---

name: simulate-stochastic-process description: > Stochastische Prozesse (Markov-Ketten, Random Walks, SDEs, MCMC) mit Konvergenzdiagnostik, Varianzreduktion und Visualisierung simulieren. Verwenden beim Erzeugen von Stichprobenpfaden fuer Schaetzung, Vorhersage oder Visualisierung; wenn analytische Loesungen nicht handhabbar sind; bei Monte-Carlo-Schaetzung mit Konvergenzgarantien; bei Validierung analytischer Ergebnisse gegen empirische Simulation; oder beim Ziehen von Stichproben aus komplexen Posteriors via MCMC. license: MIT allowed-tools: Read Write Edit Bash Grep Glob metadata: author: Philipp Thoss version: "1.0" domain: stochastic-processes complexity: advanced language: multi tags: stochastic, simulation, mcmc, convergence, monte-carlo locale: de source_locale: en source_commit: 75ded7a1 fence_basis_commit: 75ded7a1 translator: claude translation_date: "2026-03-17"

Stochastischen Prozess simulieren

Stichprobenpfade aus stochastischen Prozessen simulieren -- einschliesslich diskreter Markov-Ketten, zeitkontinuierlicher Prozesse, stochastischer Differentialgleichungen und MCMC-Sampler -- mit Konvergenzdiagnostik, Varianzreduktionstechniken und Trajektorienvisualisierung.

Wann verwenden

• Erzeugung von Stichprobenpfaden aus einem stochastischen Prozess fuer Schaetzung, Vorhersage oder Visualisierung erforderlich
• Analytische Loesungen sind nicht handhabbar und Simulation ist der einzige praktikable Ansatz
• Monte-Carlo-Schaetzung mit Konvergenzgarantien und Unsicherheitsquantifizierung wird durchgefuehrt
• Validierung analytischer Ergebnisse (stationaere Verteilungen, Treffzeiten) gegen empirische Simulation gewuenscht
• Stichprobenziehung aus einer komplexen Posterior-Verteilung mittels MCMC erforderlich
• Prototyping eines stochastischen Modells vor Uebergang zur vollstaendigen analytischen Behandlung

Eingaben

Erforderlich

Eingabe	Typ	Beschreibung
process_type	string	Art des Prozesses: "dtmc", "ctmc", "random_walk", "brownian_motion", "sde", "mcmc"
parameters	dict	Prozessspezifische Parameter (Uebergangsmatrix, Drift-/Diffusionskoeffizienten, Zieldichte, etc.)
n_paths	integer	Anzahl unabhaengiger zu simulierender Stichprobenpfade
n_steps	integer	Anzahl der Zeitschritte pro Pfad (oder Gesamt-MCMC-Iterationen)

Optional

Eingabe	Typ	Standard	Beschreibung
initial_state	scalar/vector	prozessspezifisch	Startzustand oder -verteilung fuer jeden Pfad
dt	float	0.01	Zeitschrittgroesse fuer zeitkontinuierliche Diskretisierung
seed	integer	zufaellig	Zufallsseed fuer Reproduzierbarkeit
burn_in	integer	n_steps / 10	Anzahl anfaenglich zu verwerfender Schritte (MCMC)
thinning	integer	1	Jeden k-ten Sample behalten zur Autokorrelationsreduktion
variance_reduction	string	"none"	Methode: "none", "antithetic", "stratified", "control_variate"
target_function	callable	keine	Funktion zur Auswertung entlang der Pfade fuer Monte-Carlo-Schaetzung

Vorgehensweise

Schritt 1: Prozessmodell und Parameter definieren

1.1. Prozesstyp identifizieren und alle erforderlichen Parameter zusammenstellen:

• DTMC: Uebergangsmatrix P und Zustandsraum. Validieren dass P zeilenstochastisch ist.
• CTMC: Ratenmatrix Q. Validieren dass Zeilen sich zu 0 summieren und Nebendiagonaleintraege nicht-negativ sind.
• Random Walk: Schrittverteilung (z.B. {-1, +1} mit gleicher Wahrscheinlichkeit), gegebenenfalls Grenzen.
• Brownsche Bewegung: Drift mu, Volatilitaet sigma, Dimension d.
• SDE (Ito): Driftfunktion a(x,t), Diffusionsfunktion b(x,t).
• MCMC: Ziel-Log-Dichte, Vorschlagsmechanismus (Random-Walk-Metropolis, Hamilton, Gibbs-Komponenten).

