Simulation von Zufallsvariablen und Punktprozessen
|
|
- Lieselotte Holtzer
- vor 7 Jahren
- Abrufe
Transkript
1 Simulation von Zufallsvariablen und Punktprozessen
2 Inhaltsverzeichnis 1 Einleitung 2 Pseudozufallszahlen 3 Punktprozesse
3 Zufallszahlen Definition (Duden): Eine Zufallszahl ist eine Zahl, die rein statistisch ( zufällig ) aus einer Menge von Zahlen herausgegriffen wird. Eine (unendliche) Folge von Zahlen ohne (algorithmisches) Bildungsgesetz heißt Zufallszahlenfolge. echte Zufallszahlen: physikalische Experimente (Münzwurf, Würfel werfen, kosmisches Rauschen, etc.). Pseudozufallszahlen
4 Zufallszahlen Anwendung in den unterschiedlichsten Gebieten (Physik, Biologie, Meteorologie, Informatik) Verfahren, die auf computergenerierten Daten basieren haben wesentliche Vorteile: schnell und kostengünstig beliebig oft wiederholbar (Beobachtungsobjekt beliebig oft vorhanden) numerische Lösung komplexer analytischer Probleme
5 Berechnung von π E:=Einheitskreis im ersten Quadranten A:=[0,1]x[0,1] u 1, u 2 U([0, 1]). Dann gilt: P((u 1, u 2 ) E) = P(u u 2 2 1) = Fläche von E Fläche von A = π 4 π Punkten. 4 Anzahl der Punkte in E Anzahl der Punkte in A für eine große Anzahl an simulierten
6 Berechnung von π Abbildung: Simulation für 100 Punkte, Ergebnis π 3.12
7 Pseudozufallszahlen Pseudozufallszahlen sind Zahlen, die durch einen deterministischen Algorithmus berechnet werden, aber dennoch zufällig erscheinen. Gängige Möglichkeiten, Pseudozufallszahlen zu erzeugen sind unter anderem Bitfolgen linearer/nichtlinearer Kongruenzgenerator Inversionsgenerator
8 Güteeigenschaften von Pseudozufallszahlen Eine Folge von auf [0, 1] gleichverteilten Pseudozufallszahlen sollte folgende Eigenschaften erfüllen: Für jeden Startwert x 0 gleichmäßige Streuung der Folgenglieder auf [0, 1] Für jeden Startwert x 0 lange Periode der Folge der Pseudozufallszahlen Für jeden Startwert x 0 effiziente Berechenbarkeit der Folgenglieder x i, i N
9 Der lineare Kongruenzgenerator Sei m N, a, c, x 0 {0, 1,..., m 1}. Dann nennt man x n = (ax n 1 + c)mod(m) n N einen linearen Kongruenzgenerator. Offenbar gilt x n {0, 1,..., m 1}, und somit bildet x n, n N, eine periodische Folge.
10 Der lineare Kongruenzgenerator Die Normierung u n = x n m n N erzeugt die Folge u n, deren Elemente alle in [0, 1) liegen.
11 χ 2 -goodness of fit test für gleichverteilte Zufallsvariablen Dieser Test dient zur Feststellung, ob {u i } i {1,...,n} auf [0,1] gleichverteilt sind. Zerlege [0, 1) in r gleichlange Teilintervalle [0, 1 r ), [1 r, 2 r ),...,[r 1 r, 1) Definiere p := (p 1,..., p r ), mit p j = #{i : u i [ j 1 r, j r )}, j {1,..., r} n T n (u 1,..., u n ) = r j=1 (Z j (u 1,..., u n ) n r )2 n r wobei Z j (u 1,..., u n ) = #(i : 1 j n, j 1 < ru i j)
12 Wir lehnen die Hypothese H 0 : p = p o = ( 1 r, 1 r,..., 1 r ) also ab, falls T n > χ 2 r 1,1 α
13 Inversionsmethode Sei U U([0, 1]). Für jede umkehrbare Verteilungsfunktion F besitzt die Zufallsvariable die Verteilungsfunktion F, wobei X = F 1 (U) F 1 (u) := inf {x : F(x) u}
14 Beispiel Sei X Exp(λ), λ > 0, F die Verteilungsfunktion von X mit { 1 e λx, x 0 F(x) = 0, x < 0 und u eine Realisierung von U U([0,1]).
