Seminar Stochastische Unternehmensmodelle Varianzreduzierende Techniken
|
|
- Adrian Flater
- vor 5 Jahren
- Abrufe
Transkript
1 Seminar Stochastische Unternehmensmodelle Varianzreduzierende Techniken 25. Juni / 37
2 Übersicht 1. Ziel des Vortrags 2. Einleitung 3. Varianzreduzierende Techniken Bedingtes Monte Carlo Importance Sampling 4. Diskrepanz geringe Diskrepanz Koksma-Hlawka Ungleichung 5. Low-Discrepancy Folgen Vorteil anhand eines Beispiels Beispiel Halton Folge mit Basis 3 Beispiel Vergleich Sobol zu Faure 6. Zusammenfassung 2 / 37
3 Ziel des Vortrags Was sind Monte-Carlo-Simulationen? Was wollen die Lebensversicherer mit den Monte-Carlo-Methoden erreichen? Bewertung von (komplizierten) Cashflows Da jedoch keine Formel zu dessen Bestimmung existiert MC Methode Ziel: Wahren Wert bzw. Verteilung zu schätzen Da nur endliche Rechenkapazität: Begrenzte Anzahl an MC-Simulationen Ziel der varianzreduzierenden Techniken: möglichst gute Approximation 3 / 37
4 Übersicht 1. Ziel des Vortrags 2. Einleitung 3. Varianzreduzierende Techniken Bedingtes Monte Carlo Importance Sampling 4. Diskrepanz geringe Diskrepanz Koksma-Hlawka Ungleichung 5. Low-Discrepancy Folgen Vorteil anhand eines Beispiels Beispiel Halton Folge mit Basis 3 Beispiel Vergleich Sobol zu Faure 6. Zusammenfassung 4 / 37
5 Einführung 1/6 Die Monte Carlo Methode ist eine Methode zur numerischen Integration mit Hilfe einer Folge von Zufallszahlen mit I(f ) = 1 f (x)dx 1 n 0 } {{ } (1) n f (ξ i ) = I N (f ) i=1 wobei f bekannt Integral von f zu approximieren n Anzahl zufälliger Punkte und ξ 1,..., ξ n [0, 1] Beispiel Wähle für ξ i = i n i 1,..., n so ergibt sich die Trapezregel. 5 / 37
6 Einführung 2/6 Wir wollen den Fehler I N (f ) I(f ) minimieren: I N (f ) I(f ) = 1 n n f (ξ i ) E[f ] i=1 G.d.g.Z. durch normalvert. ZV mit µ = 0 und σ2 n wobei : σ 2 = (f (ξ) I) 2 dξ [0,1] s beschrieben werden So ergibt sich das 95%-Konfidenzintervall I n (f ) + 1, 96 ˆσ n 6 / 37
7 Einführung 3/6 wobei ˆσ 2 = 1 n n (f (ξ i )) 2 In(f 2 ). i=1 So ergibt sich die Fehlerschranke : O(n 1 2 ) Merke Um eine zusätzliche genaue Kommastelle eines Schätzwerts zu bekommen muss die Zahl n um den Faktor 100 wachsen. 7 / 37
8 Einführung 4/6 Wenn man nun keine Vorschrift (vgl. Trapezregel) um die Stützstellen ξ i zu generieren, sondern randmoisierte Monte Carlo Methode Ziel: Folgen zu finden, sodass möglichst geringe Rechenzeit möglichst große Genauigkeit möglichst kleine Diskrepanz (Low-Discrepancy Folgen) Definition Wenn die Koordinatenmit Hilfe Low-Discrepancy Folgen generiert werden wird die Methode als quasi-monte Carlo Methode bezeichnet. 8 / 37
9 Einführung 5/6 Merke Diese Folgen helfen dabei den Raum anstelle mit Millionen (exakten) Werten, (möglichst) intelligent, mit deutlich weniger Punkten abzudecken. Simulation und Auswertung zur Approximation Beispiel Mit Hilfe dieser Verfahren kann man u.a. das Solvency Capital Requirement ( eine Sollgröße für das EK) bestimmen π bestimmen 9 / 37
10 Einführung 6/6 Abbildung: Approximation von π mit Hilfe eines Viertelkreises Bildquelle: 10 / 37
11 Übersicht 1. Ziel des Vortrags 2. Einleitung 3. Varianzreduzierende Techniken Bedingtes Monte Carlo Importance Sampling 4. Diskrepanz geringe Diskrepanz Koksma-Hlawka Ungleichung 5. Low-Discrepancy Folgen Vorteil anhand eines Beispiels Beispiel Halton Folge mit Basis 3 Beispiel Vergleich Sobol zu Faure 6. Zusammenfassung 11 / 37
