Zuf¨allige Kommunikationsnetze (SS 2019)
Vorlesungszusammenfassungen, ¨ Ubungen und Pr¨ufungsfragen
Prof. Dr. Hannes Frey, (last edited: 16. Juli 2019)
I. PUNKTPROZESSE
A. ¨Ubungen zur Punktprozesssimulation
Ubung 1 (Computer-Simulation eines Gaußschen Poisson-¨ Punktprozesses): Seien X und Y zwei voneinander un- abh¨angige wie folgt identisch normalverteilte Zufallsvariablen:
X, Y ∼ N(0, σ2).
1) Was ist die Wahrscheinlichkeitsdichte f(X,Y)(x,y) von (X, Y) auf R2? (Hinweis: f¨ur X und Y unabh¨angig giltf(X,Y)(x, y) =fX(x)fY(y))
2) Betrachte einen gem¨aß der vorhin ermittelten Dichte ver- teilten allgemeinen Binomial-Punktprozess mitnPunk- ten in R2. Berechne mittels Sage das Intensit¨atsmaß Λ(A)des Prozesses f¨ur die MengeA= [−1,1]×[−1,1].
3) Was ist das Intensit¨atsmaßΛ(A)f¨urA=R2?
4) Simuliere mittels Sage eine Instanz des Prozesses f¨ur n= 5000und σ= 100. (Hinweis: verwende normder Bibliothekscipy.stats; siehe Sage-Anhang) 5) Wie l¨asst sich mit den vorigen ¨Uberlegungen der soge-
nannte Gaußsche Poisson-Punktprozess, welcher durch folgende Intensit¨atsfunktion
λ(x) = n 2πσ2exp
−kxk2 2σ2
f¨urx∈R2f¨ur gegebene Parameternundσdefiniert ist, aufB=R2simulieren? (Hinweis:k(x, y)k2=x2+y2) 6) Erzeuge mittels Sage eine Instanz des Gaußschen Poisson-Punktprozesses f¨ur n= 5000und σ= 100 auf B=R2.
7) Erzeuge auf Basis des vorigen Aufgabenschrittes mittels Sage eine Instanz des Gaußschen Poisson-Punktprozess im Fenster B = C0(200) mit C0(200) = Kreis mit Mittelpunkt(0,0)und Radius200. (Hinweis: verwende die Befehlevector,normund [<e> for <e> in
<iterable> if <cond>]aus dem Sage-Anhang) Ubung 2 (Simulation der mittleren Interferenz f¨ur Poisson-¨ verteilte sendende Knoten): Gegeben sei eine Menge von sendenden Knoten modelliert als homogener Poisson- Punktprozess Φ mit Intensit¨at λ. Wir definieren f¨ur Φ die InterferenzI am Punkt (0,0)als
I=X
x∈Φ
min(1,kxk−α)
(d.h. die Summe aller Signalst¨arkenwerte, die sich aus der Distanz der senden Knoten zum Nullpunkt unter dem APL2- Modell (vgl. Definition 51 der Vorlesung LeNe WS18/19) f¨ur den mittleren Pfadverlust ergibt).
1) Implementiere mittels Sage eine Simulation, welche f¨ur λ= 0.01,α= 3und den AusschnittB = [−100,100]×
[−100,100] von R2 f¨ur eine Instanz von Φ den Inter- ferenzwert I(B) = P
x∈Φ∩Bmin(1,kxk−α)berechnet (d.h. die Interferenz an (0,0), welche sich durch die Ubertragungen aller Knoten aus dem Punktprozess¨ Φ∩B ergibt).
2) Erweitere die Simulation aus dem vorigen Aufgabenteil so, dass der Interferenzwert f¨ur 100 Instanzen berechnet und in einer Liste gespeichert wird. Stelle die Werte mittels eines List-Plots dar.
3) Erkl¨are die in dem erzeugten Plot immer wieder aus der Masse der ¨ublichen Instanzen auftretenden Ausreißer.
4) Berechne zun¨achst wie im ersten Aufgabenteil eine Instanz ϕ des Punktprozesses Φ∩ B. Sei C(x) die Fl¨ache des Kreises mit Mittelpunkt (0,0) und Radius r. Sei I(r) = P
x∈Φ∩C(r)min(1,kxk−α) die Inter- ferenz der Knoten aus C(r) ∩ϕ. Berechne auf Ba- sis der gegebenen Instanz ϕ mittels Sage die Liste [I(10), I(20), . . . , I(100)] (Hinweis: C(r) ⊆ B f¨ur r ≤ 100) und stelle diese Liste mittels List-Plot dar.
Betrachte das Ergebnis f¨ur verschiedene gew¨ahlte Seed- Werte. L¨asst sich aus der Beobachtung des Prozesses in dem eingeschr¨ankten Bereich B mit Sicherheit die Interferenz aller Knoten ausΦin(0,0) festmachen?
5) Im zweiten Aufgabenteil wurde eine Liste {s1, s2, s3, . . . , s100} von Interferenzwerten f¨ur 100 verschiedene Punktprozessinstanzen erstellt.
Bestimme mittels Sage jeweils die Stichprobenmittel f¨ur die Teilmengen {s1}, {s1, s2}, {s1, s2, s3}, . . ., {s1, s2, s3, . . . , s100}. Speichere diese 100 Werte in einer Liste und plotte diese mittels List-Plot. (Hinweis:
das Stichprobenmittel einer Liste von Elementen l¨asst sich mit der Sage-Funktionmeanbestimmen.)
6) Experimentiere f¨ur den Plot des vorigen Aufgabenteils auch mit mehr Instanzen (z.B. 1000 Iterationen an- statt 100). Interpretiere anhand der Plots, warum es wom¨oglich noch deutlich mehr Experiemnte erfordert, um eine relativ sichere Aussage ¨uber den tats¨achlichen Erwartungswert der im Punkt(0,0) vorliegenden Inter- ferenz machen zu k¨onnen.
B. Charakterisierung von Punktprozessen durch Verteilungen Definition 1 (offene und abgeschlossene Menge):Eine Men- ge M ist offen, wenn f¨ur jedes x ∈ M ein > 0 existiert, sodass die offene Sph¨areU(x) ={y:kx−yk< }komplett
in M liegt, d.h. U(x)⊆M. Eine Menge istabgeschlossen, wenn ihr Komplement offen ist.
Definition 2 (beschr¨ankte und kompakte Menge):Eine Men- geM istbeschr¨ankt, wenn diese komplett in einer Sph¨are mit endlichem Radius liegt. Eine Menge ist kompakt, wenn diese beschr¨ankt und abgeschlossen ist.
Definition 3 (Menge der Elementarereignisse von Punktpro- zessen): Wir betrachten Rd und die Borel-Mengen Bd aus Rd. Die Menge der Elementarereignisse von Punktprozessen N (d.h. die Menge aller m¨oglichen Realisierungen von Punkt- prozessen) definieren wir ¨uber die Menge aller Z¨ahlmaße auf Bd, d.h.
N ={ϕ:ϕist Z¨ahlmaß aufBd}
(Erinnerung/Erg¨anzung: ein Z¨ahlmaß ϕerf¨ulltϕ(A)∈N0∪ {∞} und f¨ur kompaktesB istϕ(B)<∞)
Die Elementarereignisse sind demnach die Elemente ϕ ∈ N. Wir bezeichnen die Elemente ϕ auch einfach als Punkt- muster.
Definition 4 (Basis-Elemente der Sigma-Algebra ¨uber der Menge der Elementarereignissen von Punktprozessen): F¨ur k ∈ N0 und kompaktes B ∈ Bd definiert EB,k das Basis- Element, dass genaukPunkte in B liegen, d.h.
EB,k ={N(B) =k}={ϕ∈ N :ϕ(B) =k}
Definition 5 (Sigma-Algebra ¨uber der Menge der Elemen- tarereignisse von Punktprozessen):Die Sigma-AlgebraE ¨uber der Menge der Elementarereignisse von Punktprozessen N ist die kleinste Sigma-Algebra, die alle Basis-Elemente EB,k
enth¨alt.
Definition 6 (Kanonischer Raum/Ergebnisraum eines Punkt- prozesses):Der Maßraum(N,E)(d.h. alle m¨oglichen Elemen- tarereignisse/Instanzen eines Punktprozesses und die Sigma- Algebra der Ereignisse hier¨uber) wird als kanonischer Raum bzw.Ergebnisraumf¨ur einen Punktprozess inRd bezeichnet.
Definition 7 (Punktprozess):EinPunktprozessist eine mess- bare Abbildung N : Ω→ N aus einem Wahrscheinlichkeits- raum(Ω,A,P)in den Ergebnisraum (N,E).
Definition 8 (Punktprozessverteilung): DieVerteilung eines Punktprozesses ist das dem Ergebnisraum zugeh¨orige Wahr- scheinlichkeitsmaß
Q[E] = P◦N−1(E) = P[N ∈E] f¨ur alleE∈ E Ubung 3 (Q¨ ist ein Wahrscheinlichkeitsmaß): Zeige, dass vorig definiertes Qin der Tat ein Wahrscheinlichkeitsmaß ist.
Definition 9 (Ausgangs- und Ergebniswahrscheinlichkeits- raum eines Punktprozesses):F¨ur einen PunktprozessN : Ω→ N bezeichnen wir(Ω,A,P)alsAusgangswahrscheinlichkeits- raum und (N,A,Q) alsErgebniswahrscheinlichkeitsraum.
Pr¨ufungsfrage: Punktprozess, sowie Ausgangswahrscheinlich- keitsraum, Ergebniswahrscheinlichkeitsraum und Punktpro- zessverteilung in Analogie zur Definition dieser Begriffe f¨ur einfache reellwertige Zufallsvariablen erkl¨aren.