15 Beispiel Um eine Realisierung x von X zu erhalten, setzen wir u in obiges Lemma ein: x = F 1 (u) u = F(x) u = 1 e λx x = 1 log(1 u) λ x = 1 λ log(u)
16 Motivation c*g(x) 0.6 B C A f(x)
17 Die Verwerfungsmethode (acceptance-rejection-method) y: gesuchte Zufallszahl die der Verteilungsfunktion F genügt (f Dichte von F) g: berechenbare Dichte mit f (x) g(x) c, c R
18 Die Verwerfungsmethode (acceptance-rejection-method) y: gesuchte Zufallszahl die der Verteilungsfunktion F genügt (f Dichte von F) g: berechenbare Dichte mit f (x) g(x) c, c R Schritt 1: Generiere eine Zufallszahl x gemäß Dichte g
19 Die Verwerfungsmethode (acceptance-rejection-method) y: gesuchte Zufallszahl die der Verteilungsfunktion F genügt (f Dichte von F) g: berechenbare Dichte mit f (x) g(x) c, c R Schritt 1: Generiere eine Zufallszahl x gemäß Dichte g Schritt 2: Generiere eine auf [0,1] gleichverteilte Zufallszahl u
20 Die Verwerfungsmethode (acceptance-rejection-method) y: gesuchte Zufallszahl die der Verteilungsfunktion F genügt (f Dichte von F) g: berechenbare Dichte mit f (x) g(x) c, c R Schritt 1: Generiere eine Zufallszahl x gemäß Dichte g Schritt 2: Generiere eine auf [0,1] gleichverteilte Zufallszahl u Schritt 3: Falls u f (x) cg(x), setze y=x, andernfalls gehe wieder zu Schritt 1
21 Die Verwerfungsmethode (acceptance-rejection-method) y: gesuchte Zufallszahl die der Verteilungsfunktion F genügt (f Dichte von F) g: berechenbare Dichte mit f (x) g(x) c, c R Schritt 1: Generiere eine Zufallszahl x gemäß Dichte g Schritt 2: Generiere eine auf [0,1] gleichverteilte Zufallszahl u Schritt 3: Falls u f (x) cg(x), setze y=x, andernfalls gehe wieder zu Schritt 1
22 Die Verwerfungsmethode (acceptance-rejection-method) y: gesuchte Zufallszahl die der Verteilungsfunktion F genügt (f Dichte von F) g: berechenbare Dichte mit f (x) g(x) c, c R Schritt 1: Generiere eine Zufallszahl x gemäß Dichte g Schritt 2: Generiere eine auf [0,1] gleichverteilte Zufallszahl u Schritt 3: Falls u f (x) cg(x), setze y=x, andernfalls gehe wieder zu Schritt 1 Die so generierte Zufallszahl y genügt der Verteilung von F.
23 Der Poissonprozess {N B, B B 0 (R n )} heißt ein Poissonprozess mit lokal endlichem Intensitätsmaß µ, wenn N B1, N B2,... unabhängige Zufallsvariablen sind für disjunkte B 1, B 2,... B 0 (R n ) N B Poi(µ(B)), B B 0 (R n )
24 Existiert ein λ (0, ), sodass µ(b) = λυ n (B), B B 0 (R n ) dann heißt {N B } homogener Poissonprozess mit Intensität λ Wenn µ absolutstetig bzgl. υ n, d.h. eine Borel-messbare Funktion λ : R n [0, ) mit µ(b) = λ(x)dx, B B 0 (R n ) B dann heißt {N B } inhomogener Poissonprozess mit Intensitätsfunktion λ(x) {S i B} bezeichnen wir als messbare Indizierung der (zufälligen) Atome von N B in B.
