Sie sind auf Seite 1von 73

Universitat Siegen

Fakultat IV - Mathematik

Masterarbeit

Extremwertstatistik beim
Wicksellschen Korpuskelproblem
Thomas Pollack
Dezember 2015

betreut durch Herrn Professor Kaufmann

Inhaltsverzeichnis
1 Einleitung
2 R
aumliche Struktur in einem St
uck
2.1 Stochastische Notation . . . . .
2.2 Wicksell-Transformation . . . .
2.3 Exzedenten . . . . . . . . . . .
2.4 Stochastische Prozesse . . . . .

1
Stahl
. . . .
. . . .
. . . .
. . . .

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

3
4
5
11
23

3 Extremwertstatistik beim Wicksellschen Korpuskelproblem


35
3.1 Schatzer 0,u . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4 Simulation
42
4.1 Aufbau der Simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.2 Simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.3 Res
umee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5 Anhang
53
Integration mit R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
R Code der Funktion wickstat() . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Literaturverzeichnis

70

1 Einleitung
Fast u
berall finden wir raumliche Strukturen beziehungsweise geometrische Muster. Unter einer raumlichen Struktur beziehungsweise einem geometrischen Muster konnen wir
uns zum Beispiel kugelformige Fremdpartikel in einem St
uck Stahl beziehungsweise eine
Schnittflache mit Kreisen vorstellen. Beobachten wir nun eine solche raumliche Struktur, so kann es erforderlich sein, ein geeignetes mathematisches Modell zu entwickeln,
um f
ur diese Struktur bestimmte Aussagen treffen zu konnen. Die Abbildung 1.1 veranschaulicht eine solche raumliche Struktur und ein solches geometrisches Muster visuell.

Abbildung 1.1: St
uck Stahl mit kugelformigen Fremdpartikeln und einer Schnittflache.
Im Rahmen dieser Masterarbeit werden wir genau so eine raumliche Struktur betrachten, mit dem Ziel, die von auen nicht beobachtbare Fremdpartikelanzahl zu bestimmen. Eine Moglichkeit unter vielen ware, den Stahl immer wieder durchzuschneiden
und die Schnittflachen auf Einschl
usse hin zu untersuchen. Unser Weg wird sein, grob
ausgedr
uckt, das St
uck Stahl nur einmal zu durchschneiden und mit dem nun auf der
Schnittflache entstandenen Beobachtungswissen, mit Hilfe der Mathematik, die Fremdpartikelanzahl in dem St
uck Stahl zu schatzen.

1 Einleitung

Zusammenfassung der Masterarbeit


Ausgangssituation:
Gegeben sei ein St
uck Stahl mit von auen nicht beobachtbaren kugelformigen Fremdpartikeln. (Betrachte hierzu Abbildung 1.1.)
Ziel dieser Arbeit:
Bestimmung eines Sch
atzers fu
r die nicht beobachtbare mittlere Fremdpartikelanzahl je Volumeneinheit in einem Stu
ck Stahl durch die Zuhilfenahme
einer beobachtbaren Schnittfl
ache, wobei die Fremdpartikel kugelf
ormig sind
und einen Mindestradius besitzen.
Vorgehensweise:
Durch einen Schnitt erhalten wir eine Schnittflache. Auf der Schnittflache entsteht dann
ein geometrisches Muster, falls kugelformige Fremdpartikel getroffen wurden. Somit erhalten wir beobachtbare Kreisradien, welche einen Bezug zu den nicht beobachtbaren
Kugelradien besitzen. Da die Kugelradien nicht beobachtbar sind, ist ihre Verteilungsfunktion unbekannt. Jedoch korrespondiert diese Verteilungsfunktion mit der unbekannten Verteilungsfunktion der Kreisradien.
Aus der Stereologie werden wird die Wicksell-Transformation verwenden, um mit ihr
die Verteilungsfunktion der Kreisradien zu bestimmen, welche einen Bezug zu der unbekannten Verteilungsfunktion der Kugelradien besitzt.
Mit Hilfe der Extremwerttheorie werden wir dann die unbekannte Verteilungsfunktion
der Kugelradien schatzen, indem wir die Verteilungsfunktion der Kreisradien schatzen.
Als nachstes bauen wir f
ur die Fremdpartikel einen homogenen Poisson-Prozess, um
hierdurch unter anderem einen Parameter zu erhalten, welcher die mittlere Kugelanzahl
je Volumeneinheit angibt.
Zum Schluss werden wir alle getroffenen Aussagen dazu verwenden, um mit der aus
der Statistik bekannten Maximum-Likelihood-Methode den gesuchten Schatzer zu bestimmen.
Simulation:
Nachdem wir den Schatzer f
ur die mittlere Kugelanzahl je Volumeneinheit aufgebaut
haben, werden wir diesen mit Hilfe von Simulationen testen.

2 R
aumliche Struktur in einem Stu
ck
Stahl
Gegeben sei eine kompakte Menge. In unserem Fall soll diese Menge ein St
uck Stahl
SStahl sein. Nun stellen wir uns vor, dieses Stahl beinhaltet mikroskopisch kleine Fremdpartikel, welche als Kugeln aufgefasst werden konnen - wir unterstellen, dass dieses Stahl
nur kugelformige Einschl
usse besitzt. Schneiden wir nun dieses St
uck Stahl durch, so entsteht eine Schnittflache, also eine kompakte Ebene mit mikroskopisch kleinen Kreisen.
Jede Kugel, welche durch den Schnitt getroffen wurde, bildet dann auf der Ebene einen
Kreis. Betrachte hierzu die Abbildung 2.1.

Abbildung 2.1: Schnittflache mit einem Kreis.

Nun wollen wir diesen Sachverhalt mathematisch auffassen. Wir folgen hier der Darstellung aus [5, Seite 445].

2 Raumliche Struktur in einem St


uck Stahl

2.1 Stochastische Notation


Im Raum unserer Anschauung, also im euklidischen Raum, wird eine Kugel durch einen
Mittelpunkt (x, y, z) R3 und einen Radius r (0, ) festgelegt. Somit konnen wir
eine Kugel auffassen als einen Punkt (x, y, z, r) aus R3 (0, ). Wie nehmen an, dass
f
ur die z-Werte aller Kugeln folgende Beschrankung gilt: 0 z T mit T R. Existiert
nun eine Kugel mit r > z, so wird diese Kugel die x, y-Ebene durchschneiden. Auf der
x, y-Ebene entsteht nun ein Kreis (x, y, s) mit dem Mittelpunkt (x, y) R2 und dem
Radius s (0, ). (Betrachte hierzu Abbildung 2.2.) Der Kreisradius s besitzt dann
zum Kugelradius r folgende Beziehung :
s=

r2 z 2 r =

s2 + z 2 .

Abbildung 2.2: Kreisradius s.

Wir u
uhren jetzt den eben angesprochenen Sachverhalt in eine stochastische Noberf
tation. Daher seien nun die Variablen r, s und z eine Realisation der Zufallsvariablen
R, S und Z. Die Zufallsvariable R soll dabei groer als Null sein, mit der unbekannten
Verteilungsfunktion F und unabhangig von der Zufallsvariable Z, welche gleichverteilt
auf [0, T ] sein soll. Der Kreis, welcher auf der x, y-Ebene entsteht, genauer der Radius

dieses Kreises, wird dargestellt durch die Zufallsvariable S = R2 Z 2 mit R2 Z 2 > 0.

2 Raumliche Struktur in einem St


uck Stahl

2.2 Wicksell-Transformation

Durch die Tatsache, dass S = R2 Z 2 , korrespondiert die Verteilungsfunktion der


Zufallsvariablen S gegeben S > 0 mit der unbekannten Verteilungsfunktion F . Diese
Beziehung werden wir nun ausnutzen, um die Verteilungsfunktion von S gegeben S > 0
zu bestimmen, wobei wir f
ur diese Verteilungsfunktion die Bezeichnung WT (F ) benutzen
werden. Orientieren werden wir uns an den Aussagen aus [5, Seite 446].
Als erstes berechnen wir P {S > s}:

P {S > s} = P { R2 Z 2 > s}
Z
= P (R2 Z 2 > s2 |Z = z)dL(Z)(z)
Z

fZ (z)P (R2 Z 2 > s2 |Z = z)dz

=
0

1
P {R2 z 2 > s2 }dz
T

=
0

1
=
T

1
T

1
=
T

1
T

1 P {R2 z 2 s2 }dz

0
T

1 P {R

s2 + z 2 }dz

0
T

1 F ( s2 + z 2 )dz

F ( s2 + z 2 )dz,

wobei F die Uberlebensfunktion


von F ist, das heit F = 1 F .
F
ur s = 0 erhalten wir dann
1
P {S > 0} =
T

Z
0

1 T
2
F ( z )dz =
F (z)dz.
T 0

2 Raumliche Struktur in einem St


uck Stahl
Betrachten wir nun
WT (F )(s) = 1 WT (F )(s),

also die Uberlebensfunktion


von WT (F ), dann erhalten wir:
WT (F )(s) = 1 WT (F )(s)
= 1 P (S s|S > 0)
= P (S > s|S > 0)
P {S > s, S > 0}
P {S > 0}
RT
1
F ( s2 + z 2 )dz
T 0
=
RT
1
F (z)dz
T 0
=

RT
=

F ( s2 + z 2 )dz
.
RT
F
(z)dz
0

Somit folgt dann WT (F )(s) = 1 WT (F )(s) = 1

RT
0

F ( s2 +z 2 )dz
RT
.
0 F (z)dz

Nun wollen wir die z-Werte nach oben nicht mehr als beschrankt ansehen. Das heit,
wir betrachten jetzt den Fall T und berechnen hierf
ur WT (F ).
Um WT (F ) f
ur T berechnen zu konnen, benotigen wir folgende bekannte Gleichung1 :
Z
E(max{K u,0}) =
(1 F (k))dk,
(2.1)
u

wobei K eine Zufallsvariable mit der Verteilungsfunktion F ist, f


ur welche der Erwartungswert existiert.

Die Gleichung (2.1) wird bezeichnet als Tail-Wahrscheinlichkeit. (Betrachte hierzu [5], Seite 52.)

2 Raumliche Struktur in einem St


uck Stahl
Gilt nun

F (z)dz < ,
0

dann erhalten wir mit Hilfe der Gleichung (2.1)

F
(
s2 + z 2 )dz
lim WT (F )(s) = 0 R
T
F (z)dz
0
R
F ( s2 + z 2 )dz
= 0R
(1 F (z))dz
0
R
2
2
(2.1) 0 F ( s + z )dz
=
E(max{R 0,0})
R
F ( s2 + z 2 )dz
= 0 R
zdF (z)
0
R

=: W (F )(s).

Definition 2.1 Die Verteilungsfunktion W (F ) wird bezeichnet als Wicksell-Transformation von F.


Sein nun

Z
H(s) :=

F ( s2 + z 2 )dz,

dann erhalten wir


Z
H(0) =

F ( 02 + z 2 )dz =

(2.1)

F (z)dz =

zdF (z).
0

Somit ergibt sich


W (F )(s) = 1 W (F )(s) = 1

H(s)
.
H(0)

2 Raumliche Struktur in einem St


uck Stahl
Als nachstes werden wir die Dichte der Wicksell-Transformation von F bestimmen.
F
ur diese Bestimmung benotigen wir das folgende Lemma.
ur ein s (0, ), dann folgt
Lemma 2.2 Gegeben sei W (F )(s) = H(s)/H(0) f
Z

(r2 s2 ) 2 dF (r).

H(s) =
s

Beweis. Gegeben sei die Wicksell-Transformation W (F ). Dann folgt


W (F )(s) = 1 W (F )(s) = 1 H(s)/H(0)
f
ur ein s (0, ). F
ur H(s) gilt dann H(s) =

R
0

F ( s2 + z 2 )dz. Durch die Substitution


1

k = (z) = (s2 + z 2 ) 2 ,
ergibt sich
1

dz = k(k 2 s2 ) 2 dk,
(0) = s, () =
und wir erhalten
Z

F ( s2 + z 2 )dz =

F (k)k k 2 s2

 21

dk.

Dann folgt

Z
H(s) =

(2.2)
2
2
F ( s + z )dz =

2 21

k(k s )
s

Z
s

=
s

dF (r)dk =
s

k
Z

=
Z

k(k 2 s2 ) 2 F (k)dk

k(k 2 s2 ) 2 dk dF (r)

k(k 2 s2 ) 2 dF (r)dk

(U mst. Integrationsreihenf olge)

k s

 21 ik=r
k=s

(r2 s2 ) 2 dF (r).

dF (r) =
s

(2.2)

2 Raumliche Struktur in einem St


uck Stahl
Nun konnen wir f
ur die Dichte von W (F ) folgende Aussage tatigen.
Satz 2.3 Gegeben seien die Zufallsvariablen R, S und Z, wobei R > 0 ist und unabhangig von der Zufallsvariable Z. Besitzt die Zufallsvariable R die Verteilungsfunktion

F , ist Z gleichverteilt auf [0, T ], und gilt S = R2 Z 2 mit R2 Z 2 > 0, so folgt f


ur
R
T falls 0 F (z)dz <
1
W (F )(s) =
H(0)

(F )(z)dz.

h(z)dz =
s

Beweis. Gegeben seien die Zufallsvariablen R, S und Z. Ist R > 0, unabhangig von Z,

und gilt S = R2 Z 2 mit R2 Z 2 > 0, so folgt, falls R die Verteilungsfunktion F


besitzt und Z gleichverteilt auf [0, T ] ist,
1
P {S > s} =
T
und

F
ur T erhalten wir, falls

R
0

F ( s2 + z 2 )dz

RT
WT (F )(s) =

F ( s2 + z 2 )dz
.
RT
F
(z)dz
0

F (z)dz < ,

lim WT (F )(s) =

H(s)
= W (F )(s).
H(0)

Mit Lemma 2.2 folgt dann


W (F )(s) =
=
=
=

Z
1
1
(r2 s2 ) 2 dF (r)
H(0) s
Z h
Z Z r
 1 iz=r
1
1
1
2
2 2
r z
dF (r) =
z(r2 z 2 ) 2 dz dF (r)
H(0) s
H(0) s
z=s
s
Z Z
1
1
z(r2 z 2 ) 2 dF (r) dz (U mst. Integrationsreihenf olge)
H(0) s
Z zZ
1
1
z
(r2 z 2 ) 2 dF (r) dz
H(0) s
| z
{z
}

1
=
H(0)

=:h(z)
Z

h(z)dz =
s

h(z)
dz =
H(0)
| {z }

=:(F )(z)

(F )(z)dz.
s

2 Raumliche Struktur in einem St


uck Stahl

Zusammenfassung
Besitzt eine Zufallsvariable R die Verteilungsfunktion F und gilt
R=

S2 + Z2

wie oben beschrieben, dann besitzt die Zufallsvariable S gegeben S > 0 die Verteilungsfunktion W (F ), welche als Wicksell-Transformation von F bezeichnet wird. Wir gehen
diesen Weg, da wir R, also den Radius einer Kugel, nicht beobachten konnen, jedoch S,
also den Radius eines Kreises, welcher die oben erwahnte Beziehung zu R besitzt. Die
Wicksell-Transformation von F ist dann
W (F )(s) = 1 W (F )(s)
= 1 P (S > s|S > 0)
H(s)
H(0)
R 2
1
(r s2 ) 2 dF (r)
s
= 1 R
1
(r2 02 ) 2 dF (r)
0
=1

R
s

=1
Z

(r2 s2 ) 2 dF (r)
R
rdF (r)
0

=1

R
z

Z
=1

(r2 z 2 ) 2 dF (r)
R
dz
rdF (r)
0

(F )(z) dz.
s

Ausblick
Zwar haben wir mit Hilfe der Wicksell-Transformation f
ur die beobachtbaren Kreisradien eine Verteilungsfunktion bestimmt, jedoch mit der Bedingung, dass die korrespondierende Verteilungsfunktion F unbekannt ist. Dieses Problem werden wir dadurch losen,
indem wir im nachstem Abschnitt bestimmte Aussagen aus der Extremwerttheorie f
ur
die Schatzung der Verteilungsfunktion F verwenden werden.

