Rechnernutzung in der Physik Block 3: Datenanalyse Simulation mit Zufallszahlen: die Monte Carlo-Methode
|
|
- Hinrich Kopp
- vor 7 Jahren
- Abrufe
Transkript
1 Vorlesung: Rechnernutzung in der Physik Block 3: Datenanalyse Simulation mit Zufallszahlen: die Monte Carlo-Methode Günter Quast Fakultät für Physik Institut für Experimentelle Kernphysik KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft WS 2016/17
2 Simulation mit der Monte Carlo-Methode - Grundsätzliches - gleichverteilte (Pseudo-)Zufallszahlen - Verfahren zur Erzeugung beliebiger Verteilungen - Beispiele
3 Monte Carlo - Methode Spielbank Monte Carlo / Monaco
4 Monte Carlo - Methode Numerisches Verfahren aus der Stochastik, um analytisch nicht oder nur aufwändig lösbare Probleme mit Hilfe der Wahrscheinlichkeitstheorie zu lösen. (1) Anwendungsgebiete: Numerische Mathematik (Integration, Optimierung, Faltung, ). Angewandte Statistik (Bestimmung von Korrelationen, Fehlerfortpflanzung, Hypothesentests, ). Nachbildung komplexer Prozesse mit statistischem Verhalten (Vielteilchensysteme, Teilchenphysik, ). Historie: Erste Idee: Enrico Fermi 1930er Jahre. Erste Ausführung: Stanislaw Ulam, John von Neumann 1947 (Los Alamos Projekt). Namensgebung durch John von Neumann (als code Name innerhalb des Projektes ).
5 Monte Carlo - Methode MC-Methode beginnt mit einer Reihe gleichverteilter Zufallszahlen. Diese Reihe kann entweder physikalisch bestimmt werden (z.b. Werfen eines Würfels, Zeitspanne zwischen zwei Zerfällen eines radioaktiven Präparats, ), oder mit Hilfe eines Zufallszahlengenerators als Pseudo-Zufallszahlen. (Pseudo-)Zufallszahlen: Ergebnis einer deterministischen Sequenz (insb. reproduzierbar) Innerhalb eines vorgegebenen Intervalls nach bester Möglichkeit gleichverteilt. In einem zweiten Schritt werden die gleichverteilten Zufallszahlen in beliebige Wahrscheinlichkeitsdichte transformiert.
6 Grundsätzliches Verfahren I. Erzeuge Folge von Zufallszahlen r1, r2,, rm, gleichverteilt in ]0,1]. II. Transformiere diese zur Erzeugung einer anderen Sequenz x1, x2,, xn, die einer Verteilungsdichte f(x) folgen (Anm.: x, xi können auch Vektoren sein!) III. Aus den xi werden dann Eigenschaften von f(x) bestimmt (z.b. Anteil der xi mit a xi b ergibt a b f(x) dx ) Grundsätzlich ist die MC-Methode eine Integrationsmethode in einer Dimension natürlich anderen Verfahren unterlegen!
7 Beispiel: Bestimmung von π Script pi.py import numpy as np import matplotlib.pyplot as plt import sys npoints=10000 Gleichmäßig über die Einheitsfläche verteilte Zufallszahlen, dann abzählen, wie viele davon innerhalb bzw. außerhalb des Viertelkreises liegen inx=[] iny=[] outx=[] outy=[] for i in range(npoints): rvec=np.random.rand(2) if (np.sum(rvec**2)<=1.): inx.append(rvec[0]) iny.append(rvec[1]) else: outx.append(rvec[0]) outy.append(rvec[1]) plt.scatter(inx, iny, s=1, color='g') plt.scatter(outx, outy, s=1, color='r') pi=4.*float(len(inx)) / \ float((len(inx)+len(outx))) plt.show() *==* script pi.py executing Total number of random points: Points inside circle: 7848 ==> pi= 3.139
8 es geht auch mit ROOT Root-Beispiel calc_pi.c s. auch animate_pi.py
9 Bestimmung der (Viertel-)Kreisfläche: Genauigkeit Genauigkeit nimmt mit 1/ N zu (unabhängig von der Anzahl der Dimensionen!)
10 Beispiel 2 Aus der Geometrie: Schnittvolumen eines Kegels und eins Torus - definiere Quader, der Schnittvolumen einschließt - zufällig gleichverteilte Punkte im Quadervolumen erzeugen - feststellen, ob Punkt im Schnittvolumen liegt, also im Torus UND im Kegel (relativ einfach zu machen!) - Anzahl der Punkte im Schnittvolumen zählen Verhältnis zur Gesamtzahl der Versuche entspricht dem Verhältnis des gesuchten Volumens zum Quader-Volumen schon fertig! Recht geringe intellektuelle Anstrengung, die Arbeit macht der Rechner! Nachteil: die Methode hat einen statistischen Fehler, berechenbar aus Binomialveterteilung P(N; n): Genauigkeit steigt mit N Methode ist ohne viel Aufwand auch auf mehr als drei Raumdimensionen zu erweitern, statistischer Fehler hängt nach wie vor nur von N ab - bei anderen Integrationsverfahren steigt die Anzahl der notwendigen Rechenschritte exponentiell mit der Zahl der Dimensionen!