25 Der Poissonprozess in R Abbildung: 10 Erneuerungszeitpunkte eines homogenen Poissonprozesses mit Intensität λ=3
26 Die bedingte Gleichverteilungseigenschaft Theorem: Sei {N C } ein homogener Poissonprozess auf C := [a 1, b 1 )x[a 2, b 2 )x...x[a n, b n ) Dann ist der Zufallsvektor S i = (S i1,..., S in ) gleichverteilt in C, d.h. die unabhängigen Komponenten S ij U([a j, b j ))
27 Erzeugung eines Poissonprozesses auf einem Quader Schritt 1: Generiere eine Realisierung N C Poi(λυ n( C)) Schritt 2: Falls N C = k, generiere S 1,..., S k mit S i = (S i1,..., S in ), wobei S ij U([a j, b j )) Die Menge {S i } sind eine Realisierung des Poissonprozesses N C auf dem Quader C
28 Akzeptanz- und Verwerfungsmethode C B(R n ): eine beliebige, beschränkte Borelmenge. µ : B(R n ) [0, ]: ein beliebiges, lokal endliches Maß mit 0 < µ(c) <. C = (a 1, b 1 ]x...x(a n, b n ]: ein n-dimensionaler Quader mit C C und µ( C) <
29 Algorithmus Schritt 1: Generiere eine Realisierung N C Poi(λυ n ) Schritt 2: Falls N C =k, dann generiere solange eine Realisierung s 1, s 2,... der unabhängigen Zufallsvektoren S i C, bis k der s 1, s 2,... in C liegen. Dann ist die Menge {s i : s i C} eine Realisierung des Poissonprozesses {N B } in C.
30 Theoreme Sei {N B, B B(E)} ein Poissonprozess in E mit lokal endlichem Intensitätsmaß µ und T : E Ẽ Borel-messbar, wobei die Urbilder von beschränkten Borel-Mengen beschränkt seien. Dann gilt: Theorem 1: {Ñ B, B B 0 (Ẽ)} mit Ñ B = N T 1 ( B) ist ein Poissonprozess in Ẽ mit Intensitätsmaß µ( B) = µ(t 1 (B)).
31 Theoreme Sei {N B, B B(E)} ein Poissonprozess in E mit lokal endlichem Intensitätsmaß µ und T : E Ẽ Borel-messbar, wobei die Urbilder von beschränkten Borel-Mengen beschränkt seien. Dann gilt: Theorem 1: {Ñ B, B B 0 (Ẽ)} mit Ñ B = N T 1 ( B) ist ein Poissonprozess in Ẽ mit Intensitätsmaß µ( B) = µ(t 1 (B)). Theorem 2: Seien {S i } die Atome eines Poissonprozesses N B, B B 0 (E). {U i } eine Folge iid Zufallsvektoren in R m, die von {S i } unabhängig sind, dann gilt: N BxC = #{i : (S i, U i ) BxC}, B B(E), C B(R m ) ist ein Poissonprozess.
32 Radiale Simulation (eines hom. Poissonprozesses im R 2 ) Sei T 1, T 2,... : Ω [0, ) eine Folge von iid Zufallsvariablen, mit T i Exp(1) i. Sei λ > 0 beliebig, dann folgt mit Theorem 1, dass N B = #{i : i k=1 ein Poissonprozess in B ist. T k πλ B} B B([0, ))
33 Insbesondere ist {s i } = von {N B }. i k=1 t k πλ eine Realisierung der Atome Seien nun u 1, u 2,... eine Folge von auf [0, 2π) gleichverteilter Zufallszahlen, die unabhängig von den T i sind. Mit Theorem 2 folgt: {(s i, u i )} sind Realisierung eines Poissonprozesses. Ebenso folgt mit Theorem 1: {F(s i, u i )}, F : [0, )x[0, 2π) R 2 mit F(s,u) := (s cos(u), s sin(u)) sind Realisierung eines Poissonprozesses im R 2.
34 Verdünnung von Poissonprozessen λ 1, λ 2 : R n [0, ): Borel-messbare, lokal integrierbare Funktionen mit λ 1 (x) λ 2 (x) x R n {S i }: Atome eines Poissonprozesses mit Intensitätsfunktion λ 1. U 1, U 2,... mit U i U([0, 1]) Dann gilt: {Ñ B, B B(R n )} mit Ñ B = #{d : S d B, U d λ 2(S d ) λ 1 (S d ) } B B 0(R n ) ist ein Poissonprozess mit Intensitätsfunktion λ 2.