Korollar 1 (Intensit¨atsmaß als Integral im Ausgangswahr- scheinlichkeitsraum oder Ergebniswahrscheinlichkeitsraum):
Betrachte einen durch die Zufallsvariable N : (Ω,A,P) → (N,E)beschriebenen Punktprozess. Das Intensit¨atsmaßΛ(B)
(d.h. die erwartete Anzahl Punkte in B) des Punktprozesses l¨asst sich sowohl ¨uber den Ausgangswahrscheinlichkeitsraum als auch den Ergebniswahrscheinlichkeitsraum wie folgt aus- dr¨ucken:
E[N(B)] = Z
Ω
Nω(B)P[dω] = Z
N
ϕ(B)Q(dϕ) (hierbei bedeutetNω=N(ω)zwecks besserer Lesbarkeit und ϕ(B)die Anzahl Punkte der Punktprozessinstanzϕ, wir inB liegen)
Korollar 2 (Erwartungswert einer Funktion angewendet auf einen Punktprozess): Seif eine messbare reellwertige Funk- tion angewendet auf Punktprozessinstanzen, d.h.f :N →R. SeiΦdie Zufallsvariable, welche den Punktprozess beschreibt.
Dann ist der Erwartungswert vonf(Φ) gegeben als E[f(Φ)] =
Z
N
f(ϕ)Q(dϕ)
Pr¨ufungsfrage: Erkl¨aren wie der Erwartungswert einer Funk- tion angewendet auf einen Punktprozess generell berechnet wird.
Korollar 3 (Erwartungswert ¨uber eine Funktion angewendet auf die Anzahl der Punkte eines Punktprozesses):Sei f eine Funktion der FormN0→R. SeiΦdie Zufallsvariable, welche den Punktprozess beschreibt, sowieΦ(B)die Anzahl Punkte, die in den BereichB fallen. Dann ist der Erwartungswert von f(Φ(B))gegeben als
E[f(Φ(B))] = Z
N
f(ϕ(B))Q(dϕ)
Ubung 4 (Erwartete Interferenz im W¨urfelexperiment):¨ Wir betrachten das W¨urfelexperiment mit einem fairen sechssei- tigen W¨urfel. Hiermit definieren wir einen Punktprozess f¨ur den Ergebnisraum(N,E)durch die VerteilungQ(ϕi) = 1/6, wobei dieϕi f¨uri= 1,2, . . . ,6die m¨oglichen Ergebnisse des W¨urfelexperimentes in der folgenden Weise definieren:
• ϕ1={(0,0)}
• ϕ2={(−1,−1),(1,1)}
• ϕ3={(−1,−1),(0,0),(1,1)}
• ϕ4={(−1,1),(−1,−1),(1,−1),(1,1)}
• ϕ5={(−1,1),(−1,−1),(1,−1),(1,1),(0,0)}
• ϕ6={(−1,1),(−1,−1),(1,−1),(1,1),(−1,0),(1,0)}
Sei f : N →Reine Funktion, welche die Interferenz im Nullpunkt bei Pfadverlust 2 gem¨aß APL2-Modell berechnet, d.h.
f(ϕ) =X
x∈ϕ
min(1,kxk−2)
Berechne E[f(Φ)] wie in Korollar 2 angegeben, d.h.
E[f(Φ)] =R
Nf(ϕ)Q(dϕ).
Definition 10 (Endlichdimensionale Verteilung): Die endlichdimensionale Verteilung eines Punktprozesses N sind die Verteilungen der f¨ur alle m ∈ N und kompakten B1, B2, . . . , Bk definierten Zufallsvektoren (N(B1), N(B2), . . . , N(Bk)).
Definition 11 (Kapazit¨atsfunktional und L¨uckenwahrschein- lichkeit):DasKapazit¨atsfunktionalT eines simplen Punktpro- zesses Φist definiert als
T(B) = P[N(B)>0]f¨ur B kompakt Das Komplement
V(B) = 1−T(B)
bezeichnet man als L¨uckenwahrscheinlichkeit (aus dem Eng- lischen Void-Probability).
Theorem 1 (Gleichheit bei ¨Ubereinstimmung auf endlichdi- mensionaler Verteilung bzw. Kapazit¨atsfunktional):
• Wenn zwei Punktprozesse auf ihren endlichdimensiona- len Verteilungen ¨ubereinstimmen, dann stimmen diese auch auf ihrer gesamten Verteilung ¨uberein.
• Wenn zwei simple Punktprozesse auf ihren Kapazit¨ats- funktionalen ¨ubereinstimmen, dann stimmen diese auch auf ihrer gesamten Verteilung ¨uberein.
Pr¨ufungsfrage: Erkl¨are die Konzepte endlichdimensionale Ver- teilung und Kapazit¨atsfunktional.
Pr¨ufungsfrage: Erkl¨are wozu die Konzepte endlichdimensiona- le Verteilung bzw. Kapazit¨atsfunktional n¨utzlich sein k¨onnen.
Theorem 2 (R´enyi’s Theorem): Sei Φ ⊆ Rd ein Punkt- prozess und λ : Rd → R+ eine Funktion mit Λ(B) = R
Bλ(x) dx <∞ f¨ur alle beschr¨anktenB. Wenn P[Φ(B) = 0] = exp(−Λ(B))
f¨ur jede Borel-Menge B gilt, dann ist Φ ein Poisson- Punktprozess mit Intensit¨atsfunktion λ(x).
Korollar 4 (Superposition von unabh¨angigen Poisson- Punktprozessen ist wieder ein Poisson-Punktprozess): DieSu- perpositionΦ = Φ1∪Φ2von zwei voneinander unabh¨angigen Poisson-Punktprozessen Φ1 und Φ2 mit Intensit¨atsmaßen Λ1 undΛ2ist wieder ein Poisson-Punktprozess mit Intensit¨atsmaß Λ1+ Λ2.
Pr¨ufungsfrage: Was bedeutet Superposition von zwei Punkt- prozessen?
Pr¨ufungsfrage: Welcher Punktprozess liegt bei Superposition von zwei unabh¨angigen Poisson-Punktprozessen vor?
Pr¨ufungsfrage: Wie l¨asst sich das Intensit¨atsmaß der Super- position von zwei unabh¨angigen Poisson-Punktprozessen an- hand der Intensit¨atsmaße der beiden Poisson-Punktprozesses beschreiben?
Pr¨ufungsfrage: Was ist die Intensit¨at der Superposition von zwei unabh¨angigen homogenen Poisson-Punktprozessen?
C. Eigenschaften von Punktprozessen
Definition 12 (Parallelverschobener Punktprozess):SeiΦ = {x1, x2, . . .} ein Punktprozess im Rd. F¨ur x ∈ Rd ist Φx = {x1+x, x2+x, . . .} der um x parallelverschobene Punktprozess. F¨ur jedes Ereignis E ist das umxparallelver- schobene EreignisEx definiert als:
Ex={ϕ∈ N :ϕ−x∈E}
Definition 13 (Parallelverschobenes Z¨ahlmaß): Sei N ein Z¨ahlmaß auf Bd. Das um x ∈ Rd parallelverschobene Z¨ahlmaß Nx ist definiert als Nx = N(· − x) in der Be- deutung, dass Nx(B) = N(B −x) f¨ur alle B ∈ Bd und B−x={y−x:y∈B}.
Definition 14 (Station¨arer Punktprozess):Ein Punktprozess aufRd iststation¨ar, wenn seine VerteilungQinvariant bzgl.
Verschiebungen ist, d.h. Q(E) = Q(Ex) f¨ur alleE ∈ E und x∈Rd.
Definition 15 (Isotroper Punktprozess): Ein Punktprozess in Rd ist isotrop, wenn seine Verteilung Q invariant bzgl.
Rotation um den Koordinatenursprung o vonRd ist, d.h. f¨ur alle E ∈ E ist Q(E) = Q(rE) f¨ur Rotation r um o inRd. Hierbei bedeutetrE={ϕ∈ N :r−1ϕ∈E}
Definition 16 (Bewegungsinvarianter Punktprozess): Ein station¨arer und isotroper Punktprozess wird bewegungsinva- riant bezeichnet.
Pr¨ufungsfrage: Was bedeuten die Begriffe station¨ar und bewe- gungsinvariant?
Pr¨ufungsfrage: Ist ein Poisson-Punktprozess bewegungsinvari- ant?
Pr¨ufungsfrage: Welche Eigenschft hat das Intensit¨atsmaß eines station¨aren Punktprozesses?
D. Punktprozesstransformationen
Definition 17 (Verschiebung eines Punktprozesses):DieVer- schiebung eines Punktprozesses bedeutet, dass jeder Punkt x um eine von den anderen Punkten unabh¨angige Zufallsgr¨oße Vx, deren Verteilung aber von xabh¨angen kann, verschoben wird, d.h. wir betrachten
Φ0={x+Vx:x∈Φ}
mitVx unabh¨angig f¨ur allex∈Φ.
Theorem 3 (Verschiebungssatz (engl. Displacement- Theorem)): Sei Φ ein allgemeiner Poisson-Punktprozess
¨uber Rd mit Intensit¨atsfunktion λ(x). Wenn alle Punkte unabh¨angig verschoben werden, sodass die Verteilung der Ortsverschiebung eines Punktes an der Stelle x die Verteilungsdichte ρ(x,·) hat, dann bilden die verschobenen Punkte Φ0 wieder einen Poisson-Punktprozess mit der Intensit¨atsfunktion
λ0(y) = Z
Rd
λ(x)ρ(x, y) dx
Definition 18 (Verschiebungskern (engl. Displacement- Kernel)): Wir bezeichnen die Verteilungsdichte ρ(x,·) der neuen Positionx+Vxauch als Verschiebungskern.
