Zufallszahlen. Einsatzgebiete
|
|
- Franziska Fried
- vor 7 Jahren
- Abrufe
Transkript
1 Zufallszahlen Zufallszahlen werden auf vielen Gebieten der Naturwissenschaft und Technik bei stochastischen Simulationen eingesetzt, um einerseits analytisch gewonnene Ergebnisse zu überprüfen und andererseits zu Aussagen über das Verhalten von zufallsbeeinflussten Systemen auch dann zu gelangen, falls es nicht möglich ist, analytische Ergebnisse zu berechnen. Bei diesen Simulationen werden stochastisch beeinflusste Eingabedaten durch einen Zufallszahlengenerator nachgebildet. Hier wie in allen anderen Fällen kommt es darauf an, dass die Simulation unbedingt zuverlässige Ergebnisse liefert. Die Qualität der getroffenen Aussagen hängt von der Qualität der zugrundeliegenden Daten ab. Daher ist es notwendig, dass auch der verwendete Zufallsgenerator wirklich zuverlässig ist. Einsatzgebiete Generierung von Geheimnummern oder Transaktionsnummern Verschlüsselung von Daten (z.b. für die Kommunikation im Internet) Digitale Unterschriften Direkte Verwendung für Monte-Carlo-Simulationen Referenz für statistische Zufallszahlen-Tests Numerische Lösung mathematischer Probleme Steuerung/Test von Glücksspielautomaten Generierung von Lottozahlen usf. Evelin Kofler Zufallszahlen first draft Seite 1
2 Bei der Erzeugung von Zufallszahlen unterscheidet man zwischen echten Zufallszahlen und Pseudo- Zufallszahlen. Echte Zufallszahlen können z.b. durch Wurf mit einem (ungezinkten) Würfel (der einfachste Zufallszahlengenerator für die Zahlen von 1 bis 6) oder durch Beobachtung physikalischer Vorgänge (z. B. physikalischer Zerfall) gewonnen werden. Pseudo-Zufallszahlen werden durch spezielle deterministische Algorithmen mit Hilfe des Computers erzeugt. Sie entstehen also nicht zufällig, wie die echten Zufallszahlen, sondern sind streng determiniert. Unter einem Zufallszahlengenerator versteht man nun ein Verfahren, welches eine Folge von Zahlen erzeugt, die möglichst viele Eigenschaften einer Zufallszahlenfolge besitzt. Da die Folge durch ein Verfahren, also einen deterministischen Algorithmus erzeugt wird, kann sie prinzipiell nicht zufällig angeordnet sein. Fast alle Programmiersprachen verfügen über Sprachelemente zur Erzeugung von sogenannten Pseudo-Zufallszahlen. Die Vorteile echter Zufallszahlen gegenüber von Zufallsgeneratoren erzeugter Pseudo-Zufallszahlen liegen auf der Hand: keine Periodizitäten keine Vorhersagbarkeit der Zufallszahlen aufgrund vorangehender Sequenzen keine irgendwie geartete Systematik ( Daten können absolut sicher verschlüsselt werden) Gewissheit, dass keine versteckten Korrelationen vorliegen Gewissheit, dass die Schwankungen in der Gleichverteilung rein stochastisch sind (Pseudo- Zufallszahlen weisen systematisch, d.h. unnatürliche Schwankungen in der Gleichverteilung auf) Zufallszahlenfolgen kann man mit Würfeln, Losen oder Münzen erzeugen. Solchen physikalischen Verfahren stehen algorithmische Verfahren gegenüber, die Zufallszahlen nach einer bestimmten Rechenvorschrift Evelin Kofler Zufallszahlen first draft Seite 2
3 berechnen. Die physikalischen Verfahren sind nur auf den ersten Blick besser. Sie haben Nachteile: Sie bedürfen der Wartung und der Eichung, und man kann die erzeugten Zahlenfolgen nicht reproduzieren, was für viele Experimente wünschenswert ist. Die algorithmischen Verfahren, welche heute praktisch benutzt werden, haben diese Nachteile nicht. Sie liefern Zahlenfolgen mit guten statistischen Eigenschaften. Alle praktisch bedeutenden Zufallszahlengeneratoren arbeiten rekursiv. Diese Generatoren erzeugen zuerst eine gewisse Anfangsfolge, danach einen nullten Zyklus: eine Folge, die im ersten Zyklus exakt wiederholt wird usw. Die Anzahl der Zahlen innerhalb eines Zyklus heißt Zykluslänge des Generators. Am Beginn der Arbeit muss eine Zahl als Startpunkt gewählt werden. Diese erste Zahl einer Zufallszahlenfolge wird Anfangswert (engl. seed) genannt. Zufallsquellen in einem Modell müssen statistisch unabhängig sein, damit Änderungen eines Teils des Modells keinen Einfluss auf das Verhalten anderer Teile haben. Das kann man am Beispiel der Simulation eines Friseursalons erklären: Die Ankunft von Kunden sowie die Dauer eines Haarschnitts (bzw. einer Rasur) sind Zufallsvariablen. Beim Experimentieren mit dem Modell wird man sicherlich die Ankunftsrate, die Bedienungsrate oder beides verändern und sehen, was geschieht. Würden die Zufallsvariablen mit demselben Pseudozufallszahlenstrom erzeugt werden, dann wären die beiden Zufallsquellen nicht unabhängig. Man könnte z. B. nicht die Auswirkungen eines veränderten Kundenstroms bei gleichbleibenden Bedienungszeiten untersuchen. Die Verwendung von zwei unabhängigen Evelin Kofler Zufallszahlen first draft Seite 3
