Üstel üst sınır

Diyelim ki IID rasgele değişkenleri ve dağıtım . Biz bir örneğini gözlemlemek için gidiyoruz 'şu şekilde s: let bağımsız varsayalım, rastgele değişkenler hepsi ' ın ve 'ler bağımsızdır ve örneklem boyutunu tanımlayın . 'hangisinin ler gösterir numunede olan s', ve tanımlanan örnek başarıların kısmını okumak isteyen $X_1,\dots,X_n$ $\mathrm{Ber}(\theta)$ $X_i$ $Y_1,\dots,Y_n$ $\mathrm{Ber}(1/2)$ $X_i$ $Y_i$ $N=\sum_{i=1}^n Y_i$ $Y_i$ $X_i$

Z = {\begin{cases} \frac{1}{N} \sum_{i = 1}^{n} X_{i} Y_{i} & if N > 0, \\ 0 & if N = 0 . \end{cases}

$Z = \begin{cases} \frac{1}{N}\sum_{i=1}^n X_i Y_i & \text{if}\quad N > 0\, , \\ 0 & \text{if} \quad N = 0 \, . \end{cases}$ İçin , biz bir üst gitmekte bulmak istiyorum o katlanarak ile bozunumlarındaki . Hoeffding eşitsizliği, değişkenler arasındaki bağımlılıklar nedeniyle hemen uygulanmaz.

ϵ > 0

$\epsilon>0$

P r (Z \geq θ + ϵ)

$\mathrm{Pr}\!\left(Z \geq \theta + \epsilon\right)$

n

$n$

probability-inequalities

— Zen
kaynak

Let . (i) , bağımsız değil mi? (ii) mi? ... Sonuç olarak, 'bağımsız rastgele değişkenlerin toplamı' olmadığı açık değil

Z_{i} = \frac{_{1}}{^{N}} X_{i} Y_{i}

$Z_i = \frac{_1}{^N} X_iY_i$

Z_{i}

$Z_i$

Z_{j \neq i}

$Z_{j\neq i}$

Z = \sum Z_{i}

$Z=\sum Z_i$

Z

$Z$

— Glen_b -Restate Monica

Ah, iyi bir noktaya değindin. yerine düşünüyordum . Ama bunun yerine yazamaz ve let ? Yani, 1 veya 0 olmasına bakılmaksızın tüm vakaları toplayın. Pay aynıdır, ancak payda farklıdır.

n

$n$

N

$N$

Z_{i} = \frac{1}{n} X_{i} Y_{i}

$Z_i = \frac{1}{n}X_iY_i$

Z = \sum_{i = 1}^{n} Z_{i}

$Z=\sum_{i=1}^n Z_i$

Y

$Y$

— Glen_b

Bunun nedeni, daha az problem çıkar miktar örnek, başarılı sonuç fraksiyonunun daha verir , çünkü .

(1 / n) \sum_{i = 1}^{n} X_{i} Y_{i} \leq (1 / N) \sum_{i = 1}^{n} X_{i} Y_{i}

$(1/n)\sum_{i=1}^n X_i Y_i\leq (1/N)\sum_{i=1}^n X_i Y_i$

N \leq n

$N\leq n$

— Zen

Evet, bu yüzden "hayır bu işe yaramaz" ile bitirdim. Bernstein'ın bazı eşitsizlikleri gibi bağımsız olmayan dava için geçerli eşitsizlikler vardır (dördüncü maddeye bakın) ve martingallara uygulanan bir takım eşitsizlikler var (bunun burada uygulanacağını bilmiyorum).

— Glen_b-Monica

Bir göz atacağım ve ayrıca martingales sonuçlarıyla bir bağlantı bulmaya çalışacağım. Gitmekte (kolay so ) bunu bir çeşit kondisyonlama kullanarak ile bağlamanın cazip olduğunu .

U = (1 / n) \sum_{i = 1}^{n} X_{i} Y_{i}

$U=(1/n)\sum_{i=1}^nX_i Y _i$

P r (U \geq θ / 2 + ϵ) \leq \exp (- 2 n ϵ^{2})

$\mathrm{Pr}(U\geq \theta/2+\epsilon)\leq \exp(-2n\epsilon^2)$

Z

$Z$

— Zen

Yanıtlar:

Hoeffding eşitsizliğine oldukça doğrudan bir bağlantı kurabiliriz .

