Ausgangspunkt der Überlegungen sind vom Computer erzeugte Pseudozufallszahlen. Auf die mit der
Erstellung von Pseudouufallszahlen verbundenen Probleme wird nicht weiter eingegangen, sondern wir gehen einfach davon aus, dass diese Zahlen unabhängig und gleichverteilt zwischen 0 und 1 sind. Ziel ist es, zu zeigen, wie diese Zufallszahlen so verändert werden können, dass sie anderen Verteilungen folgen. Dabei wird
auf die Inverse Transformation und die Acceptance Rejection Methode eingegangen.
Inhaltsverzeichnis
1 Einleitung
2 Inverse Transformation
2.1 Algorithmus
2.2 Beispiele
2.3 Fazit
3 Acceptance-Rejection-Methode
3.1 Beispiele
Zielsetzung & Themen
Die Arbeit befasst sich mit der methodischen Generierung von Zufallszahlen, die spezifischen Wahrscheinlichkeitsverteilungen folgen, basierend auf der grundlegenden Verfügbarkeit von gleichverteilten Pseudozufallszahlen. Das primäre Ziel besteht darin, verschiedene mathematische Ansätze zur Transformation dieser Zahlen auf andere Verteilungsformen zu erläutern und deren Funktionsweise sowie Effizienz zu untersuchen.
- Grundlagen der Zufallszahlengenerierung und Gleichverteilung
- Die Methode der Inversen Transformation für stetige und diskrete Verteilungen
- Implementierung und mathematische Herleitung der Acceptance-Rejection-Methode
- Anwendung der Verfahren auf verschiedene Verteilungstypen
- Analyse der Effizienz von Transformationsmethoden
Auszug aus dem Buch
2 Inverse Transformation
Die Inverse Transformation ist die einfachste Methode, aus gleichverteilten Zufallszahlen Zufallszahlen anderer Verteilungen zu erhalten. Während bei der in Abschnitt 1 dargestellten Gleichverteilung jedes einzelne Ereignis zwischen 0 und 1 mit genau der gleichen Wahrscheinlichkeit eintritt, folgt die Eintrittswahrscheinlichkeit nach der inversen Transformation der zugrundegelegten Verteilungsfunktion. Intuitiv kann der Vorgang bei diskreten Verteilungen folgendermaßen verstanden werden: u entspricht y und da u gleichverteilt ist, enspricht die Wahrscheinlichkeit von F-1(y) = X genau der Senkrechten zwischen den jeweiligen Stufen der Verteilungsfunktion, also f(x). Womit das so gewonnene x der gewünschten Verteilung folgt.
Demzufolge gilt bei einer streng monoton wachsenden und stetigen Verteilung: X = F-1(U)
Gemäß der Definition der Verteilungsfunktion gilt: P(X <= x) = F(X)
Substituieren wir X durch F-1(U) so folgt: P(F-1(U) <= x) = P(U <= F(X)) = F(X)
Zusammenfassung der Kapitel
1 Einleitung: Dieses Kapitel führt in die Problematik ein, vom Computer erzeugte, gleichverteilte Pseudozufallszahlen in solche umzuwandeln, die anderen spezifischen Verteilungen folgen.
2 Inverse Transformation: Das Kapitel erläutert die Inverse Transformation als einfachste Methode zur Erzeugung von Zufallszahlen vorgegebener Verteilungen und diskutiert mathematische Voraussetzungen sowie den zugehörigen Algorithmus anhand von Beispielen.
3 Acceptance-Rejection-Methode: Dieses Kapitel stellt die Acceptance-Rejection-Methode als verbreitete Alternative vor, beweist deren Funktionsweise und demonstriert die Anwendung auf verschiedene Dichtefunktionen.
Schlüsselwörter
Zufallszahlen, Pseudozufallszahlen, Inverse Transformation, Acceptance-Rejection-Methode, Gleichverteilung, Wahrscheinlichkeitsverteilung, Dichtefunktion, Verteilungsfunktion, Umkehrfunktion, Exponentialverteilung, Standardnormalverteilung, Power Verteilung, Simulation, Effizienz.
Häufig gestellte Fragen
Worum geht es in der vorliegenden Arbeit?
Die Arbeit beschäftigt sich mit den mathematischen Methoden, um aus einfach zu generierenden, gleichverteilten Pseudozufallszahlen, Zufallszahlen für komplexere statistische Verteilungen zu erzeugen.
Welche zentralen Themenfelder werden behandelt?
Die zentralen Themen sind die Inverse Transformation sowie die Acceptance-Rejection-Methode, ergänzt durch die theoretischen Grundlagen der Zufallszahlengenerierung.
Was ist das primäre Ziel der Untersuchung?
Ziel ist es, die Funktionsweise der genannten Transformationsmethoden mathematisch herzuleiten und deren Anwendung sowie Effizienz bei der Erzeugung unterschiedlich verteilter Zufallsvariablen aufzuzeigen.
Welche wissenschaftliche Methode kommt zum Einsatz?
Es werden mathematisch-statistische Methoden wie die Invertierung von Verteilungsfunktionen und algorithmische Simulationsverfahren (Acceptance-Rejection) verwendet, um Zielverteilungen zu approximieren.
Was ist der inhaltliche Fokus des Hauptteils?
Der Hauptteil analysiert detailliert die Inverse Transformation und die Acceptance-Rejection-Methode, unterlegt mit zahlreichen Anwendungsbeispielen für unterschiedliche Verteilungstypen.
Durch welche Schlüsselwörter lässt sich die Arbeit charakterisieren?
Wichtige Begriffe sind Zufallszahlengenerierung, Inverse Transformation, Acceptance-Rejection, Dichtefunktion und statistische Simulation.
Warum ist die Inverse Transformation nicht für alle Verteilungen geeignet?
Sie findet ihre Grenzen, wenn die Umkehrfunktion der Verteilungsfunktion sehr schwer oder gar nicht berechenbar ist, wie es beispielsweise bei der Normalverteilung der Fall ist.
Worauf muss bei der Effizienz der Acceptance-Rejection-Methode geachtet werden?
Die Effizienz hängt maßgeblich von der Wahl der übergeordneten Funktion ab; diese sollte so eng wie möglich an der Zielfunktion liegen, um den Anteil der abgelehnten Zufallszahlen gering zu halten.
- Quote paper
- Christoph Pfeiffer (Author), 2006, Gewinnung von Zufallszahlen mit vorgegebener Verteilung, Munich, GRIN Verlag, https://www.grin.com/document/56154
