) Maximale Periode: 2 p 1. Die Zufallszahlen ergeben sich aus y 1 = a 1...a L (dual) Günstigen Sätze von c i sind: y i = a (i 1)L+1 a (i 1)L+2...a il c i = δ i,35 +δ i,2 c i = δ i,23 +δ i,2 c i = δ i,35 +δ i,3 (Tausworth) (Canavos) (Whitlesey) Die Gleichförmigkeit der Verteilung der Punkte, die aus den konsekutiven n-tupeln des Zufallszahlen-Generators gewonnen werden, ist in R n im allgemeinen nicht gewährleistet. 12
13 Zufallszahlen-Generatoren (6) In der Praxis werden auch häufig nicht-optimale c i in Kombination mit anderen Zufallszahlengeneratoren genutzt. Ein Beispiel ist a k = a k 32 +a k 17 (mod 2) Für diesen Generator lässt sich ein sehr einfacher Algorithmus schreiben: bzw. in C: a = a ishft(a,17); a = a ishft(a, 15) a = a_0 ^ (a_0 << 17); a = a ^ (a_0 >> 15); a a<<17 ^ 0 a^(k<<17) a>>15 ^ a a^(a<<17) a a = a a
14 Zufallszahlen-Generatoren (7) 4. Eine Variation von S.Kirkpatrick und E.P.Stoll Betrachte zwei Integer Zahlen x i als Spalten einer Bit-Matrix. Die nächste Zufallszahl wird durch die Bit-Operation XOR aus 2 vorher berechneten Zufallszahlen erzeugt. x n = x n p x n q (mod m) Das ist äquivalent zu dem Fibonacci Generator. Eine gute Wahl für p und q ist z.b. p = 103 und q = 250. Vorsicht bei der Initialisierung der Generators: Verwendet werden z.b. gute multiplikative linear kongruenten Generatoren. 5. Korrelation und shuffle Aufeinanderfolgende Zufallszahlen sind korreliert. Mische die Sequenz der Zufallszahlen ( shuffle ) zur Unterdrückung von Korrelationen von aufeinander folgende Zufallszahlen. 14
15 Zufallszahlen-Generatoren (8) Beispiel: Bays Durham Shuffle Algorithmus double rano(int idun) {... static double y; // Speichere zuerst 97 Zufallszahlen ab if (idun < 0) { iseed = abs(idun); srand(iseed); for (i=0;i<97;i++) // Abstand zum letzten Set rand(); // bzw. Einschwingen for (i=0;i<97;i++) // v auffüllen v[i] = ranf(); y = rand()*1.0/rand_max; // nutze die rand() fuer shuffle } j = (int) (97.*y); // Zufallsindex y = v(j)*1.0/rand_max; // Zufallszahl sichern v(j) = rand(); // Element neu belegen return y; } 15
16 Zufallszahlen-Generatoren (9) 6. Inverser kongruenter Generator Ende der 80er Jahre wurde eine einfache Variante des linear kongruenten Zufallszahlen-Generator entwickelt, mit besseren Eigenschaften. x n = (a x n 1 +b) mod(m) Dabei ist x definiert über xx = 1 mod m. 7. ACARRY-Zufallszahlengenerator Von Marsaglier wurde in den 90er Jahren eine neue Klasse von Zufallszahlen Generatoren entwickelt: die add-and-carry, ACARRY Generatoren. Der Algorithmus gleicht dem Fibonacci Generator, jedoch mit der Addition eines zusätzlichen Bits, wenn die Fibonacci Summe größer als eine Integer-Basis m ist: x n = (x n r ±x n s ±c) (mod m) mit r > s 1 16
17 Zufallszahlen-Generatoren (10) Eine spezielle Version ist der Generator subtract-and-borrow oder RCAR- RY. n = (x n r x n s c n 1 ) (mod m) und x n = n, c n = 0 für n 0 x n = n +b, c n = 1 für n < 0 Hier wird r und s wie beim Fibonacci Generator aus einem Satz magischer Zahlen gewählt. Eine häufige Wahl ist m = 2 24, und r = 24,s = 10 mit der Periode Zusammengesetzte Zufallszahlengenerator In der Mitte der 70er Jahre entwickelten Marsaglia und Zaman den ersten zusammengesetzten Zufallszahlen-Generator aus einem einfachen linear kongruenten Generator und ein shift-register Generator mit dem Namen Super Duper, der heute noch eingesetzt wird. 17