Pr¨ufungsfrage: Aussage des Displacement-Theorems erkl¨aren
Ubung 5 (Nachbarknoten im Unit-Disk-Graph mit Positi-¨ onsungenauigkeiten): Gegeben sei ein homogener Poisson- Punktprozess Φ in R2 mit Intensit¨at λ. Angenommen der Koordinatenursprung (0,0) sei mit allen Knoten v aus Φ verbunden, die kvk ≤ 1 erf¨ullen (sogenanntes Units-Disk- Graphenmodell). Dies definiert einen neuen Punktprozess
Φ1={x∈Φ :kxk ≤1}
1) Was ist das Intensit¨atsmaßΛ(B)f¨ur Φ1? (siehe Defini- tion 78 der Vorlesung LeNe)
2) Was ist die Intensit¨atsfunktion λ(x) von Φ1? (siehe Definition 83 in der Vorlesung LeNe; die Definition dort ist zwar nur f¨ur Poisson-Punktprozesses aufgeschrieben, gilt aber so auch allgemein f¨ur beliebige Punktprozesse) 3) Begr¨unde mit der Definition eines allgemeinen Poisson- Punktprozesses (siehe Definition 82 der Vorlesung Le- Ne), dass Φ1 ein Poisson-Punktprozess f¨ur das im vor- vorigen Schritt hergeleitete Intensit¨atsmaßΛ(B)ist.
4) Angenommen wir haben ein fehlerbehaftetes Positio- nierungssystem, welches f¨ur jeden Punkt x in Φ1 als Position vonxden Wertx+Vx liefert. Hierbei sei Vx eine Zufallsvariable, die unabh¨angig von allen anderen Punkten in Φ1 ist. Die Verteilungsdichte von Vx (d.h.
der Displacement-Kernel) sei f¨ur alle y ∈R2 gegeben als:
ρ(x, y) = 1 2πσ2 ·exp
−kx−yk2 2σ2
f¨ur einσ >0. (d.h. der vom Positionierungssystem ge- lieferte Punkt ist hier multivariat Gauss um die tats¨achli- che Position gestreut)
Wir beschreiben damit den Punktprozess der fehlerhaf- ten Positionen der Punkte ausΦ1 als:
Φe={x+Vx:x∈Φ1}
Begr¨unde, dassΦe ein Poisson-Punktprozess ist.
5) Bestimme einen Integralausdruck zur Berechnung der Intensit¨atsfunktionλe(y) zuΦe und l¨ose diesen soweit es geht mittels Sage auf. (Hinweis 1: nutze die Tatsache, dass der Wert λe(y) hier nur von kyk aber nicht von der konkreten Position y abh¨angt. Hinweis 2: Versuche das bei der Herleitung auftretende Integral ¨uber Punkte im R2 mit zwei ineinander geschachtelten Integralen auszudr¨ucken (Erinnerung: Fubini).)
Definition 19 (Abbildung eines Punktprozesses):Die Modi- fikation eines Punktprozesses mittels einer Funktion, welche jeden gegebenen Punkt auf einen (anderen) Punkt, m¨oglicher- weise auch in einer anderen Dimension abbildet, wird als Abbildung eines Punktprozesses bezeichnet.
Theorem 4 (Abbildungssatz (engl. Mapping-Theorem)): Sei Φ ein allgemeiner Poisson-Punktprozess mit Intensit¨atsmaß Λ(B) und Intensit¨atsfunktion λ(x). Sei f : Rd → Rs eine messbare Funktion mitΛ(f−1({y})) = 0f¨ur alley∈Rs(d.h.
f schrumpft eine mehrelementige kompakte Menge nicht auf eine einelementige Menge), dann gilt:
Φ0=f(Φ) = [
x∈Φ
{f(x)}
ist ein Poisson-Punktprozess mit Intensit¨atsmaß
Λ0(B0) = Λ(f−1(B0)) = Z
f−1(B0)
λ(x) dx
f¨ur alle kompaktenB0 ⊆Rs.
Pr¨ufungsfrage: Aussage des Mapping-Theorems erkl¨aren.
Ubung 6 (Abbildung von homogenem Poisson-Punktprozess¨ auf Prozess der Nullpunktabst¨ande): Sei Φ ein homogener Poisson-Punktprozess in R2 mit Intensit¨atλ. Wir betrachten die Abbildung f :R2→Rmitf(x) =kxk.
1) Was ist das Intensit¨atsmaßΛ(B)vonΦ?
2) Ist die Funktion f eine f¨ur den Abbildungssatz (Mapping-Theorem) verwendbare Funktion?
3) Welcher Prozess liegt gem¨aß Abbildungssatz (Mapping- Theorem) mit f(Φ)vor?
4) Was ist gem¨aß Abbildungssatz (Mapping-Theorem) das Intensit¨atsmaß Λ0(B)von f(Φ)f¨ur B∈ B?
5) Wie berechnet sichΛ0([0, r])?
6) Bestimme durch die erste Ableitung vonΛ0([0, x])nach xdie Intensit¨atsfunktionλ(x).
Definition 20 (Ausd¨unnen eines Punktprozesses): Ausd¨unnen eines Punktprozesses bedeutet streichen von Punkten (¨ubli- cherweise nach einer probabilistischen Regel). Falls das Ent- fernen eines Punktes unabh¨angig von allen anderen Punkten geschieht, wird die Ausd¨unnung als unabh¨anig bezeichnet (unabh¨angige Ausd¨unnung).
Theorem 5 (Unabh¨angiges Ausd¨unnen eines Poisson- Punktprozesses): Sei Φ ein Poisson-Punktprozess mit Inten- sit¨atsmaß Λ(B). Sei g : Rd → [0,1] eine Ausd¨unnungs- funktion, welche jeden Punktxunabh¨angig von allen anderen mit Wahrscheinlichkeit 1−g(x)entfernt. Diese unabh¨angige Ausd¨unnung erzeugt einen Poisson-Punktprozess mit Inten- sit¨atsmaß Λ0(B) =R
Bg(x)Λ(dx).
Pr¨ufungsfrage: Aussage des Satzes zum unabh¨angigen Ausd¨unnen eines Poisson-Punktprozesses erkl¨aren
Ubung 7 (Empfangswahrscheinlichkeit im unkorrelierten¨ Log-Normal-Shadowing-Modell als Ausd¨unnfunktion):Wir be- trachten die EmpfangsleistungPRX(d)in dBm einer ¨Ubertra- gung ¨uber Distanzdgegeben als
PRX(d) =c−10αlog10(d/d0) +Xσ
f¨ur feste Parameter c < 0, α >1, d0 > 0, σ > 0 und der mit Erwartungswert 0 normalverteilten Zufallsgr¨oße Xσ ∼ N(0, σ2). (das so definiertePRX(d)ist die Empfangsleistung im sogenanntenLog-Normal-Shadowing-Modell)
F¨ur eine ¨Ubertragung ¨uber die Distanz d definieren wir gem¨aß der vorig definierten Zufallsvariablen PRX(d), dass eine ¨Ubertragung m¨oglich ist, wenn
PRX(d)≥θ f¨ur ein geeignetes fest gew¨ahltesθ gilt.
1) Zeige, dass f¨urg(d) = P[c−10αlog10(d/d0)+Xσ≥θ]
gilt:
g(d) = 1−1 2
1 + erf
θ−c+ 10αlog10(d/d0)
√2σ
(Hinweis: Ungleichung nach Xσ umformen und Vertei- lungsfunktion von Xσ verwenden)
2) Angenommen das Log-Normal-Shadowing-Modell ist unkorreliert und damit gelte f¨ur die ¨Ubertragungswege u bzw. v in den Koordinatenursprung (0,0), dass die ZufallsvariablenPRX(kuk)bzw.PRX(kvk)unabh¨angig
sind (sofern u 6= v), d.h. die in PRX(kuk) bzw.
PRX(kvk) vorkommenden Zufallsvariablen Xσu bzw.
Xσv sind unabh¨angig. Ist unter dieser Annahmeg(kxk) als m¨ogliche Ausd¨unnfunktion im vorigen Theorem an- wendbar?
Korollar 5 (Intensit¨atsfunktion bei Ausd¨unnen eines Poisson- Punktprozesses): Besitzt der Poisson-Punktprozess Φdes vo- rigen Satzes eine Intensit¨atsfunktion λ(x), dann ist die Inten- sit¨atsfunktion λ0(B)des ausged¨unnten Prozesses gegeben als λ0(B) =g(x)λ(x).
Korollar 6 (Unabh¨angiges Ausd¨unnen eines homogenen Poisson-Punktprozesses): Sei Φ ein homogener Poisson- Punktprozess mit Intensit¨at λ. Sei g : Rd → [0,1] ei- ne Ausd¨unnungsfunktion, welche jeden Punkt x unabh¨angig von allen anderen mit Wahrscheinlichkeit 1−g(x) entfernt.
Diese unabh¨angige Ausd¨unnung erzeugt einen inhomogenen Poisson-Punktprozess mit Intensit¨atsfunktionλg(x).
Ubung 8 (Erwartete Anzahl Nachbarn eines Poisson-¨ Punktprozesses im Log-Normal-Shadowing-Modell):Gegeben sei ein homogener Poisson-Punktprozess Φ im R2 mit In- tensit¨at λ. Wir betrachten die Empfangsleistung PRX(d) in dBm einer ¨Ubertragung ¨uber Distanz d wie in voriger Auf- gabe definiert wurde (d.h. Empfangsleistung im Log-Normal- Shadowing-Modell). Seien die Parameterc <0,α >1,d0>0 fest. SeiXσ∼ N(0, σ2)(d.h. mit Standardabweichungσ >0 und mit Erwartungswert 0normalverteilte Zufallsvariable).
F¨ur jeden KnotenuausΦbestimmen wir die Empfangsleis- tung einer ¨Ubertragung vonu, die wir im Koordinatenursprung (0,0) von R2 messen k¨onnen gem¨aß der vorig definierten Zufallsvariablen PRX(kuk) und sagen, dassuvom Ursprung (0,0) empfangen werden kann, wenn
PRX(kuk)≥θ
f¨ur ein geeignetes θ < 0 (kleiner 0 ist kein Tippfehler; wir betrachten hier dBm).