4 Pseudozufallszahlenströmen ist zu bevorzugen. Wird diese Methode angewandt, können entweder die Ankunfts- oder die Bedienungsrate unabhängig voneinander verändert werden, was das Experimentieren mit dem zu modellierenden System erleichtert. Es gibt Softwareprodukte, welche den Einsatz von mehreren Pseudozufallszahlenströmen gestatten ( link zu GPSS). Eine weitere Forderung ist eine schnelle Verfügbarkeit der Zufallszahlen während des Simulationsvorgangs. Falls die Zufallszahlen zur Zeit der Benutzung laufend erzeugt werden sollen, muss die Generationsdauer entsprechend kurz sein, wodurch jedoch in der Regel eine unzureichende Qualität der Zufallszahlen entsteht. Um unabhängig von der Generierungsrate zu sein, kann man einen Tabellengenerator benutzen, bei dem die Zufallszahlen vor der Benutzung erzeugt und abgespeichert worden sind. Werden die Zufallszahlen dann benötigt, können sie schnell aus der Tabelle herausgelesen werden. In der Praxis werden die Zufallszahlen häufig aus einer rekursiven Rechenvorschrift gewonnen, nach der aus dem oder einigen Vorgängern eine weitere Zufallszahl gebildet wird. Die so erzeugten Sequenzen sind im strengen Sinn nicht zufällig und werden daher als pseudozufällig bezeichnet, können aber als ausreichend zufällig angesehen werden, falls sie die geforderten Qualitätsansprüche erfüllen. Hierzu beobachtet man eine solche Sequenz, bestimmt ihren Mittelwert, Momente der Verteilung sowie die Korrelationen und andere Eigenschaften und entscheidet dann, ob sie den gestellten Anforderungen genügt. Physikalischer Zufallszahlengenerator: z. B. der Zufallszahlengenerator PURAN ( link), ein Rauschgenerator, welcher ein 1,5 GHz-Rauschsignal aus einer Halbleiterdiode erzeugt, um mit Hilfe einer aus zwei Flipflops bestehenden Abtastschaltung Zufallsbits zu erzeugen, die einmalig aufgenommen und auf ein geeignetes Speichermedium abgespeichert werden. Bei einer effektiven Generationsrate von 50 Kbit/s sind die Abhängigkeiten der Bit untereinander so klein, dass sie nicht mehr nachgewiesen werden können. Evelin Kofler Zufallszahlen first draft Seite 4
5 link zu Excel-Lösung für 6 aus 45 (zuger245.zip) link zu C++-Lösung für 6 aus 45 link zur Literaturliste von Dr. Richter link zu zweigliedriger Markovkette Evelin Kofler Zufallszahlen first draft Seite 5
6 Zufallszahlen im Unterricht Meine Schüler kommen erstmals in Kontakt mit dem Begriff der Zufallszahl, wenn sie folgende Aufgabenstellung im Rahmen der Festigung der Kontrollstruktur IF-THEN-ELSE erhalten: Zahlenraten(1): Der Benutzer versucht, eine vom System generierte Zufallszahl zu erraten. Das System teilt ihm mit, ob er die Zahl erraten hat oder nicht. Zur Generierung einer Zufallszahl stellt BorlandC die Funktion random(obergrenze); liefert eine ganze Zahl x mit 0 <= x < Obergrenze in der Bibliothek stdlib.h zur Verfügung stellt. Zahlenraten(2): Erweitern Sie Zahlenraten(1) dahingehend, dass das System dem Benutzer mitteilt, ob sein Tipp zu hoch oder zu niedrig gewesen ist. Bei dieser Aufgabe stellen sich meist noch keine Fragen. Spätestens bei der Festigung der FOR-Schleife mit der folgenden Aufgabe, welche auch zu einem späteren Zeitpunkt wieder aufgegriffen werden kann, wird der Begriff der Zufallszahl auch von den Schülern hinterfragt. Lottosimulation(1): Erstellen Sie ein Programm, welches Ihnen mittels Zufallszahlengenerator einen Tipp für "6 aus 45" erstellt. Evelin Kofler Zufallszahlen first draft Seite 6