18 Zufallszahlen-Generatoren (11) Eine Kombination mit dem Namen KISS (Keep It Simple and Stupid) verbindet einem einfachen linear kongruenten Generator mit eine 32-Bit und einem 31-Bit shift-register-generator, die jeder 2 Stifts verwenden. Er hat eine Periode von i = i j = (j ishft(j,17); j = j ishft(j, 15) 3. k = k ishft(k,18); k = iand(k,2 31 1); k = k ishft(k, 13) 4. kiss = i+j +k. Diese Verfahren sind fast beliebig steigerbar. Der Zufallszahlen-Generator ULTRA von Marsaglia und Zaman verbindet RCARRY mit I = I und hat eine Periode von , der Mersenne Twister Generator hat eine Periode von
19 Test von Generatoren (1) Einige Tests auf notwendige Eigenschaften von Zufallszahlen-Generatoren, die einer Verteilung P(x) = const für x (0;1) folgen, müssen experimentell getestet werden, wenn eine Berechnung nicht möglich ist (Normalfall). 1. Test auf Gleichverteilung Es wird auf Gleichverteilung im Intervall (0;m) (mit 0 und ohne m) getestet. Es ist folgendes zu erwarten. Der Mittelwert und die Varianz muss lauten: x = 1 m m 1 i=0 i = m 1 2 ; x2 = 1 m m 1 i=0 i 2 = 2m2 3m+2 6 δx 2 = x 2 x 2 = m Wird die Verteilung auf das Intervall (0; 1) reduziert, so folgt 19
20 Test von Generatoren (2) z = x m = m ; δz2 = m 2 Kommentar: Die Terme 1 m i ergeben sich aus der Diskretheit der Zahlenmenge. 2. Test auf gleichmäßige Verteilung konsekutiver 2-Tupel im 2-Kubus. Der Test wird hier nur am Beispiel illustriert. Der Zufallszahlen-Generator x i+1 = 3x i (mod 64), erzeugt aus dem seed x 0 = 1 die Folge {1;3;9;27;17;51;25;11;33;35;41;59;49;19;57;43;1;3;...} Wenn wir diese Zahlen nun x i gegen x i+1 plotten, so erhalten wir einen Streifenplot und keine Gleichverteilung. Der Grund hierfür ist, dass aufeinanderfolgende Zahlen miteinander korreliert sind. 20
21 Test von Generatoren (3) 3. Serieller Autokorrelationstest zwischen n aufeinanderfolgenden Zufallszahlen Zu festem j und n berechnet man die Korrelation zwischen x i und x i+j Der Ausdruck für die Korrelation lautet c j = 1 n n i=1 x i x i+j Bei perfekten Zufallszahlen, also für gleichverteilte und voneinander unabhängige x i ist zu erwarten (siehe Formeln für Gleichverteilung): c j = 1 4 für j > 0; c 0 = 1 3 ; δc2 j = 1 12(n 1) 21
22 Test von Generatoren (3) Für die Observable z z = (c j 1 4 ) 12(n 1) ist dann bei N-facher Wiederholung des,,experiments eine Normalverteilung der z-werte mit der Varianz 1 zu erwarten: N(z) e z2 /2 4. Gap Test aufeinanderfolgender Ziffern Man betrachtet hier die Größe der Zwischenräume zwischen je zwei gleichen Ziffern in den aneinander geketteten Zufallszahlen, so z. B. den Sechserabstand in der Ziffernfolge }{{} }{{} 1 66 }{{} }{{}
23 Test von Generatoren (4) und vergleicht die Gapverteilung wieder mit den Erwartungen für eine Gleichverteilung: P(0) = 1 (, P(1) = 1 1 ) ( 1, P(2) = 1 1 ) Daneben gibt es noch zahlreiche weitere theoretische Tests, die sorgfältig durchgeführt werden müssen. 5. Der Test in einer konkreten Anwendung Es haben sich 2 Tests für Zufallszahlen in konkreten Anwendungen etabliert. Die Idee beruht auf dem Vergleich von Monte-Carlo Simulationen mit exakten Ergebnissen: Self avoiding random walks in 3 Dimensionen, Ising Modell in 2 Dimensionen. Wie zu erwarten werden Abweichungen in Abhängigkeit der Qualität des RNGs von den exakten Ergebnissen gefunden. 23
24 Nicht-gleichverteilte Zufallszahlen (1) Bis jetzt waren die Pseudo-Zufallszahlen stets gleichverteilt. Frage: Wie aber erzeugen wir Pseudo-Zufallszahlen, die nach irgendeiner anderen Wahrscheinlichkeitsverteilung P(y) verteilt sind? Verwendet werden meist entweder sogenannte Rejektionsverfahren oder Abbildungsverfahren der Pseudo-Zufallszahlen auf andere Funktionen. Hier nur ein Beispiel: Das Rejektionsverfahren nach von Neumann Es dient zur Erzeugung von Pseudo-Zufallszahlen aus dem Intervall (a; b) gemäß der Wahrscheinlichkeitsverteilung P(y) = e f(y) 1 f(y) 0 f(y) < 0 24