11 MC ist eine Integrationsmethode Berechnung von Integralen: Verwende N gleichverteilte Zufallszahlen xi [a,b], Erwartungswert Mittelwert Insgesamt also mit statistischem Fehler Funktioniert auch in mehreren Dimensionen; Fehler bleibt dabei gleich!
12 Vergleich Trapez-Verfahren Integration durch Summation über Funktionswerte in Intervallen der Länge h = (b a)/n in einer Dimension: h ~ 1 / n Fehler von IT (durch Taylor-Entwicklung) wird kleiner mit h² ~ 1/n² in d Dimensionen: bei n Punkten nur Stützstellen pro Dimension Fehler von IT wird dann kleiner mit ab d=4 ist MC effizienter
13 Beispiele 3 Aus Thermodynamik/Chemie: Zwei Sorten von Molekülen in einem Behälter bei einer bestimmten Temperatur stoßen miteinander und erzeugen neue Moleküle, wenn die Schwerpunktsenergie ausreicht. Gesucht ist die Zusammensetzung des Gases als Funktion der Zeit. Bei begrenzter Anzahl von Teilchen können Teilchenbahnen, Stöße und Umwandlungen verfolgt werden; durch Abzählen der Molekülsorten erhält man das Ergebnis. Aus der Physik: Messung der Lebensdauer von Teilchen mit Digitaluhr bei bestimmter Genauigkeit und Maximalzeit - zufällige Lebensdauer eines Teilchens aus Zerfallsgesetz (Exponentialverteilung) - zufälligen Messfehler addieren simulierter Messwert - Messwerte innerhalb der Maximalzeit akzeptieren Prozedur N-mal wiederholen Aus dem Mittelwert der erhaltenen Messwerte und Vergleich mit der wahren Lebensdauer erhält man eine Korrektur der durch das Messverfahren verfälschten Messwerte.
14 Simulierte Daten Zufallskomponente z bei der Gewinnung empirischer Daten ebenfalls mit Zufallszahlen modellierbar: gemessener Wert wahrer Wert m = w + z zufälliger Beitrag Funktion (=Modell) des wahren Wertes, y = f(x), und Modellierung der Messwerte mit MC: my = f( wx + zx ) + zy zx und zy entsprechen den Unsicherheiten der Messgrößen x und y
15 Beispiel: Messdaten mit funktionalem Zusammenhang import numpy as np import matplotlib.pyplot as plt Auszug aus Script Generate_Data.py def model(x, a=1., b=0.5): return a*x+b # model parameters, slope = 1. yintercept = 0.5 my = f( wx + zx ) + zy y # number of data points and range npoints=10 xmin, xmax = 1., 10. xm=np.linspace(xmin,xmax,npoints) # set measurement errors yerr = 0.5 Dy=yerr*np.random.randn(npoints) xerr =0. Dx=xerr*np.random.randn(npoints) # calculate simulated data points ym=model(xm + Dx) + Dy # print simulated data print "\n x y " for i in range(0,npoints): print " ", xm[i],ym[i] x s. a. Musterlösung zu Aufg. 2.3
16 Beispiel: Detektorsimulation Simulation der Zahl der Elektronen in der letzten Stufe einer Sekundärelektronenvervielfacher-Röhre (Photomultiplier) Zahl der an einer Dynode von einem auftreffenden Elektron ausgelösten Sekundärelektronen folgt einer Poisson-Verteilung elektronisches Signal ~Zahl der Elektronen an der Anode hoher Rechenaufwand bei sehr großer Anzahl von Teilchen Parametrisierung In Prinzip ähnlich, aber ungleich aufwändiger: Simulation von Ereignissen in Teilchendetektoren
17 Beispiel: Faltungsintegral Grundsätzlich ist die MC-Methode ein Integrationsverfahren, bei der Simulation von Messwerten die Auswertung eines Faltungsintegrals : statt eines wahren Werts x wird ein durch Auflösungseffekte t(x',x) verschmierter Wert x' gemessen: Im Beispiel Lebensdauermessung ist f(x) die Verteilung der wahren Lebensdauern, t(x,x') beschreibt die Auflösung und Systematik des Messapparates. Bei der MC-Simulation werden zufällige Störungen der Reihe nach aufaddiert. Vorteil: einfach zu berechnende Summe von Zufallsvariablen entspricht einer Serie von komplizierten Faltungsintegralen In der Praxis werden Messwerte in der Regel von einer großen Zahl von Effekten verfälscht (Auflösung des Messgerätes, Rauschen, Digitalisierung, systematische Effekte usw.), d.h. die zu bestimmenden Faltungsintegrale sind hoch-dimensional.