12 Varianzreduzierende Techniken 1 Man versucht eine andere ZV Z als Z zu finden, sodass α = E[g(Z )] = g(z )df R s Z (z ) äquivalent zu (1) mit g : R s R. Beispiel: europäische Option g(z ) Payoff der Option F Z Verteilungsfunktion des Underlyings sodass: E[g(Z )] = E[g(Z )] (1) jedoch :Var[g(Z )] < Var[g(Z )] (2) 12 / 37
13 Bedingtes Monte Carlo Sei Y eine weitere, aber gleichzeitig erzeugte ZV wie Z. Dann gilt: g 1 (Y ) = E[g(Z ) Y ] und E[g 1 (Y )] = E[g(Z )] = α Dann kann man für g 1 (Y ) den MC Schätzer von α verwenden: Var[g(Z )] =Var[E[g(Z ) Y ]] + E[Var[[g(Z ) Y ]] }{{}}{{} Vor. 0 Var[g 1 (Y )] Var[g(Z )] Varianzreduktion. 13 / 37
14 Importance Sampling Idee: anderes Wahrscheinlichkeitsmaß verwenden wichtige Pfad mehr Gewicht Effizienz erhöhen F Z hat Dichte f : R s R + α = E[g(Z )] = g(z)f (z)dz. R s Sei nun f I : R s R + andere Dichtefkt., sodass f I (z) > 0 z R s \{z : f (z) g(z) = 0} α = g(z) f (z) [ R s f I (z) f I(z)dz = E I g(z) f (z) ] f I (z) Z mit f I verteilt. 14 / 37
15 Generiere Stichproben z 1,..., z n und verwende erwartungstreuen Schätzer: ˆα I = 1 n n i=1 g(z i ) f (z i) f I (z i ) Varianzreduktion falls f I so gewählt, dass [ ( E I g(z ) f (Z ) ) ] 2 [ = E I g 2 (Z ) f (Z ) ] f I (Z ) f I (Z ) [ ] < E g 2 (Z ) Erfolgreich wenn f I so proportional wie möglich an g(z) f (z). Weitere Möglichkeit der Varianzreduktion: Kontrollvariablen. 15 / 37
16 Übersicht 1. Ziel des Vortrags 2. Einleitung 3. Varianzreduzierende Techniken Bedingtes Monte Carlo Importance Sampling 4. Diskrepanz geringe Diskrepanz Koksma-Hlawka Ungleichung 5. Low-Discrepancy Folgen Vorteil anhand eines Beispiels Beispiel Halton Folge mit Basis 3 Beispiel Vergleich Sobol zu Faure 6. Zusammenfassung 16 / 37
17 Diskrepanz D (ξ, A(R; ξ) N) = sup λ s (R) R J N mit ξ = ξ 1,...ξ N A(R; ξ) Anzahl Punkte von ξ in R λ s s-dim. Lebesguemaß J Menge der Intervalle der Form: s i=1 u i und u i [0, 1) 17 / 37
18 geringe Diskrepanz 1/4 Definition geringe Diskrepanz Eine Folge (ξ i ) i N [0, 1] n hat geringe Diskrepanz, falls D k (ξ 1,..., ξ k ) C n (log k) n für alle k mit einer von der Dimension abhängigen Konstante C n, wobei k 18 / 37
19 geringe Diskrepanz 2/4 Diskrepanz ist ein Maß dafür, wie weit die durch Folge ξ 1,..., ξ n gegebene Verteilung vom Idealzustand auf [0, 1] entfernt ist. Merke Desto kleiner der Fehler der Quasi-Monte-Carlo-Schätzung Desto geringer ist die Diskrepanz der Folge 19 / 37
20 geringe Diskrepanz 3/4 Definition Koksma-Hlawka Ungleichung Sei f eine Funktion mit endlicher Variation V auf [0, 1] s und sei ξ = (ξ i ) eine Folge in [0, 1] s, dann gilt für irgendein n : f (x)dx 1 [0,1] s n n f (ξ i ) V (f ) D (ξ, n) i=1 20 / 37
21 geringe Diskrepanz 4/4 Diese Ungleichung stellt die Basis für die Überlegenheit der QMC gegen über der MC Methode, weil der Fehler der Berechnung des Integrals gegen Null geht in O( (logn)s N ). Problem: Praxis fast unmöglich Fehlerabschätzung mit der Koksma-Hlawka Ungleichung (Variation von f schwer berechenbar) 21 / 37
22 Übersicht 1. Ziel des Vortrags 2. Einleitung 3. Varianzreduzierende Techniken Bedingtes Monte Carlo Importance Sampling 4. Diskrepanz geringe Diskrepanz Koksma-Hlawka Ungleichung 5. Low-Discrepancy Folgen Vorteil anhand eines Beispiels Beispiel Halton Folge mit Basis 3 Beispiel Vergleich Sobol zu Faure 6. Zusammenfassung 22 / 37
