1 Zufallszahlen jede Zahl gleichen Wahrscheinlichkeit Zufallszahlenfolge unabhängiger, identisch ver- teilter
|
|
- Edith Walter
- vor 7 Jahren
- Abrufe
Transkript
1 Zufallszahlen Zufallszahlen werden für viele Anwendungen im Computer benötigt. Hauptanwendungsgebiete sind die Simulation und die Statistik. Besonders bei der Programmierung von Spielen werden Zufallszahlen benötigt, um unterschiedliche, nicht vorhersagbare Spielverläufe zu realisieren. Aus mathematischer Sicht wird an Zufallszahlen die Bedingung gestellt, dass jede Zahl mit der gleichen Wahrscheinlichkeit auftritt. Daraus ergibt sich die Forderung, dass eine Zufallszahl immer an einen Bereich gebunden ist. Da häufig nicht nur eine Zufallszahl benötigt wird, sondern eine Folge von Zufallszahlen, so müssen an diese Folge weitere Forderungen gestellt werden. Als Zufallszahlenfolge wird jede Folge von Realisierungen unabhängiger, identisch verteilter Zufallsgrößen bezeichnet. Entsprechend dem Typ der Verteilung unterscheidet man stetige, diskrete, gleichverteilte, binomialverteilte, POISSONverteilte, normalverteilte, exponentialverteilte, gammaverteilte und empirisch verteilte Zufallszahlenfolgen. Man unterscheidet physikalische Zufallszahlengeneratoren und Pseudozufallszahlengeneratoren. Die physikalischen Zufallszahlengeneratoren nutzen physikalische Effekte zur Gewinnung von Zufallszahlen. Beispiele für derartige Generatoren sind Würfeln, Münzwurf und das Ziehen von Losen. Die ersten mit dem Computer gekoppelten physikalischen Generatoren nutzten eine radioaktive Strahlungsquelle (zufällige Impulse je Zeiteinheit) oder das Eigenrauschen einer Elektronenröhre (zufällige Spannung). Heute kann man mit elektronischen Bauelementen einfache und billige Generatoren bauen. In Computern wird häufig der Inhalt der Refresh-Register zum Bestimmen einer echten Zufallszahl genutzt. Der Vorteil der physikalischen Zufallszahlengeneratoren liegt in der Entlastung der CPU und dem damit verbundenen Geschwindigkeitsgewinn und der "echten" Zufälligkeit der gewonnenen Zufallszahlenfolge. Die Nachteile dieser Verfahren liegen im erhöhten apparativen Aufwand und der fehlenden Reproduzierbarkeit der Zufallszahlenfolge. Auf einem Computer gibt es keine Möglichkeit, echte Zufallszahlenfolgen mit Hilfe von Programmen zu erzeugen. Die zur Erzeugung von Zufallszahlen eingesetzten Algorithmen erzeugen Pseudo-Zufallszahlen. Pseudozufallszahlengeneratoren sind Instrumente zur determinierten (nicht zufälligen) Erzeugung von Zahlenfolgen mit den statistischen Eigenschaften von Zufallszahlenfolgen. Sie können durch Hardware (Schieberegister) oder Software realisiert sein. Viele Pseudozufallszahlengeneratoren erzeugen reproduzierbare Zufallszahlenfolgen. Eine erste Realisierung der Pseudozufallszahlenerzeugung bestand in der Nutzung der Dezimalziffern transzendenter Zahlen. Die Zahl PI wurde
