Signal and Information Processing Laboratory Zeitdiskrete und statistische Signalverarbeitung (ZSSV) Institut für Signal- und Informationsverarbeitung Prof. H.-A. Loeliger Übung 11 http://www.isi.ee.ethz.ch/teaching/courses/zssv 29. November 2016 Es wird empfohlen, die eingerahmten Aufgaben zuerst zu lösen. Bedingte Dichte einer Summe Aufgabe 4.27 Es seien X und W unabhängige reelle Zufallsgrössen und sei Y = X + W . Zeigen Sie, dass f (y|x) = fW (y − x). Hinweis: Berechnen Sie FY |X wie in Kap. 4.6 (Funktionen von Zufallsgrössen). Bedingte Wahrscheinlichkeit Aufgabe 4.28 Es sei X eine diskrete Zufallsgrösse mit Wertebereich {0, +1}. Gegeben seien pX (0) = 3/4 und pX (+1) = 1/4. Beobachtet sei Y = X + W . Die “Störung” W sei eine (von X unabhängige) 2 = 1. normalverteilte Zufallsgrösse mit Mittelwert 0 und Varianz σW a) Berechnen Sie E[X]. b) Berechnen Sie E[Y ]. c) Berechnen Sie P (X = x|Y = y). d) Berechnen Sie P (X = x|Y = y) für y = 0, y = 0.5 und y = 1. e) Berechnen Sie E[X|Y = 0]. Verteilungsfunktion Aufgabe 4.29 Sei X eine reellwertige Zufallsgrösse, gleichverteilt zwischen −1 und +1. Bestimmen und skizzieren Sie a) die Verteilungsfunktion FX (x) = P (X ≤ x) b) die bedingte Verteilungsfunktion FX|X 2 =1/4 (x) = P (X ≤ x|X 2 = 1/4) c) die bedingte Verteilungsfunktion FX 2 |X<0 (x) = P (X 2 ≤ x|X < 0). Erwartungswert Aufgabe 4.30 Die reelle Zufallsgrösse X sei gleichverteilt im Intervall [0, 1]. Bestimmen Sie: a) E[X|X < b ] für 0 < b ≤ 1. b) E X 2 |X(1 − X) = 0 . c) E[ sin(Xπ)]. 1 Bedingte Wahrscheinlichkeit und Erwartungswert Aufgabe 4.31 Es seien X und Y zwei unabhängige reelle Zufallsgrössen, beide gleichverteilt im Intervall [0, 1]. Berechnen Sie a) E[X|Y = 0.1]. b) E[X|X ≥ Y ]. Stochastische Prozesse Aufgabe 4.32 Sei U [.] ein reeller stochastischer i.i.d. Prozess. U [k] sei gleichverteilt zwischen −1 und +1. Durch Filterung mit H(z) = 1 + 2z −1 erhalten wir einen neuen stochastischen Prozess Y [.] = (U ∗ h)[.]. a) Bestimmen Sie E[Y [k]] und E Y [k] | Y [k − 1] = 3 . b) Ist Y [.] i.i.d.? Begründung? c) Mit einem weiteren stabilen Filter G(z) = 1/(2 + z −1 ) erhalten wir W [.] = (Y ∗ g)[.]. Zeigen Sie, dass W [.] weisses Rauschen ist. ML-Schätzung: gedächtnisloser Kanal Aufgabe 5.1 Eine reellwertige Zufallsgrösse X wird n mal über einen gedächtnislosen Kanal gesendet, der mit additivem Rauschen Z gestört ist. Für den empfangenen Vektor Y gilt Y = (Y1 , Y2 , . . . , Yn ) = (X, X, . . . , X) + (Z1 , Z2 , . . . , Zn ), wobei Z1 , Z2 , . . . , Zn i.i.d. Gauss’sche (= normalverteilte) Zufallsgrössen mit Mittelwert 0 und Varianz σ 2 darstellen, die unabhängig von X sind. a) Bestimmen Sie fY |X (y|x) = fY |X (y1 , y2 , . . . , yn |x). Hinweis: Bestimmen Sie zuerst fZ (z) = fZ (z1 , z2 , . . . , zn ). Benutzen Sie dann die Beziehung fY |X (y|x) = fZ (y − x). b) Bestimmen Sie die ML-Regel für die Schätzung von X aus Y . Hinweis: Zeigen Sie zuerst die Beziehung argmax fY |X (y|x) = argmin x x n X (yi − x)2 . i=1 c) Bestimmen Sie für diese ML-Schätzregel E[X̂|X = x] und E[X̂]. Hinweis: Sie sollten E[X̂|X = x] = x erhalten. Eine solche Schätzung heisst erwartungstreu. d) Bestimmen Sie für diese ML-Schätzregel Var[X̂|X = x]. 