7 Lottosimulation(2): Erstellen Sie ein Programm, welches Ihnen mittels Zufallszahlengenerator drei Tipps für 6 aus 45 erzeugt. Mittels Zufallszahlengenerator wird dann auch das Ergebnis einer Ziehung simuliert. Das Programm soll nun berechnen, wie viele Treffer Sie mit Ihren einzelnen Tipps erzielt haben. Setzen Sie dabei die Unterprogrammtechnik sinnvoll ein! Bereits bei Lottosimulation(1) stellen die Schüler fest, dass sie den gleichen Tipp auf ihrem Bildschirm stehen haben wie ihre Nachbarn. Auch bei einem neuerlichen Start des Programms ändert sich die Folge der Zufallszahlen nicht. Diese Erkenntnis gibt Anlass dazu, zu Hinterfragen, was der Computer überhaupt unter Zufallszahlen versteht und wie sie generiert werden. Die Schüler lernen dabei auch die Prozedur randomize(); (Bibliotheken: stdlib.h und time.h) kennen, welche vor der Generierung der ersten Zufallszahl aufzurufen ist. Bei jedem Aufruf dieser Prozedur (also auch bei jedem neuerlichen Programmstart) wird der Anfangswert (seed) für die Generierung der Zufallszahlen abhängig von der Betriebssystemzeit neu wählt, wodurch sichergestellt wird, dass nicht bei jedem Programmstart die gleiche Folge von Zufallszahlen erzeugt wird. Ein Problem, welches der Befehl randomize(); nicht lösen kann, ist jenes, dass eine Zufallszahl mehr als einmal in der generierten Zufallszahlenfolge auftauchen kann. Dieses Problem stellt eine gute Überleitung zur Einführung der Datenstruktur Feld dar, da das Programm sich die bisher generierten Zahlen merken und bei Generierung einer bereits existierenden Zahl diese verwerfen muss. Evelin Kofler Zufallszahlen first draft Seite 7
8 Kapitel 8 aus dem Turing-Omnibus: Random Numbers The Chaitin-Kolmogoroff Theory Das Wesen des Zufalls ist das Fehlen von Prozeduren und Mechanismen. Daher ist es fast ein Widerspruch, Zufallszahlen und Computer im selben Atemzug zu erwähnen. Wenn wir mittwochs oder samstags die Ziehung der Lottozahlen am Fernsehschirm mitverfolgen, stellen wir den Zufall doch kaum in Frage, da nur die physikalischen Gesetze die Position der Bälle im Behälter bestimmen. Zufallszahlengeneratoren der Programmiersprachen werden von ihren Benutzern auch kaum hinterfragt (vergleiche Zahlenraten(1)). Sofern die generierten Zufallszahlen, die doch in mehreren Applikationen Anwendung finden, zufällig wirken, wird ihre Zufälligkeit auch nicht hinterfragt. Erst bei Implementierung der Lottosimulation sind Bedenken aufgetreten. Viele der in den modernen Rechnern eingebauten Generatoren verwenden die lineare kongruente Methode. Hierbei wird (rekursiv) durch eine einfache Formel die nächste Zufallszahl anhand der aktuellen Zufallszahl ermittelt: x n+ 1 = ( k x + c) mod m Um den Prozess zu starten, wird ein Initialwert x 0, seed genannt, gewählt. c wird offset genannt. Nicht jede Kombination der Parameter k, c und m produziert Zahlen, die zufällig wirken: z. B. erzeugt k = 19, c = 51, m = 100, x 0 = 25 die Zahlenfolge n 25, 26, 45, 6, 47, 44, 87, 4, 27, 64, 67, 24, 7, 84, 47,... Evelin Kofler Zufallszahlen first draft Seite 8
9 Nachdem die verwendete Formel deterministisch ist, kann man leicht nachvollziehen, dass sich die Zahlenfolge zwischen den beiden Werten 47 immer wieder wiederholen wird. 25, 26, 45, 6, 47, 44, 87, 4, 27, 64, 67, 24, 7, 84, 47,... Die Länge einer solchen Teilsequenz wird Periode genannt. Bei obiger Folge hat die Periode den Wert 10. Es ist offensichtlich, dass sich jede Folge von Zahlen, die mit Hilfe dieser Methode generiert wird, sich früher oder später wiederholen wird. Es erhebt sich nur die Frage, um wie viel besser man werden kann. Die folgende Wahl der Parameter zeigt, dass man die Dinge etwas verbessern kann. Es zeigt aber auch, wie sensibel der Generierungsprozess auf kleinste Parameteränderungen reagiert. Ändern wir z. B. nur den Parameter m von 100 auf 101 ab, so erhalten wir die Zahlenfolge 25, 21, 46, 16, 52, 29, 97, 76, 81, 75, 62, 17, 71, 87, 88, 6, 64, 55, 86, 69, 49, 73, 24, 2, 89, 76,... Die Periode hat sich auf 18 vergrößert und beginnt auch um einiges später. Noch mehr zufällige Zahlen können anscheinend durch die bestens bekannte logistische Formel, welche als Illustration von Chaos in Dynamischen Systemen verwendet wird, erzeugt werden: x = r x (1 x n+ 1 n n Indem mit einem Startwert x 0 begonnen wird, der zwischen 0 und 1 liegt, kann mit dieser Formel eine überzeugend aussehende Folge von Zufallszahlen erzeugt werden. Der Startwert ist bei dieser Formel nicht ) Evelin Kofler Zufallszahlen first draft Seite 9