10

2 Raumliche Struktur in einem St


uck Stahl

2.3 Exzedenten
Nachdem wir W (F ) bestimmt haben, werden wir nun eine Approximation von F durchf
uhren, um im weiteren Verlauf dieser Arbeit die Verteilungsfunktion W (F ) verwenden
zu konnen. Um dieses zu bewerkstelligen, m
ussen wir folgende Beschrankung vornehmen:
Besitzt SStahl eine bestimmte Anzahl von Einschl
ussen, so interessieren uns diese Einschl
usse, welche den groeren Schaden anrichten konnen. Wir nehmen an, dass groe
Einschl
usse f
ur ein St
uck Stahl schadlicher sind als kleinere. Somit betrachten wir nur
Kugeln, also ihre Radien, u
ber einer bestimmten Groe u (0, ).
Radien mit dieser Eigenschaft bezeichnen wir als Exzedenten u
ber der Schwelle u.
Die klassische Extremwerttheorie beschreibt das Verhalten von Exzedenten u
ber einer
hohen Schwelle. Aus diesem Grund werden wir als nachstes die f
ur uns relevanten Aussagen der Extremwerttheorie einf
uhren. Hierzu benutzen wir die Aussagen aus [5, Seite
9-30] und aus [3, Seite 21-36].

Bemerkung 2.4 Aufgrund besserer Lesbarkeit werden wir nun in den Aussagen der
Extremwerttheorie die u
ur Zufallsvariablen und Verteilungsfunktionen
bliche Notation f
verwenden. F
ur eine Verteilungsfunktion werden wir zum Beispiel unter anderem die
Bezeichnung F verwenden, obwohl diese schon eigentlich belegt ist. In einer weiteren
Bemerkung erfolgt dann der Hinweis, dass F wieder seine urspr
ungliche Definition besitzt.

Extremwertverteilungsfunktionen
Sei X eine Zufallsvariable mit der Verteilungsfunktion F . So setzen wir
F [u] (x) = P (X x|X > u),
f
ur x u mit u < sup{x : F (x) < 1}. Unmittelbar daraus ergibt sich
F [u] (x) =

F (x) F (u)
,
1 F (u)

11

xu

2 Raumliche Struktur in einem St


uck Stahl

und in der Uberlebensfunktion-Schreibweise


F [u] (x) =

F (x)
,
F (u)

x u.

Definition 2.5 Die Verteilungsfunktion F [u] heit Verteilungsfunktion der Exzedenten u


ber der Schwelle u.
F
ur ein n N und eine Folge von unabhangigen und identisch verteilten Zufallsvariablen X1 , . . . , Xn , mit der gemeinsamen Verteilungsfunktion F , betrachten wir als erstes
die partiellen Maxima
M1 : = X1 ,
Mn : = max(X1 , . . . , Xn ).
F
ur Mn erhalten wir dann
P {Mn } = P {X1 , . . . , Xn }
= (P {X1 })n
= (F ())n = F n ().
Somit besitzt Mn die Verteilungsfunktion F n .
Der folgende Satz kann als das Fundament der klassischen Extremwerttheorie angesehen werden.
Satz 2.6 (Fisher-Tippett) Sei (Xi )in eine Folge von unabhangigen und identisch
verteilten Zufallsvariablen mit jeweils der Verteilungsfunktion F. Falls normierende Konstanten an > 0, bn R und eine nicht-degenerierte2 Verteilungsfunktion G existieren,
so dass gilt
lim P (Mn an x + bn ) = lim F n (an x + bn ) = G(x),

Es existiert ein t R, so dass gilt: G(t) (0,1).

12

x R,

(2.3)

2 Raumliche Struktur in einem St


uck Stahl
dann ist G eine der folgenden Verteilungsfunktionen:
Gumbel :

G0 (x) = exp(ex ),

x R;

Frechet :

G1, (x) = exp(x ),

x 0;

Weibull :

G2, (x) = exp((x) ),

x 0,

mit dem Paramater > 0.


Definition 2.7 Die Verteilungsfunktionen G0 , G1, , G2, heien Extremwertverteilungsfunktionen und wir werden f
ur diese die Abk
urzung EVFen verwenden.
Definition 2.8 Gilt f
ur eine Verteilungsfunktion F die Aussage (2.3), so schreiben wir
F D(G).
Satz 2.9 (In Anlehnung an [2, Seite 208].) Gegeben sei eine Verteilungsfunktion F und
die Wicksell-Transformation von F , also W (F ). Gilt
F D(G),
so folgt
W (F ) D(Gi,() )
mit
() =

falls

i = 1, > 1;

1
2

falls

i = 2, > 0,

falls F D(Gi, ) und W (F ) D(G0 ) falls F D(G0 ).


Definition 2.10 Eine nicht-degenerierte Verteilungsfunktion F bezeichnen wir als maxstabil, falls es f
ur alle nat
urlichen Zahlen n Konstanten an > 0 und bn R existieren
mit
F n (bn + an x) = F (x).
(2.4)

13

2 Raumliche Struktur in einem St


uck Stahl
Bemerkung 2.11 F
ur die EVFen gelten die Aussagen (2.3) und (2.4). Wir erhalten
(2.4), falls die Konstanten an und bn wie folgt gewahlt werden:
bn = log n,

an = 1

f
ur G0 ;

bn = 0,

an = n1/

f
ur G1, ;

bn = 0,

an = n1/

f
ur G2, .

Durch das Hinzuf


ugen von Lokations- und Skalenparameter und > 0 bleibt das
Extremwertverteilungsmodell erhalten.
Ist X eine Zufallsvariable mit einer Verteilungsfunktion F , dann besitzt X + die
). F
ur die EVFen erhalten wir dann
Verteilungsfunktion F, (x) = F ( x

G0,, (x) = G0 (

x
),

Gi,,, (x) = Gi, (

x
) f
ur i = 1,2.

Eine haufig verwendete Schreibweise f


ur EVFn ist die von Mises-Parametriesierung:

G (x) =

exp((1 + x)1/ ),

exp(ex ),

(1 + x) > 0 falls 6= 0;

xR

falls = 0

mit dem Gestaltsparameter .


Zwischen G und G0 , G1, , G2, existiert folgender Zusammenhang:
1

F
ur 0 folgt (1 + x) exp(x) und wir erhalten
lim G (x) = exp(ex ) = G0 (x).

F
ur > 0 ist G vom gleichen Typ wie die Frechet-Verteilung. Denn f
ur =
mit > 0 erhalten wir
G (x) = G1, (

x+
) = G1,,, .

14

2 Raumliche Struktur in einem St


uck Stahl
F
ur < 0 ist G vom gleichen Typ wie die Weibull-Verteilung. Denn f
ur = 1
mit > 0 erhalten wir
G (x) = G2, (

x
) = G2,,, .

Als nachstes f
uhren wir die verallgemeinerten Pareto-Verteilungen ein und erstellen
dann einen Zusammenhang zwischen diesen und den EVFen.
Definition 2.12 Zum Gestaltsparameter > 0 heien W0 , W1, und W2, verallgemeinerte Pareto-Verteilungen, welche folgende Definitionen besitzen:
Exponentialverteilung :
Pareto-Verteilung :
Betaverteilung :

W0 (x) = 1 ex ,

x 0;

W1, (x) = 1 x ,

x 1;

W2, (x) = 1 (x) ,

1 x 0.

Zwischen den verallgemeinerten Pareto-Verteilungen und den EVFen existiert folgender


Zusammenhang:
Wi, (x) = 1 + log Gi, (x)
falls
log Gi, (x) > 1
f
ur i = 0,1,2 mit W0, := W0 .
Dieser Zusammenhang lasst sich auch in der von Mises-Parametriesierung aufschreiben:

1 (1 + x) , 0 < x

1
W (x) = 1 + log G (x) = 1 (1 + x) , 0 < x <

1 e , 0 < x

15

falls > 0;
1
||

falls < 0;
falls = 0.

2 Raumliche Struktur in einem St


uck Stahl
Als Dichte von W (x) erhalten wir dann

(1+ 1 )

(1
+
x)
,

(1+ 1 )
,
w (x) = (1 + x)

e , 0 x

0x
0x<

falls > 0;
1
||

falls < 0;

(2.5)

falls = 0.

Durch das Hinzuf


ugen von Lokations- und Skalenparameter und > 0 erhalten wir
w,, (x) =

1
x
w (
).

(2.6)

Definition 2.13 Den linken Eckpunkt des Tragers einer Verteilungsfunktion F bezeichnen wir als l(F ), mit l(F ) = inf{x : F (x) > 0}, und den rechten Eckpunkt als r(F ), mit
r(F ) = sup{x : F (x) < 1}.
Die EVFen hangen ausschlielich vom Tail der Verteilungsfunktion F ab. Dies folgt
sofort aus folgendem Lemma.
Lemma 2.14 Sei H eine Verteilungsfunktion mit H(x) 0 f
ur x l(H). Dann sind
folgende zwei Aussagen aquivalent:
(a) F
ur alle x (l(H), r(H)) mit n gilt
n (1 F (bn an x)) log H(x).

(2.7)

(b) F
ur alle x R gilt limn F n (bn + an x) = H(x).

Approximation durch W
Von zentraler Bedeutung f
ur uns ist das folgende Lemma und das darauf folgende Theorem.
Lemma 2.15 Sei F D(G ), das heit
lim F n (bn + an x) = G (x), t R

16

2 Raumliche Struktur in einem St


uck Stahl
mit an > 0 und bn R. Dann gilt f
ur u (l(G ), r(G )) mit x > u
lim F [bn +an u] (bn + an x) = W (

xu
) = W,u,1+u (x).
1 + u

(2.8)

Beweis. Da F D(G ), gilt die Aussage (2.7) f


ur alle x > l(G ) und daher insbesondere
f
ur alle x > u. Dann folgt f
ur x > u

F [bn +an u] (bn + an x) =

F (bn + an x) F (bn + an u)
1 F (bn + an u)
F (bn + an x) F (bn + an u) + 1 1
1 F (bn + an u)

n
n

(F (bn + an x) 1) n (F (bn + an u) 1) n
(1 F (bn + an u)) n

log G (x) log G (u)


log G (u)

(1 + u)1/ (1 + x)1/
(1 + u)1/
!1/

=1

1 + x
1 + u

=1

1 + x + u u
1 + u

=1

xu
1+
1 + u

= W (

!1/

!1/

xu
) = W,u,1+u (x).
1 + u

17

2 Raumliche Struktur in einem St


uck Stahl
Theorem 2.16 (Balkema-de Haan-Pickands) Sei X eine Zufallsvariable mit der
Verteilungsfunktion F , welche im r(F ) stetig ist. F
ur alle R gilt F D(G ) genau
dann, wenn eine positive und messbare Funktion (u) existiert mit
lim

sup

ur(F ) x[0,r(F )u]

[u]

F (x + u) W,0,(u) (x) = 0.

(2.9)

Falls gilt F D(G ), dann legen uns die Aussagen (2.8) und (2.9) nahe, f
ur eine
geeignet hohe Schranke u F [u] durch W zu approximieren. Grob ausgedr
uckt gilt dann
F [u] (x + u) W,0,(u) (x)
f
ur x [0, r(F ) u], beziehungsweise
F [u] (x) W,u,(u) (x)

(2.10)

f
ur x [u, r(F )].

Bemerkung 2.17 Ab jetzt besitzen F und H wieder ihre urspr


ungliche Definition. Das
heit, F ist die Verteilungsfunktion der Kugelradien und H besitzt eine Beziehung zu
W (F ).

Approximation von F [u]

Nach der Uberlegung


(2.10) erhalten wir f
ur Kugelradien im SStahl folgende Aussage:
F [u] (r) = P (R r|R > u) W,u,u (r) = W (

ru
),
u

r u,

(2.11)

f
ur eine geeignet hohe Schranke u und mit den unbekannten Parametern u := (u) > 0
und R.

18

2 Raumliche Struktur in einem St


uck Stahl
Bemerkung 2.18 (Schranke u)
Bei der Wahl von u muss beachtet werden, dass die Schranke u nicht zu gro ist, da
ansonsten die f
ur die Analyse betrachtete Datenmenge mit der zunehmenden Schrankengroe sinkt. Wir benotigen daher eher eine nicht zu hohe Schranke u. Ist jedoch u
zu niedrig, so wird die Asymptotik nicht beziehungsweise nur schlecht greifen.
Konnten wir die Kugelradien beobachten, so ware die Bestimmung der unbekannten
Parameter u und direkt mit der ML-Methode3 moglich.

Bemerkung 2.19 (ML-Methode)


Bei der Durchf
uhrung von ML-Methoden setzen wir stets voraus, dass eine unabhangige
und identisch verteilte Stichprobe vorliegt. Eine ML-Methode besteht aus folgenden
Schritten:
1. Bilde eine sogenannte Likelihood-Funktion L(|), welche in Abhangigkeit des
unbekannten Parametervektors die Plausibilitat der beobachtbaren Stichprobe
misst. (Die Plausibilitat einer Stichprobe wird mit Hilfe der Wahrscheinlichkeit,
die Stichprobenrealisation zu erhalten, gemessen.)
welcher den maximal moglichen Wert der Likelihood2. Suche einen Parametervektor ,
Funktion liefert. Jeder Parametervektor ist ein ML-Schatzer, f
ur den gilt:
= max L(|).
L(|)

ist wichtig, sondern die Stelle ,


an der
(Nicht der Wert des Maximums L(|)
dieser Wert maximal wird. Aus Gr
unden vereinfachter Berechnung wird haufig die
gebildet und dann maximiert. Da
logarithmierte Likelihood-Funktion log L(|)
log : R+ R eine streng monoton wachsende Funktion ist, f
uhrt diese Verfahrensanderung zum selben Ergebnis.)