2 873 mit 73, 96 mit und 986 mit E7 Dezimalstellen berechnet. Die statistische Analyse ergab, dass keine signifikanten Abweichungen von der Gleichverteilung auftraten. Da die Algorithmen zur Berechnung transzendenter Zahlen in der Regel sehr kompliziert sind, werden heute in der Praxis meist rekursive Zufallszahlengeneratoren benutzt. Zum Nachweis, dass eine Zufallszahlenfolge die gewünschten Eigenschaften hat, stehen verschiedene Testverfahren zur Verfügung. Der wichtigste Test ist der Chi-Quadrat-Test. Da von Zufallszahlengeneratoren häufig nur gleichverteilte Zufallszahlen erzeugt werden, sind Algorithmen zur Transformation in andere Verteilungen notwendig.. Erzeugung von Zufallszahlen Die in diesem Abschnitt betrachteten Zufallszahlengeneratoren sind rekursive Generatoren. Es wird die n-te Zahl aus den vorher bestimmten k Zahlen berechnet. z (n) := R(Z (n-),...,z (n-k) ) Häufig wird k= oder k= gewählt. Diese Zufallszahlengeneratoren sind in der Regel zyklisch. Von einer bestimmten Zahl an tritt eine davor stehende Teilfolge erneut auf. Daraus ergibt sich folgende Struktur: AAAAA AA.. zyklusfreies Anfangsstück.. nullter Zyklus.. erster Zyklus.. zweiter Zyklus Als brauchbarer Abschnitt wird das zyklusfreie Anfangsstück und der nullte Zyklus genutzt... Quadratmittengenerator/Quadratwurzelgenerator Diese Generatoren zählen zu den ältesten Implementationen von Zufallszahlengeneratoren. Das Grundprinzip dieses Generators besteht darin, dass eine Zufallszahl aus dem Quadrat oder der Quadratwurzel seines Vorgängers berechnet wird. Die neue Zufallszahl wird durch Herausschneiden der mittleren Stellen berechnet. function f_quadratmittengenerator( start:integer):integer; { Quadratmittengenerator } var zz : integer; zz := start * start; zz := zz mod ; zz := zz div ; f_quadratmittengenerator := zz; end; { of function f_quadratmittengenerator } Programm :Quadratmittengenerator
3 function f_quadratwurzelgenerator(start:real):real; { Quadratwurzelgenerator } var zz : double; zz := sqrt(start); zz := zz *; zz := int(zz); zz := zz / ; zz := frac(zz); f_quadratwurzelgenerator := zz; end; { of function f_quadratwurzelgenerator } Programm : Quadratwurzelgenerator.. Lineare Kongruenzverfahren Das heute am häufigsten angewendete Verfahren ist das lineare Kongruenzverfahren. Es wurde 95 von D. Lehmer vorgestellt und wird auch als Restmethode von Lehmer bezeichnet. Diese Generatoren arbeiten nach der folgenden Erzeugungsvorschrift: z (n) := a * z (n-) a k * z (n-k) mod M a i.. Konstante M.. Modul Aus Rechenzeitgründen werden in der Regel k= oder k= und ganzzahlige z(i) und M gewählt. Es gibt drei grundlegende Realisierungsformen für das lineare Kongruenzverfahren. Dies sind additive Generatoren, multiplikative Generatoren und Mischgeneratoren. Additive Generatoren Die additiven Generatoren arbeiten nach der Erzeugungsregel z (n) := z (n-) +.. z (n-k) mod M Diese Verfahren werden auch als Fibbonachiverfahren bezeichnet. Die Eigenschaften der erzeugten Folge hängen stark von den Startzahlen und vom gewählten Modul ab. Vorteilhaft bei den so erzeugten Folgen ist die relativ große Zykluslänge. Ein Nachteil dieses Verfahrens liegt in der Autokorrelation der Zufallszahlen. function f_genadd(z,z:real):real; { Fibbonacci-Generator } var zz : real; zz := z + z; zz := zz - int(zz); f_genadd:= zz; end; { of function f_genadd } Programm 3: Fibbonachigenerator