18 Erzeugung gleichverteilter (Pseudo-)Zufallszahlen
19 Zufallszahlen aus dem Computer Auf Computern (hoffentlich) nur deterministische Zahlenfolgen => auf Rechnern werden Pseudo-Zufallszahlen verwendet Anforderungen: zufällig verteilt mit langer Periode k(l)eine Korrelation zwischen aufeinanderfolgenen Werten Erzeugung muss schnell sein Reproduzierbarkeit solcher Zahlenfolgen oft erwünscht (nicht bei Spielen ) Einfacher Zufallszahlengenerator basiert auf Xn+1 = (a xn) mod 2k d. h. die letzten k bits (Bit-weises AND mit 2k-1) Allgemeiner (und besser): Xn+1 = (a xn +c ) mod m, ri= xi/m 0,1[ Linear Congruent Generator LCG m 0<a<m 0<c<m 0 x0<m Modulus Multiplikator Inkrement Startwert oder Seed Peridodenlänge ist höchstens m, im ungünstigen Fall viel kleiner a und c müssen geeignet gewählt werden!!!! Es gibt eine Vielzahl von Algorithmen und Implementierungen TIPP: professionellen Zufallszahlen-Generator aus Standard-Bibliothek verwenden
20 es kann auch schief gehen. Sind die Zufallszahlen gut? - innerhalb der Folge zufällig verteilt? Differenzen von Zufallszahlen anschauen - gibt es Korrelationen zwischen aufeinander folgenden Zahlen? Betrachte Paare, Triplets, n-tuples von benachbarten Zahlen, einfache Kontrolle durch Auftragen als n-dim Histogramm, auf Muster achten! s. Beispiel myrand.c Nur auf den ersten Blick ok Bei genauerem Hinsehen (Drehen) liegen alle ri auf Flächen im 3-dimensionalen Raum damit könnte man kein Kugelvolumen integrieren! Allgemein gilt ( siehe z.b. Brandt, Datenanalyse): N-Tuples von so erzeugten Zufallszahlen liegen auf Hyperebenen im n-dim Raum mit Ebenenabstand d ( ungefähr ) m -1/n Im obigen Beispiel wird die theoretische Grenze aber weit unterschritten!
21 Beispiel LCG: Um Zahlen zwischen 0 und 1 zu erhalten tansformiere: NB: as implemented in ROOT::TRandom::Rndm(). Es gibt aber noch bessere Generatoren mit (garantiert) längerer Periode z.b. Mersenne-Twister : (verfügbar in ROOT und und Standard in python) Periode:. Korrelation zwischen n-ten Nachbarn <10% bis n=25
22 Erzeugung von Zufallszahlen Mersenne-Twister Algorithmus - basiert auf Mersenne-Primzahlen (d.h. Zweierpotenz -1) - extrem lange Periode - gute Gleichverteilung bis zu 623 Dimensionen (bewiesen) - Zustand beschreiben durch Integer-Zahlen (32 bit), die aus Saat mit einfachem linear-kongruenten Generator initialsiert werden - hinreichend schnell ==> Mersenne-Twister ist Pseudo-Zufallszahlengenerator der Wahl Vorhanden in GNU Scientific Library, Standard-Generator in pyhton, in Root: Klasse TRandom3
23 Qualität von Zufallszahlen wirklich zufällige Zufallszahlen sind auch das Herz einer jeden Verschlüsselungstechnik es gibt eine täglich wachsende Zahl neuer Generatoren, Algorithmen und Verfahren, bis hin zu physikalischen Quantensystemen Testverfahren, um Schwächen oder absichtliche Manipulation (ja, auch die gibt es) aufzudecken Testverfahren (kleine Auswahl): Trivialer Test: Histogramm der Zufallszahlen und Anpassung Summe der Abstandsquadrate χ2 sollte nahe 1 / d.o.f sein Moderne, fortgeschrittene Tests: G.Marsaglia, DieHard Battery of Tests of Randomness (1995) 15 verschiedene Tests P.L Ecuyer und R.Simard: TestU01 (2007) Small Crush (10 Tests), Crush (96 Tests), Big Crush (106 Tests) Es gibt Generatoren, die TestU01 überstehen Mersenne-Twister erfüllt nicht alle Tests der Big Crush Suite, gilt inzwischen als kryptographisch unsicher, da vorhersagbar Diese Einschränkungen für MT sind für unsere (wissenschaftlichen) Zwecke nicht relevant.
