Rasgele bir değişkenin maksimal olma ihtimalini nasıl sınırlayabiliriz?


21

Diyelim ki değişken rasgele değişkenler var , \ ldots , X_n sonlu araçlar var \ mu_1 \ leq \ ldots \ leq \ mu_N ve varyans \ sigma_1 ^ 2 , \ ldots , \ sigma_N ^ 2 . Herhangi bir X_i \ neq X_N'nin diğer tüm X_j , j \ neq i değerlerinden daha büyük olma olasılığı üzerine dağıtımsız sınırlar arıyorum .N NX 1X1X n Xnμ 1μ N μ1μNσ 2 1σ21σ 2 Nσ2N X iX NXiXN X jXj j iji

Başka bir deyişle, basitlik için X_i'nin dağılımlarının X iXisürekli olduğunu varsayarsak ( P ( x i = x j ) = 0P(Xi=Xj)=0 ), sınırlarını arıyorum: P ( X i = maks. J X j ).

P(Xi=maxjXj).
Eğer N = 2N=2 , Chebyshev'in eşitsizliğini aşağıdakileri elde etmek için kullanabiliriz: P ( X 1 = max j X j ) = P ( X 1 > X 2 ) σ 2 1 + σ 2 2σ 2 1 + σ 2 2 + ( μ 1 - μ 2 ) 2.
P(X1=maxjXj)=P(X1>X2)σ21+σ22σ21+σ22+(μ1μ2)2.
Genel N için bazı basit (mutlaka sıkı değil) sınırlar bulmak isterdim N-N, ancak genel N için sevindirici sonuçlar bulamadım N-N.

Lütfen değişkenlerin tanımlandığı varsayılmadığını unutmayın. İlgili çalışmalara herhangi bir öneri veya referans bekliyoruz.


Güncelleme: varsayalım , \ mu_j \ geq \ mu_i olduğunu hatırlayınμ jμ iμjμi . Daha sonra ulaşmak için yukarıdaki sınırı kullanabiliriz: P(Xi=maxjXj)minj>iσ2i+σ2jσ2i+σ2j+(μjμi)2σ2i+σ2Nσ2i+σ2N+(μNμi)2.

P(Xi=maxjXj)minj>iσ2i+σ2jσ2i+σ2j+(μjμi)2σ2i+σ2Nσ2i+σ2N+(μNμi)2.
Bu şu anlama gelir: (\ mu_N - \ mu_i) \ P (X_i = \ max_j X_j) \ leq (\ mu_N - \ mu_i) \ frac {\ sigma_i ^ 2 + \ sigma_N ^ 2} {\ sigma_i ^ 2 + \ sigma_N ^ 2 + (\ mu_N - \ mu_i) ^ 2} \ leq \ frac {1} {2} \ sqrt {\ sigma_i ^ 2 + \ sigma_N ^ 2} \ enspace. (μNμi)P(Xi=maxjXj)(μNμi)σ2i+σ2Nσ2i+σ2N+(μNμi)212σ2i+σ2N.
(μNμi)P(Xi=maxjXj)(μNμi)σ2i+σ2Nσ2i+σ2N+(μNμi)212σ2i+σ2N.
Bu, şu anlama gelir: Ni=1μiP(Xi=maxjXj)μNN2N1i=1(σ2i+σ2N).
i=1NμiP(Xi=maxjXj)μNN2i=1N1(σ2i+σ2N).
Şimdi bu sınırın, N'ye doğrusal olarak bağlı olmayan bir şeye geliştirilip geliştirilemeyeceğini merak ediyorum NN. Örneğin, aşağıdakiler bekler : \ sum_ {i = 1} ^ N \ mu_i \ P (X_i = \ max_j X_j) \ geq \ mu_N - \ sqrt {\ sum_ {i = 1} ^ N \ sigma_i ^ 2} \ enspace? Ni=1μiP(Xi=maxjXj)μNNi=1σ2i?
i=1NμiP(Xi=maxjXj)μNi=1Nσ2i?
Ve değilse, bir karşı örnek ne olabilir?

3
Size yerine daha küçük üst sınır veren indisini kullanırsanız, bu sınır daha sıkı olabilir . Bu değerin hem ortalamaya hem de varyansa bağlı olduğunu unutmayın. jjNN

5
@MichaelChernick: Bunun doğru olduğuna inanmıyorum. Mesela de üç üniform dağılımımız olduğunu varsayalım . O zaman yanılmıyorsam, , . Sana yazmak istedim bilmiyorum , ama yine de geçerli olmadığını daha sonra aynı örnek gösterir. [ 0 , 1 ] p ( x 1 < maksimum j x j ) = 2 / 3 P ( x 1 < x 2 ) = P ( x 1 < x 3 ) = 1 / 2 P ( x i > maksimum j x j )[0,1]P(X1<maxjXj)=2/3P(X1<X2)=P(X1<X3)=1/2P(Xi>maxjXj)
MLS

2
@Michael: Bu maalesef hala doğru değil. Sabit için olayları bağımsız değildir. A j = { X i > X j } iAj={Xi>Xj} i
kardinal

2
@ cardinal: Diğer şeylerin yanı sıra, çok silahlı haydutlarla da ilgili. Önceki ödüllere göre bir kol seçerseniz, en iyi kolu olasılığınızın ne kadar büyük yukarıdaki gösterimde ) ve bir alt seçim için beklenen zararı -optimal kol? P(XN=maxjXj)P(XN=maxjXj)
MLS

2
MathOverflow için Crossposted: mathoverflow.net/questions/99313
kardinal

Yanıtlar:


1

Çok değişkenli Chebyshev'in eşitsizliğini kullanabilirsiniz.

