Monte-Carlo-Methode. mit Pseudo- und Quasizufallszahlen
|
|
- Ella Grosser
- vor 6 Jahren
- Abrufe
Transkript
1
2 Gott würfelt nicht
3 Monte-Carlo-Methode mit Pseudo- und Quasizufallszahlen
4 Inhaltsverzeichnis Pseudo- und Quasizufallszahlen Monte-Carlo- Monte-Carlo-
5
6 Monte-Carlo-Methode Bekannt nach Stadt Monte Carlo (wegen Casino) verwendet Prinzipien der Wahrscheinlichkeitsrechnung und Statistik benutzt Methode der statistischen Versuche Fähigkeit, komplexe Probleme näherungsweise zu lösen Schwierigkeitsgrad relativ gering Fähigkeiten: numerische Lösung von Problemen (Integrale, DGL, usw.) deterministisch von Systemen mit Unsicherheiten stochastisch Einsatzgebiete: Teilchenphysik Astrophysik Risikomanagement...
7
8 Pseudozufallszahlen ϵ [0,1] zufällig durch Computer erzeugt linear kongruenter Generator: Bsp: 7 mod 2 = 1 weil: 7/2=3 Rest 1 I j = a I j 1 c mod m a, c, m ϵ ℤ Zufallszahl x j durch: x j =I j /m benötigt 3 ganzzahlige Konstanten: z. B. m=231 1, c=0, a=16807 und eine Saat: I 0 (Park Miller Generator)
9 Pseudozufallszahlen
10
11
12 Quasizufallszahlen gleichförmig verteilte zahlentheoretische Punktfolgen nicht mehr unabhängig systematisch konstruiert Richtmyer-Generator: k-te Koordinate des i-ten Punkts: x ik = i p k mod 1 mit p k : k-te Primzahl n Zufallsgeneratoren der n Dimensionen voneinander unabhängig
13 Quasizufallszahlen
14 Beispiel: Berechnung von Pi erzeuge N tot Punkte mittels zwei Pseudozufallszahlen x 1 und x 2 ϵ [0,1] Zähle Punkte N ac innerhalb von Kreis (Radius 1) x 1 x Pi erhält man dann aus: N ac pi=4 N tot
15 pi=3,13 vgl. =3,14
16 Gitter, Pseudozufallszahlen oder Quasizufallszahlen? Pseudozufallszahlen Entscheidung durch Fehlerabschätzung: Koksma-Hlawka-Ungleichung für sfehler = Q N f If V f D P N Diskrepanz (Maß für Ungleichverteilung)
17 Gitter, Pseudozufallszahlen oder Quasizufallszahlen? Diskrepanz n N vol J klein für alle J
18 Gitter, Pseudozufallszahlen oder Quasizufallszahlen? Für Dimensionen s 20 : Quasizufallszahlen bessere Diskrepanz als Pseudozufallszahlen Für Dimensionen s 10 : Kleinere Diskrepanz kleinerer Fehler Vorteil von Quasizufallszahlen mit größeren s kleine N: Gitter so genau wie Quasizufallszahlen große N (ca. 2000): Gitter schlechtere Ergebnisse als Quasizufallszahlen Für s 4 : Gitter schlechter als Pseudozufallszahlen weiterer Nachteil von Gitter: Keine kontinuierliche Steigerung von N
19
20 benötigt bei und gegeben: Homogen gesucht:, die einer Wahrscheinlichkeitsdichte folgen
21 Wegwerfmethode (von Neumann's Acceptance-Rejection Method) Wahrscheinlichkeitsdichte f(x) Eingrenzung (Box zwischen x1, x2 und fmax) generiere Zufallszahl ϵ [x1,x2] generiere zweite Zufallszahl u ϵ [0,fmax] für u<f(x) wird x akzeptiert, ansonsten verworfen wiederhole Vorgang
22 Wegwerfmethode (von Neumann's Acceptance-Rejection Method) Wahrscheinlichkeitsdichte f(x) Eingrenzung (Box zwischen x1, x2 und fmax) generiere Zufallszahl ϵ [x1,x2] generiere zweite Zufallszahl u ϵ [0,fmax] für u<f(x) wird x akzeptiert, ansonsten verworfen wiederhole Vorgang
23 Wegwerfmethode (von Neumann's Acceptance-Rejection Method) Wahrscheinlichkeitsdichte f(x) Eingrenzung (Box zwischen x1, x2 und fmax) generiere Zufallszahl ϵ [x1,x2] generiere zweite Zufallszahl u ϵ [0,fmax] für u<f(x) wird x akzeptiert, ansonsten verworfen wiederhole Vorgang
