Kapitel 5. Monte-Carlo-Methoden. 5.1 Einführung
|
|
- Victor Lichtenberg
- vor 7 Jahren
- Abrufe
Transkript
1 Kapitel 5 Monte-Carlo-Methoden 5.1 Einführung Als Monte-Carlo-Methoden (MC-Methoden) werden Verfahren bezeichnet, mit denen numerische Probleme mit Hilfe von wiederholtem Ziehen von Zufallsstichproben aus bekannten Verteilungen gelöst werden. Diese Methoden werden häufig zur Simulation von mathematischen, physikalischen, biologischen, technischen oder ökonomischen Systemen benutzt, insbesondere wenn deterministische Algorithmen zu aufwendig oder vielleicht garnicht möglich sind. Komplexe Simulationsprogramme, wie zum Beispiel die Simulation von Luftschauern hochenergetischer kosmischer Strahlung, die Simulation von Klimamodellen oder eines Öko-Systems, benötigen leistungsfähige Computer. Trotz des enormen Anstiegs von Schnelligkeit und Kernspeicherplatz der Rechner in den letzten Jahren sind viele Probleme nur mit vereinfachenden Annahmen zu simulieren. Zum Beispiel können globale Klimamodelle erst seit ein paar Jahren mit einigermaßen aussagekräftigen Ergebnissen simuliert werden. Typische Anwendungen findet die MC-Methode zur Lösung folgender Probleme: Numerische Lösung von Integralen: viele Anwendungen lassen sich letztlich auf die Lösung von Integralen zurückführen. Zum Beispiel ist die Nachweiswahrscheinlichkeit eines Detektors für eine bestimmte Teilchenreaktion definiert als ein Integral über den Phasenraum der Reaktion in den Grenzen der Akzeptanz des Detektors gewichtet mit Verlustwahrscheinlichkeiten für einzelne Teilchen (in der Realität stellt sich das Problem im Allgemeinen noch komplexer dar, zum Beispiel durch kinematische Migrationen durch Streuung und Energieverlust). Simulation von dynamischen Prozessen: zum Beispiel Bewegungsabläufe von mechanischen Systemen in der Technik, Produktionsabläufe in der Wirtschaft oder die Entwicklung des Wetters. Simulation von Gleichgewichtszuständen, zum Beispiel in der statistischen Physik oder bei dem Einsatz bestimmter Typen neuronaler Netze. Diese Anwendung ist hier getrennt aufgeführt, weil dafür spezielle Methoden entwickelt wurden (zum Beispiel der Metropolis-Algorithmus). 63
2 64 KAPITEL 5. MONTE-CARLO-METHODEN Statistische Untersuchung von Zufallsverteilungen, die analytisch nicht oder nur schwer zu behandeln sind. Dazu gehört zum Beispiel auch die Bestimmung von Fehlern einer Messung indem man das Experiment vielfach simuliert und den Fehler durch die Schwankung der simulierten Ergebnisse abschätzt ( bootstrap Methode). Auch vor der Entwicklung leistungsfähiger Computer wurden Simulationen zur Lösung komplexer mathematischer Probleme als analoge Simulationen eingesetzt, wie zum Beispiel die Optimierung von Fahrzeugformen in Windkanälen oder die Lösung gekoppelter Differentialgleichungen mit Pendelsystemen. Ein schönes Beispiel, dass auf zufälligen Stichproben beruhende Simulationen auch ohne Computer gemacht werden können, ist das Buffonsche Nadelexperiment zur Bestimmung der Zahl π: Beispiel: Auf ein Blatt Papier mit parallelen Linien im Abstand g werden Nadeln der Länge l so geworfen, dass ihre Lage und Richtung zufällig ist. Die Wahrscheinlichkeit, dass eine Nadel eine Linie kreuzt, hängt wegen der Rotationssymmetrie der Nadelorientierung mit der Zahl π zusammen: p = l gπ = π = l gp (5.1) Die Wahrscheinlichkeit p wird nun experimentell durch das Werfen von Nadeln bestimmt. Häufig entspricht die Aufgabenstellung der Lösung eines Integrals in einem multidimensionalen Raum mit komplizierten Integrationsgrenzen. Mit der MC-Methode wird das Integral gelöst, indem man diskrete Punkte in dem Raum nach dem Zufallsprinzip würfelt. Das Integral kann nun auf verschiedene Weise ausgewertete werden. Nach der einfachsten Methode werden die Punkte gleichverteilt in dem Raum erzeugt und die Integrandenfunktion wird an den diskreten Punkten aufaddiert. Das entspricht der numerischen Lösung des Integrals durch eine endliche Summe über Intervalle. Hier könnte man fragen, ob es nicht grundsätzlich am günstigsten ist, eine feste Intervalaufteilung zu machen, wodurch der Fehler des Integrals mit der Anzahl N der Intervalle abfallen würde. Dagegen fällt bei einer zufälligen Wahl der Punkte der Fehler nur wie 1/ N ab. Bei einer einzelnen Dimension ist eine gleiche Verteilung der Punkte auf jeden Fall optimaler. Allerdings ist es in höheren Dimensionen für auf einem regulären Gitter angeordnete Punkte nicht mehr richtig, dass der Fehler mit 1/N abnimmt, was an den Korrelationen der untereinander liegt. Da bei der MC-Methode der Fehler immer mit 1/ N abnimmt, wird die MC-Methode dimensionsabhängig (und problemabhängig) optimaler ( Monte-Carlo-Paradoxon ). Darüber hinaus bietet die MC-Methode bei komplexen Problemen viele bedenkenswerte weitere Vorteile. Ein ganz wichtiger Vorteil der Benutzung von Zufallsvariablen ist die Möglichkeit, die Simulation beliebig fortzusetzen und damit die Genauigkeit zu erhöhen. Bei diskreter Intervalschachtelung würde ein nächster Schritt mindestens eine Halbierung der Intervalabmessungen bedeuten, was die Rechenzeit bei einer Dimension n um einen Faktor n verlängern würde (also schon ein Faktor von etwa 1000 bei 10 Dimensionen).