35 Inhomogener Poissonprozess (Simulationsalgorithmus) Schritt 1: Generiere die Realisierung s 1,..., s k C eines homogenen Poissonprozesses in C, mit Intensität λ = sup x C λ(x) < Schritt 2: Generiere eine Realisierung u 1,..., u k von auf [0, 1] gleichverteilten Zufallszahlen Schritt 3: Eliminiere diejenigen Punkte s i, für die u i > λ(s i) λ Die verbleibenden Punkte bilden einen inhomogenen Poissonprozess in C mit Intensitätsfunktion λ : C [0, )
36 Quellen & Literatur Schmidt, V. (2007), Vorlesungsskript Räumliche Statistik für Punktprozesse und weitere Modelle der stochastischen Geometrie. Ulm: Institut für Stochastik. Schmidt, V. (2006), Lecture Note Markov Chains and Monte-Carlo Simulation. Ulm: Department of Stochastics Ross, S. M. (1996), Simulation 2nd. ed., Berkeley: Department of Industrial Engineering and Operations Research
37 Vielen Dank für Eure Aufmerksamkeit!
Allgemeine Punktprozesse
Allgemeine Punktprozesse Michael Auchter 17. Mai 2010 Seite 2 Allgemeine Punktprozesse 17. Mai 2010 Inhaltsverzeichnis Definitionen Definition von Punktprozessen Das Intensitätsmaß Stationarität, Isotropie
MehrJurij-Andrei Reichenecker 21. Juni Tessellationen
Jurij-Andrei Reichenecker 21. Juni 2010 Tessellationen Seite 2 Tessellationen 21. Juni 2010 Jurij-Andrei Reichenecker Inhalt Einführung Voronoi Tessellation Algorithmus zur Erstellung von Voronoi Tessellationen
MehrGrundlagen der Monte-Carlo-Simulation
Grundlagen der Monte-Carlo-Simulation Prof. Dr. V. Schmidt und S. Luck j 8. November 2007 page 2 Contents Motivation Erzeugung von SPZZ Software Transformation von SPZZ page 3 Motivation Motivation fur
Mehr7 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
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
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
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
MehrPunktprozesse. Andreas Frommknecht Seminar Zufällige Felder Universität Ulm
Einführung in Beispiele für Andreas Seminar Zufällige Felder Universität Ulm 20.01.2009 Inhalt Einführung in Beispiele für Definition Markierte 1 Einführung in Definition Markierte 2 Beispiele für Homogener
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
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
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
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........................
MehrHawkes Prozesse Grundlagen
Hawkes Prozesse Grundlagen Im Folgenden sei (Ω, F, F, P) eine stochastische Basis. Das heißt F = (F t ) t ist eine rechtsstetige Filtration mit F t F für alle t und P ein Wahrscheinlichkeitsmaß auf dem
Mehr7 Poisson-Punktprozesse
Poisson-Punktprozesse sind natürliche Modelle für zufällige Konfigurationen von Punkten im Raum Wie der Name sagt, spielt die Poisson-Verteilung eine entscheidende Rolle Wir werden also mit der Definition
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,
MehrMarkierte Punktprozesse und abstrakte kollektive Modelle
Festkolloquium 20 Jahre (neue) Versicherungsmathematik an der TU Dresden Markierte Punktprozesse und abstrakte kollektive Modelle Anke Todtermuschke 21. Oktober 2011 Gliederung 1 Modellierung einer Folge
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........................