24 Wegwerfmethode (von Neumann's Acceptance-Rejection Method) Wahrscheinlichkeitsdichte f(x) Eingrenzung (Box zwischen x1, x2 und fmax) generiere Zufallszahl ϵ [x1,x2] generiere zweite Zufallszahl u ϵ [0,fmax] für u<f(x) wird x akzeptiert, ansonsten verworfen wiederhole Vorgang
25 Wegwerfmethode (von Neumann's Acceptance-Rejection Method) Wahrscheinlichkeitsdichte f(x) Eingrenzung (Box zwischen x1, x2 und fmax) generiere Zufallszahl ϵ [x1,x2] generiere zweite Zufallszahl u ϵ [0,fmax] für u<f(x) wird x akzeptiert, ansonsten verworfen wiederhole Vorgang
26 Wegwerfmethode (von Neumann's Acceptance-Rejection Method) Wahrscheinlichkeitsdichte f(x) Eingrenzung (Box zwischen x1, x2 und fmax) generiere Zufallszahl ϵ [x1,x2] generiere zweite Zufallszahl u ϵ [0,fmax] für u<f(x) wird x akzeptiert, ansonsten verworfen wiederhole Vorgang
27 Wegwerfmethode (von Neumann's Acceptance-Rejection Method) Wahrscheinlichkeitsdichte f(x) Eingrenzung (Box zwischen x1, x2 und fmax) generiere Zufallszahl ϵ [x1,x2] generiere zweite Zufallszahl u ϵ [0,fmax] für u<f(x) wird x akzeptiert, ansonsten verworfen wiederhole Vorgang
28 Wegwerfmethode (von Neumann's Acceptance-Rejection Method) Wahrscheinlichkeitsdichte f(x) Eingrenzung (Box zwischen x1, x2 und fmax) generiere Zufallszahl ϵ [x1,x2] generiere zweite Zufallszahl u ϵ [0,fmax] für u<f(x) wird x akzeptiert, ansonsten verworfen wiederhole Vorgang
29
30
31 Variablentransformation gegeben: Wahrscheinlichkeitsdichte f(x) u ϵ [0,1] mit g(u)=const. Methode: Transformiere u x: u x u g u ' du ' = f x ' dx ' u= F x u 1 F u = x u
32 Variablentransformation F 1 u = x u
33 Variablentransformation 1 F u = x u x Bsp: f x =e 1 x F x = 0 dx ' e x ' = e x 1 F u = ln 1 u = x u
34 Majorantenmethode (importance sampling) Kombination: Wegwerfmethode und Variablentransformation wähle m x f x alle x generiere, die m(x) folgen (Variablentransformation) generiere pro Zufallszahl x eine Zufallszahl u ϵ [0,m(x)] verwerfe mit u>f(x)
35 Majorantenmethode (importance sampling) Bsp: Planck-Verteilung
36 Majorantenmethode (importance sampling) Bsp: Planck-Verteilung
37 Monte-Carlo-
38 Monte-Carlo- xb I = x y x ' dx ' a mit y x ' 0 kann auf mehrere Dimensionen verallgemeinert werden
39 Primitive Wegwerfmethode erzeuge 2D- in Kasten zwischen x a, x b und y max Anzahl Punkte unterhalb y(x): N Anzahl aller Punkte: N 0 Fläche des Kastens: I0 N I I0 N0
40 Primitive Wegwerfmethode Unsicherheit durch Binomialverteilung: N N P N = N 0 N 1 N 0 N N0 Erfolgswahrscheinlichkeit N = N 0 1 I N 1 = = I N N I 1 = I N Verbesserung durch Erhöhung von N Verbesserung durch Erhöhung von N N0
41 Majorantenmethode finde Majorante m(x) zu y(x) erzeuge Punkte x', die Wahrscheinlichkeitsdichte m(x') folgen dann Wegwerfmethode: generiere zu jedem x ' ein y ' mit 0 y ' m x ' Anzahl der Punkte unterhalb y x' : N N I I0 N0 xb I 0 = x m x ' dx ' a
42 Wichtungsmethode xb I = x y x ' dx ' a mittle Funktionswerte mit zwischen x a und x b : 1 y = N N i=1 y x i I x b x a y entspricht herkömmlicher numerischer Unterschied: Stützstellen sind zufällig verteilt 1 y y x i y ² i N N 1 2 I y = I y