Not sahip olduğumuz

{Z > θ + ϵ} = {\sum_{i} X_{i} Y_{i} > (θ + ϵ) \sum_{i} Y_{i}} = {\sum_{i} (X_{i} - θ - ϵ) Y_{i} > 0} .

$\{ Z > \theta + \epsilon\} = \big\{\sum_i X_i Y_i > (\theta + \epsilon)\sum_i Y_i \big\} = \big\{ \sum_i (X_i - \theta - \epsilon) Y_i > 0 \} \>.$

Takım , böylece iid, ve bir basit uygulaması ile Hoeffding eşitsizliği yana ( ve bu nedenle değerleri bir büyüklük aralığında alın). $Z_i = (X_i - \theta - \epsilon)Y_i + \epsilon/2$ $Z_i$ $\mathbb E Z_i = 0$

P (Z > θ + ϵ) = P (\sum_{i} Z_{i} > n ϵ / 2) \leq e^{- n ϵ^{2} / 2},

$\mathbb P( Z > \theta + \epsilon ) = \mathbb P\big(\sum_i Z_i > n \epsilon/2\big) \leq e^{-n \epsilon^2/2}\>,$

Z_{i} \in [- θ - ϵ / 2, 1 - θ - ϵ / 2]

$Z_i \in [-\theta-\epsilon/2,1-\theta-\epsilon/2]$

Özellikle son yıllarda, çeşitli pratik uygulamalarla rastgele matris teorisi ile ilgili konularda zengin ve etkileyici bir ilgili literatür bulunmaktadır. Bu tür bir şeyle ilgileniyorsanız, kesinlikle tavsiye ederim:

R. Vershynin, Rastgele matrislerin asimptotik olmayan analizine giriş , Sıkıştırılmış Algılama, Teori ve Uygulamaları Bölüm 5. Editör: Y. Eldar ve G. Kutyniok. Cambridge University Press, 2012.

Bence sergi açık ve literatüre hızla alışmak için çok güzel bir yol sunuyor.

— kardinal
kaynak

Yana içerir kendi tanımı, izlenimi buna sahip (bağlı değişiklik yok) içerir.

Z_{i}

$Z_i$

ϵ / 2

$\epsilon/2$

Z_{i} \in [- θ - ϵ / 2, 1 - θ - ϵ / 2]

$Z_i \in [-\theta-\epsilon/2,1-\theta-\epsilon/2]$

— Alecos Papadopoulos

Sevgili @Zen: dikkatli bir muhasebe Not olduğunu durumunda size sıkı eşitsizliği değiştirmek sağlayacak tarafından nihai sınır değiştirmeden her yerde.

N = 0

$N=0$

>

$>$

\geq

$\geq$

— kardinal

@Cardinal Değerli: aslında çünkü soru adlarını değiştirdik bir (biraz) eğimli tahmin olup için, .

Z

$Z$

θ

$\theta$

E [Z] = E [I_{{N = 0}} Z] + E [I_{{N > 0}} Z] = (1 - 1 / 2^{n}) θ

$\mathrm{E}[Z]=\mathrm{E}[I_{\{N=0\}}Z]+\mathrm{E}[I_{\{N>0\}}Z] = (1-1/2^n)\,\theta$

— Zen

durumuyla ilgilenecek ayrıntılar . $N=0$

\begin{aligned} {Z \geq θ + ϵ} & = ({Z \geq θ + ϵ} \cap {N = 0}) \cup ({Z \geq θ + ϵ} \cap {N > 0}) \\ = ({0 \geq θ + ϵ} \cap {N = 0}) \cup ({Z \geq θ + ϵ} \cap {N > 0}) \\ = (\emptyset \cap {N = 0}) \cup ({Z \geq θ + ϵ} \cap {N > 0}) \\ = {\sum_{i = 1}^{n} X_{i} Y_{i} \geq (θ + ϵ) \sum_{i = 1}^{n} Y_{i}} \cap {N > 0} \\ \subset {\sum_{i = 1}^{n} X_{i} Y_{i} \geq (θ + ϵ) \sum_{i = 1}^{n} Y_{i}} \\ = {\sum_{i = 1}^{n} (X_{i} - θ - ϵ) Y_{i} \geq 0} \\ = {\sum_{i = 1}^{n} ((X_{i} - θ - ϵ) Y_{i} + ϵ / 2) \geq n ϵ / 2} . \end{aligned}