1) Wir wollen im Folgenden die erwartete Anzahl der Netz- knotenxausΦbestimmen, die gem¨aß der probabilisti- schen Regel PRX(kxk) ≥ θ den Koordinatenursprung (0,0) erreichen k¨onnen. Argumentiere mit vorvoriger Ubungsaufgabe, dass wir hierzu auch den Punktprozess¨ kΦk = {kxk : x ∈Φ} mit Intensit¨atsfunktion λ(x) = 2πλx1x≥0(x)betrachten k¨onnen.
2) Gem¨aß dem hier betrachteten Modell (Log-Normal- Shadowing) ist die Wahrscheinlichkeit, dass ein Knoten u aus kΦk den Koordinatenursprung 0 erreicht, durch P[c−10αlog10(d/d0) +Xσ≥θ]f¨urd=kukgegeben.
Sei Φ0 der Prozess aller Punkte aus kΦk, die nach dieser probabilistischen Regel den Ursprung erreichen.
Argumentiere mit voriger Aufgabe, dassΦ0ein Poisson- Punktprozess ist.
3) Bestimme die Intensit¨atsfunktionλ0(x)zuΦ0.
4) Bestimme einen Integralausdruck f¨ur die in Φ0 Anzahl zu erwartenden Knoten, die im Intervall [0, r] liegen (d.h. die Anzal Knoten aus Φ, die zum Ursprung einen Abstand kleiner gleichrhaben und diesen auch gem¨aß Log-Normal-Shadowing-Modell erreichen k¨onnen).
5) L¨ose den Integralausdruck mittels Sage unter den An- nahmen d0 = 1,α > 0, σ >0 und θ−c < 0. (Hin-
weis: alle Variablen m¨ussen als reellwertig angenommen sein (Erinnerung: assume(x,’real’)); Annahmen der Form x >0definiert man mit assume(x >0); Annahmen der Form θ−c <0 definiert man mit assume(θ−c <0)) 6) Sei θ = −95, c = −40, α = 2, λ = 0.01. Stelle
die Funktionen des im vorigen Schritt gel¨osten Inte- gralausdrucks f¨ur σ = 2 und σ = 3 f¨ur r von 0 bis 1000 gemeinsam in einem Koordinatensystem dar und interpretieren den relativen Verlauf der bei- den Kurven zueinander. (Hinweis: beispielsweise stellt plot([sin(x),cos(x)],x,0,2*pi) die beiden Funktionen sin und cos in einem Koordinatensystem gemeinsam dar) 7) Bestimme den Integralausdruck f¨ur die erwartete Anzahl
Knoten inΦ0 auf ganzR+0.
8) L¨ose den Integralausdruck mittels Sage; erneut mit den Annahmen d0 = 1,α > 0, σ >0 und θ−c <0. Wir m¨ussen hier dar¨uber hinaus θ <0 festlegen.
9) Plotte die Relation der im Bereich[0, r]zu erwartenden Knoten gegen¨uber der Anzahl zu erwartenden Knoten im gesamten Bereich [0,∞).
10) Ermittle mittels Sage f¨ur α = 3, σ = 4 f¨ur welche Distanz r das im vorigen Aufgabenschritt betrachtete Verh¨altnis den Wert 0.95 erreicht (d.h. der Abstand r, f¨ur den gilt, dass 95% der Knoten die den Ur- sprung erreichen k¨onnen, einen Abstand kleiner gleich rzum Ursprung haben) (Erinnerung: die Sage-Funktion find root kann Gleichungen numerisch l¨osen)
11) Finde mittels Sage find root wie λ des Ausgangspro- zesses Φ zu w¨ahlen ist, sodass in [0, r] zu vorhin gefundenem Radius rim Mittel 100Knoten liegen, die den Koordinatenursprung gem¨aß dem betrachteten Log- Normal-Shadowing-Modell erreichen k¨onnen.
E. Exkurs: Modellierung von Medienzugriffskontrolle Definition 21 (ALOHA und slotted ALOHA Medienzugriffs- verfahren): Im ALOHA Medienzugriffsverfahren versendet ein Knoten eine zu sendende Nachricht unmittelbar und un- abh¨angig davon, ob andere Knoten dadurch gest¨ort werden k¨onnten. Auch imslotted ALOHAVerfahren sendet ein Knoten unabh¨angig davon, ob andere Knoten dadurch gest¨ort werden k¨onnten. Jedoch ist hier die Zeit f¨ur alle Knoten synchorn in periodische Zeit-Slots eingeteilt. Zum Versenden einer Nachricht wartet ein Knoten bis zum Beginn des n¨achsten Zeit-Slots.
Definition 22 (ALOHA Modell): Gegeben sei ein Punkt- prozess Φ von Netzknoten. Das ALOHA-Modell beschreibt den Punktprozess der aktuell sendenden Knoten als eine unabh¨angige Ausd¨unnung (vgl. Definition 20) des Ausgangs- prozesses Φ. Betrachtet man (wie es in der Regel gemacht wird) die Ausd¨unnung auch r¨aumlich unabh¨angig, dann wird jeder Knoten unabh¨angig von allen anderen mit der gleichen WahrscheinlichkeitpausΦgestrichen.
Pr¨ufungsfrage: Einfaches Modell zur r¨aumlichen Beschrei- bung des ALOHA und sloted ALOHA Medienzugriffsverfah- rens erkl¨aren.
Definition 23 (CSMA (Carrier Sense Multiple Access) Me- dienzugriffsverfahren): Im CSMA (Carrier Sense Multiple Access) Medienzugriffsverfahren h¨ort ein Knoten vor ¨Ubert- ragungsstart in den Kanal. Nur wenn der Kanal frei ist, wird
¨ubertragen. Ansonsten wir die ¨Ubertragung auf einen sp¨ate- ren Zeitpunkt verlegt und ggf. auch verworfen. (Bemerkung:
konkrete CSMA-Varianten unterscheiden sich in der Art, wie lange bei nicht freiem Medium gewartet wird und auch in der Entscheidung, wann ein ¨Ubertragungsversuch bei mehrma- ligem erfolglosem Medienzugriffsversuch letztlich verworfen wird)
Definition 24 (Mat´ern Hard-Core-Prozess vom Typ I):Aus- gehend von einem uniformen Poisson-Punktprozess Φb mit Intensit¨at λb werden alle Punkte markiert, die im Umkreis r (f¨ur ein vorgegebenes r > 0) mindestens einen Nachbarn haben. Der Mat´ern Hard-Core-Prozess vom Typ I Φ ergibt sich dann durch l¨oschen aller dieser markierten Punkte, d.h.:
Φ ={x∈Φb: Φb∩b(x, r) ={x}}
mit b(x, r) ist der Kreis bzw. die Sph¨are mit Mittelpunkt x und Radius r.
Definition 25 (Mat´ern Hard-Core-Prozess vom Typ II):
Ausgehend von einem uniformen Poisson-Punktprozess Φb mit Intensit¨at λb generiere f¨ur jeden Punkt x eine Marke m(x) gleichverteilt in [0,1]. Markiere jeden Punkt x mit mindestens einem Nachbarn y im Umkreis mit Radiusr (f¨ur ein vorgegebenes r > 0), der m(y) ≤ m(x) erf¨ullt. Der Mat´ern Hard-Core-Prozess vom Typ II Φ ergibt sich dann durch l¨oschen aller dieser markierten Punkte, d.h.
Φ ={x∈Φb:m(x)< m(y)f¨ur alley∈Φb∩b(x, r)\ {x}}
mit b(x, r) ist der Kreis bzw. die Sph¨are mit Mittelpunkt x und Radius r.
Theorem 6 (Intensit¨at des Mat´ern Hard-Core-Prozess vom Typ I):Die Intensit¨at des Mat´ern Hard-Core-Prozess vom Typ I im Rd ist durch die Konstante
λ=λbexp(−λbcdrd)
gegeben. Hierbei steht cd f¨ur die Fl¨ache des Einheitskreises bei Dimension d = 2 bzw. das Volumen der Einheitssph¨are b(0,1)bei Dimension d >2. (z.B.c2=πbzw.c3= 4π/3)
Theorem 7 (Intensit¨at des Mat´ern Hard-Core-Prozess vom Typ II):Die Intensit¨at des Mat´ern Hard-Core-Prozess vom Typ II im Rd ist durch die Konstante
λ= 1−exp(−λbcdrd) cdrd
gegeben. Hierbei steht cd f¨ur die Fl¨ache des Einheitskreises bei Dimension d = 2 bzw. das Volumen der Einheitssph¨are b(0,1)bei Dimension d >2. (z.B.c2=πbzw.c3= 4π/3) Pr¨ufungsfrage: Passende vereinfachte Modelle zur r¨aumlichen Beschreibung des CSMA Medienzugriffsverfahrens erkl¨aren.
F. Kontaktdistanz und n¨achster Nachbar
Definition 26 (N¨achster-Nachbar-Operator): F¨ur eine Punktmenge ϕ mit mindestens zwei Punkten definieren wir denN¨achsten-Nachbar-Operatorals
N Nϕ(x) = argmin
y∈ϕ\{x}
{kx−yk}
f¨urx∈ϕ. Falls mehrere solcher n¨achsten Nachbarn existieren, wird ein beliebiger gleichverteilt gew¨ahlt.
Definition 27 (Minimale Distanz):Wir definieren mitkx− Bkf¨urB⊆Rd dieminimale DistanzzwischenxundB, d.h.
kx−Bk= min
y∈B{kx−yk}
Definition 28 (Kontaktdistanz): Die Kontaktdistanz eines Punktprozesses Φ zu einem Punkt u ist die Zufallsvariable ku−Φk.