4 Multiplikative Generatoren Die multiplikativen Generatoren arbeiten nach der Erzeugungsregel z (n) := a * z (n-) mod M Vorteilhaft ist die gute Qualität der Zufallszahlen. Ein Nachteil dieses Verfahrens ist jedoch die relativ kurze Zykluslänge. function f_genmult(start,fakt:real;modul:integer):real; { multiplikativer Kongruenzgenerator } var zz : real; zz := fakt * start; zz := zz / modul; zz := zz - int(zz); zz := zz * modul; f_genmult := zz; end; { of function f_genmult } Programm 4: multiplikativer Kongruenzgenerator Mischgeneratoren Die Mischgeneratoren arbeiten nach der Erzeugungsregel z (n) := a * z (n-) + b mod M Dabei muss a > und b < sein. function f_gengem(start,fakt,sum:real;modul:integer):real; { gemischter Kongruenzgenerator } var zz : real; zz := fakt * start + sum; zz := zz / modul; zz := zz - int(zz); zz := zz * modul; f_gengem := zz; end; { of function f_gengem } Programm 5: Mischgenerator. Prüfung von Zufallszahlen Die Eigenschaften von Pseudozufallszahlen sind theoretisch meist wenig begründbar. Man benötigt daher experimentelle und statistische Untersuchungsmethoden. Es ist oft möglich zu ermitteln, dass eine Folge nicht zufällig ist, der Nachweis, dass eine Folge zufällig ist, lässt sich dagegen nur sehr schwer führen. Folgende Eigenschaften werden für Zufallszahlenfolgen häufig untersucht: Zykluslänge Prüfverfahren dienen der Bestimmung der Länge des zyklusfreien Anfangsstücks und des nullten Zyklus. Erwartungswert Der Mittelwert einer Zufallszahlenfolge liegt nahe beim Erwartungswert der entsprechenden Verteilung. Abweichungen zwischen beobachteten und theoretisch ermittelten Werten sind durch den Zufall erklärbar.
5 Verteilung Zur Prüfung der Verteilung von Pseudozufallszahlenfolgen nutzt man die aus der Statistik bekannten Anpassungstests. Oft wird der Chi-Quadrat-Anpassungstest benutzt. Man teilt den Wertebereich der Zufallsgröße Z in Klassen K(i) und bestimmt die Klassenhäufigkeiten h(i). Chi-Quadrat wird um so größer, je stärker die Abweichung zwischen beobachteter und theoretischer Verteilung ist. Wenn die Prüfgröße Chi-Quadrat einen Grenzwert überschreitet, so verwirft man die Hypothese der Übereinstimmung beider Verteilungen. Serientest Nach einer beliebigen Regel werden die zu prüfenden Zufallszahlen auf und abgebildet. Es entstehen Serien (Folgen von oder ). Ihre Anzahl und Länge sind Zufallsgrößen bekannter Verteilung. Sie werden getestet. Extremwerte Für Teilfolgen werden Extremwerte bestimmt. Ihre Verteilung wird mit der theoretisch bekannten Verteilung verglichen. Abstandsquadrate Je 4 Zahlen werden als Koordinaten von Punkten im Einheitsquadrat interpretiert. Theoretische und beobachtete Verteilung werden verglichen. Pokertest Die Standardfolge wird in eine Folge gleichverteilter diskreter Zufallszahlen transformiert. Daraus werden Quintupel gebildet. Wie beim Poker unterscheidet man * BUST abcde * PAIR aabcd * TWO PAIRS aabbc * THREE OF A KIND aaabc * FULL HAND aaaab * FLUSH aaaaa.3 Transformation von Zufallszahlen Zufallszahlenfolgen mit beliebiger Verteilung erzeugt man meist aus Standardfolgen durch Transformation..3. Direkte Transformation Z sei eine in (,) gleichverteilte Zufallsgröße. Die Zufallsgröße X sei eine Lösung der Gleichung F(x) = Z, in der F(x) eine beliebige Verteilungsfunktion bezeichnet. Dann hat X die Verteilungsfunktion F(x). Daraus folgt: z(i) sei eine gleichverteilte Zufallszahlenfolge. F(x) sei eine beliebige Verteilungsfunktion. G(x) sei die Umkehrfunktion von F. Dann ist die Folge G(z(i)) eine Zufallszahlenfolge mit der Verteilungsfunktion F(x)..3. Spezielle Verfahren Für häufig auftretende Verteilungen wurden spezielle Transformationsverfahren entwickelt. Als Beispiele werden zwei Verfahren zur Erzeugung normalverteilter Zufallszahlen vorgestellt.
