Aufgaben:Exercise 3.5Z: Kullback-Leibler Distance again

• Return to book

Ermittelte Wahrscheinlichkeitsfunktionen

Die Wahrscheinlichkeitsfunktion lautet:

$$P_X(X) = \big[\hspace{0.03cm}0.25\hspace{0.03cm}, \hspace{0.15cm} 0.25\hspace{0.15cm},\hspace{0.15cm} 0.25 \hspace{0.03cm}, \hspace{0.15cm} 0.25\hspace{0.03cm}\big]\hspace{0.05cm}.$$

Die Zufallsgröße  $X$  ist also gekennzeichnet durch

• den Symbolumfang  $M=4$,
• gleiche Wahrscheinlichkeiten $P_X(1) = P_X(2) = P_X(3) = P_X(4) = 1/4$ .

Die Zufallsgröße  $Y$  ist stets eine Näherung für  $X$:

• Sie wurde per Simulation aus einer Gleichverteilung gewonnen, wobei jeweils nur  $N$  Zufallszahlen ausgewertet wurden.
• Das heißt:   $P_Y(1)$, ... , $P_Y(4)$  sind im herkömmlichen Sinn keine Wahrscheinlichkeiten.  Sie beschreiben vielmehr  relative Häufigkeiten.

Das Ergebnis der sechsten Versuchsreihe  (mit  $N=1000)$  wird demnach durch die folgende Wahrscheinlichkeitsfunktion zusammengefasst:

$$P_Y(X) = \big [\hspace{0.05cm}0.225\hspace{0.15cm}, \hspace{0.05cm} 0.253\hspace{0.05cm},\hspace{0.15cm} 0.250 \hspace{0.05cm}, \hspace{0.15cm} 0.272\hspace{0.05cm}\big] \hspace{0.05cm}.$$

Bei dieser Schreibweise ist bereits berücksichtigt, dass die Zufallsgrößen  $X$  und  $Y$  auf dem gleichen Alphabet  $X = \{1,\ 2,\ 3,\ 4\}$ basieren.

Mit diesen Voraussetzungen gilt für die  relative Entropie  (englisch:  Informational Divergence) zwischen den beiden Wahrscheinlichkeitsfunktionen  $P_X(.)$  und  $P_Y(.)$ :

$$D(P_X \hspace{0.05cm}|| \hspace{0.05cm} P_Y) = {\rm E}_X \hspace{-0.1cm}\left [ {\rm log}_2 \hspace{0.1cm} \frac{P_X(X)}{P_Y(X)}\right ] \hspace{0.2cm}=\hspace{0.2cm} \sum_{\mu = 1}^{M} P_X(\mu) \cdot {\rm log}_2 \hspace{0.1cm} \frac{P_X(\mu)}{P_Y(\mu)} \hspace{0.05cm}.$$

Man bezeichnet  $D( P_X\hspace{0.05cm} || \hspace{0.05cm}P_Y)$  als (erste) Kullback–Leibler–Distanz.

• Diese ist ein Maß für die Ähnlichkeit zwischen den zwei Wahrscheinlichkeitsfunktionen  $P_X(.)$  und  $P_Y(.)$.
• Die Erwartungswertbildung geschieht hier hinsichtlich der (tatsächlich gleichverteilten) Zufallsgröße  $X$.  Dies wird durch die Nomenklatur  ${\rm E}_X\big[.\big]$  angedeutet.

Eine zweite Form der Kullback–Leibler–Distanz ergibt sich durch die Erwartungswertbildung hinsichtlich der Zufallsgröße  $Y$   ⇒   ${\rm E}_Y\big [.\big ]$:

$$D(P_Y \hspace{0.05cm}|| \hspace{0.05cm} P_X) = {\rm E}_Y \hspace{-0.1cm} \left [ {\rm log}_2 \hspace{0.1cm} \frac{P_Y(X)}{P_X(X)}\right ] \hspace{0.2cm}=\hspace{0.2cm} \sum_{\mu = 1}^M P_Y(\mu) \cdot {\rm log}_2 \hspace{0.1cm} \frac{P_Y(\mu)}{P_X(\mu)} \hspace{0.05cm}.$$

Hinweise:

• Die Aufgabe gehört zum Kapitel  Einige Vorbemerkungen zu den 2D-Zufallsgrößen.
• Insbesondere wird Bezug genommen auf die Seite  Relative Entropie – Kullback-Leibler-Distanz.
• Die Angaben der Entropie  $H(Y)$  und der Kullback–Leibler–Distanz  $D( P_X \hspace{0.05cm}|| \hspace{0.05cm}P_Y)$  in obiger Grafik sind in „bit” zu verstehen.
• Die in der Grafik mit  „???"  versehenen Felder sollen von Ihnen in dieser Aufgabe ergänzt werden.