3 5.. ZUFALLSZAHLENGENERATOREN 65 Bei der Standard-MC-Methode zur Lösung eines Integrals werden die Punkte in dem Raum mit der durch die normierte Integrandenfunktion gegebenen Wahrscheinlichkeitsdichte erzeugt. Man erhält dann Ereignisse mit der entsprechenden Wahrscheinlichkeitsdichte, die dann auch weiteren Analysen unterworfen werden können, was eine hohe Flexibilität bei dem Vergleich der Simulation mit gemessenen Daten ergibt. In diesem Kapitel werden verschiedene Methoden zur Erzeugung von Stichproben mit bestimmten Wahrscheinlichkeitsdichten und optimale Methoden zur Bestimmung von Integralen besprochen. Für die Anwendung der MC-Methode benötigt man Generatoren von (Pseudo)-Zufallszahlen, deren Eigenschaften wir zunächst kurz besprechen wollen. Wir orientieren uns in diesem kapitel besonders an [4]; einen guten Überblick gibt auch der Artikel [16]. 5. Zufallszahlengeneratoren In der Regel geht man von einem Zufallszahlengenerator aus, der bei jedem Aufruf eine neue Zahl z, die im Intervall [0, 1] gleichverteilt ist, zurückgibt. Aus diesen Zufallszahlen werden die Zufallsvariablen des betrachteten Problems erzeugt. Die Zufallszahlen werden fast ausschließlich durch geeignete Algorithmen als Pseudozufallszahlen im Rechner erzeugt. Ein Problem ist, dass wegen der digitalen Darstellung der reellen Zahlen mit einer endlichen Bit-Anzahl, die Zahlengeneratoren im allgemeinen eine Periodizität haben können. Man versucht die Periode möglichst lang zu machen, um große Ereignismengen unabhängig erzeugen zu können. Gute Generatoren sollten auch keine Korrelationen in der Abfolge der Zufallszahlen aufweisen, um Muster in einem multi-dimensonalen Raum zu vermeiden. Da Zufallszahlengeneratoren im Prinzip deterministisch sind, ist eine Wiederholbarkeit von Rechnungen, die statistisch unabhängige Fortsetzung und die parallele Ausführung auf verschiedenen Rechnern möglich. Die Zufallszahlengeneratoren liefern dafür so genannte seeds, Zahlen mit denen man einen Generator an wohldefinierten Stellen einer Zufallszahlenfolge initiieren kann Multiplikativ kongruentielle Generatoren Es gibt eine Vielzahl von Algorithmen zur Erzeugung von Pseudozufallszahlen. Viele der in der Vergangenheit sehr popolären Zufallsgeneratoren gehören zur Klasse der multiplikativ oder gemischt kongruentiellen Generatoren (engl. linear congruential generator, LCG). Das Prinzip soll hier kurz erläutert werden. Eine Zufallszahl erzeugt ein LCG über die Rekursionsrelation: x i+1 = (ax i + b) mod m (5.) wobei Modul m, Faktor a, Inkrement b und Startwert x 1 die Zufallsequenz vollständig bestimmen. In der Praxis hängen die Eigenschaften eines LCG sensitiv von der Wahl dieser Parameter ab. Für m = k mit k 4 ist die maximale Periode eines LCG bei optimaler Wahl der Parameter m/4.
4 66 KAPITEL 5. MONTE-CARLO-METHODEN r i r i Abbildung 5.1: Iterationsfunktion eines LCG mit m = 64, a = 11, b = 0. Für diesen LCG gibt zwei Sequenzen mit Periode 16 (d.h. der maximalen Periode für m = 64), die zusammen alle ungeraden Zahlen < m enthalten. Die fetten Punkte entsprechen einer dieser Sequenzen. Gerade Zahlen als Startwerte liefern (teilweise deutlich) kürzere Perioden. LCG haben deutliche Schwächen, z.b. kleine Periode der Sequenz (und noch geringere Perioden für nicht signifikante Stellen), sowie deutliche Korrelation von aufeinander folgenden Zufallszahlen. Letztere Eigenschaft führt bei Erzeugung von mehrdimensionalen Tupeln zu ungewünschten Stukturen ( Hyperebenen ). Abbildung 5.1 zeigt die Verteilung von aufeinanderfolgenden Zufallzahlen für m = 64, a = 11, b = 0. Einige, aber nicht alle, Probleme der LCG werden durch Verwendung von verallgemeinerten kongruentiellen Generatoren umgangen. 5.. Mersenne-Twister Als der Zufallszahlengenerator der Wahl hat sich in den letzten Jahren der Mersenne-Twister etabliert. Der Algorithmus gehört zu der Klasse der twisted generalised feedback shift register. Er zeichnet sich unter anderem durch eine extrem lange Periode aus ( ), erzeugt sehr gute Gleichverteilungen (nachgewiesen bis zur Dimension 63), und ist dennoch schneller als andere (hinreichend gute) Zufallsgeneratoren. Er wird in allen modern Programmbibliotheken wie z.b. der GNU Scientific Library eingesetzt. Der Zustand des Generators wird eindeutig durch 64+1 Integer-Zahlen (3bit) beschrieben, für deren Initialisierung in der Regel ein einfacher LCG Algorithmus verwendet wird Quasi-Zufallszahlen Um das Konvergenzverhalten von Monte Carlo Integrationsalgorithmen zu verbessen, werden gelegenlich Quasi-Zufallszahlen eingesetzt. Quasi-Zufallszahlen Genera-
