Difference between revisions of "Theory of Stochastic Signals/Cumulative Distribution Function"

From LNTwww
Line 7: Line 7:
 
==Zusammenhang zwischen WDF und VTF==
 
==Zusammenhang zwischen WDF und VTF==
 
<br>
 
<br>
Zur Beschreibung von Zufallsgrößen wird neben der [[Stochastische_Signaltheorie/Wahrscheinlichkeitsdichtefunktion_(WDF)|Wahrscheinlichkeitsdichtefunktion]] (WDF) auch häufig die Verteilungsfunktion (VTF) herangezogen, die wie folgt definiert ist:  
+
Zur Beschreibung von Zufallsgrößen wird neben der&nbsp; [[Stochastische_Signaltheorie/Wahrscheinlichkeitsdichtefunktion_(WDF)|Wahrscheinlichkeitsdichtefunktion]]&nbsp; (WDF) auch die&nbsp; Verteilungsfunktion&nbsp; (VTF)&nbsp; verwendet, die wie folgt definiert ist:  
  
 
{{BlaueBox|TEXT=   
 
{{BlaueBox|TEXT=   
$\text{Definition:}$&nbsp; Die '''Verteilungsfunktion''' $F_{x}(r)$ entspricht der Wahrscheinlichkeit, dass die Zufallsgröße $x$ kleiner oder gleich einem reellen Zahlenwert $r$ ist:  
+
$\text{Definition:}$&nbsp; Die&nbsp; '''Verteilungsfunktion'''&nbsp; $F_{x}(r)$&nbsp; entspricht der Wahrscheinlichkeit, dass die Zufallsgröße&nbsp; $x$&nbsp; kleiner oder gleich einem reellen Zahlenwert&nbsp; $r$&nbsp; ist:  
 
:$$F_{x}(r)  = {\rm Pr}( x \le r).$$
 
:$$F_{x}(r)  = {\rm Pr}( x \le r).$$
  
Die englische Bezeichnung für die Verteilungsfunktion (VTF) ist ''Cumulative Distribution Function'' (CDF). }}
+
Die englische Bezeichnung für die Verteilungsfunktion (VTF) ist&nbsp; ''Cumulative Distribution Function''&nbsp; (CDF). }}
  
  
 
Bei einer kontinuierlichen Zufallsgröße sind bezüglich der Verteilungsfunktion folgende Aussagen möglich:  
 
Bei einer kontinuierlichen Zufallsgröße sind bezüglich der Verteilungsfunktion folgende Aussagen möglich:  
*Die Verteilungsfunktion ist aus der Wahrscheinlichkeitsdichtefunktion $f_{x}(x)$ durch Integration berechenbar. Es gilt:  
+
*Die Verteilungsfunktion ist aus der Wahrscheinlichkeitsdichtefunktion&nbsp; $f_{x}(x)$&nbsp; durch Integration berechenbar.&nbsp; Es gilt:  
 
:$$F_{x}(r) = \int_{-\infty}^{r}f_x(x)\,{\rm d}x.$$
 
:$$F_{x}(r) = \int_{-\infty}^{r}f_x(x)\,{\rm d}x.$$
*Da die WDF nie negativ ist, steigt $F_{x}(r)$ zumindest schwach monoton an, und liegt stets zwischen den folgenden Grenzwerten  
+
*Da die WDF nie negativ ist, steigt&nbsp; $F_{x}(r)$&nbsp; zumindest schwach monoton an, und liegt stets zwischen den folgenden Grenzwerten:
 
:$$F_{x}(r → \hspace{0.05cm} – \hspace{0.05cm} ∞) = 0,  \hspace{0.5cm}F_{x}(r → +∞) = 1.$$  
 
:$$F_{x}(r → \hspace{0.05cm} – \hspace{0.05cm} ∞) = 0,  \hspace{0.5cm}F_{x}(r → +∞) = 1.$$  
 
*Umgekehrt lässt sich die Wahrscheinlichkeitsdichtefunktion aus der Verteilungsfunktion durch Differentiation bestimmen:  
 
*Umgekehrt lässt sich die Wahrscheinlichkeitsdichtefunktion aus der Verteilungsfunktion durch Differentiation bestimmen:  
 
