Adaptive Modellierung und Simulation - Adaptive Systemarchitektur ...
Adaptive Modellierung und Simulation - Adaptive Systemarchitektur ...
Adaptive Modellierung und Simulation - Adaptive Systemarchitektur ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Stochastische <strong>Simulation</strong> 5-27<br />
ist, müssen wir nicht m Logarithmen aus den m uniform verteilten Zufallszahlen<br />
yi bilden, sondern können dies durch eine schnellere Multiplikation ersetzen.<br />
Beispiel Normalverteilung<br />
Die Normalverteilung ist nicht so einfach zu generieren. Nutzen wir die Methode<br />
der inversen Verteilungsfunktion, so müssen wir erst analytisch die Verteilungsfunktion<br />
der Gauß-Verteilung bilden. Dies ist die Gauß’sche Fehlerfunktion<br />
Φ, die als Integral nur in tabellierter Funktion vorliegt. Eine Inversion<br />
wäre nur über Tabellen möglich – eine sehr unbefriedigende Situation. Stattdessen<br />
können wir uns die Überlagerung von Zufallszahlen zu Nutze machen.<br />
Nach dem zentralen Grenzwertsatz wissen wir, dass die Verteilung für die<br />
zentrierte Summenvariable x aus n unabhängigen Zufallsvariablen Xi<br />
x(n) =<br />
n<br />
∑<br />
i= 1<br />
( X − μ)<br />
i<br />
σ<br />
zur Normalverteilung N(μ,σ) mit μ = 0, σ = 1<br />
(5.47)<br />
lim x(n) = N(0,1) (5.48)<br />
n→∞<br />
konvergiert, unabhängig von der Art der Verteilungen für Xi. Der Unterschied<br />
zu Gl.(5.46) liegt dabei in der Anzahl n der Zufallszahlen: Für große m geht<br />
die m-Erlang-Verteilung in eine Normalverteilung über. Wie können wir uns<br />
konkret aus der uniformen Verteilung die Normalverteilung generieren?<br />
Angenommen wir verfügen über einen Zufallsgenerator der uns uniform verteilte<br />
Xi aus dem Intervall [–d, +d] mit dem Erwartungswert μ = 0 liefert. Dann<br />
ist die Wahrscheinlichkeitsdichte p(X) = 1/(2d). Die erwartete Varianz von X<br />
wird von den einzelnen Varianzen der Xi gebildet, die sich überlagern. Dazu<br />
betrachten wir die n gezogenen Zufallszahlen als Zufallsvektor<br />
X = (X1, X2, ..., Xn) T mit dem Erwartungswert μ = (μ1, μ2, ...,<br />
μn) T<br />
dessen Varianz sich ergibt zu<br />
σ 2 = 〈(X–μ) 2 〉 =<br />
n<br />
i= 1<br />
2<br />
( Xi<br />
− μi<br />
)<br />
= (σ1 2 +...+σn 2 ) = nσ 2<br />
∑ = ∑ ( Xi<br />
− μi<br />
)<br />
bei gleicher Varianz σ 2 der Zufallswerte Xi <strong>und</strong> ist hier bei μi = 0<br />
n<br />
i= 1<br />
2<br />
(5.49)<br />
(5.50)