$\begin{align} \{Z\geq\theta+\epsilon\} &= \left(\{Z\geq\theta+\epsilon\} \cap \{N=0\}\right) \cup \left(\{Z\geq\theta+\epsilon\} \cap \{N>0\}\right) \\ &= \left(\{0\geq\theta+\epsilon\} \cap \{N=0\}\right) \cup \left(\{Z\geq\theta+\epsilon\} \cap \{N>0\}\right) \\ &= \left(\emptyset \cap \{N=0\}\right) \cup \left(\{Z\geq\theta+\epsilon\} \cap \{N>0\}\right) \\ &= \left\{\sum_{i=1}^n X_iY_i\geq(\theta+\epsilon)\sum_{i=1}^n Y_i\right\} \cap \{N>0\} \\ &\subset \left\{\sum_{i=1}^n X_iY_i\geq(\theta+\epsilon)\sum_{i=1}^n Y_i\right\} \\ &= \left\{\sum_{i=1}^n (X_i-\theta-\epsilon)Y_i\geq 0\right\} \\ &= \left\{\sum_{i=1}^n \left((X_i-\theta-\epsilon)Y_i+\epsilon/2\right)\geq n\epsilon/2\right\} \, . \end{align}$

Alecos için.

\begin{aligned} E [\sum_{i = 1}^{n} W_{i}] & = E [I_{{\sum_{i = 1}^{n} Y_{i} = 0}} \sum_{i = 1}^{n} W_{i}] + E [I_{{\sum_{i = 1}^{n} Y_{i} > 0}} \sum_{i = 1}^{n} W_{i}] \\ = E [I_{{\sum_{i = 1}^{n} Y_{i} > 0}} \frac{\sum_{i = 1}^{n} Y_{i}}{\sum_{i = 1}^{n} Y_{i}}] = E [I_{{\sum_{i = 1}^{n} Y_{i} > 0}}] = 1 - 1 / 2^{n} . \end{aligned}

$\begin{align} \mathrm{E}\!\left[\sum_{i=1} ^n W_i\right]&=\mathrm{E}\!\left[I_{\{\sum_{i=1}^n Y_i=0\}}\sum_{i=1} ^n W_i\right] + \mathrm{E}\!\left[I_{\{\sum_{i=1}^n Y_i>0\}}\sum_{i=1} ^n W_i\right] \\ &=\mathrm{E}\!\left[I_{\{\sum_{i=1}^n Y_i>0\}}\frac{\sum_{i=1} ^n Y_i}{\sum_{i=1}^n Y_i}\right]=\mathrm{E}\!\left[I_{\{\sum_{i=1}^n Y_i>0\}}\right]=1-1/2^n \, . \end{align}$

— Zen
kaynak

Bu cevap değişmeye devam ediyor. Mevcut sürüm, yorumlarda @cardinal ile yaptığım tartışma ile ilgili değildir (ancak bu tartışma sayesinde, şükran yaklaşımının hiçbir yere götürmediğini fark ettim).

Bu girişim için Hoeffding'in orijinal 1963 belgesinin başka bir bölümünü kullanacağım , yani bölüm 5 "Bağımlı Rastgele Değişkenlerin Toplamları".

Takım

W_{i} \equiv \frac{Y_{i}}{\sum_{i = 1}^{n} Y_{i}}, \sum_{i = 1}^{n} Y_{i} \neq 0, \sum_{i = 1}^{n} W_{i} = 1, n \geq 2

$W_i \equiv \frac {Y_i}{\sum_{i=1}^nY_i}, \qquad \sum_{i=1}^nY_i \neq 0, \qquad \sum_{i=1}^nW_i=1, \qquad n\geq 2$

Biz ayarlamak ise ise . $W_i =0$ $\sum_{i=1}^nY_i = 0$

Sonra değişken var

Z_{n} = \sum_{i = 1}^{n} W_{i} X_{i}, E (Z_{n}) \equiv μ_{n}

$Z_n= \sum_{i=1}^nW_iX_i, \qquad E(Z_n) \equiv \mu_n$

Olasılıkla ilgileniyoruz

P r (Z_{n} \geq μ_{n} + ϵ), ϵ < 1 - μ_{n}

$\mathrm{Pr}(Z_n\geq \mu_n +\epsilon), \qquad \epsilon < 1-\mu_n$

Diğer birçok eşitsizliğe gelince, Hoeffding mantığına ve bu

P r (Z_{n} \geq μ_{n} + ϵ) = E [1_{{Z_{n} - μ_{n} - ϵ \geq 0}}]

