Muster und Alignments in zufälligen Zeichenketten - Abteilung für ...
Muster und Alignments in zufälligen Zeichenketten - Abteilung für ...
Muster und Alignments in zufälligen Zeichenketten - Abteilung für ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
2.3. Poisson Approximation 25<br />
Die Konvergenz der Verteilung der d größten Scores erhält man hieraus wie folgt:<br />
P ( )<br />
M n (1) > t (1)<br />
n ≥ M n<br />
(2) > · · · > t (d−1)<br />
n ≥ M n<br />
(d) > t (d)<br />
n<br />
= P ( N n<br />
(1) = 1, . . . , N n<br />
(d−1) = 1, N n (d) ≠ 0 )<br />
−→ n→∞<br />
P λ (1)({1}) · · · P λ (d−1)({1})P λ (d)({0} c )<br />
∏d−1<br />
( ∑d−1<br />
) (1<br />
= λ (k) exp − λ (k) − exp(−λ (d) ) ) .<br />
k=1<br />
k=1<br />
Durch E<strong>in</strong>setzen von λ (k) := K ∗( )<br />
e −x(k) − e −x(k−1) folgt auch die zweite Behauptung.<br />
✷<br />
Bemerkung:<br />
Die Berechnung der Doppel-Exponentialterme <strong>in</strong> obigen Formeln ist numerisch<br />
problemlos. Um die Approximation anwenden zu können, muss man jedoch auch<br />
die Konstante K ∗ bestimmen beziehungsweise numerisch approximieren. Für den<br />
hier untersuchten Fall wird die Konstante <strong>in</strong> Karl<strong>in</strong> <strong>und</strong> Dembo [54, Theorem A]<br />
angegeben mit:<br />
K ∗ =<br />
(<br />
exp − 2 ∑ ∞<br />
k=1<br />
{<br />
1<br />
k E[exp(Θ ∗ S k )1 {Sk