Aufgaben:Exercise 4.4: Two-dimensional Gaussian PDF

• Return to book

Wir betrachten zweidimensionale Zufallsgrößen, wobei beide Komponenten stets als mittelwertfrei vorausgesetzt werden. Die 2D-WDF der Zufallsgröße $(u, v)$ lautet:

$$f_{uv}(u, v)=\frac{1}{\pi} \cdot {\rm e}^{-(2u^{\rm 2} \hspace{0.05cm}+ \hspace{0.05cm}v^{\rm 2}\hspace{-0.05cm}/\rm 2)}.$$

Von der ebenfalls Gaußschen 2D-Zufallsgröße $(x, y)$ sind die folgenden Parameter bekannt:

$$\sigma_x= 0.5, \hspace{0.5cm}\sigma_y = 1,\hspace{0.5cm}\rho_{xy} = 1. $$

Die Werte des Gaußschen Fehlerintegrals ${\rm \phi}(x)$ sowie der Komplementärfunktion ${\rm Q}(x) = 1- {\rm \phi}(x)$ können Sie der nebenstehenden Tabelle entnehmen.

Hinweise:

• Die Aufgabe gehört zum Kapitel Zweidimensionale Zufallsgrößen.
• Bezuig genommen wird auch auf das Kapitel Gaußverteilte Zufallsgrößen
• Sollte die Eingabe des Zahlenwertes „0” erforderlich sein, so geben Sie bitte „0.” ein.
• Die hier behandelte Thematik ist in zwei Lernvideos zusammengefasst:

Gaußsche Zufallsgrößen ohne statistische Bindungen

Gaußsche Zufallsgrößen mit statistischen Bindungen

Fragebogen

1

Welche der Aussagen gelten hinsichtlich der 2D-Zufallsgröße $(u, v)$?

	Die Zufallsgrößen u und υ sind unkorreliert.
	Die Zufallsgrößen u und υ sind statistisch unabhängig.

2

Berechnen Sie die beiden Streuungen $\sigma_u$ und $\sigma_v$. Geben Sie zur Kontrolle den Quotienten der beiden Streuungen ein.

$\sigma_u/\sigma_v \ = $

3

Berechnen Sie die Wahrscheinlichkeit, dass $u$ kleiner als $1$ ist.

${\rm Pr}(u < 1)\ = $

4

Berechnen Sie die Wahrscheinlichkeit, dass die Zufallsgröße $u$ kleiner als $1$ und gleichzeitig die Zufallsgröße $v$ größer als $1$ ist.

${\rm Pr}[(u < 1) ∩ (υ > 1)]\ = $

5

Welche der Aussagen sind für die 2D-Zufallsgröße $(x, y)$ zutreffend?

	Die 2D-WDF $f_{xy}(x, y)$ ist außerhalb der Geraden $y = 2x$ stets $0$.
	Für alle Wertepaare auf der Geraden $y = 2x$ gilt $f_{xy}(x, y)= 0.5$.
	Bezüglich der Rand-WDF gilt $f_{x}(x) = f_{u}(u)$ sowie $f_{y}(y) = f_{v}(v)$.

6

Berechnen Sie die Wahrscheinlichkeit, dass $x$ kleiner als $1$ ist.

${\rm Pr}(x < 1)\ = $

7

Berechnen Sie nun die Wahrscheinlichkeit, dass die Zufallsgröße $x$ kleiner als $1$ und gleichzeitig die Zufallsgröße $y$ größer als $1$ ist.

${\rm Pr}[(x < 1) ∩ (y > 1)]\ =

Musterlösung

Solution

1.  Beide Aussagen treffen zu. Vergleicht man die gegebene mit der allgemeingültigen 2D-WDF

$$f_{uv}(u,v) = \frac{\rm 1}{{\rm 2}\it\pi \sigma_u\sigma_v\sqrt{{\rm 1}-\it \rho_{\it uv}^{\rm 2}}} \cdot \rm exp[\frac{\rm 1}{2\cdot (\rm 1-\it \rho_{uv}^{\rm 2})}(\frac{\it u^{\rm 2}}{\it\sigma_u^{\rm 2}} + \frac{\it v^{\rm 2}}{\it\sigma_v^{\rm 2}} - \rm 2\it\rho_{uv}\frac{\it u\cdot \it v}{\sigma_u\cdot \sigma_v})],$$

so erkennt man, dass im Exponenten kein Term mit u · υ auftritt, was nur bei ρ_uυ = 0 möglich ist. Dies bedeutet aber, dass u und υ unkorreliert sind. Bei Gaußschen Zufallsgrößen folgt aus der Unkorreliertheit aber auch stets die statistische Unabhängigkeit.

