Nächste Seite: Beispiel: Hard-Core-Modell
Aufwärts: Monte-Carlo-Simulation
Vorherige Seite: Quotienten von gleichverteilten Zufallsvariablen
  Inhalt
Simulationsmethoden mit Markov-Ketten
- Sei
eine beliebige endliche Menge, beispielsweise eine gewisse
Menge von (potentiell möglichen) digitalisierten Binär- bzw.
Graustufenbildern
,
- wobei
eine endliche Menge von Pixeln ist,
- jedem Pixel
aus dem ,,Beobachtungsfenster''
ein
Graustufenwert
zugeordnet wird,
- so dass eine ,,Matrix''
mit bestimmten
Eigenschaften entsteht.
- Sei
eine beliebige (Wahrscheinlichkeits-)
Funktion mit

und
- Wenn die Anzahl
der Elemente der Menge
groß ist,
- dann führt die in Abschnitt 3.2 diskutierte
Inversionsmethode bzw. die Akzeptanz- und Verwerfungsmethode
typischerweise nicht zu effizienten Algorithmen,
- um gemäß
verteilte Pseudozufallselemente
aus
zu erzeugen.
- Beachte
-
- Eine alternative Simulationsmethode beruht
- auf der Konstruktion einer Markov-Kette
mit dem Zustandsraum
- und mit einer (geeignet gewählten) irreduziblen und aperiodischen
Übergangsmatrix
,
- so dass
die ergodische (Grenz-) Verteilung der
Markov-Kette ist.
- Für hinreichend großes
- ist dann
näherungsweise
-verteilt und
- kann somit in vielen Fällen zur effizienten Erzeugung von
(näherungsweise)
-verteilten Pseudozufallselementen aus
dienen.
- Man spricht deshalb in diesem Zusammenhang von Markov-Chain-Monte-Carlo-Simulation (MCMC).
Unterabschnitte
Nächste Seite: Beispiel: Hard-Core-Modell
Aufwärts: Monte-Carlo-Simulation
Vorherige Seite: Quotienten von gleichverteilten Zufallsvariablen
  Inhalt
Ursa Pantle
2003-09-29