Grundlagen der Monte-Carlo-Simulation
|
|
- Curt Hofmeister
- vor 6 Jahren
- Abrufe
Transkript
1 Grundlagen der Monte-Carlo-Simulation Prof. Dr. V. Schmidt und S. Luck j 8. November 2007
2 page 2 Contents Motivation Erzeugung von SPZZ Software Transformation von SPZZ
3 page 3 Motivation Motivation fur Monte-Carlo-Simulation I Ziel: Analyse stochastischer Modelle, die zu komplex sind, um ihr Verhalten analytisch studieren zu konnen.
4 page 3 Motivation Motivation fur Monte-Carlo-Simulation I Ziel: Analyse stochastischer Modelle, die zu komplex sind, um ihr Verhalten analytisch studieren zu konnen. I praktische Relevanz: I Ersatz aufwendiger und teurer Laborexperimente bzw. Erhebung von Realdaten I Erhebung groer Datenmengen mit wenig Aufwand I Analyse von Systemen, die experimentell nicht beobachtbar sind
5 page 3 Motivation Motivation fur Monte-Carlo-Simulation I Ziel: Analyse stochastischer Modelle, die zu komplex sind, um ihr Verhalten analytisch studieren zu konnen. I praktische Relevanz: I Ersatz aufwendiger und teurer Laborexperimente bzw. Erhebung von Realdaten I Erhebung groer Datenmengen mit wenig Aufwand I Analyse von Systemen, die experimentell nicht beobachtbar sind I ) Prinzipielle Aufgabenstellung: Entwicklung von Simulationsalgorithmen zur Erzeugung von Realisierungen stochastischer Modelle: I Zufallsvariablen I zufallige geometrische Objekte I stochastische Prozesse in zeitlicher und/oder raumlicher Dimension
6 page 4 Motivation Klassen von Algorithmen I Grundlage der Monte-Carlo-Simulation: Zufallszahlengeneratoren I Erzeugung von Standard-Pseudo-Zufallszahlen (SPZZ). I SPZZ: Folgen von Zahlen die als Realisierungen von iid U((0; 1]) Zufallsvariablen betrachtet werden konnen.
7 page 4 Motivation Klassen von Algorithmen I Grundlage der Monte-Carlo-Simulation: Zufallszahlengeneratoren I Erzeugung von Standard-Pseudo-Zufallszahlen (SPZZ). I SPZZ: Folgen von Zahlen die als Realisierungen von iid U((0; 1]) Zufallsvariablen betrachtet werden konnen. I Transformationsalgorithmen: I Transformiere SPZZ so, dass sie als Realisierungen einer Folge komplexer verteilter ZV betrachtet werden konnen. I wichtige Teilklasse: Akzeptanz- und Verwefungsmethoden
8 page 4 Motivation Klassen von Algorithmen I Grundlage der Monte-Carlo-Simulation: Zufallszahlengeneratoren I Erzeugung von Standard-Pseudo-Zufallszahlen (SPZZ). I SPZZ: Folgen von Zahlen die als Realisierungen von iid U((0; 1]) Zufallsvariablen betrachtet werden konnen. I Transformationsalgorithmen: I Transformiere SPZZ so, dass sie als Realisierungen einer Folge komplexer verteilter ZV betrachtet werden konnen. I wichtige Teilklasse: Akzeptanz- und Verwefungsmethoden I Markov-Chain-Monte-Carlo Algorithmen: I Konstruktion von Markovketten, deren ergodische Grenzverteilung der zu simulierenden Verteilung entspricht. I Grundidee: starte eine solche Markovkette und lasse sie lange genug laufen, um "in die Nahe" der Grenzverteilung zu gelangen. I Anwendungen: u.a. Simulation von Punktprozessen und anderer komplexer stochastischer Objekte.
9 page 5 Erzeugung von SPZZ Lineare Kongruenzgeneratoren (LKG) I LKG: Algorithmus zur Generierung von Folgen u 1 ; : : : ; u n von Zahlen u i 2 ([0; 1)), die als Realisierungen der unabhangig U([0; 1))-verteilten ZV U 1 ; : : : ; U n betrachtet werden konnen.
10 page 5 Erzeugung von SPZZ Lineare Kongruenzgeneratoren (LKG) I LKG: Algorithmus zur Generierung von Folgen u 1 ; : : : ; u n von Zahlen u i 2 ([0; 1)), die als Realisierungen der unabhangig U([0; 1))-verteilten ZV U 1 ; : : : ; U n betrachtet werden konnen. I Algorithmus: Deniere I einen Modulus m 2 IN, I einen Keim z0 2 f0; : : : m 1g, I einen Faktor a 2 f0; : : : ; m 1g I ein Inkrement c 2 f0; : : : ; m 1g. Setze rekursiv z k = (az k 1 + c)modm 8k = 1; : : : ; n Erzeuge die SPZZ u k vermoge u k = z k m :
11 page 6 Erzeugung von SPZZ Bemerkungen I Ein LKG mit Modulus m generiert hochstens m verschiedene SPZZ. Falls z k+m0 = z k fur ein m 0 > 0 ) z k+j = z k+m0+j 8j 0.