25 Nicht-gleichverteilte Zufallszahlen (2) Algorithmus: 1. erzeuge gleichverteilte Pseudo-Zufallszahl z aus (0; 1) 2. abbilde z z = a+z(b a) 3. berechne u = f(z) 4. akzeptiere z, falls u < 0 und fahre bei 1. fort, sonst: 5. berechne v = exp( u) 6. erzeuge gleichverteilte Pseudo-Zufallszahl z aus (0;1) 7. akzeptiere z, falls z < v und fahre bei 1. fort. Viele weitere Tests von Zufallszahlen und Verfahren zur Erzeugung nicht-gleichverteilter Zufallszahlen sind in der Literatur z.b. in Knuth zu finden. 25
Anhang 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
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
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
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
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
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
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
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
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,
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
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
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,
MehrZufallszahlen. Diskrete Simulation. Zufallszahlengeneratoren - Zufallszahlen
Zufallszahlen Zufallszahlengeneratoren Transformation von Zufallszahlen Test von Zufallszahlengeneratoren Otto-von-Guericke-Universität Magdeburg Thomas Schulze Zufallszahlengeneratoren - Zufallszahlen
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
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:
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
MehrComputergestütztes wissenschaftliches Rechnen SoSe 2004
Computergestütztes wissenschaftliches Rechnen SoSe 2004 Alexander K. Hartmann, Universität Göttingen 28. April 2004 2.4 Numerik 2.4.1 Zahlendarstellung Analogrechner (Rechenschieber, Op-Amp): Zahlen entsprechen
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
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
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
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
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
MehrPseudozufallsgeneratoren
Pseudozufallsgeneratoren In welchen kryptographischen Verfahren werden keine Zufallszahlen benötigt? Wie generiert man Zufallszahlen in einer deterministischen Maschine wie dem Computer? Wenn man eine
MehrStatistics, Data Analysis, and Simulation SS 2017
Mainz, 11. Mai 2017 Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
MehrMonte Carlo Simulationen
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
MehrProbabilistische Algorithmen
Probabilistische Algorithmen Michal Švancar Gerardo Balderas Hochschule Zittau/Görlitz 21. Dezember 2014 Michal Švancar, Gerardo Balderas (HSZG) Probabilistische Algorithmen 21. Dezember 2014 1 / 40 Inhaltsverzeichnis
MehrZufallszahlen 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
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 erzeugen
Informationsblatt fÿr die Lehrkraft Zufallszahlen erzeugen Informationsblatt fÿr die Lehrkraft Thema: Schultyp: Vorkenntnisse: Bearbeitungsdauer: Zufallszahlen erzeugen - Methode der linearen Kongruenz
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
MehrMatlab Zufall / Programmieren mit Matlab. Dr. Hermann Lehner Departement Informatik, ETH Zürich
Matlab Zufall / Programmieren mit Matlab Dr. Hermann Lehner Departement Informatik, ETH Zürich Dr. Hermann Lehner 20.11.2017 1 Zufall ist ein Wort ohne Sinn; nichts kann ohne Ursache existieren -- Voltaire?