2 e) Zeigen Sie allgemein, dass für eine erwartungstreue Schätzregel gilt: h i E (X − X̂)2 |X = x = Var[X̂|X = x] f) Berechnen Sie den MSE = E[(X − X̂)2 ] für die ML-Schätzregel in b). Nebenbei: Interessanterweise können wir hier den MSE berechnen, ohne fX (x) zu kennen. Verteilungsfunktion und MMSE-Schätzung Aufgabe 5.2 Zwei reelle Zufallsgrössen X und Y seien gemeinsam gleichverteilt in {(x, y) ∈ R2 : 0 ≤ x ≤ 2 und 0 ≤ y ≤ 1}. a) Bestimmen Sie die Verteilungsfunktionen FX und FY von X und Y . b) Sind X und Y unabhängig? c) Bestimmen Sie den Erwartungswert des Vektors (X, Y )T . d) Bestimmen und skizzieren Sie FX|Y ≤X/2 (x) = P (X ≤ x|Y ≤ X/2). e) Bestimmen Sie die Bayes’sche MMSE-Schätzung von Y aufgrund der Beobachtung X = x und der Zusatzbedingung Y ≤ X/2. Median Aufgabe 5.3 Der Median einer reellen Zufallsgrösse X ist die reelle Zahl θ definiert durch P (X > θ) = P (X < θ). Zeigen Sie, dass die Bayes’sche Schätzung von X aus Y = y, die den Erwartungswert E[|x̂(y) − X| | Y = y] minimiert, gleich dem bedingten Median von X gegeben Y = y ist. 3 Schätztheorie: Warteschlangenproblem Aufgabe 5.4 Die Zufallsgrösse Y wird als exponentialverteilt bezeichnet, wenn die Wahrscheinlichkeit von folgender Form ist: ( 0, y ≤ 0, fY (y) = −cy ce , y > 0, wobei c eine positive Konstante ist. a) Berechnen Sie E[Y ]. b) Bestimmen Sie für ∆ > 0 die Wahrscheinlichkeit P (Y ≥ ∆). c) Finden Sie für ∆ > 0 und β > 0 die Wahrscheinlichkeit P (Y ≥ β + ∆|Y ≥ β). Bemerkung: Dies erklärt, warum die Exponentialverteilung manchmal als “gedächtnislos” bezeichnet wird. In vielen praktisch interessanten Warteschlangen-Systemen ist die Zeit Y (in Sekunden) zwischen dem Eintreffen zweier aufeinanderfolgender Benutzer exponentialverteilt unter der Bedingung, dass im Mittel X = x Benutzer pro Sekunde eintreffen: ( 0, y≤0 fY |X (y|x) = −xy xe , y > 0. Wir nehmen nun an, dass wir zwischen zwei Benutzern eine Zeit Y = y beobachtet haben und anhand dieser Beobachtung die mittlere Benutzerrate X schätzen wollen. d) Finden Sie die Maximum-Likelihood (ML-) Schätzregel. Wir nehmen nun als bekannt an, dass die Benutzerrate X mit Mittelwert α exponentialverteilt ist. e) Finden Sie die Bayes’sche Schätzregel, die den MSE E[(X − X̂)2 ] minimiert. f) Wann ergeben die ML-Regel und die Bayes’sche Regel für MMSE die gleiche Schätzung für X? Z ∞ i! xi e−bx dx = i+1 , b > 0, i ∈ {0, 1, 2, . . .}, 0! = 1. Hinweis: b 0 Schätzung des Erwartungswerts Aufgabe 5.5 Seien X1 und X2 zwei reelle Zufallsgrössen mit gleichem Erwartungswert m, gleicher Varianz 2 σX , und Kovarianz γ. Bestimmen Sie den Erwartungswert und die Varianz der Schätzung m̂ = 1 X1 + X2 . 2 4 Aufgabe 5.6 Erwartungswert und bedingte Wahrscheinlichkeit Der Wertebereich der Zufallsgrösse X sei {21 , 22 , 23 , 24 , . . .} und es gelte P (X = 2k ) = 2−k für k ∈ {1, 2, 3, . . .}. Bestimmen Sie a) E[X]. b) P pX (X) < 1/10 . c) E[X | pX (X) ≥ 1/8]. 5