24 Quasi-Zufallszahlen Eine gleichmäßigere Abdeckung eines n-dimensionalen Raumes als mit Pseudo-Zufallszahlen lässt sich mit Quasi -Zufallszahlen erreichen Spezielle Sequenz von ntupeln: neue Punkte fallen immer zwischen die vorherigen Punkte Pseudozufallszahlen klumpen Quasi-Zufallszahlen decken Fläche gut ab MersenneTwister SobolSequenz - in 2-14 Dimensionen überlegen (Konvergenz ~ n-1) - Dimensionalität nachträglich nicht veränderbar - Sequenz muss bei Erhöhung der Genauigkeit an gleicher Stelle fortgesetzt werden Nur zur Integration geeignet!
25 (fast) Beliebig verteilte (Pseudo-)Zufallszahlen
26 Funktionen von Zufallszahlen Computerexperiment: Häufigkeitsverteilung von... r = np.random.rand(10000) t = -np.log(1-r) plt.hist(t, 30, normed=1) plt.show() Wir erhalten exponentiell verteilte Zufallszahlen t! Erklärung: Erhalt der Wahrscheinlichkeit Regel für die Transformation von Verteilungsdichten Anm.: t=log(r) statt t=log(1-r) ergibt identisches Ergebnis (warum?)
27 Funktionen von Zufallszahlen allgemein Wahrscheinlichkeitsdichte von x multipliziert mit dem Betrag der Ableitung der Inversen Funktion a-1(u) Für mehrdimensionale Wahrscheinlichkeitsdichten wird zur Jacobi-Determinante: Ganz analog zur Transformation von Volumenelementen bei mehrdimensionalen Integralen
28 Transformationsmethode zur Erzeugung von Zufallszahlen Den Zusammenhang zwischen der ursprünglichen Verteilungsdichte f(r) und derjenigen einer Transformation t(r) können wir ausnutzen, um beliebig verteilte Zufallszahlen zu erzeugen: Welche Transformation t(r) liefert g(t)? Die gesuchte Transformation ist die Inverse der Verteilungsfunktion G von g Anm: Das Verfahren ist nur dann (effizient) praktikabel, wenn die gesuchte Verteilungsdichte integrierbar und das Integral invertierbar ist!
29 Beispiele Transformationsmethode Dreieck-Verteilung Exponentialverteilung Breit-Wigner-Verteilung Log-Weibull -Verteilung Paar von Gauß-verteilten Zahlen Anm.: 1-r kann durch r ersetzt werden
30 Erzeugung diskreter Verteilungen Das gezeigte Verfahren funktioniert auch für diskrete Verteilungen Beispiel Poisson-Verteilung Durch Summation aller Bins der diskreten Verteilung erhält man die Verteilungsfunktion, repräsentiert als eindimensionales Feld S(j) Eine Zufallszahl ri wird demjenigen Bin j zugeordnet, das dem kleinsten der S(j) mit ri >S(j) entspricht
31 Verteilungen aus Histogrammen Dieses Verfahren funktioniert auch zur Erzeugung von Zufallszahlen, die gemäß einer empirischen Verteilung aus einem Histogramm verteilt sind - ri bestimmt das Bin j; - der Rest ri-s(j-1) kann zur Interpolation innerhalb des Bins verwendet werden Auch zwei-dimensionale Verteilungen möglich: bilde Randverteilungen gi = hij j generiere zunächst i und dann für gegebenes i eine Bin-Nummer j (benötigt für jedes i die Summenverteilung über j)
32 von Neumann'sches Rückweisungsverfahren Ein allgemein anwendbares, aber nicht immer effizientes Verfahren geht so: Beispiel: Kreisbogen als Verteilungsdichte f(x) y=f(x) xmax x xmin - Verteilungsdichte wird in Rechteck ( Box ) eingeschlossen - erzeuge gleichförmig in der Box verteilte Paare von Zufallszahlen (xi, yi) - x-werte aus Paaren mit y < f(x) werden akzeptiert ( mit einer Wahrscheinlichkeit f(x) / fmax ) Die Häufigkeitsverteilung der akzeptierten x-werte folgt der gewünschten Verteilung Anm: Im gezeigten Beispiel funktioniert das Verfahren effizient; Wenn die Verteilung steil abfällt und Werte für x benötigt werden, kann die Zahl der verworfenen Zufallszahlen unakzeptabel groß werden.