43 Wichtungsmethode Verbesserung durch Reduzierung der Schwankungen y 2 1 y x i y ² i N N 1
44 Vorteile der Monte-Carlo- bessere Konvergenz für s-dimensionale Integrale mit s 4 als bei herkömmlicher numerischer einfachere Behandlung der sgrenzen Genauigkeit kann kontinuierlich gesteigert werden Fehler leichter abschätzbar
45 Monte-Carlo-
46 Photomultiplier herausgeschlagene Elektronen folgen Poisson-Verteilung
47 Photomultiplier
48 Photomultiplier
49 Fragen? Diskussion
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
MehrSeminar 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
MehrExperimentelle Methoden der Teilchenphysik Sommersemester 2011/2012 Albert-Ludwigs-Universität Freiburg
Eperimentelle Methoden der Teilchenphysik Sommersemester 011/01 Albert-Ludwigs-Universität Freiburg Prof. Markus Schumacher Physikalisches Institut, Westbau,. OG Raum 008 Telefon 0761 03 761 E-Mail: Markus.Schumacher@physik.uni-freiburg.de
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 16. November 2009 2. Monte Carlo-Methoden 2.1 Zufallszahlen - Warum? 2.2 Zahlendarstellung im Rechner 2.3 Generatoren 2.3.1 Linear kongruente Generatoren
MehrSimulationstechniken in Finanz- und Versicherungsmathematik
Simulationstechniken in Finanz- und Versicherungsmathematik 10. Januar 2010 1 Motivation 2 Monte Carlo Methoden 3 Quasi-Monte Carlo Methoden 4 Folgen kleiner Diskrepanz Motivation Mortgage-backed Security
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
MehrStatistics, 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
MehrStochastik-Praktikum
Stochastik-Praktikum Zufallszahlen und Monte Carlo Peter Frentrup Humboldt-Universität zu Berlin 17. Oktober 2017 (Humboldt-Universität zu Berlin) Zufallszahlen und Monte Carlo 17. Oktober 2017 1 / 23
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
MehrModellierung- und Simulation Mathis Plewa ( )
Inhaltsverzeichnis Abbildungsverzeichnis... 1 Übungsaufgabe: Zufallsgeneratoren und Histogramme... 2 Standard Gleichverteilung... 2 Gaußverteilung... 3 Exponentialverteilung... 4 Übungsaufgabe: Geometrische
MehrStatistics, Data Analysis, and Simulation SS 2015
Mainz, May 12, 2015 Statistics, Data Analysis, and Simulation SS 2015 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
MehrMaster 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
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
MehrDie Bestimmung von Value-at-Risk- Werten mit Hilfe der Monte-Carlo- Simulation. Jens Schiborowski
Die Bestimmung von Value-at-Risk- Werten mit Hilfe der Monte-Carlo- Simulation Jens Schiborowski Gliederung Einführung Monte-Carlo-Simulation Definition von Monte-Carlo-Simulation Einsatzgebiete von Monte-Carlo-Simulation
Mehr5. 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
MehrProbabilistische Algorithmen Zufallszahlen - Monte Carlo - Genetische Programmierung
Probabilistische Algorithmen Zufallszahlen - Monte Carlo - Genetische Programmierung 25. Mai 2009 Inhaltsverzeichnis Pseudozufallszahlen Kongruenzmethode Monte-Carlo-Algorithmen Bsp Primzahltest Genetische
MehrRechnernutzung in der Physik