5 5.3. MONTE-CARLO-ERZEUGUNG VON EREIGNISSEN Mersenne twister Pseudozufallszahlen 1.0 Sobol Quasi-Zufallszahlen x j x x i x 1 Abbildung 5.: Pseudozufallszahlen erzeugt durch einen Mersenne-Twister, und Quasi-Zufallzahlen nach der Sobol-Sequenz in 3 Dimensionen. toren (QZG) sind deterministische Algorithmen die eine gleichmäßigere Füllung des Integrationsvolumen mit Punkten garantiert, ohne dass die Punkte wie auf einem regulären Gitter korreliert sind. In Abbildung 5. werden Zufallsverteilung erzeugt mit dem Mersenne-Twister mit Quasi-Zufallzahlen verglichen. Quasi-Zufallzahlen basieren häufig auf der van-der-corput-sequenz (Halton-Sequenz) oder auf der Sobol- Sequenz. Quasi-Zufallzahlen eignen sich nur zum Integrieren. Auch muss die Dimension des Problems bereits bei der Erzeugung der Zufallszahlen feststehen. Zur Verbesserung der Genauigkeit der Integration muss an der Stelle der Sequenz, an der unterbrochen wurde, fortgesetzt werden. QZG stellen also einen besonderen Anspruch an die Disziplin des Programmierers. 5.3 Monte-Carlo-Erzeugung von Ereignissen Einfache Beispiele für die Erzeugung von Ereignissen entsprechend vorgegebenen Zufallsverteilungen sind bereits in den Kapiteln 1 und 3 gegeben worden. Der Vollständigkeit halber werden wir die dort eingeführten Inversions- und Hit-and-Miss- Methoden wiederholen und auf multi-dimensionale Verteilungen erweitern. Das prinzipielle Problem ist die Zuordnung von Sätzen z = (z 1, z,... z n ) von jeweils im Einheitsinterval gleichverteilten Zufallsvariablen zu den Variablen x = (x 1, x,... x n ) einer Wahrscheinlichkeitsdichte f( x), so dass die entsprechenden Ereignisse x j (j = 1,..., N) Stichproben der Verteilung f( x) sind. Das ist im Allgemeinen keine leichte Aufgabe, insbesondere wenn die Variablen x i untereinander korreliert sind.
6 68 KAPITEL 5. MONTE-CARLO-METHODEN Inversionsmethode Eine Methode haben wir bereits in Abschnitt für eine einzelne Variable eingeführt. Zusammengefasst sind die Ergebnisse: Aus der Forderung, dass bei einer Transformation einer Zufallsvariablen x mit einer Wahrscheinlichkeitsdichte f(x) auf eine im Einheitsinterval gleichverteilte Zufallsvariable z die differentielle Wahrscheinlichkeit gleich bleiben muss, ergibt sich f(x)dx = dz, (5.3) z = F (x) und die Umkehrung : x = F 1 (z), (5.4) wobei F (x) die Verteilungsfunktion von f(x) ist (die ja zwischen 0 und 1 gleichverteilt ist). Falls F analytisch invertierbar ist, ist damit das Problem gelöst. Es ist im Prinzip auch möglich, numerisch zu invertieren, was aber häufig zeitaufwendiger ist, als die Anwendung anderer Methoden, die zum Teil im Folgenden besprochen werden. Im mehr-dimensionalen Fall muß man im Allgemeinen schrittweise vorgehen, beginnend zum Beispiel mit der Erzeugung der Variablen x 1. Aus der Randverteilung h 1 (x 1 ) (siehe (3.6)) zu dieser Variablen kann man mit der Inversionsmethode die Zufallsvariable x 1,j (j ist das jeweilige Ereignis) erzeugen. Da im Allgemeinen die übrigen Variablen von x 1 abhängig sein können, muss man im weiteren die bedingte Wahrscheinlichkeit für x 1 = x 1,j wie in (3.8) definiert betrachten: f (x, x 3,..., x n x 1 = x 1,j ) = f(x 1 = x 1,j, x,..., x n ) h 1 (x 1 = x 1,j ) Diese Verteilung wird nun benutzt, um mit der Inversionsmethode die Variable x zu erzeugen. Die Schritte wiederholen sich bis zur letzten Variablen x n. Am einfachsten ist natürlich, wenn in jedem Schritt die Invertierung analytisch gemacht werden kann; grundsätzlich ist aber auch eine numerische Invertierung möglich. Das Verfahren lässt sich, wie in Abschnitt besprochen, entsprechend auch auf diskrete Verteilungen anwenden. Beispiel: Ein Beispiel für die eindimensionale Lebensdauerverteilung ist in Abschnitt 1..1 gegeben worden (Gleichungen ( )). Für eine zwei-dimensionalen Verteilung wurde ein Beispiel in Abschnitt 3.6 gegeben (allerdings für den einfacheren Fall unabhängiger Variablen). Für eine zwei-dimensionale, unkorrelierten Gauss-Verteilung lässt sich durch Transformation der kartesischen Koordinaten (x 1, x ) auf Polarkoordinaten (r, φ) (Box-Müller-Transformation) analytisch invertierbare Verteilungsfunktionen erhalten (was im Eindimensionalen nicht der Fall ist). Man erhält dann mit der oben angegebenen Methode und nach Rücktransformation die unabhängig gauss-verteilten Zufallszahlen (x 1, x ) als Funktion der im Einheitsinterval gleichverteilten Zufallzahlen (z 1, z ): x 1 = σ ln z1 sin(πz ) x = σ ln z1 cos(πz ) (5.5)