Mehr3 Produktmaße und Unabhängigkeit
3 Produktmaße und Unabhängigkeit 3.1 Der allgemeine Fall Im Folgenden sei I eine beliebige Indexmenge. i I sei (Ω i, A i ein messbarer Raum. Weiter sei Ω : i I Ω i ein neuer Ergebnisraum. Wir definieren
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
MehrBZQ II: Stochastikpraktikum
BZQ II: Stochastikpraktikum Block 1: Monte-Carlo-Methoden, Zufallszahlen, Statistische Tests Randolf Altmeyer November 22, 2016 Überblick 1 Monte-Carlo-Methoden, Zufallszahlen, statistische Tests 2 Lineares
MehrGaußsche Felder und Simulation
3 2 data_2d_1.dat data_2d_2.dat data_2d_64.dat data_2d_128.dat 1-1 -2-3 1 2 3 4 5 6 7 Gaußsche Felder und Simulation Benedikt Jahn, Aaron Spettl 4. November 28 Institut für Stochastik, Seminar Zufällige
MehrStatistik für Ingenieure Vorlesung 6
Statistik für Ingenieure Vorlesung 6 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 05. Dezember 2017 3.4.3 Stetige Gleichverteilung Parameter: Intervall [a, b] R. Zufallsgröße
Mehr3. Übungsblatt - Lösungsskizzen. so, dass f tatsächlich eine Wahrscheinlichkeitsdichte
Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. Jan Johannes Sandra Schluttenhofer Wintersemester 208/9 3. Übungsblatt - Lösungsskizzen Aufgabe 9 Stetige Verteilungen, 4 =.5 +.5 +
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
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 05. 04. 004 Prof. Dr. G. Last Klausur zur Vorlesung Stochastik II Dauer: 90 Minuten Name: Vorname: Matrikelnummer: Diese Klausur hat
MehrAlois Fichtl, Julius Vogelbacher 10. Juni Voronoi und Johnson-Mehl Mosaike
Alois Fichtl, Julius Vogelbacher 10. Juni 2008 Voronoi und Johnson-Mehl Mosaike Seite 2 Voronoi- und Johnson-Mehl-Mosaike Alois Fichtl, Julius Vogelbacher 10. Juni 2008 Inhaltsverzeichnis Einführung Mosaike
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
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
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
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
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
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........................
MehrStochastische Geometrie und ihre Anwendungen Thema: Faserprozesse
Stochastische Geometrie und ihre Anwendungen Thema: Faserprozesse Universität Ulm Degang Kong 8.01.010 1 Inhaltsverzeichnis 1. Ungerichtete Linienprozesse als Faserprozesse. Planare Faserprozesse.1 Grundlagen.
Mehr15.3 Statistische Tests von Pseudozufallszahlen
15.3 Statistische Tests von Pseudozufallszahlen Def. 52 Ein Test ist eine Entscheidungsvorschrift, die über die Akzeptanz genau einer von zwei alternativen Hypothesen entscheidet. Bsp. 109 (Analogie zur
MehrUnabhängige Zufallsvariablen
Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition
MehrMarkierte Punktprozesse und zufällige Tesselationen
und zufällige Tesselationen Seminar stochastische Geometrie und ihre Anwendungen 7. Dezember 2009 und zufällige Tesselationen Gliederung 1 2 3 und zufällige Tesselationen Gliederung 1 2 3 und zufällige
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
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
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
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
MehrBayesian analysis of spatial point processes in the neighbourhood of Voronoi. networks
Bayesian analysis of spatial point processes in the neighbourhood of Voronoi networks Judith Schmidt und Bettina Hund 02 Juli 2008 Seminar: Stochastische Geometrie und ihre Anwendungen - Zufa llige Netzwerke
MehrKapitel 6 Martingale
Kapitel 6 Martingale Martingale spielen eine große Rolle in der Finanzmathematik, und sind zudem ein wichtiges Hilfsmittel für die statistische Inferenz stochastischer Prozesse, insbesondere auch für Zählprozesse
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
Mehr4 Funktionenfolgen und normierte Räume
$Id: norm.tex,v 1.57 2018/06/08 16:27:08 hk Exp $ $Id: jordan.tex,v 1.34 2018/07/12 20:08:29 hk Exp $ 4 Funktionenfolgen und normierte Räume 4.7 Kompakte Mengen Am Ende der letzten Sitzung hatten wir zwei
Mehr7 Bedingte Erwartungswerte und Bedingte Verteilungen
7 edingte Erwartungswerte und edingte Verteilungen Sei (Ω,, P ein W Raum, (Ω, ein Messraum, Y : Ω Ω sei (, -messbar und nehme die Werte y 1,..., y n Ω an. Y 1 (y k {ω Ω Y (ω y k } : k Ω 1 + + n und σ(y