12 page 6 Erzeugung von SPZZ Bemerkungen I Ein LKG mit Modulus m generiert hochstens m verschiedene SPZZ. Falls z k+m0 = z k fur ein m 0 > 0 ) z k+j = z k+m0+j 8j 0. I Ungunstige Parameterwahl ) kurze Periode m 0. Bsp.: a = c = z 0 = 5, m = 10 erzeugt die Folge 5; 0; 5; 0; : : :.
13 page 6 Erzeugung von SPZZ Bemerkungen I Ein LKG mit Modulus m generiert hochstens m verschiedene SPZZ. Falls z k+m0 = z k fur ein m 0 > 0 ) z k+j = z k+m0+j 8j 0. I Ungunstige Parameterwahl ) kurze Periode m 0. Bsp.: a = c = z 0 = 5, m = 10 erzeugt die Folge 5; 0; 5; 0; : : :. I Theorem (Bedingung fur maximale Periodenlange) Der LKG hat genau dann volle Periode, wenn folgende drei Bedingungen gelten: I c und m haben keine gemeinsamen Primfaktoren. I a 1 ist durch alle Primfaktoren von m teilbar. I Falls m ein Vielfaches von 4 ist, dann ist auch a 1 ein Vielfaches von 4.
14 page 6 Erzeugung von SPZZ Bemerkungen I Ein LKG mit Modulus m generiert hochstens m verschiedene SPZZ. Falls z k+m0 = z k fur ein m 0 > 0 ) z k+j = z k+m0+j 8j 0. I Ungunstige Parameterwahl ) kurze Periode m 0. Bsp.: a = c = z 0 = 5, m = 10 erzeugt die Folge 5; 0; 5; 0; : : :. I Theorem (Bedingung fur maximale Periodenlange) Der LKG hat genau dann volle Periode, wenn folgende drei Bedingungen gelten: I c und m haben keine gemeinsamen Primfaktoren. I a 1 ist durch alle Primfaktoren von m teilbar. I Falls m ein Vielfaches von 4 ist, dann ist auch a 1 ein Vielfaches von 4. I Statistische Tests fur die Gute von SPZZ siehe Statistik I und II 2 -Anpassungstest etc.
15 page 6 Erzeugung von SPZZ Bemerkungen I Ein LKG mit Modulus m generiert hochstens m verschiedene SPZZ. Falls z k+m0 = z k fur ein m 0 > 0 ) z k+j = z k+m0+j 8j 0. I Ungunstige Parameterwahl ) kurze Periode m 0. Bsp.: a = c = z 0 = 5, m = 10 erzeugt die Folge 5; 0; 5; 0; : : :. I Theorem (Bedingung fur maximale Periodenlange) Der LKG hat genau dann volle Periode, wenn folgende drei Bedingungen gelten: I c und m haben keine gemeinsamen Primfaktoren. I a 1 ist durch alle Primfaktoren von m teilbar. I Falls m ein Vielfaches von 4 ist, dann ist auch a 1 ein Vielfaches von 4. I Statistische Tests fur die Gute von SPZZ siehe Statistik I und II 2 -Anpassungstest etc. I weitere wunschenswerte Eigenschaft fur SPZZ u 1 ; : : : ; u n : Paare aufeinanderfolgender SPZZ (u i ; u i+1 ) sollten gleichmaig auf [0; 1) 2 verteilt sein ( Unabhangigkeit). Analoges fur Tripel etc. Das kann beim LKG ziemlich schiefgehen...
16 page 7 Erzeugung von SPZZ Punktmuster fur Paare (u i ; u i+1 ) aufeinanderfolgender SPZZ fur m = 256 Quelle: Vorlesungsmanuskript von H. Kunsch (ftp://stat.ethz.ch/u/kuensch/skript-sim.ps)
17 page 8 Erzeugung von SPZZ Fazit I LKGs sind einfach zu implementierende und schnelle Algorithmen
18 page 8 Erzeugung von SPZZ Fazit I LKGs sind einfach zu implementierende und schnelle Algorithmen I LKGs sind u.a. wegen ihrer linearen Abhangigkeiten nicht geeignet fur I sensible MC-Simulationen, I kryptographische Zwecke.
