ความไม่แน่นอนน่าจะเป็น


37

ฉันกำลังมองหาอสมการความน่าจะเป็นบางอย่างสำหรับผลรวมของตัวแปรสุ่มที่ไม่มีขอบเขต ฉันจะซาบซึ้งจริงๆถ้าใครสามารถให้ความคิดกับฉัน

ปัญหาของฉันคือการหาขอบเขตบนเอ็กซ์โพเนนเชียลเหนือความน่าจะเป็นที่ผลรวมของตัวแปรสุ่มแบบไม่ จำกัด จำนวน iid ซึ่งอันที่จริงแล้วการคูณของสอง iid Gaussian มีค่าเกินกว่าค่าที่แน่นอนเช่นPr[Xϵσ2N]exp(?)ที่X=i=1Nwivi , wiและviถูกสร้างขึ้นจาก IID N(0,σ) )

ฉันพยายามใช้ Chernoff ผูกโดยใช้โมเมนต์สร้างฟังก์ชัน (MGF) ขอบเขตที่ได้รับมาจาก:

Pr[Xϵσ2N]minsexp(sϵσ2N)gX(s)=exp(N2(1+4ϵ21+log(1+4ϵ21)log(2ϵ2)))

ที่เป็น MGF ของX แต่ขอบเขตไม่แน่นนัก ปัญหาหลักในปัญหาของฉันคือตัวแปรสุ่มไม่มีขอบเขตและน่าเสียดายที่ฉันไม่สามารถใช้ขอบเขตของความไม่เท่าเทียม Hoeffding XgX(s)=(11σ4s2)N2X

ฉันจะมีความสุขถ้าคุณช่วยฉันหาคำอธิบายที่รัดกุม


3
ดูเหมือนปัญหาที่เกี่ยวข้องกับการตรวจจับการบีบอัด ค้นหาบันทึกของ R. Vershynin เกี่ยวกับทฤษฎีเมทริกซ์แบบสุ่มแบบ nonasymptotic โดยเฉพาะขอบเขตของสิ่งที่เขาเรียกว่าตัวแปรสุ่มแบบเอ็กซ์โพเนเชียน นั่นจะช่วยให้คุณเริ่มต้นได้ หากคุณต้องการตัวชี้เพิ่มเติมแจ้งให้เราทราบและฉันจะพยายามโพสต์ข้อมูลเพิ่มเติม
พระคาร์ดินัล

1
มีคำถามและคำตอบอย่างน้อยสองสามข้อในหัวข้อนี้ใน math.SE (ข้อจำกัดความรับผิดชอบ: รวมถึงคำถามที่ฉันเข้าร่วม)
พระคาร์ดินัล

1
ผลิตภัณฑ์wiviมีการกระจายแบบ 'ผลิตภัณฑ์ปกติ' ผมเชื่อว่าค่าเฉลี่ยของผลิตภัณฑ์นี้คือศูนย์และความแปรปรวนเป็นσ4ที่σ2คือความแปรปรวนของwiและv_iviสำหรับN largeish คุณสามารถใช้ทฤษฎีบทขีด จำกัด กลางที่จะได้รับ norality ประมาณXXหากคุณสามารถคำนวณความเบี่ยงเบนของการแจกแจงปกติได้ฉันเชื่อว่าคุณสามารถใช้ทฤษฎีบท Berry-Esseen เพื่อกำหนดอัตราการลู่เข้าของ CDF
shabbychef

1
@shabbychef, Berry-Esseen มีลู่สวยช้าเนื่องจากเป็นเครื่องแบบที่ถูกผูกไว้เหนือระดับทุกฟังก์ชั่นการกระจายFF
พระคาร์ดินัล

4
@DilipSarwate: ขออภัยที่ฉันเพิ่งเห็นความคิดเห็นของคุณจากสักครู่ที่ผ่านมา ฉันคิดว่าคุณอาจสนใจในบทความเล็ก ๆ ต่อไปนี้ซึ่งฉันได้เชื่อมโยงกับคณิตศาสตร์สองสามครั้งเช่นกัน TK Phillips และ R. Nelson (1995) ช่วงเวลาที่ถูกผูกไว้แน่นกว่าของ Chernoff ในแง่บวก ความน่าจะเป็น , สถิติอเมริกัน , ฉบับที่ 42, ฉบับที่ 2. , 175-178
พระคาร์ดินัล

คำตอบ:


1

การใช้ Chernoff ผูกไว้คุณแนะนำสำหรับที่จะระบุในภายหลัง, ที่ความไม่เท่าเทียมกันครั้งที่สองถือขอบคุณสำหรับการใด ๆ2) ตอนนี้รับ และทางด้านขวามือจะกลายเป็นที่ทำให้ สำหรับการใด ๆ(0,1)s1/(2σ2)

P[X>t]exp(st)exp((N/2)log(1σ4s2))exp(st+σ4s2N)
log(1x)2xx(0,1/2)t=ϵσ2Ns=t/(2σ4N)exp(t2/(4σ4N)=exp(ϵ2N/4)
P[X>ϵσ2N]exp(ϵ2N/4).
ϵ(0,1)

ถนนอีกสายหนึ่งคือการใช้ความไม่เท่าเทียมกันของความเข้มข้นโดยตรงเช่นความไม่เท่าเทียมกันของแฮนสัน - ไรท์หรือความไม่เท่าเทียมกันของสมาธิสำหรับความโกลาหลแบบเกาส์ในลำดับ 2 ซึ่งรวมถึงตัวแปรสุ่มที่คุณสนใจ

วิธีที่ง่ายกว่าโดยไม่ต้องใช้ฟังก์ชั่นสร้างช่วงเวลา

รับเพื่อความเรียบง่าย (มิฉะนั้นอาจมีการลดขนาดโดยการหารด้วย )σ=1σ2

เขียนและ T คุณจะขอขอบเขตบนของN)v=(v1,...,vn)Tw=(w1,...,wn)TP(vTw>ϵN)

ให้. จากนั้นโดยความเป็นอิสระของ และเป็นอิสระจากด้วยการมีองศาอิสระZ=wTv/vZN(0,1)v,wv2Zχ2n

โดยขอบเขตมาตรฐานของตัวแปรสุ่มมาตรฐานและ , เมื่อรวมกับการรวมกลุ่มจะให้ขอบเขตบน ของรูปแบบ2/2)χ2

P(|Z|>ϵn/2)2exp(ϵ2n/4),P(v>2n)exp(n(21)2/2).
P(vTw>ϵN)2exp(ϵ2n/4)+exp(n(21)2/2)


0

ผูกไว้ที่คุณได้รับคือการสั่งซื้อเป็น\ ผมไม่คิดว่าคุณสามารถทำได้ดีมากสำหรับทั่วไป\จากหน้า Wikipedia บนตัวแปรผลิตภัณฑ์การแจกแจงของคือโดยที่เป็นฟังก์ชัน Bessel ที่แก้ไข จาก (10.25.3) ในรายการฟังก์ชัน DLMF ,ดังนั้นสำหรับใหญ่เพียงพอซึ่งไม่ได้ให้ขอบเขตแบบเกาส์เซียนย่อยให้คุณeϵϵϵw ฉันv ฉันK 0 ( z ) / π K 0 K 0 ( t ) e - t / wiviK0(z)/πK0K0(t)et/txP(wivi>x)xet/tdt

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.