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:
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
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
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
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrZufallszahlen. Diskrete Simulation. Zufallszahlengeneratoren - Zufallszahlen
Zufallszahlen Zufallszahlengeneratoren Transformation von Zufallszahlen Test von Zufallszahlengeneratoren Otto-von-Guericke-Universität Magdeburg Thomas Schulze Zufallszahlengeneratoren - Zufallszahlen
MehrStochastik Wiederholung von Teil 1
Stochastik Wiederholung von Teil 1 Andrej Depperschmidt Sommersemester 2016 Wahrscheinlichkeitsraum Definition Das Tripple (Ω, A, P) heißt Wahrscheinlichkeitsraum, falls gilt: (i) A ist eine σ-algebra,
MehrSchwache Konvergenz von Wahrscheinlichkeitsmaßen
Schwache Konvergenz von Wahrscheinlichkeitsmaßen 6. Juli 2010 Inhaltsverzeichnis 1 Definition 2 3 Lindeberg-Bedingung Interpretation Definition Motivation (Konvergenz von Wahrscheinlichkeitsmaßen) Sind
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
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
MehrDas Boolesche Modell. Olaf Wied. November 30, 2009
November 30, 2009 Inhalt 1. Einführung und Definition 2. Eigenschaften 3. Modell mit konvexen Körnern 4. Statistiken und Anwendung in R Keim - Korn Modell Punkte im R d um jeden Punkt: beliebige, kompakte
MehrProgrammiertechnik II
Zufallszahlen Motivation Simulation Frisörbeispiel Stichprobenauswahl Telefonumfragen Numerische Algorithmen naives Beispiel: Berechnung von Pi Automatisiertes Testen Beispiel aus Übungsaufgabe "Faire"
MehrSchwache Konvergenz. Ivan Lecei. 18. Juni Institut für Stochastik
Institut für Stochastik 18. Juni 2013 Inhalt 1 2 3 4 5 Nach ZGWS konvergiert für n F n (x) = P{ X 1+...+X n np npq x} gegen F(x) = 1 2π x e 1 2 u2 du, wenn die X i unabhängig und bernoulliverteilt sind
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
MehrLemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig,
Lemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig, wenn für alle (s 1,..., s n ) {0, 1} n gilt, dass wobei A 0 i = Āi und A 1 i = A i. Pr[A s 1 1... Asn n ] = Pr[A
MehrMeßbare Funktionen. bilden die Grundlage der Integrationstheorie. Definition 24.1 :
24 Meßbare Funktionen bilden die Grundlage der Integrationstheorie. Definition 24. : Sei X eine beliebige Menge, Y ein topologischer Raum, λ ein Maß auf X. f : X Y heißt λ-messbar, falls f (Ω) λ-messbar
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,
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.
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
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
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
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
MehrÜbersicht. 1 Einführung in Markov-Chain Monte-Carlo Verfahren. 2 Kurze Wiederholung von Markov-Ketten
Markov-Chain Monte-Carlo Verfahren Der Algorithmus Michael Höhle Department of Statistics University of Munich Numerical Methods for Bayesian Inference WiSe2006/07 Course 30 October 2006 Übersicht 1 Einführung
Mehr2 Halbgruppen von Übergangswahrscheinlichkeiten. Markov-Prozesse
2 Halbgruppen von Übergangswahrscheinlichkeiten Markov-Prozesse Im Folgenden sei (X, B) ein (polnischer) Messraum und T = [0, ) oder T = N 0 Definition 21 Eine Familie (P t ) t T von (X, B) mit Übergangswahrscheinlichkeiten
MehrMathematische Statistik Aufgaben zum Üben. Schätzer
Prof. Dr. Z. Kabluchko Wintersemester 2016/17 Philipp Godland 14. November 2016 Mathematische Statistik Aufgaben zum Üben Keine Abgabe Aufgabe 1 Schätzer Es seien X 1,..., X n unabhängige und identisch
MehrALMA II - ÜBERBLICK STOCHASTIK. Jochen Garcke
ALMA II - ÜBERBLICK STOCHASTIK Jochen Garcke GRUNDBEGRIFFE Wahrscheinlichkeitsraum (Ω, A, P) beschreibt Zufallssituation Realisierung, Stichprobe, Elementarereignis ω Ω Ergebnisraum zufälliges Ereignis
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
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
MehrEine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer«
Eine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer«Werner Linde WS 2008/09 Inhaltsverzeichnis 1 Wahrscheinlichkeiten 2 1.1 Wahrscheinlichkeitsräume...........................