Definition 29 (Kontaktdistanzverteilung): Die Kontaktdi- stanzverteilungFu(r)ist die Verteilungsfunktion zur Zufalls- variablen Kontaktdistanz ku−Φk, d.h.:
Fu(r) = P[ku−Φk ≤r] = P[N(b(u, r))>0] =T(b(u, r)) mit b(u, r) ist Kreis bzw. Sph¨are um u mit Radius r. (T(·) ist das Kapazit¨atsfunktional aus Definition 11 hier speziell angewendet auf b(u, r))
WennΦstation¨ar ist, dann h¨angtFu(r)offensichtlich nicht vonuab. Wir schreiben in diesem Fall einfach F(r).
Definition 30 (N¨achste-Nachbar-Distanz und Verteilung):
Als N¨achste-Nachbar-Distanz f¨ur einen Punkt x aus dem PunktprozessΦdefinieren wirkx−Φ\ {x}k. Die zugeh¨orige VerteilungsfunktionGx(r) = P[kx−Φ\{x}k ≤r]bezeichnen wir als N¨achste-Nachbar-Distanz-Verteilung zu gegebenem x∈Φ.
Wenn der Prozess Φstation¨ar ist, dann h¨angt Gx(r) nicht vonxab und wir schreiben dann einfachG(r).
Definition 31 (J-Funktion):F¨ur einen station¨aren Punktpro- zessΦdefinieren wir alsJ-Funktiondas folgende Verh¨altnis
J(r) =1−G(r) 1−F(r) f¨ur aller≥0.
Pr¨ufungsfrage: Erkl¨are die Zusammensetzung der J-Funktion.
Korollar 7 (J-Funktion eines homogenen Poisson- Punktprozesses): F¨ur einen homogenen Poisson- Punktprozesses gilt J(r) = 1 f¨ur aller≥0.
Pr¨ufungsfrage: Liegt ein homogener Poisson-Punktprozess vor, wenn die J-Funktion konstant1ist?
Pr¨ufungsfrage: Was bedeutet eine Tendenz der J-Funktion kleiner 1bzw. eine Tendenz gr¨oßer1?
Definition 32 (Fry-Plot): Ein Fry-Plot zu einer Punktpro- zessinstanz ϕ in R2 ist eine visuelle Analysemethode, in welcher f¨ur jedes Paar verschiedener Punkte u, v ∈ ϕ die Werte u−v auf der Ebene dargestellt sind. (Die Darstel- lung kann auch auf bestimmte Kriterien bzgl. der Punktpaare u, v eingeschr¨ankt sein; z.B. ignoriere alle Punktpaare mit ku−vk> rf¨ur einen gegebenen Radiusr)
Pr¨ufungsfrage: Wie wird ein Fry-Plot konstruiert?
Pr¨ufungsfrage: Was kann man aus einem Fry-Plot ablesen?
Ubung 9 (Fry-Plot und J-Funktion mittels R und spatstat):¨ Verwende die Statisikumgebung R in CoCalc und lade das spatstat Paket mittels des Kommandos library(spatstat).
1) Generiere mittels R eine Instanz eines
• homogenen Poisson-Punktprozesses mit Intensit¨at λ= 1im Fenster [−10,10]2
• Mat´ern Hardcore-Prozesses vom Typ I und II mit Intensit¨atλb= 1 und Mindestabstandsradiusr= 1 im Fenster[−10,10]2
• inhomogenen Poisson-Punktprozesses mit Inten- sit¨atsfunktion
λ(x) = n 2πσ2 ·exp
−kxk2 2σ2
(d.h. der Gaußsche Poisson-Punktprozess) mit n= 500 undσ= 2.
2) Plotte die erzeugten Instanzen.
3) Erzeuge Fry-Plots zu den Instanzen.
4) Sch¨atze die J-Funktion f¨ur die Instanzen.
Ubung¨ 10 (Model-Fitting eines homogenen Poisson- Punktprozesses mittels R und spatstat): Erzeuge wie in vo- riger Aufgabe mittels R und spatstat in CoCalc eine Instanz eines homogenen Poisson-Punktprozesses mit Intensit¨at 100 im Fenster[0,1]2. Finde auf Basis der Instanz mittels Model- Fitting die Intensit¨at.
Ubung 11 (Model-Fitting eines inhomogenen Poisson-¨ Punktprozesses mittels R und spatstat): Der Ausdruck ppm(p
∼1) ist ein Spezialfall der generellen Anwendung der Funk- tion ppm(p∼<funktion in x und y>).
1) Generiere wie in der vorvorigen Aufgabe einen inhomo- genen Poisson-Punktprozess mit Intensit¨atsfunktion
λ(x) = n 2πσ2 ·exp
−kxk2 2σ2
im Fenster[−10,10]2 f¨ur n= 500 undσ= 2.
2) Bestimme mittels Model-Fitting ppm(gp ∼ <funktion in x und y>) die Parameter (Intercept) und <funktion in x und y>; im folgenden genannt als a und b.
(Hinweis: <funktion in x und y> ist so anzugeben, dass sich die Intensit¨atsfunktion durch lambda( (x,y) )
= exp(a + b *<funktion in x und y>)ergibt; Beispiel:
Angabe vonf(x, y) =x·ybedeutet Intensit¨atsfunktion λ(x) = exp(a+b(x·y)). ppm sch¨atzt die Parameter a und b. Beachte, dass x2+y2 durch abs(x2 +y2) anzugeben ist)
3) Rechne anhand der gefundenen Parameter a und b die urspr¨unglichen Parameternund σzur¨uck.
II. SUMMEN UNDPRODUKTEUBER¨ PUNKTPROZESSE
A. Erwartungswert einer Summe
Theorem 8 (Campbell’s Theorem f¨ur Summen ¨uber Punkt- prozesse):Sei Φein Punktprozess aufRd mit Intensit¨atsmaß Λ(B). Seif :Rd→Rmessbar. Die Zufallssumme
S=X
x∈Φ
f(x)
ist eine Zufallsvariable mit dem Erwartungswert
E[S] = Z
Rd
f(x)Λ(dx)
vorausgesetzt, dass die rechte Seite endlich ist. WennΦ eine Intensit¨atsfunktionλ(x)besitzt, dann ist
E[S] = Z
Rd
f(x)λ(x) dx
Korollar 8 (Campbell’s Theorem f¨ur Summen ¨uber Stati- on¨aren Punktprozessen): Sei Φ ein station¨arer Punktprozess inRd mit Intensit¨atλ. Die SummeS =P
x∈Φf(x)ist eine Zufallsvariable mit Erwartungswert
E[S] =λ Z
Rd
f(x) dx
Pr¨ufungsfrage: Erl¨autere die Aussage des Campbell-Theorems f¨ur Summen ¨uber Punktprozessen.
Definition 33 (Summe ¨uber eine Funktion):Ist die Funktion f in der Summe der in vorigen beiden S¨atzen definierten ZufallsvariablenSbesonders hervorzuheben, so schreiben wir auchS[f]und sagen dieSumme ¨uber die Funktion f.
Ubung 12 (Mittlere Interferenz in station¨aren Punktprozes-¨ sen):
Gegeben sei ein station¨arer Punktprozess Φ in Rd mit Intensit¨atλ. Dies seien die Positionen der aktuell sendenden Netzteilnehmer. Der Pfadverlust einer ¨Ubertragung ¨uber eine Distanzxseil(x) =x−α f¨ur einα≥2(APL1-Modell).
1) Ermittele mittels Campbell-Theorem die Interferenz an einem beliebigen Beobachtungspunkt inRd.
2) Betrachten nun speziellΦ inR2. Bestimme f¨ur α= 2 und α > 2 mittels Sage jeweils eine Funktion zur Berechnung des im vorigen Schritt hergeleiteten Inte- gralausdrucks.
(Hinweis: F¨ur eine Funktion f : R → R l¨asst sich das Integral R
R2f(kzk) dz durch ¨Ubergang in Polarkoordinatendarstellung auch wie folgt berechnen:
R
R2f(kzk) dz = R2π 0
R∞
0 r·f(r) drdφ = 2πR∞ 0 r· f(r) dr)
3) Interpretiere die Ergebnisse.
4) Betrachte nun dasselbe Szenario jedoch mit folgender Pfadverlustfunktion l(x) = min{1, x−α}. Bestimme erneut einen Ausdruck zur Berechnung der mittleren Interferenz f¨ur α >2.
5) Bestimme f¨ur die im vorigen Aufgabenabschnitt ver- wendete Pfadverlustfunktionl(x) = min{1, x−α}einen Ausdruck zur Berechnung der mittleren Interferenz f¨ur α = 2, wenn das gesamte betrachtete Netz auf einen Kreis mit Radius r beschr¨ankt ist und die Interferenz vom Kreismittelpunkt beobachtet wird.
B. Wahrscheinlichkeitserzeugendes- und Laplace-Funktional Definition 34 (Wahrscheinlichkeitserzeugendes Funktional eines Punktprozesses): Es sei V die Familie aller messbaren Funktionen v : Rd → [0,1] derart, dass 1 −v(x) einen beschr¨ankten Tr¨ager hat (d.h. 1−v(x) = 0 außerhalb einer beschr¨ankten MengeB⊆R). F¨urv∈ V ist das wahrschein- lichkeitserzeugende Funktional (englisch: probability genera- ting functional (pgfl)) eines PunktprozessesΦdefiniert als:
G[v] = E
"
Y
x∈Φ
v(x)
#
= Z
N
Y
x∈ϕ
v(x)Q(dϕ)
Pr¨ufungsfrage: Was ist der Unterschied zwischen den Konzep- ten wahrscheinlichkeitserzeugende Funktion (siehe LeNe) und wahrscheinlichkeitserzeugendes Funktional?
Theorem 9 (Wahrscheinlichkeitserzeugendes Funktional de- terminiert die Verteilung):Die Verteilung eine Punktprozesses Φ ist durch sein Wahrscheinlichkeitserzeugendes Funktional G[v] eindeutig bestimmt.
Korollar 9 (Zusammenhang wahrscheinlichkeitserzeugendes Funktional und momentgenerierende Funktion): Das wahr- scheinlichkeitserzeugende Funktional G[v]ist gleich der mo- mentgenerierenden Funktion MS[logv](1) bzw. der Laplace- TransformiertenLS[logv](−1).