:$$f_{x}(x)=\frac{{\rm d} F_{x}(r)}{{\rm d} r}\Bigg |_{\hspace{0.1cm}r=x}.$$
 
:$$f_{x}(x)=\frac{{\rm d} F_{x}(r)}{{\rm d} r}\Bigg |_{\hspace{0.1cm}r=x}.$$
:Der Zusatz $„r = x”$ macht deutlich, dass bei unserer Nomenklatur das Argument der WDF die Zufallsgröße selbst ist, während das VTF–Argument eine beliebige reelle Variable $r$ angibt.
+
:Der Zusatz&nbsp; &bdquo;$r = x$&rdquo;&nbsp; macht deutlich, dass bei unserer Nomenklatur das Argument der Wahrscheinlichkeitsdichtefunktion die Zufallsgröße selbst ist, während das VTF–Argument eine beliebige reelle Variable&nbsp; $r$&nbsp; angibt.
  
 
+
{{BlaueBox|TEXT= 
''Hinweise zur Nomenklatur:''
+
$\text{Hinweise zur Nomenklatur:}$&nbsp;
 
   
 
   
Hätten wir bei den Definitionen von WDF und VTF zwischen der Zufallsgröße $X$ und den Realisierungen $x ∈ X$ unterschieden  &nbsp; ⇒  &nbsp; $f_{X}(x), F_{X}(x),$ so ergäbe sich folgende Nomenklatur:  
+
Hätten wir bei den Definitionen von&nbsp; $\rm WDF$&nbsp; und&nbsp; $\rm VTF$&nbsp; zwischen der Zufallsgröße&nbsp; $X$&nbsp; und den Realisierungen&nbsp; $x ∈ X$&nbsp; unterschieden  &nbsp; ⇒  &nbsp; $f_{X}(x), F_{X}(x)$, so ergäbe sich folgende Nomenklatur:  
 
:$$F_{X}(x) = {\rm Pr}(X \le x) = \int_{-\infty}^{x}f_{x}(\xi)\,{\rm d}\xi.$$
 
:$$F_{X}(x) = {\rm Pr}(X \le x) = \int_{-\infty}^{x}f_{x}(\xi)\,{\rm d}\xi.$$
  
Leider haben wir uns zu Beginn unseres $\rm LNTwww$–Projektes (2001) aus durchaus berechtigten Gründen für unsere Nomenklatur entschieden, was nun (2017) nicht mehr zu ändern ist, auch im Hinblick auf die realisierten Lernvideos.  
+
Leider haben wir uns zu Beginn unseres&nbsp; $\rm LNTwww$–Projektes (2001) aus durchaus berechtigten Gründen für unsere Nomenklatur entschieden, was nun (2017) nicht mehr zu ändern ist, auch im Hinblick auf die realisierten Lernvideos.  
  
Wir bleiben also bei $f_{x}(x)$ anstelle von $f_{X}(x)$ sowie $F_{x}(r)$ anstelle von $F_{X}(x).$  
+
Wir bleiben also bei&nbsp; $f_{x}(x)$&nbsp; anstelle von&nbsp; $f_{X}(x)$&nbsp; sowie&nbsp; $F_{x}(r)$&nbsp; anstelle von&nbsp; $F_{X}(x).$}}
  
 
==Verteilungsfunktion bei kontinuierlichen Zufallsgrößen==
 
==Verteilungsfunktion bei kontinuierlichen Zufallsgrößen==
 
<br>
 
<br>
Die im letzten Abschnitt angegebenen Gleichungen gelten nur für wertkontinuierliche Zufallsgrößen und sollen hier durch ein Beispiel verdeutlicht werden. Im nächsten Abschnitt wird gezeigt, dass für [[Stochastische_Signaltheorie/Verteilungsfunktion#Verteilungsfunktion_bei_diskreten_Zufallsgr.C3.B6.C3.9Fen|diskrete Zufallsgrößen]] die Gleichungen etwas modifiziert werden müssen.
+
Die im letzten Abschnitt angegebenen Gleichungen gelten nur für wertkontinuierliche Zufallsgrößen und sollen hier durch ein Beispiel verdeutlicht werden.&nbsp; Im nächsten Abschnitt wird gezeigt, dass für&nbsp; [[Stochastische_Signaltheorie/Verteilungsfunktion#Verteilungsfunktion_bei_diskreten_Zufallsgr.C3.B6.C3.9Fen|diskrete Zufallsgrößen]]&nbsp; die Gleichungen etwas modifiziert werden müssen.
  
