Nichtlineare Methoden zur Quantifizierung von Abhängigkeiten und ...
Nichtlineare Methoden zur Quantifizierung von Abhängigkeiten und ...
Nichtlineare Methoden zur Quantifizierung von Abhängigkeiten und ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Anhang A<br />
Mathematische Werkzeuge<br />
Definition 1 Eine Funktion f heißt konvex auf einem offenem Intervall (a, b),<br />
wenn für beliebige x 1 , x 2 ∈ (a, b) <strong>und</strong> 0 ≤ λ ≤ 1<br />
f(λx 1 + (1 − λ)x 2 ) ≤ λf(x 1 ) + (1 − λ)f(x 2 )<br />
(A.1)<br />
gilt. Sie heißt streng convex, wenn die Gleichheit nur für λ = 0 oder λ = 1 erfüllt<br />
ist. Eine Funktion f heißt konkav, wenn −f convex ist.<br />
Anmerkung: Ist f streng convex <strong>und</strong> f(λx 1 + (1 − λ)x 2 ) = λf(x 1 ) + (1 −<br />
λ)f(x 2 ) für 0 < λ < 1 so ist x 1 = x 2 .<br />
Satz 1 (Jensensche Ungleichung für diskrete Zufallsvariablen) Ist f eine<br />
convexe Funktion <strong>und</strong> X eine Zufallsvariable mit diskreten Werten, dann gilt<br />
E [f(X)] ≥ f(E [X]) .<br />
(A.2)<br />
Hier ist E [f(X)] = ∑ m<br />
i=1 p i f(x i ), p i = P {X = x i } der Erwartungswert <strong>von</strong><br />
f(X). Ist f eine streng convexe Funtion, dann folgt aus der Gleichheit, dass<br />
X = E [X] fast sicher ist, das heißt, X ist eine Konstante.<br />
Beweis: Der Beweis erfolgt durch vollständiger Induktion. Für eine Zweimassenverteilung<br />
{p 1 , p 2 } folgt aus Gl. (A.1) unmittelbar<br />
f(p 1 x 1 + p 2 x 2 ) = f(p 1 x 1 + (1 − p 1 )x 2 )<br />
≤ p 1 f(x 1 ) + (1 − p 1 )f(x 2 ) = p 1 f(x 1 ) + p 2 f(x 2 ) ,<br />
also die Behauptung.<br />
Angenommen, die Behauptung sei für eine beliebige k-Massenverteilung<br />
{p ′ 1 , . . . , p′ k } erfüllt <strong>und</strong> {p 1, . . . , p k , p k+1 } sei eine Verteilung mit k + 1 Massen.<br />
113