10 kritisch. Aber nach ein paar Iterationen wird die Folge der Zahlenwerte (übertrieben ausgedrückt) wie wild geworden in einem Teilintervall [a, b] [0, 1] hin und her hüpfen. Man kann dieses Übel aber beseitigen, indem man auf x n die folgende Transformation anwendet, wodurch man eine neue zufällige Zahl y n zwischen 0 und 1 erhält. Die logistische Formel verhält sich nur für bestimmte Werte des Parameters r chaotisch. ( 3.57 r 4) Es wurden viele Theorien entwickelt, die sich mit der Zufälligkeit der von Zufallsgeneratoren erzeugten Zufallszahlen beschäftigen. Aber da sie durch einen deterministischen Algorithmus erzeugt werden, können sie immer nur sogenannte Pseudo-Zufallszahlen sein. Eine dieser Theorien ist die von Gregory J. Chaitin und A. N. Kolmogoroff Mitte der Sechziger Jahre unabhängig voneinander entwickelte Chaitin-Kolmogoroff Theory. Diese Theorie definiert die Zufälligkeit einer endlichen Folge von Zahlen in Abhängigkeit von der Länge des kürzesten Programms, welche diese Zahlenfolge generieren kann. Je länger dieses Programm sein muss, umso zufälliger ist diese Zahlenfolge. Offensichtlich braucht ein Programm, welches eine gegebene Zahlenfolge erzeugen soll, kaum länger als die Folge selbst sein. Dies legt nahe, dass jene Folgen, welche Programme erfordern, die annähernd so lang sind wie die Folge selbst, die zufälligsten sind. Beispiel: Welches ist das kürzeste Programm, das eine Zahlenfolge erzeugt, die aus m Wiederholungen der Sequenz besteht? Evelin Kofler Zufallszahlen first draft Seite 10
11 Angenommen, wir verwenden folgende Pseudo-Programmiersprache, for i = 1 to m output 0,1,0,0,1 so haben wir ein Programm, welches aus 23 ASCII-Zeichen (Blanks nicht mitgezählt) und einer Variablen m besteht, die sich von einer Programmversion zur anderen ändern wird. Für einen bestimmten Wert von m wird die Länge des vorliegenden Programms (in ASCII-Zeichen gemessen) 23 + log m sein. Es erzeugt eine Zahlenfolge der Länge n = m 5 (5 ist die Periode, d.h. Länge der Teilsequenz 01001). Wie zufällig ist nun die durch dieses Programm erzeugte Zahlenfolge? Eine Möglichkeit, die Zufälligkeit zu messen, ist, das Verhältnis aus Programmlänge und Länge der Zahlenfolge zu bilden: 23 + log m r 5m Für m geht r gegen 0. Daraus kann man schließen, dass längere Zahlenfolgen immer weniger zufällig werden. Das Problem bei dem ganzen ist, zu beweisen, dass es sich bei dem angegebenen Programm tatsächlich um das kürzestmögliche handelt. Es ist unmöglich zu beweisen, dass eine bestimmte Folge zufällig ist, aber man kann zeigen, dass die meisten Folgen zufällig sind. Aber darauf möchte ich hier nicht näher eingehen. Ich möchte nur auf den berühmten Unvollständigkeitssatz von Gödel verweisen. Evelin Kofler Zufallszahlen first draft Seite 11
15 Grundlagen der Simulation
15 Grundlagen der Simulation 15.1 Einführung Komplexe Problemstellungen, die einer analytischen Behandlung nur sehr schwer oder gar nicht zugänglich sind Lösung von diskreten (oder analytischen) Optimierungsaufgaben,
MehrZufallszahlen. Diskrete Simulation. Zufallszahlengeneratoren - Zufallszahlen
Zufallszahlen Zufallszahlengeneratoren Transformation von Zufallszahlen Test von Zufallszahlengeneratoren Otto-von-Guericke-Universität Magdeburg Thomas Schulze Zufallszahlengeneratoren - Zufallszahlen
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
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 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
MehrPseudozufallsgeneratoren
Pseudozufallsgeneratoren In welchen kryptographischen Verfahren werden keine Zufallszahlen benötigt? Wie generiert man Zufallszahlen in einer deterministischen Maschine wie dem Computer? Wenn man eine
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,
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
Mehr4 Probabilistische Analyse und randomisierte Algorithmen
Algorithmen und Datenstrukturen 96 4 Probabilistische Analyse und randomisierte Algorithmen Bei der Algorithmenanalyse ist es sehr hilfreich, Aspekte berücksichtigen zu können, die vom Zufall abhängen.