 
{{GraueBox|TEXT=   
 
{{GraueBox|TEXT=   
$\text{Beispiel 1:}$&nbsp; Das linke Bild zeigt das Foto ''Lena,'' das häufig als Testvorlage für Bildcodierverfahren dient.  
+
$\text{Beispiel 1:}$&nbsp; Das linke Bild zeigt das Foto &bdquo;Lena&rdquo;,&nbsp; das häufig als Testvorlage für Bildcodierverfahren dient.  
*Wird dieses Bild in $256 × 256$ Bildpunkte (Pixel) unterteilt, und ermittelt man für jedes einzelne Pixel die Helligkeit, so erhält man eine Folge $〈x_ν〉$ von Grauwerten, deren Länge $N = 256^2 = 65536$ beträgt.
+
*Wird dieses Bild in&nbsp; $256 × 256$&nbsp; Bildpunkte&nbsp; (Pixel) unterteilt, und ermittelt man für jedes einzelne Pixel die Helligkeit, so erhält man eine Folge&nbsp; $〈x_ν〉$&nbsp; von Grauwerten, deren Länge&nbsp; $N = 256^2 = 65536$&nbsp; beträgt.
*Der Grauwert $x$ ist eine wertkontinuierliche Zufallsgröße, wobei die Zuordnung zu Zahlenwerten willkürlich ist. Zum Beispiel sei „Schwarz” durch den Wert $x = 0$  und „Weiß” durch $x = 1$ charakterisiert.  
+
*Der Grauwert&nbsp; $x$&nbsp; ist eine wertkontinuierliche Zufallsgröße, wobei die Zuordnung zu Zahlenwerten willkürlich ist.&nbsp; Zum Beispiel sei „Schwarz” durch den Wert&nbsp; $x = 0$&nbsp; und „Weiß” durch&nbsp; $x = 1$&nbsp; charakterisiert.  
*Der Zahlenwert $x =0.5$ kennzeichnet dann eine mittlere Graufärbung.  
+
*Der Zahlenwert&nbsp; $x =0.5$&nbsp; kennzeichnet dann eine mittlere Graufärbung.  
  
 
[[File:P_ID617__Sto_T_3_2_S1b_neu.png |center|frame| WDF und VTF eines wertkontinuierlichen Bildes]]
 
[[File:P_ID617__Sto_T_3_2_S1b_neu.png |center|frame| WDF und VTF eines wertkontinuierlichen Bildes]]
  
Im mittleren Bild ist die WDF $f_{x}(x)$ dargestellt, die in der Literatur auch oft als ''Grauwertstatistik'' bezeichnet wird.  
+
Im mittleren Bild ist die WDF&nbsp; $f_{x}(x)$&nbsp; dargestellt, die in der Literatur auch oft als&nbsp; &bdquo;Grauwertstatistik&rdquo;&nbsp; bezeichnet wird.  
*Es ist ersichtlich, dass im Originalbild einige Grauwerte bevorzugt sind und die beiden Extremwerte $x =0$ („tiefes Schwarz”) bzw. $x =1$  („reines Weiß”) nur sehr selten auftreten.  
+
*Es ist ersichtlich, dass im Originalbild einige Grauwerte bevorzugt sind und die beiden Extremwerte&nbsp; $x =0$&nbsp; („tiefes Schwarz”)&nbsp; bzw.&nbsp; $x =1$&nbsp; („reines Weiß”)&nbsp; nur sehr selten auftreten.  
*Die Verteilungsfunktion $F_{\rm x}(r)$ dieser kontinuierlichen Zufallsgröße ist stetig und steigt, wie das rechte Bild zeigt, von $0$ auf $1$ monoton und stetig an. Bei $r \approx 0$ und $r \approx 1$ verläuft die VTF aufgrund fehlender WDF&ndash;Anteile horizontal.
+
*Die Verteilungsfunktion&nbsp; $F_{x}(r)$&nbsp; dieser kontinuierlichen Zufallsgröße ist stetig und steigt, wie das rechte Bild zeigt, von&nbsp; $0$&nbsp; auf&nbsp; $1$&nbsp; monoton an. Bei&nbsp; $r \approx 0$&nbsp; und&nbsp; $r \approx 1$&nbsp; verläuft die VTF aufgrund fehlender WDF&ndash;Anteile horizontal.
  