Maximum-Likelihood-Methode

19

2 Raumliche Struktur in einem St


uck Stahl
Da wir jedoch die Kugelradien nicht beobachten konnen, m
ussen wir einen anderen
Weg einschlagen.
Wir wissen, dass f
ur die Zufallsvariable R folgendes gilt:
R=

S 2 + Z 2.

Zudem wissen wir, dass die Zufallsvariable S gegeben S > 0 die Verteilungsfunktion
W (F ) besitzt, also die Wicksell-Transformation von F . Dieses Wissen werden wir nun
benutzen, um zusammen mit den Kreisradien die Verteilungsfunktion F zu approximieren. Dieser Weg wurde durch Anderson und Coles ([1]) eingef
uhrt, indem sie f
ur
Exzedenten u
ber einer Schwelle u die nachfolgende Beziehung zwischen F und W (F )
ausnutzen.

Exzedentenbeziehung zwischen F und W (F )


Bemerkung 2.20 Erfolgt die Approximation f
ur s > u, so gilt f
ur die Kugelradien r
ebenfalls r > u. Dies folgt unmittelbar aus:
s>u
und

r2 z 2 > u r >

u2 + z 2

u2 + z 2 u u2 + z 2 u2 z 0.

Gilt jedoch s < u, so folgt hieraus nicht r < u.


Gegenbeispiel. Sei r2 = s2 + z 2 mit s = 2 und z = 3. Dann erhalten wir 22 + 32 = 13.

Gegeben sei eine Schwelle u = 5. Dann folgt


s=2<
und
r=

5=u

13 > 5 = u.

Somit gilt s < u und r > u.

20

2 Raumliche Struktur in einem St


uck Stahl
Zwischen F und W (F ) existiert folgende Exzedentenbeziehung:
W (F )[u] (s) = W (F [u] )[u] (s),

s u.

Diese folgt unmittelbar aus

W (F )[u] (s) =

W (F )(s) W (F )(u)
W (F )(u)
W (F )(s) W (F )(u) + 1 1
W (F )(u)
1 W (F )(u) 1 + W (F )(s)
W (F )(u)
W (F )(u) W (F )(s)

=1

=1

W (F )(u)
W (F )(s)
W (F )(u)
H(s)
H(u)

=1 R

(s,)
(u,)

r2 s2 dP (R r|R > u)

r2 u2 dP (R r|R > u)

R
r2 s2 dF [u] (r)
s
= 1 R
r2 u2 dF [u] (r)
u
=1

W (F [u] )(s)
W (F [u] )(u)

= 1 W (F [u] )[u] (s)


= W (F [u] )[u] (s),

21

s u.

2 Raumliche Struktur in einem St


uck Stahl

Approximation von W (F )[u]


Mochten wir F [u] durch W,u,u schatzen, so konnen wir dieses erreichen, indem wir den
Umweg u
ber W (F )[u] nehmen. Mit der Hilfe der Exzedentenbeziehung zwischen F und
W (F ) erhalten wir
R
[u]

W (F ) (s) 1 R s
u

r2 s2 dW,u,u (r)

r2 u2 dW,u,u (r)

s u.

F
ur die Kreisradien u
ber der Schranke u, analog zum Beweis von (F ), erhalten wir
dann
W (F )[u] (s) = 1 W (F )[u] (s)
= 1 W (F [u] )[u] (s)
1 W (W,u,u )[u] (s)
R

(r2
s
R
(r2
u
Z

s2 ) 2 dW,u,u (r)
1

u2 ) 2 dW,u,u (r)

1
(r2 z 2 ) 2 dW,u,u (r)
z
dz,
R
1
2 u2 ) 2 dW
(r)
(r
,u,
u
u

s u.

Somit hat W (W,u,u )[u] die Dichte


[u]

(W,u,u ) (s) :=

1
(r2 s2 ) 2 dW,u,u (r)
s
,
R
1
2 u2 ) 2 dW
(r
(r)
,u,
u
u

s u.

(2.12)

Zusammenfassung
Mit Hilfe der Extremwerttheorie und der Wicksell-Transformation haben wir es nun geschafft, die unbekannte Verteilungsfunktion F der Kugelradien mit Hilfe der Kreisradien
zu approximieren.

Ausblick
Das Ziel dieser Arbeit ist die Bestimmung eines Schatzers, welcher die mittlere Fremdpartikelanzahl je Volumeneinheit im SStahl angibt. Um dieses zu erreichen, benotigen
wir noch einen weiteren Zwischenschritt, welcher nun im folgenden Abschnitt folgt.

22

2 Raumliche Struktur in einem St


uck Stahl

2.4 Stochastische Prozesse


In diesem Abschnitt werden wir Poisson-Prozesse f
ur Fremdpartikel aufbauen. Folgen
werden wir hier der Darstellung aus [4, Seite 5-13 und 47-48].

Punktprozesse
Gegeben seien ein Wahrscheinlichkeitsraum (, A, P ) und ein messbarer Raum (S, B|S ).
Dabei sei S R eine kompakte Menge und B|S die dazugehorige Borelsche -Algebra.
Bezug nehmend zu [4, Seite 5-13], werden wir unter anderem als nachstes einen Punktprozess definieren.
Betrachten wir ein x S und B B|S , dann bedeutet
Ex (B) := 1B (x)
das Dirac-Ma mit der Masse 1 in x. F
ur {xi S : i I N} erhalten wir durch
=

Exi

iI

ein Ma auf der -Algebra B|S , welches als Punktma bezeichnet wird. Fassen wir alle
Punktmae auf B|S zu einem Raum zusammen, so definieren wir diesen durch
M(S, B|S ) = { : ist ein Punktma}.
Die kleinste -Algebra auf M(S, B|S ) ist dann
M(S, B|S ) := ({B : B B|S })
= ({1
B (C) : C N {0, }, B B|S })
mit der Abbildung
B : M(S, B|S ) N {0, }
7 B () = (B),
welche als Projektion mit Index B bezeichnet wird.

23

2 Raumliche Struktur in einem St


uck Stahl
Nach dieser Vorarbeit werden wir nun einen Punktprozess definieren.
Definition 2.21 Eine Zufallsvariable
N : M(S, B|S )
heit Punktprozess auf (S, B|S ).
Eine sehr wichtige Rolle bei Punktprozessen spielt das sogenannte Intensitatsma,
welches die erwartete Anzahl der Punkte in einem bestimmten Bereich angibt.
Lemma 2.22 Sei N ein Punktprozess, so wird durch
(B) = E(N (B)), B B|S
ein Ma auf B|S definiert. Dieses Ma bezeichnen wir als Intensit
atsma zu dem Punktprozess N .
Bemerkung 2.23 Ein Intensitatsma auf (S, B|S ) bezeichnen wir als endlich, falls
P
gilt (S) < . Gilt S = iN Si mit (Si ) < , so bezeichnen wir als -endlich.
Manche Punktprozesse besitzen ein Intensitatsma, welches sich proportional zum
Lebesque-Ma verhalt.
Definition 2.24 Ist proportional zum Lebesque-Ma mit
(B) = (B), B B|S , > 0,
so bedeutet die Intensit
at von N .
Bemerkung 2.25 Wahlen wir B so, dass (B) = 1, so wird uns die Bedeutung von
unmittelbar klar: Die Intensitat ist dann die mittlere Anzahl der Punkte je Einheit. (Falls auf einem zweidimensionalen beziehungsweise auf einem dreidimensionalen
Grundraum leben w
urde, so ware die Intensitat dann die mittlere Anzahl der Punkte je
Flacheneinheit beziehungsweise je Volumeneinheit.)

24

2 Raumliche Struktur in einem St


uck Stahl
Definition 2.26 Besitzt ein Punktprozess N mit einem Intensitatsma die eben
erwahnte Proportionalitat zum Lebesque-Ma , also
= , > 0,
dann bezeichnen wir N als homogenen Punktprozess.
Mochten wir einen Punktprozess nur in einem Teilbereich betrachten, so konnen wir
dieses durch Abschneiden tun. Das heit, wir schneiden alles auerhalb dieses Teilbereiches ab und betrachten den Punktprozess dann nur in diesem Teilbereich.
Definition 2.27 Sei N : M(S, B|S ) ein Punktprozess und D B|S . Dann heit
N ( D)
abgeschnittener Punktprozess auerhalb von D.
Lemma 2.28 Falls N ein Punktprozess mit einem Intensitatsma ist, dann ist N (
D) ein Punktprozess mit dem Intensitatsma
( D).
Einen gegebenen Punktprozess konnen wir mit Hilfe einer messbaren Funktion in einen
anderen Punktprozess transformieren. Diese Transformation wird als Induzieren von
Punktprozessen bezeichnet.
Induzieren von Punktprozessen
Gegeben sei, f
ur eine kompakte Menge T R, folgende messbare Funktion
g : (S, B|S ) (T, B|T ).
Zu der Funktion g definieren wir als nachstes die Funktion
g : M(S, B|S ) M(T, B|T )
mit
g () := g,

25

2 Raumliche Struktur in einem St


uck Stahl
wobei f
ur alle C B|T gilt
(g)(C) := (g 1 (C)).
Da g eine B|S , B|T -messbare Funktion ist, ist g dann M(S, B|S ), M(T, B|T )-messbar.
Betrachten wir einen Punktprozess N , so konnen wir zusammen mit der Funktion g
durch
(g (N ))() = N (g 1 ())
einen neuen Punktprozess induzieren.
Besitzt ein Punktprozess N ein Intensitatsma , so ist das Intensitatsma von g (N )
dann
(g ())() = (g 1 ()).
Punktprozesse in expliziter Form
F
ur N existiert folgendes Kriterium, welches wir benutzen werden, um N in expliziter
Form darzustellen.
Kriterium 2.29 Folgende zwei Behauptungen sind aquivalent:
(a) N : M(S, B|S ) ist ein Punktprozess.
(b) N (B) : N {0, } ist A, P(N {0, })-messbar f
ur jedes B B|S , wobei
P(N {0, }) die Potenzmenge der Grundmenge N {0, } ist.

Betrachten wir eine Folge von unabhangigen und identisch verteilten Zufallsvariablen
X1 , X2 , . . . mit
Xi : (, A, P ) (S, B|S )
und eine N {0}-wertige Zufallsvariable , welche unabhangig von Xi ist, und setzen
N=

EXi ,

(2.13)

i=1

so ist N nach Kriterium 2.29 ein Punktprozess, da N (B) f


ur alle B B|S messbar ist
bez
uglich A und P(N {0, }), welcher als Punktprozess in expliziter Form bezeichnet
wird.

26

2 Raumliche Struktur in einem St


uck Stahl

Poisson-Prozesse
Nun werden wir die Aussage zu Punktprozessen auf Poisson-Prozesse erweitern.
Bemerkung 2.30 Ist eine Zufallsvariable J Poisson-verteilt, so schreiben wir: L(J) =
P . Dabei bezeichnet den Parameter der Poisson-Verteilung mit > 0.
Definition 2.31 Ist ein -endliches Ma auf B|S , dann ist ein Punktprozess N :
M(S, B|S ) ein Poisson-Prozess mit dem Intensitatsma , falls folgende zwei
Eigenschaften erf
ullt werden:
(a) f
ur alle B B|S , (B) < gilt L(N (B)) = P(B) ,
(b) f
ur alle k N und f
ur alle paarweise disjunkten Mengen B1 , B2 , . . . , Bk Bd |S ,
(Bi ) < gilt N (B1 ), . . . , N (Bk ) sind unabhangige Zufallsvariablen.
Definition 2.32 Sei > 0 und N ein Poisson-Prozess auf B|S mit dem Intensitatsma
. Gilt = |B|S , so bezeichnen wir N als homogenen Poisson-Prozess.
Lemma 2.33 Falls N : M(S, B|S ) ein Poisson-Prozess mit dem Intensitatsma
ist und D B|S , dann ist
(a) N ( D) ein Poisson-Prozess mit dem Intensitatsma ( D),
(b) g (N ) ein Poisson-Prozess, falls g () -endlich ist.
Lemma 2.34 Ist ein Intensitatsma -endlich, so ist auch das induzierte Intensitatsma g () -endlich.
Ein Punktprozess N in der Darstellung (2.13) ist ein Poisson-Prozess, falls folgender
Satz gilt:
P
Satz 2.35 Gegeben sei ein Punktprozess N = i=1 EXi und ein endliches Ma auf
B|S . Gilt
(a) die Zufallsvariablen , X1 , X2 , . . . sind unabhangig,
(b) L() = P(S) ,
(c) L(Xi ) =

,
(S)

dann ist N ein Poisson-Prozess mit dem Intensitatsma .

27

2 Raumliche Struktur in einem St


uck Stahl

Poisson-Prozesse fu
r Fremdpartikel
Mit Hilfe der eben getroffenen Aussagen und den Aussagen aus [4, Seite 47-48] werden wir jetzt eine Poisson-Prozess-Darstellung f
ur bestimmte Elemente aus einer kompakten Menge aufbauen. Die kompakte Menge fassen wir als SStahl auf und die Elemente als kugelformige Fremdpartikel (x, y, z, r) R3 (0, ). Zudem soll gelten,
(xi , yi , zi , ri ) (xj , yj , zj , rj ) = f
ur i 6= j.

Poisson-Prozess f
ur Kugeln
Sei N0 ein homogener Poisson-Prozess auf S0 = R3 (0, ) mit dem Intensitatsma
0 = 0 3 Q.
Dabei bezeichnet Q ein Wahrscheinlichkeitsma auf (0, ), das Lebesque-Ma und
0 > 0 die Intensitat.
Betrachten wir nun einen Punkt (x, y, z, r) aus S0 , so konnen wir diesen Punkt als eine
Kugel auffassen mit dem Mittelpunkt (x, y, z) R3 und dem Radius r (0, ). Fassen
wir ein St
uck Stahl als die kompakte Menge Sstahl = [a, b]3 R3 auf, mit a < 0 und
b > 0, so erhalten wir durch Abschneiden f
ur die Kugeln folgenden Poisson-Prozess:
NKugel = N0 ( (SStahl (0, )))
auf der Menge S0 , mit dem Intensitatsma
Kugel = 0 ( (SStahl (0, )))
und der Intensitat 0 , welche dann als die mittlere Anzahl der Kugeln je Volumeneinheit
aufgefasst wird.
Zwar haben wir nun einen Poisson-Prozess f
ur die Kugeln aufgebaut, doch konnen wir
mit diesem wenig anfangen, da wir die Einschl
usse von auen nicht beobachten konnen.

28

2 Raumliche Struktur in einem St


uck Stahl

Poisson-Prozess f
ur Kreise
Zwar konnen wir die Einschl
usse von auen nicht beobachten, jedoch konnen wir etwas anderes beobachten, falls wir dieses St
uck Stahl durchschneiden und hierdurch eine
Schnittflache entstehen w
urde. Auf dieser Schnittflache w
urden dann Kreise beobachtbar
sein, falls durch den Schnitt Einschl
usse getroffen w
urden. Fassen wir eine Schnittflache
als die x, y-Ebene auf, so konnen wir hierzu folgende Menge definieren:
D = {(x, y, z, r) S0 : |z| < r}.
Die Menge D besteht dann aus allen Kugeln, welche die x, y-Ebene durchschneiden.
(Betrachte hierzu die Abbildung 2.3.)

