มีขอบเขตทั่วไปของ Bonferroni สไตล์ที่มีประสิทธิภาพเป็นที่รู้จักหรือไม่?


20

ปัญหาคลาสสิกในทฤษฎีความน่าจะเป็นคือการแสดงความน่าจะเป็นของเหตุการณ์ในแง่ของเหตุการณ์ที่เฉพาะเจาะจงมากขึ้น ในกรณีที่ง่ายที่สุดที่หนึ่งสามารถพูดB] Let 's เขียนABสำหรับเหตุการณ์A \ หมวก BA B A BP[AB]=P[A]+P[B]P[AB]ABAB

จากนั้นก็มีวิธีที่จะผูกP[Ai]โดยไม่มีการสมมติความเป็นอิสระของเหตุการณ์Aiมากมาย Bonferroni ให้ขอบเขตบน

P[Ai]P[Ai]
(บางครั้งก็เกิดจากBoole ) และ Kounias กลั่นสิ่งนี้ให้กับ
P[Ai]iP[Ai]maxjijP[AiAj].

โครงสร้างการพึ่งพาของเหตุการณ์สามารถถือได้ว่าเป็นกราฟไฮเปอร์ถ่วงน้ำหนักที่มีจุดยอดAiโดยมีน้ำหนักของขอบที่แสดงถึงความน่าจะเป็นของเหตุการณ์ที่เกี่ยวข้องกับการตัดกันของจุดยอดในขอบ

อาร์กิวเมนต์สไตล์การคัดออกจะพิจารณาชุดย่อยของเหตุการณ์ที่ใหญ่กว่าและใหญ่กว่าด้วยกัน เหล่านี้ผลผลิตขอบเขต Bonferroni ขอบเขตเหล่านี้ใช้น้ำหนักทั้งหมดของขอบขึ้นอยู่กับขนาดบางkk

ถ้าโครงสร้างการพึ่งพาอาศัยกันคือ "ดีพอ" จากนั้นLovász Local Lemma สามารถใช้ในการจำกัดความน่าจะเป็นจากค่าที่มากที่สุด 0 และ 1 ในทางตรงกันข้ามกับวิธี Bonferroni LLL ใช้ข้อมูลที่ค่อนข้างหยาบเกี่ยวกับโครงสร้างการพึ่งพา

ตอนนี้สมมติว่าน้ำหนักที่ค่อนข้างน้อยในโครงสร้างการพึ่งพาอาศัยกันไม่ใช่ศูนย์ นอกจากนี้สมมติว่ามีหลายเหตุการณ์ที่เป็นอิสระจากกัน แต่ยังไม่เป็นอิสระ (และโดยทั่วไปเป็นไปได้ว่าชุดเหตุการณ์kไม่ได้เป็นอิสระร่วมกัน แต่เป็นr -wise อิสระสำหรับทุก ๆr<k )

เป็นไปได้หรือไม่ที่จะใช้โครงสร้างการพึ่งพาของเหตุการณ์อย่างชัดเจนเพื่อปรับปรุงขอบเขต Bonferroni / Kounias ในวิธีที่สามารถคำนวณได้อย่างมีประสิทธิภาพ?

ฉันคาดหวังคำตอบคือใช่และจะขอบคุณพอยน์เตอร์สำหรับการอ้างอิง ฉันรู้ว่ากระดาษของฮันเตอร์จากปี 1976 แต่มันเกี่ยวข้องกับการพึ่งพาคู่ ฮันเตอร์พิจารณาทอดต้นไม้ในกราฟที่เกิดขึ้นจากการละเว้นขอบในโครงสร้างการพึ่งพาขนาด 3 หรือมากกว่า

  • เดวิดฮันเตอร์ผู้ถูกผูกมัดเพื่อความน่าจะเป็นของสหภาพวารสารความน่าจะเป็นประยุกต์13 597–603 http://www.jstor.org/stable/3212481

คำตอบ:


1

ฉันคิดว่าคุณจะพบคำตอบในกระดาษ "Approximate Inclusion-Exclusion" โดย Linial และ Nisan: http://www.cs.huji.ac.il/~nati/PAPERS/approx_incl_excl.pdf


สิ่งนี้ดูมีความเกี่ยวข้องสูง (ลิงค์อย่างเป็นทางการคือlink.springer.com/article/10.1007/BF02128670 ); นอกจากนี้ยังมีlink.springer.com/article/10.1007/BF01271266สำหรับติดตามผลโดย Jeff Kahn, Nathan Linial และ Alex Samorodnitsky
András Salamon
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.