  
''Anmerkung:'' &nbsp; Genau genommen ist bei einem am Computer darstellbaren Bild – im Gegensatz zu einem „echten” Foto – der Grauwert stets eine wertdiskrete Zufallsgröße. Bei großer Auflösung der Farbinformation („Farbtiefe”) kann man diese Zufallsgröße allerdings näherungsweise als wertkontinuierlich betrachten. }}
+
''Anmerkung:'' &nbsp; Genau genommen ist bei einem am Computer darstellbaren Bild – im Gegensatz zu einem „analogen” Foto – der Grauwert stets eine wertdiskrete Zufallsgröße.&nbsp; Bei großer Auflösung der Farbinformation („Farbtiefe”) kann man diese Zufallsgröße allerdings näherungsweise als wertkontinuierlich betrachten. }}
  
  
Die in diesem Abschnitt behandelte Thematik ist im Lernvideo [[Zusammenhang_zwischen_WDF_und_VTF_(Lernvideo)|Zusammenhang zwischen WDF und VTF]] zusammengefasst.
+
Die in diesem Abschnitt behandelte Thematik ist im Lernvideo&nbsp; [[Zusammenhang_zwischen_WDF_und_VTF_(Lernvideo)|Zusammenhang zwischen WDF und VTF]]&nbsp; zusammengefasst.
  
  

Revision as of 16:12, 14 November 2019

Zusammenhang zwischen WDF und VTF


Zur Beschreibung von Zufallsgrößen wird neben der  Wahrscheinlichkeitsdichtefunktion  (WDF) auch die  Verteilungsfunktion  (VTF)  verwendet, die wie folgt definiert ist:

$\text{Definition:}$  Die  Verteilungsfunktion  $F_{x}(r)$  entspricht der Wahrscheinlichkeit, dass die Zufallsgröße  $x$  kleiner oder gleich einem reellen Zahlenwert  $r$  ist:

$$F_{x}(r) = {\rm Pr}( x \le r).$$

Die englische Bezeichnung für die Verteilungsfunktion (VTF) ist  Cumulative Distribution Function  (CDF).


Bei einer kontinuierlichen Zufallsgröße sind bezüglich der Verteilungsfunktion folgende Aussagen möglich:

  • Die Verteilungsfunktion ist aus der Wahrscheinlichkeitsdichtefunktion  $f_{x}(x)$  durch Integration berechenbar.  Es gilt:
$$F_{x}(r) = \int_{-\infty}^{r}f_x(x)\,{\rm d}x.$$
  • Da die WDF nie negativ ist, steigt  $F_{x}(r)$  zumindest schwach monoton an, und liegt stets zwischen den folgenden Grenzwerten:
$$F_{x}(r → \hspace{0.05cm} – \hspace{0.05cm} ∞) = 0, \hspace{0.5cm}F_{x}(r → +∞) = 1.$$
  • Umgekehrt lässt sich die Wahrscheinlichkeitsdichtefunktion aus der Verteilungsfunktion durch Differentiation bestimmen:
$$f_{x}(x)=\frac{{\rm d} F_{x}(r)}{{\rm d} r}\Bigg |_{\hspace{0.1cm}r=x}.$$
Der Zusatz  „$r = x$”  macht deutlich, dass bei unserer Nomenklatur das Argument der Wahrscheinlichkeitsdichtefunktion die Zufallsgröße selbst ist, während das VTF–Argument eine beliebige reelle Variable  $r$  angibt.

$\text{Hinweise zur Nomenklatur:}$ 

Hätten wir bei den Definitionen von  $\rm WDF$  und  $\rm VTF$  zwischen der Zufallsgröße  $X$  und den Realisierungen  $x ∈ X$  unterschieden   ⇒   $f_{X}(x), F_{X}(x)$, so ergäbe sich folgende Nomenklatur:

$$F_{X}(x) = {\rm Pr}(X \le x) = \int_{-\infty}^{x}f_{x}(\xi)\,{\rm d}\xi.$$

Leider haben wir uns zu Beginn unseres  $\rm LNTwww$–Projektes (2001) aus durchaus berechtigten Gründen für unsere Nomenklatur entschieden, was nun (2017) nicht mehr zu ändern ist, auch im Hinblick auf die realisierten Lernvideos.