Pr¨ufungsfrage: Wie ist der Zusammenhang zwischen Zusam- menhang wahrscheinlichkeitserzeugendem Funktional und mo- mentgenerierender Funktion?
Definition 35 (Laplace-Funktional): SeiU die Menge aller beschr¨ankten nicht-negativen messbaren Funktionen mit be- schr¨anktem Tr¨ager. Sei Ψ ein nicht-negatives Zufallsmaß auf Rd (vgl. zuf¨alliges Z¨ahlmaß, welches auf N abbildet; hier bilden die zuf¨alligen Z¨ahlmaße auf R+0 ab). F¨ur jedesu∈ U ist das Laplace-Funktionaldefiniert als:
LΨ[u] = E
exp
− Z
Rd
u(x)Ψ(dx)
Pr¨ufungsfrage: Erl¨autere das Konzept Laplace-Funktional.
Pr¨ufungsfrage: Inwiefern ist das Konzept Laplace-Funktional allgemeiner als das wahrscheinlichkeitserzeugende Funktio- nal?
Korollar 10 (Zusammenhang Laplace-Funktional und wahr- scheinlichkeitserzeugendes Funktional eines Punktprozesses):
F¨ur einen Punktprozess Φ sei LΨ[u] das Laplace-Funktional zum Zufallsz¨ahlmaß Ψdes Punktprozesses. Im folgenden sei L[u] =LΨ[u]. Es gilt:
L[u] =G[exp(−u)]
f¨ur alle u∈ U bzw.
G[u] =L[−log(v)]
f¨ur alle v∈ V.
Pr¨ufungsfrage: Welchen Zusammenhang gibt es zwischen wahrschienlichkeitserzeugendem Funktional und Laplace- Funktional?
C. Momenterzeugende Funktion f¨ur Summen ¨uber Poisson- Punktprozesse
Theorem 10 (Campbell’s Theorem f¨ur homogene Poisson- Punktprozesse): Sei Φ ein homogener Poisson-Punktprozess
¨uber Rd mit Intensit¨at λ. Sei f : Rd → R eine messbare Funktion. Dann ist die Summe
S[f] =X
x∈Φ
f(x)
fast sicher (d.h. mit Wahrscheinlichkeit1) absolut konvergent (d.h. die Reihe ¨uber die Betr¨age konvergiert gegen einen endlichen Wert) genau dann wenn
Z
Rd
min(|f(x)|,1) dx <∞
In diesem Fall ist die momenterzeugende Funktion MS[f](t) dann gegeben durch
MS[f](t) = E[etS[f]] = exp
λ Z
Rd
(exp(tf(x))−1) dx
f¨ur allet, f¨ur die dieser Erwartungswert existiert.
Definition 36 (Charakteristisches Funktional eines homo- genen Poisson-Punktprozesses): Betachten wir MS[f](t) f¨ur festgehaltenes t = 1 als Funktion ¨uber alle f, die die Kon- vergenzeigenschaft des vorigen Satzes erf¨ullen, dann nennen wir
MS[f](1) = exp
λ Z
Rd
(exp(f(x))−1) dx
das charaktersitische Funktional des homogenen Poisson- Punktprozesses.
Theorem 11 (Charakteristisches Funktional determiniert den homogenen Poisson-Punktprozess):Das charakteristische Funktional in der vorhin definierten Form definiert den homo- genen Poisson-Punktprozess.
Pr¨ufungsfrage: Wie l¨asst sich anhand des charakteristischen Funktionals im Prinzip zeigen, dass ein Punktprozess ein homogener Poisson-Punktprozess ist?
Theorem 12 (Campbell’s Theorem f¨ur Summen ¨uber belie- bige Poisson-Punktprozesse):SeiΦein Poisson-Punktprozess
¨uber Rd mit Intensit¨atsmaß Λ(B). Sei f : Rd → R eine messbare Funktion. Dann ist die Summe
S[f] =X
x∈Φ
f(x)
fast sicher absolut konvergent, genau dann wenn Z
Rd
min(|f(x)|,1)Λ(dx)<∞
In diesem Fall ist die momenterzeugende Funktion MS[f](t) dann gegeben durch
MS[f](t) = E[etS[f]] = exp
λ Z
Rd
(exp(tf(x))−1)Λ(dx)
f¨ur allet, f¨ur die dieser Erwartungswert existiert.
Korollar 11 (Erwartungswert und Varianz von Summen
¨uber Poisson-Punktprozessen):SeiS =P
x∈Φf(x)f¨ur einen Poisson-Punktprozess ¨uber Rd mit Intensit¨atsmaß Λ(B). Er- wartungswert und Varianz berechnen sich wie folgt:
E[S] = Z
Rd
f(x)Λ(dx) Var[S] =
Z
Rd
f2(x)Λ(dx)
Pr¨ufungsfrage: Wie ermitteln sich Erwartungswert und h¨ohere Momente aus dem zuvor genannten Campbell-Theorem?
Ubung¨ 13 (Varianz der Interferenz bei homogenem Poisson-Punktprozess): Gegeben sei ein homogener Poisson- PunktprozessΦinR2 mit Intensit¨atλ. Dies seien die Positio- nen der aktuell sendenden Netzteilnehmer. Der Pfadverlust ei- ner ¨Ubertragung ¨uber eine Distanz xseil(x) = min{1, x−α} f¨ur ein α > 1 (APL2-Modell). Ermittele mit dem vorigen Korollar und mittels Sage die Varianz der Interferenz an einem beliebigen Beobachtungspunkt in Rd.
D. Wahrscheinlichkeitserzeugendes und Laplace-Funktional des Poisson-Punktprozesses
Theorem 13 (Wahrscheinlichkeitserzeugendes Funktional ei- nes Poisson-Punktprozesses):Es seiv∈ V (siehe Def. 34) und Φein Poisson-Punktprozess ¨uberRdmit Intensit¨atsmaßΛ(B).
Dann ist das wahrscheinlichkeitserzeugende Funktional vonΦ gegeben durch
G[v] = E
"
Y
x∈Φ
v(x)
#
= exp
− Z
Rd
(1−v(x))Λ(dx)
Korollar 12 (Laplace-Funktional des Poisson- Punktprozesses): Es sei u ∈ U (siehe Def. 35) und Φ ein Poisson-Punktprozess ¨uber Rd mit Intensit¨atsmaß Λ(B).
Dann ist das Laplace-Funktional von Φgegeben durch L[u] = exp
− Z
Rd
(1−exp(−u(x)))Λ(dx)
Pr¨ufungsfrage: Wie l¨asst sich ein Produkt ¨uber eine Funkti- on angewendet auf die Punkte eines Punktprozesses mittels wahrscheinlichkeitserzeugendem Funktional berechnen?
Pr¨ufungsfrage: Wie l¨asst sich ein Produkt ¨uber eine Funkti- on angewendet auf die Punkte eines Punktprozesses mittels Laplace-Funktional berechnen?
Ubung 14 (Interferenzverteilung mit Fading):¨ Wir betrach- ten einen homogenen Poisson-Punktprozess Φ mit Intensit¨at λ ¨uber R2. Dies seien sendende Netzknoten. Es sei das Pfadverlustmodell l(x) = x−α f¨ur ¨Ubertragungsdistanz x (APL1-Modell) angenommen. Des Weiteren nehmen wir Fa- ding an, d.h. die Signalempfangsst¨arke wird zus¨atzlich noch mit einem Fading-KoeffizientenHmultipliziert, d.h. die Emp- fangsleistung bei ¨Ubertragung ¨uber eine Distanzxist gegeben durch H · l(x). F¨ur alle ¨Ubertragungen seien die Fading- Koeffizienten unabh¨angig, unabh¨angig vom Punktprozess und identisch verteilt angenommen.
1) (Wiederholung) Betrachte die Projektion Φ1 = {kxk : x ∈ Φ} von Φ. Bestimme einen Ausdruck f¨ur das Intensit¨atsmaßΛ1(B)von Φ1 an B= [0, x].
2) (Wiederholung) Was ist die Intensit¨atsfunktion vonΦ1? 3) Gib einen Ausdruck f¨ur die Zufallsvariable der im Nullpunkt(0,0)empfangenen Summe der Signalst¨arken aller ¨Ubertragungen aus Φ an. Verwende hierzu die ProjektionΦ1.
4) (Wiederholung) Gib die Laplace-Transformierte LI(s) vonI an.
5) L¨ose den Ausdruck der Laplace-Transformierten mit dem Satz der totalen Wahrscheinlichkeit (Hinweis: Be- dinge ¨uberΦ1=ϕ, d.h. betrachte den bedingten Erwar-
tungswert E[·|Φ1 = ϕ]). Als Ergebnis muss folgender Ausdruck heraus kommen:
E
"
Y
x∈Φ1
Eh
e−sHl(x)i
#
6) L¨ose LI(s) mit dem pgfl f¨ur Poisson-Punktprozesse mit Intensit¨atsmaß Λ(B) bzw. Intensit¨atsfunktion λ(x) weiter auf (vgl. Theorem 13).
7) Annahme H sei ein deterministischer Wert (keine Zufallsvariable). L¨ose den vorher gefundenen Inte- gralausdruck f¨ur α > 2 (Hinweis: es ist R∞
0 (1 − exp(−y/xα))xdx=y2/αΓ(1−2/α)).
8) Betrachte nun anstatt h die Zufallsvariable H. Be- stimme analog zur vorigen L¨osung mit dem Resultat aus Aufgabenteil 6 einen geschlossenen Ausdruck f¨ur die Laplace-Transformierte LI(s) (Hinweis: nutze hier E[R
. . .] =R E[. . .])
9) Betrachte speziell den Fall von Rayleigh-Fading. Hier istH ∼Exp(1)undE[Hδ] = Γ(1 +δ). Wie ist hier die Laplace-Transformierte LI(s)?
