Zusammenfassung
Dieses Kapitel widmet sich der numerischen Simulation von Wahrscheinlichkeitsverteilungen. Dazu beschäftigen wir uns zunächst mit der Erzeugung von gleichverteilten Zufallszahlen mit dem Computer. Mit Hilfe solcher Pseudozufallszahlen können dann vorgegebene diskrete und stetige Verteilungen simuliert werden. Zum Abschluß dieses Kapitels wird das Monte-Carlo-Verfahren zur numerischen Integration behandelt.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Author information
Authors and Affiliations
Corresponding author
Übungsaufgaben
Übungsaufgaben
Aufgabe 15.1
(lineare Kongruenzgeneratoren)
-
a)
Überprüfen Sie, ob die linearen Kongruenzgeneratoren mit den Parametern
-
\(m = 9973\), \(a = 3432\) und \(b = 6789\)
-
\(m = 2048\), \(a = 1229\) und \(b = 1\)
jeweils eine maximale Periodenlänge haben.
-
-
b)
Betrachten Sie den linearen Kongruenzgenerator mit den Parametern \(m = 64\), \(a = 7\) und \(b = 6\). Geben Sie Startwerte \(z_0\) an, so dass die resultierenden Folgen Periodenlängen von 1, 2 und 8 haben.
Aufgabe 15.2
(RANDU) Der lineare Kongruenzgenerator RANDU ist durch die Parameter \(m = 2^{31}\), \(a = 2^{16}+3\) und \(b = 0\) gegeben.
-
a)
Zeigen Sie, dass die \(z_i\) für alle \(i\in \mathbb {N}\) der folgenden Aussage genügen:
$$ z_{i+2} - 6 z_{i+1} + 9 z_i\in 2^{31}\mathbb {Z}. $$ -
b)
Um Pseudozufallszahlen in [0, 1] zu erhalten, setzen wir \(x_i\mathrel {\mathrel {\mathop :}=}z_i/2^{31}\). Für \(i\in \mathbb {N}\) ein \(j\in \mathbb {Z}\) definieren wir nun die Punkte \({{\boldsymbol{p}}}_i\) und die Ebenen \(E_j\) durch
$$ {{\boldsymbol{p}}}_i\mathrel {\mathrel {\mathop :}=}[x_i, x_{i+1}, x_{i+2}]^\intercal , \quad E_j\mathrel {\mathrel {\mathop :}=}\big \{{{\boldsymbol{y}}}\in \mathbb {R}^3 : 9 y_1 - 6 y_2 + y_3 = j\big \}. $$Zeigen Sie, dass für jedes \(i\in \mathbb {N}\) ein \(j_i\in \mathbb {Z}\) existiert mit \({{\boldsymbol{p}}}_i\in E_{j_i}\), das heißt, die Punkte \({{\boldsymbol{p}}}_i\) liegen auf den Ebenen \(E_j\).
-
c)
Wie groß ist der Abstand zwischen den Ebenen \(E_j\) und \(E_{j+1}\)?
-
d)
Wie viele der Ebenen \(E_j\) schneiden den Einheitswürfel \({[0,1]}^3\)?
Aufgabe 15.3
(bedingte Verteilung) Für zwei stetige Zufallsvariablen X und Y definieren wir
Seien nun X und Y auf [0, 1] gleichverteilt und g(x) eine Dichtefunktion auf [0, 1].
-
a)
Zeigen Sie die Identität
$$ \mathbb {P}\big (\{Y\le g(X)\}|\{X=x\}\big ) = g(x). $$ -
b)
Beweisen Sie mit Hilfe von Riemann-Summen die Gleichung
$$ \mathbb {P}\big (\{Y \le g(X)\}\big ) = \int _0^1\mathbb {P}\big (\{Y\le g(X)\}|\{X =x\}\big ){\text {d}}\!x. $$
Aufgabe 15.4
(Varianzreduktion) Sei \(X\) eine exponentialverteilte Zufallsvariable mit Parameter \(\lambda >0\). Wir betrachten das Monte-Carlo-Verfahren zur Approximation des Erwartungswerts \(\lambda \) von \(X\). Die Samples von \(X\) lassen sich konstruieren durch
wobei \(U_i\) unabhängige und gleichverteilte Zufallsvariablen auf \([0,1]\) sind. Der Monte-Carlo-Schätzer für den Erwartungswert lautet dann
Die Varianz dieses Monte-Carlo-Schätzers geht in die Fehlerabschätzung des Erwartunsgwerts ein. Zeigen Sie, dass sich die Varianz des Schätzers verringern lässt, indem man die Samples \(X_i\) durch die Samples \(Y_i\) ersetzt, wobei \(Y_i\) gegeben ist durch
Aufgabe 15.5
(Importance Sampling) Eine Methode zur Varianzreduktion bei Monte-Carlo-Verfahren ist das Importance Sampling. Grob gesagt wird bei dieser Methode die Dichtefunktion, bezüglich derer das Monte-Carlo-Verfahren durchgeführt wird, derart geändert, dass die modifizierte Dichtefunktion groß ist, wo der Integrand große Werte besitzt, und klein ist, wo der Integrand kleine Werte besitzt. Dieses Vorgehen lässt sich durch die Integraltransformation
beschreiben. Als Beispiel betrachten wir die Funktion \(f(x)=10 e^{-5|x-2|}\) und eine standardnormalverteilte Zufallsvariable \(X\). Zu bestimmen sei der Erwartungswert
Wir verwenden hierfür einen Monte-Carlo-Schätzer, der \(n\) zufällige, standardnormalverteilte Realisierungen von \(X\) mittelt. Wie verändert sich die Varianz des Schätzers, falls ein Importance Sampling bezüglich der Dichtefunktion
durchgeführt wird?
Aufgabe 15.6
(Kontrollvariable) Eine Möglichkeit der Varianzreduktion beim Monte-Carlo-Verfahren zur Bestimmung des Integrals
ist die Verwendung einer Kontrollvariablen. Mit Hilfe einer Funktion \(g(x)\), deren Integralwert bekannt ist, lässt sich das gesuchte Integral umschreiben zu
Somit muss man lediglich das Monte-Carlo-Verfahren für das erste Integral auf der rechten Seite anwenden. Zeigen Sie, dass dabei nun die Varianz von \(f-g\) in die Fehlerabschätzung des Monte-Carlo-Verfahrens eingeht. Bestimmen Sie die Varianzreduktion anhand des konkreten Beispiels \(f (x) = 4x(1 - x)\) und der Kontrollvariablen \(g(x) = \sin (\pi x)\).
Rights and permissions
Copyright information
© 2022 Der/die Autor(en), exklusiv lizenziert durch Springer-Verlag GmbH, DE , ein Teil von Springer Nature
About this chapter
Cite this chapter
Harbrecht, H., Multerer, M. (2022). Stochastische Simulationsverfahren. In: Algorithmische Mathematik. Springer Spektrum, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-41952-2_15
Download citation
DOI: https://doi.org/10.1007/978-3-642-41952-2_15
Published:
Publisher Name: Springer Spektrum, Berlin, Heidelberg
Print ISBN: 978-3-642-41951-5
Online ISBN: 978-3-642-41952-2
eBook Packages: Life Science and Basic Disciplines (German Language)