Rechnernutzung in der Physik Teil 3 Statistische Methoden in der Datenanalyse Roger Wolf 12. Januar 2015 INSTITUTE OF EXPERIMENTAL PARTICLE PHYSICS (IEKP) PHYSICS FACULTY Grundlagen der Wahrscheinlichkeitstheorie,
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:
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,
MehrProbabilistische Algorithmen
Probabilistische Algorithmen Michal Švancar Gerardo Balderas Hochschule Zittau/Görlitz 21. Dezember 2014 Michal Švancar, Gerardo Balderas (HSZG) Probabilistische Algorithmen 21. Dezember 2014 1 / 40 Inhaltsverzeichnis
Mehr5. 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
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
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
MehrGrundlagen der Monte-Carlo-Simulation
Grundlagen der Monte-Carlo-Simulation Prof. Dr. V. Schmidt und S. Luck j 8. November 2007 page 2 Contents Motivation Erzeugung von SPZZ Software Transformation von SPZZ page 3 Motivation Motivation fur
MehrSimulation 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
Mehr15 Grundlagen der Simulation
15 Grundlagen der Simulation 15.1 Einführung Komplexe Problemstellungen, die einer analytischen Behandlung nur sehr schwer oder gar nicht zugänglich sind Lösung von diskreten (oder analytischen) Optimierungsaufgaben,
MehrDie 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
MehrZufallsvariablen. 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:
MehrVon 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
MehrEinführung in Quasi-Monte Carlo Verfahren
Einführung in Quasi- Markus Zahrnhofer 3. Mai 2007 Markus Zahrnhofer () Einführung in Quasi- 3. Mai 2007 1 / 27 Inhalt der Präsentation 1 Motivierendes Beispiel 2 Einführung 3 quasi- Allgemeines Diskrepanz
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
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
MehrStochastische FEM mit elementaren Zufallselementen
Stochastische FEM mit elementaren Zufallselementen Hans-Jörg Starkloff Westsächsische Hochschule Zwickau 13. Südostdeutsches Kolloquium zur Numerischen Mathematik 2007 Freiberg, 27. April 2007 Einführung
MehrEinführung in Simulationen mit Monte Carlo und Brownscher Dynamik. Martin Oettel Johannes Bleibel
Einführung in Simulationen mit Monte Carlo und Brownscher Dynamik Martin Oettel Johannes Bleibel Die Monte Carlo-Methode 1. Beispiel Bestimmung von π 1 1 π = 1 1 dx 1 dy G(x, y) G (x, y) = θ(1 x 2 + y
Mehr1. Grundbegri e der Stochastik
. Grundbegri e der Stochastik Raum der Ereignisse. Die einelementigen Teilmengen f!g heißen auch Elementarereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. A ist ein geeignetes System von Teilmengen
MehrIngenieurmathematik mit Computeralgebra-Systemen
Hans Benker Ingenieurmathematik mit Computeralgebra-Systemen AXIOM, DERIVE, MACSYMA, MAPLE, MATHCAD, MATHEMATICA, MATLAB und MuPAD in der Anwendung vieweg X Inhaltsverzeichnis 1 Einleitung 1 1.1 Ingenieurmathematik
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
MehrStatistik mit MATHCAD und MATLAB
Hans Benker Statistik mit MATHCAD und MATLAB Einführung in die Wahrscheinlichkeitsrechnung und mathematische Statistik für Ingenieure und Naturwissenschaftler Mit 31 Abbildungen Springer Einleitung 1 1.1