Abbildung 2.3: Der Punkt (10,10,1,2) ist ein Element der Menge D.
Betrachten wir nun die x, y-Ebene, so konnen wir auf dieser Ebene f
ur alle Kugeln aus D
p
Kreise (x, y, s) beobachten, mit den Mittelpunkten (x, y) und den Radien s = (r2 z 2 )
mit r2 z 2 > 0. Um f
ur diese Kreise einen Poisson-Prozess aufzubauen, welcher Bezug
zu N0 nimmt, benotigen wir folgende messbare Funktion:


h : D, BD R (0, ), B B|(0,)
mit
(x, y, z, r) 7 (x, y,

p
(r2 z 2 )).

Dabei bezeichnet BD die Borelsche -Algebra von D.

29

2 Raumliche Struktur in einem St


uck Stahl
Zu der Funktion h definieren wir noch die Funktion


h : M D, B|D M R2 (0, ), B2 B|(0,) .
Nun konnen wir mit der Hilfe von h und N0 , auf der Menge S1 = R2 (0, ) folgenden
Poisson-Prozess induzieren:
NKreis = h (N0 ) = N0 (h1 ()).
Der Poisson-Prozess NKreis besitzt dann das Intensitatsma
Kreis = h (0 ) = 0 (h1 ()).
Als nachstes werden wir f
ur eine Menge das Intensitatsma Kreis berechnen. Um dieses
tun zu konnen, benotigen wir noch folgende Aussage:
F
ur ein t, r > 0 gilt

p
max(0, (r2 t2 )) =

s=t
p

(r2 s2 )

s=0

falls t < r,

s=r

2
2
(r s )

sonst

(2.14)

s=0

1[0,r] (s)s(r2 s2 )1/2 ds.

=
0

Mit der Aussage (2.14) f


ur die Menge (B (0, t]) S1 und mit 2 (B) < erhalten wir
dann

Kreis (B (0, t]) = 0 (h1 (B (0, t]))


Z
= 1{(x,y,z,r): (x,y)B,

|
z |<
r,

Z
=

1{(x,y,z,r):

(
x,
y )B, |
z |<
r,

30

r2
z 2 t} (x, y, z, r)d0 (x, y, z, r)

r2
z 2 t} (x, y, z, r)d(0

Q)(x, y, z, r)

2 Raumliche Struktur in einem St


uck Stahl
Z

Z
1B (x, y) 1{(z,r):

= 0
Z

= 0 (B)

= 0 2 (B)

1{(z,r):
Z

d( Q)(z, r)

Q)(z, r)

1[max(0,r2 t2 ),r) (|z|)d(z) dQ(r)


!

Z
2

(0,)

2
r2
z 2 t} (z, r)d (x, y)

(,)

r2
z 2 t} (z, r)d(

(0,)

= 0 2 (B)

|
z |<
r,

|
z |<
r,

(0,)

1[max(0,r2 t2 ),r) (z)d(z) dQ(r)



p
r max(0, r2 t2 ) dQ(r)

= 20 (B)
(0,)

(2.14)

= 20 2 (B)

Z
(0,)

Z t Z
= 20 (B)
s
2

1[0,r] (s)s(r2 s2 )1/2 ds dQ(r)

2 1/2

(r s )


dQ(r) ds.

[s,)

Sein nun F , also die Verteilungsfunktion der Kugelradien, die zu Q gehorige Verteilungsfunktion. Dann folgt
Z t Z
Kreis (B (0, t]) = 20 (B)
s
2

0
Satz 2.3

2 1/2

(r s )


dF (r) ds

20 (B)

h(s)ds
0

Satz 2.3



20 2 (B) H(0) W (F )(0) H(0) W (F )(t)

H(t) 
H(0)
= 20 (B) H(0)
H(0)
H(0)
H(0)


= 20 2 (B) H(0) H(t) .
2

31

2 Raumliche Struktur in einem St


uck Stahl

Poisson-Prozess f
ur Kreisradien
Den Poisson-Prozess NKreis konnen wir nun durch Abschneiden und mit der Hilfe einer
messbaren Projektionsabbildung auf die dritte Komponente in einen Poisson-Prozess f
ur
Kreisradien u
uhren.
berf
Sei 3 folgende messbare Projektionsabbildung:




2
2
3 : R (0, ), B B|(0,) (0, ), B|(0,)
mit
(x, y, s) 7 s.

Zu der Funktion 3 definieren wir noch die Funktion




3 : M R2 (0, ), B2 B|(0,) M (0, ), B|(0,) .

Sei weiter SStahl eine kompakte Menge mit SStahl R2 und 2 (SStahl ) < . Dabei fassen wir SStahl als eine Schnittflache durch SStahl und gleichzeitig als einen kompakten
Teilbereich der x, y-Ebene auf.
Einen Poisson-Prozess f
ur die Kreisradien erhalten wir dann durch

NKreisradien = 3 NKreis ( (SStahl (0, )))
= NKreis ((31 ()) (SStahl (0, ))).
NKreisradien lebt dann auf der Menge S2 = (0, ) und besitzt das Intensitatsma

Kreisradien = 3 Kreis ( (SStahl (0, )))
= Kreis ((31 ()) (SStahl (0, ))).

32

2 Raumliche Struktur in einem St


uck Stahl
F
ur eine Menge (s, ) S2 folgt dann
Kreisradien ((s, )) = Kreis ((31 (s, )) (SStahl (0, )))
Z
= 1{{(x,y,s): (x,y)R2 , s(s,)}{(x,y,s): (x,y)SStahl , s(0,)}} (
x, y, s)dKreis (
x, y, s)
Z
x, y) 1(s,) (
s)dKreis (
x, y, s)
1SStahl (

= Kreis (SStahl (s, ))


= 20 2 (SStahl ) H(0) W (F )(s)
= 20 2 (SStahl ) H(s)
Lemma 2.2

20 (SStahl )
2

(r2 s2 ) 2 dF (r).

Zum Abschluss dieses Kapitels u


uhren wir NKreisradien in eine explizite Form.
berf
Durch diesen Schritt erhalten wir eine Aussage, welche wir im nachsten Kapitel benotigen
werden.

Poisson-Prozess f
ur Kreisradien in expliziter Form
Wir haben vorausgesetzt, dass H(0) < und 2 (SStahl ) < . Mit diesem Wissen
erhalten wir
Kreisradien ((0, )) = 20 2 (SStahl )H(0) < .
Demnach ist Kreisradien , nach Bemerkung 2.23, ein endliches Ma. Auerdem haben wir
den Kreisradius s als eine Realisation der Zufallsvariablen S, mit der Verteilungsfunktion
W (F ) = 1 W (F ) = 1

H()
H(0)

aufgefasst. Nun betrachten wir die Kreisradien s1 , s2 , s3 , . . . als eine Realisation der
unabhangigen Zufallsvariablen S1 , S2 , S3 , . . . mit jeweils der Verteilungsfunktion W (F ).
Sind diese Zufallsvariablen unabhangig von einer N {0}-wertige Zufallsvariable , und

33

2 Raumliche Struktur in einem St


uck Stahl
setzen wir
NKreisradien =

ESi ,

i=1

so erhalten wir nach Satz 2.35 wieder einen Poisson-Prozess. Denn es gilt
W (F ) =

H()
Kreisradien ()
=
= L(S)
H(0)
Kreisradien ((0, ))

und
L() = L(NKreisradien ((0, ))) = PKreisradien ((0,)) .

(2.15)

F
ur die letzte Gleichung betrachte [4, Beweis auf Seite 17-18, Theorem 1.2.1].

Zusammenfassung
Mit der Hilfe von Poisson-Prozessen haben wir f
ur die kugelformigen Fremdpartikel
den Parameter 0 bestimmt, welcher die mittlere Fremdpartikelanzahl mit allen Radiengroen je Volumeneinheit im SStahl angibt. Auerdem haben wir f
ur die Kreisradienanzahl die Erkenntnis gewonnen, dass diese Poisson-verteilt mit dem Parameter
Kreisradien ((0, )) ist.

Ausblick
Das Ziel dieser Arbeit ist die Bestimmung eines Schatzers, welcher die mittlere Kugelanzahl je Volumeneinheit im SStahl schatzt. Da wir nun alle benotigten Werkzeuge zur
Hand haben, werden wir in nachstem Kapitel einen solchen Schatzer bestimmen.

34

3 Extremwertstatistik beim
Wicksellschen Korpuskelproblem
In diesem Kapitel werden wir alle zuvor getroffenen Aussagen und als Hilfestellung die
Resultate aus [1, Seite 241-242] dazu verwenden, einen Schatzer f
ur 0 zu bestimmen.
Da wir nur die Kreisradien s beobachten konnen, werden wir diese f
ur die Schatzung
von 0 verwenden. Als Schatzverfahren wahlen wir die ML-Methode.
Des Weiteren beschranken wir die Anzahl der Kreisradien, indem wir nur Kreisradien
mit der Eigenschaft s > u zulassen. Durch diese Beschrankung gilt f
ur die Kugelradien
ebenfalls r > u. (Betrachte hierzu die Bemerkung 2.20.) Aus diesem Grund andert sich
auch der zu schatzende Parameter zu
0,u .
Dieser ber
ucksichtigt dann nicht alle Radiengroen, sondern nur diese mit r > u.

3.1 Sch
atzer 0,u
Nehmen wir nun an, dass eine geeignet hohe Schranke u gegeben ist und dass n Einschl
usse, also Kugeln, die Ebene S Stahl durchschneiden. Von allen Kreisen, welche auf
der Ebene entstanden sind, interessieren uns nur diese, welche einen Radius groer als u
besitzen. Wir nehmen an, dass die Anzahl der Einschl
usse mit dieser Eigenschaft m n
sei. Somit erhalten wir als unabhangige und identisch verteilte Stichprobe s1 , . . . , sm .
Nach (2.15) ist die Anzahl der Kreisradien Poisson-verteilt mit dem Parameter
20,u (SStahl )
2

(r2 u2 ) 2 dP (R r|R > u).

(u,)

35

3 Extremwertstatistik beim Wicksellschen Korpuskelproblem


Mit P (R r|R > u) = F [u] (r) und mit (2.11) erhalten wir
20,u (SStahl )
2

1
2

(r u ) dF (r) 20,u (SStahl )


2

[u]

(r2 u2 ) 2 dW,u,u (r).

Sei nun

(r2 u2 ) 2 dW,u,u (r),

I(, u ) :=
u

dann folgt
20,u (SStahl )
2

1
(r2 u2 ) 2 dW,u,u (r) = 20,u 2 (SStahl ) I(, u ).

Basierend auf m und der Stichprobe s1 , . . . , sm , welche die Dichte (2.12) besitzt, erhalten
wir f
ur die Parameter , u und 0,u die Likelihood-Funktion
L(m, s1 , , sm |, u , 0,u ) =

(20,u 2 (S stahl )I(, u ))m


m!
exp(20,u 2 (S stahl )I(, u ))

m
Y

(W,u,u )[u] (si ).

i=1

Sei nun
l(, u , 0,u ) := log L(m, s1 , , sm |, u , 0,u ),

dann erhalten wir

l(, u , 0,u ) = m log(20,u 2 (S Stahl )I(, u )) log(m!)


20,u 2 (S Stahl )I(, u )
+

m
X

log (W,u,u )[u] (si )

i=1

36

3 Extremwertstatistik beim Wicksellschen Korpuskelproblem


= m log(20,u 2 (S Stahl )) + m log(I(, u ))
log(m!)
20,u 2 (S Stahl )I(, u )
m log(I(, u ))
+

m
X

(r2 s2i ) 2 dW,u,u (r)

log si
si

i=1

= m log(20,u 2 (S Stahl ))
log(m!)
20,u 2 (S Stahl )I(, u )
+

m
X

log si

(r2 s2i ) 2 dW,u,u (r).

si

i=1

Setzen wir nun


= 20,u I(, u )

= 20,u ,
I(, u )

so erhalten wir

l(, u , ) = m log((I(, u ))1 2 (S Stahl ))


log(m!)
2 (S Stahl )
+

m
X
i=1

log si
si

37

(r2 s2i ) 2 dW,u,u (r).

3 Extremwertstatistik beim Wicksellschen Korpuskelproblem


= m log(2 (S Stahl )) m log(I(, u ))
log(m!) 2 (S Stahl )
+

m
X

log si

(r2 s2i ) 2 dW,u,u (r).

si

i=1

= m log(2 (S Stahl ))
log(m!) 2 (S Stahl )
+

m
X

log (W,u,u )[u] (si ).

i=1

Diesen Schritt haben wir gewahlt, um die Maximierung der logarithmierten LikelihoodFunktion zu erleichtern.
Durch Ableiten nach erhalten wir
l(, u , )
1
=m 2
2 (S Stahl ) 2 (S Stahl ).

(S Stahl )
Leiten wir ein weiteres Mal nach ab, so folgt
m
2 l(, u , )
= 2 < 0.
2

Somit erhalten wir f


ur den Schatzer
=

m
2 (S

38

Stahl )

3 Extremwertstatistik beim Wicksellschen Korpuskelproblem

Sch
atzer und u
F
ur den Term
m
X

Pm

i=1

log (W,u,u )[u] (si ) aus l(, u , ) erhalten wir

[u]

log (W,u,u ) (si ) =

i=1

m
X
i=1

R
1
si si (r2 s2i ) 2 1u w ( ru
)dr
u
log R
1
(r2 u2 ) 2 1u w ( ru
)dr
u
u

m 
X

log(si

(r2 s2i ) 2

si

i=1

Z
log(
u

1
ru
w (
)dr)
u
u


ru
1
(r u ) w (
)dr) .
u
u
2

1
2

P
[u]
Bei der Maximierung von m
ussen wir folgende Fallunterscheii=1 log (W,u,u ) (si ) m
dung f
ur R ber
ucksichtigen.
F
ur = 0 erhalten wir mit (2.5) und (2.6)
m
X

[u]

log (W,u,u ) (si ) =

i=1

m 
X

si

Z
log(
m 
X

1
2

(r2 s2i ) 2

log(si
si

i=1

Z
log(
m 
X

1
2

log(si

(r2 s2i ) 2

si

i=1

Z
log(

39

ru
1
e( u ) dr)
u


1
( ru
)

(r u )
e u dr) .
u
2

1
ru
w0 (
)dr)
u
u


1
ru
(r u ) w0 (
)dr) .
u
u
2

1
ru
w (
)dr)
u
u


1
ru
(r u ) w (
)dr) .
u
u
2

(r2 s2i ) 2

log(si

i=1

1
2

3 Extremwertstatistik beim Wicksellschen Korpuskelproblem


F
ur > 0 erhalten wir mit (2.5) und (2.6)
m
X

[u]

log (W,u,u ) (si ) =

i=1

m 
X

(r2 s2i ) 2

log(si
si

i=1

Z
log(
m 
X

1
2

(r2 s2i ) 2

log(si
si

i=1

Z
log(

r u (1+ 1 )
1
(1 +
)
dr)
u
u


1
r u (1+ 1 )
(r u )
(1 +
)
dr) .
u
u
2

1
ru
w (
)dr)
u
u


1
ru
(r u ) w (
)dr) .
u
u
2

1
2

F
ur max(s1i )m < 0 erhalten wir mit (2.5) und (2.6)
i=1

m
X

[u]

log (W,u,u ) (si ) =

m 
X

Z
log(si
1
||

Z
log(
u

(r2 s2i ) 2

si

i=1

i=1

1
||

m 
X


1
ru
(r u ) w (
)dr) .
u
u
2

1
||

log(si

1
2

(r2 s2i ) 2

si

i=1
1
||

Z
log(
u

1
ru
w (
)dr)
u
u

1
r u (1+ 1 )
(1 +
)
dr)
u
u


1
r u (1+ 1 )
(r u )
(1 +
)
dr) ,
u
u
2

1
2

denn f
ur < 0 muss gelten
max(si )m
i=1
Weil

1
,
||

1
||

1
1
<
m
max(si )i=1
u

||

1
,
max(si )m
i=1

u < max(s1 )m
i=1 ,

folgt

1
< 0.
max(si )m
i=1

40

||

1
.
u

3 Extremwertstatistik beim Wicksellschen Korpuskelproblem


P
[u]
Somit erfolgt die Maximierung von m
ber die Parameter u > 0
i=1 log (W,u,u ) (si ) u
1
und max(si )m .
i=1
Die Schatzer von u und konnen analytisch jedoch nicht wie der Schatze von ermittelt werden. Daher werden wir bei der im nachsten Kapitel durchgef
uhrten Simulation
f
ur die Bestimmung der Schatzer
u und ein numerisches Verfahren verwenden.