$\mathrm{Pr}(Z_n\geq \mu_n +\epsilon) = E\left[\mathbf 1_{\{Z_n-\mu_n -\epsilon \geq 0\}}\right]$

1_{{Z_{n} - μ_{n} - ϵ \geq 0}} \leq \exp {h (Z_{n} - μ_{n} - ϵ)}, h > 0

$\mathbf 1_{\{Z_n-\mu_n -\epsilon\geq 0\}} \leq \exp\Big\{h(Z_n-\mu_n -\epsilon)\Big\}, \qquad h>0$

Bağımlı değişkenler durumunda, Hoeffding olarak olduğu gerçeğini kullanıyoruz ve (dışbükey) üstel fonksiyon için Jensen'in eşitsizliğini çağırıyoruz, yazmak için $\sum_{i=1}^nW_i=1$

e^{h Z_{n}} = \exp {h (\sum_{i = 1}^{n} W_{i} X_{i})} \leq \sum_{i = 1}^{n} W_{i} e^{h X_{i}}

$e^{hZ_n} = \exp\left\{h\left(\sum_{i=1}^nW_iX_i\right)\right\} \leq \sum_{i=1}^nW_ie^{hX_i}$

ve ulaşmak için sonuçları bağlama

P r (Z_{n} \geq μ_{n} + ϵ) \leq e^{- h (μ_{n} + ϵ)} E [\sum_{i = 1}^{n} W_{i} e^{h X_{i}}]

$\mathrm{Pr}(Z_n\geq \mu_n +\epsilon) \leq e^{-h(\mu_n+\epsilon)}E\left[\sum_{i=1}^nW_ie^{hX_i}\right]$

Bizim durumumuza odaklanmak, ve bağımsız olduğu için beklenen değerler ayrılabilir, $W_i$ $X_i$

P r (Z_{n} \geq μ_{n} + ϵ) \leq e^{- h (μ_{n} + ϵ)} \sum_{i = 1}^{n} E (W_{i}) E (e^{h X_{i}})

$\mathrm{Pr}(Z_n\geq \mu_n +\epsilon) \leq e^{-h(\mu_n+\epsilon)}\sum_{i=1}^nE(W_i)E\left(e^{hX_i}\right)$

Bizim durumumuzda , parametresi ile Bernoullis'tir ve , , . Yani $X_i$ $\theta$ $E[e^{hX_i}]$ $h$ $E[e^{hX_i}] = 1-\theta +\theta e^h$

P r (Z_{n} \geq μ_{n} + ϵ) \leq e^{- h (μ_{n} + ϵ)} (1 - θ + θ e^{h}) \sum_{i = 1}^{n} E (W_{i})

$\mathrm{Pr}(Z_n\geq \mu_n +\epsilon) \leq e^{-h(\mu_n+\epsilon)}(1-\theta +\theta e^h)\sum_{i=1}^nE(W_i)$

Açısından ÜSÖ aza indirme , biz olsun $h$

e^{h^{*}} = \frac{(1 - θ) (μ_{n} + ϵ)}{θ (1 - μ_{n} - ϵ)}

$e^{h^*} = \frac {(1-\theta)(\mu_n+\epsilon)}{\theta(1-\mu_n-\epsilon)}$

Eşitsizliğe bağlamak ve elde ettiğimiz manipülasyon

P r (Z_{n} \geq μ_{n} + ϵ) \leq {(\frac{θ}{μ_{n} + ϵ})}^{μ_{n} + ϵ} \cdot {(\frac{1 - θ}{1 - μ_{n} - ϵ})}^{1 - μ_{n} - ϵ} \sum_{i = 1}^{n} E (W_{i})

