Theory of Stochastic Signals/Further Distributions

1. Theory of Stochastic Signals
2. Kontinuierliche Zufallsgrößen
3. Further Distributions

• Previous page
• Next page

• Previous page
• Next page

Rayleighverteilung

Diese Verteilung spielt für die Beschreibung zeitvarianter Kanäle – wie sie beispielweise im Mobilfunk vorliegen – eine zentrale Rolle. So weist nichtfrequenzselektives Fading eine solche Verteilung auf, wenn zwischen der festen Basisstation und dem mobilen Teilnehmer keine Sichtverbindung besteht.

Die Rayleighverteilung besitzt folgende charakteristische Eigenschaften:

• Eine rayleighverteilte Zufallsgröße $x$ kann keine negativen Werte annehmen und der theoretisch mögliche Wert $x =$ 0 tritt auch nur mit der Wahrscheinlichkeit 0 auf.
• Für $x$ ≥ 0 hat die WDF mit dem Verteilungsparameter $λ$ den folgenden Verlauf:

$$f_{\rm x}(x)=\frac{x}{\lambda^2}\cdot {\rm e}^{-{x^{\rm 2}} /{({\rm 2} \lambda^{\rm 2})}}.$$

• Das $k$-te Moment einer rayleighverteilten Zufallsgröße $x$ ergibt sich allgemein zu

$$m_k=(2\cdot \lambda^{\rm 2})^{\it k/\rm 2}\cdot {\rm \Gamma}( 1+ \frac{\it k}{\rm 2}) \hspace{0.3cm}{\rm mit }\hspace{0.3cm}{\rm \Gamma}(x)= \int_{0}^{\infty} t^{x-1} \cdot {\rm e}^{-t} \hspace{0.1cm}{\rm d}t.$$

• Daraus lassen sich Mittelwert und Streuung folgendermaßen berechnen:

$$m_1=\sqrt{2}\cdot \lambda\cdot {\rm \Gamma}(1.5) = \sqrt{2}\cdot \lambda\cdot {\sqrt{\pi}}/{2} =\lambda\cdot\sqrt{{\pi}/{2}},$$ $$m_2=2 \lambda^2 \cdot {\rm \Gamma}(2) = 2 \lambda^2 \hspace{0.3cm}\Rightarrow \hspace{0.3cm}\sigma = \sqrt{m_2 - m_1^2} =\lambda\cdot\sqrt{2-{\pi}/{2}}.$$

• Zur Modellierung einer rayleighverteilten Zufallsgröße $x$ verwendet man zum Beispiel zwei gaußverteilte, mittelwertfreie und statistisch unabhängige Zufallsgrößen $u$ und $υ$, die beide die Streuung $σ = λ$ aufweisen. Die Größen $u$ und $υ$ werden dann wie folgt verknüpft:

$$x=\sqrt{u^2+\upsilon^2}.$$

Die Grafik zeigt den Zeitverlauf $x(t)$ einer rayleighverteilten Zufallsgröße sowie die zugehörige Dichtefunktion $f_{\rm x}(x)$. Man erkennt aus dieser Darstellung:

• Die Rayleigh-WDF ist stets unsymmetrisch.
• Der Mittelwert $m_1$ liegt etwa 25% oberhalb des WDF-Maximums, das bei $x = λ$ auftritt.

Riceverteilung

Auch diese Verteilung spielt für die Beschreibung zeitvarianter Kanäle eine wichtige Rolle, unter Anderem auch deshalb, weil nichtfrequenzselektives Fading dann riceverteilt ist, wenn zwischen der Basisstation und dem Mobilteilnehmer eine Sichtverbindung besteht.

Für die Riceverteilung gelten folgende Aussagen:

• Die Wahrscheinlichkeitsdichtefunkion hat für $x$ > 0 den nachfolgend angegebenen Verlauf, wobei ${\rm I_0}( ... )$ die modifizierte Besselfunktion nullter Ordnung bezeichnet:

$$f_{\rm x}(x)=\frac{x}{\lambda^2}\cdot{\rm e}^{-({C^2+\it x^{\rm 2}})/ ({\rm 2 \it \lambda^{\rm 2}})}\cdot {\rm I_0}(\frac{\it x\cdot C}{\lambda^{\rm 2}}) \hspace{0.4cm}{\rm mit} \hspace{0.4cm} {\rm I_0}(x) = \sum_{k=0}^{\infty}\frac{(x/2)^{2k}}{k! \cdot {\rm \Gamma (k+1)}}.$$

• Der gegenüber der Rayleighverteilung zusätzliche Parameter $C$ ist ein Maß für die „Stärke” der Direktkomponente. Je größer der Quotient $C/λ$ ist, desto mehr nähert sich der Ricekanal dem Gauß-Kanal an. Für $C =$ 0 geht die Riceverteilung in die Rayleighverteilung über.
• Bei der Riceverteilung ist der Ausdruck für das Moment $m_k$ deutlich komplizierter und nur mit Hilfe hypergeometrischer Funktionen angebbar. Ist jedoch $λ$ sehr viel kleiner als $C$, so gilt $m_1 ≈ C$ und $σ ≈ λ$. Unter diesen Voraussetzungen kann die Riceverteilung durch eine Gaußverteilung mit Mittelwert $C$ und Streuung $λ$ angenähert werden.
• Zur Modellierung einer riceverteilten Zufallsgröße $x$ verwenden wir ein ähnliches Modell wie für die Rayleighverteilung, nur muss nun zumindest eine der beiden gaußverteilten und statistisch voneinander unabhängigen Zufallsgrößen $(u$ und/oder $υ$) einen Mittelwert ungleich 0 aufweisen.