19 page 8 Erzeugung von SPZZ Fazit I LKGs sind einfach zu implementierende und schnelle Algorithmen I LKGs sind u.a. wegen ihrer linearen Abhangigkeiten nicht geeignet fur I sensible MC-Simulationen, I kryptographische Zwecke. I andere SPZZ-Generatoren: I Nichtlineaere Kongruenzgeneratoren I Schieberegistergeneratoren I Fibonacci-Generatoren I Mersenne-Twister (schneller Algorithmus, statistisch sehr gute SPZZ, in Reinform nicht fur kryptographische Zwecke geeignet) I Blum-Blum-Shub (fur kryptographische Anwendungen)
20 page 9 Software Java I Klasse java.util.random: I LKG mit 48-bit Keim I Keim im Default-Fall: Systemzeit in Millisekunden zur Zeit der Initialisierung des Random-Objektes
21 page 9 Software Java I Klasse java.util.random: I LKG mit 48-bit Keim I Keim im Default-Fall: Systemzeit in Millisekunden zur Zeit der Initialisierung des Random-Objektes I Beispiele fur Methoden: nextdouble() erzeugt eine SPZZ in (0; 1), nextgaussian() erzeugt eine N(0; 1)-verteilte PZZ.
22 page 9 Software Java I Klasse java.util.random: I LKG mit 48-bit Keim I Keim im Default-Fall: Systemzeit in Millisekunden zur Zeit der Initialisierung des Random-Objektes I Beispiele fur Methoden: nextdouble() erzeugt eine SPZZ in (0; 1), nextgaussian() erzeugt eine N(0; 1)-verteilte PZZ. I Vorsicht! I Bei zeitnaher Erzeugung mehrerer Objekte vom Typ Random haben diese evtl. den gleichen Keim. I ) Alle Objekte liefern die gleiche Folge von PZZ. I Losung: Fur die zeitnahe Erzeugung von PZZ nur ein Random-Objekt anlegen und aus diesem alle PZZ generieren.
23 page 9 Software Java I Klasse java.util.random: I LKG mit 48-bit Keim I Keim im Default-Fall: Systemzeit in Millisekunden zur Zeit der Initialisierung des Random-Objektes I Beispiele fur Methoden: nextdouble() erzeugt eine SPZZ in (0; 1), nextgaussian() erzeugt eine N(0; 1)-verteilte PZZ. I Vorsicht! I Bei zeitnaher Erzeugung mehrerer Objekte vom Typ Random haben diese evtl. den gleichen Keim. I ) Alle Objekte liefern die gleiche Folge von PZZ. I Losung: Fur die zeitnahe Erzeugung von PZZ nur ein Random-Objekt anlegen und aus diesem alle PZZ generieren. I Klasse java.security.securerandom: I PZZ-Generator fur kryptographische Anwendungen I ahnliche Methoden wie java.util.random aber bessere PZZ
24 page 10 Software R I Standard ZZ-Generator: Mersenne-Twister
25 page 10 Software R I Standard ZZ-Generator: Mersenne-Twister I k SPZZ ("Realisierungen" von k unabh. U((0; 1))-verteilten ZV) erhalt man mittels runif(k)
26 page 10 Software R I Standard ZZ-Generator: Mersenne-Twister I k SPZZ ("Realisierungen" von k unabh. U((0; 1))-verteilten ZV) erhalt man mittels runif(k) I k standardnormalverteilte PZZ erhalt man mittels rnorm(k)
27 page 10 Software R I Standard ZZ-Generator: Mersenne-Twister I k SPZZ ("Realisierungen" von k unabh. U((0; 1))-verteilten ZV) erhalt man mittels runif(k) I k standardnormalverteilte PZZ erhalt man mittels rnorm(k) I Zur Anderung des ZZ-Generators siehe Hilfe zu "RNG".
28 page 11 Transformation von SPZZ Transformation von SPZZ I Bisher: Erzeugung von Standard-Pseudo-Zufallszahlen (SPZZ) ) SPZZ konnen als Realisierungen von unabhangig U([0; 1))-verteilten ZV aufgefasst werden.
29 page 11 Transformation von SPZZ Transformation von SPZZ I Bisher: Erzeugung von Standard-Pseudo-Zufallszahlen (SPZZ) ) SPZZ konnen als Realisierungen von unabhangig U([0; 1))-verteilten ZV aufgefasst werden. I Ziel: Methoden fur die Transformation von SPZZ ) transformierte Zahlenfolge soll als Realisierungen unabhangiger ZV einer anderen Verteilung betrachtet werden konnen, z.b. I Exp() I Poi() I Bin(n; p) I N(; )
30 page 12 Transformation von SPZZ Inversionsmethode I Denition: Sei F : IR! [0; 1] eine beliebige Verteilungsfunktion, d.h. F ist I rechtsstetig, I monoton wachsend, I limx! 1 F (x) = 0 und lim x!1 F (x) = 1. Dann heisst F 1 : (0; 1]! IR [ f1g F 1 (y) = inffx : F (x) yg die verallgemeinerte Inverse von F.
