Markov Chain Monte Carlo Methoden

Inhaltsverzeichnis

1 Grundlagen zu Markov-Ketten
1.1 Definition
1.2 Irreduzibilität und Aperiodizität
1.3 Stationäre Verteilungen und Reversibilität
1.3.1 Existenz der stationären Verteilung
1.3.2 Reversibilität einer Verteilung
1.4 Konvergenzsatz
1.4.1 Konvergenz gegen die stationäre Verteilung
1.4.2 Eindeutigkeit der stationären Verteilung

2 Metropolis-Hastings Algorithmu
2.1 Allgemeine Beschreibung des Metropolis-Hastings Algorithmus
2.2 Implementierung des Metropolis-Algorithmus im Beispiel der Exponentialverteilung
2.3 Fehler-Abschätzung im Beispiel der Exponetialverteilung

3 Gibbs-Sampler
3.1 Allgemeine Beschreibung des Gibbs-Samplers
3.2 Implementierung des Gibbs-Sampler Beispiels
3.3 Verallgemeinerung auf q-Färbungen

4 Approximate counting
4.1 Problemstellung
4.2 Existenz-Theorem
4.3 Beweis: erster Teil
4.4 Beweis: zweiter Teil
4.5 Implementierung

5 Literatur

6 Quelltexte
6.1 Metropolis-Hastings Algorithmus
6.2 Gibbs-Sampler
6.3 Approximate-Counting Algorithmus

Markov Chain Monte Carlo Methoden

Magisterarbeit

Buch (Taschenbuch)

27,95 €

inkl. gesetzl. MwSt.

Markov Chain Monte Carlo Methoden

Ebenfalls verfügbar als:

Taschenbuch

Taschenbuch

ab 27,95 €
eBook

eBook

ab 17,99 €

Beschreibung

Masterarbeit aus dem Jahr 2007 im Fachbereich Mathematik - Stochastik, Note: 1.0, Universität Bielefeld, Sprache: Deutsch, Abstract: 1 Grundlagen zu Markov-Ketten
1.1 Definition
1.2 Irreduzibilität und Aperiodizität
1.3 Stationäre Verteilungen und Reversibilität
1.3.1 Existenz der stationären Verteilung
1.3.2 Reversibilität einer Verteilung
1.4 Konvergenzsatz
1.4.1 Konvergenz gegen die stationäre Verteilung
1.4.2 Eindeutigkeit der stationären Verteilung 2 Metropolis-Hastings Algorithmu
2.1 Allgemeine Beschreibung des Metropolis-Hastings Algorithmus
2.2 Implementierung des Metropolis-Algorithmus im Beispiel der Exponentialverteilung
2.3 Fehler-Abschätzung im Beispiel der Exponetialverteilung 3 Gibbs-Sampler
3.1 Allgemeine Beschreibung des Gibbs-Samplers
3.2 Implementierung des Gibbs-Sampler Beispiels
3.3 Verallgemeinerung auf q-Färbungen 4 Approximate counting
4.1 Problemstellung
4.2 Existenz-Theorem
4.3 Beweis: erster Teil
4.4 Beweis: zweiter Teil
4.5 Implementierung 5 Literatur 6 Quelltexte
6.1 Metropolis-Hastings Algorithmus
6.2 Gibbs-Sampler
6.3 Approximate-Counting Algorithmus

Details

Einband

Taschenbuch

Erscheinungsdatum

25.06.2009

Verlag

GRIN

Seitenzahl

60

Maße (L/B/H)

21/14,8/0,4 cm

Beschreibung

Details

Einband

Taschenbuch

Erscheinungsdatum

25.06.2009

Verlag

GRIN

Seitenzahl

60

Maße (L/B/H)

21/14,8/0,4 cm

Gewicht

102 g

Auflage

3. Auflage

Sprache

Deutsch

ISBN

978-3-640-35512-9

Das meinen unsere Kund*innen

0.0

0 Bewertungen

Informationen zu Bewertungen

Zur Abgabe einer Bewertung ist eine Anmeldung im Kund*innenkonto notwendig. Die Authentizität der Bewertungen wird von uns nicht überprüft. Wir behalten uns vor, Bewertungstexte, die unseren Richtlinien widersprechen, entsprechend zu kürzen oder zu löschen.

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kund*innen durch Ihre Meinung

Erste Bewertung verfassen

Unsere Kund*innen meinen

0.0

0 Bewertungen filtern

Weitere Artikel finden Sie in

Die Leseprobe wird geladen.
  • Markov Chain Monte Carlo Methoden
  • 1 Grundlagen zu Markov-Ketten
    1.1 Definition
    1.2 Irreduzibilität und Aperiodizität
    1.3 Stationäre Verteilungen und Reversibilität
    1.3.1 Existenz der stationären Verteilung
    1.3.2 Reversibilität einer Verteilung
    1.4 Konvergenzsatz
    1.4.1 Konvergenz gegen die stationäre Verteilung
    1.4.2 Eindeutigkeit der stationären Verteilung

    2 Metropolis-Hastings Algorithmu
    2.1 Allgemeine Beschreibung des Metropolis-Hastings Algorithmus
    2.2 Implementierung des Metropolis-Algorithmus im Beispiel der Exponentialverteilung
    2.3 Fehler-Abschätzung im Beispiel der Exponetialverteilung

    3 Gibbs-Sampler
    3.1 Allgemeine Beschreibung des Gibbs-Samplers
    3.2 Implementierung des Gibbs-Sampler Beispiels
    3.3 Verallgemeinerung auf q-Färbungen

    4 Approximate counting
    4.1 Problemstellung
    4.2 Existenz-Theorem
    4.3 Beweis: erster Teil
    4.4 Beweis: zweiter Teil
    4.5 Implementierung

    5 Literatur

    6 Quelltexte
    6.1 Metropolis-Hastings Algorithmus
    6.2 Gibbs-Sampler
    6.3 Approximate-Counting Algorithmus