23 Low-Discrepancy Folgen Es gibt mehrere Low-Discrepancy Folgen: Sobolfolge Haltonfolge Faurefolge Niederreiterfolge Niederreiter-Xingfolge 23 / 37
24 Beispiel Vorteil gegenüber zufälligen Folgen Beispiel Integriere I = (i cos(ix i ))dx 1 dx 2 dx 3 dx 4 dx 5 dx i=1 Der exakte Wert des Integrals ist: 6 I = sin(i) = sin(1) sin(2) sin(3) sin(4) sin(5) sin(6) i=1 Approximativ: I / 37
25 Betrachte folgende Approximationen Abbildung: Wert der approximierten Integralen in Abhängigkeit der Anzahl von Punkten Bildquelle: 25 / 37
26 Beispiel Halton Folge mit Basis 3 einfach zu berechnen mit Hilfe von Basen, welche die ersten d(dimension) Primzahlen sind Jede Dimension hat andere Basen Ziel: Generieren von Punkten (0, 1) (0, 1) R 2 Auf den folgenden Folien exemplarisch zur Basis 3 26 / 37
27 Beispiel Halton Folge (0, 1) (0, 1) R 2 1/3 Schritt 1 Teile das Intervall in 3 (=Basis) Teile auf und extrahiere die inneren Punkte als erste Koordinaten Intervall 3. Intervall Schritt 2 Betrachte jedes Teilintervall separat und unterteile es wieder in 3 Teilintervalle und starte bei jedem Intervall wieder bei Schritt / 37
28 Beispiel Halton Folge (0, 1) (0, 1) R 2 2/ ( 1 3, 2 3, 1 9, 4 9, 7 9, 2 9, 5 9, 8 9) 28 / 37
29 Beispiel Halton Folge (0, 1) (0, 1) R 2 3/3 analog ergeben sich die Punkte zur Basis 2 und es ergeben sich die ersten 10 Koordinaten wie folgt ( 1 2, 1 3) ( 7 8, 5 9), ( 1, 4, 2 3) ( 1 16, 8 9 ( 3, 4, 1 9) ), ( 9 16, 1 27 ( 1, 8, 4 9) ), ( 5, 8 9), 7 ( 5 16, ), ( 3, 8, 2, 9) 29 / 37
30 Abbildung: ersten 10 Paare der 2D-Halton Folge in (0, 1) (0, 1) R 2 30 / 37
31 Abbildung: ersten 1000 Paare der 2D-Halton Folge in (0, 1) (0, 1) R 2 31 / 37
32 Sobolzahlen Vorteile leichter die Anzahl der Punkte und/oder Dimensionen zu variieren Durch das Muster, welches sich ergibt, kann man problemlos nur Teilmengen betrachten höhere Einheitlichkeit als bei Gleichverteilung Schnelligkeit: die ersten zehn Millionen Sobol-Paare benötigen auf meinem PC weniger als zwei Sekunden 32 / 37
33 Vergleich an Hand eines Beispiels: Sobol zu Faure 1/2 Die zu integrierende Funktion lautet: s 4x i 2 dx 1...dx 2 = 1 i=1 Beide Folgen lösen die Aufgabe in fast identischer Zeit mit folgenden Ergebnissen 33 / 37
34 Vergleich an Hand eines Beispiels: Sobol zu Faure 2/2 Abbildung: Direkter Vergleich, wobei N Anzahl Punkte, s dim. Einheitswürfel Bildquelle: 34 / 37
35 35 / 37
36 Übersicht 1. Ziel des Vortrags 2. Einleitung 3. Varianzreduzierende Techniken Bedingtes Monte Carlo Importance Sampling 4. Diskrepanz geringe Diskrepanz Koksma-Hlawka Ungleichung 5. Low-Discrepancy Folgen Vorteil anhand eines Beispiels Beispiel Halton Folge mit Basis 3 Beispiel Vergleich Sobol zu Faure 6. Zusammenfassung 36 / 37
37 Zusammenfassung Ziel: möglichst geringe Rechenzeit möglichst große Genauigkeit Varianzreduktion kann u.a. erreicht werden durch: Bedingte Monte Carlo Importance Sampling kluge Auswahl von Stützpunkten 37 / 37
Einführung in Quasi-Monte Carlo Verfahren
Einführung in Quasi- Markus Zahrnhofer 3. Mai 2007 Markus Zahrnhofer () Einführung in Quasi- 3. Mai 2007 1 / 27 Inhalt der Präsentation 1 Motivierendes Beispiel 2 Einführung 3 quasi- Allgemeines Diskrepanz