MehrZufallszahlen erzeugen
Informationsblatt fÿr die Lehrkraft Zufallszahlen erzeugen Informationsblatt fÿr die Lehrkraft Thema: Schultyp: Vorkenntnisse: Bearbeitungsdauer: Zufallszahlen erzeugen - Methode der linearen Kongruenz
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
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
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
MehrLösung Aufgabe 2. Es muss ein Weg gefunden werden, die Länge des längsten Laufs identischer Ziffern zu identifizieren:
Lösung Aufgabe 2 Es muss ein Weg gefunden werden, die Länge des längsten Laufs identischer Ziffern zu identifizieren: maxlaenge
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
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
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
MehrProgrammiertechnik II
Zufallszahlen Motivation Simulation Frisörbeispiel Stichprobenauswahl Telefonumfragen Numerische Algorithmen naives Beispiel: Berechnung von Pi Automatisiertes Testen Beispiel aus Übungsaufgabe "Faire"
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
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
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
MehrWahrscheinlichkeitsrechnung und Statistik
Babeş-Bolyai Universität Fakultät für Mathematik und Informatik Oktober 2018 Im Alltag... Laut den meteorologischen Vorhersagen wird es morgen regnen. Ob ich riskiere und die Wette verlieren werde? Ich
Mehr1 Grundprinzipien statistischer Schlußweisen
Grundprinzipien statistischer Schlußweisen - - Grundprinzipien statistischer Schlußweisen Für die Analyse zufallsbehafteter Eingabegrößen und Leistungsparameter in diskreten Systemen durch Computersimulation
Mehr4.1 Der Blum-Blum-Shub-Generator
4.1 Der Blum-Blum-Shub-Generator Der Blum-Blum-Shub-Generator oder BBS-Generator setzt bei der in Kapitel III vorgestellten Quadratrest-Vermutung an und funktioniert so: Als ersten Schritt wählt man eine
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
MehrZufälle gibt s, oder gibt s die nicht? Martin Köhler Science Café Hamburg, 25. Juni 2014
Zufälle gibt s, oder gibt s die nicht? Martin Köhler Science Café Hamburg, 25. Juni 2014 Grundfrage und Gliederung Gibt es einen echten Zufall, oder wissen wir einfach nicht genug für eine exakte Vorhersage?
MehrKryptographische Protokolle
Kryptographische Protokolle Lerneinheit 2: Generierung von Primzahlen Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Wintersemester 2018/2019 15.11.2018 Einleitung Einleitung Diese Lerneinheit
MehrMatlab Zufall / Programmieren mit Matlab. Dr. Hermann Lehner Departement Informatik, ETH Zürich
Matlab Zufall / Programmieren mit Matlab Dr. Hermann Lehner Departement Informatik, ETH Zürich Dr. Hermann Lehner 20.11.2017 1 Zufall ist ein Wort ohne Sinn; nichts kann ohne Ursache existieren -- Voltaire?
Mehr1 Das Phänomen Zufall
1 Das Phänomen Zufall Im täglichen Leben werden wir oft mit Vorgängen konfrontiert, bei denen der Zufall eine Rolle spielt. Bereits als Kind lernt man die Tücken des Zufalls kennen, wenn man beim Spiel
MehrStatistik II. Regressionsrechnung+ Regressionsanalyse. Statistik II
Statistik II Regressionsrechnung+ Regressionsanalyse Statistik II - 16.06.2006 1 Regressionsrechnung Nichtlineare Ansätze In einigen Situation könnte man einen nichtlinearen Zusammenhang vermuten. Bekannte
MehrZufallszahlen Mathematik zum Nachbilden von Zufälligkeit SommerUni 2013 Bergische Universität Wuppertal Autor: Prof. Dr.
Zufallszahlen Mathematik zum Nachbilden von Zufälligkeit SommerUni 23 Bergische Universität Wuppertal Autor: Prof. Dr. Roland Pulch Aufgabe: Konstruiere Zufallszahlen aus der Menge {,, 2, 3, 4, 5, 6, 7,
MehrModellbildung und Simulation
Modellbildung und Simulation 6. Vorlesung Wintersemester 2007/2008 Klaus Kasper Value at Risk (VaR) Gaußdichte Gaußdichte der Normalverteilung: f ( x) = 1 2π σ x e 2 2 x ( x µ ) / 2σ x Gaußdichte der Standardnormalverteilung:
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
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
Mehr1. Welche Eigenschaften sollte ein Pseudo-Random Generator haben?