1.2. Parameterkonsistenz validieren:

• Matrixdimensionen stimmen mit Zustandsraumgroesse ueberein.
• SDE-Koeffizienten erfuellen Wachstums- und Lipschitz-Bedingungen (zumindest informell) fuer den gewaehlten Loeser.
• MCMC-Vorschlag ist wohldefiniert fuer den Traeger der Zielverteilung.

1.3. Zufallsseed fuer Reproduzierbarkeit setzen.

Erwartet: Ein vollstaendig spezifiziertes stochastisches Modell mit validierten Parametern und einem reproduzierbaren Zufallszustand.

Bei Fehler: Wenn Parameter inkonsistent sind (z.B. nicht-stochastische Matrix), vor dem Fortfahren korrigieren. Wenn SDE-Koeffizienten pathologisch sind, ein anderes Diskretisierungsschema in Betracht ziehen.

Schritt 2: Simulationsmethode auswaehlen

2.1. Den geeigneten Algorithmus basierend auf dem Prozesstyp waehlen:

Prozess	Methode	Schluesseleigenschaft
DTMC	Direkte Stichprobenziehung aus Uebergangszeile	Exakt
CTMC	Gillespie-Algorithmus (SSA)	Exakt, ereignisgesteuert
CTMC (approx.)	Tau-Leaping	Approximativ, schneller bei hohen Raten
Random Walk	Direkte Stichprobenziehung der Inkremente	Exakt
Brownsche Bew.	Kumulative Summe Gauss'scher Inkremente	Exakt fuer festes dt
SDE (allgemein)	Euler-Maruyama	Ordnung 0.5 stark, Ordnung 1.0 schwach
SDE (hoehere Ord.)	Milstein	Ordnung 1.0 stark (skalares Rauschen)
SDE (steif)	Implizites Euler-Maruyama	Stabil fuer steife Drift
MCMC (allgemein)	Metropolis-Hastings	Asymptotisch exakt
MCMC (Gradient)	Hamiltonsches Monte Carlo (HMC)	Besseres Mixing in hohen Dimensionen
MCMC (bedingt)	Gibbs-Sampler	Exakte Bedingungsverteilungen wenn verfuegbar

2.2. Fuer SDE-Methoden dt klein genug fuer numerische Stabilitaet waehlen. Nuetzliche Heuristik: mit dt = 0.01 beginnen und halbieren bis Ergebnisse stabil sind.

2.3. Fuer MCMC die Vorschlagsskala anpassen um eine Akzeptanzrate von ungefaehr zu erreichen:

• 23.4% fuer hochdimensionalen Random-Walk-Metropolis
• 57.4% fuer eindimensionale Ziele
• 65-90% fuer HMC (abhaengig von Trajektorienlaenge)

2.4. Wenn Varianzreduktion angefordert, diese konfigurieren:

• Antithetische Variablen: Fuer jeden Pfad mit Zufallsinkrementen Z auch mit -Z simulieren.
• Stratifizierte Stichprobe: Den Wahrscheinlichkeitsraum partitionieren und innerhalb jeder Schicht ziehen.
• Kontrollvariablen: Eine korrelierte Groesse mit bekanntem Erwartungswert zur Varianzreduktion identifizieren.

Erwartet: Ein ausgewaehlter Simulationsalgorithmus passend zum Prozesstyp mit geeigneten Abstimmungsparametern.

Bei Fehler: Wenn die gewaehlte Methode instabil ist (z.B. Euler-Maruyama divergiert), zu einer impliziten Methode wechseln oder dt reduzieren.