7 5.3. MONTE-CARLO-ERZEUGUNG VON EREIGNISSEN 69 Tabelle 5.1: Erzeugungsalgorithmen von Zufallszahlen einiger wichtiger Wahrscheinlichkeitsverteilungen aus gleichverteilten Zufallszahlen z in [0, 1[. Wahrscheinlichkeitsdichte Wertebereich Algorithmus f(x) = 1 b a [a, b[ f(x) = x [0, 1[ x = (b a) z + a x = max(z 1, z ) or x = z f(x) x r 1 [a, b[ x = [(b r a r ) z + a r ] 1/r f(x) 1 x [a, b[ a (b/a) z f(x) = 1 x ]1, ] x = 1/z f(x) = 1 k e x/k ]0, ] x = k ln z f(x) = xe x ]0, ] x = ln(z 1 z ) f(x) = ln x [0, 1[ x = z 1 z Gauss: 1 f(x) = πσ Breit Wigner: f(x) = Γ π x [, ] x = σ ln z exp σ 1 cos(πz ) 1 [, ] x = [tan π(z 0.5)] Γ/ + µ (x µ) + (Γ/)
8 70 KAPITEL 5. MONTE-CARLO-METHODEN f(x) =e 0.x sin x f(x) x Abbildung 5.3: Verteilung mit Majorante Hit-and-Miss -Verfahren Das in Abschnitt 1.3. besprochene Hit-and-Miss -Verfahren für eine einzelne Variable lässt sich einfach auf mehrere Dimensionen übertragen: Man definiert in n Dimensionen einen Quader der den gesamten Wertebereich der Zufallsvariablen x i enthält. In diesem Quader würfelt man gleichverteilt Punkte; zu jedem Punkt wird eine zusätzliche Variable z f gleichverteilt zwischen 0 und f max, dem Maximalwert der Funktion f( x) (oder größer), gewürfelt. Wenn z f < f max gilt, wird der Punkt akzeptiert ( hit ) oder verworfen ( miss ). Wie im ein-dimensionalen Fall gilt auch hier, dass die Methode ineffizient wird, wenn es große Unterschiede in den Funktionswerten gibt. Das lässt sich verbessern, indem das gesamte Quadervolumen in kleinere Quader mit geringeren Funktionsschwankungen unterteilt wird. Die Anzahl der Versuche in jedem Unterquader ist proportional zu dessen Volumen. Man wird also zunächst durch Würfeln in der diskreten Verteilung p i = V i /V tot (entsprechend Abb. 1.7) das entsprechende Volumen auswählen, in dem man das nächste Ereignis erzeugt. Der Übergang von diskreten Intervalschachtelungen zu einer kontinuierlichen Umhüllenden der Wahrscheinlichkeitsdichte wird mit der im Folgenden beschriebenen Majorantenmethode vollzogen Majorantenmethode Für eine Majorante g( x) einer Funktion f( x) gilt: g( x) f( x) x (5.6) Man sucht sich nun eine Majorante g( x) von f( x), für die man einfacher als für f( x) Ereignisse erzeugen kann, zum Beispiel mit der Inversionsmethode. Wie bei der Hit-
9 5.3. MONTE-CARLO-ERZEUGUNG VON EREIGNISSEN 71 and-miss -Methode akzeptiert man dann ein Ereignis j mit der Wahrscheinlichkeit w j = f( x j) g( x j ). (5.7) Dazu würfelt man gleichverteilt zwischen 0 und g( x j ) und verwirft die Ereignisse, wenn die gewürfelte Zahl größer als f( x j ) ist Wichtung der Ereignisse Statt Ereignisse zu verwerfen, kann man einem Ereignis auch ein Gewicht geben. Bei der Majoranten-Methode ist es das in (5.7) definierte Gewicht w j = f( x j )/g( x j ); beim einfachen Hit-and-Miss -Verfahren ist es w j = f( x j )/f max (die Majorante ist hier die Konstante f max ). Auch wenn man zunächst ungewichtete Ereignisse erzeugt, kann es vorteilhaft sein, bei einer Datenanalyse auf jeden Fall zu jedem Ereignis einen Speicherplatz für ein Gewicht mitzuführen. Häufig möchte man nämlich unterschiedliche Modelle, zum Beispiel unterschiedliche Matrixelemente eines Wirkungsquerschnitts, austesten, was durch Umwichten der Ereignisse einfach und ökonomisch möglich ist. Wurde ein Ereignis entsprechend der Wahrscheinlichkeitsdichte f( x) erzeugt und soll nun der Wahrscheinlichkeitsdichte g( x j ) folgen, wird jedes Ereignisgewicht mit dem entsprechenden Verhältnis multipliziert: w j = w j g( x j) f( x j ) (5.8) Bei der Verarbeitung von gewichteten Ereignissen, zum Beispiel bei grafischen Darstellungen, müssen die Gewichte immer berücksichtigt werden. Das gilt insbesondere auch bei der Fehlerrechnung. Wenn man zum Beispiel N Einträge in einem Interval eines Histogramms hat, ist der Fehler bei ungewichteten Ereignissen N, entsprechend der Poisson-Statistik. Bei gewichteten Ereignissen ist der entsprechende Eintrag N N w = w j. (5.9) j=1 Den Fehler von N w kann man durch Fehlerfortpflanzung bestimmen. Man nimmt dazu an, dass man N unabhängige Ereignisse hat, jedes mit dem Poisson-Fehler σ j = 1 = 1 (zu einem einzelnen Ereignis, Nj = 1). Dann ergibt die Fehlerfortpflanzung: σ (N w ) = N ( ) Nw σj = N j j=1 N wj (5.10) j=1 Der relative Fehler ist σ(n w ) N w = N j=1 w j N j=1 w j. (5.11) Gewichte sollten nicht stark variieren, weil sonst die statistischen Fluktuationen sehr groß werden können.