6 Nach einem zentralen Grenzwertsatz der Wahrscheinlichkeitstheorie ist die Summe unabhängiger Zufallsgrößen mit gleicher Verteilung asymptotisch normalverteilt. Bereits die Summe von 6 gleichverteilten Zufallsgrößen ist für viele Anwendungen als Ersatz einer Normalverteilung brauchbar. Zweites Verfahren zur Erzeugung normalverteilter Zufallszahlen: z und z seien im Intervall (,) gleichverteilte Zufallszahlen. Dann sind x =SQRT(- * LN(z) * COS ( * PI * z) und y =SQRT(- * LN(z) * SIN ( * PI * z) n() - normalverteilt..4 Anwendung von Zufallszahlen - die Monte-Carlo-Methode Ein Monte-Carlo-Experiment dient der Schätzung eines unbekannten Wertes mit Hilfe von Zufallszahlen. Die Monte-Carlo-Simulation ist eine Methode zur Lösung numerischmathematischer Probleme. Sie ist etwa 95 entstanden und gehört zu den historischen Wurzeln der Simulationstechnik. Die Monte-Carlo-Methode war eine der ersten Ideen zur Nutzung der gerade entstandenen Computer. Nur so war die Erzeugung der in großen Mengen benötigten Zufallszahlen möglich. John von Neumann gilt als ein Begründer dieser Methode.
7 Programmbeispiel: Monte-Carlo-Simulation Integral als Häufigkeit zufälliger Punkte in einem Gebiet des Einheitsquadrates Es sei f(x) eine im Intervall (,) definierte integrierbare Funktion, deren Werte der Bedingung <= f(x) <= genügen. Um das Integral x = f ( x) dx näherungsweise zu bestimmen, bildet man im Quadrat <= x<=, <y< gleichverteilte Punkte P i = {x i,y i } (i=,,...,n). K sei die Anzahl derjenigen P i, die unterhalb von f(x) liegen. Dann ist K/N ein Näherungswert für das Integral I. Es ist ein Programm aufzustellen, in dem unter Verwendung von Pseudozufallszahlen die Näherungswerte der Integrale I = sin( x ) dx und I = Π x e zu berechnen sind. Einzulesen ist die Anzahl N der zu erzeugenden zufälligen Punkte (empfohlen wird N>=), zu drucken ist mit geeigneten textlichen Hinweisen die Anzahl N der zufälligen Punkte, die Anzahl K derjenigen Punkte, deren y-koordinate kleiner als sin(x) ist, der Näherungswert von I, die Anzahl K derjenigen Punkte, deren y-koordinate x kleiner als e ist, Π der Näherungswert von I, ein Vergleich der Näherungswerte mit anderweitig bekannten genauen Werten. Der Verlauf der Berechnung ist graphisch darzustellen.
Zufallszahlen. Diskrete Simulation. Zufallszahlengeneratoren - Zufallszahlen
Zufallszahlen Zufallszahlengeneratoren Transformation von Zufallszahlen Test von Zufallszahlengeneratoren Otto-von-Guericke-Universität Magdeburg Thomas Schulze Zufallszahlengeneratoren - Zufallszahlen
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
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
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
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
MehrBeziehungen zwischen Verteilungen
Kapitel 5 Beziehungen zwischen Verteilungen In diesem Kapitel wollen wir Beziehungen zwischen Verteilungen betrachten, die wir z.t. schon bei den einzelnen Verteilungen betrachtet haben. So wissen Sie
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,
MehrLösung der Zusatzaufgabe
Lösung der Zusatzaufgabe Erweitern Sie lnkng() um einen Parameter, so dass dass die Anzahl der zurückzugebenden Parameter wählbar ist. Lösung: lnkng
MehrStetige Verteilungen Rechteckverteilung
Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrErzeugung von Pseudozufallszahlen mit Computern
Erzeugung von Pseudozufallszahlen mit Computern Basisgeneratoren und deren Einfluss auf die Qualität der Ergebnisse Lorenz Hauswald IKTP, TU Dresden 7 Dezember 2011 1 / 26 Gliederung Grundlagen 1 Grundlagen
MehrAnpassungstests VORGEHENSWEISE