Sch
atzer 0,u
P
[u]
Angenommen wir hatten die Maximierung von m
i=1 log (W,u,u ) (si ) mit einem numerischen Verfahren durchgef
uhrt und erhielten als Schatzer

und .

Da
= 20,u I(, u )

= 0,u ,
2I(, u )

erhalten wir f
ur 0,u den Schatzer
0,u =

1
m
1
m
= 2

= 2
.
2I(
,
u )
,
u )
(S Stahl ) 2I(
2 (S Stahl )I(
,
u )

(3.1)

Somit haben wir das Ziel dieser Arbeit erreicht, indem wir zusammen mit
Hilfe der Wicksell-Transformation, der Extremwerttheorie, mit Hilfe von
homogenen Poisson-Prozessen und der ML-Methode einen Sch
atzer fu
r
die mittlere Fremdpartikelanzahl je Volumeneinheit in einem Stu
ck Stahl
bestimmt haben, mit Fremdpartikelradien u
oe u.
ber einer Mindestgr
Zum Abschluss dieser Arbeit f
uhren wir im nachsten Kapitel eine Simulation durch,
um den eben aufgebauten Schatzer zu testen.

41

4 Simulation
F
ur die Simulation werden wir die Funktion wickstat() verwenden, welche in R erstellt
wurde.
Bemerkung 4.1 Die Funktion wickstat(), welche im Rahmen dieser Masterarbeit entstanden ist, befindet sich auf der beiliegenden CD und auf den letzten Seiten1 dieser
Arbeit. Auerdem kann sie auf der Homepage www.wickstat.weebly.com heruntergeladen werden.

Ziel dieser Simulation: Die Uberpr


ufung der Aussage
0,u 0,u ,
indem wir den relativen Fehler als Prozentzahl betrachten:
0,u 0,u
100.
0,u

Vorgehensweise:
1. Wir erzeugen im SStahl eine feste Anzahl von kugelformigen Einschl
ussen.
2. Wir berechnen im SStahl die mittlere Anzahl der Einschl
usse je Volumeneinheit,
welche jeweils einen Radius u
ber einer Schranke u besitzen. Das heit, wir berechnen die Intensitat 0,u .
3. Durch die Simulation berechnen wir den Schatzer 0,u .
4. Wir u
ufen die Aussage 0,u 0,u .
berpr
1

Anhang: R Code der Funktion wickstat().

42

4 Simulation

4.1 Aufbau der Simulation


1. Wir erzeugen SStahl , Einschl
usse (x, y, z, r), Radien s und
Schranke u
SStahl und (x, y, z)
Wir betrachten SStahl als die Menge [100,100]3 . Hierbei haben wir ber
ucksichtigt, dass
diese Menge die x, y-Ebene schneidet, da wir eine durch die x, y-Ebene erzeugte Schnittflache f
ur unsere Vorgehensweise benotigen.
Die Anzahl der Einschl
usse sei p = 3000. F
ur einen Einschluss benotigen wir nicht den
kompletten Mittelpunkt (x, y, z), sondern nur die Koordinate z. Daher erzeugen wir f
ur
die Mittelpunkte nur die unabhangige und auf dem Intervall (-100,100) gleichverteilte
Stichprobe z1 , . . . , zp .
Radien r
Die Kugelradien r fassen wir als Realisationen der Zufallsvariablen R auf, mit der Verteilungsfunktion F . Damit (2.11) u
berhaupt funktioniert, muss gelten F D(G ). Nach
der Bemerkung 2.11 gilt f
ur die EVFen die Aussage G D(G), demnach gilt auch
G D(G ). Daher werden wir f
ur die Erzeugung der Kugelradien die Verteilungsfunktion G verwenden. Hierzu benotigen wir folgenden Satz:
Satz 4.2 (Quantile Transformation) Sei J eine Verteilungsfunktion. Ist die Zufallsvariable U gleichverteilt auf (0,1), so besitzt J 1 (U ) die Verteilungsfunktion J.
Bei der Erzeugung der Kugelradien r gehen wir wie folgt vor:
1. Wie erzeugen auf dem Intervall (0,1) eine unabhangige und gleichverteilte Stichprobe u1 , . . . , up .
2. Zusammen mit der Quantile von G , also mit

G1
(q)

log( log(q))

(( log(q)) 1)

falls = 0;
1

falls 6= 0

und der Stichprobe u1 , . . . , up erzeugen wir dann die Kreisradien r1 , . . . , rp , welche


G verteilt sind.
1
Dabei beschranken wir uns auf die Quantile mit = 0 und = 10
.

43

4 Simulation
Radien s
Durch die Stichproben z1 , . . . , zp und r1 , . . . , rp erhalten wir die Tupel (z1 , r1 ), . . . , (zp , rp ).
Damit ein Einschluss die x, y-Ebene schneidet, muss gelten |zi | < ri . Mit dieser Forderung reduziert sich die Anzahl der Tupel auf (zj , rj ) mit j = 1, . . . , n1 und n1 p. Dann
erhalten wir mit Hilfe der Gleichung
sj =

q
rj2 zj2

f
ur die Kreisradien die Stichprobe s1 , . . . , sn1 .
Schranke u
Die Schranke u bestimmen wir unter Ber
ucksichtigung der Bemerkung 2.18. F
ur Kugelradien mit der Verteilung G0 beziehungsweise mit der Verteilung G 1 setzen wir daher
10
u = 0,98 beziehungsweise u = 0,3.

2. Wir berechnen 0,u


Die mittlere Anzahl der Einschl
usse je Volumeneinheit mit r > u erhalten wir, indem
wir folgendes berechnen:
#{ri : ri > u, i = 1, . . . , p}
= 0,u ,
3 ([100,100])
wobei #{. . . } die Machtigkeit der Menge {. . . } bestimmt.

3. Wir berechnen 0,u


Nach (3.1) gilt
#{sj : sj > u, j = 1, . . . , n1 }
0,u =
.
2 2 ([100,100])I(
,
u )
Um 0,u berechnen zu konnen, benotigen wir noch die Schatzer und
u .
Sch
atzer und
u
F
ur die Stichprobe der Kreisradien erhalten wir die Likelihood-Funktion:

44

4 Simulation

R 2
1
n1
Y
)dr
s
(r s2i ) 2 1u w ( ru
i
u
si
[u]
L(s1 , , sn1 |, u ) =
(W,u,u ) (si ) =
.
R
1
2 u2 ) 2 1 w ( ru )dr
(r

i=1
i=1
u
u
u
n1
Y

Die Maximierung dieser Likelihood-Funktion erfolgt mit Hilfe eines numerischen Verfahrens. Damit R u
ussen wir f
ur die Integrale
berhaupt dieses bewerkstelligen kann, m
folgende Substitution durchf
uhren:
Betrachten wir eine Funktion f f
ur die gilt

R
0

f (x) < , und setzen

t = ex x = log(t),
so erhalten wir
Z

limb eb

f (x)dx =
0

f ( log(t)) t dt =
e0

f ( log(t)) t1 dt.

Bemerkung 4.3 (Substitution) Diese Substitution ist erforderlich, da die numerischen Verfahren, welche R verwendet, um Integrale zu berechnen, erst nach einer solcher
Umformung bei unseren Integralen brauchbare Ergebnisse liefern. Die Substitution mit
t = ex ergab sich durch Ausprobieren. (Betrachte hierzu die Erlauterungen im Anhang:
Integration mit R.)
Wenden f
ur nun diese Substitution auf die Integrale unserer Likelihhood-Funktion an,
so erhalten wir
R esi
1
n1
Y
) t1 dt
si 0 (( log(t))2 s2i ) 2 1u w ( (( log(t))u
u
.
L(s1 , , sn1 |, u ) =
R eu
1
2 u2 ) 2 1 w ( (( log(t))u ) t1 dt
(((
log(t))

i=1
u
u
0
Maximieren wir nun L(s1 , , sn1 |, u ) u
ber die Parameter u > 0 und max(s1i )n1 ,
i=1
so erhalten wir die Schatzer und
u . Die Maximierung erfolgt mit der Funktion wickstat(), wobei die Schatzung der Parameter ein Zwischenschritt dieser Funktion ist.

45

4 Simulation

4. Wir u
ufen die Aussage 0,u 0,u
berpr
Hauptziel der Funktion wickstat() ist die Berechnung des relativen Fehlers als Prozentzahl:
0,u 0,u
100.
0,u

4.2 Simulation
Die Funktion wickstat() wurde unter folgender Systemumgebung erzeugt: R version 3.2.1
(2015-06-18), Platform: x866 4-apple-darwin13.4.0 (64-bit), Running under: OS X 10.10.5
(Yosemite). In einer anderen Umgebung kann es vorkommen, dass

wickstat(Anzahl,seed,Verteilung) =

Hilfe

falls wickstat(0,0,0);

Berechnung sonst,
nicht fehlerfrei anwendbar ist. Die Berechnung erfolgt nur, falls gilt
Anzahl {1,2,3, . . . }, seed {0,1}, Verteilung {0,1}.

Bemerkung 4.4 (Verteilung) Bei der Erzeugung der Kugelradien beschranken wir
1
uns auf = 0 und = 10
. Rufen wir wickstat(,,0) beziehungsweise wickstat(,,1) auf,
so wird die Simulation f
ur Kugelradien mit der Verteilung G0 beziehungsweise Ggamma
durchgef
uhrt. Dabei bezeichnet die Verteilung Ggamma die Verteilung G 1
10

Bemerkung 4.5 (set.seed()) Mit der Funktion set.seed() kann man den Startwert des
Zufallzahlengenerators festlegen, sodass bei einem neuen Aufruf wieder dieselben Zufallszahlen erzeugt werden. Wir konnen bei wickstat() den Startwert festlegen, indem wir f
ur
seed die Zahl 1 benutzen. Das heit, rufen wir wickstat(,1,) auf, so erhalten wir immer
dasselbe Ergebnis. Wird wickstat(,0,) aufgerufen, so andert sich immer das Ergebnis,
da immer ein anderer Startwert benutzt wird.
Die Funktion set.seed() haben wir deshalb eingef
uhrt, um die Ergebnisse reproduzieren zu konnen. Das heit, mochten wir die Ergebnisse dieser Simulation reproduzieren,
so m
ussen wir die Funktion wickstat() in der Reihenfolge wickstat(,1,0), wickstat(,0,0),
wickstat(,1,1), wickstat(,0,1) aufrufen. Alternativ konnten wir auch mit wickstat(,1,1)
beginnen.

46

4 Simulation
Bemerkung 4.6 (Integralberechnung) Die Berechnung der Integrale erfolgt mit dem
numerischen Verfahren double exponential smoothing.
Bemerkung 4.7 (Maximierung der Likelihood-Funktion) Die Maximierung der
Likelihood-Funktion erfolgt mit dem Minimierungsalgorithmus limited-memory L-BFGSB aus der Familie der quasi-Newton Methoden.
Bemerkung 4.8 (Fehler) Entsteht nun bei der Simulation ein Fehler, so erhalten wir
als Resultat einer Simulation folgende Meldung:
1
2
3

Sch
a t z f e h l e r S i m u l a t i o n 1 von 1 : F e h l e r
################################################
S i m u l a t i o n konnte n i c h t d u r c h g e f u
h r t werden . . . .

Ist die Simulationsanzahl groer als eins, so wird die fehlerhafte Simulation u
bersprungen.
Wir erhalten dann:
1
2
3

Sch
a t z f e h l e r S i m u l a t i o n 1 von 3 : 17.1 %
Scha
t z f e h l e r S i m u l a t i o n 2 von 3 : F e h l e r
Sch
a t z f e h l e r S i m u l a t i o n 3 von 3 : 5 0 . 6 2 %

G_0
Simulation Einschlsse

Einschlsse

geschtzte Anzahl

relativer Fehler

mit r > 0.98

mit r > 0.98

in %
-17.1

1 von 3

3000

1144

948

2 von 3

3000

1182

Fehler

3 von 3

3000

1174

1768

50.62

===

===

===

===

===

arithmetisches Mittel :

16.76

Standardabweichung :

47.89

Abbildung 4.1: Fehler bei einer Simulation

47

4 Simulation

Simualtion
Nun f
uhren wir eine Simulation mit wickstat(1000,,0) durch. Als Ergebnis erhalten wir:

G_0

Einschlsse

geschtzte Anzahl

relativer Fehler

Simulation

Einschlsse

mit r > 0.98

mit r > 0.98

in %

1 von 1000

3000

1151

1150

-0.04

2 von 1000

3000

1129

945

-16.31

3 von 1000

3000

1099

733

-33.31

4 von 1000

3000

1132

1022

-9.73

5 von 1000

3000

1156

1028

-11.06

...

...

...

...

...

arithmetisches Mittel :

3.37

Standardabweichung :

28.03

Abbildung 4.2: wickstat(1000,1,0)

G_0

Einschlsse

geschtzte Anzahl

relativer Fehler

Simulation

Einschlsse

mit r > 0.98

mit r > 0.98

in %

1 von 1000

3000

1169

790

-32.4

2 von 1000

3000

1175

607

-48.34

3 von 1000

3000

1141

1158

1.47

4 von 1000

3000

1134

1454

28.19

5 von 1000

3000

1176

1293

9.97

...