10) Annahme an Position (0,0) soll eine Nachricht von einem zus¨atzlichen Sender mit Distanz r empfangen werden. Der Pfadverlust sei ebenfalls α. Es sei wie im vorigen Aufgabenschritt Rayleigh-Fading angenom- men. Bestimme die Nachrichtenerfolgswahrscheinlich- keit P[SIR > θ]. (Erinnerung an LeNe:P[SIR> θ] = LI(θrα))
III. MARKIERTEPUNKTPROZESSE
A. Definition Markierter Punktprozesse
Definition 37 (Raum der Markierungen):Wir betrachten zur Markierung von Punkten eines Punktprozesses allgemein einen Raum der Markierungen M und eine σ-Algebra M auf M. (Anmerkung: die Borel-σ-Algebra, die aus offenen Mengen ausM erzeugt wird)
Definition 38 (Markierter Punktprozess): Ein markierter PunktprozessaufRd mit Markierungen ausMist ein simpler PunktprozessΦ =ˆ {(xi, mi)}aufRd× MmitΦ(Bˆ ×M)<
∞f¨ur alle beschr¨ankten Borel-MengenB⊆Rd.
Den Raum aller m¨oglichen Punktprozessinstanzen bezeich- nen wir mitNˆ, d.h.
Nˆ ={ϕˆ: ˆϕist Z¨ahlmaß aufBd× M}
Die σ-Algebra der Ereignisse ¨uber Nˆ ist definiert als die kleinste σ-Algebra Eˆ f¨ur die die Abbildung ϕˆ 7→ ϕ(Bˆ ×L) messbar f¨ur alle B∈ Bd und L∈ M ist.
Die Verteilung eines markierten Punktprozesses bezeichnen wir mitQ : ˆˆ E →[0,1]
Definition 39 (Unmarkierter Prozess): F¨ur jedes L ∈ M definieren wir denunmarkierten Prozessmit Markierungen in Lals
Φ[L]={xi: (xi, mi)∈Φ, mˆ i∈L}
Der zugrunde liegende PunktprozessistΦ[M].
Definition 40 (Station¨arer markierter Punktprozess): Ein markierter Punktprozess Φˆ ist station¨ar, wenn der zugrunde liegende Prozess station¨ar ist.
Pr¨ufungsfrage: Erkl¨are die Idee markierter Punktprozesse.
Pr¨ufungsfrage: Welche Arten von Unabh¨angigkeit kann man bzgl. Markierungen von Punktprozessen betrachten?
Definition 41 (Unabh¨angige Markierung): H¨angt die Mar- kierung mx der Punkte x des markierten Punktprozesses Φ =ˆ {(x, mx)} nur von der Position des Punktes x aber nicht von den ¨ubrigen Punkten und deren Markierungen ab, so bezeichnen wir einen solchen Prozess als unabh¨angig markiert. Wir bezeichnen in diesem Fall mitMxdie Verteilung der Markierung, d.h. Mx ist ein Wahrscheinlichkeitsmaß auf (M,M).
Einen unabh¨angig markierten Prozess bezeichnen wir dar¨uber hinaus alsunabh¨angig und identisch verteilt markiert, wenn die Verteilung von mx auch nicht von der Position x abh¨angt.
B. Intensit¨atsmaß und Campbell-Theorem
Definition 42 (Intensit¨atsmaß eines markierten Punktpro- zesses): Das Intensit¨atsmaß f¨ur markierte Punktprozesse ist definiert als
Λ(Bˆ ×L) = E[ ˆΦ(B×L)]
Pr¨ufungsfrage: Wie haben wir das Konzept Intensit¨atsmaß sinnvoll auf markierte Punktprozesse erweitert.
Korollar 13 (Intensit¨atsmaß f¨ur unabh¨angig markierte Punktprozesse): F¨ur unabh¨angig markierte Punktprozesse er- gibt sich das Intensit¨atsmaß wie folgt
Λ(Bˆ ×L) = Z
B
Mx(L)Λ(dx)
f¨ur B ∈ Bd und L∈ M. Hierbei istMx(L)die Wahrschein- lichkeit f¨ur L gegeben x und Λ(B) das Intensit¨atsmaß des zugrunde gelegten Punktprozesses.
Korollar 14 (Intensit¨atsmaß f¨ur unabh¨angig und identisch verteilt markierte Punktprozesse): F¨ur unabh¨angig und iden- tisch verteilt markierte Punktprozesse ergibt sich das Inten- sit¨atsmaß wie folgt
Λ(Bˆ ×L) =M(L)Λ(B)
f¨ur B ∈ Bd und L∈ M. Hierbei istM(L) die Wahrschein- lichkeit f¨ur L und Λ(B) das Intensit¨atsmaß des zugrunde gelegten Punktprozesses.
Pr¨ufungsfrage: Wie vereinfacht sich das Intensit¨atsmaß eines markierten Punktprozesses im Falle unabh¨angiger, identisch verteilter Markierungen?
Korollar 15 (Intensit¨atsmaß eines station¨aren markierten Punktprozesses):Das Intensit¨atsmaß eines station¨aren markier- ten Punktprozesses erf¨ullt
Λ(Bˆ ×L) =λ[L]· |B|
Hierbei ist λ[L] die Intensit¨at vonΦ[L].
Die Markierungsverteilung ergibt sich hier als
M(L) = λ[L]
λ[M]
Pr¨ufungsfrage: Wie vereinfacht sich das Intensit¨atsmaß im Falle eines station¨aren markierten Punktprozesses?
Theorem 14 (Campbell-Theorem f¨ur markierte Punktprozes- se):F¨ur jede nichtnegative messbare Funktionf :Rd×M→ Rgilt f¨ur markierte Punktprozesse allgemein:
E
X
(x,m)∈Φˆ
f(x, m)
= Z
Rd×M
f(x, m) ˆΛ(d(x, m))
Theorem 15 (Campbell-Theorem f¨ur station¨are markierte Punktprozesse):Speziell f¨ur station¨are markierte Punktprozes- se gilt f¨ur jede nichtnegative messbare Funktionf :Rd×M→ R
E
X
(x,m)∈Φˆ
f(x, m)
=λ Z
Rd
Z
M
f(x, m)M(dm) dx
Theorem 16 (Campbell-Theorem f¨ur station¨are unabh¨angig identisch verteilt markierte Punktprozesse): Speziell f¨ur sta- tion¨are unabh¨angig identisch verteilt markierte Punktprozesse gilt f¨ur jede nichtnegative messbare Funktionf :Rd×M→R
E
X
(x,m)∈Φˆ
f(x, m)
=λE Z
Rd
f(x, m) dx
Hierbei istmeine Zufallsvariable die gem¨aß der Markierungs- verteilung M verteilt ist.
Pr¨ufungsfrage: Erkl¨are was das Campbell-Theorem f¨ur mar- kierte Punktprozesse besagt.
Pr¨ufungsfrage: Wie vereinfacht sich das Campbell-Theorem f¨ur markierte Punktprozesse im Falle station¨arer Punktpro- zesse?
Pr¨ufungsfrage: Wie vereinfacht sich das Campbell-Theorem f¨ur markierte Punktprozesse im Falle station¨arer Punktpro- zesse mit unabh¨angig, identisch verteilten Markierungen?
C. Beispielanwendungen
Definition 43 (Bipolares Netzwerkmodell): Im bipolaren Netzwerkmodell werden die Sender als Punktprozess model- liert. Jedem Sender wird durch geeignete Markierung ein Empf¨anger zugeordnet. M¨ogliche Markierungen sind hierbei z.B.
• Distanz zum Sender
• relative Position zum Sender
• ben¨otigte Sendeleistung
Pr¨ufungsfrage: Erkl¨are wie das bipolare Netzwerkmodell mit dem Konzept markierter Punktprozesse definiert ist.
Korollar 16 (ALOHA mittels markierten Punktprozessen):
ALOHA l¨asst sich als markierten Punktprozess beschreiben.
Jeder Knoten ist mit einer Marke m ∈ {0,1} versehen.
Die Marken sind unabh¨angig und identisch Bernoulli mit Sendewahrscheinlichkeitpverteilt.
Pr¨ufungsfrage: Wie kann man ALOHA mit dem Konzept mar- kierter Punktprozesse sinnvoll modellieren?
Korollar 17 (CSMA mittels markierten Punktprozessen):Die Mat´ern Hardcore-Prozesse vom Typ I und II sind markierte Punktprozesse.
Zum Typ I betrachten wir zum zugrundeliegenden Punkt- prozessΦ den markierten ProzessΦ =ˆ {(x, mx)} mit
mx=1Φ∩b(x,r)={x}
Hierbei istb(x, r)der Kreis (bzw. die Kugel) mit Mittelpunkt xund Radius r.
Zum Typ II betrachten wir zum zugrundeliegenden Punkt- prozessΦ den markierten ProzessΦ =ˆ {(x, tx, mx)} mit
mx=1tx=miny∈Φ∩b(x,r){ty}
Hierbei ist tx unabh¨angig gleichverteilt aus[0,1].
Pr¨ufungsfrage: Wie kann man CSMA mit dem Konzept mar- kierter Punktprozesse sinnvoll modellieren?
Ubung 15 (Interferenz im bipolaren Netzwerkmodell):¨ Be- trachte ein drahtloses Netz in R2, in dem die Sender einen station¨aren Punktprozess mit Intensit¨atλbilden. Jeder Sender hat einen Empf¨anger mit Distanz 1. Der Kanal unterliegt Rayleigh-Fading. Der Pfadverlust sei α > 2. Jeder Sender stellt seine Leistung so ein, sodass der Empf¨anger mit Emp- fangsleistung1 empfangen kann.
1) Modelliere die geschilderte Situation als markierten Punktprozess.
2) Stelle die Interferenz am Punkt (0,0) geeignet als Zu- fallsvariable dar.
3) Bestimme mit Sage die mittlere Interferenz an (0,0) mittels Campbell-Theorem.