33 Anwendungsbeispiel: 2d-Verteilung aus Bild Auch aus Histogrammen lassen sich Stichproben erzeugen, die gemäß der vorgegebenen Häufigkeit verteilt sind. Hier ein Beispiel, bei dem die Wahrscheinlichkeit der Helligkeit eines Pixels in einem Bild entspricht:... #open an image img=image.open('image.jpeg') # img.show() print "image size:", img.size[0], img.size[1] pix=img.load() def rand_fromimage(): # return pixel coordinate with a probability # proportional to brightness of the pixel r0=np.random.uniform() r1=np.random.uniform() i=int(img.size[0] * r0-0.5) j=img.size[1] -1 int(img.size[1] * r1-0.5) r,g,b = pix[i,j] # brightness of pixel if(3*255*np.random.uniform() > r+b+g): return r0, r1... Rückweisungs-Schritt Script Distribution-fromImage.py
34 Majoranten-Verfahren (engl. Importance Sampling) Verbesserte Wegwerfmethode: Wenn eine Funktion m(x) mit m(x) > f(x) für alle x existiert und x=m-1(r) hinreichend leicht bestimmbar ist (d.h.stammfunktion von m ist invertierbar) -1 generiere xi=m (r2i) und eine weitere Zufallszahl r2i+1 [0,1] akzeptiere xi, wenn r2i+1 m(x) < f(x) ist (für jeden Wert von x wird ein Bruchteil (m(x) -f(x) ) / f(x) an x-werten verworfen) Die akzeptierten Werte von x sind gemäß f(x) verteilt. Beispiel: mit Hilfe von zwei Majoranten kann ein Planck'sches Strahlungsspektrum effizient erzeugt werden.
35 Beispiel Gauß-Verteilung Problem: exp(-x2) dx nur numerisch bestimmbar ( in C, C++ über die Funktion verfügbar) Gauß-Funktion in 2 Dimensionen in Polarkoordinaten analytisch integrierbar: Gleichverteiung in Φ, Radialverteilung integrierbar mit r dr = ½ dr2 Verteilungsfunktion des Radialteils lässt sich nach r auflösen d.h. können Transformationsmethode anwenden! => Erzeuge zwei gleichverteilte Zufallszahlen u1, u2 ]0,1], setze x1= (-2ln u1) cos(2π u2) x2= (-2ln u1) sin(2π u2), x1 und x2 sind standardnormalverteilt
36 Effizienteres Verfahren (s. V. Blobel) (Beispiel für die Kombination aus Transformations- und Rückweisungsverfahren) Trigonometrische Funktionen sind numerisch aufwändig, ein etwas effizienteres Verfahren geht so: 1. erzeuge zwei gleichverteilte Zufallszahlen u1, u2 0,1[ setze v1:= 2u1-1, v2 := 2u v2=v12 + v22 3. falls v2 1 gehe zu 1 (Rückweisungsschritt) (akzeptierte Werte von v1, v2 gleichverteilt innerhalb des Einheitskreises) 4. z1= v1 (-2 ln(v2) /v2 ) z2= v2 (-2 ln(v2) / v2 ) z1 und z2 sind dann unabhängig voneinander standard-normalverteilt Normalverteilte Zufallszahlen mit Erwartungwert μ und Standardabweichung σ erhält man durch die Transformation x = σ z + μ
37 Erzeugung korrelierter, Gauß-verteilter Zufallszahlen Gaußverteilung in n Dimensionen: x0: V: n Erwartungswerte Kovarianz-Matrix mit (n2+n)/2 unabhängigen Parametern V =det V ist die Determinante von V Sei B = V-1, schreibe B als Produkt aus Dreiecksmatrizen: B = DT D ( Cholesky-Zerlegung ) Setzte dann => Das ist die Verteilung von n unkorrelierten, Gauß-verteilten Zufallszahlen u Damit ist die Vorgehensweise klar: 1. würfle n unabhängige Gauß-verteilte Zufallszahlen u 2. transformiere Vektor u:
38 Korrelierte Gauß-verteilte Zufallszahlen in 2 Dimensionen Daraus ergibt sich für die Erzeugung von zwei korrelierten Zufallszahlen x1, x2 mit - Erwartungswerten μ1, μ2 - Standardabweichungen σ1, σ2 und - Korrelation ρ Details s. z.b. Blobel / Lohrmann Darstellung eines 2d-Histogramms, gefüllt mit 75% korrelierten, standard-normalverteilten Zufallszahlen ( s. Beispiel rangauss2d.c bzw. rangauss2d-pyroot.py )
39 Zufallszahlen per Software
40 Zufallszahlen in python Das Paket numpy.random stellt zahlreiche Verteilungsdichten zur Verfügung, hier eine Auswahl: binomial(n, p[, size]) chisquare(df[, size]) exponential([scale, size]) lognormal([mean, sigma, size]) multinomial(n, pvals[, size]) multivariate_normal(mean, cov[, size]) normal([loc, scale, size]) poisson([lam, size]) power(a[, size]) standard_cauchy([size]) standard_exponential([size]) standard_normal([size]) standard_t(df[, size]) triangular(left, mode, right[, size]) uniform([low, high, size])
41 Zufallszahlen in Root Root-Klasse TRandom zur Erzeugung von Zufallszahlen einfacher, linear kongruenter Generator mit Periodenlänge 109 schnell niedrigste Bits nicht unkorreliert! Daher nicht in statistischen Studien verwenden! Statt dessen TRandom1 ( RANLUX-Algorithmus, Periodenlänge ~10171, langsam) TRandom2 ( Periodenlänge ~1025, schnell) TRandom3 ( Mersenne-Twister Alg., Periodenlänge ~10600, akzeptabel schnell) verwenden! Methoden liefern Zufallszahlen gemäß Exp(tau) Integer(imax) Gaus(mean,sigma) Rndm() Uniform(x1) Landau(mpv,sigma) Poisson(mean) Binomial(ntot,prob) und viele mehr
42 Zufallszahlen in Root (2) Methode SetSeed(UInt_t seed=0) zur Initialisierung seed=0: Systemuhr zur Initialisierung (jede Zahlenfolge anders) seed!=0: feste Zahlenfolge, abhängig vom Wert von seed Globaler Zeiger TRandom *grandom in Root initialisiert Sehr nützlich, um immer die gleiche Folge von Zufallszahlen innherhalb eines Root-Programms zu verwenden. // TRandom durch TRandom3 ersetzen delete grandom; grandom = new TRandom3(seed); Man kann auch auch einen eigenen (lokalen) Generator initialisieren: TRandom3 *myrandom=new TRandom3(seed);