Schritt 3: Simulation implementieren und ausfuehren

3.1. Speicher fuer n_paths Trajektorien zuweisen, jeweils der Laenge n_steps (oder dynamisch fuer ereignisgesteuerte Methoden wie Gillespie).

3.2. Fuer jeden Pfad i = 1, ..., n_paths:

DTMC / Random Walk:

• x[0] = initial_state setzen
• Fuer t = 1, ..., n_steps: x[t] aus der Uebergangsverteilung gegeben x[t-1] ziehen

CTMC (Gillespie):

• x[0] = initial_state setzen, time = 0
• Solange time < T_max:
  • Gesamtrate lambda = -Q[x, x] berechnen
  • Haltezeit tau ~ Exp(lambda) ziehen
  • Naechsten Zustand aus Uebergangswahrscheinlichkeiten Q[x, j] / lambda fuer j != x ziehen
  • time += tau aktualisieren, Uebergang aufzeichnen

SDE (Euler-Maruyama):

• x[0] = initial_state setzen
• Fuer t = 1, ..., n_steps:
  • dW = sqrt(dt) * N(0, I) (Wiener-Inkrement)
  • x[t] = x[t-1] + a(x[t-1], t*dt) * dt + b(x[t-1], t*dt) * dW

MCMC (Metropolis-Hastings):

• x[0] = initial_state setzen
• Fuer t = 1, ..., n_steps:
  • x' ~ q(x' | x[t-1]) vorschlagen
  • Akzeptanzverhaeltnis alpha = min(1, p(x') * q(x[t-1]|x') / (p(x[t-1]) * q(x'|x[t-1]))) berechnen
  • Mit Wahrscheinlichkeit alpha akzeptieren: x[t] = x' falls akzeptiert, sonst x[t] = x[t-1]
  • Akzeptanzentscheidung aufzeichnen

3.3. Wenn target_function angegeben, diese an jedem Zustand entlang jedes Pfades auswerten und Werte speichern.

3.4. Thinning anwenden: jeden thinning-ten Sample behalten.

3.5. burn_in Samples vom Beginn jedes Pfades verwerfen (hauptsaechlich fuer MCMC).

Erwartet: n_paths vollstaendige Trajektorien im Speicher, mit optionalen Funktionsauswertungen. MCMC-Akzeptanzrate liegt im Zielbereich.

Bei Fehler: Wenn die Simulation NaN- oder Inf-Werte erzeugt, dt fuer SDE-Methoden reduzieren oder Parametergueltigkeit pruefen. Wenn die MCMC-Akzeptanzrate nahe 0% oder 100% liegt, Vorschlagsskala anpassen.

Schritt 4: Konvergenzdiagnostik anwenden

4.1. Trace-Plots: Den Wert jeder Komponente ueber die Zeit fuer eine Teilmenge der Pfade darstellen. Visuelle Inspektion auf Stationaritaet (keine Trends, stabile Varianz).

4.2. Gelman-Rubin-Diagnostik (R-hat): Fuer MCMC mit mehreren Ketten:

• Innerhalb-Ketten-Varianz W und Zwischen-Ketten-Varianz B berechnen.
• R_hat = sqrt((n-1)/n + B/(n*W))
• Konvergenz angezeigt durch R_hat < 1.01 (streng) oder R_hat < 1.1 (nachsichtig).

4.3. Effektive Stichprobengroesse (ESS):

• Autokorrelation bei steigenden Lags schaetzen.
• ESS = n_samples / (1 + 2 * sum(autocorrelations))
• Faustregel: ESS > 400 fuer zuverlaessige Posterior-Zusammenfassungen.

4.4. Geweke-Diagnostik: Mittelwert der ersten 10% und der letzten 50% jeder Kette vergleichen. Der z-Score sollte innerhalb [-2, 2] fuer Konvergenz liegen.

4.5. Fuer Nicht-MCMC-Prozesse: Sicherstellen dass zeitgemittelte Statistiken (Mittelwert, Varianz) mit zunehmender Pfadlaenge stabilisieren. Laufende Durchschnitte darstellen.