MehrSimulationstechniken in Finanz- und Versicherungsmathematik
Simulationstechniken in Finanz- und Versicherungsmathematik 10. Januar 2010 1 Motivation 2 Monte Carlo Methoden 3 Quasi-Monte Carlo Methoden 4 Folgen kleiner Diskrepanz Motivation Mortgage-backed Security
MehrQuasi-Monte-Carlo-Algorithmen
Quasi-Monte-Carlo-Algorithmen Peter Kritzer Institut für Finanzmathematik/Institut für Didaktik der Mathematik Johannes Kepler Universität Linz peter.kritzer@jku.at Tag der Mathematik, April 2011 P. Kritzer
MehrMonte-Carlo-Methode. mit Pseudo- und Quasizufallszahlen
Gott würfelt nicht Monte-Carlo-Methode mit Pseudo- und Quasizufallszahlen Inhaltsverzeichnis Pseudo- und Quasizufallszahlen Monte-Carlo- Monte-Carlo- Monte-Carlo-Methode Bekannt nach Stadt Monte Carlo
Mehr1/26. Integration. Numerische Mathematik 1 WS 2011/12
1/26 Integration Numerische Mathematik 1 WS 2011/12 Notation 2/26 Die Abbildung I b a : C([a, b]) R gegeben durch Ia b (f ) := beschreibt die Integration. b a f (x)dx, Um das Integral I(f ) zu approximieren
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
MehrLösung zur Monte-Carlo Integration
Lösung zur Monte-Carlo Integration Berechnen Sie 1 0 1 1 0 0 exp(x+y +z)dxdydz mittels einer geeigneten Monte-Carlo Simulation! Erste Beobachtung: e 0 e x+y+z e 3 für (x,y,z) [0,1] 3. Hier zwei Lösungen,
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse
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
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
MehrQuasi-Monte Carlo Methoden
zur numerischen Integration Am Schnittpunkt von numerischer Analysis, Zahlentheorie und Finanzmathematik FG Finanz- und Versicherungsmathematik Institut für Wirtschaftsmathematik Technische Universität
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Marcel Thoms Mathematik Online Herbst 211 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
Mehr28. Lineare Approximation und Differentiale
28. Lineare Approximation und Differentiale Sei y = f(x) differenzierbar. Die Gleichung der Tangente t im Punkt x 0 lautet t : y f(x 0 ) = f (x 0 )(x x 0 ) Für x nahe bei x 0 können wir f(x) durch den
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
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
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
MehrDas empirische VaR bzw. CVaR
Das empirische VaR bzw. CVaR Sei x 1, x 2,..., x n eine Stichprobe der unabhängigen identischverteilten ZV X 1, X 2,..., X n mit Verteilungsfunktion F (Notation: Die ZV X 1, X 2,..., X n sind i.i.d. Empirische
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
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
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
Mehr1.3 Zufallsvariablen
1.3 Zufallsvariablen Beispiel Irrfahrt zwischen drei Zuständen Start in G bei t = 0, Zeithorizont T N Grundraum σ-algebra Ω = {ω = (ω 0, ω 1,..., ω T ) {G, R, B} T +1, ω 0 = G} Wahrscheinlichkeitsmaß P
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
MehrVorlesung 5a. Zufallsvariable mit Dichten
Vorlesung 5a 1 Vorlesung 5a Zufallsvariable mit Dichten Vorlesung 5a Zufallsvariable mit Dichten Teil 1 Uniforme Verteilung, Exponentialverteilung. Kontinuierlich uniform verteilte Zufallsvariable: 2 Kontinuierlich
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