Wir bleiben also bei  $f_{x}(x)$  anstelle von  $f_{X}(x)$  sowie  $F_{x}(r)$  anstelle von  $F_{X}(x).$

Verteilungsfunktion bei kontinuierlichen Zufallsgrößen


Die im letzten Abschnitt angegebenen Gleichungen gelten nur für wertkontinuierliche Zufallsgrößen und sollen hier durch ein Beispiel verdeutlicht werden.  Im nächsten Abschnitt wird gezeigt, dass für  diskrete Zufallsgrößen  die Gleichungen etwas modifiziert werden müssen.

$\text{Beispiel 1:}$  Das linke Bild zeigt das Foto „Lena”,  das häufig als Testvorlage für Bildcodierverfahren dient.

  • Wird dieses Bild in  $256 × 256$  Bildpunkte  (Pixel) unterteilt, und ermittelt man für jedes einzelne Pixel die Helligkeit, so erhält man eine Folge  $〈x_ν〉$  von Grauwerten, deren Länge  $N = 256^2 = 65536$  beträgt.
  • Der Grauwert  $x$  ist eine wertkontinuierliche Zufallsgröße, wobei die Zuordnung zu Zahlenwerten willkürlich ist.  Zum Beispiel sei „Schwarz” durch den Wert  $x = 0$  und „Weiß” durch  $x = 1$  charakterisiert.
  • Der Zahlenwert  $x =0.5$  kennzeichnet dann eine mittlere Graufärbung.
WDF und VTF eines wertkontinuierlichen Bildes

Im mittleren Bild ist die WDF  $f_{x}(x)$  dargestellt, die in der Literatur auch oft als  „Grauwertstatistik”  bezeichnet wird.

  • Es ist ersichtlich, dass im Originalbild einige Grauwerte bevorzugt sind und die beiden Extremwerte  $x =0$  („tiefes Schwarz”)  bzw.  $x =1$  („reines Weiß”)  nur sehr selten auftreten.
  • Die Verteilungsfunktion  $F_{x}(r)$  dieser kontinuierlichen Zufallsgröße ist stetig und steigt, wie das rechte Bild zeigt, von  $0$  auf  $1$  monoton an. Bei  $r \approx 0$  und  $r \approx 1$  verläuft die VTF aufgrund fehlender WDF–Anteile horizontal.


Anmerkung:   Genau genommen ist bei einem am Computer darstellbaren Bild – im Gegensatz zu einem „analogen” Foto – der Grauwert stets eine wertdiskrete Zufallsgröße.  Bei großer Auflösung der Farbinformation („Farbtiefe”) kann man diese Zufallsgröße allerdings näherungsweise als wertkontinuierlich betrachten.


Die in diesem Abschnitt behandelte Thematik ist im Lernvideo  Zusammenhang zwischen WDF und VTF  zusammengefasst.


Verteilungsfunktion bei diskreten Zufallsgrößen


Für die Berechnung der Verteilungsfunktion einer wertdiskreten Zufallsgröße $x$ aus deren WDF muss stets von einer allgemeineren Gleichung ausgegangen werden. Hier gilt mit mit der Hilfsvariablen $\varepsilon > 0$:

$$F_{x}(r)=\lim_{\varepsilon\hspace{0.05cm}\to \hspace{0.05cm}0}\int_{-\infty}^{r+\varepsilon}f_x(x)\,{\rm d}x.$$
  • Die Berechnung der Verteilungsfunktion durch Grenzwertbildung ist aufgrund des „≤”–Zeichens in der allgemeinen Definition erforderlich.
  • Berücksichtigt man zudem, dass bei einer diskreten Zufallsgröße die WDF aus einer Summe gewichteter Diracfunktionen besteht, so erhält man:
$$F_{x}(r)=\lim_{\varepsilon\hspace{0.05cm}\to \hspace{0.05cm} 0}\int_{-\infty}^{r+\varepsilon}\sum\limits_{\mu= 1}^{ M}p_\mu\cdot \delta(x-x_\mu)\,{\rm d}x.$$
  • Vertauscht man in dieser Gleichung Integration und Summation, und berücksichtigt man weiterhin, dass die Integration über die Diracfunktion die Sprungfunktion ergibt, so erhält man:
$$F_{x}(r)=\sum\limits_{\mu= \rm 1}^{\it M}p_\mu\cdot \gamma_0 (r-x_\mu),\hspace{0.4cm}{\rm mit} \hspace{0.4cm}\gamma_0(x)=\lim_{\epsilon\hspace{0.05cm}\to \hspace{0.05cm} 0}\int_{-\infty}^{x+\varepsilon}\delta (u)\,{\rm d} u = \left\{ \begin{array}{*{2}{c}} 0 \hspace{0.4cm} {\rm falls}\hspace{0.1cm} x< 0,\\ 1 \hspace{0.4cm} {\rm falls}\hspace{0.1cm}x\ge 0. \\ \end{array} \right.$$