...

...

...

...

arithmetisches Mittel :

0.53

Standardabweichung :

28.97

Abbildung 4.3: wickstat(1000,0,0)

48

4 Simulation
Mit wickstat(1000,,1) erhalten wir:

G_gamma

Einschlsse

geschtzte Anzahl

relativer Fehler

Simulation

Einschlsse

mit r > 0.3

mit r > 0.3

in %

1 von 1000

3000

2361

2349

-0.49

2 von 1000

3000

2337

2466

5.51

3 von 1000

3000

2338

2123

-9.2

4 von 1000

3000

2321

2045

-11.9

5 von 1000

3000

2348

2910

23.92

...

...

...

...

...

arithmetisches Mittel :

1.81

Standardabweichung :

24.16

Abbildung 4.4: wickstat(1000,1,1)

G_gamma

Einschlsse

geschtzte Anzahl

relativer Fehler

Simulation

Einschlsse

mit r > 0.3

mit r > 0.3

in %

1 von 1000

3000

2371

1901

-19.84

2 von 1000

3000

2365

3228

36.48

3 von 1000

3000

2342

2674

14.18

4 von 1000

3000

2325

1914

-17.69

5 von 1000

3000

2375

2113

-11.05

...

...

...

...

...

arithmetisches Mittel :

Standardabweichung :

24.53

Abbildung 4.5: wickstat(1000,0,1)

49

4 Simulation

4.3 Resu
mee
Wir haben f
ur Kugelradien mit der Verteilung G0 und Ggamma = G 1 jeweils 2000 Simu10
lationen durchgef
uhrt. Jede der 2000 Simulationen besteht aus 1000 Simulationen mit
seed=1 und seed=0.
Hierdurch erhalten wir folgende Haufigkeitsverteilungen:

100
50
0

Hufigkeit

150

Histogramm - 2000 Simulationen - G_0

-100

-50

50

100

relativer Schtzfehler in %

Abbildung 4.6: Kugelradienverteilung G0 , 2000 Simulationen.

100
0

50

Hufigkeit

150

200

Histogramm - 2000 Simulationen - G_gamma

-100

-50

50

100

relativer Schtzfehler in %

Abbildung 4.7: Kugelradienverteilung G 1 , 2000 Simulationen.


10

50

4 Simulation
Um mehr Aussagen zu den Ergebnissen treffen zu konnen, werden wir f
ur die Histogramme als nachstes Dichten bestimmen, wobei die Dichten aus einem Kerndichteschatzer
mit einem Gaukern und der Dichte einer Normalverteilung bestehen werden.
Bei den Dichten der Normalverteilung werden f
ur die Bestimmung des Erwartungswertes
und der Standardabweichung dieselben Daten verwendet, welche wir f
ur den Aufbau der
Histogramme benutzt haben. Als Dichten erhalten wir dann:

0.005

0.010

Kerndichteschtzer
N ( 1.94 , 28.53 * 28.53 )

0.000

Dichten

0.015

Dichten - 2000 Simulationen - G_0

-100

-50

50

100

relativer Schtzfehler in %

Abbildung 4.8: Kugelradienverteilung G0 .

0.010

Kerndichteschtzer
N ( 1.41 , 24.34 * 24.34 )

0.000

Dichten

0.020

Dichten - 2000 Simulationen - G_gamma

-100

-50

50

100

relativer Schtzfehler in %

Abbildung 4.9: Kugelradienverteilung G 1 .


10

51

4 Simulation
Damit wickstat() u
berhaupt funktioniert, mussten wir bei der numerischen Berechnung
der Integrale die Genauigkeit der Berechnung beschranken, indem wir folgendes festgelegt haben : tol= 0,001 beziehungsweise tol= 0,01. In unserer Softwareumgebung f
uhrte
eine feinere Genauigkeit zum Abbruch der Funktion quadinf(). So wie jede Beschrankung,
so f
uhrt auch diese Beschrankung zu einer groeren Abweichung vom tatsachlichem Wert.
Bei den Simulationen haben wir jeweils 3000 kugelformige Einschl
usse in einer kompakten Menge erzeugt. Dabei waren die Radien der Einschl
usse jeweils G0 beziehungsweise G 1 verteilt. Unter Zuhilfenahme der Funktion set.seed() haben wir dann jeweils
10
eine Schranke u modelliert und erhielten f
ur G0 die Schranke u = 0,98 und f
ur G 1 die
10
Schranke u = 0,3.
Durch die Simulationen erhalten wir nun folgende Ergebnisse:
Beide Histogramme sind unimodal verteilt. Dabei besteht der Modalwert bei den
G0 Simulationen aus dem Intervall (5 %, 0 %] und bei den G 1 Simulationen aus
10
dem Intervall (0 %, 5 %]. Demnach liegen die am haufigsten beobachteten relativen
Schatzfehler aus allen Simulationen im Intervall (5 %, 5 %].
F
ur G0 verteilte Kugelradien erhalten wir als Mittelwert den Schatzfehler 1,94 %
und als Standardabweichung den Schatzfehler 28,53 %. Demnach besitzen circa
50 % aller Schatzfehler eine Abweichung vom Mittelwert von hochstens2 19,25 %.
Das heit, circa 50 % aller Schatzfehler befinden sich im Intervall
[0,0194 0,675 0,2853; 0,0194 + 0,675 0,2853] [17,32 %; 21,19 %].
F
ur G 1 verteilte Kugelradien erhalten wir als Mittelwert den Schatzfehler 1,41 %
10
und als Standardabweichung den Schatzfehler 24,34 %. Demnach besitzen circa
50 % aller Schatzfehler eine Abweichung vom Mittelwert von hochstens 16,42 %.
Das heit, circa 50 % aller Schatzfehler befinden sich im Intervall
[15,02 %; 17,83 %].
Unter Beru
ankungen, mit denen 0,u berechnet
cksichtigung der Beschr
wurde, kann 0,u durchaus fu
atzung der mittleren Fremdpartikelanr die Sch
zahl je Volumeneinheit in einem Stu
ck Stahl, zumindest als Hilfestellung,
verwendet werden.
2

0,675-Regel: 0,675 0,2853 0,1925.

52

5 Anhang
Integration mit R
Die hier folgenden Aussagen zur Integration entstanden im Rahmen dieser Masterarbeit.
Bei der Integration mit R m
ussen wir beachten, dass manche Integrale fehlerhaft
berechnet werden. So erhalten wir, zum Beispiele f
ur die Funktion h(x) = x12 , folgende
Resultate:
Z
1/x2 dx = 1,
1
1
2
3

h<f u n c t i o n ( x ) {1 /x 2}
i n t e g r a t e (h ,1 , Inf ) $ value )
[1] 1

1000

1/x2 dx 0,999,

1
1
2

i n t e g r a t e ( h , 1 , 1 e +3)$ v a l u e
[ 1 ] 0.999

1 000 000

1/x2 dx = ,

1
1
2

i n t e g r a t e ( h , 1 , 1 e +6)$ v a l u e
Fehler in i n t e g r a t e (h , 1 , 1000000) : the i n t e g r a l i s probably di ver ge nt

1 000 000 000

1/x2 dx 2 7 106 .

1
1
2

i n t e g r a t e ( h , 1 , 1 e +9)$ v a l u e
[ 1 ] 0.000002754479

53

5 Anhang
Setzen wir u = 2, = 0,6 und = 1,5 und berechnen mit R das Integral aus unserer
Extremwertstatistik 0,u , dann erhalten wir:

In der Hilfe von R beziehungsweise auf der CRAN-Homepage steht zur Integration folgendes: . . . an R function taking a numeric first argument and returning a numeric
vector of the same length. Returning a non-finite element will generate an error. Demnach kann ein Integral nicht berechnet werden, falls ein Funktionswert nicht existiert.
Alle anderen Hinweise beziehen sich auf die Beschrankung der numerischen Methoden.
Weitere Hinweise, warum manche Integrale nicht berechnet werden konnen, existieren
nicht - weder in der Fachliteratur noch auf der CRAN-Homepage.

10

Betrachten wir die Abbildung 5.1, so besitzt die Funktion g eine groere Steigung als
die Funktion f .

f(x)=sqrt(x^2-u^2)
g(x)=sigma*(1+gamma*((x-u)/sigma))^(1+1/gamma)

g(x)

u<2 ; sigma<0 . 6 ; gamma<1 . 5


f<f u n c t i o n ( x ) { s q r t ( x2u 2 ) }
g<f u n c t i o n ( x ) { sigma (1+gamma ( ( xu ) / sigma ) ) (1+1 /gamma) }
f f f<f u n c t i o n ( x ) { f ( x ) / g ( x ) }
i n t e g r a t e ( f f f , u , Inf ) $ value
Fehler in i n t e g r a t e ( f f f , u , I n f ) : the i n t e g r a l i s probably divergent

f(x)

10

Abbildung 5.1: Funktion f und g.


F
uhren wir nun mit R eine Berechnung durch, so erhalten wir f
ur x = 154,10154 ,10155
folgende Resultate:

54

5 Anhang

1
2
3
4
5
6
7
8
9
10
11

g ( 1 5 4 )>f ( 1 5 4 )
[ 1 ] TRUE
da g ( 1 5 4 ) = 1 2 0 1 4 . 1 5 und f ( 1 5 4 ) = 1 5 3 . 9 8 7
#######################################
g ( 1 e +154)>f ( 1 e +154)
[ 1 ] TRUE
da g ( 1 e +154) = 1 . 2 8 2 4 8 2 e +257 und f ( 1 e +154) = 1 e +154
#######################################
g ( 1 e +155)>f ( 1 e +155)
[ 1 ] FALSE
da g ( 1 e +155) = 5 . 9 5 2 7 5 4 e +258 und f ( 1 e +155) = I n f

In den eben durchgef


uhrten Berechnungen finden wir die Aussagen:
f (154) 1,5 102 ,

g(154) 1,2 104 ,

f (10154 ) = 10154 ,

g(10154 ) 1,2 10257 ,

f (10155 ) = ,

g(10155 ) 5,9 10258 .

Hieraus konnen wir schlussfolgern, dass manche groen Zahlen, unabhangig von der
tatsachlichen Groe, falschlicherweise gleich gesetzt werden. Denn eigentlich m
usste
R den Funktionswert von g in der letzten Berechnung eher gleich setzen und nicht
den Funktionwert von f , da die Funktion g eine viel groere Steigung besitzt als die
Funktion f .
Mochten wir das Integral aus der Extremwertstatistik 0,u trotzdem berechnen, so
m
ussen wir einen Umweg einschlagen. Wir m
ussen die Funktionen f so anpassen, dass
bei der Berechnung der Funktionswerte das Ergebnis nicht angenommen wird.
Dieses kann erreicht werden, wenn wir vor der Integralberechnung folgende Substitution1 durchf
uhren:
t = exp(x) x = log(t).

Diese ergab sich durch Ausprobieren.

55

5 Anhang
Bemerkung 5.1 (Substitution) Es ist allgemein bekannt, dass f
ur alle x > 0 folgende
Aussage gilt:
exp(log(x)) = log(exp(x)) = x.
Wenden wir nun diese Aussage auf die Funktionen f und g an, so erhalten wir f
ur
x = 154:
1
2
3
4
5
6
7
8
9
10
11
12
13
14

1
2
3
4
5
6
7
8
9
10
11
12
13
14

#######################################
########### exp ( l o g ( ) ) ##############
#######################################
exp ( l o g ( g ( 1 5 4 ) ) )>exp ( l o g ( f ( 1 5 4 ) ) )
[ 1 ] TRUE
da exp ( l o g ( g ( 1 5 4 ) ) ) = 1 2 0 1 4 . 1 5 und exp ( l o g ( f ( 1 5 4 ) ) ) = 1 5 3 . 9 8 7
#######################################
exp ( l o g ( g ( 1 e +154) ) )>exp ( l o g ( f ( 1 e +154) ) )
[ 1 ] TRUE
da exp ( l o g ( g ( 1 e +154) ) ) = 1 . 2 8 2 4 8 2 e +257 und exp ( l o g ( f ( 1 e +154) ) ) = 1 e +154
#######################################
exp ( l o g ( g ( 1 e +155) ) )>exp ( l o g ( f ( 1 e +155) ) )
[ 1 ] FALSE
da exp ( l o g ( g ( 1 e +155) ) ) = 5 . 9 5 2 7 5 4 e +258 und exp ( l o g ( f ( 1 e +155) ) ) = I n f

#######################################
########### l o g ( exp ( ) ) ##############
#######################################
l o g ( exp ( g ( 1 5 4 ) ) )>l o g ( exp ( f ( 1 5 4 ) ) )
[ 1 ] TRUE
da l o g ( exp ( g ( 1 5 4 ) ) ) = I n f und l o g ( exp ( f ( 1 5 4 ) ) ) = 1 5 3 . 9 8 7
#######################################
l o g ( exp ( g ( 1 e +154) ) )>l o g ( exp ( f ( 1 e +154) ) )
[ 1 ] FALSE
da l o g ( exp ( g ( 1 e +154) ) ) = I n f und l o g ( exp ( f ( 1 e +154) ) ) = I n f
#######################################
l o g ( exp ( g ( 1 e +155) ) )>l o g ( exp ( f ( 1 e +155) ) )
[ 1 ] FALSE
da l o g ( exp ( g ( 1 e +155) ) ) = I n f und l o g ( exp ( f ( 1 e +155) ) ) = I n f

Somit berechnet R f
ur exp(log()) ein anderes Ergebnis als f
ur log(exp()). Zudem werden Funktionswerte gleich angenommen. Bei einer Substitution m
ussen wir daher
darauf achten, dass genau dieses nach einer Substitution nicht passiert.

56

5 Anhang
F
uhren wir nun eine Substitution mit t = exp(x) durch, so erhalten wir:
Z
0

eu

p
(( log(t))2 u2 )
)(1+1/) t
(1 + ( log(t))u

dt.