43 Zufallszahlen in Root (2) Root-Klassen enthalten bequeme Möglichkeit, Zufallszahlen zu erzeugen, die gemäß einer FunktionTF1, TF2 oder einem Histogramm TH1, TH2 verteilt sind: Methoden GetRandom() für TH1, TF1 GetRandom2() für TH2, TF2 GetRandom3() für TH3, TF2 Achtung: für Funktionen TFi werden die Zufallszahlen ebenfalls über Histogramme mit einer Anzahl von Punkten fnpx erzeugt.
44 Zusammenfassung: Bedeutung der MC-Methode Die Monte-Carlo-Methode (auch MC-Simulation ) - abgeleitet vom Namen der durch ihr Spielkasino berühmten Stadt Monte Carlo - ist eine auf (Pseudo-)Zufallszahlen basierende numerische Methode zur Integration in hochdimensionalen Räumen Bestimmung der Eigenschaften von Verteilungen von Zufallszahlen (z.b. von Messgrößen in Experimenten) Nachbildung von komplexen Prozessen (z.b. in Thermodynamik, Wirtschaft oder von experimentellen Apparaturen, u.v.a.) Grundsätzliche Vorgehensweise: I. II. Erzeuge Folge von Zufallszahlen r1, r2,, rm, gleichverteilt in ]0,1]. Transformiere diese zur Erzeugung einer anderen Sequenz x1, x2,, xn, die einer Verteilungsdichte f(x) folgen (Anm.: xi können auch Vektoren sein!) III. Aus den xi werden dann Eigenschaften von f(x) bestimmt Vorteil: einfache Operationen mit den xi ersetzen sehr viel komplexere Operationen auf den Verteilungsdichten
45
Simulierte Daten: die Monte Carlo - Methode
Vorlesung: Computergestützte Datenauswertung Simulierte Daten: die Monte Carlo - Methode Günter Quast Fakultät für Physik Institut für Experimentelle Kernphysik KIT Die Forschungsuniversität in der Helmholtz-Gemeinschaft
Simulation mit der Monte Carlo-Methode
Vorlesung: Rechnernutzung in der Physik Simulation mit der Monte Carlo-Methode Günter Quast Fakultät für Physik Institut für Experimentelle Teilchenphysik KIT Die Forschungsuniversität in der Helmholtz-Gemeinschaft
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
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 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
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
Mehrdimensionale Verteilungen und Korrelation
Vorlesung: Computergestützte Datenauswertung Mehrdimensionale Verteilungen und Korrelation Günter Quast Fakultät für Physik Institut für Experimentelle Kernphysik SS '17 KIT Die Forschungsuniversität in
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
Vorlesung: Computergestützte Datenauswertung Einige (wichtige) Verteilungen
Vorlesung: Computergestützte Datenauswertung Einige (wichtige) Verteilungen Günter Quast Fakultät für Physik Institut für Experimentelle Kernphysik KIT Die Forschungsuniversität in der Helmholtz-Gemeinschaft
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
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
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,
Monte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt
Monte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt Stefan Wunsch 31. Mai 014 Inhaltsverzeichnis Inhaltsverzeichnis 1 Was sind Monte Carlo Simulationen? 3 Zufallszahlen 3
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
Programmiertechnik II
Zufallszahlen Motivation Simulation Frisörbeispiel Stichprobenauswahl Telefonumfragen Numerische Algorithmen naives Beispiel: Berechnung von Pi Automatisiertes Testen Beispiel aus Übungsaufgabe "Faire"
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
Modellbildung 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:
Inhaltsverzeichnis. 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
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 1.1 Typische Aufgaben der Datenanalyse 1 1.2 Zum Aufbau dieses Buches 2 1.3 Zu den Programmen
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
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
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
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
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
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
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
Datenanalyse 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
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
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
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
Statistics, 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
Anpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood
Anpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood Hauptseminar - Methoden der experimentellen Teilchenphysik WS 2011/2012 Fabian Hoffmann 2. Dezember 2011 Inhaltsverzeichnis 1 Einleitung
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........................