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
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
MehrNumerische Verfahren und Grundlagen der Analysis
Numerische Verfahren und Grundlagen der Analysis Rasa Steuding Hochschule RheinMain Wiesbaden Wintersemester 2011/12 R. Steuding (HS-RM) NumAna Wintersemester 2011/12 1 / 21 Quadraturverfahren R. Steuding
Mehr15.5 Stetige Zufallsvariablen
5.5 Stetige Zufallsvariablen Es gibt auch Zufallsvariable, bei denen jedes Elementarereignis die Wahrscheinlich keit hat. Beispiel: Lebensdauer eines radioaktiven Atoms Die Lebensdauer eines radioaktiven
MehrLösung Semesterendprüfung
MAE4 Mathematik: Analysis für Ingenieure 4 Frühlingssemester 26 Dr. Christoph Kirsch ZHAW Winterthur Aufgabe : Lösung Semesterendprüfung Wir betrachten die Ergebnismenge Ω : {, 2,, 4, 5, 6} 2 6 2 6 Elemente,
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
MehrPVK Probeprüfung FS 2017
PVK Probeprüfung FS 07 Lucas Böttcher Numerische Methoden ETH Zürich June 3, 07. Radioaktiver Zerfall Gegeben sind zwei radioaktive Substanzen, welche mit den Raten λ = 0.5 und λ = 0. zerfallen: A λ B
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
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 :
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
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
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
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. P. Embrechts ETH Zürich Sommer 204 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Schreiben Sie für Aufgabe 2-4 stets alle Zwischenschritte und -rechnungen sowie Begründungen auf. Vereinfachen
MehrVorlesung 7b. Der Zentrale Grenzwertsatz
Vorlesung 7b Der Zentrale Grenzwertsatz 1 Zentraler Grenzwertsatz (Tschebyscheff) Die standardisierte Summe von unabhängigen, identisch verteilten R-wertigen Zufallsvariablen konvergiert in Verteilung
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
MehrVarianzkomponentenschätzung
Qualitas AG Varianzkomponentenschätzung Peter von Rohr Qualitas AG Peter von Rohr Folien ZL I+II LFW C11 October 29, 2015 2 / 23 Multiple Lineare Regression Annahmen Modell y = Xb + e Varianz der Fehler
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
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
MehrUE Statistische Mustererkennung WS 2018 Angaben zur 2ten Aufgabengruppe
UE Statistische Mustererkennung WS 2018 Angaben zur 2ten Aufgabengruppe 1 Aufgabe UE-II.1 Generieren Sie je 1000 Stichproben (samples) mit Umfang 5/30/100/500 für die Normalverteilung N(µ, σ 2 ) = N(4,
MehrSeminar stochastische Geometrie. 25. Januar Faserprozesse im R 2. Simona Renner. Faserprozesse. Kenngrößen Intensität Richtungsrose
Seminar stochastische Geometrie 25. Januar 2010 Contents 1 2 3 4 5 Definitionen Faser: glatte Kurve endlicher Länge in der Ebene Faser γ ist das Bild der Kurve γ(t) = (γ 1 (t), γ 2 (t)) mit (i) γ : [0,
MehrKapitel 3 Schließende Statistik
Motivation Grundgesamtheit mit unbekannter Verteilung F Stichprobe X 1,...,X n mit Verteilung F Realisation x 1,...,x n der Stichprobe Rückschluss auf F Dr. Karsten Webel 160 Motivation (Fortsetzung) Kapitel
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
MehrGegenbeispiele in der Wahrscheinlichkeitstheorie