10 7 KAPITEL 5. MONTE-CARLO-METHODEN 5.4 Monte-Carlo-Integration Die Monte-Carlo-Methode kann zur numerischen Bestimmung von Integralen benutzt werden. Dazu werden in dem Definitionsbereich der Integrandenfunktion Zufallsereignisse generiert, deren Gesamtheit das Integral bestimmt. Im einzelnen können dazu die Methoden herangezogen werden, die im vorigen Abschnitt zu Erzeugung von Ereignissen benutzt wurden. Für die Bestimmung eines Integrals ist es wichtig, mit welcher Methode am effektivsten eine gewünschte Genauigkeit erreicht werden kann. Wir werden im Folgenden die verschiedene Methoden daraufhin untersuchen. Wir nehmen an, dass die Integrandenfunktion f( x) im Integrationsvolumen Ω n nur positive oder nur negative Werte annimmt: f( x) 0 oder f( x) 0, x Ω n. (5.1) Falls das nicht der Fall ist, muss Ω n in entsprechende Bereiche zerlegt werden, in denen f nur ein Vorzeichen hat. In solchen Bereichen kann f( x) nach einer geeigneten Normierung als Wahrscheinlichkeitsdichte interpretiert werden, bezüglich der MC- Ereignisse generiert werden können Majoranten-Methode mit Hit-or-Miss Mit dem Hit-or-Miss-Verfahren ergibt sich eine Schätzung des gesuchten Integrals I zu: k I = f( x) dx 1... dx n I ref (5.13) Ω N n Dabei ist I ref das Integral einer Majorantenfunktion g(x) über Ω n (im einfachsten Hit-or-Miss-Verfahren ist g(x) = f max eine Konstante); N ist die Anzahl der in Ω n generierten MC-Ereignisse und k die der akzeptierten. Die Effizienz der MC-Erzeugung ɛ = k N (5.14) ist ein Parameter der Binomialverteilung von k mit der Varianz σ k = Nɛ(1 ɛ). (5.15) Damit kann der relative Fehler des Integrals abgeschätzt werden: σ I I = σ k k = 1 ɛ k. (5.16) Der Fehler wird also klein, wenn die Anzahl der akzeptierten MC-Ereignisse groß wird, und hat mit 1/ k das erwartete Poisson-Verhalten. Der Fehler nimmt auch mit wachsender Effizienz ɛ ab und kann sogar im Grenzfall ɛ 1 ganz verschwinden. Das bedeutet, dass die Majorantenfunktion g(x) den Integranden f(x) möglichst gut approximieren sollte. Falls eine analytisch integrierbare Majorantenfunktion nicht gefunden werden kann, kann der gesamte Integrationsbereich so zerlegt werden, dass in jedem einzelnen Untervolumen die Integrandenfunktion nicht stark schwankt und deshalb die Effizienzen hoch sein können. Wir werden dieses Verfahren unter den varianz-reduzierende Methoden weiter unten näher betrachten.
11 5.4. MONTE-CARLO-INTEGRATION MC-Integration mit Ereigniswichtung Wenn das Ziel nur die Bestimmung des Integrals unter der Funktion f( x) ist und die gleichzeitige Gewinnung einer Ereignisstichprobe keine Rolle spielt, gibt es eigentlich keinen Grund Ereignisse nach dem Hit-or-Miss-Verfahren zu verwerfen. Der einfachste Fall ist die Summation von in Ω n gleichverteilten Zufallsereignissen gewichtet mit ihren jeweiligen Funktionswerten. Das ist zwar sehr ähnlich dem Quadraturverfahren mit gleichmässigen Intervallen, die MC-Methode ist aber, wie bereits in der Einleitung zu diesem Kapitel angesprochen, bei höheren Dimensionen vorteilhafter. Mit dem Integrationsvolumen V ergibt sich die Schätzung des Integrals zu: I V N f( x j ) = V f (5.17) N Mit der Varianz des Mittelwertes σ f = j=1 1 N(N 1) N (f( x j ) f) (5.18) j=1 ergibt sich der relative Fehler des Integrals zu σ I I = σ f f Varianz-reduzierende Verfahren (5.19) Die Varianz des Integrals ist also proportional zu der Varianz der Funktion f im Integrationsvolumen. Deshalb sind Methoden zur Reduzierung der Varianz ein wichtiges Hilfsmittel bei der numerischen Integration mit der MC-Methode. Eine Möglichkeit der Varianzreduktion ist die Anwendung des Majoranten-Verfahrens. Die entsprechend der Majoranten g( x) erzeugten Ereignisse werden ohne Verwerfen wie in (5.13), aber gewichtet, aufsummiert: 1 N I = f( x) dx 1... dx n = I ref w j (5.0) Ω N n Das entspricht (5.13), wenn man die Zahl der akzeptierten Ereignisse k durch N w = N j=1 w j, die Summe der Gewichte, ersetzt. Der Fehler des Integrals ist dann: j=1 N σ I I = σ N w N w = j=1 w j N j=1 w j, (5.1) wobei (5.11) auf der rechten Seite eingesetzt wurde. Am geringsten wird der Fehler, wenn die Gewichte alle gleich sind (Beweis wie für die Effizienz des Mittelwertes, Gleichung (4.16) und folgende), das heißt, dass die Majorante g dem Integranden f sehr gut folgt. Es sei w j = 1/N für alle Ereignisse j. Dann ergibt sich für den relativen Integralfehler in (5.1): Das ist offensichtlich eine untere Grenze für den Fehler. σ I I = 1 N. (5.)