Hierzu ist anzumerken:

  • $γ_0(x)$ unterscheidet sich von der in der Systemtheorie üblichen Sprungfunktion $γ(x)$ dadurch, dass an der Sprungstelle $x = 0$ der rechtsseitige Grenzwert „Eins” gültig ist (anstelle des Mittelwertes „1/2” zwischen links- und rechtsseitigem Grenzwert).
  • Mit obiger VTF-Definition gilt dann für die Wahrscheinlichkeit von kontinuierlichen und diskreten Zufallsgrößen gleichermaßen, und natürlich auch für gemischte Zufallsgrößen mit diskreten und kontinuierlichen Anteilen:
$${\rm Pr}(x_{\rm u}<x \le x_{\rm o})=F_x(x_{\rm o})-F_x(x_{\rm u}).$$
  • Bei rein kontinuierlichen Zufallsgrößen könnten hier das „Kleiner”–Zeichen und das „Kleiner/Gleich”–Zeichen gegenseitig ersetzt werden.
$${\rm Pr}(x_{\rm u}<x \le x_{\rm o}) ={\rm Pr}(x_{\rm u}\le x \le x_{\rm o}) ={\rm Pr}(x_{\rm u}\le x < x_{\rm o}) ={\rm Pr}(x_{\rm u}<x < x_{\rm o}).$$


$\text{Beispiel 2:}$  Wird nun der Grauwert des ursprünglichen Lena–Fotos mit acht Stufen quantisiert, so dass jedes einzelne Pixel durch drei Bit dargestellt und digital übertragen werden kann, so ergibt sich die diskrete Zufallsgröße $q$. Durch die Quantisierung geht allerdings ein Teil der Bildinformation verloren, was sich im quantisierten Bild durch deutlich erkennbare „Konturen” auswirkt.

WDF und VTF eines wertdiskreten Bildes
  • Die dazugehörige Wahrscheinlichkeitsdichtefunktion $f_{q}(q)$ setzt sich aus $M = 8$ Diracfunktionen zusammen, wobei bei der hier gewählten Quantisierung den möglichen Graustufen die Werte $q_\mu = (\mu – 1)/7$ mit $\mu = 1, 2,$ ... , $8$ zugeordnet sind.
  • Die Gewichte der Diracfunktionen kann man aus der WDF $f_{x}(x)$ des Originalbildes berechnen. Man erhält
$$p_\mu={\rm Pr}(q = q_\mu ) = {\rm Pr}(\frac{2\mu-\rm 3}{14}< {x} \le\frac{2\it \mu- \rm 1}{14}) \rm = \int_{(2\it \mu- \rm 3)/14}^{(2\mu-1)/14}\it f_{\rm x}(x)\,{\rm d}x.$$
  • Für die undefinierten Randbereiche ($x<0$ bzw.$x>10$) ist hier jeweils $f_{\rm x}(x) = 0$ zu setzen.
  • Da im Originalbild die Graustufen $x ≈0$ („sehr tiefes Schwarz”)  bzw.  $x ≈1$ („nahezu reines Weiß”) weitgehend fehlen, ergeben sich die Wahrscheinlichkeiten $p_1 ≈ p_8 ≈ 0$, und in der WDF sind tatsächlich nur sechs Diracfunktionen sichtbar.
  • Die beiden fehlenden Diracfunktionen bei $q = 0$ und $q =1$ sind in der mittleren Grafik nur durch Punkte angedeutet.


Die rechts skizzierte Verteilungsfunktion $F_{q}(r)$ weist entsprechend dem oben Gesagten sechs Unstetigkeitsstellen auf, bei denen jeweils der rechtsseitige Grenzwert gültig ist.


Die in diesem Abschnitt behandelte Thematik ist im Lernvideo Zusammenhang zwischen WDF und VTF zusammengefasst.


Aufgaben zum Kapitel


Aufgabe 3.2: $\cos^2$– und Dirac–VTF

Aufgabe 3.2Z: Zusammenhang zwischen WDF und VTF