MehrStatistik II für Betriebswirte Vorlesung 12
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 12 11. Januar 2013 7.3. Multiple parameterlineare Regression Im Folgenden soll die
MehrStochastik für Informatiker
Statistik und ihre Anwendungen Stochastik für Informatiker Bearbeitet von Lutz Dumbgen 1. Auflage 2003. Taschenbuch. XII, 267 S. Paperback ISBN 978 3 540 00061 7 Format (B x L): 15,5 x 23,5 cm Gewicht:
MehrNachtest (14. März 2014) Gruppe weiß (mit Lösung ) kein Taschenrechner; Unterlagen: eigenes Skriptum gestattet
Institut für Analysis und Scientific Computing WS 23/4 O. Koch P R A K T I S C H E M A T H E M A T I K I F Ü R T P H Nachtest (4. März 24) Gruppe weiß (mit Lösung ) FAMILIENNAME Vorname Studium / MatrNr
MehrStatistics, Data Analysis, and Simulation SS 2017
Mainz, 11. Mai 2017 Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
MehrQuasi-Monte-Carlo-Algorithmen
Quasi-Monte-Carlo-Algorithmen Peter Kritzer Institut für Finanzmathematik/Institut für Didaktik der Mathematik Johannes Kepler Universität Linz peter.kritzer@jku.at Tag der Mathematik, April 2011 P. Kritzer
MehrUE Algorithmen und Datenstrukturen 1 UE Praktische Informatik 1. Übung 8. Zufallszahlen Generatoren Anwendungen
UE Algorithmen und Datenstrukturen 1 UE Praktische Informatik 1 Übung 8 Zufallszahlen Generatoren Anwendungen Institut für Pervasive Computing Johannes Kepler Universität Linz Altenberger Straße 69, A-4040
MehrPseudozufallsgeneratoren
Pseudozufallsgeneratoren In welchen kryptographischen Verfahren werden keine Zufallszahlen benötigt? Wie generiert man Zufallszahlen in einer deterministischen Maschine wie dem Computer? Wenn man eine
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 29. Oktober 2007 1. Statistik 1.1 Wahrscheinlichkeit Pragmatisch: p(e) = n(e) N für N sehr groß Kombination von Wahrscheinlichkeiten p(a oder B) =
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
MehrEinsatz von Varianzreduktionstechniken II
Einsatz von Varianzreduktionstechniken II Stratified Sampling und Common Random Numbers Bastian Bluhm Betreuer: Christiane Barz Ausgewählte technische, rechtliche und ökonomische Aspekte des Entwurfs von
MehrMethoden der Statistik Markov Chain Monte Carlo Methoden
Methoden der Statistik Markov Chain Monte Carlo Methoden Humboldt-Universität zu Berlin 08.02.2013 Problemstellung Wie kann eine Zufallsstichprobe am Computer simuliert werden, deren Verteilung aus einem
Mehr1 Zufallszahlen jede Zahl gleichen Wahrscheinlichkeit Zufallszahlenfolge unabhängiger, identisch ver- teilter
Zufallszahlen Zufallszahlen werden für viele Anwendungen im Computer benötigt. Hauptanwendungsgebiete sind die Simulation und die Statistik. Besonders bei der Programmierung von Spielen werden Zufallszahlen
MehrAnhang A. Monte-Carlo-Methode
Anhang A Monte-Carlo-Methode Die Monte-Carlo-Methode (MC) ist eine etablierte Technik zur Beschreibung von physikalischen Prozessen in Halbleitern und Halbleiterbauelementen. In Bezug auf den Ladungsträgertransport
MehrZufallszahlen. Diskrete Simulation. Zufallszahlengeneratoren - Zufallszahlen