$\mathrm{Pr}(Z_n\geq \mu_n +\epsilon) \leq \left(\frac {\theta}{\mu_n+\epsilon}\right)^{\mu_n+\epsilon}\cdot \left(\frac {1-\theta}{1-\mu_n-\epsilon}\right)^{1-\mu_n-\epsilon}\sum_{i=1}^nE(W_i)$

süre

P r (Z_{n} \geq θ + ϵ) \leq {(\frac{θ}{θ + ϵ})}^{θ + ϵ} \cdot {(\frac{1 - θ}{1 - θ - ϵ})}^{1 - θ - ϵ} \sum_{i = 1}^{n} E (W_{i})

$\mathrm{Pr}(Z_n\geq \theta +\epsilon) \leq \left(\frac {\theta}{\theta+\epsilon}\right)^{\theta+\epsilon}\cdot \left(\frac {1-\theta}{1-\theta-\epsilon}\right)^{1-\theta-\epsilon}\sum_{i=1}^nE(W_i)$

Hoeffding şunu gösteriyor:

{(\frac{θ}{θ + ϵ})}^{θ + ϵ} \cdot {(\frac{1 - θ}{1 - θ - ϵ})}^{1 - θ - ϵ} \leq e^{- 2 ϵ^{2}}

$\left(\frac {\theta}{\theta+\epsilon}\right)^{\theta+\epsilon}\cdot \left(\frac {1-\theta}{1-\theta-\epsilon}\right)^{1-\theta-\epsilon} \leq e^{-2\epsilon^2}$

OP'nin izniyle (teşekkürler, biraz ...)

\sum_{i = 1}^{n} E (W_{i}) = 1 - 1 / 2^{n}

$\sum_{i=1}^n E(W_i) =1-1/2^n$

Son olarak, "bağımlı değişkenler yaklaşımı" bize

P r (Z_{n} \geq θ + ϵ) \leq (1 - \frac{1}{2^{n}}) e^{- 2 ϵ^{2}} \equiv B_{D}

$\mathrm{Pr}(Z_n\geq \theta +\epsilon) \leq (1-\frac 1{2^n})e^{-2\epsilon^2} \equiv B_D$

Bunu "bağımsızlık" dönüşümüne dayanan Cardinal'in sınırı ile karşılaştıralım, . Bağlantımızın daha sıkı olması için ihtiyacımız var $B_I$

B_{D} = (1 - \frac{1}{2^{n}}) e^{- 2 ϵ^{2}} \leq e^{- n ϵ^{2} / 2} = B_{I}

$B_D=(1-\frac 1{2^n})e^{-2\epsilon^2} \leq e^{-n\epsilon^2/2}=B_I$

\Rightarrow \frac{2^{n} - 1}{2^{n}} \leq \exp {(\frac{4 - n}{2}) ϵ^{2}}

$\Rightarrow \frac {2^n-1}{2^n} \leq \exp\left\{\left(\frac {4-n}{2}\right)\epsilon^2\right\}$

Yani için . For , oldukça hızlı daha sıkı hale gelir ama çok küçük için bile bu küçük "pencere" hızla sıfıra indiği görülmektedir iken,. Örneğin, , , daha . Sonuçta, Cardinal'in sınırı daha faydalıdır. $n\leq 4$ $B_D \leq B_I$ $n \geq 5$ $B_I$ $B_D$ $\epsilon$ $n=12$ $\epsilon \geq 0.008$ $B_I$

YORUM
Hoeffding'in orijinal makalesi ile ilgili yanıltıcı izlenimlerden kaçınmak için, Hoeffding'in bağımlı rastgele değişkenlerin deterministik bir dışbükey kombinasyonu örneğini incelediğinden bahsetmeliyim. Özellikle, değerleri rastgele değişkenler değil, , her bağımsız rastgele değişkenlerin toplamı iken, arasında bağımlılık olabilir . Daha sonra bu şekilde temsil edilebilecek çeşitli "U-istatistikleri" dikkate alır. $W_i$ $X_i$ $X_i$

— Alecos Papadopoulos
kaynak

Alecos: (cevabımın sonundaki türevi inceleyin). Bağlantınız kardinalin yaptığı gibi ile katlanarak bozulmaz.

E [W_{1}] = (1 - 1 / 2^{n}) / n

$\mathrm{E}[W_1]=(1-1/2^n)/n$

n

$n$

— Zen

@Zen Nitekim (aslında artırır sınırlı s rağmen, örneklem büyüklüğü ile), bu Kardinal en bağlı en Numune boyutları için daha faydalı olmasının nedeni en.

— Alecos Papadopoulos