Anpassungstests Anpassungstests prüfen, wie sehr sich ein bestimmter Datensatz einer erwarteten Verteilung anpasst bzw. von dieser abweicht. Nach der Erläuterung der Funktionsweise sind je ein Beispiel
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
MehrZufallsvariablen [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
MehrPrinzipien zur Erzeugung von Zufallszahlen in der Informatik
ien zur Erzeugung von Zufallszahlen in der Informatik Vortragender: Dipl.-Inform. Thomas Hinze 1. Motivation 2. Grundlegende Begriffe und Zusammenhänge 3. Klassifikation der ien 4. ien zur Erzeugung echter
MehrSozialwissenschaftlerInnen 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
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
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
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
Mehr7. Grenzwertsätze. Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012
7. Grenzwertsätze Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Mittelwerte von Zufallsvariablen Wir betrachten die arithmetischen Mittelwerte X n = 1 n (X 1 + X 2 + + X n ) von unabhängigen
MehrVorlesung Stetige Verteilungen / Mathematische Behandlung
B E A C D Z Faultät Verehrswissenschaften Friedrich List Professur für Verehrsströmungslehre Verehrssystemtheorie I+II (V.-Wirtschaft) Vorlesung..0 Stetige Verteilungen / Mathematische Behandlung Neufert,
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
MehrKapitel 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
MehrOperations Research (OR) II
Operations Research (OR) II Fortgeschrittene Methoden der Wirtschaftsinformatik 27. Juni 2007 Michael H. Breitner, Hans-Jörg von Mettenheim und Frank Köller 27.06.2007 # 1 Stochastische Inputgrößen Stochastische
MehrÜbungen mit dem Applet Zentraler Grenzwertsatz
Zentraler Grenzwertsatz 1 Übungen mit dem Applet Zentraler Grenzwertsatz 1 Statistischer Hintergrund... 1.1 Zentraler Grenzwertsatz... 1. Beispiel Würfeln... 1.3 Wahrscheinlichkeit und relative Häufigkeit...3
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
Mehrk np g(n, p) = Pr p [T K] = Pr p [T k] Φ. np(1 p) DWT 4.1 Einführung 359/467 Ernst W. Mayr
Die so genannte Gütefunktion g gibt allgemein die Wahrscheinlichkeit an, mit der ein Test die Nullhypothese verwirft. Für unser hier entworfenes Testverfahren gilt ( ) k np g(n, p) = Pr p [T K] = Pr p
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 2008/2009
MehrBestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler
6.6 Normalverteilung Die Normalverteilung kann als das wichtigste Verteilungsmodell der Statistik angesehen werden. Sie wird nach ihrem Entdecker auch Gaußsche Glockenkurve genannt. Die herausragende Stellung
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
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
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
MehrKapitel XIV - Anpassungstests
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIV - Anpassungstests Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh 2. Grundannahme:
MehrProgrammiertechnik II
Zufallszahlen Motivation Simulation Frisörbeispiel Stichprobenauswahl Telefonumfragen Numerische Algorithmen naives Beispiel: Berechnung von Pi Automatisiertes Testen Beispiel aus Übungsaufgabe "Faire"
MehrVerteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen. Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung
Verteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung Typisierung der stetigen theoretischen Verteilungen Bibliografie:
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist
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
MehrMessprotokoll: Aufnahme der Quantenzufallszahl
