Veranstalter

Dozent
Prof. Dr. Volker Schmidt

Übungsleiter
Dipl.-Math. Ole Stenzel

---

Zeit und Ort

Vorlesung
Di, 8-10 Uhr, He18, 120 (Achtung: Raumänderung)

Übung
Di, 12-14 Uhr, He18, 120 (alle zwei Wochen).

---

Umfang

2 Stunden Vorlesung + 1 Stunde Übung

Leistungspunkte: 4

Bei Bedarf wird diese Vorlesung auf Englisch gehalten.

---

Voraussetzungen

Elementare Wahrscheinlichkeitsrechnung und Statistik

---

Zielgruppe

Wahlpflichtvorlesung für: Bachelor Mathematik/Wirtschaftsmathematik/Mathematische Biometrie, Master Mathematik/Wirtschaftsmathematik/Finance, Diplom Mathematik/Wirtschaftsmathematik

Die zusätzliche Teilnahme an einem Reading-Course über dynamische Monte-Carlo-Simulation ist verpflichtend für die Anrechnung als Master-Vorlesung. Näheres zum Reading-Course wird noch bekannt gegeben.

---

Inhalt

 

Die Vorlesung vertieft Methoden und Modelle, die in der Vorlesung "Elementare Wahrscheinlichkeitsrechnung und Statistik" behandelt wurden.

Schwerpunkte der Vorlesung sind:

• Markov-Ketten mit diskreter Zeit und endlichem Zustandsraum
• Stationarität und Ergodizität von Markov-Ketten
• Markov-Chain-Monte-Carlo (MCMC)
• Reversibilität und Kopplungsalgorithmen 

 

---

Leistungsnachweise und Klausur

Erreichen von 50% der Punkte in den Übungsaufgaben als Zulassungsvoraussetzung zur Klausur.

erlaubte Hilfsmittel: 1 (ein- oder beidseitig) beschriebenes DinA4-Blatt, nicht-programmierbarer Taschenrechner

Klausurtermine: 31.07.2012, 10-12 Uhr, H22
                        29.09.2012, 10-12 Uhr, H4/5

---

Übungsblätter

• mcmc_sheet1.pdf
• mcmc_sheet2.pdf
• mcmc_sheet3.pdf, Aufgabe3.R
• mcmc_sheet4.pdf
• mcmc_sheet5.pdf, Exercise1.pdf, Aufgabe3.R
• mcmc_sheet6.pdf, exercise1.zip, exercise2.zip
• mcmc_sheet7.pdf, rloesung.r

 

---

Skript

Vorlesungsskript (englische Version von 2010)

Skript.pdf

---

Literatur

Die folgende Liste von einführenden Lehrbüchern umfasst lediglich eine kleine Auswahl von Texten, die neben dem Vorlesungsmanuskript für ein ergänzendes und vertiefendes Studium empfohlen werden können.

• E. Behrends: Introduction to Markov Chains. Vieweg, 2000
• P. Bremaud: Markov Chains, Gibbs Fields, Monte Carlo Simulation, and Queues. Springer, 2008
• B. Chalmond: Modeling and Inverse Problems in Image Analysis. Springer, 2003
• D. Gamerman, H. Lopes: Markov Chain Monte Carlo: Stochastic Simulation for Bayesian Inference. Chapman & Hall, 2006
• O. Häggström: Finite Markov Chains and Algorithmic Applications. Cambridge University Press, 2002
• D.P. Kroese, T. Taimre, Z.I. Botev: Handbook of Monte Carlo Methods. J. Wiley & Sons, 2011.
• D.A. Levin, Y. Peres, E.L. Wilmer: Markov chains and mixing times. Publications of the AMS, 2009
• S. I. Resnick: Adventures in Stochastic Processes. Birkhäuser, 1992
• C. Robert, G. Casella: Introducing Monte Carlo Methods with R. Springer, 2009
• T. Rolski, H. Schmidli, V. Schmidt, J. Teugels: Stochastic Processes for Insurance and Finance. Wiley, 1999
• R.Y. Rubinstein, D.P. Kroese: Simulation and the Monte Carlo Method, 2nd Edition. John Wiley & Sons, 2007
• Y. Suhov, M. Kelbert: Probability and Statistics by Example. Volume 2. Markov Chains: A Primer in Random Processes and their Applications. Cambridge University Press, 2008
• H. Thorisson: Coupling, Stationarity, and Regeneration. Springer, 2002
• G. Winkler: Image Analysis, Random Fields and Dynamic Monte Carlo Methods. Springer, 2003