12 74 KAPITEL 5. MONTE-CARLO-METHODEN Stratified Sampling ( Geschichtete Stichproben ) Es sind verschiedene Methode der Varianzreduktion entwickelt worden, die nicht voraussetzen, dass man die zu integrierende Funktion gut kennt, insbesondere, dass man keine Majorante finden muss. Die Idee ist, Untervolumen so zu definieren, dass die Varianzen jeweils klein werden ( stratified sampling, geschichtete Stichproben ). Die Varianzen können beliebig klein gemacht werden, wenn man in beliebig viele Untervolumen aufteilt. Dem steht bei der praktischen Ausführung der Rechenzeitaufwand und der Bedarf an Speicherplatz limitierend entgegen. Die Frage stellt sich dann eher so: Wenn N Ereignisse erzeugt und auf m Untervolumen aufgeteilt werden sollen, wie finde ich die Untervolumengrenzen, die die Varianz minimieren. Betrachtet man, z.b., eine Aufteilung des Integrationsvolumen V in zwei gleich große Untervolumen V a und V b, und würfelt in jedes Volumen n/ Punkte, dann kann die Varianz durch die Varianzen der Untervolumen σa und σb ausgedrückt werden σ() n = 1 ( ) σ a 4 n/ + σ b n/ = σ a + σ b n (5.3) Zum Vergleich bestimmt sich die Varianz der Integration im Gesamtvolumen durch (die x i für i = [1, n/] sollen im Untervolumen V a und die x i für i = [n/ + 1, n] im Untervolumen V b liegen) σ (1) = 1 n = 1 n n (f(x i ) f) i=1 { n/ ( (f(xi ) f a ) + ( f a f) ) } +... i=1 { n/ = 1 ( (f(x i ) n f a ) + i=1 { n/ 1 = (f(x i ) n f a ) + 1 ( fa f ) } +... i=1 }{{} σa/ = σ a + σ b + 1 ( fa f ) 1( + fb f ) = σ a + σ b + 1 [ f a 1 ] ( f a + f b ) + 1 = σ a + σ b } {}}{ (f(x i ) f a ) ( f a f) + ( f a f) ) +... [ f b 1 ] ( f a + f b ) [ fa f b ] (5.4) Die Aufteilung in Volumina, die die Varianz minimieren, erfolgt im Allgemeinen iterativ mit einer Regel, die große Varianzbeiträge minimiert. Ein Beispiel sind folgende Regeln:
13 5.4. MONTE-CARLO-INTEGRATION 75 unterteile das Integrationsvolumen in gleiche Untervolumen, erzeuge Punkte in beiden Volumina, berechne aus den Funktionswerten des Integranden an diesen Punkten die Varianzen für jedes Untervolumen getrennt, unterteile das Untervolumen mit der größten Varianz weiter, wiederhole die Unterteilung des Untervolumens mit der jeweils größten Varianz, breche die Prozedur ab, wenn ein vorgegebenes Abbruchkriterium erfüllt ist (zum Beispiel Erreichen einer Höchstzahl an Untervolumen oder Unterschreiten einer Grenze für die maximale Varianz). In den Untervolumina kann während des Aufteilungsprozesses weiter gewürfelt werden, um mit Verfeinerung des Rasters die Punktdichte zu erhöhen. Es kann gezeigt werden, dass die optimale Anzahl der Punkte N k im Untervolumen gegeben ist durch die Bedingung: N k σ k = const (5.5) Ziel des Algorithmus ist es eine Unterteilung in Volumen mit gleicher Varianz zu finden. Dann kann in alle Volumen die gleiche Anzahl an Punkten gewürfelt werden. Das Integral ergibt sich dann wie in (5.17), mit zusätzlicher Summation über m Untervolumen: m V k N k m I f( x j ) = V k f k (5.6) N k k=1 j=1 Der geschätzte Fehler des Integrals ist dann: σ I = m k=1 V k k=1 σ fk N k (5.7) Die Formel zeigt, dass der absolute Fehler mit der Verkleinerung der Varianzen sinkt (der relative Fehler fällt bei gegebener Volumenaufteilung weiterhin wie 1/ N). Eine typische Zerlegung eines Integrationsbereiches durch einen auf stratified sampling basierenden Monte-Carlo-Integrationsalgorithmus (Divonne) ist in Abb. 5.4 dargestellt. Beispiel: Den Effekt des stratified samplings kann man gut an folgendem Beispiel klarmachen: Man betrachte eine lineare Funktion f(x) = x in dem Interval [0, 1] und berechne das Integral durch Würfeln von gleichverteilten x-werten und Summation der Funktionswerte. Das Würfeln soll einmal im gesamten Interval [0, 1] und dann getrennt in den Intervallen V a = [0, 0.5] und V b = [0.5, 1] ausgeführt werden.
14 76 KAPITEL 5. MONTE-CARLO-METHODEN f(x) x Abbildung 5.4: Zerlegung des Integrationsbereiches durch den Monte-Carlo- Integrationsalgorithmus Divonne (stratified sampling) für die Funktion f(x) = x 3. Die Varianz der Funktion im Intervall [x 1, x ] ist σf = (x x 1 ) /1. Die Varianz des Integrals ohne Unterteilung in Untervolumen ist dann σ I,(1) = 1 1 N Durch Unterteilung in zwei Volumen erhalten wir σa = σb des Integrals berechnet sich dann aus Gl. (5.7) zu (5.8) = 1/48. Die Varianz σ I,() = ( ) 1 σa N/ + ( ) 1 σb N/ = 1 48 N (5.9)
Experimentelle 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
Stochastik-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
Rechnernutzung 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
Monte-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
Die Monte-Carlo-Methode zur Simulation von Teilchenreaktionen
Die Monte-Carlo-Methode zur Simulation von Teilchenreaktionen Michael Rauch 7. Mai 2 H AUPTSEMINAR E XPERIMENTELLE UND T HEORETISCHE M ETHODEN KIT University of the State of Baden-Wuerttemberg and National
Statistik, 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
Statistics, 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
Seminar Stochastische Unternehmensmodelle Varianzreduzierende Techniken
Seminar Stochastische Unternehmensmodelle Varianzreduzierende Techniken 25. Juni 2015 1 / 37 Übersicht 1. Ziel des Vortrags 2. Einleitung 3. Varianzreduzierende Techniken Bedingtes Monte Carlo Importance
Wahrscheinlichkeitsrechnung 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
7 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
Wahrscheinlichkeitsrechnung 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
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,
DWT 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
Statistik 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
Statistics, 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
DWT 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
Wahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
70 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
Moderne Methoden der Datenverarbeitung in der Physik I
Moderne Methoden der Datenverarbeitung in der Physik I Prof. Dr. Stefan Schael / Dr. Thomas Kirn I. Physikalisches Institut MAPLE II, Krypthographie Wahrscheinlichkeit Zufallszahlen, Wahrscheinlichkeitsdichten,
Nr. 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
Simulation 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
Wahrscheinlichkeitsverteilungen 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
Inhaltsverzeichnis. 4 Statistik Einleitung Wahrscheinlichkeit Verteilungen Grundbegriffe 98
Inhaltsverzeichnis 1 Datenbehandlung und Programmierung 11 1.1 Information 11 1.2 Codierung 13 1.3 Informationsübertragung 17 1.4 Analogsignale - Abtasttheorem 18 1.5 Repräsentation numerischer Daten 20
Verteilungen mehrerer Variablen
Kapitel 3 Verteilungen mehrerer Variablen 3. Eigenschaften von Verteilungen mehrerer Variablen Im allgemeinen muss man Wahrscheinlichkeiten für mehrere Variable, die häufig auch voneinander abhängen, gleichzeitig
Statistik 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
Master 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
13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
Modellierung- und Simulation Mathis Plewa ( )
Inhaltsverzeichnis Abbildungsverzeichnis... 1 Übungsaufgabe: Zufallsgeneratoren und Histogramme... 2 Standard Gleichverteilung... 2 Gaußverteilung... 3 Exponentialverteilung... 4 Übungsaufgabe: Geometrische
Von 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
Numerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 15.01.2009 Numerische Methoden und Algorithmen in der Physik Christian Autermann 1/ 47 Methode der kleinsten Quadrate
2 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
5. 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
Wahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
5 Zufallsvariablen, Grundbegriffe
II. Zufallsvariablen 5 Zufallsvariablen, Grundbegriffe Def. 12 Es seien (Ω 1, E 1,P 1 ) und (Ω 2, E 2,P 2 ) Wahrscheinlichkeitsräume. Eine Abbildung X : Ω 1 Ω 2 heißt E 1 E 2 meßbar, falls für alle Ereignisse
3.5.2 Mehrere Funktionen von einem Satz von Zufallszahlen
3.5. NICHT-LINEARE FUNKTIONEN VON ZUFALLSVARIABLEN 43 3.5. Mehrere Funktionen von einem Satz von Zufallszahlen Wir betrachten jetzt den allgemeineren Fall, dass m Funktionen g (g 1,...,g m ) von den gleichen
Wirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
Zufallszahlen 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,
Bestimmte 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
Simulation 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
5. 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
Übung Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung mit
Übung 2 24..23 Ü b u n g 2 Aufgabe Die Poissonverteilung P(λ) hat die Wahrscheinlichkeitsfunktion p(x) = λx e λ (x ) x! Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung
Überblick. Einführung in die automatische Mustererkennung Grundlagen der Wahrscheinlichkeitsrechnung
Grundlagen Überblick Einführung in die automatische Mustererkennung Grundlagen der Wahrscheinlichkeitsrechnung Klassifikation bei bekannter Wahrscheinlichkeitsverteilung Entscheidungstheorie Bayes-Klassifikator
Statistische Methoden der Datenanalyse. Übung IV
Albert-Ludwigs-Universität Freiburg Wintersemester 203/204 Statistische Methoden der Datenanalyse Markus Schumacher, Stan Lai, Florian Kiss Übung IV 9..203, 20..203 Anwesenheitsaufgaben Aufgabe 2 Zufallsgenerator
7 Integralrechnung für Funktionen einer Variablen
7 Integralrechnung für Funktionen einer Variablen In diesem Kapitel sei stets D R, und I R ein Intervall. 7. Das unbestimmte Integral (Stammfunktion) Es sei f : I R eine Funktion. Eine differenzierbare
Numerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 08.01.2009 Numerische Methoden und Algorithmen in der Physik Hartmut Stadie 1/ 32 Einführung Wahrscheinlichkeit Verteilungen
Wichtige 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
Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 5.05.0 Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung Erwartungswert binomialverteilter Zufallsgrößen Wird ein Bernoulli- Versuch, bei
Simulation mit der Monte-Carlo-Methode
Rechnernutzung in der Physik Simulation mit der Monte-Carlo-Methode - Grundsätzliches - gleichverteilte (Pseudo-)Zufallszahlen - Verfahren zur Erzeugung beliebiger Verteilungen - Beispiele 1 Grundsätzliches
Monte 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
Wahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
Grundlagen 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
Kapitel 1. Grundlagen der Statistik. 1.1 Wahrscheinlichkeit Definition über die Häufigkeit Kombinatorische Definition
Kapitel 1 Grundlagen der Statistik 1.1 Wahrscheinlichkeit Grundlegend für statistische Analysen, das heißt der Behandlung von Vorgängen mit zufälligem, unvorhersagbarem Ausgang, ist der Begriff der Wahrscheinlichkeit.
Einführung 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
I 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........................
Statistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 20. April 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 18.
5 Binomial- und Poissonverteilung
45 5 Binomial- und Poissonverteilung In diesem Kapitel untersuchen wir zwei wichtige diskrete Verteilungen d.h. Verteilungen von diskreten Zufallsvariablen): die Binomial- und die Poissonverteilung. 5.1
Grundlagen der Wahrscheinlichkeitstheorie
Priv.-Doz. Dr. H. Steinacker Wintersemester 2013/2014 Grundlagen der Wahrscheinlichkeitstheorie betrachte Wiederholungen eines Experimentes, gleicher Vorbereitung (z.b. Würfeln, Dart werfen, Doppelspaltexperiment,...)