İki değişkenli dava

Tek bir durum için, ve , 4 Kas 2016'daki yorumuyla aynı duruma geldimX1X1X2X2

1) ise sonraμ 1 < μ 2 P ( X 1 > X 2 ) ( σ 2 1 + σ 2 2 ) / ( μ 1 - μ 2 ) 2μ1<μ2P(X1>X2)(σ21+σ22)/(μ1μ2)2

(ve türevinizi de merak ediyorum)

Denklemin türetilmesi 1

  • yeni değişkenini kullanarakX 1 - X 2X1X2
  • sıfırda ortalamayı alacak şekilde dönüştürmek
  • mutlak değer alarak
  • Chebyshev eşitsizliğini uygulamak

P ( X 1 > X 2 ) = P ( X 1 - X 2 > 0 )= P ( X 1 - X 2 - ( μ 1 - μ 2 ) > - ( μ 1 - μ 2 ) )P ( | X 1 - X 2 - ( μ 1 - μ 2 ) | > μ 2 - μ 1 )σ 2 ( X- 1 - X 2 - ( μ 1 - μ 2 ) )( Μ 2 - μ 1 ) 2 =σ 2 x 1 +σ 2 x 2( μ 2 - μ 1 ) 2

P(X1>X2)=P(X1X2>0)=P(X1X2(μ1μ2)>(μ1μ2))P(|X1X2(μ1μ2)|>μ2μ1)σ2(X1X2(μ1μ2))(μ2μ1)2=σ2X1+σ2X2(μ2μ1)2

Çok Değişkenli Dava

Denklem (1) 'deki eşitsizlik, her için çoklu dönüştürülmüş değişkenlere uygulanarak çok değişkenli bir duruma dönüştürülebilir bunların ilişkili olduğunu not edin).( X , n - X i ) i < N(XnXi)i<n

Bu soruna bir çözüm (çok değişkenli ve ilişkili), I. Olkin ve JW Pratt. Matematiksel İstatistikler Annals 'Çok Değişkenli Bir Tchebycheff Eşitsizliği', cilt 29 sayfa 226-234 http://projecteuclid.org/euclid.aoms/1177706720

Not teoremi 2.3

P ( | y ı | k i σ i  bazı  i ) = p ( | x i | 1  bazıları için  i ) ( u +( p t - u ) ( p - 1 ) )2p 2P(|yi|kiσi for some i)=P(|xi|1 for some i)(u+(ptu)(p1))2p2

ki burada değişken sayısı, ve .ppt=k2it=k2iu=ρij/(kikj)u=ρij/(kikj)

Teorem 3.6 daha sıkı bir sınır sağlar, ancak hesaplanması daha az kolaydır.

Düzenle

Çok değişkenli Cantelli'nin eşitsizliği kullanılarak daha net bir sınır bulunabilir . Yani eşitsizlik daha önce kullanılmış ve sınır ile sağladığını türüdür hangi daha keskin .(σ21+σ22)/(σ21+σ22+(μ1μ2)2)(σ21+σ22)/(σ21+σ22+(μ1μ2)2)(σ21+σ22)/(μ1μ2)2(σ21+σ22)/(μ1μ2)2

Makalenin tamamını incelemek için zamanım olmadı, ama yine de, burada bir çözüm bulabilirsiniz:

AW Marshall ve I. Olkin Matematiksel İstatistik Annals dergisinde 'Chebyshev Tipinin Tek Taraflı Eşitsizliği' cildi 31 s. 488-491 https://projecteuclid.org/euclid.aoms/1177705913

(daha sonra not edin: Bu eşitsizlik eşit korelasyonlar içindir ve yeterli yardım için değildir. Fakat yine de probleminiz, en keskin sınırı bulmak için, daha genel, çok değişkenli Cantelli eşitsizliğine eşittir. Çözüm olmasa şaşırırdım)


Çok değişkenli Chebyshev Eşitsizliği hakkında net bir ifade verebilir misiniz?
whuber

1
Tüm teoremi sağlayan çözümü değiştirdim.
Sextus Empiricus

-1

Size yardımcı olabilecek ve ihtiyaçlarınız için ayarlamaya çalışacak bir teorem buldum. Varsayalım ki:

exp(tE(max1inXi))

exp(tE(max1inXi))

Sonra Jensen eşitsizliğine göre (exp (.) Dışbükey bir işlevdir), şunu elde ederiz:

exp(tE(max1inXi))E(exp(tmax1inXi))=E(max1in exp(tXi))ni=1E(exp(tXi)

exp(tE(max1inXi))E(exp(tmax1inXi))=E(max1in exp(tXi))i=1nE(exp(tXi)

Şimdi için, rasgele değişkeninizin moment oluşturma fonksiyonunu ne olursa olsun (çünkü sadece mgf'nin tanımıdır). Sonra, bunu yaptıktan sonra (ve potansiyel olarak) teriminizi basitleştirerek), bu terimi alıp kütüğü alın ve t ile bölün, böylece Ardından, isteğe bağlı bir değere sahip t'yi seçebilirsiniz (en iyisi, sınırın sıkı olması için terimin küçük olması için).exp(tXiexp(tXiXiXiE(max1inXi)E(max1inXi)

Ardından, maksimum rn nin üzerinde beklenen değer hakkında bir ifadeniz var. Şimdi, bu rv'lerin maksimumunun bu beklenen değerden sapma olasılığı ile ilgili bir ifade almak için, sadece rv'nizin negatif olmadığını varsayarak (rv'nizin negatif olmadığını varsayarak) eşitsizliğini (kendi rv'nizin negatif olduğunu varsayarak) kullanabilirsiniz.

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.