31 page 12 Transformation von SPZZ Inversionsmethode I Denition: Sei F : IR! [0; 1] eine beliebige Verteilungsfunktion, d.h. F ist I rechtsstetig, I monoton wachsend, I limx! 1 F (x) = 0 und lim x!1 F (x) = 1. Dann heisst F 1 : (0; 1]! IR [ f1g F 1 (y) = inffx : F (x) yg die verallgemeinerte Inverse von F. I Im Falle der Invertierbarkeit von F ist F 1 die normale Inverse.
32 page 12 Transformation von SPZZ Inversionsmethode I Denition: Sei F : IR! [0; 1] eine beliebige Verteilungsfunktion, d.h. F ist I rechtsstetig, I monoton wachsend, I limx! 1 F (x) = 0 und lim x!1 F (x) = 1. Dann heisst F 1 : (0; 1]! IR [ f1g F 1 (y) = inffx : F (x) yg die verallgemeinerte Inverse von F. I Im Falle der Invertierbarkeit von F ist F 1 die normale Inverse. I Theorem: Seien U1 ; U 2 ; : : : U([0; 1)) unabhangig. Sei F eine Verteilungsfunktion. Dann sind die ZV X i = F 1 (U i ); i 2 IN unabhangig mit Verteilungsfunktion F.
33 page 12 Transformation von SPZZ Inversionsmethode I Denition: Sei F : IR! [0; 1] eine beliebige Verteilungsfunktion, d.h. F ist I rechtsstetig, I monoton wachsend, I limx! 1 F (x) = 0 und lim x!1 F (x) = 1. Dann heisst F 1 : (0; 1]! IR [ f1g F 1 (y) = inffx : F (x) yg die verallgemeinerte Inverse von F. I Im Falle der Invertierbarkeit von F ist F 1 die normale Inverse. I Theorem: Seien U1 ; U 2 ; : : : U([0; 1)) unabhangig. Sei F eine Verteilungsfunktion. Dann sind die ZV X i = F 1 (U i ); i 2 IN unabhangig mit Verteilungsfunktion F. I Direkte Anwendung des Theorems erfordert analytische Formel fur F 1 ) nur selten moglich.
34 page 13 Transformation von SPZZ Beispiele: Exponentialverteilung mit Parameter I F (x) = (1 e x )1l fx0g
35 page 13 Transformation von SPZZ Beispiele: Exponentialverteilung mit Parameter I F (x) = (1 e I ) F 1 (u) = x )1l fx0g log(1 u) 8u 2 [0; 1)
36 page 13 Transformation von SPZZ Beispiele: Exponentialverteilung mit Parameter I F (x) = (1 e x )1l fx0g I ) F 1 log(1 u) (u) = 8u 2 [0; 1) I Weil U U(0; 1] ) 1 U U(0; 1]: Wenn u 1 ; : : : ; u n als Realisierungen von unabh. U([0; 1))-ZV betrachtet werden konnen, dann konnen x i = log u i ; i = 1; : : : ; n als Realsierungen von unabh. Exp()-verteilten ZV aufgefasst werden.
37 page 14 Transformation von SPZZ Beispiele: Erlangverteilung I Erlang-Verteilung: (; r)-verteilung, > 0, r 2 IN
38 page 14 Transformation von SPZZ Beispiele: Erlangverteilung I Erlang-Verteilung: (; r)-verteilung, > 0, r 2 IN I F (x) = R x 0 e v (v ) r 1 (r 1)! dv1l fx0g
39 page 14 Transformation von SPZZ Beispiele: Erlangverteilung I Erlang-Verteilung: (; r)-verteilung, > 0, r 2 IN R I x e F (x) = v (v ) r 1 dv1l 0 (r 1)! fx0g I ) keine analytische Formel fur F 1
40 page 14 Transformation von SPZZ Beispiele: Erlangverteilung I Erlang-Verteilung: (; r)-verteilung, > 0, r 2 IN R I x e F (x) = v (v ) r 1 dv1l 0 (r 1)! fx0g I ) keine analytische Formel fur F 1 I Losung: P X 1 ; : : : ; X r unabh. Exp()-verteilt r ) i=1 X i (; r).