2.  Bei statistischer Unabhängigkeit gilt:

$$f_{uv}(u, v) = f_u(u)\cdot f_v(v),$$

$$f_u(u)=\frac{{\rm e}^{-{\it u^{\rm 2}}/{(2\sigma_u^{\rm 2})}}}{\sqrt{\rm 2\pi}\cdot\sigma_u} , \hspace{1.2cm} \it f_v(v)=\frac{{\rm e}^{-{\it v^{\rm 2}}/{({\rm 2}\sigma_v^{\rm 2})}}}{\sqrt{\rm 2\pi}\cdot\sigma_v}.$$

Durch Koeffizientenvergleich erhält man σ_u = 0.5 und σ_υ = 1. Der Quotient ist somit σ_u/σ_υ = 0.5.

3.  Da u eine kontinuierliche Zufallsgröße ist, gilt:

$$\rm Pr(\it u < \rm 1) = \rm Pr(\it u \le \rm 1) =\it F_u(\rm 1). $$

Mit dem Mittelwert m_u = 0 und der Streuung σ_u = 0.5 erhält man:

$$\rm Pr(\it u < \rm 1) = \rm \phi(\frac{\rm 1}{\it\sigma_u})= \rm \phi(\rm 2) \hspace{0.15cm}\underline{=\rm 0.9772}. $$

4.  Aufgrund der statistischen Unabhängigkeit zwischen u und υ gilt:

$$\rm Pr((\it u < \rm 1) \cap (\it v > \rm 1)) = \rm Pr(\it u < \rm 1)\cdot \rm Pr(\it v > \rm 1).$$

Die Wahrscheinlichkeit Pr(u < 1) =0.9772 wurde bereits berechnet. Für die zweite Wahrscheinlichkeit Pr(υ > 1) gilt aus Symmetriegründen:

$$\rm Pr(\it v > \rm 1) = \rm Pr(\it v \le \rm -1) = \it F_v(\rm -1) = \rm \phi(\frac{\rm -1}{\it\sigma_v}) = \rm Q(1) =0.1587$$

$$\Rightarrow \rm Pr((\it u < \rm 1) \cap (\it v > \rm 1)) = \rm 0.9772\cdot \rm 0.1587 \hspace{0.15cm}\underline{ = \rm 0.1551}.$$

Die obige Skizze verdeutlicht die vorgegebene Konstellation. Die Höhenlinien der WDF (blau) sind wegen σ_υ > σ_u in vertikaler Richtung gestreckte Ellipsen. Rot schraffiert eingezeichnet ist das Gebiet, dessen Wahrscheinlichkeit in dieser Teilaufgabe berechnet werden sollte.

5.  Wegen ρ_xy = 1 besteht ein deterministischer Zusammenhang zwischen x und y  ⇒  alle Werte liegen auf der Geraden y = K · x. Aufgrund der Streuungen σ_x = 0.5 und σ_y = 1 gilt K = 2.

Auf dieser Geraden y = 2x sind alle WDF-Werte unendlich groß. Das bedeutet: Die 2D-WDF ist hier eine „Diracwand”.

Wie aus der Skizze hervorgeht, sind die WDF–Werte auf der Geraden y = 2x, die gleichzeitig die Korrelationsgerade darstellt, gaußverteilt. Auch die beiden Randwahrscheinlichkeitsdichten sind hier Gaußfunktionen, jeweils mit dem Mittelwert 0. Da σ_x = σ_u und σ_y = σ_υ ist, gilt auch:

$$f_x(x) = f_u(u), \hspace{0.5cm}f_y(y) = f_v(v).$$

Richtig sind somit der erste und der dritte Lösungsvorschlag.

6.  Da die WDF der Zufallsgröße x identisch mit der WDF f_u(u) ist, ergibt sich auch genau die gleiche Wahrscheinlichkeit wie in der Teilaufgabe (c) berechnet:

$$\rm Pr(\it x < \rm 1) \hspace{0.15cm}\underline{ = \rm 0.9772}.$$

7.  Das Zufallsereignis „y > 1“ ist identisch mit dem Ereignis „x > 0.5“. Damit ist die gesuchte Wahrscheinlichkeit gleich

$$\it p_{\rm g} = \rm Pr((\it x > \rm 0.5) \cap (\it x < \rm 1)) = \it F_x(\rm 1) - \it F_x(\rm 0.5). $$

Mit der Streuung σ_x = 0.5 folgt weiter:

$$\it p_{\rm g} = \rm \phi(\rm 2) - \phi(1)=\rm 0.9772- \rm 0.8413\hspace{0.15cm}\underline{=\rm 0.1359}.$$