Die Themen 1. Welche Eigenschaften sollte ein Pseudo-Random Generator haben? Er sollte von wirklichen Zufallsgeneratoren nicht unterscheidbar sein?! Eine viel zu starke Forderung: Stattdessen sollte ein
Mehr8. Woche Quadratische Reste und Anwendungen. 8. Woche: Quadratische Reste und Anwendungen 163/ 238
8 Woche Quadratische Reste und Anwendungen 8 Woche: Quadratische Reste und Anwendungen 163/ 238 Quadratische Reste Ḋefinition Quadratischer Rest Sei n N Ein Element a Z n heißt quadratischer Rest in Z
Mehr1 Algorithmische Grundlagen
1 Algorithmische Grundlagen Klocke/17.03.2003 1.1 1.1 Begriffsklärung Fragen Begriffsklärungen Abstraktionsebenen für Algorithmen und Datenstrukturen Algorithmus Qualität von Algorithmen Klocke/17.03.2003
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
MehrLabor Software-Entwicklung 1
Fakultät für Technik STUDIENGANG MEDIZINTECHNIK Labor Software-Entwicklung Vorbereitungsaufgaben zu Versuch 2 C-Programmierung Mathematische Berechnungen Wintersemester 205/206 Seite von 5 Vorbemerkungen
MehrInformatik II Grundbegriffe der Wahrscheinlichkeitsrechnung
lausthal Begriffe Informatik II rundbegriffe der Wahrscheinlichkeitsrechnung. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Definition: Unter einem Zufallsexperiment versteht man einen,
MehrWürfelspiele und Zufall
Würfelspiele und Zufall Patrik L. Ferrari 29. August 2010 1 Random horse die Irrfahrt des Pferdchens Betrachte ein Schachbrett mit einem Pferd (Springer), welches sich nach den üblichen Springer-Regeln
MehrDas Quadratische Reste Problem
Das Quadratische Reste Problem Definition Pseudoquadrate Sei N = q mit, q rim. Eine Zahl a heißt Pseudoquadrat bezüglich N, falls ( a ) = 1 und a / QR N. N Wir definieren die Srache QUADRAT:= {a Z N (
MehrInformatik II Grundbegriffe der Wahrscheinlichkeitsrechnung
lausthal Informatik II rundbegriffe der Wahrscheinlichkeitsrechnung. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Begriffe Definition: Unter einem Zufallsexperiment versteht man einen,
MehrProbabilistische Algorithmen Zufallszahlen - Monte Carlo - Genetische Programmierung
Probabilistische Algorithmen Zufallszahlen - Monte Carlo - Genetische Programmierung 25. Mai 2009 Inhaltsverzeichnis Pseudozufallszahlen Kongruenzmethode Monte-Carlo-Algorithmen Bsp Primzahltest Genetische
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
MehrÜbungen mit dem Applet Wahrscheinlichkeitsnetz
Wahrscheinlichkeitsnetz 1 Übungen mit dem Applet Wahrscheinlichkeitsnetz 1 Statistischer Hintergrund... 1.1 Verteilungen... 1. Darstellung von Daten im Wahrscheinlichkeitsnetz...4 1.3 Kurzbeschreibung
MehrVierte Schularbeit Mathematik Klasse 7A G am xx
Vierte Schularbeit Mathematik Klasse 7A G am xx.05.2016 SCHÜLERNAME: Punkte im ersten Teil: Punkte im zweiten Teil: Davon Kompensationspunkte: Note: Notenschlüssel: Falls die Summe der erzielten Kompensationspunkte
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
MehrKapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
MehrIn einem mathematischen Modell wird dies beschrieben durch einen funktionalen Zusammenhang: x = f (t).
Aktueller Überblick 0 Einführende Worte ( ) 1 Geschichtlicher Überblick ( ) 2 Zufall 3 Perfekte Sicherheit und ihre Grenzen 4 Angriffsszenarien 5 Der komplexitätstheoretische Ansatz 6 Pseudozufallsgeneratoren
MehrStatistik II. Lineare Regressionsrechnung. Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II
Statistik II Lineare Regressionsrechnung Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II - 09.06.2006 1 Mit der Kovarianz und dem Korrelationskoeffizienten können wir den statistischen
Mehr6: Diskrete Wahrscheinlichkeit
Stefan Lucks Diskrete Strukturen (WS 2009/10) 219 6: Diskrete Wahrscheinlichkeit 6: Diskrete Wahrscheinlichkeit Stefan Lucks Diskrete Strukturen (WS 2009/10) 220 Wahrscheinlichkeitsrechnung Eines der wichtigsten
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
MehrDeskriptive Beschreibung linearer Zusammenhänge
9 Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei k > 2 unabhängigen Stichproben 9.4 Beispiel: p-wert bei Varianzanalyse (Grafik) Bedienungszeiten-Beispiel, realisierte Teststatistik F = 3.89,