41 page 14 Transformation von SPZZ Beispiele: Erlangverteilung I Erlang-Verteilung: (; r)-verteilung, > 0, r 2 IN R I x e F (x) = v (v ) r 1 dv1l 0 (r 1)! fx0g I ) keine analytische Formel fur F 1 I Losung: X 1 ; : : : ; X r unabh. Exp()-verteilt P r ) i=1 X i (; r). I Algorithmus: I Generiere rn SPZZ u1 : : : ; u rn I Deniere yi = ( log(u r(i 1)+1 ) + : : : + log(u ri ) ) I Dann konnen y1 : : : ; y n als Realisierungen unabh. Erlang-verteilter ZV betrachtet werden
42 page 15 Transformation von SPZZ Simulation N(; 2 )-verteilter ZV: Box-Muller-Algorithmus I Lemma: Seien U1 ; U 2 unabh. U([0; 1))-verteilte ZV. Dann sind die ZV Y 1 = p 2 log U 1 cos(2u 2 ) und Y 1 = p 2 log U 1 sin(2u 2 ) unabh. und N(0; 1)-verteilt. Beweis: Ubungsaufgabe
43 page 15 Transformation von SPZZ Simulation N(; 2 )-verteilter ZV: Box-Muller-Algorithmus I Lemma: Seien U1 ; U 2 unabh. U([0; 1))-verteilte ZV. Dann sind die ZV Y 1 = p 2 log U 1 cos(2u 2 ) und Y 1 = p 2 log U 1 sin(2u 2 ) unabh. und N(0; 1)-verteilt. Beweis: Ubungsaufgabe I Algorithmus: I Erzeuge 2n SPZZ u1; : : : ; u 2n. I Deniere y 2k 1 = p 2 log u 2k 1 cos(2u 2k ) und y 2k = p 2 log u 2k 1 sin(2u 2k ) I Fur 2 IR, > 0 konnen y 0 1 = 1 + ; : : : ; y 0 2 = n + als Realisierungen unabh. N(; 2 )-verteilter ZV betrachtet werden.
44 page 16 Transformation von SPZZ Simulation diskreter Verteilungen: generelle Methode I Ziel: Erzeuge PZZ x1 : : : ; x n, die als Realisierungen unabh. diskreter ZV X 1 ; : : : ; X n :! fa 0 ; a 1 ; : : :g IR betrachtet werden konnen.
45 page 16 Transformation von SPZZ Simulation diskreter Verteilungen: generelle Methode I Ziel: Erzeuge PZZ x1 : : : ; x n, die als Realisierungen unabh. diskreter ZV X 1 ; : : : ; X n :! fa 0 ; a 1 ; : : :g IR betrachtet werden konnen. I Deniere p j = P(X i = a j ).
46 page 16 Transformation von SPZZ Simulation diskreter Verteilungen: generelle Methode I Ziel: Erzeuge PZZ x1 : : : ; x n, die als Realisierungen unabh. diskreter ZV X 1 ; : : : ; X n :! fa 0 ; a 1 ; : : :g IR betrachtet werden konnen. I Deniere p j = P(X i = a j ). I Wenn U U([0; 1)), dann gilt fur X := 8 >< >: a 0 ; wenn U < p 0 a 1 ; wenn p 0 U < p 0 + p 1. a j ; wenn p 0 + : : : + p j 1 U < p 0 + : : : + p j. P(X = a j ) = p j
47 page 17 Transformation von SPZZ Simulation diskreter Verteilungen: generelle Methode Algorithmus: I Erzeuge SPZZ u 1 : : : ; u n. I Deniere x i = 1X j=0 a j 1l [ Pj 1 k=0 p k ;Pj k=0 p k ) (u i ); i = 1; : : : ; n: I Dann konnen x 1 ; : : : ; x n Realsierungen einer Folge unabh. ZV der durch p 0 ; p 1 : : : denierten Verteilung betrachtet werden.
48 page 18 Transformation von SPZZ Poisson-Verteilung I Lemma: Seien X1 ; X 2 ; : : : unabh. und Exp()-verteilte ZV. Dann gilt Y = maxfk 0 : X 1 + : : : + X k 1g Poi(): Beweis: Ubungsaufgabe
49 page 18 Transformation von SPZZ Poisson-Verteilung I Lemma: Seien X1 ; X 2 ; : : : unabh. und Exp()-verteilte ZV. Dann gilt Y = maxfk 0 : X 1 + : : : + X k 1g Poi(): Beweis: Ubungsaufgabe I Algorithmus: I Seien u1; u 2; : : : SPZZ. I Setze y0 = 0 und fur i > 0 y i = maxfk 0 : log u 1 + : : : + log u k ig y i 1. Dann kann y 1 ; y 2 ; : : : als Folge von Realisierungen unabh. Poi()-verteilter ZV betrachtet werden.
50 page 19 Transformation von SPZZ Literatur Diese Prasentation basiert auf einem Teil des Skriptes "Markov Chains and Monte-Carlo Simulation" von Prof. Dr. Volker Schmidt, Universitat Ulm, Juli 2006.