Fragebogen

1

Welche Entropie besitzt die Zufallsgröße  $X$ ?

$H(X)\ = \ $ $\ \rm bit$

2

Wie groß sind die Entropien der Zufallsgrößen  $Y$  $($Näherungen für  $X)$?

$N=10^3\text{:} \hspace{0.5cm} H(Y) \ = \ $ $\ \rm bit$

$N=10^2\text{:} \hspace{0.5cm} H(Y) \ = \ $ $\ \rm bit$

$N=10^1\text{:} \hspace{0.5cm} H(Y) \ = \ $ $\ \rm bit$

3

Berechnen Sie die folgenden Kullback–Leibler–Distanzen.

$N=10^3\text{:} \hspace{0.5cm} D( P_X \hspace{0.05cm}|| \hspace{0.05cm} P_Y) \ = \ $ $\ \rm bit$

$N=10^2\text{:} \hspace{0.5cm} D( P_X \hspace{0.05cm}|| \hspace{0.05cm} P_Y) \ = \ $ $\ \rm bit$

$N=10^1\text{:} \hspace{0.5cm} D( P_X \hspace{0.05cm}|| \hspace{0.05cm} P_Y) \ = \ $ $\ \rm bit$

4

Liefert  $D(P_Y\hspace{0.05cm}|| \hspace{0.05cm} P_X)$  jeweils exakt das gleiche Ergebnis?

	Ja.
	Nein.

5

Welche Aussagen gelten für die Kullback–Leibler–Distanzen bei  $N = 4$?

	Es gilt  $D(P_X \hspace{0.05cm}|| \hspace{0.05cm} P_Y) = 0$.
	Es gilt  $D(P_X\hspace{0.05cm}|| \hspace{0.05cm} P_Y) = 0.5 \ \rm bit$.
	$D(P_X\hspace{0.05cm}|| \hspace{0.05cm} P_Y)$  ist unendlich groß.
	Es gilt  $D(P_Y\hspace{0.05cm}|| \hspace{0.05cm} P_X) = 0$.
	Es gilt  $D(P_Y\hspace{0.05cm}|| \hspace{0.05cm} P_X) = 0.5 \ \rm bit$.
	$D(P_Y\hspace{0.05cm}|| \hspace{0.05cm} P_X)$  ist unendlich groß.

6

Ändern sich sowohl  $H(Y)$  als auch  $D(P_X\hspace{0.05cm}|| \hspace{0.05cm} P_Y)$  monoton mit  $N$?

	Ja,
	Nein.

Musterlösung

Solution

(1)  Bei gleichen Wahrscheinlichkeiten gilt mit  $M = 4$:

$$H(X) = {\rm log}_2 \hspace{0.1cm} M \hspace{0.15cm} \underline {= 2\,{\rm (bit)}} \hspace{0.05cm}.$$

(2)  Die Wahrscheinlichkeiten für die empirisch ermittelten Zufallsgrößen  $Y$  weichen im Allgemeinen  (nicht immer!)  von der Gleichverteilung um so mehr ab, je kleiner der Parameter  $N$  ist. 

Man erhält für

• $N = 1000 \ \ \Rightarrow \ \ P_Y(Y) = \big [0.225, \ 0.253, \ 0.250, \ 0.272 \big ]$:

$$H(Y) = 0.225 \cdot {\rm log}_2 \hspace{0.1cm} \frac{1}{0.225} + 0.253 \cdot {\rm log}_2 \hspace{0.1cm} \frac{1}{0.253} + 0.250 \cdot {\rm log}_2 \hspace{0.1cm} \frac{1}{0.250} + 0.272 \cdot {\rm log}_2 \hspace{0.1cm} \frac{1}{0.272} \hspace{0.15cm} \underline {= 1.9968\ {\rm (bit)}} \hspace{0.05cm},$$