Zufallszahlen Zufallszahlengeneratoren Transformation von Zufallszahlen Test von Zufallszahlengeneratoren Otto-von-Guericke-Universität Magdeburg Thomas Schulze Zufallszahlengeneratoren - Zufallszahlen
MehrBZQ II: Stochastikpraktikum
BZQ II: Stochastikpraktikum Block 1: Monte-Carlo-Methoden, Zufallszahlen, Statistische Tests Randolf Altmeyer November 22, 2016 Überblick 1 Monte-Carlo-Methoden, Zufallszahlen, statistische Tests 2 Lineares
Mehr5. Auswahlverfahren für Stichprobenelemente
Grundlagen Uneingeschränkte Zufallsauswahl (z.b. Roulette, Würfeln) Zufallszahlen müssen eine vorgegebene Verteilung erfüllen (Gleichverteilung) Zufallszahlen müssen zufällig aufeinander folgen (keine
MehrDie 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
MehrSimulation von Zufallsvariablen und Punktprozessen
Simulation von Zufallsvariablen und Punktprozessen 09.11.2009 Inhaltsverzeichnis 1 Einleitung 2 Pseudozufallszahlen 3 Punktprozesse Zufallszahlen Definition (Duden): Eine Zufallszahl ist eine Zahl, die
MehrDie 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
MehrAnwendungen mit SAS: Direkt aus der Praxis! Block 1
Anwendungen mit SAS: Direkt aus der Praxis! Block 1 Deskriptive Statistik und Simulation von Zufallsvariablen Fachhochschule Koblenz Fachbereich Mathematik und Technik Dr. Denise Rey 28. November 2008
MehrÜberblick. 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
MehrWahrscheinlichkeitsverteilungen und ihre Implementierung in Root. Eric Volkmann
Wahrscheinlichkeitsverteilungen und ihre Implementierung in Root Eric Volkmann Inhalt Mathematische Definition Random Number Generators Wichtige Verteilungen Anwendungsbeispiel: Monte-Carlo Simulation
MehrStichproben und statistische Fehler
Kapitel 0 Stichproben und statistische Fehler 0. Verfahren zur Auswahl von Stichproben Stichprobenauswahl als Bestandteil von Teilerhebungen: Aus dem Ergebnis der Untersuchung der Stichprobe soll dann
Mehrf 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
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
MehrStatistik für Ingenieure Vorlesung 6
Statistik für Ingenieure Vorlesung 6 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 05. Dezember 2017 3.4.3 Stetige Gleichverteilung Parameter: Intervall [a, b] R. Zufallsgröße
MehrLösung 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
MehrIT-Security. Teil 15: Zufall
IT-Security Teil 15: Zufall 09.05.17 1 Literatur [15-1] http://de.wikipedia.org/wiki/kryptographisch_sicherer_zufallszahlen generator [15-2] https://gnupg.org/documentation/manuals/gcrypt/fips-prng- Description.html
MehrQuasi-Monte Carlo Methoden
zur numerischen Integration Am Schnittpunkt von numerischer Analysis, Zahlentheorie und Finanzmathematik FG Finanz- und Versicherungsmathematik Institut für Wirtschaftsmathematik Technische Universität
MehrWahrscheinlichkeitsrechnung und Statistik
6. Vorlesung - 2018 Diskrete ZG eine diskrete ZG X wird vollständig durch ihre Wahrscheinlichkeitsverteilung beschrieben ( ) x1 x X 2... x i... = p 1 p 2... p i... P(X (a, b]) = und die Verteilungsfunktion
Mehr7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen
7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen 7.7.1 Die Laplace-Verteilung Sei X eine gleich verteilte Zufallsvariable mit den Werten in der Menge Ω X = {x i R : i = 1,...,n}, d.h. f (x i = 1