Die Berechnung mit R ergibt dann:


1
2
3
4
5
6
7
8

1
2
3
4
5
6
7
8

#######################################
###### Vor d e r S u b s t i t u t i o n ###########
#######################################
f<f u n c t i o n ( x ) { s q r t ( x2u 2 ) }
g<f u n c t i o n ( x ) { sigma (1+gamma ( ( xu ) / sigma ) ) (1+1 /gamma) }
f f f<f u n c t i o n ( x ) { f ( x ) / g ( x ) }
i n t e g r a t e ( f f f , u , Inf ) $ value
Fehler in i n t e g r a t e ( f f f , u , I n f ) : the i n t e g r a l i s probably divergent

#######################################
###### Nach d e r S u b s t i t u t i o n ##########
#######################################
f f<f u n c t i o n ( x ) { s q r t (( l o g ( x ) ) 2u 2 ) }
gg<f u n c t i o n ( x ) { sigma (1+gamma ((( l o g ( x ) )u ) / sigma ) ) (1+1 /gamma) }
f f f 1<f u n c t i o n ( x ) { f f ( x ) / ( gg ( x ) x ) }
i n t e g r a t e ( f f f 1 , 0 , exp(u ) ) $ v a l u e
[ 1 ] 9.254121

Durch diese simple Umformung haben wir es geschafft, dass das Integral aus der Extremwertstatistik doch mit R berechnet werden kann.
Wenden wir dieselbe Substitution auf die Integrale mit dem Integranden h(x) =
an, so f
uhrt dieser Weg auch hier zum gew
unschten Ziel:
1
2
3
4
5
6
7
8
9

#######################################
###### Vor d e r S u b s t i t u t i o n ###########
#######################################
h<f u n c t i o n ( x ) {1 /x 2}
i n t e g r a t e (h ,1 , Inf ) $ value )
[1] 1
i n t e g r a t e ( h , 1 , 1 e +3)$ v a l u e
[ 1 ] 0.999
i n t e g r a t e ( h , 1 , 1 e +6)$ v a l u e

57

1
x2

5 Anhang
10
11
12

1
2
3
4
5
6
7
8
9
10
11
12

Fehler in i n t e g r a t e (h , 1 , 1000000) : the i n t e g r a l i s probably di ver ge nt


i n t e g r a t e ( h , 1 , 1 e +9)$ v a l u e
[ 1 ] 0.000002754479

#######################################
###### Nach d e r S u b s t i t u t i o n ##########
#######################################
h1<f u n c t i o n ( x ) { ( 1 / ((( l o g ( x ) ) 2 ) x ) ) }
i n t e g r a t e ( h1 , 0 , exp ( 1) ) $ v a l u e
[ 1 ] 0.9974389
i n t e g r a t e ( h1 , exp ( 103) , exp ( 1) ) $ v a l u e
[ 1 ] 0.9974389
i n t e g r a t e ( h1 , exp ( 106) , exp ( 1) ) $ v a l u e
[ 1 ] 0.9974389
i n t e g r a t e ( h1 , exp ( 109) , exp ( 1) ) $ v a l u e
[ 1 ] 0.9974389

Demnach m
ussen wir bei der Integration mit R folgendes beachten:
Die Meldung: Fehler in integrate(, , ) : the integral is probably divergent, kann
richtig oder falsch sein.
Manche Integrale werden falsch berechnet, da Funktionswerte falschlicherweise
gleich gesetzt werden. Wir konnen allerdings dieses Problem durch eine geschickte Substitution beheben.
Die verwendeten numerischen Methoden konnen allerdings auch zum Abbruch
einer Integration f
uhren.
Eine fehlerfreie Integration hangt auch von der Systemumgebung ab. Die bei uns
verwendete Umgebung war:
1
2
3

R v e r s i o n 3 . 2 . 1 (2015 06 18)
P l a t f o r m : x86 64apple darwin13 . 4 . 0 (64 b i t )
Running under : OS X 1 0 . 1 0 . 5 ( Yosemite )

58

5 Anhang

R Code der Funktion wickstat()

sessionInfo()
1
2
3

R v e r s i o n 3 . 2 . 1 (2015 06 18)
P l a t f o r m : x86 64apple darwin13 . 4 . 0 (64 b i t )
Running under : OS X 1 0 . 1 0 . 5 ( Yosemite )

4
5
6

locale :
[ 1 ] de DE.UTF8/ de DE.UTF8/ de DE.UTF8/C/ de DE.UTF8/ de DE.UTF8

7
8
9

attached base packages :


[ 1 ] grid
stats
graphics
base

grDevices u t i l s

datasets

methods

10
11
12

other attached packages :


[ 1 ] g r i d E x t r a 2 . 0 . 0 pracma 1 . 8 . 3

13
14
15

l o a d e d v i a a namespace ( and not a t t a c h e d ) :


[ 1 ] tools 3.2.1 gtable 0.1.2

wickstat()
1

### E i n g a b e f e h l e r und a l l g e m e i n e F e h l e r werden a b g e f a n g e n . . . .

2
3
4
5
6
7
8
9
10
11
12
13
14
15

w i c k s t a t<f u n c t i o n ( Anzahl , seed , V e r t e i l u n g )


{
tryCatch ( w i c k s t a t 1 ( Anzahl , seed , V e r t e i l u n g ) , warning = f u n c t i o n (w)
{ cat ( Allgemeiner Fehler ,
S i m u l a t i o n konnte n i c h t d u r c h g e f u
h r t werden . . . . , \n ) } ,
error = function ( e )
{
c a t ( ################################################ , \n )
c a t ( S i m u l a t i o n / en konnte /n n i c h t d u r c h g e f u
h r t werden . , \n )
c a t ( F
u r H i l f e w i c k s t a t ( 0 , 0 , 0 ) a u f r u f e n . , \n )
c a t ( B i t t e a u f Eingabeparameter a c h t e n . , \n )
cat ( M
o g l i c h e r w e i s e f e h l t Paket pracma . , \n )
c a t ( ################################################ , \n )

59

5 Anhang
})

16
17

18
19

### Z u s a t z p a k e t e w e l c h e b e n
o t i g t werden . . . .

20
21
22
23

l i b r a r y ( pracma )
l i b r a r y ( gridExtra )
library ( grid )

# quadinf () Integralberechnung
# grafische Darstellung
# grafische Darstellung

24
25

### Hauptfunktion f u
r die Simulation . . . .

26
27

w i c k s t a t 1<f u n c t i o n ( Anzahl , seed , V e r t e i l u n g ) {

28
29

### E r l
a u t e r u n g d e r Funktion w i c k s t a t ( ) . . . .

30

H i l f e<
######################################################################\
33 Die Funktion w i c k s t a t ( Anzahl , seed , V e r t e i l u n g ) : \
34 ######################################################################\
35 ######################################################################\
36 Anzahl :
zul
a s s i g e Werte 1 , 2 , 3 , 4 , 5 , . . . , n
(n natu
r l i c h e Zahlen ) . \
37 w i c k s t a t ( n , , ) Anzahl d e r S i m u l a t i o n e n . \
38 ######################################################################\
39 s e e d :
zul
a s s i g e Werte 0 o d e r 1 . \
40 w i c k s t a t ( , 0 , ) z u f
a l l i g e r Startwert der e r s t e n Stichprobe , \
41 w i c k s t a t ( , 1 , ) f e s t e r S t a r t w e r t d e r e r s t e n S t i c h p r o b e . \
42 ######################################################################\
43 V e r t e i l u n g :
zul
a s s i g e Werte 0 o d e r 1 . \
44 w i c k s t a t ( , , 0 ) K u g e l r a d i e n b e s i t z e n d i e V e r t e i l u n g G 0 , \
45 w i c k s t a t ( , , 1 ) K u g e l r a d i e n b e s i t z e n d i e V e r t e i l u n g G gamma . \
46 ######################################################################\
47 ######################################################################\
48 Es werden f o l g e n d e Pakete b e n
otigt :
49
pracma I n t e g r a l b e r e c h n u n g ,
50 g r i d E x t r a und g r i d g r a f i s c h e D a r s t e l l u n g .
51 ######################################################################\
52 ######################################################################\
31
32

53
54
55
56
57

i f ( Anzahl>=1
Anzahl>=1
Anzahl>=1
Anzahl>=1

&&
&&
&&
&&

round ( Anzahl )==Anzahl


round ( Anzahl )==Anzahl
round ( Anzahl )==Anzahl
round ( Anzahl )==Anzahl

60

&&
&&
&&
&&

s e e d==0
s e e d==1
s e e d==0
s e e d==1

&&
&&
&&
&&

V e r t e i l u n g==0 |
V e r t e i l u n g==0 |
V e r t e i l u n g==1 |
V e r t e i l u n g ==1)

5 Anhang
58

59
60

c a t ( ################################################ , \n )

61
62
63

p<3000
n<Anzahl

# Anzahl d e r E i n s c h l u
sse
# Anzahl d e r S i m u l a t i o n e n

64
65

### V e r t e i l u n g d e r K u g e l r a d i e n . . . .

66
67
68
69
70
71
72

i f ( V e r t e i l u n g ==1)
{
V< G gamma
u<0 . 3 ; sigma<0 . 4 ; gamma<0 . 4
c a t ( Es wurde d i e V e r t e i l u n g G gamma g e w a h l t und , \n )
}

73
74
75
76
77
78
79

i f ( V e r t e i l u n g ==0)
{
V< G 0
u = 0 . 9 8 ; sigma = 0 . 5 ; gamma=0.5
c a t ( Es wurde d i e V e r t e i l u n g G 0 g e w a h l t und , \n )
}

80
81

o p t i o n s ( s c i p e n =100)

# Fliekommazahlen

82
83
84
85

m a t r i x 1 s<0
matrix1<matrix ( 1 , Anzahl +6 ,5)
r f<0

86
87
88
89
90
91
92
93
94
95
96
97
98
99

i f ( s e e d ==1)
{
i f ( n>1)
{ c a t ( e i n f e s t e r S t a r t w e r t d e r e r s t e n S t i c h p r o b e . , \n ) }
i f ( n==1)
{ c a t ( e i n f e s t e r S t a r t w e r t d e r S t i c h p r o b e . , \n ) }
c a t ( ################################################ , \n )
} else
{ i f ( n>1)
{ c a t ( e i n b e l i e b i g e r S t a r t w e r t d e r e r s t e n S t i c h p r o b e . , \n ) }
i f ( n==1)
{ c a t ( e i n b e l i e b i g e r S t a r t w e r t d e r S t i c h p r o b e . , \n ) }
c a t ( ################################################ , \n )

61

5 Anhang
100
101
102
103

}
i f ( n>1){ c a t ( S i m u l a t i o n e n werden d u r c h g e f u
h r t . . . . , \n ) }
i f ( n==1){ c a t ( S i m u l a t i o n wird d u r c h g e f u
h
r
t . . . . , \n ) }
c a t ( ################################################ , \n )

104
105

### H a u p t s c h l e i f e . . . .

106
107

for ( i i i in 1: n){

108
109
110
111

i f ( s e e d ==1){
s e t . s e e d (942002+ i i i )
}

112
113

### Z u f a l l s z a h l e n

114
115
116
117
118
119
120

x1<100
r u n i f ( p , min=100,max=100)
r u n i f ( p , min=100,max=100)
z<r u n i f ( p , min=100,max=100)
r g<r u n i f ( p , min=0,max=1)
r g 1<r g

121
122

i f ( V e r t e i l u n g ==0){
for ( i in 1: p){
r g 1 [ i ]<( l o g ( l o g ( r g [ i ] ) ) )
r g 1 [ i ]<abs ( r g 1 [ i ] )
}}

123
124
125
126
127
128

i f ( V e r t e i l u n g ==1){
gamma1=0.1
for ( i in 1: p){
r g 1 [ i ]<((( l o g ( r g [ i ] ) ) (gamma1) ) 1)/gamma1
r g 1 [ i ]<abs ( r g 1 [ i ] )
}
}

129
130
131
132
133
134
135
136

r<r g 1

137
138
139
140
141

zp<z
for ( i in 1: p){
i f ( z [ i ] <0) { zp [ i ]<z [ i ] ( 1) }
}

62

5 Anhang
142
143
144
145
146
147
148

s<0 ; j<1 ;
for ( i in 1: p){
i f ( zp [ i ]< r [ i ] ) {
s [ j ]<( s q r t ( r [ i ] r [ i ] zp [ i ] zp [ i ] ) ) ; j<j +1
}
}

149
150
151

k<1 ; su<0
# su : sWerte >= u
f o r ( i i n 1 : l e n g t h ( s ) ) { i f ( s [ i ]>u ) { su [ k ]<s [ i ] ; k<k+1}}

152
153
154

k<1 ; ru<0
# ru : rWerte >= u
f o r ( i i n 1 : p ) { i f ( r [ i ]>u ) { ru [ k ]<r [ i ] ; k<k+1}}

155
156
157
158
159
160
161
162
163
164
165
166
167
168

f 5<f u n c t i o n ( r , s , sigma ) {1 / (
((( l o g ( r ) ) 2 s 2 ) ( 0 . 5 ) ) r sigma exp ((( l o g ( r ) )u ) / sigma )
)}
f 6<f u n c t i o n ( r , sigma ) {((( l o g ( r ) ) 2u 2 ) 0 . 5 ) / (
r sigma exp ((( l o g ( r ) )u ) / sigma )
)}
f 7<f u n c t i o n ( r , s , sigma , gamma) {1 / (
((( l o g ( r ) ) 2 s 2 ) ( 0 . 5 ) ) r sigma
((1+gamma ((( l o g ( r ) )u ) / sigma ) ) (1+1 /gamma) )
)}
f 8<f u n c t i o n ( r , sigma , gamma) {((( l o g ( r ) ) 2u 2 ) 0 . 5 ) / (
r sigma ((1+gamma ((( l o g ( r ) )u ) / sigma ) ) (1+1 /gamma) )
)}

169
170

### I n t e g r a l b e r e c h n u n g . . . .

171
172
173
174
175
176
177
178
179
180
181
182
183

l o g a<f u n c t i o n ( su , sigma ) {
tryCatch ( su ( q u a d i n f ( f5 , 0 , exp(su ) , t o l =0.001 , s=su , sigma=sigma ) $Q)
, warning = f u n c t i o n (w) {1 e4 } , e r r o r = f u n c t i o n ( e ) {1 e4 } )
}
l o g b<f u n c t i o n ( sigma ) {
tryCatch ( ( q u a d i n f ( f6 , 0 , exp(u ) , t o l =0.001 , sigma=sigma ) $Q)
, warning = f u n c t i o n (w) {1 e4 } , e r r o r = f u n c t i o n ( e ) {1 e4 } )
}
l o g c<f u n c t i o n ( su , sigma , gamma) {
tryCatch ( su ( q u a d i n f ( f7 , 0 , exp(su ) ,
s=su , t o l =0.001 , sigma=sigma , gamma=gamma) $Q)
, warning = f u n c t i o n (w) {1 e4 } , e r r o r = f u n c t i o n ( e ) {1 e4 } )

63

5 Anhang
184
185
186
187
188
189
190
191

192
193
194
195
196
197
198

}
l o g d<f u n c t i o n ( sigma , gamma) {
tryCatch ( ( q u a d i n f ( f8 , 0 , exp(u ) , t o l =0.001 , sigma=sigma , gamma=gamma) $Q)
, warning = f u n c t i o n (w) {1 e4 } , e r r o r = f u n c t i o n ( e ) {1 e4 } )
}
l o g e<f u n c t i o n ( su , sigma , gamma) {
tryCatch ( ( su ( q u a d i n f ( f7 , exp ( (1 / round ( abs (gamma) , 1 ) ) ) , exp(su ) ,
t o l =0.01 , s=su , sigma=sigma , gamma=round (gamma , 1 ) ) $
Q) )
, warning = f u n c t i o n (w) { 1 } , e r r o r = f u n c t i o n ( e ) { 1 } )
}
l o g f<f u n c t i o n ( sigma , gamma) {
tryCatch ( ( q u a d i n f ( f8 , exp ( (1 / round ( abs (gamma) , 1 ) ) ) , exp(u ) ,
t o l =0.01 , sigma=sigma , gamma=round (gamma , 1 ) ) $Q)
, warning = f u n c t i o n (w) { exp ( 1 e4 ) } , e r r o r = f u n c t i o n ( e ) { exp ( 1 e4 ) } )
}