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
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
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
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
MehrZufallszahlen in Testbetten und Simulationen
Zufall Wofür brauchen wir Zufallszahlen? Zufall Wofür brauchen wir Zufallszahlen? Simulation von Dingen, die wir nicht genau beschreiben wollen Zufall Wofür brauchen wir Zufallszahlen? Simulation von Dingen,
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
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,
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
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
MehrProgrammiertechnik II
Zufallszahlen Motivation Simulation Frisörbeispiel Stichprobenauswahl Telefonumfragen Numerische Algorithmen naives Beispiel: Berechnung von Pi Automatisiertes Testen Beispiel aus Übungsaufgabe "Faire"
MehrNumerik I. Aufgaben und Lösungen
Universität zu Köln SS 009 Mathematisches Institut Prof. Dr. C. Tischendorf Dr. M. Selva, mselva@math.uni-oeln.de Numeri I Musterlösung 1. Übungsblatt, Python Aufgaben und Lösungen 1. (4 Punte Die Stichprobenvarianz
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
MehrTeil VI. Gemeinsame Verteilungen. Lernziele. Beispiel: Zwei Würfel. Gemeinsame Verteilung
Zusammenfassung: diskrete und stetige Verteilungen Woche 4: Verteilungen Patric Müller diskret Wahrscheinlichkeitsverteilung p() stetig Wahrscheinlichkeitsdichte f ()
MehrLösungshinweise zum Übungsblatt 10: Programmieren in C (WS 2018/19)
Dr. habil. Bernd Schürmann Dr. Annette Bieniusa pinc-support@cs.uni-kl.de TU Kaiserslautern Fachbereich Informatik Lösungshinweise zum Übungsblatt 10: Programmieren in C (WS 2018/19) 1. Zur Beantwortung
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
MehrVorab : Von dem indischen Mathematiker D. R. Kaprekar stammt folgender Zusammenhang :
Seite 1 Algorithmen zur Erzeugung von Kaprekar- Konstanten Autor : Dipl.- Ing. Josef Meiler ; Datum : März 015 Vorab : Von dem indischen Mathematiker D. R. Kaprekar stammt folgender Zusammenhang : a) man
MehrÜberblick. Einführung in die automatische Mustererkennung Grundlagen der Wahrscheinlichkeitsrechnung
Grundlagen Überblick Einführung in die automatische Mustererkennung Grundlagen der Wahrscheinlichkeitsrechnung Klassifikation bei bekannter Wahrscheinlichkeitsverteilung Entscheidungstheorie Bayes-Klassifikator
MehrErzeugung von Pseudozufallszahlen
Erzeugung von Pseudozufallszahlen Proseminar Kryptografie und Datensicherheit Sommersemester 2009 Mario Frank Übersicht 1. Allgemeines 2. Anwendungen von PRBG 3. (k,l)-bit Generatoren 4. Unterscheidbarkeit
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
MehrTheorie-Teil: Aufgaben 1-3: 30 Punkte Programmier-Teil: Aufgaben 4-9: 60 Punkte
Hochschule RheinMain WS 2018/19 Prof. Dr. D. Lehmann Probe-Klausur zur Vorlesung Ökonometrie Theorie-Teil: Aufgaben 1-3: 30 Punkte Programmier-Teil: Aufgaben 4-9: 60 Punkte (die eigentliche Klausur wird
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
Mehr5 Interpolation und Approximation
5 Interpolation und Approximation Problemstellung: Es soll eine Funktion f(x) approximiert werden, von der die Funktionswerte nur an diskreten Stellen bekannt sind. 5. Das Interpolationspolynom y y = P(x)
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
MehrCopula Funktionen. Eine Einführung. Nils Friewald
Copula Funktionen Eine Einführung Nils Friewald Institut für Managementwissenschaften Abteilung Finanzwirtschaft und Controlling Favoritenstraße 9-11, 1040 Wien friewald@imw.tuwien.ac.at 13. Juni 2005
MehrMaster Seminar Mathematik Monte-Carlo Integration. Stephan Napierala 06. Juli 2017
Master Seminar Mathematik Stephan Napierala 12 Inhaltsverzeichnis 1. Geschichtlicher Hintergrund 2. Stochastische Grundbegriffe 3. 4. Vorteile gegenüber anderen Verfahren 5. Konvergenzbeschleunigung Geschichtlicher
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
MehrLösung Aufgabe 2. Es muss ein Weg gefunden werden, die Länge des längsten Laufs identischer Ziffern zu identifizieren:
Lösung Aufgabe 2 Es muss ein Weg gefunden werden, die Länge des längsten Laufs identischer Ziffern zu identifizieren: maxlaenge
MehrInformatik II, SS 2018
Informatik II - SS 2018 (Algorithmen & Datenstrukturen) Vorlesung 20 (9.7.2018) String Matching (Textsuche) Algorithmen und Komplexität Textsuche / String Matching Gegeben: Zwei Zeichenketten (Strings)
MehrInformatik II, SS 2016
Informatik II - SS 2016 (Algorithmen & Datenstrukturen) Vorlesung 20 (13.7.2016) String Matching (Textsuche) Algorithmen und Komplexität Textsuche / String Matching Gegeben: Zwei Zeichenketten (Strings)
MehrInformatik II, SS 2014
Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 21 (29.7.2014) String Matching (Textsuche) II Algorithmen und Komplexität Textsuche / String Matching Gegeben: Zwei Zeichenketten (Strings)
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
MehrStatistische Auswertung von Meß- und Versuchsdaten mit Taschenrechner und Tischcomputer
Siegfried Noack Statistische Auswertung von Meß- und Versuchsdaten mit Taschenrechner und Tischcomputer Anleitungen und Beispiele aus dem Laborbereich W DE G Walter de Gruyter Berlin New York 1980 Inhaltsverzeichnis
MehrC++ Teil 4. Sven Groß. 30. Apr IGPM, RWTH Aachen. Sven Groß (IGPM, RWTH Aachen) C++ Teil Apr / 16
C++ Teil 4 Sven Groß IGPM, RWTH Aachen 30. Apr 2015 Sven Groß (IGPM, RWTH Aachen) C++ Teil 4 30. Apr 2015 1 / 16 Themen der letzten Vorlesung Funktionen: Definition und Aufruf Wert- und Referenzparameter,
Mehr5. Numerische Differentiation. und Integration
5. Numerische Differentiation und Integration 1 Numerische Differentiation Problemstellung: Gegeben ist eine differenzierbare Funktion f : [a,b] R und x (a,b). Gesucht sind Näherungen für die Ableitungen
MehrKapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen Induktive Statistik Prof. Dr. W.-D. Heller
MehrInhaltsverzeichnis. 4 Statistik Einleitung Wahrscheinlichkeit Verteilungen Grundbegriffe 98
Inhaltsverzeichnis 1 Datenbehandlung und Programmierung 11 1.1 Information 11 1.2 Codierung 13 1.3 Informationsübertragung 17 1.4 Analogsignale - Abtasttheorem 18 1.5 Repräsentation numerischer Daten 20
MehrVI.4 Elgamal. - vorgestellt 1985 von Taher Elgamal. - nach RSA das wichtigste Public-Key Verfahren
VI.4 Elgamal - vorgestellt 1985 von Taher Elgamal - nach RSA das wichtigste Public-Key Verfahren - besitzt viele unterschiedliche Varianten, abhängig von zugrunde liegender zyklischer Gruppe - Elgamal
MehrZusammenfassung: diskrete und stetige Verteilungen. Woche 4: Gemeinsame Verteilungen. Zusammenfassung: diskrete und stetige Verteilungen
Zusammenfassung: e und e Verteilungen Woche 4: Gemeinsame Verteilungen Wahrscheinlichkeitsverteilung p() Wahrscheinlichkeitsdichte f () WBL 15/17, 11.05.2015 Alain Hauser P(X = k
MehrMusterlösung zur 6. Übung
Universität des Saarlandes FR 6.2 Informatik Prof. Dr. Hans-Peter Lenhof Dipl. Inform. Andreas Hildebrandt Programmierung II, SS 2003 Musterlösung zur 6. Übung Aufgabe 1: Faire Münzen (10 Punkte) Offensichtlich
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
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
Mehr1.8 Shift-And-Algorithmus
.8 Shift-And-Algorithmus nutzt durch Bitoperationen mögliche Parallelisierung Theoretischer Hintergrund: Nichtdeterministischer endlicher Automat Laufzeit: Θ(n), falls die Länge des Suchwortes nicht größer
MehrDie Monte-Carlo-Methode zur Simulation von Teilchenreaktionen
Die Monte-Carlo-Methode zur Simulation von Teilchenreaktionen Michael Rauch 7. Mai 2 H AUPTSEMINAR E XPERIMENTELLE UND T HEORETISCHE M ETHODEN KIT University of the State of Baden-Wuerttemberg and National
MehrKryptographische Zufallszahlen. Schieberegister, Output-Feedback
Kryptographische Zufallszahlen Schieberegister, Output-Feedback Stromchiffren Bei Stromchiffren wird die Eingabe zeichenweise bzw. blockweise mit einer parallel dazu erzeugten Schlüsselfolge meist mit
MehrKapitel VIII - Tests zum Niveau α
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VIII - Tests zum Niveau α Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh Testsituationen
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 20. April 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 18.