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
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
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
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
MehrZeitstetige Markov-Prozesse: Einführung und Beispiele
Zeitstetige Markov-Prozesse: Einführung und Beispiele Simone Wielart 08.12.10 Inhalt Q-Matrizen und ihre Exponentiale Inhalt Q-Matrizen und ihre Exponentiale Zeitstetige stochastische Prozesse Inhalt Q-Matrizen
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
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
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,
MehrBZQ II: Stochastikpraktikum
BZQ II: Stochastikpraktikum Block 5: Markov-Chain-Monte-Carlo-Verfahren Randolf Altmeyer February 1, 2017 Überblick 1 Monte-Carlo-Methoden, Zufallszahlen, statistische Tests 2 Nichtparametrische Methoden
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
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
MehrStatistik für Informatiker, SS Verteilungen mit Dichte
1/39 Statistik für Informatiker, SS 2017 1.1.6 Verteilungen mit Dichte Matthias Birkner http://www.staff.uni-mainz.de/birkner/statinfo17/ 17.5.2017 Zufallsvariablen mit Dichten sind ein kontinuierliches
MehrProgrammiertechnik II
Zufallszahlen Motivation Simulation Frisörbeispiel Stichprobenauswahl Telefonumfragen Numerische Algorithmen naives Beispiel: Berechnung von Pi Automatisiertes Testen Beispiel aus Übungsaufgabe "Faire"
MehrMethoden der Statistik Markov Chain Monte Carlo Methoden
Methoden der Statistik Markov Chain Monte Carlo Methoden Humboldt-Universität zu Berlin 08.02.2013 Problemstellung Wie kann eine Zufallsstichprobe am Computer simuliert werden, deren Verteilung aus einem
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
MehrZufallszahlen. Diskrete Simulation. Zufallszahlengeneratoren - Zufallszahlen
Zufallszahlen Zufallszahlengeneratoren Transformation von Zufallszahlen Test von Zufallszahlengeneratoren Otto-von-Guericke-Universität Magdeburg Thomas Schulze Zufallszahlengeneratoren - Zufallszahlen
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsraume
Kapitel II Kontinuierliche Wahrscheinlichkeitsraume 1. Einfuhrung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 195/460 Beispiel 78 Wir betrachten
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 Markov Chain Monte Carlo Methoden
Stochastik Praktikum Markov Chain Monte Carlo Methoden Humboldt-Universität zu Berlin 14.10.2010 Problemstellung Wie kann eine Zufallsstichprobe am Computer simuliert werden, deren Verteilung aus einem
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
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
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
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
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........................
MehrPseudozufallsgeneratoren
Pseudozufallsgeneratoren In welchen kryptographischen Verfahren werden keine Zufallszahlen benötigt? Wie generiert man Zufallszahlen in einer deterministischen Maschine wie dem Computer? Wenn man eine
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........................
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
MehrMonte-Carlo Tests. Diplomarbeit. Wiebke Werft. Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf
Monte-Carlo Tests Diplomarbeit Wiebke Werft Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Düsseldorf im Dezember 2003 Betreuung: Prof. Dr. Arnold Janssen Inhaltsverzeichnis Einleitung
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
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
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Karl Mosler Friedrich Schmid Wahrscheinlichkeitsrechnung und schließende Statistik Vierte, verbesserte Auflage Springer Inhaltsverzeichnis 0 Einführung 1 1 Zufalls Vorgänge und Wahrscheinlichkeiten 5 1.1
MehrExtrapolation und Interpolation von räumlichen Mustern
Extrapolation und Interpolation von räumlichen Mustern 01. Juli 2008 Inhaltsverzeichnis 1 Interpolation Extrapolation Beispiel: Mammutbaumsetzlinge 2 Grundlagen Keim-Korn- Clusterprozesse Cox-Clusterprozess
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
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........................
Mehr10 Transformation von Zufallsvariablen
10 Transformation von Zufallsvariablen Sei X : Ω R eine Zufallsvariable mit Verteilungsfunktion F X (x) = P(X < x). Wir betrachten eine Funktion g: R R und sei Zufallsvariable Y : Ω R mit Y = g(x). Y :
Mehr15 Über Zufallsgeneratoren (fakultativ)
Über Zufallsgeneratoren (fakultativ) 136 15 Über Zufallsgeneratoren (fakultativ) Erläutert wird die Erzeugung von gemäÿ einem WMaÿ P verteilter Realisationen mit Hilfe von Zufallsgeneratoren. Der Satz
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
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
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
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
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten 2.1 Stochastische Unabhängigkeit von Ereignissen Gegeben sei ein W-Raum (Ω, C, P. Der Begriff der stochastischen Unabhängigkeit von
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 1 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 1: (Verzweigungsprozess) Die