199
200

### L i k e l i h o o d Funktion . . . .

201
202
203
204
205
206
207
208

mf1<f u n c t i o n ( sigma ) {
sum1<0
f o r ( i i n 1 : l e n g t h ( su ) ) {
sum1<sum1l o g ( l o g a ( su [ i ] , sigma ) ) }
sum1<sum1+( l e n g t h ( su ) l o g ( l o g b ( sigma ) ) )
r e t u r n ( sum1 )
}

209
210
211
212
213
214
215
216

mf2<f u n c t i o n ( sigma , gamma) {


sum2<0
f o r ( i i n 1 : l e n g t h ( su ) ) {
sum2<sum2l o g ( l o g c ( su [ i ] , sigma , gamma) ) }
sum2<sum2+( l e n g t h ( su ) l o g ( l o g d ( sigma , gamma) ) )
r e t u r n ( sum2 )
}

217
218
219
220
221
222
223
224

mf3<f u n c t i o n ( sigma , gamma) {


sum3<0
f o r ( i i n 1 : l e n g t h ( su ) ) {
sum3<sum3l o g ( l o g e ( su [ i ] , sigma , gamma) ) }
sum3<sum3+l e n g t h ( su ) l o g ( l o g f ( sigma , gamma) )
i f ( sum3==I n f | sum3 <0|sum3==0){ r e t u r n ( 1 e4 ) } e l s e { r e t u r n ( sum3 ) }
}

64

5 Anhang
225
226
227
228
229
230
231
232
233
234

235
236

sumo<0
adc<round (( 1 /max( su ) ) , 2 )
f n 1<f u n c t i o n (pm) {
sumo<1 e4
i f (pm[1] <=0 && pm[ 2 ] > 0 ) {sumo<1 e4 ; r e t u r n ( sumo ) } ;
i f (pm[1] <=0 && pm[2] <=0) {sumo<1 e4 ; r e t u r n ( sumo ) } ;
i f (pm[1] >0 && pm[2]==0) {sumo<mf1 (pm [ 1 ] ) ; r e t u r n ( sumo ) } ;
i f (pm[1] >0 && pm[ 2 ] > 0 ) {sumo<mf2 (pm [ 1 ] , pm [ 2 ] ) ; r e t u r n ( sumo ) } ;
i f (pm[1] >0 && pm[2] <0 && pm[2] >= adc ) {sumo<mf3 (pm [ 1 ] , pm [ 2 ] ) ; r e t u r n (
sumo ) } ;
i f (pm[1] >0 && pm[2] < adc ) {sumo<1 e4 ; r e t u r n ( sumo ) } ;
}

237
238
239
240
241

f n<f u n c t i o n (pm) {
tryCatch ( f n 1 (pm) , warning = f u n c t i o n (w) {1 e4 } ,
e r r o r = f u n c t i o n ( e ) {1 e4 } )
}

242
243

### Maximierung d e r L i k e l i h o o d Funktion

244
245
246

newton<( optim (pm < c ( sigma , gamma) , fn , h e s s i a n=FALSE,


l o w e r = I n f , upper = I n f , method = ( LBFGSB ) ) $ par )

247
248
249

### S c h
a t z e r m i t t l e r e K u g e l a n z a h l j e Volumeneinheit ,
### F e h l e r a n a l y s e . . . .

250
251
252
253
254
255

256

257

258
259
260

ansigma<newton [ 1 ] ; angamma<newton [ 2 ]
l e b e q<x1 2 x1 2
a l o g b 1<0 ; a l o g b 2<0 ; a l o g b 3<0
i f ( angamma==0){ a l o g b 1<( q u a d i n f ( f6 , 0 , exp(u ) , sigma=ansigma ) $Q) }
i f ( angamma>0){ a l o g b 2<( q u a d i n f ( f8 , 0 , exp(u ) , sigma=ansigma , gamma=angamma )
$Q) }
i f ( angamma<0){ a l o g b 3<( q u a d i n f ( f8 , exp ( (1 / ( round ( abs ( angamma ) , 1 ) ) ) ) , exp
(u ) ,
t o l =0.01 , sigma=ansigma , gamma=round (
angamma , 1 ) ) $Q) }
i f ( alogb1 >0){ d e l t a a p p r o x<( ( l e n g t h ( su ) ) / ( 2 l e b e q a l o g b 1 ) ) }
i f ( alogb2 >0){ d e l t a a p p r o x<( ( l e n g t h ( su ) ) / ( 2 l e b e q a l o g b 2 ) ) }
i f ( alogb3 >0){ d e l t a a p p r o x<( ( l e n g t h ( su ) ) / ( 2 l e b e q a l o g b 3 ) ) }

261
262

l e b e q 2<l e b e q ( x1 2 )

65

5 Anhang
d e l t a a<l e n g t h ( ru ) / l e b e q 2
d e l t a a p p r o x 1<d e l t a a p p r o x l e b e q 2
d e l t a x<abs ( round ( l e n g t h ( ru )d e l t a a p p r o x 1 ) )

263
264
265
266

matrix1 [ i i i +2 ,1]<p a s t e ( i i i , von , Anzahl )


matrix1 [ i i i +2 ,2]<p
matrix1 [ i i i +2 ,3]<l e n g t h ( ru )

267
268
269
270

i f ( d e l t a x <l e n g t h ( ru ) ) {
matrix1 [ i i i +2 ,4]<round ( d e l t a a p p r o x l e b e q 2 ) } e l s e { matrix1 [ i i i +2 ,4]<
Fehler }

271
272

273

i f ( d e l t a x <l e n g t h ( ru ) ) {
matrix1 [ i i i +2 ,5]<
round ( ( round ( d e l t a a p p r o x , 9 )round ( d e l t a a , 9 ) )
/ ( round ( d e l t a a , 9 ) ) 1 0 0 , 2 ) ; r f [ i i i ]<1
} e l s e { matrix1 [ i i i +2 ,5]<( ) ; r f [ i i i ]<0}

274
275
276
277
278
279

i f ( d e l t a x <l e n g t h ( ru ) ) {
cat ( Sch
a t z f e h l e r S i m u l a t i o n , i i i , von , Anzahl , : , matrix1 [ i i i + 2 , 5 ] , %
, \n )
} else {
cat ( Sch
a t z f e h l e r S i m u l a t i o n , i i i , von , Anzahl , : , F e h l e r , \n ) }

280
281

282
283
284
285

# Ende d e r H a u p t s c h l e i f e . . . .

286
287

### C o n s o l e p r i n t und g r a f i s c h e D a r s t e l l u n g . . . .

288
289
290
291
292
293
294

i f ( V e r t e i l u n g ==0){ t i t e l<c (V, , E i n s c h l u


sse
r e l a t i v e r Fehler
i f ( V e r t e i l u n g ==1){ t i t e l<c (V, , E i n s c h l u
sse
r e l a t i v e r Fehler
k o p f z<c ( S i m u l a t i o n , E i n s c h l u
sse ,
p a s t e ( mit r > , u ) , p a s t e ( mit r >

, g e s c h a t z t e Anzahl ,
)}
, g e s c h a t z t e Anzahl ,
)}
, u ) , i n % )

295
296
297
298

matrix1 [ 1 , ]< t i t e l
matrix1 [ 2 , ]<k o p f z
matrix1 [ ( Anzahl +3) , ]<c ( === , === , === , === , === )

299
300
301

lm<l e n g t h ( matrix1 [ 3 : ( Anzahl +2) , 5 ] )


ma<matrix1 [ 3 : ( Anzahl +2) , 5 ]

302

66

5 Anhang
303
304
305
306

i 2<1
f o r ( i i n 1 : lm ) {
i f ( r f [ i ]==1){ m a t r i x 1 s [ i 2 ]<ma [ i ] ; i 2<i 2 +1}
}

307
308

m a t r i x 1 s<a s . numeric ( m a t r i x 1 s )

309
310
311
312
313
314

matrix1 [ ( Anzahl +4) , ]<c (

,
,
,
,
)

315
316
317
318
319
320
321
322

matrix1 [ ( Anzahl +5) , ]<c ( ,


,
,
i f ( l e n g t h ( m a t r i x 1 s )==1){ } e l s e {
arithmetisches Mittel : } ,
i f ( l e n g t h ( m a t r i x 1 s )==1){ } e l s e {
round ( mean ( m a t r i x 1 s ) , 2 ) } )

323
324
325
326
327
328
329
330

matrix1 [ ( Anzahl +6) , ]<c ( ,


,
,
i f ( i s . na ( round ( sd ( m a t r i x 1 s ) , 2 ) ) ) { }
e l s e { Standardabweichung : } ,
i f ( i s . na ( round ( sd ( m a t r i x 1 s ) , 2 ) ) ) { }
e l s e { round ( sd ( m a t r i x 1 s ) , 2 ) } )

331
332

i f ( Anzahl==1){ data<matrix1 [ 1 : ( Anzahl +2) , ] }

333
334

i f ( Anzahl >1 && Anzahl <=5){ data<matrix1 [ 1 : ( Anzahl +6) , ] }

335
336
337
338
339
340
341
342

i f ( Anzahl >5){
matrix1 [ 8 , ]<c ( . . . , . . . , . . . , . . . , . . . )
matrix1 [ 9 , ]<matrix1 [ ( Anzahl +4) , ]
matrix1 [ 1 0 , ]<matrix1 [ ( Anzahl +5) , ]
matrix1 [ 1 1 , ]<matrix1 [ ( Anzahl +6) , ]
data<matrix1 [ 1 : 1 1 , ]
}

343
344

tryCatch ( g r i d . newpage ( ) , warning = f u n c t i o n (w)

67

5 Anhang
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367

{
c a t ( ################################################ , \n )
c a t ( G r a f i k konnte n i c h t e r s t e l l t werden . , \n )
c a t ( Paket g r i d f e h l t . , \n )
c a t ( ################################################ , \n )
} , error = function ( e ){
c a t ( ################################################ , \n )
c a t ( G r a f i k konnte n i c h t e r s t e l l t werden . , \n )
c a t ( Paket g r i d f e h l t . , \n )
c a t ( ################################################ , \n )
})
tryCatch ( g r i d . t a b l e ( data , rows = rownames ( ) ) , warning = f u n c t i o n (w)
{
c a t ( ################################################ , \n )
c a t ( G r a f i k konnte n i c h t e r s t e l l t werden . , \n )
c a t ( Paket g r i d E x t r a f e h l t . , \n )
c a t ( ################################################ , \n )
} , error = function ( e ){
c a t ( ################################################ , \n )
c a t ( G r a f i k konnte n i c h t e r s t e l l t werden . , \n )
c a t ( Paket g r i d E x t r a f e h l t . , \n )
c a t ( ################################################ , \n )
})

368
369

i f ( Anzahl >1 && Anzahl <=5){

370
371
372
373
374
375
376
377
378

i f ( l e n g t h ( m a t r i x 1 s )==1){ } e l s e {
c a t ( ################################################ , \n )
c a t ( a r i t h m e t i s c h e s M i t t e l : , matrix1 [ ( Anzahl +5) , 5 ] , % , \n )
}
i f ( i s . na ( round ( sd ( m a t r i x 1 s ) , 2 ) ) ) { } e l s e {
c a t ( Standardabweichung : , matrix1 [ ( Anzahl +6) , 5 ] , % , \n )
}
}

379
380

i f ( Anzahl >5){

381
382
383
384
385
386

i f ( l e n g t h ( m a t r i x 1 s )==1){ } e l s e {
c a t ( ################################################ , \n )
c a t ( a r i t h m e t i s c h e s M i t t e l : , matrix1 [ 1 0 , 5 ] , % , \n )
}
i f ( i s . na ( round ( sd ( m a t r i x 1 s ) , 2 ) ) ) { } e l s e {

68

5 Anhang
c a t ( Standardabweichung : , matrix1 [ 1 1 , 5 ] , % , \n )
}
}

387
388
389
390
391
392
393

394
395
396

c a t ( ################################################ , \n )
i f ( n>1){ c a t ( S i m u l a t i o n e n s i n d a b g e s c h l o s s e n . , \n ) }
i f ( n==1 && matrix1 [ i i i +2 ,5] != ) { c a t ( S i m u l a t i o n i s t a b g e s c h l o s s e n . , \n )
}
i f ( n==1 && matrix1 [ i i i +2,5]== )
{ c a t ( S i m u l a t i o n konnte n i c h t d u r c h g e f u
h r t werden . . . . , \n ) }
}
# Ende e r s t e i f Abfrage . . .

397
398
399
400
401
402
403
404
405

e l s e { i f ( Anzahl==0 && s e e d==0 && V e r t e i l u n g ==0){ c a t ( H i l f e , \n ) }


else {
c a t ( ################################################ , \n )
c a t ( S i m u l a t i o n / en konnte /n n i c h t d u r c h g e f u
h r t werden . , \n )
c a t ( B i t t e a u f Eingabeparameter a c h t e n . , \n )
c a t ( F
u r H i l f e w i c k s t a t ( 0 , 0 , 0 ) a u f r u f e n . , \n )
c a t ( ################################################ , \n )
}

406

} # Ende e r s t e i f e l s e Abfrage . . .

407
408
409

# Ende w i c k s t a t 1 ( ) . . . .

410
411
412
413

c a t ( ######################################### , \n )
c a t ( F
u r H i l f e w i c k s t a t ( 0 , 0 , 0 ) a u f r u f e n . . . . . , \n )
c a t ( ######################################### , \n )

69

Literaturverzeichnis
[1] C. W. Anderson and S. G. Coles. The largest inclusions in a piece of steel. Extremes
5(3): pages 237252. New York: Springer US, 2003.
[2] H. Dress and R.-D. Reiss. Tail behavior in Wicksells corpuscle problem. Probability
theory and applications. Essays to the memory of Jozsef Mogyorodi: pages 205220.
Dordrecht: Kluwer Academic Publishers, 1992.
[3] M. Falk, J. H
usler, and R.-D. Reiss. Laws of small numbers: extremes and rare
events. Basel: Birkhauser, 3rd revised and extended edition, 2011.
[4] R.-D. Reiss. A course on point processes. New York: Springer, 1993.
[5] R.-D. Reiss and M. Thomas. Statistical analysis of extreme values. With applications
to insurance, finance, hydrology and other fields. Basel: Birkhauser, 3rd extended
edition, 2007.
[6] Uwe Ligges. Programmieren mit R. Berlin: Springer, 2nd revised and extended
edition, 2007.

70

Eigenst
andigkeitserkl
arung
Ich versichere, dass ich die vorliegende schriftliche Masterarbeit selbstandig verfasst und
keine anderen als die angegebenen Quellen und Hilfsmittel benutzt habe.

Siegen, 15. Dezember 2015

.................................
Thomas Pollack