4.6. Eine Zusammenfassungstabelle erstellen:

Diagnostik	Wert	Schwellenwert	Status
R-hat (max)	...	< 1.01	...
ESS (min)	...	> 400	...
Geweke z (max abs)	...	< 2.0	...
Akzeptanzrate	...	0.15-0.50	...

Erwartet: Alle Konvergenzdiagnostiken bestehen ihre Schwellenwerte. Trace-Plots zeigen stabile, gut mischende Ketten.

Bei Fehler: Wenn R-hat > 1.1, laengere Ketten laufen lassen oder den Vorschlag verbessern. Wenn ESS sehr niedrig ist, Thinning erhoehen oder zu einem besseren Sampler wechseln (z.B. HMC). Wenn Geweke fehlschlaegt, Burn-in verlaengern.

Schritt 5: Zusammenfassungsstatistiken mit Konfidenzintervallen berechnen

5.1. Fuer jede Groesse von Interesse (Zustandsbelegung, Funktionserwartungswert, Treffzeiten):

• Punktschaetzung als Stichprobenmittel ueber Pfade berechnen (nach Burn-in und Thinning).
• Standardfehler mittels effektiver Stichprobengroesse berechnen: SE = SD / sqrt(ESS).

5.2. Konfidenzintervalle konstruieren:

• Normalapproximation: Schaetzung +/- z_{alpha/2} * SE
• Fuer schiefe Verteilungen Percentil-Bootstrap oder Batch-Mittel verwenden.

5.3. Wenn Varianzreduktion angewandt wurde, den Varianzreduktionsfaktor berechnen:

• VRF = Var(naiver Schaetzer) / Var(reduzierter Schaetzer)
• Die effektive Beschleunigung berichten.

5.4. Fuer Monte-Carlo-Integrationsschaetzungen:

• Schaetzung, Standardfehler, 95%-KI, ESS und Anzahl der Funktionsauswertungen berichten.

5.5. Fuer Verteilungsschaetzungen:

• Empirische Quantile berechnen (Median, 2.5te, 97.5te Perzentile).
• Kerndichteschaetzungen fuer stetige Groessen.

5.6. Alle Zusammenfassungsstatistiken mit ihren Unsicherheiten tabellieren.

Erwartet: Punktschaetzungen mit zugehoerigen Standardfehlern und Konfidenzintervallen. Varianzreduktion (falls angewandt) ergibt VRF > 1.

Bei Fehler: Wenn Konfidenzintervalle zu breit sind, n_paths oder n_steps erhoehen. Wenn Varianzreduktion Schaetzungen verschlechtert (VRF < 1), deaktivieren -- die Kontrollvariable oder das antithetische Schema passt moeglicherweise nicht zum Problem.

Schritt 6: Trajektorien und Verteilungen visualisieren

6.1. Trajektorienplots: Eine repraesentative Teilmenge von Stichprobenpfaden (5-20 Pfade) ueber die Zeit darstellen. Transparenz fuer ueberlappende Pfade verwenden.

6.2. Ensemble-Statistiken: Die mittlere Trajektorie und punktweise 95%-Konfidenzbaender ueber alle Pfade ueberlagern.

6.3. Randverteilungen: An ausgewaehlten Zeitpunkten Histogramme oder Dichteschaetzungen der Zustandsverteilung ueber Pfade darstellen.

6.4. Vergleich mit stationaerer Verteilung: Wenn eine analytische stationaere Verteilung verfuegbar ist, diese dem empirischen Histogramm der letzten Zeitscheibe ueberlagern.

6.5. Autokorrelationsplots: Fuer MCMC die Autokorrelationsfunktion (ACF) fuer jede Komponente bis zu einem vernuenftigen Lag darstellen.

6.6. Diagnostik-Dashboard: Trace-Plots, ACF-Plots, laufende Mittelwert-Plots und Randdichten zu einer einzigen Mehrfach-Paneel-Abbildung fuer umfassende Bewertung kombinieren.