MehrProgrammiertechnik II
Zufallszahlen Motivation Simulation Frisörbeispiel Stichprobenauswahl Telefonumfragen Numerische Algorithmen naives Beispiel: Berechnung von Pi Automatisiertes Testen Beispiel aus Übungsaufgabe "Faire"
MehrTheorie 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
MehrKommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler. (a) Bestimmen Sie die kartesische Form von Wintersemester 7/8 (..8) z = ( + i)( i) + ( + i). (b) Bestimmen Sie sämtliche komplexen Lösungen
MehrHausaufgabe Modellierung und Simulation 1
Hausaufgabe Modellierung und Simulation 1 Die Pareto Verteilung Die Pareto-Verteilung ist eine stetige Wahrscheinlichkeitsverteilung in einem rechtsseitig unendlichen Intervall zwischen x min und. Die
MehrAdaptive Systeme. Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Evolutionäre Algorithmen Teil II Evolutionsfenster durch Mutation und sexuelle Rekombination Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Evolutionäre Algorithmen
MehrZufallszahlen in Testbetten und Simulationen
Zufall Wofür brauchen wir Zufallszahlen? Zufall Wofür brauchen wir Zufallszahlen? Simulation von Dingen, die wir nicht genau beschreiben wollen Zufall Wofür brauchen wir Zufallszahlen? Simulation von Dingen,
MehrWahrscheinlichkeit und Statistik
ETH Zürich HS 5 Prof. Dr. P. Embrechts D-INFK Lösungen Serie Lösung -. (a) Die Dichte muss zu eins aufintegrieren, deshalb gilt:.version: Polynom ausmultiplizieren: c (x ) dx = c.version: Mit Substitution:
MehrZufallszahlen in AntBrain
Zufallszahlen SEP 291 Zufallszahlen in AntBrain Spezifikation, Teil II: Zum Beispiel könnte ein Objekt vom Typ Match die Spielfelder nach jeweils 1000 Spielrunden speichern; bei einer Anfrage nach den
MehrDiplom VP Informatik / Numerik 2. September 2002
Diplom VP Informatik / Numerik. September 00 Aufgabe Gegeben sei das lineare Gleichungssystem A x = b mit 0 4 0 0 0 0 A = 4 0 0 0 0 0 0 0 0 und b = 4 4 8 5. Punkte a Berechnen Sie die Cholesky Zerlegung
MehrGenetische Algorithmen
Genetische Algorithmen Prof. Dr. Ottmar Beucher Dezember 2001 Genetische Algorithmen 1 Optimierungsaufgaben Ein einfaches Beispiel Prinzipielle Formulierung Lösungsansätze Genetische Algorithmen Anwendungen
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
MehrKlausur. Physik auf dem Computer SS JP Dr. Axel Arnold Dr. Olaf Lenz Florian Fahrenberger Dominic Röhm 15. August 2012
Universität Stuttgart Institut für Computerphysik Klausur Physik auf dem Computer SS 2012 JP Dr. Axel Arnold Dr. Olaf Lenz Florian Fahrenberger Dominic Röhm 15. August 2012 Name Vorname Matrikelnummer
MehrTheoretische Biophysik - Statistische Physik
Theoretische Biophysik - Statistische Physik 10. Vorlesung Pawel Romanczuk Wintersemester 2018 http://lab.romanczuk.de/teaching/ 1 Brownsche Bewegung Zusammenfassung letzte VL Formulierung über Newtonsche
MehrInstitut für Geometrie und Praktische Mathematik
RWTH Aachen Institut für Geometrie und Praktische Mathematik Diplom VP Numerik 13. September 004 Aufgabe 1 10 0 40 Gegeben sei die Matrix A = 80 10 10. 10 5 5 (6 Punkte) a) Skalieren (Zeilenäquilibrierung)