Gegenbeispiele in der Wahrscheinlichkeitstheorie Mathias Schaefer Universität Ulm 26. November 212 1 / 38 Übersicht 1 Normalverteilung Definition Eigenschaften Gegenbeispiele 2 Momentenproblem Definition
MehrStatistische Methoden der Datenanalyse Wintersemester 2011/2012 Albert-Ludwigs-Universität Freiburg
Statistische Methoden der Datenanalyse Wintersemester 2011/2012 Albert-Ludwigs-Universität Freiburg Dr. Stan Lai und Prof. Markus Schumacher Physikalisches Institut Westbau 2 OG Raum 008 Telefonnummer
Mehr0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 x
MehrAKVFM Numerische Methoden in der Finanz- und Versicherungsmathematik
AKVFM Numerische Methoden in der Finanz- und Versicherungsmathematik Übungsbeispiele zur Lehrveranstaltung Reinhold Kainhofer Juni 2006 Institut für Wirtschaftsmathematik FG Finanz- und Versicherungsmathematik
MehrKAPITEL 10. Numerische Integration
KAPITEL 10. Numerische Integration 10.1 Einleitung Sei Es gilt I Ĩ = b I = b a a f(x) f(x) dx f(x) dx, Ĩ = b b a f(x) dx. a f(x) f(x) dx (b a) f f. I Ĩ I (b a) f f b a f(x) dx = ba f dx b a f(x) dx f f
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
Mehr10 Statistisches Schätzen
10 Statistisches Schätzen 620 10 Statistisches Schätzen 10.1 Punktschätzung 623 10.1.1 Schätzer und ihre Gütekriterien 623 10.1.2 Erwartungstreue 627 10.1.3 Erwartete quadratische Abweichung (MSE) 634
MehrNumerische Integration
Numerische Integration Fakultät Grundlagen Januar 0 Fakultät Grundlagen Numerische Integration Übersicht Grundsätzliches Grundsätzliches Trapezregel Simpsonformel 3 Fakultät Grundlagen Numerische Integration
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
MehrTU DORTMUND Sommersemester 2018
Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade
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
MehrExperimentelle Methoden der Teilchenphysik Sommersemester 2011/2012 Albert-Ludwigs-Universität Freiburg
Eperimentelle Methoden der Teilchenphysik Sommersemester 011/01 Albert-Ludwigs-Universität Freiburg Prof. Markus Schumacher Physikalisches Institut, Westbau,. OG Raum 008 Telefon 0761 03 761 E-Mail: Markus.Schumacher@physik.uni-freiburg.de
MehrLösung zu den Übungsaufgaben zur Lebesgueschen Integrationstheorie. Tobias Ried
Lösung zu den Übungsaufgaben zur Lebesgueschen Integrationstheorie Tobias Ried. März 2 2 Aufgabe (Messbarkeit der Komposition zweier Abbildungen). Seien (X, A), (Y, B) und (Z, C) Messräume und f : (X,
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........................
MehrAufgaben zu Kapitel 0
Aufgaben zu Kapitel 0 0.1. Seien A und B zwei Mengen. Wie kann man paarweise disjunkte Mengen A 1, A 2 und A 3 so wählen, dass A 1 A 2 A 3 = A B gilt? 0.2. Seien E ein Menge und A eine Teilmengen von E.
Mehr5 Konfidenzschätzung. 5.1 Einige Grundbegriffe zur Konfidenzschätzung
5 Konfidenzschätzung 5. Einige Grundbegriffe zur Konfidenzschätzung Diesem Kapitel liegt das parametrische Modell {X, B X, P } mit P {P Θ} zugrunde. {Θ, B Θ } sei ein Meßraum über Θ und µ ein σ-finites
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
MehrTechniken zur Berechnung der Dimension
Seminarvortrag Ulm, 21.11.2006 Übersicht Masse-Verteilungs-Prinzip Berechnung der Dimension von Fraktalen Es ist oft nicht einfach die Hausdorff - Dimension allein durch deren Definition zu berechnen.