MehrAufgabenblatt: Methoden - rekursiv
Aufgabenblatt: Methoden - rekursiv- Seite 1 Aufgabenblatt: Methoden - rekursiv (1.) Wird noch erstellt! Lösen Sie die folgenden Aufgaben indem Sie: - Basis und Rekursive Bedingung formulieren! - die vorgegebene
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
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
MehrObjektorientierte Programmierung VL: Prof. Dr. Marco Block-Berlitz - Freie Universität Berlin Proinformatik III
Objektorientierte Programmierung VL: Prof. Dr. Marco Block-Berlitz - Freie Universität Berlin Proinformatik III Text: Hinnerk van Bruinehsen - Grafiken: Jens Fischer powered by SDS.mint SoSe 2011 1 Teil
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 29. Oktober 2007 1. Statistik 1.1 Wahrscheinlichkeit Pragmatisch: p(e) = n(e) N für N sehr groß Kombination von Wahrscheinlichkeiten p(a oder B) =
MehrAssembler Integer-Arithmetik
Assembler Integer-Arithmetik Dr.-Ing. Volkmar Sieh Department Informatik 3: Rechnerarchitektur Friedrich-Alexander-Universität Erlangen-Nürnberg SS 2008 Assembler Integer-Arithmetik 1/23 2008-04-01 Arithmetik
MehrInhalt. Zahlendarstellungen
Inhalt 1 Motivation 2 Integer- und Festkomma-Arithmetik Zahlendarstellungen Algorithmen für Integer-Operationen Integer-Rechenwerke Rechnen bei eingeschränkter Präzision 3 Gleitkomma-Arithmetik Zahlendarstellungen
MehrD-MAVT Lineare Algebra I HS 2017 Prof. Dr. N. Hungerbühler. Lösungen Serie 14: Ferienserie
D-MAVT Lineare Algebra I HS 7 Prof. Dr. N. Hungerbühler Lösungen Serie 4: Ferienserie . Finden Sie ein Erzeugendensystem des Lösungsraums L R 5 des Systems x + x x 3 + 3x 4 x 5 = 3x x + 4x 3 x 4 + 5x 5
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?
MehrJAVA - Zufallszahlen
Übungen Informatik I JAVA - http://www.fbi-lkt.fh-karlsruhe.de/lab/info01/tutorial Übungen Informatik 1 1 5. JAVA werden beim Programmieren erstaunlich oft gebraucht: Simulationen Spiele Aufbau von Testszenarien...
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
MehrMonte 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)
MehrAlgorithmen und Datenstrukturen SS Übungsblatt 1: Grundlagen
Ludwig-Maximilians-Universität München München, 16.04.2018 Institut für Informatik Prof. Dr. Thomas Seidl Anna Beer, Florian Richter Algorithmen und Datenstrukturen SS 2018 Übungsblatt 1: Grundlagen Tutorien:
MehrSysteme II 3. Die Datensicherungsschicht
Systeme II 3. Die Datensicherungsschicht Christian Schindelhauer Technische Fakultät Rechnernetze und Telematik Albert-Ludwigs-Universität Freiburg Version 12.05.2016 1 Fehlererkennung: CRC Effiziente
MehrHallo Welt für Fortgeschrittene
Hallo Welt für Fortgeschrittene Zahlentheorie, Arithmetik und Algebra II Benjamin Fischer Informatik 2 Programmiersysteme Martensstraße 3 91058 Erlangen Gliederung Lineare Rekursion BigInteger Chinesischer
MehrLösung Test 2 (Nachprüfung)
MLAE Mathematik: Lineare Algebra für ngenieure Herbstsemester Dr Christoph Kirsch ZHAW Winterthur Aufgabe : Lösung Test (Nachprüfung a Wir verwenden den Gauss-Jordan-Algorithmus, um die erweiterte Koeffizientenmatrix
MehrTeil 5: Felder, Zeiger, Zeigerarithmetik Gliederung
Teil 5: Felder, Zeiger, Zeigerarithmetik Gliederung Felder (Arrays) Mehrdimensionale Felder Zeiger und Adressen Zeigerarithmetik Felder Mehrdimensionale Felder Zeiger und Adressen Zeigerarithmetik Felder
MehrMathematische Werkzeuge R. Neubecker, WS 2016 / 2017
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 2016 / 2017 Optimierung: Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen Optimierungsprobleme Optimierung Suche nach dem Maximum oder Minimum
Mehr