25.12.2013 Aufrufe

Nichtlineare Methoden zur Quantifizierung von Abhängigkeiten und ...

Nichtlineare Methoden zur Quantifizierung von Abhängigkeiten und ...

Nichtlineare Methoden zur Quantifizierung von Abhängigkeiten und ...

MEHR ANZEIGEN
WENIGER ANZEIGEN

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.

2.1. DISKRETE STOCHASTISCHE PROZESSE 9<br />

Die Log-Summen-Ungleichung besagt, dass für beliebige nichtnegative Zahlen<br />

a 1 , . . . , a n <strong>und</strong> b 1 , . . . , b n die Ungleichung<br />

(<br />

n∑<br />

n∑<br />

)<br />

a i log a ∑ n<br />

i<br />

i=1<br />

≥ a i log<br />

a i<br />

∑<br />

b n<br />

i=1<br />

i<br />

i=1<br />

i=1 b (2.4)<br />

i<br />

gilt. Wobei die Gleichheit dann <strong>und</strong> nur dann erfüllt ist, wenn a i /b i = konstant<br />

sind. Entsprechend der zuvor eingeführten Konversion ist die Ungleichung auch<br />

dann noch erfüllt, wenn b i = 0 für ein i gilt.<br />

Hieraus folgt unmittelbar, dass<br />

( ) ∑<br />

∑<br />

K P ||Q (X i ) ≥ P {X i = x} log ∑ x∈X P {X i = x}<br />

x∈X<br />

x∈X Q{X i = x} = 0<br />

ist <strong>und</strong> K P ||Q (X i ) genau dann verschwindet, wenn wahre <strong>und</strong> a priori Verteilung<br />

identisch sind, P X i<br />

= Q X i<br />

. An dieser Stelle sei darauf hingewiesen, dass es sich<br />

bei der Kullback-Entropie nicht um einen Abstand im Sinne einer Metrik oder<br />

Norm handelt.<br />

Mit Hilfe der Kullback-Entropie ist es möglich, die Abhängigkeit zweier stochastischer<br />

Prozesse mit diskreten Zuständen zu quantifizieren. Sind X = (X i ) t∈Z<br />

<strong>und</strong> Y = (Y i ) i∈Z stochastische Prozesse mit abzählbarem Zustandsraum X bzw.<br />

Y, dann ist auch der Produktprozess (X, Y ) = ((X i , Y i )) i∈Z<br />

ein stochastischer<br />

Prozess mit dem diskreten Zustandsraum X × Y. Für die gemeinsame Randverteilung<br />

<strong>von</strong> X <strong>und</strong> Y wird analog zu oben P {X i1 = x 1 , . . . , X ik = x k , Y j1 =<br />

y 1 , . . . , Y jl = y l } = P X i 1 ,...,X ik , Y j1 ,...,Y jl<br />

({(x 1 , . . . , x k , y 1 , . . . , y l )}) geschrieben, wobei<br />

auch hier k, l ∈ N, i 1 < i 2 < . . . < i k <strong>und</strong> j 1 < j 2 < . . . < j l aus Z beliebig<br />

sind.<br />

Die Prozesse X <strong>und</strong> Y sind genau dann stochastisch unabhängig, wenn jede<br />

Randverteilung <strong>von</strong> (X, Y ) als Produktmaß, bestehend aus den Randverteilungen<br />

<strong>von</strong> X <strong>und</strong> Y , geschrieben werden kann, siehe zum Beispiel [Bauer (1991),<br />

Behnen & Neuhaus (1995), Billingsley (1995)]:<br />

P X i 1 ,...,X ik , Y j1 ,...,Y jl<br />

= P X i 1 ,...,X ik ⊗ P<br />

Y j1 ,...,Y jl . (2.5)<br />

Aufgr<strong>und</strong> der diskreten Zustandsräume ist dies äquivalent zu<br />

P {X i1 = x 1 , . . . , X ik = x k , Y j1 = y 1 , . . . , Y jl = y l }<br />

= P {X i1 = x 1 , . . . , X ik = x k } · P {Y j1 = y 1 , . . . , Y jl = y l } , (2.6)<br />

für alle Zustände aus X <strong>und</strong> Y, siehe insbesondere [Behnen & Neuhaus (1995)].<br />

Ein Spezialfall ist die stochastische Unabhängigkeit des Prozesses X zum Zeitpunkt<br />

i vom Prozess Y zum Zeitpunkt j. Diese ist gegeben durch<br />

P X i,Y j<br />

= P X i<br />

⊗ P Y j<br />

(2.7)<br />

⇐⇒ P {X i = x, Y j = y} = P {X i = x} · P {Y j = y} (2.8)

Hurra! Ihre Datei wurde hochgeladen und ist bereit für die Veröffentlichung.

Erfolgreich gespeichert!

Leider ist etwas schief gelaufen!