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
Mehr3.1 Punktschätzer für Mittelwert µ und Varianz σ 2. Messungen x 1,..., x N, die unabhängig voneinander auf gleiche Weise gewonnen worden sind
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 3.1 3.1 Punktschätzer für Mittelwert µ und Varianz σ 2 Messungen x 1,..., x N, die unabhängig voneinander auf gleiche Weise gewonnen worden
MehrEinführung in die numerische Mathematik
Prof. Dr. M. Günther K. Gausling, M.Sc. C. Hendricks, M.Sc. Sommersemester 014 Bergische Universität Wuppertal Fachbereich C Mathematik und Naturwissenschaften Angewandte Mathematik / Numerische Analysis
Mehri =1 i =2 i =3 x i y i 4 0 1
Aufgabe (5+5=0 Punkte) (a) Bei einem Minigolfturnier traten 6 Spieler gegeneinander an. Die Anzahlen der von ihnen über das gesamte Turnier hinweg benötigten Schläge betrugen x = 24, x 2 = 27, x = 2, x
MehrStochastik Praktikum Parametrische Schätztheorie
Stochastik Praktikum Parametrische Schätztheorie Thorsten Dickhaus Humboldt-Universität zu Berlin 05.10.2010 Prolog Momentenmethode X : Ω 1 Ω Zufallsgröße, die Experiment beschreibt. Ein statistisches
MehrD-MATH Numerische Methoden FS 2017 Dr. Vasile Gradinaru Luc Grosheintz. Serie 4. 1 f i (x)dx
D-MATH Numerische Methoden FS 217 Dr. Vasile Gradinaru Luc Grosheintz Serie 4 Abgabedatum: Di./Mi. 2.3/21.3 in den Übungsgruppen oder im HG J68 Koordinatoren: Luc Grosheintz, HG J 46, luc.grosheintz@sam.ethz.ch
MehrProseminar Technische Informatik: Rare Event Simulation. Jan Sydow Fachbereich Informatik Institut für Mathematik/Informatik
Proseminar Technische Informatik: Rare Event Simulation Jan Sydow Fachbereich Informatik Institut für Mathematik/Informatik Gliederung Motivation Methoden Standardsimulation Importance Sampling Importance
Mehr1 Verteilungsfunktionen, Zufallsvariable etc.
4. Test M3 ET 27 6.6.27 4. Dezember 27 Regelung für den.ten Übungstest:. Wer bei den Professoren Dirschmid, Blümlinger, Vogl oder Langer die UE aus Mathematik 2 gemacht hat, sollte dort die WTH und Statistik
MehrModellierung- und Simulation Mathis Plewa ( )
Inhaltsverzeichnis Abbildungsverzeichnis... 1 Übungsaufgabe: Zufallsgeneratoren und Histogramme... 2 Standard Gleichverteilung... 2 Gaußverteilung... 3 Exponentialverteilung... 4 Übungsaufgabe: Geometrische
Mehr7. Übung: Aufgabe 1. b), c), e) Aufgabe 2. a), c), e) Aufgabe 3. c), e) Aufgabe 4. Aufgabe 5. Aufgabe 6. Aufgabe 7. Aufgabe 8. Aufgabe 9.
7. Übung: Aufgabe 1 b), c), e) Aufgabe a), c), e) Aufgabe 3 c), e) Aufgabe 4 b) Aufgabe 5 a) Aufgabe 6 b) Aufgabe 7 e) Aufgabe 8 c) Aufgabe 9 a), c), e) Aufgabe 10 b), d) Aufgabe 11 a) Aufgabe 1 b) Aufgabe
MehrSammlung alter Klausuraufgaben zur Stochastik keine Abgabe keine Besprechung in den Tutorien
Sammlung alter Klausuraufgaben zur Stochastik keine Abgabe keine Besprechung in den Tutorien Prof. F. Merkl 23. Mai 2016 Zu Ihrer Information und als zusätzliches Übungsmaterial sind hier die Aufgaben
MehrFrequentisten und Bayesianer. Volker Tresp
Frequentisten und Bayesianer Volker Tresp 1 Frequentisten 2 Die W-Verteilung eines Datenmusters Nehmen wir an, dass die wahre Abhängigkeit linear ist, wir jedoch nur verrauschte Daten zur Verfügung haben
MehrVon 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
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
MehrFallzahlplanung bei unabhängigen Stichproben
Fallzahlplanung bei unabhängigen Stichproben Seminar Aktuelle biometrische Probleme Benjamin Hofner benjamin.hofner@stat.uni-muenchen.de 12. Januar 2005 Übersicht 1. Einführung und Grundlagen der Fallzahlplanung