4) Begr¨unde das vorige Ergebnis.
5) Erweitere das Modell so, dass Knoten nur maximal mit Sendeleistung10senden k¨onnen und die Empfangsleis- tung nie ¨uber der Sendeleistung liegen kann.
6) Bestimme mit Sage mit dem erweiterten Modell wie- der die erwartete Interferenz im Punkt (0,0) mittels Campbell-Theorem.
Ubung 16 (Interferenz in CSMA-basierten Netzen):¨ Sei Φb ein homogener Poisson-Punktprozess mit Rate λ im R2. CSMA sei als markierter Punktprozess wie in der Vorlesung modelliert:
Φ ={(x, mx) :x∈Φb}
mit
mx=1{Φb∩b(x,r)={x}}
Die Interferenz am Beobachtungspunkt(0,0) sei
I= X
(x,mx)∈Φ
f(x, mx)
mit
f(x, mx) =mxmin{1,kxkα} f¨ur α >2. BestimmeE[I].
IV. MOMENTMASSE
A. Erstes und zweites Momentmaß
Definition 44 (Erstes Momentmaß): Daserste Momentmaß eines Punktprozesses Φ ist sein Intensit¨atsmaß (E[Φ(B)] = Λ(B)).
Definition 45 (Zweites Momentmaß): Es sei Φ ein Punkt- prozess auf Rd. Damit ist Φ(2) = Φ×Φ ein Punktprozess auf Rd ×Rd = R2d. Das zweite Momentmaß µ(2) ist das Intensit¨atsmaß vonΦ(2):
µ(2)(A×B) = E[Φ(A)·Φ(B)]
Korollar 18 (Varianz und Kovarianz aus zweitem Moment- maß): Varianz und Kovarianz eines Punktprozesses Φ l¨asst sich unmittelbar aus dessen zweiten Momentmaß bestimmen
Var[Φ(A)] =µ(2)(A2)−(Λ(A))2 Cov[Φ(A),Φ(B)] =µ(2)(A×B)−Λ(A)Λ(B) Korollar 19 (Zweites Momentmaß des Poisson- Punktprozesses): F¨ur einen Poisson-Punktprozess Φ mit Intensit¨atsmaßΛ(B)ist das zweite Momentmaß gegeben als
µ(2)(A×B) = Λ(A)Λ(B) + Λ(A∩B) Im homogenen Fall mit Intensit¨atλist
µ(2)(A×B) =λ2|A||B|+λ|A∩B|
Definition 46 (Momentmaß nter Ordnung):F¨ur einen Punkt- prozessΦist das Momentmaß nter Ordnungdefiniert als
µ(n)(B1×Bn) = E[Φ(B1). . .Φ(Bn)]
Pr¨ufungsfrage: Erkl¨are was das Konzept des Momentmaßes audr¨uckt.
Korollar 20 (Campbell-Theorem auf zweiten Momentma- ßen): F¨ur den Punktprozess Φ×Φ ergibt sich mit dessen zweiten Momentmaß
E
X
(x,y)∈Φ×Φ
f(x, y)
= Z
Rd
Z
Rd
f(x, y)µ(2)(dx,dy)
Pr¨ufungsfrage: Wieso ¨ubertr¨agt sich das Campbell-Theorem unmittelbar auch auf das zweite (bzw. allgemein das nte) Momentmaß?
B. Faktorielles Momentmaß
Definition 47 (Zweites faktorielles Momentmaß): Wir be- zeichnen f¨ur einen PunktprozessΦmitΦ?ΦdenPunktprozess aller geordneten Paare verschiedener Punkte, d.h.
Φ?Φ ={(x, x0)∈Φ2:x6=x0} Das Intensit¨atsmaßα(2)(A×B)erf¨ullt
α(2)(A×B) = E[Φ(A)Φ(B)]−E[Φ(A∩B)]
Wir bezeichnen dieses Maß als zweites faktorielles Moment- maß.
Pr¨ufungsfrage: Erkl¨are was das Konzept des faktoriellen Mo- mentmaßes ausdr¨uckt.
Korollar 21 (Zusammenhang zweites Momentmaß und fak- torielles Momentmaß):Zweites Momentmaßµ(2)und zweites faktorielles Moment α(2) erf¨ullen
µ(2)(A×B) =α(2)(A×B) + Λ(A∩B) Wenn A∩B=∅, dann:
µ(2)(A×B) =α(2)(A×B)
Pr¨ufungsfrage: Wie h¨angen Momentmaß und faktorielles Mo- mentmaß zusammen?
Korollar 22 (Faktorielle Momente des Poisson- Punktprozesses): F¨ur einen Poisson-Punktprozess ist das Faktorielle Moment gegeben als
α(2)(A×B) = Λ(A)Λ(B)
Im Falle eines homogenen Poisson-Punktprozesses gilt damit α(2)(A×B) =λ2|A||B|
Korollar 23 (Campbell-Theorem auf zweiten faktoriellen Momenten):F¨ur den PunktprozessΦ?Φergibt sich mit dessen zweiten faktoriellen Moment
E
X
(x,y)∈Φ?Φ
f(x, y)
= Z
Rd
Z
Rd
f(x, y)α(2)(dx,dy)
Pr¨ufungsfrage: Erkl¨are wie sich das Konzept des Campbell- Theorems auf faktorielle Momentmaße ¨ubertr¨agt.
Korollar 24 (nte faktorielle Momente): Das nte faktorielle Momentα(n)(Bn)zu B ist gegeben durch
α(n)(Bn) = E[Φ(B)(Φ(B)−1). . .(Φ(B−n+ 1))]
C. Zweite Momentdichte
Definition 48 (Zweite Momentdichte): Ein Punktprozess Φ auf Rd hat einezweite Momentdichteρ(2):Rd×Rd→R+0, wenn
α(2)(C) =α(2)(A×B) = Z
A
Z
B
ρ(2)(x, y) dydx f¨ur jedes kompakte C=A×B⊆Rd×Rd gilt.
Korollar 25 (Zweite Momentdichte des Poisson- Punktprozesses): Die zweite Momentdichte eines Poisson- Punktprozesses mit Intensit¨atsfunktionλ(x)erf¨ullt
ρ(2)(x, y) =λ(x)λ(y)
Im Falle eines homogenen Poisson-Punktprozesses mit Inten- sit¨at λgilt
ρ(2)(x, y) =λ2
Korollar 26 (Campbell-Theorem mit zweiten Momentdichten ausgedr¨uckt): F¨ur einen Punktprozess Φ f¨ur den die zweite Momentdichte ρ(2)(x, y) existiert gilt
E
X
(x,y)∈Φ?Φ
f(x, y)
= Z
Rd
Z
Rd
f(x, y)ρ(2)(x, y) dxdy
Ubung 17 (Zweites Moment der Interferenz):¨ Die Si- gnalst¨arken von ¨Ubertragungen, welche an einem Empf¨anger ankommen, seien durch einen Poisson-Punktprozess ¨uberR+0
mit Intensit¨atsfunktionλ(x)beschrieben. Die InterferenzIsei wie ¨ublich wie folgt definiert:
I=X
x∈Φ
x
1) StelleI2 geeignet als Summe ¨uberΦplus Summe ¨uber Φ?Φdar.
2) Gib mithilfe des Ergebnisses des vorigen Aufgabenteils Integralausdr¨ucke an, mit denen sich E[I2] mit kennt- nis von λ(x) berechnen l¨asst. (Hinweis: Verwende die passenden Varianten des Campbell-Theorems)
Definition 49 (nte Momentdichte):Ein PunktprozessΦauf Rd hat einente Momentdichteρ(n), wenn
α(n)(B1×· · ·×Bn) = Z
B1
· · · Z
Bn
ρ(n)(x1, . . . , xn) dx1. . .dxn
f¨ur jedes kompakte B1× · · · ×Bn⊆Rd× · · · ×Rd gilt.
Pr¨ufungsfrage: Was bedeutet der Begriff Momentdichte?
Korollar 27 (Momentdichten in station¨aren Punktprozes- sen):Wenn der PunktprozessΦstation¨ar ist, dann istρ(1)=λ undρ(2) h¨angt nur von der Vektordifferenz ab, d.h. es existiert einρ(2)st :Rd→R+0 mit
ρ(2)(x, y) =ρ(2)st (x−y) f¨ur allex, y∈Rd.
Pr¨ufungsfrage: Wie ist die Momentdichte in station¨aren Punkt- prozessen charakterisiert?
Korollar 28 (Momentdichten in bewegungsinvarianten Punktprozessen): Wenn der Punktprozess Φ bewegungsinva- riant ist, dann istρ(1)=λundρ(2) h¨angt nur von der Distanz r=kx−yk ab, d.h. es existiert einρ(2)mi :R+0 →R+0 mit
ρ(2)(x, y) =ρ(2)mi(kx−yk) f¨ur allex, y∈Rd.
Pr¨ufungsfrage: Wie ist die Momentdichte in bewegungsinvari- anten Punktprozessen charakterisiert?
Korollar 29 (Momentdichten in homogenen Poisson- Punktprozessen):F¨ur einen homogenen Poisson-Punktprozess mit Intensit¨atλgilt offensichtlich
ρ(2)(x, y) =ρ(2)st (x−y) =ρ(2)mi(kx−yk) =λ2
D. Zweite Momente f¨ur station¨are Prozesse
Definition 50 (Reduziertes zweites Momentmaß):SeiΦein station¨arer Punktprozess auf Rd mit Intensit¨at λ. Dann exis- tiert ein MaßK(B)aufRd, welches f¨ur beliebiges gew¨ahltes x∈Φdie erwartete Anzahl y∈Φ\ {x}bestimmt, die relativ zu x in B liegen, d.h. die y−x ∈B erf¨ullen. Dieses Maß wird alsreduziertes zweites Momentmaß bezeichnet.
Pr¨ufungsfrage: Was beschreibt das zweite reduzierte Moment- maß?