MehrMultivariate Verteilungen
Multivariate Verteilungen Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j sind abhängig
MehrAnwendungen mit SAS: Direkt aus der Praxis! Block 1
Anwendungen mit SAS: Direkt aus der Praxis! Block 1 Deskriptive Statistik und Simulation von Zufallsvariablen Fachhochschule Koblenz Fachbereich Mathematik und Technik Dr. Denise Rey 28. November 2008
MehrBZQ II: Stochastikpraktikum
BZQ II: Stochastikpraktikum Block 3: Lineares Modell, Klassifikation, PCA Randolf Altmeyer January 9, 2017 Überblick 1 Monte-Carlo-Methoden, Zufallszahlen, statistische Tests 2 Nichtparametrische Methoden
MehrBestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler
6.6 Normalverteilung Die Normalverteilung kann als das wichtigste Verteilungsmodell der Statistik angesehen werden. Sie wird nach ihrem Entdecker auch Gaußsche Glockenkurve genannt. Die herausragende Stellung
MehrGrundgesamtheit, Merkmale, Stichprobe. Eigenschaften der Stichprobe. Klasseneinteilung, Histogramm. Arithmetisches Mittel, empirische Varianz
- 1 - Grundgesamtheit, Merkmale, Stichprobe Dimension, Umfang Skalierung Eigenschaften der Stichprobe kennzeichnende Größen Eigenschaften der Stichprobe kennzeichnende Größen Punktediagramm, Regressionsgerade,
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
MehrWahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
Mehr3: Zahlentheorie / Primzahlen
Stefan Lucks Diskrete Strukturen (WS 2009/10) 96 3: Zahlentheorie / Primzahlen 3: Zahlentheorie / Primzahlen Stefan Lucks Diskrete Strukturen (WS 2009/10) 97 Definition 37 (Teiler, Vielfache, Primzahlen,
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,
MehrDer Metropolis-Hastings Algorithmus
Der Algorithmus Michael Höhle Department of Statistics University of Munich Numerical Methods for Bayesian Inference WiSe2006/07 Course 30 October 2006 Markov-Chain Monte-Carlo Verfahren Übersicht 1 Einführung
MehrStatistische Datenanalyse
Werner A. Stahel Statistische Datenanalyse Eine Einführung für Naturwissenschaftler 3., durchgesehene Auflage vieweg VII 1 Einleitung 1 1.1 Was ist Statistische Datenanalyse? 1 1.2 Ziele 6 1.3 Hinweise
MehrPrinzipien zur Erzeugung von Zufallszahlen in der Informatik
ien zur Erzeugung von Zufallszahlen in der Informatik Vortragender: Dipl.-Inform. Thomas Hinze 1. Motivation 2. Grundlegende Begriffe und Zusammenhänge 3. Klassifikation der ien 4. ien zur Erzeugung echter
MehrStochastik Praktikum Zufallszahlen und deskriptive Statistik
Stochastik Praktikum Zufallszahlen und deskriptive Statistik Thorsten Dickhaus Humboldt-Universität zu Berlin 04.10.2010 Übersicht Erzeugung von Zufallszahlen 1 Erzeugung von Zufallszahlen 2 3 Übersicht
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
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
MehrSimulationsmethoden in der Bayes-Statistik
Simulationsmethoden in der Bayes-Statistik Hansruedi Künsch Seminar für Statistik, ETH Zürich 6. Juni 2012 Inhalt Warum Simulation? Modellspezifikation Markovketten Monte Carlo Simulation im Raum der Sprungfunktionen
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
Mehr3 Markov-Eigenschaft der Brownschen Bewegung
Man verifiziert 2.) für P n = Q n, und somit gilt: jede Teilfolge von (P n ) n N besitzt eine konvergente Teilfolge. Betrachte nun die endlich-dimensionalen Randverteilungen der Maße P n. Dazu sei π t1,...,t
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
MehrErwartungswert als Integral
Erwartungswert als Integral Anton Klimovsky Gemischte ZVen, allgemeine ZVen, Erwartungswert für allgemeine ZVen, Lebesgue-Integral bzgl. WMaß, Eigenschaften des Integrals, Lebesgue-Maß, Lebesgue-Integral
MehrEinführung in die statistische Testtheorie
1 Seminar Simulation und Bildanalyse mit Java von Benjamin Burr und Philipp Orth 2 Inhalt 1. Ein erstes Beispiel 2. 3. Die Gütefunktion 4. Gleichmäßig beste Tests (UMP-Tests) 1 Einführendes Beispiel 3
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
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 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
Mehr8 Verteilungsfunktionen und Dichten
8 Verteilungsfunktionen und Dichten 8.1 Satz und Definition (Dichten) Eine Funktion f : R R heißt Dichtefunktion, kurz Dichte, wenn sie (Riemann-) integrierbar ist mit f(t) 0 für alle t R und Setzt man
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
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
MehrTrennende Markov Ketten
Trennende Markov Ketten (in Zusammenarbeit mit A. Martinsson) Timo Hirscher Chalmers Tekniska Högskola Seminarvortrag KIT 8. Mai 206 Übersicht Der Seminarvortrag ist wie folgt gegliedert: Einleitung Denitionen
Mehr3 Satz von Fisher Tippett
Theorem 3.1 (Satz von Fisher Tippett; extremal types theorem). Eine Verteilung G ist eine Extremwertverteilung genau dann, wenn es c > 0, d R und γ R gibt mit G(t) = G γ (ct + d). { } Dabei ist G γ eine
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
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
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
Mehr8. 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
Mehr2.1 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
MehrTheorem 19 Sei (X 1,X 2 ) T ein normalverteilter Zufallsvektor. Dann gilt: λ U (X 1,X 2 ) = λ L (X 1,X 2 ) = 0.