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
MehrStochastik Praktikum Markov Chain Monte Carlo Methoden
Stochastik Praktikum Markov Chain Monte Carlo Methoden Humboldt-Universität zu Berlin 14.10.2010 Problemstellung Wie kann eine Zufallsstichprobe am Computer simuliert werden, deren Verteilung aus einem
Mehrf(x) = P (X = x) = 0, sonst heißt Poisson-verteilt mit Parameter (oder Rate) λ > 0, kurz X P o(λ). Es gilt x x! 1 Wahrscheinlichkeitsrechnung 212
1.6.2 Poisson Verteilung Eine weitere wichtige diskrete Verteilung ist die Poisson-Verteilung. Sie modelliert die Anzahl (eher seltener) Ereignisse in einem Zeitintervall (Unfälle, Todesfälle; Sozialkontakte,
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 11. Vorlesung Jochen Köhler 10.05.011 1 Inhalt der heutigen Vorlesung Zusammenfassung Parameterschätzung Übersicht über Schätzung und Modellbildung Modellevaluation
MehrOrtskurvenerkennung. Christian Liedl, WS06/07 TUM
Ortskurvenerkennung Christian Liedl, WS06/07 TUM Überblick Was sind Ortskurven Beispiele spezieller Ortskurven Kurvenerkennung Voraussetzung Erster Ansatz Modellierung Beispiel: Identifikation Ortskurve
MehrKaluza Klein Theorie. Forschungsseminar Quantenfeldtheorie Montag, Jens Langelage
Kaluza Klein Theorie Forschungsseminar Quantenfeldtheorie Montag, 22.05.2006 Jens Langelage Inhalt 1.) Gravitation und Elektromagnetismus in höheren Dimensionen 2.) Kaluza Klein Miracle 1.) Elektromagnetismus
MehrStatistik für Informatiker, SS Grundlagen aus der Wahrscheinlichkeitstheorie
1/19 Statistik für Informatiker, SS 2018 1 Grundlagen aus der Wahrscheinlichkeitstheorie 1.3 Bedingte Wahrscheinlichkeiten, Unabhängigkeit, gemeinsame Verteilung 1.3.4 Matthias Birkner http://www.staff.uni-mainz.de/birkner/statinfo18/
MehrGitterpunkt-Integrationsformeln
Gliederung Gitterpunkt-Integrationsformeln Ulrich Telle FernUniversität Hagen, Fachbereich Mathematik Lehrgebiet Numerische Mathematik, Prof. Dr. F. Locher Mathematisches Praktikum 1074 18./19.02.2005
MehrBerechnung von Formfaktoren
Berechnung von Formfaktoren Oliver Deussen Formfaktorberechnung 1 Formfaktor ist eine Funktion in Abhängigkeit der Geometrie ist unabhängig von reflektierenden oder emittierenden Eigenschaften (ρ) der
MehrVorkurs Mathematik Übungen zu Differentialgleichungen
Vorkurs Mathematik Übungen zu Differentialgleichungen Als bekannt setzen wir die folgenden Umformungen voraus: e ln(f(x)) = f(x) e f(x)+c = e f(x) e c e ln(f(x)) +c = f(x) e c = f(x) c f ( g(x) ) g (x)
MehrEinführung des Integrals Stammfunktionen Hauptsatz Flächen Mittelwerte Rotationsvolumen
14 Integralrechnung Einführung des Integrals Stammfunktionen Hauptsatz Flächen Mittelwerte Rotationsvolumen E-Mail: klaus_messner@web.de, Internet: www.elearning-freiburg.de Einführung des Integrals 15
MehrMonte-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
MehrSpezielle 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
MehrKlausur zur Höheren Mathematik III (vertieft)
Kimmerle 26.02.2014 Klausur zur Höheren Mathematik III (vertieft) für Luft- und Raumfahrttechnik, Materialwissenschaften Bitte beachten Sie die folgenden Hinweise: Die Bearbeitungszeit beträgt 120 Minuten.
Mehr