Messprotokoll: Aufnahme der Quantenzufallszahl Am 19. Juni 2009 wurden für Max Mustermann um 8:35 Uhr mit Hilfe von einzelnen Photonen 993.097 Zufallszahlen generiert. Der Zufallsgenerator steht im Quantenoptiklabor
MehrErwartungswert, 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
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:
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Stetige und diskrete Wahrscheinlichkeitsverteilungen Lageparameter Streuungsparameter Diskrete und stetige Zufallsvariablen Eine Variable (oder Merkmal
MehrInhaltsverzeichnis. Vorwort zur fünften Auflage. Liste der Beispiele. Häufig benutzte Symbole und Bezeichnungen
Vorwort zur fünften Auflage Liste der Beispiele Häufig benutzte Symbole und Bezeichnungen v xiv xvii 1 Einleitung 1 Typische Aufgaben der Datenanalyse 1 1.2 Zum Aufbau dieses Buches 2 Zu den Programmen
Mehr1 Grundprinzipien statistischer Schlußweisen
Grundprinzipien statistischer Schlußweisen - - Grundprinzipien statistischer Schlußweisen Für die Analyse zufallsbehafteter Eingabegrößen und Leistungsparameter in diskreten Systemen durch Computersimulation
MehrZUFALLSZAHLEN. WPG Informatik / Mathematik. BG/BRG Bad Ischl. A. Lindner
ZUFALLSZAHLEN WPG Informatik / Mathematik BG/BRG Bad Ischl A. Lindner 1 BEDEUTUNG VON ZUFALLSZAHLEN Beispiel: Computertip für Lotto in einer Trafik. Wie kann ein (elektronisches) Gerät, das nach einem
MehrMonte-Carlo Simulation
Monte-Carlo Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung
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
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrMonte Carlo Simulationen
Monte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt Stefan Wunsch 31. Mai 2014 INSTITUT FÜR EXPERIMENTELLE KERNPHYSIK (IEKP) KIT Universität des Landes Baden-Württemberg und
MehrÜbung 1: Wiederholung Wahrscheinlichkeitstheorie
Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable
MehrStatistik. R. Frühwirth. Statistik. fru@hephy.oeaw.ac.at. VO 142.090 http://tinyurl.com/tu142090. Februar 2010. R. Frühwirth Statistik 1/536
fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/536 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung
MehrVorwort zur fünften Auflage. Liste der Beispiele. Häufig benutzte Symbole und Bezeichnungen
Vorwort zur fünften Auflage Liste der Beispiele Häufig benutzte Symbole und Bezeichnungen v xiv xvii 1 Einleitung 1 1.1 Typische Aufgaben der Datenanalyse 1 1.2 Zum Aufbau dieses Buches 2 1.3 Zu den Programmen
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsraume
Kapitel II Kontinuierliche Wahrscheinlichkeitsraume 1. Einfuhrung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 195/460 Beispiel 78 Wir betrachten
MehrExponentialverteilung
Exponentialverteilung Dauer von kontinuierlichen Vorgängen (Wartezeiten; Funktionszeiten technischer Geräte) Grenzübergang von der geometrischen Verteilung Pro Zeiteinheit sei die Eintrittswahrscheinlichkeit
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
MehrProgramm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung
Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus
MehrInhaltsverzeichnis. 4 Statistik Einleitung Wahrscheinlichkeit Verteilungen Grundbegriffe 98
Inhaltsverzeichnis 1 Datenbehandlung und Programmierung 11 1.1 Information 11 1.2 Codierung 13 1.3 Informationsübertragung 17 1.4 Analogsignale - Abtasttheorem 18 1.5 Repräsentation numerischer Daten 20
MehrProf. Dr. R. Mathar RWTH Aachen, SS 2002 Daniel Catrein Abgabe: bis 15:45 Uhr. 1. Übung zur Einführung in die Stochastik für Informatiker
Daniel Catrein Abgabe: 02.05.02 1. Übung zur Einführung in die Stochastik für Informatiker Aufgabe 1 Bei einem Kartenspiel mit 52 Karten werden an jeden der vier Spieler (A, B, C und D) 13 Karten ausgegeben.