Pseudozufallsgeneratoren
Pseudozufallsgeneratoren In welchen kryptographischen Verfahren werden keine Zufallszahlen benötigt? Wie generiert man Zufallszahlen in einer deterministischen Maschine wie dem Computer? Wenn man eine
Operations 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
Zufallszahlen. Diskrete Simulation. Zufallszahlengeneratoren - Zufallszahlen
Zufallszahlen Zufallszahlengeneratoren Transformation von Zufallszahlen Test von Zufallszahlengeneratoren Otto-von-Guericke-Universität Magdeburg Thomas Schulze Zufallszahlengeneratoren - Zufallszahlen
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
7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
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
Grundlagen der Monte-Carlo-Methode
Probieren geht über studieren Institut für experimentelle Kernphysik Karlsruher Institut für Technologie 16. November 2009 Übersicht Definitionen und Motivation 1 Definitionen und Motivation Typische Problemstellung
Statistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
Zufallszahlen 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
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............................
Wahrscheinlichkeitsrechnung 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
Statistische Software (R)
Statistische Software (R) Paul Fink, M.Sc., Eva Endres, M.Sc. Institut für Statistik Ludwig-Maximilians-Universität München Verteilungen und Zufallszahlen Übersicht Statistik-Funktionen Funktion mean()
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
Biostatistik, 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
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
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
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,
Dynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
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
Theorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
Statistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Stetige und diskrete Wahrscheinlichkeitsverteilungen Lageparameter Streuungsparameter Diskrete und stetige Zufallsvariablen Eine Variable (oder Merkmal
Die 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 +... +
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
1. 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
Einführung in die Fehlerrechnung und Messdatenauswertung
Grundpraktikum der Physik Einführung in die Fehlerrechnung und Messdatenauswertung Wolfgang Limmer Institut für Halbleiterphysik 1 Fehlerrechnung 1.1 Motivation Bei einem Experiment soll der Wert einer
Wahrscheinlichkeiten. Verteilungen
Wahrscheinlichkeiten. Verteilungen 2 2.1 Wahrscheinlichkeitsrechnung Das Ergebnis eines mit Zufälligkeit behafteten Versuchs nennen wir ein Ereignis. Beim Wurf einer Münze sind zwei Ereignisse möglich.
Wahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
Copula Funktionen. Eine Einführung. Nils Friewald
Copula Funktionen Eine Einführung Nils Friewald Institut für Managementwissenschaften Abteilung Finanzwirtschaft und Controlling Favoritenstraße 9-11, 1040 Wien friewald@imw.tuwien.ac.at 13. Juni 2005
Fit 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
Reelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
Introduction to Python. Introduction. First Steps in Python. pseudo random numbers. May 2016
to to May 2016 to What is Programming? All computers are stupid. All computers are deterministic. You have to tell the computer what to do. You can tell the computer in any (programming) language) you
Die Monte-Carlo-Methode mit Pseudo- und Quasi-Zufallszahlen
Die Monte-Carlo-Methode mit Pseudo- und Quasi-Zufallszahlen Marco A. Harrendorf Hauptseminar Methoden der experimentellen Teilchenphysik WS 2011/2012 Karlsruhe Institut für Technologie (KIT) 25.11.2011
das ROOT-Framework Datenanaufnahme, Speicherung, Visualisierung & Analyse
das ROOT-Framework Datenanaufnahme, Speicherung, Visualisierung & Analyse Open-Source framework zur Datenanalyse (C++-Klassenbobliothek). Entwickelt hauptsätzlich am CERN, Standardwerkzeug in der Teilchenphysik.