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 stheorie: Grundbegriffe Prof. Dr. Achim Klenke http://www.aklenke.de 5. Vorlesung: 25.11.2011 1/33 Inhalt 1 Zufallsvariablen 2 Ereignisse 3 2/33 Zufallsvariablen Eine Zufallsvariable
MehrAnleitung: Standardabweichung
Anleitung: Standardabweichung So kann man mit dem V200 Erwartungswert und Varianz bzw. Standardabweichung bei Binomialverteilungen für bestimmte Werte von n, aber für allgemeines p nach der allgemeinen
MehrRegression und Korrelation
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen
MehrCOMP: Computerorientiertes Rechnen
COMP: Computerorientiertes Rechnen Projektaufgabe Grundschule Abgabe: bis 18.8.2018, 11:00 Uhr, WIL B207 Sehen Sie Ihre Ausarbeitung als eine wissenschaftliche Arbeit und achten Sie dementsprechend auf
MehrAnhang 1: Lamellare Strukturen in Systemen mit Bolaamphiphilen
Anhang 1: Lamellare Strukturen in Systemen mit Bolaamphiphilen Charakteristische Konfigurationen von Systemen aus 1848 6-segmentigen Bolaamphiphilen (10 Vol%) im Bereich stabiler Schichtphasen. Dunkle
MehrVom klassischen Spielerruinproblem zu Spiele- Strategien
Vom klassischen Spielerruinproblem zu Spiele- Strategien Univ. Doz. Dr. Stefan Wegenkittl Fachhochschule Salzburg, Studiengang Telekommunikationstechnik und systeme Stefan.Wegenkittl@fh-sbg.ac.at Idee:
MehrMan sieht hier einzelne Fragmente, die man häufig bei der Programmierung mit Schleifen antrifft. Es gibt eine lokale Variable, die vor dem
214 215 Man sieht hier einzelne Fragmente, die man häufig bei der Programmierung mit Schleifen antrifft. Es gibt eine lokale Variable, die vor dem Schleifenstart initialisiert und die innerhalb der Schleife
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,
Mehr4. Die Laplacesche Gleichverteilung
Universität Basel Wirtschaftswissenschaftliches Zentrum Grundlagen der Stochastik Dr. Thomas Zehrt Inhalt: 1. Die Ereignismenge 2. Die Wahrscheinlichkeitsverteilung 3. Eigenschaften einer Wahrscheinlichkeitsverteilung
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
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
MehrAufgabe 8: Stochastik (WTR)
Abitur Mathematik: Nordrhein-Westfalen 2013 Aufgabe 8 a) (1) WAHRSCHEINLICHKEIT FÜR KEINE ANGABE ERMITTELN Nach der Laplace Formel ist Anzahl der Personen, die keine Angabe machten keine Angabe Gesamtzahl
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
MehrWahrscheinlichkeitstheorie und Stochastische Prozesse Übungsblatt 1
http://www.stat.tugraz.at/courses/exam/hw_104.pdf 1 Wahrscheinlichkeitstheorie und Stochastische Prozesse Übungsblatt 1 02. 11. 2004 Familienname Vorname Matrikelnummer Geben Sie bitte an, welche Aufgaben
MehrDiskrete Verteilungen
KAPITEL 6 Disrete Verteilungen Nun werden wir verschiedene Beispiele von disreten Zufallsvariablen betrachten. 1. Gleichverteilung Definition 6.1. Eine Zufallsvariable X : Ω R heißt gleichverteilt (oder
Mehr(X Y )(a) = X (a) Y (a).
Aufgabe Teilaufgabe a) Seien X, Y zwei Zufallsvariablen, so definieren wir das Produkt dieser Zufallsvariablen X Y wie folgt: (X Y )(a) = X (a) Y (a). Teilaufgabe b) Gegenbeispiel: Betrachten wir uns folgenden
MehrUnabhängigkeit KAPITEL 4
KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht
MehrVI.4 Elgamal. - vorgestellt 1985 von Taher Elgamal. - nach RSA das wichtigste Public-Key Verfahren
VI.4 Elgamal - vorgestellt 1985 von Taher Elgamal - nach RSA das wichtigste Public-Key Verfahren - besitzt viele unterschiedliche Varianten, abhängig von zugrunde liegender zyklischer Gruppe - Elgamal
MehrÜbung zu Algorithmen und Datenstrukturen (für ET/IT)
Übung zu Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 2015 Matthias Wieczorek Computer-Aided Medical Procedures Technische Universität München Administratives Zentralübung (Mittwoch, 09:45
MehrSeminar. Algorithmische Geometrie
Seminar Algorithmische Geometrie WS 2000/2001 Thema: Konvexe Hülle Mirko Dennler 21439 Inhaltsverzeichnis Konvexe Hülle 1. Problemstellung 3 2. GRAHAMS SCAN 4-5 3. JARVIS' MARCH 5-6 4. QUICK HULL 6-7 5.