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
MehrScheinklausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 2007/2008 Universität Karlsruhe 25. 02. 2008 Dr. B. Klar Scheinklausur zur Vorlesung Stochastik II Muster-Lösung Dauer: 90 Minuten Name: Vorname: Matrikelnummer:
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
MehrLösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) für Studierende des Maschinenbaus vom 7. Juli (Dauer: 8 Minuten) Übersicht über die
MehrNachklausur Wahrscheinlichkeitstheorie und Inferenz II Sommersemester Oktober 2011
Nachklausur Wahrscheinlichkeitstheorie und Inferenz II Sommersemester 2011 28. Oktober 2011 Prof. Dr. Torsten Hothorn Institut für Statistik Nachname: Vorname: Matrikelnummer: Anmerkungen: ˆ Schreiben
MehrETHZ, D-MATH. Numerische Methoden D-PHYS, WS 2015/16 Dr. V. Gradinaru
ETHZ, D-MATH Prüfung Numerische Methoden D-PHYS, WS 5/6 Dr. V. Gradinaru..6 Prüfungsdauer: 8 Minuten Maximal erreichbare Punktzahl: 6. Der van-der-pol Oszillator ( Punkte) Der van-der-pol Oszillator kann
MehrGrundgesamtheit und Stichprobe
Grundgesamtheit und Stichprobe Definition 1 Die Menge der Untersuchungseinheiten {U 1,U 2,...,U N } heißt Grundgesamtheit. Die Anzahl N der Einheiten ist der Umfang der Grundgesamtheit. Jeder Einheit U
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
MehrVorlesung 7b. Unabhängigkeit bei Dichten. und die mehrdimensionale Standardnormalverteilung
Vorlesung 7b Unabhängigkeit bei Dichten und die mehrdimensionale Standardnormalverteilung 0. Wiederholung: Die Normalverteilung Dichtefunktion ϕ der Standardnormalverteilung ϕ(x) 0.0 0.1 0.2 0.3 0.4 4
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrMustererkennung: Wahrscheinlichkeitstheorie. D. Schlesinger () ME: Wahrscheinlichkeitstheorie 1 / 10
Mustererkennung: Wahrscheinlichkeitstheorie D. Schlesinger () ME: Wahrscheinlichkeitstheorie 1 / 10 Definitionen (axiomatisch) Wahrscheinlichkeitsraum (Ω, σ, P), mit Ω Die Grundmenge, die Menge der elementaren
MehrFinanzmathematische Modelle und Simulation
Finanzmathematische Modelle und Simulation WS 9/1 Rebecca Henkelmann In meiner Ausarbeitung Grundbegriffe der Stochastik I, geht es darum die folgenden Begriffe für die nächsten Kapitel einzuführen. Auf
Mehr1. Was ist eine Wahrscheinlichkeit P(A)?
1. Was ist eine Wahrscheinlichkeit P(A)? Als Wahrscheinlichkeit verwenden wir ein Maß, welches die gleichen Eigenschaften wie die relative Häufigkeit h n () besitzt, aber nicht zufallsbehaftet ist. Jan
MehrGitterpunkt-Integrationsformeln
Gliederung Gitterpunkt-Integrationsformeln Ulrich Telle FernUniversität Hagen, Fachbereich Mathematik Lehrgebiet Numerische Mathematik, Prof. Dr. F. Locher Mathematisches Praktikum 1074 18./19.02.2005
MehrStochastik-Praktikum
Stochastik-Praktikum Markov Chain Monte Carlo Peter Frentrup Humboldt-Universität zu Berlin 16. Januar 2018 (Humboldt-Universität zu Berlin) Markov Chain Monte Carlo 16. Januar 2018 1 / 17 Übersicht 1
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
MehrGrundgesamtheit und Stichprobe
Grundgesamtheit und Stichprobe Definition 1 Die Menge der Untersuchungseinheiten {U 1,U 2,...,U N } heißt Grundgesamtheit. Die Anzahl N der Einheiten ist der Umfang der Grundgesamtheit. Jeder Einheit U
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrVorlesung 7a. Der Zentrale Grenzwertsatz
Vorlesung 7a Der Zentrale Grenzwertsatz als Erlebnis und Das Schwache Gesetz der Großen Zahlen Wiederholung: Die Normalverteilung Dichtefunktion ϕ der Standardnormalverteilung ϕ(x) 0.0 0.1 0.2 0.3 0.4
Mehr