Fourier-Transformation
ANHANG A Fourier-Transformation In diesem Anhang werden einige Definitionen Ergebnisse über die Fourier-Transformation dargestellt. A. Definition Theorem & Definition: Sei f eine integrable komplexwertige
P (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
Zufallszahlen. Diskrete Simulation. Zufallszahlengeneratoren - Zufallszahlen
Zufallszahlen Zufallszahlengeneratoren Transformation von Zufallszahlen Test von Zufallszahlengeneratoren Otto-von-Guericke-Universität Magdeburg Thomas Schulze Zufallszahlengeneratoren - Zufallszahlen
5. 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
Kapitel 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
Lösung 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,
Spezielle Verteilungen einer Variablen
Kapitel 2 Spezielle Verteilungen einer Variablen In diesem Kapitel werden wir einige häufig benutzte Verteilungen, die von einer Variablen abhängen, vorstellen. 2.1 Binomial-Verteilung Binomial-Verteilungen
Statistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 13. Juli 2011 Ziel der Vorlesung Vermittlung von Grundkenntnissen der Statistik, Simulationstechnik und numerischen Methoden (Algorithmen) Aufgabe:
Die Maximum-Likelihood-Methode
Vorlesung: Computergestützte Datenauswertung Die Maximum-Likelihood-Methode Günter Quast Fakultät für Physik Institut für Experimentelle Kernphysik SS '17 KIT Die Forschungsuniversität in der Helmholtz-Gemeinschaft
Die Normalverteilung. Mathematik W30. Mag. Rainer Sickinger LMM, BR. v 0 Mag. Rainer Sickinger Mathematik W30 1 / 51
Mathematik W30 Mag. Rainer Sickinger LMM, BR v 0 Mag. Rainer Sickinger Mathematik W30 1 / 51 Einführung Heute nehmen wir uns die Normalverteilung vor. Bis jetzt konnte unsere Zufallsvariable (das X in
1 Zahlentheorie. 1.1 Kongruenzen
3 Zahlentheorie. Kongruenzen Der letzte Abschnitt zeigte, daß es sinnvoll ist, mit großen Zahlen möglichst einfach rechnen zu können. Oft kommt es nicht darauf, an eine Zahl im Detail zu kennen, sondern
Zufallsvariablen. 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:
Mehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
Statistische Methoden der Datenanalyse
Statistische Methoden der Datenanalyse Vorlesung im Sommersemester 2008 H. Kolanoski Humboldt-Universität zu Berlin Inhaltsverzeichnis Literaturverzeichnis iii 1 Grundlagen der Statistik 3 1.1 Wahrscheinlichkeit............................
Statistik - Fehlerrechnung - Auswertung von Messungen
Statistik - Fehlerrechnung - Auswertung von Messungen TEIL II Vorbereitungskurs F-Praktikum B (Physik), RWTH Aachen Thomas Hebbeker Eindimensionaler Fall: Parameterbestimmung - Beispiele [Übung] Mehrdimensionaler
Universität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
SozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Wahrscheinlichkeitsfunktionen
Wahrscheinlichkeitsrechnung und Quantentheorie
Physikalische Chemie II: Atombau und chemische Bindung Winter 2013/14 Wahrscheinlichkeitsrechnung und Quantentheorie Messergebnisse können in der Quantenmechanik ganz prinzipiell nur noch mit einer bestimmten
Datenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse PHY31 Herbstsemester 016 Olaf Steinkamp 36-J- olafs@physik.uzh.ch 044 63 55763 Vorlesungsprogramm Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung
Wichtige 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
4.1 Stichproben, Verteilungen und Schätzwerte. N(t) = N 0 e λt, (4.1)
Kapitel 4 Stichproben und Schätzungen 4.1 Stichproben, Verteilungen und Schätzwerte Eine physikalische Messung ist eine endliche Stichprobe aus einer Grundgesamtheit, die endlich oder unendlich sein kann.
Statistik 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
Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression
Übungsklausur Wahrscheinlichkeit und Regression 1. Welche der folgenden Aussagen treffen auf ein Zufallsexperiment zu? a) Ein Zufallsexperiment ist ein empirisches Phänomen, das in stochastischen Modellen
f Z (z) = 0 sonst = 1
Lösungsvorschläge zu Blatt 8) Da das Teilchen sich mit konstanter Winkelgeschwindigkeit bewegt und zufällig gestoppt wird und da Z und Z + kπ, k Z, das gleiche X liefern, kann Z als eine auf [ π, π] gleichverteilte
Anleitung: 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
Anhang 1: Lamellare Strukturen in Systemen mit Bolaamphiphilen
Anhang 1: Lamellare Strukturen in Systemen mit Bolaamphiphilen Charakteristische Konfigurationen von Systemen aus 1848 6-segmentigen Bolaamphiphilen (10 Vol%) im Bereich stabiler Schichtphasen. Dunkle
15.5 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
Lösung von Optimierungsproblemen mit Monte Carlo Methoden
Lösung von Optimierungsproblemen mit Monte Carlo Methoden Am Beispiel des Problem des Handlungsreisenden Vortragende: Alexandra Vosseler Inhaltsverzeichnis I. Einleitung II. Optimierung mit MCM II.i Vom
Computer in der Wissenschaft
Dr. Michael O. Distler distler@uni-mainz.de Mainz, 8. Januar 2014 Methode der kleinsten Quadrate Geschichte: Von Legendre, Gauß und Laplace zu Beginn des 19. Jahrhunderts eingeführt. Die Methode der kleinsten
2 Zufallsvariablen und deren Verteilungen
2 Zufallsvariablen und deren Verteilungen 2.1 Zufallsvariablen Zufallsvariablen sind Funktionen von Ω in die reellen Zahlen R. Beispiel 2.1.1 (Zweimaliger Münzwurf). Ω = ZZ, KK, KZ, ZK}. Sei X(ω) die Anzahl
Kapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
Klassifikation von Daten Einleitung
Klassifikation von Daten Einleitung Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl Informatik 8) Klassifikation von Daten Einleitung
8. 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
Grundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
Zufallszahlenerzeugung
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,
Adaptive Systeme. Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Evolutionäre Algorithmen: Überlebenskampf und Evolutionäre Strategien Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Überblick Einleitung Adaptive Filter Künstliche
Zufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
Motivation. Benötigtes Schulwissen. Übungsaufgaben. Wirtschaftswissenschaftliches Zentrum 10 Universität Basel. Statistik
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Statistik Dr. Thomas Zehrt Ausblick Motivation Wir werfen einen Würfel 000-mal und wir möchten die Wahrscheinlichkeit P bestimmen, dass zwischen