MehrWahrscheinlichkeitstheorie und Stochastische Prozesse Übungsblatt 1
http://www.stat.tugraz.at/courses/exam/hw_105.pdf 1 Wahrscheinlichkeitstheorie und Stochastische Prozesse Übungsblatt 1 25. 10. 2005 Familienname Vorname Matrikelnummer Geben Sie bitte an, welche Aufgaben
MehrÜbung zu Algorithmen und Datenstrukturen (für ET/IT)
Übung zu Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 2017 Rüdiger Göbl, Mai Bui Computer Aided Medical Procedures Technische Universität München Administratives Zentralübung (Mittwoch, 09:45
Mehr( ) Diskretes dynamisches Chaos. 1. Einleitung: Diskrete dynamische Systeme
Diskretes dynamisches Chaos. Einleitung: Diskrete dynamische Systeme Verschiedene Problemstellungen können zu zeitlich diskreten Systemen (Differenzengleichungen) führen: Zinseszinsrechnung: x(n+) = x(n)
MehrAlgorithmen zur Nullstellenbestimmung Ac 2018
Algorithmen zur Nullstellenbestimmung Ac 2018 Bestimmt werden sollen Lösungen x der Gleichung f(x) = 0 für eine stetige Funktion f. Diese Lösungen x nennt man Nullstellen von f. 1. Methode: Bisektionsverfahren
MehrGRUNDLEGENDE MODELLE. Caroline Herbek
GRUNDLEGENDE MODELLE Caroline Herbek Lineares Wachstum Charakteristikum: konstante absolute Zunahme d einer Größe N t in einem Zeitschritt Differenzengleichung: N t -N t-1 =d => N t = N t-1 +d (Rekursion)
MehrAlgorithmen implementieren. Implementieren von Algorithmen
Algorithmen implementieren Implementieren von Algorithmen Um Algorithmen ablaufen zu lassen, muss man sie als Programm darstellen (d.h. implementieren) Wie stellt man die algorithmischen Strukturelemente
MehrPhysikalisches Institut
Fortgeschrittenenpraktikum für Studierende der Physik und Astronomie F. Jost, Januar 1993 Aufdatiert durch Oliver Nyffenegger, Juni 2005 Aufdatiert durch Martin Hierholzer, September 2014 Physikalisches
MehrZufallszahlengenerator
Informationsblatt für die Lehrkraft Multiplikation Zufallszahlengenerator Beitrag zu "Werkstattunterricht Multiplikation" Allgemeine Didaktik - Seminar SS95 Autor: Ernesto Ruggiano Oberwiesenstr. 42 8050
MehrWahrscheinlichkeitsverteilungen und ihre Implementierung in Root. Eric Volkmann
Wahrscheinlichkeitsverteilungen und ihre Implementierung in Root Eric Volkmann Inhalt Mathematische Definition Random Number Generators Wichtige Verteilungen Anwendungsbeispiel: Monte-Carlo Simulation
MehrÜ b u n g s b l a t t 12
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 5. 6. 007 Ü b u n g s b l a t t Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
MehrStream Processing II
Stream Processing II K-Buckets Histogram Histogramme sind graphische Darstellungen der Verteilung von numerischen Werten Werden durch Intervalle, die sich nicht überlappen, dargestellt Ein Intervall wird
MehrGrundbildung Lineare Algebra und Analytische Geometrie (LPSI/LS-M2) SoSe C. Curilla/ B. Janssens
Fachbereich Mathematik Algebra und Zahlentheorie Christian Curilla Grundbildung Lineare Algebra und Analytische Geometrie (LPSI/LS-M2) Blatt 8 SoSe 2011 - C. Curilla/ B. Janssens Präsenzaufgaben (P16)
Mehr9. Eine einfache Warteschlangen-Simulation.
SS 2006 Arbeitsblatt 4 / S. 1 von 9 9. Eine einfache Warteschlangen-Simulation. A) Allgemeine Bemerkungen. Die Warteschlange aus 8., wie auch solche mit nur endlich grossem Warteraum, können auf einfache
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
Mehr9.5 Blockverschlüsselung
9.5 Blockverschlüsselung Verschlüsselung im Rechner: Stromverschlüsselung (stream cipher): kleine Klartexteinheiten (Bytes, Bits) werden polyalphabetisch verschlüsselt Blockverschlüsselung (block cipher):
MehrZufall? Als Zufall werden Dinge bezeichnet, die nicht vorhergesehen werden können.
H 1 Zufall? Als Zufall werden Dinge bezeichnet, die nicht vorhergesehen werden können. Beispiel: - Eine Münze wird geworfen und die Zahl liegt oben. Das ist nicht vorhersehbar! Es könnte auch Kopf oben
Mehr6.5 Konstruktion und Zufallserzeugung von Repräsentanten
274 6.5 Konstruktion und Zufallserzeugung von Repräsentanten Hat man mit Hilfe einer Bahnenabzählung eine Übersicht über die Anzahl unnumerierter Strukturen, wie z.b. unnumerierter Graphen mit n Punkten,
MehrMusterlösung zur 6. Übung
Universität des Saarlandes FR 6.2 Informatik Prof. Dr. Hans-Peter Lenhof Dipl. Inform. Andreas Hildebrandt Programmierung II, SS 2003 Musterlösung zur 6. Übung Aufgabe 1: Faire Münzen (10 Punkte) Offensichtlich
MehrAufgabe 2: Verifikation & Validierung
Aufgabe 2: Verifikation & Validierung Ziel der Übung - Untersuchung des Einflusses der räumlichen Diskretisierung (Netzfeinheit, Elementtyp) auf das Ergebnis der Simulation - Vergleich der theoretischen
MehrKonzept diskreter Zufallsvariablen
Statistik 1 für SoziologInnen Konzept diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Beispiel: Zufallsvariable 3 Münzen werden unabhängig voneinander geworfen. Jede Münze kann entweder Kopf oder
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
Mehr1. Einführung in die induktive Statistik
Wichtige Begriffe 1. Einführung in die induktive Statistik Grundgesamtheit: Statistische Masse, die zu untersuchen ist, bzw. über die Aussagen getroffen werden soll Stichprobe: Teil einer statistischen
Mehr