• $N = 100 \ \ \Rightarrow \ \ P_Y(Y) = \big[0.24, \ 0.16, \ 0.30, \ 0.30\big]$:

$$H(Y) = \hspace{0.05cm}\text{...} \hspace{0.15cm} \underline {= 1.9410\ {\rm (bit)}} \hspace{0.05cm},$$

• $N = 10 \ \ \Rightarrow \ \ P_Y(Y) = \big[0.5, \ 0.1, \ 0.3, \ 0.1 \big]$:

$$H(Y) = \hspace{0.05cm}\text{...} \hspace{0.15cm} \underline {= 1.6855\ {\rm (bit)}} \hspace{0.05cm}.$$

(3)  Die Gleichung für die gesuchte Kullback–Leibler–Distanz lautet:

$$D(P_X \hspace{0.05cm}|| \hspace{0.05cm} P_Y) = \sum_{\mu = 1}^{4} P_X(\mu) \cdot {\rm log}_2 \hspace{0.1cm} \frac{P_X(\mu)}{P_Y(\mu)} = \frac{1/4}{{\rm lg} \hspace{0.1cm}(2)} \cdot \left [ {\rm lg} \hspace{0.1cm} \frac{0.25}{P_Y(1)} + \frac{0.25}{P_Y(2)} + \frac{0.25}{P_Y(3)} + \frac{0.25}{P_Y(4)} \right ] $$

$$\Rightarrow \hspace{0.3cm} D(P_X \hspace{0.05cm}|| \hspace{0.05cm} P_Y) = \frac{1}{4 \cdot {\rm lg} \hspace{0.1cm}(2)} \cdot \left [ {\rm lg} \hspace{0.1cm} \frac{0.25^4}{P_Y(1) \cdot P_Y(2)\cdot P_Y(3)\cdot P_Y(4)} \right ] \hspace{0.05cm}.$$

Der Logarithmus zur Basis  $ 2$  ⇒   $\log_2(.)$ wurde zur einfachen Nutzung des Taschenrechners durch den Zehnerlogarithmus   ⇒   $\lg(.)$ ersetzt.

Man erhält die folgenden numerischen Ergebnisse:

• für $N=1000$:

$$D(P_X \hspace{0.05cm}|| \hspace{0.05cm} P_Y) = \frac{1}{4 \cdot {\rm lg} \hspace{0.1cm}(2)} \cdot \left [ {\rm lg} \hspace{0.1cm} \frac{0.25^4}{0.225 \cdot 0.253\cdot 0.250\cdot 0.272} \right ] \hspace{0.15cm} \underline {= 0.00328 \,{\rm (bit)}} \hspace{0.05cm},$$

• für $N=100$:

$$D(P_X \hspace{0.05cm}|| \hspace{0.05cm} P_Y) = \frac{1}{4 \cdot {\rm lg} \hspace{0.1cm}(2)} \cdot \left [ {\rm lg} \hspace{0.1cm} \frac{0.25^4}{0.24 \cdot 0.16\cdot 0.30\cdot 0.30} \right ] \hspace{0.15cm} \underline {= 0.0442 \,{\rm (bit)}} \hspace{0.05cm},$$

• für $N=10$:

$$D(P_X \hspace{0.05cm}|| \hspace{0.05cm} P_Y) = \frac{1}{4 \cdot {\rm lg} \hspace{0.1cm}(2)} \cdot \left [ {\rm lg} \hspace{0.1cm} \frac{0.25^4}{0.5 \cdot 0.1\cdot 0.3\cdot 0.1} \right ] \hspace{0.15cm} \underline {= 0.345 \,{\rm (bit)}} \hspace{0.05cm}.$$

(4)  Richtig ist  Nein, wie am Beispiel  $N = 100$  gezeigt werden soll:

$$D(P_Y \hspace{0.05cm}|| \hspace{0.05cm} P_X) = \sum_{\mu = 1}^M P_Y(\mu) \cdot {\rm log}_2 \hspace{0.1cm} \frac{P_Y(\mu)}{P_X(\mu)} = 0.24\cdot {\rm log}_2 \hspace{0.1cm} \frac{0.24}{0.25} + 0.16\cdot {\rm log}_2 \hspace{0.1cm} \frac{0.16}{0.25} +2 \cdot 0.30\cdot {\rm log}_2 \hspace{0.1cm} \frac{0.30}{0.25} = 0.0407\ {\rm (bit)}\hspace{0.05cm}.$$

• In der Teilaufgabe  (3)  haben wir stattdessen  $D(P_X\hspace{0.05cm}|| \hspace{0.05cm} P_Y) = 0.0442$  erhalten.
• Das bedeutet auch:   Die Bezeichnung „Distanz” ist etwas irreführend.
• Danach würde man eigentlich  $D(P_Y\hspace{0.05cm}|| \hspace{0.05cm} P_X)$ = $D(P_X\hspace{0.05cm}|| \hspace{0.05cm} P_Y)$  erwarten.