MehrDer Poissonprozess. Kapitel 5
spielt in der stochastischen Modellierung eine fundamentale Rolle Grund ist seine verteilungsfreie Charakterisierung durch wenige qualitative Eigenschaften, die in zahlreichen Anwendungsbeispielen plausibel
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
MehrStatistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen
Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg
MehrVorstellung der Kopplung bei Markovketten
Vorstellung der Kopplung bei Markovketten Leonie Weinhold 13. Mai 2011 1 Einleitung In der Wahrscheinlichkeitstheorie und ihren Anwendungen ist die Coupling- Methode ein wichtiges Instrument, um z.b. Aussagen
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 240/476 c Ernst W. Mayr
1.4.4 Laplace-Prinzip in kontinuierlichen Wahrscheinlichkeitsräumen Das folgende Beispiel zeigt, dass im kontinuierlichen Fall die Bedeutung von gleichwahrscheinlich nicht immer ganz klar sein muss. Bertrand
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
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
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 29 UNIVERSITÄT KARLSRUHE Blatt 6 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 27: Sei X eine R + -wertige
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
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
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
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
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 :
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
MehrEinführung und Grundlagen
Kapitel 1 Einführung und Grundlagen Generelle Notation: Ω, A, P sei ein W-Raum im Hintergrund nie weiter spezifiziert Die betrachteten Zufallsvariablen seien auf Ω definiert, zb X : Ω, A M, A, wobei M,
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
MehrBrownsche Bewegung: Eine Einführung
Brownsche Bewegung: Eine Einführung Batu Güneysu Institut für Mathematik Humboldt-Universität zu Berlin Greifswald, 18.04.2018 Batu Güneysu Brownsche Bewegung: Eine Einführung 1 / 14 Wir fixieren m N und
MehrBeispiel 6 (Multivariate Normalverteilung)
Beispiel 6 (Multivariate Normalverteilung) Sei X N(µ,Σ). Es existiert eine Matrix A IR d k, sodass X d = µ+az wobei Z N k (0,I) und AA T = Σ. Weiters gilt Z = RS wobei S ein gleichmäßig verteilter Zufallsvektor
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
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.
MehrStudienbegleitende Prüfung Stochastik 2
Universität Karlsruhe (TH) Institut für Stochastik Prof. Dr. N. Bäuerle Name: Vorname: Matr.-Nr.: Studienbegleitende Prüfung Stochastik 2 27. März 2007 Diese Klausur hat bestanden, wer mindestens 20 Punkte
MehrGrundlagen 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
MehrKonfidenzintervalle. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt
Konfidenzintervalle Annahme: X 1,..., X n iid F θ. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt P θ (U θ O) = 1 α, α (0, 1). Das Intervall [U, O] ist ein Konfidenzintervall
MehrÜ b u n g s b l a t t 7
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 21. 5. 2007 Ü b u n g s b l a t t 7 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
Mehr10. Übung zur Linearen Algebra I -
. Übung zur Linearen Algebra I - en Kommentare an Hannes.Klarner@FU-Berlin.de FU Berlin. WS 29-. Aufgabe 37 i Für welche α R besitzt das lineare Gleichungssystem 4 αx + αx 2 = 4x + α + 2x 2 = α genau eine,
MehrBem. 6 Die charakterische Funktion existiert.
4.4 Charakteristische Funktionen Def. 2.14 Sei X Zufallsvariable mit Verteilungsfunktion F X und Dichte f X (falls X stetig) oder Wkt.funktion p i (falls X diskret). Die Funktion φ X (t) := Ee itx = eitx
Mehr