Die Grafik zeigt den zeitlichen Verlauf einer riceverteilten Zufallsgröße $x$ sowie deren Dichtefunktion $f_{\rm x}(x)$, wobei $C/λ =$ 2 gilt. Der Mittelwert $m_1$ ist hier etwas größer als $C$.

Etwas salopp ausgedrückt: Die Riceverteilung ist ein Kompromiss zwischen der Rayleigh- und der Gaußverteilung.

Mit dem folgenden Berechnungstool können Sie sich unter Anderem die Kenngrößen (WDF, VTF, Momente) der Rayleigh- und der Riceverteilung anzeigen lassen: WDF, VTF und Momente spezieller Verteilungen

Cauchyverteilung

Mathematisch sehr interessant (allerdings weniger von praktischer Bedeutung) ist die sogenannte Cauchyverteilung mit folgenden Eigenschaften:

• Wahrscheinlichkeitsdichtefunkion und Verteilungsfunktion lauten mit dem Parameter $λ$:

$$f_{\rm x}(x)=\frac{\rm 1}{\it\pi}\cdot\frac{\lambda}{\lambda^2+x^2}, \hspace{2cm} F_{\rm x}(r)=\frac{\rm 1}{2}+{\rm arctan}(\frac{r}{\lambda}).$$

• Bei der Cauchyverteilung besitzen alle Momente mit Ausnahme des linearen Mittelwertes $m_1$ einen unendlich großen Wert, und zwar unabhängig vom Parameter $λ$.
• Damit besitzt diese Verteilung auch eine unendlich große Varianz ⇒ Leistung. Deshalb ist es offensichtlich, dass keine physikalische Größe cauchyverteilt sein kann.
• Eine cauchyverteilte Zufallsgröße $x$ lässt sich aus einer zwischen –1 und +1 gleichverteilten Größe erzeugen, wenn man die folgende nichtlineare Transformation durchführt:

$$x=\lambda\cdot {\rm tan}( {\pi}/{\rm 2}\cdot u).$$

Der Quotient $u/υ$ zweier unabhängiger gaußverteilter mittelwertfreier Größen $u$ und $υ$ ist mit dem Verteilungsparameter $λ = σ_u/σ_υ$ cauchyverteilt.

Die Grafik zeigt die Cauchy-WDF. Zu erkennen ist der langsame Abfall dieser Funktion zu den Rändern hin. Da dieser asymptotisch mit $1/x^2$ erfolgt, sind die Varianz und die Momente höherer Ordnung (mit geradzahligem Index) unendlich groß.

Tschebyscheffsche Ungleichung

Bei einer Zufallsgröße $x$ mit bekannter WDF $f_{\rm x}(x)$ und VTF $F_{\rm x}(r)$ kann die Wahrscheinlichkeit, dass die Zufallsgröße $x$ betragsmäßig um mehr als einen Wert $ε$ von ihrem Mittelwert $m_{\rm x}$ abweicht, entsprechend der in diesem Kapitel allgemein beschriebenen Weise berechnet werden.

Ist neben dem Mittelwert $m_{\rm x}$ zwar noch die Streuung $σ_{\rm x}$ bekannt, nicht jedoch der exakte WDF-Verlauf, so lässt sich für diese Wahrscheinlichkeit zumindest eine obere Schranke angeben:

$${\rm Pr}(|x - m_{\rm x}|\ge\varepsilon)\le\frac{\sigma_{x}^{\rm 2}}{\varepsilon^{\rm 2}}. $$

Diese von Pafnuti L. Tschebyscheff angegebene Schranke – bekannt als „Tschebyscheffsche Ungleichung” – ist im Allgemeinen allerdings nur eine sehr grobe Näherung für die tatsächliche Überschreitungswahrscheinlichkeit. Sie sollte deshalb nur bei unbekanntem Verlauf der WDF $f_{\rm x}(x)$ angewandt werden.

Wir gehen von einer gaußverteilten und mittelwertfreien Zufallsgröße $x$ aus.

• Damit ist die Wahrscheinlichkeit, dass deren Betrag $|x|$ größer als die 3-fache Streuung (3 · $σ_{\rm x}$) ist, einfach berechenbar und ergibt den Wert ${\rm 2 · Q(3) ≈ 2.7 · 10^{–3}}.$
• Die Tschebyscheffsche Ungleichung liefert hier als eine obere Schranke den deutlich zu großen Wert 1/9 ≈ 0.111, die aber für jede beliebige WDF–Form ebenfalls gelten würde.