6.7. Alle Abbildungen sowohl in Vektor- (PDF/SVG) als auch in Rasterformaten (PNG) fuer die Dokumentation speichern.

Erwartet: Publikationsreife Abbildungen die Trajektorienverhalten, Verteilungskonvergenz und diagnostische Zusammenfassungen zeigen. Analytische Loesungen (wo verfuegbar) stimmen mit empirischen Ergebnissen ueberein.

Bei Fehler: Wenn Visualisierungen Nichtstationaritaet oder nicht erwartete Multimodalitaet aus dem Modell zeigen, Schritte 1-2 auf Parameter- oder Methodenfehler ueberpruefen. Wenn Plots ueberladen sind, Anzahl dargestellter Pfade reduzieren oder Abbildungsgroesse erhoehen.

Validierung

• Alle simulierten Trajektorien bleiben im gueltigen Zustandsraum (keine Out-of-Bounds-Werte, kein NaN/Inf)
• Fuer DTMC/CTMC: empirische stationaere Verteilung konvergiert zur analytischen (innerhalb erwarteten Monte-Carlo-Fehlers)
• Fuer SDE: Halbierung von dt aendert Ergebnisse nicht qualitativ (Konvergenzordnungspruefung)
• Fuer MCMC: R-hat < 1.01, ESS > 400, Geweke-z-Scores innerhalb [-2, 2]
• Konfidenzintervallbreiten nehmen proportional zu 1/sqrt(n_paths) ab (Zentraler Grenzwertsatz)
• Varianzreduktionstechniken ergeben VRF > 1 (Schaetzungen verbessern sich, verschlechtern sich nicht)
• Reproduzierbarkeit: erneutes Ausfuehren mit demselben Seed erzeugt identische Ergebnisse

Haeufige Stolperfallen

• Unzureichendes Burn-in fuer MCMC: Start von einem schlechten Anfangszustand erfordert ein langes Burn-in bevor Samples die Zielverteilung repraesentieren. Immer Trace-Plots inspizieren und Konvergenzdiagnostik verwenden statt die Burn-in-Laenge zu raten.
• Euler-Maruyama-Instabilitaet fuer steife SDEs: Wenn der Driftterm grosse Gradienten hat, kann explizites Euler-Maruyama divergieren. Zu impliziten Methoden wechseln oder adaptive Schrittgroesse verwenden.
• Verwechslung starker und schwacher Konvergenz fuer SDEs: Starke Konvergenz misst pfadweisen Fehler (wichtig fuer einzelne Trajektorien); schwache Konvergenz misst Verteilungsfehler (ausreichend fuer Erwartungswerte). Euler-Maruyama hat schwache Ordnung 1.0 aber starke Ordnung 0.5.
• Qualitaet des Pseudozufallszahlengenerators: Fuer sehr lange Simulationen koennen minderwertige RNGs korrelierte Samples erzeugen. Einen gut getesteten Generator verwenden (Mersenne Twister, PCG oder Xoshiro) und Unabhaengigkeit verifizieren.
• Autokorrelation in MCMC ignorieren: Autokorrelierte MCMC-Samples als unabhaengig behandeln unterschaetzt Unsicherheit. Immer effektive Stichprobengroesse verwenden, nicht rohe Sampleanzahl, fuer Standardfehler.
• Antithetische Variablen fuer nicht-monotone Funktionen: Antithetische Stichprobenziehung reduziert Varianz nur wenn der Schaetzgegenstand eine monotone Funktion der zugrundeliegenden Uniformen ist. Fuer nicht-monotone Funktionen kann sie Varianz erhoehen.
• Speicher fuer grosse Simulationen: Speicherung aller Zeitschritte vieler langer Pfade kann den Speicher erschoepfen. Online-Statistiken verwenden (laufender Mittelwert, Varianz) wenn vollstaendige Trajektorien nicht fuer die Visualisierung benoetigt werden.

Verwandte Skills

• Markov-Kette modellieren -- stellt die Uebergangsmatrizen und analytischen Loesungen bereit, die die Simulation validiert
• Hidden-Markov-Modell anpassen -- Simulation aus angepassten HMMs ermoeglicht posteriore praediktive Pruefung und synthetische Datenerzeugung