Mehr10 Transformation von Zufallsvariablen
10 Transformation von Zufallsvariablen Sei X : Ω R eine Zufallsvariable mit Verteilungsfunktion F X (x) = P(X < x). Wir betrachten eine Funktion g: R R und sei Zufallsvariable Y : Ω R mit Y = g(x). Y :
Mehr10. Die Normalverteilungsannahme
10. Die Normalverteilungsannahme Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher haben wir vorausgesetzt, daß die Beobachtungswerte normalverteilt sind. In diesem Fall kann man
MehrPseudozufallsgeneratoren
Pseudozufallsgeneratoren In welchen kryptographischen Verfahren werden keine Zufallszahlen benötigt? Wie generiert man Zufallszahlen in einer deterministischen Maschine wie dem Computer? Wenn man eine
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
MehrSBP Mathe Aufbaukurs 1 # 0 by Clifford Wolf. SBP Mathe Aufbaukurs 1
SBP Mathe Aufbaukurs 1 # 0 by Clifford Wolf SBP Mathe Aufbaukurs 1 # 0 Antwort Diese Lernkarten sind sorgfältig erstellt worden, erheben aber weder Anspruch auf Richtigkeit noch auf Vollständigkeit. Das
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
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 4. Zufallsgrösse X Literatur Kapitel 4 * Storrer: Kapitel (37.2)-(37.8), (38.2)-(38.3), (38.5), (40.2)-(40.5) * Stahel: Kapitel 4, 5 und 6 (ohne
MehrWahrscheinlichkeit 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
MehrDer Weg eines Betrunkenen
Der Weg eines Betrunkenen 2 Hätte es damals schon Computer gegeben, wäre es für unseren Mathematiker um einiges leichter gewesen, den Weg des Betrunkenen zu bestimmen. Er hätte nicht nur eine beliebige
Mehr1.8 Kolmogorov-Smirnov-Test auf Normalverteilung
1.8 Kolmogorov-Smirnov-Test auf Normalverteilung Der Kolmogorov-Smirnov-Test ist einer der klassischen Tests zum Überprüfen von Verteilungsvoraussetzungen. Der Test vergleicht die Abweichungen der empirischen
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungen stetiger Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
MehrStatistics, Data Analysis, and Simulation SS 2017
Mainz, 8. Juni 2017 Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
Mehr4.1 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.
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 1. Dezember 21 1 Integralrechnung Flächeninhalt Stammfunktion Rechenregeln 2 Dichten von Erwartungswert und Varianz
MehrKonfidenzintervalle. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09
Konfidenzintervalle Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09 Münzspiel Experiment 100 Münzwürfe: Stefan gewinnt bei "Kopf" Hypothesen H 0 : Stefan wird so oft gewinnen
MehrWahrscheinlichkeitsrechnung 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
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 22 Übersicht Weitere Hypothesentests in der Statistik 1-Stichproben-Mittelwert-Tests 1-Stichproben-Varianz-Tests 2-Stichproben-Tests Kolmogorov-Smirnov-Test
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
MehrDatenanalyse für Naturwissenschaftler und Ingenieure
Siegmund Brandt Datenanalyse für Naturwissenschaftler und Ingenieure Mit statistischen Methoden und Java-Programmen 5. Auflage 4y Springer Spektrum Inhaltsverzeichnis Vorwort zur fünften Auflage Liste
MehrÜbungen zur Vorlesung Statistische Methoden Kapitel 1-2
TECHNISCHE UNIVERSITÄT DORTMUND Sommersemester 2011 FAKULTÄT STATISTIK Dr. M. Arnold Dipl.-Stat. R. Walter Übungen zur Vorlesung Statistische Methoden Kapitel 1-2 Aufgabe 1: Gegeben ist eine diskrete Zufallsvariable
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsräume
Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten
MehrDefinition 4.1 Die Wahrscheinlichkeitsfunktion der Bernoulli-Verteilung ist gegeben durch
Kapitel 4 Diskrete Verteilungen 4.1 Bernoulli-Verteilung Definition 4.1 Die Wahrscheinlichkeitsfunktion der Bernoulli-Verteilung ist gegeben durch È Üµ ½ für Ü ¼ für Ü ½ ¼ sonst Die Bernoulli-Verteilung
Mehr- Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden.
Normalverteilung und Standardnormalverteilung als Beispiel einer theoretischen Verteilung - Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden. - Stetige (kontinuierliche),
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
MehrMathematische Statistik Aufgaben zum Üben. Schätzer
Prof. Dr. Z. Kabluchko Wintersemester 2016/17 Philipp Godland 14. November 2016 Mathematische Statistik Aufgaben zum Üben Keine Abgabe Aufgabe 1 Schätzer Es seien X 1,..., X n unabhängige und identisch
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 7 1 Inhalt der heutigen Übung Statistik und Wahrscheinlichkeitsrechnung Vorrechnen der Hausübung D.9 Gemeinsames Lösen der Übungsaufgaben D.10: Poissonprozess
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
MehrMarcus Hudec. Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Statistik 2 für SoziologInnen 1 Normalverteilung
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die
Mehr