401-3612-00L  Stochastic Simulation

SemesterHerbstsemester 2020
DozierendeF. Sigrist
Periodizität2-jährlich wiederkehrende Veranstaltung


401-3612-00 GStochastic Simulation
The lecturers will communicate the exact lesson times of ONLINE courses.
3 Std.
Di14:00-17:00ON LI NE »
F. Sigrist


KurzbeschreibungThis course introduces statistical Monte Carlo methods. This includes applications of stochastic simulation in various fields (statistics, statistical mechanics, operations research, financial mathematics), generating uniform and arbitrary random variables (incl. rejection and importance sampling), the accuracy of methods, variance reduction, quasi-Monte Carlo, and Markov chain Monte Carlo.
LernzielStudents know the stochastic simulation methods introduced in this course. Students understand and can explain these methods, show how they are related to each other, know their weaknesses and strengths, apply them in practice, and proof key results.
InhaltExamples of simulations in different fields (statistics, statistical mechanics, operations research, financial mathematics). Generation of uniform random variables. Generation of random variables with arbitrary distributions (including rejection sampling and importance sampling), simulation of multivariate normal variables and stochastic differential equations. The accuracy of Monte Carlo methods. Methods for variance reduction and quasi-Monte Carlo. Introduction to Markov chains and Markov chain Monte Carlo (Metropolis-Hastings, Gibbs sampler, Hamiltonian Monte Carlo, reversible jump MCMC). Algorithms introduced in the course are illustrated with the statistical software R.
SkriptA script will be available in English.
LiteraturP. Glasserman, Monte Carlo Methods in Financial Engineering.
Springer 2004.

B. D. Ripley. Stochastic Simulation. Wiley, 1987.

Ch. Robert, G. Casella. Monte Carlo Statistical Methods.
Springer 2004 (2nd edition).
Voraussetzungen / BesonderesIt is assumed that students have had an introduction to probability theory and statistics (random variables, joint and conditional distributions, law of large numbers, central limit theorem, basics of measure theory).

The course resources (including script, slides, exercises) will be provided via the Moodle online learning platform.


Information zur Leistungskontrolle (gültig bis die Lerneinheit neu gelesen wird)
Leistungskontrolle als Semesterkurs
ECTS Kreditpunkte5 KP
PrüfendeF. Sigrist
RepetitionDie Leistungskontrolle wird in jeder Session angeboten. Die Repetition ist ohne erneute Belegung der Lerneinheit möglich.
Prüfungsmodusmündlich 20 Minuten
Diese Angaben können noch zu Semesterbeginn aktualisiert werden; verbindlich sind die Angaben auf dem Prüfungsplan.


Keine öffentlichen Lernmaterialien verfügbar.
Es werden nur die öffentlichen Lernmaterialien aufgeführt.


Keine Informationen zu Gruppen vorhanden.


Keine zusätzlichen Belegungseinschränkungen vorhanden.

Angeboten in

DAS in Data ScienceStatisticsWInformation
Data Science MasterWählbare KernfächerWInformation
Mathematik MasterAuswahl: Wahrscheinlichkeitstheorie, StatistikWInformation
Statistik MasterStatistische und mathematische FächerWInformation
Statistik MasterFachbezogene WahlfächerWInformation