Wahrscheinlichkeitsfunktion, Entropie und Kullback–Leibler–Distanz

(5)  Mit  $P_Y(X) = \big [0, \ 0.25, \ 0.5, \ 0.25 \big ]$  erhält man:

$$D(P_X \hspace{0.05cm}|| \hspace{0.05cm} P_Y) = 0.25\cdot {\rm log}_2 \hspace{0.1cm} \frac{0.25}{0} + 2 \cdot 0.25\cdot {\rm log}_2 \hspace{0.1cm} \frac{0.25}{0.25}+0.25\cdot {\rm log}_2 \hspace{0.1cm} \frac{0.25}{0.50}\hspace{0.05cm}.$$

• Aufgrund des ersten Terms ergibt sich für  $D(P_X\hspace{0.05cm}|| \hspace{0.05cm}P_Y)$  ein unendlich großer Wert.
• Für die zweite Kullback–Leibler–Distanz gilt:

$$D(P_Y \hspace{0.05cm}|| \hspace{0.05cm} P_X) = 0\cdot {\rm log}_2 \hspace{0.1cm} \frac{0}{0.25} + 2 \cdot 0.25\cdot {\rm log}_2 \hspace{0.1cm} \frac{0.25}{0.25}+ 0.50\cdot {\rm log}_2 \hspace{0.1cm} \frac{0.5}{0.25} \hspace{0.05cm}.$$

• Nach einer Grenzwertbetrachtung erkennt man, dass der erste Term das Ergebnis  $0$  liefert.  Auch der zweite Term ergibt sich zu Null, und man erhält als Endergebnis:

$$D(P_Y \hspace{0.05cm}|| \hspace{0.05cm} P_X) = 0.50\cdot {\rm log}_2 \hspace{0.1cm} (2) \hspace{0.15cm} \underline {= 0.5\,{\rm (bit)}} \hspace{0.05cm}.$$

Richtig sind somit die  Aussagen 3 und 5:

• Aus diesem Extrembeispiel wird deutlich, dass sich  $D(P_Y\hspace{0.05cm}|| \hspace{0.05cm} P_X)$  stets von  $D(P_X\hspace{0.05cm}|| \hspace{0.05cm} P_Y)$  unterscheidet.
• Nur für den Sonderfall  $P_Y \equiv P_X$  sind beide Kullback–Leibler–Distanzen gleich, nämlich Null.
• Die nebenstehende Tabelle zeigt das vollständige Ergebnis dieser Aufgabe.

(6)  Richtig ist wiederum  Nein.  Die Tendenz ist zwar eindeutig:   Je größer  $N$  ist,

• desto mehr nähert sich  $H(Y)$  im Prinzip dem Endwert  $H(X) = 2 \ \rm bit$  an.
• um so kleiner werden die Distanzen  $D(P_X\hspace{0.05cm}|| \hspace{0.05cm} P_Y)$  und  $D(P_Y\hspace{0.05cm}|| \hspace{0.05cm} P_X)$.

Man erkennt aus der Tabelle aber auch, dass es Ausnahmen gibt:

• Die Entropie  $H(Y)$  ist für  $N = 1000$  kleiner als für  $N = 400$.
• Die Distanz  $D(P_X\hspace{0.05cm}|| \hspace{0.05cm}P_Y)$  ist für  $N = 1000$  größer als für  $N = 400$.
• Der Grund hierfür ist, dass das hier dokumentierte empirische Experiment mit  $N = 400$  eher zu einer Gleichverteilung geführt hat als das Experiment mit  $N = 1000$.
• Würde man dagegen sehr (unendlich) viele Versuche mit  $N = 400$  und  $N = 1000$  starten und über all diese mitteln, ergäbe sich tatsächlich der eigentlich erwartete monotone Verlauf.