В теории вероятностей, неравенства концентрации определяют границы того, как случайный переменная отклоняется от некоторого значения (обычно от ее ожидаемого значения ). Закон больших чисел классической теории вероятностей гласит, что суммы независимых случайных величин при очень мягких условиях с большой вероятностью близки к их математическому ожиданию. Такие суммы являются наиболее простыми примерами случайных величин, сосредоточенных вокруг их среднего. Недавние результаты показывают, что такое поведение характерно и для других функций независимых случайных величин.
Неравенства концентрации можно отсортировать по тому, сколько информации о случайной величине необходимо для их использования.
Содержание
- 1 Неравенство Маркова
- 2 Неравенство Чебышева
- 3 Неравенство Высочанского – Петунина
- 4 Неравенство Пэли – Зигмунда
- 5 Неравенство Кантелли
- 6 Неравенство Гаусса
- 7 Границы Черноффа
- 8 Границы сумм независимых переменных
- 9 Неравенство Эфрона – Штейна
- 10 Неравенство Дворецкого – Кифера – Вулфовица
- 11 Неравенства антиконцентрации
- 12 Ссылки
- 13 Внешние ссылки
Неравенство Маркова
Пусть - неотрицательная случайная величина (почти наверняка ). Затем для каждой константы ,
Обратите внимание на следующее расширение неравенства Маркова: если строго возрастает и не -отрицательная функция, то
Неравенство Чебышева
Неравенство Чебышева требует следующей информации о случайной величине :
- Ожидаемое значение конечно.
- дисперсия конечно.
Тогда для любой константы ,
или, что эквивалентно,
где - стандартное отклонение от .
неравенство Чебышева может быть рассматривается как частный случай применения обобщенного неравенства Маркова к случайной величине с .
.
Неравенство Высочанского – Петунина
.
Неравенство Пэли – Зигмунда
.
Неравенство Кантелли
.
Неравенство Гаусса
.
Границы Чернова
Для общей границы Чернова требуется только моментная функция , определяется как: , если он существует. На основании неравенства Маркова для каждого :
и для каждого :
Существуют различные границы Чернова для разных распределений и разных значений параметра . См. компиляцию дополнительных неравенств концентраций.
Границы сумм независимых переменных
Пусть быть независимыми случайными величинами, такими, что для всех i:
- почти наверняка.
Пусть будет их суммой, его ожидаемым значение и его дисперсия:
Часто бывает интересно определить разницу между суммой и ее ожидаемым значением. Можно использовать несколько неравенств.
1. Неравенство Хёффдинга говорит, что:
2. Случайная величина является частным случаем мартингейла и . Следовательно, общая форма неравенства Адзумы также может быть использована, и она дает аналогичную оценку:
Это обобщение теории Хёффдинга, поскольку она может обрабатывать другие типы мартингалов, а также супермартингалы и субмартингалы. Обратите внимание, что если используется более простая форма неравенства Адзумы, показатель степени в оценке будет хуже в 4 раза.
3. Функция суммы, , является частным случаем функции n переменных. Эта функция изменяется ограниченным образом: при изменении переменной i значение f изменяется не более чем на
Это другое обобщение Хёффдинга, поскольку оно может обрабатывать и другие функции, помимо функции суммы, если они изменяются ограниченным образом.
4. Неравенство Беннета предлагает некоторое улучшение по сравнению с неравенством Хёффдинга, когда дисперсии слагаемых малы по сравнению с их почти верными границами C. В нем говорится, что:
- где
5. Первое из неравенств Бернштейна гласит, что:
Это является обобщением теории Хёффдинга, так как она может обрабатывать случайные величины не только с оценкой почти наверняка, но и с оценкой почти наверное и с оценкой дисперсии.
6. Границы Чернова имеют особенно простой вид в случае суммы независимых переменные, поскольку .
Например, предположим, что переменные удовлетворяет , для . Тогда у нас есть неравенство нижнего хвоста:
Если удовлетворяет , мы имеем неравенство верхнего хвоста:
Если являются iid, и - дисперсия , типичная версия неравенства Чернова:
7. Подобные оценки можно найти в: Распределение Радемахера # Границы сумм
Неравенство Эфрона – Стейна
Неравенство Эфрона – Стейна (или неравенство влияния, или оценка MG на дисперсию) ограничивает дисперсию общая функция.
Предположим, что , независимы с и с одинаковым распределением для всех .
Пусть Тогда
Неравенство Дворецкого – Кифера – Вулфовица
Неравенство Дворецкого – Кифера – Вулфовица ограничивает разницу между реальным и эмпирическим кумулятивным распределением function.
Дано натуральное число , пусть быть действительными независимыми и одинаково распределенными случайными величинами с кумулятивной функцией распределения F (·). Пусть обозначает связанную эмпирическую функцию распределения, определенную как
Итак, - это вероятность того, что одна случайная величина меньше, чем и - среднее количество случайных величин, меньших, чем .
Тогда
Anti- неравенства концентрации
Неравенства антиконцентрации, с другой стороны, обеспечивают верхнюю границу того, насколько случайная величина может концентрироваться вокруг некоторой величины.
Например, Рао и Иегудаофф показывают, что существует некоторые таким образом, что для большинства направлений гиперкуба верно следующее:
где - равномерно нарисованный из подмножества достаточно большого размера.
Такие неравенства важны в нескольких областях, включая сложность связи (например, в доказательствах проблемы Хэмминга ) и теории графов.
Интересное неравенство антиконцентрации для взвешенных сумм независимых случайных величин Радемахера может быть получено с помощью неравенств Пэли – Зигмунда и Хинчина.
Ссылки
Внешние ссылки
Картик Шридхаран, «Нежное введение в неравенство концентрации » - Корнельский университет