Theorem 19 Sei (X 1,X 2 ) T ein normalverteilter Zufallsvektor. Dann gilt: λ U (X 1,X 2 ) = λ L (X 1,X 2 ) = 0. Korollar 2 Sei (X 1,X 2 ) T ein Zufallsvektor mit stetigen Randverteilungen und einer Gauss
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit
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:
MehrStatistik. 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
Mehr8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W.
8. Formelsammlung 8.1 Gesetze zum Rechnen mit Ereignissen Im Folgenden seien A und B, sowie A 1,..., A n Ereignisse. Die Notation A B steht für A B und zugleich A B = (disjunkte Vereinigung). A 1... A
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsräume
Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten
MehrWirtschaftsstatistik für Studienanfänger
Günter Deweß / Helga Hartwig Wirtschaftsstatistik für Studienanfänger Begriffe - Aufgaben - Lösungen EAG. LE Edition am Gutenbergplatz Leipzig Inhalt Beschreibende Statistik: Daten und Maßzahlen 1 Grundgesamtheiten,
MehrLösung der Zusatzaufgabe
Lösung der Zusatzaufgabe Erweitern Sie lnkng() um einen Parameter, so dass dass die Anzahl der zurückzugebenden Parameter wählbar ist. Lösung: lnkng
MehrStochastik-Praktikum
Stochastik-Praktikum Simulation stochastischer Prozesse Peter Frentrup Humboldt-Universität zu Berlin 27. November 2017 (Humboldt-Universität zu Berlin) Zufallszahlen und Monte Carlo 27. November 2017
MehrDefinition 18 (Die verallgemeinerte Pareto Verteilung (GPD)) Die standard GPD G γ : ) 1/γ. G γ,ν,β = 1 (1 + γ x ν β
Die POT Methode (Peaks over Threshold) Definition 18 (Die verallgemeinerte Pareto Verteilung (GPD)) Die standard GPD G γ : G γ (x) = { 1 (1 + γx) 1/γ für γ 0 1 exp{ x} für γ = 0 wobei x D(γ) D(γ) = { 0
MehrZufallsvariable, Verteilung, Verteilungsfunktion
Kapitel 5 Zufallsvariable, Verteilung, Verteilungsfunktion 5.1 Zufallsvariable Sei (Ω, A, P ) ein beliebiger Wahrscheinlichkeitsraum. Häufig interessiert nicht ω selbst, sondern eine Kennzahl X(ω), d.h.
MehrRandomisierte Algorithmen am Beispiel Quicksort
Randomisierte Algorithmen am Beispiel Quicksort Mathias Katzer Universität 28. Juli 2003 Mathias Katzer 0 Überblick Motivation: Begriff Randomisierung Quicksort Stochastik-Ausflug Effizienzanalyse Allgemeineres
MehrFormelsammlung: Statistik und Wahrscheinlichkeitstheorie
Formelsammlung: Statistik und Wahrscheinlichkeitstheorie Kapitel 1: Deskriptive und explorative Statistik Empirische Verteilungsfkt (S15): Quantile (S24): Bei Typ7 1.Pkt = 0 Danach 1/(n-1) Median (S24):
MehrEinführung in die Wahrscheinlichkeitstheorie
Einführung in die Wahrscheinlichkeitstheorie von Boris Wladimirowitsch Gnedenko In deutscher Sprache herausgegeben von Hans-Joachim Roßberg Mit einem Anhang des Herausgebers über positiv definite Verteilungsdichten
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
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrBrownsche Bewegung. M. Gruber. 19. März Zusammenfassung
Brownsche Bewegung M. Gruber 19. März 2014 Zusammenfassung Stochastische Prozesse, Pfade; Brownsche Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit, quadratische
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
Mehr2. Ein Zufallsvektor X IR d ist multivariat normal verteilt dann und nur dann wenn seine charakteristische Funktion folgendermaßen gegeben ist:
Multivariate elliptische Verteilungen a) Die multivariate Normalverteilung Definition 2 Der Zufallsvektor (X 1, X 2,..., X d ) T hat eine multivariate Normalverteilung (oder eine multivariate Gauss sche
Mehr1. Wahrscheinlichkeitsverteilungen und Versicherungsanwendungen 1.1 Wichtige diskrete Verteilungen a. Poisson-Verteilung.
1. Wahrscheinlichkeitsverteilungen und Versicherungsanwendungen 1.1 Wichtige diskrete Verteilungen a. Poisson-Verteilung. Sei N eine zufällige Variable, ist ein Poisson-Verteilung mit Parameter λ definiert
Mehr