Stichwortverzeichnis. Chi-Quadrat-Verteilung 183, 186, 189, 202 ff., 207 ff., 211 Testen von Zufallszahlen 294 Cărtărescu, Mircea 319
Stichwortverzeichnis A Ableitung partielle 230 absolute Häufigkeit 47 Abweichungen systematische 38, 216, 219 zufällige 216, 218, 220, 222 Algorithmus average case 303 Las Vegas 300 Monte Carlo 300 randomisierter
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
Monte Carlo Simulationen
Monte Carlo Simulationen Zahlreiche Vorgänge in der Natur werden durch stochastische Prozesse bestimmt. Beispiele: Diffusion Spin-Spin-Wechselwirkung (Magnetisierung eines Ferromagneten, Ising-Modell)
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
Physikalisches 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
4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
Übung zu Empirische Ökonomie für Fortgeschrittene SS 2009
Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte
Beispiellösung zu Aufgabe 10.3c)
Beispiellösung zu In waren mittels zweier verschiedener Verfahren standardnormalverteilte Zufallsvariablen jeweils 100.000 mal zu simulieren. Methode aus 5.3b) (Inversionsmethode): Es wird eine gleichverteilte
Einführung Fehlerrechnung
Einführung Fehlerrechnung Bei jeder Messung, ob Einzelmessung oder Messreihe, muss eine Aussage über die Güte ( Wie groß ist der Fehler? ) des Messergebnisses gemacht werden. Mögliche Fehlerarten 1. Systematische
Gegenbeispiele in der Wahrscheinlichkeitstheorie
Gegenbeispiele in der Wahrscheinlichkeitstheorie Mathias Schaefer Universität Ulm 26. November 212 1 / 38 Übersicht 1 Normalverteilung Definition Eigenschaften Gegenbeispiele 2 Momentenproblem Definition
Monte-Carlo-Verfahren nach GUM Supplement 1. Gerd Wübbeler Physikalisch-Technische Bundesanstalt
Monte-Carlo-Verfahren nach GUM Supplement 1 Gerd Wübbeler Physikalisch-Technische Bundesanstalt 1 Inhalt Wahrscheinlichkeitsverteilungen Monte-Carlo Verfahren Beispiele Adaptive Monte-Carlo Verfahren Warum
Varianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
UE 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
7.2 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
1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
Informationssicherheit 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
Der Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ),
2.5 Parameter einer Verteilung 2.5. Erwartungswert X eine Zufallsvariable, g : R R stetig. Der Erwartungswert E[g(X)] von g(x) ist definiert durch: E[g(X)] := k g(x k )w(x = x k ), falls X diskret ist
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
K8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
1 Messfehler. 1.1 Systematischer Fehler. 1.2 Statistische Fehler
1 Messfehler Jede Messung ist ungenau, hat einen Fehler. Wenn Sie zum Beispiel die Schwingungsdauer eines Pendels messen, werden Sie - trotz gleicher experimenteller Anordnungen - unterschiedliche Messwerte
Was ist Physik? Modell der Natur universell es war schon immer so
Was ist Physik? Modell der Natur universell es war schon immer so Kultur Aus was sind wir gemacht? Ursprung und Aufbau der Materie Von wo/was kommen wir? Ursprung und Aufbau von Raum und Zeit Wirtschaft
Monte-Carlo- Simulation. Seminar zur Vorlesung Teilchendetektoren und Experiment an ELSA
Monte-Carlo- Simulation Seminar zur Vorlesung Teilchendetektoren und Experiment an ELSA Übersicht Einleitung Simulation mit Geant4 generierte Daten Zusammenfassung 2 Simulation Mathematische Modellierung
Statistics, Data Analysis, and Simulation SS 2017
Mainz, 8. Mai 2017 Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
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
Wahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
Beispiel 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
Anfänger-Praktikum I WS 11/12. Michael Seidling Timo Raab Enrico Mank. Praktikumsbericht: Galton-Brett
Anfänger-Praktikum I WS 11/12 Michael Seidling Timo Raab Enrico Mank Praktikumsbericht: Galton-Brett Inhaltsverzeichnis Inhaltsverzeichnis I. Theoretische Grundlagen 2 1. Zentraler Grenzwertsatz 2 2. Binomialverteilung
Mathematik für Informatiker III im WS 05/06 Musterlösung zur 4. Übung
Mathematik für Informatiker III im WS 5/6 Musterlösung zur. Übung erstellt von K. Kriegel Aufgabe : Wir betrachten den Wahrscheinlichkeitsraum der Punkte P =(a, b) aus dem Einheitsquadrat [, ] [, ] mit
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
Der 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
Schätzung von Parametern
Schätzung von Parametern Schätzung von Parametern Quantitative Wissenschaft: Messung von Parametern Gemessene Werte weichen durch (statistische und systematische) Messfehler vom wahren Wert des Parameters
Mathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 3/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge