Inégalités de probabilité

37

Je cherche des inégalités de probabilité pour les sommes de variables aléatoires non bornées. J'apprécierais vraiment si quelqu'un pouvait me donner des idées.

Mon problème est de trouver une limite supérieure exponentielle sur la probabilité que la somme des variables aléatoires iid non bornées, qui sont en fait la multiplication de deux iid gaussiens, dépasse une certaine valeur, à savoir , où , et sont générés de iid à partir de .Pr[Xϵσ2N]exp(?)X=i=1NwiviwiviN(0,σ)

J'ai essayé d'utiliser la borne de Chernoff en utilisant la fonction de génération de moment (MGF), la liaison dérivée est donnée par:

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

où est le MGF de X . Mais le lien n'est pas si serré. Le problème principal de mon problème est que les variables aléatoires sont illimitées et, malheureusement, je ne peux pas utiliser la limite de l'inégalité de Hoeffding.gX(s)=(11σ4s2)N2X

Je serai heureux si vous m'aidez à trouver une limite exponentielle étroite.

Farzad
la source
3
Cela ressemble à un problème lié à la compression. Recherchez les notes de R. Vershynin sur la théorie des matrices aléatoires non asymptotiques, en particulier les limites de ce qu'il appelle des variables aléatoires sous- exponentielles . Cela vous aidera à commencer. Si vous avez besoin de plus de pointeurs, laissez-nous savoir et je vais essayer de poster quelques informations supplémentaires.
cardinal
1
Il y a au moins quelques questions et réponses connexes sur ce sujet sur math.SE (avertissement: y compris celui auquel j'ai participé).
cardinal
1
Le produit a une distribution de «produit normal». Je crois que la moyenne de ce produit est égale à zéro et que la variance est où est la variance de et de . Pour largeish, vous pouvez utiliser le théorème central limite pour obtenir norality approximative de . Si vous pouvez calculer le biais de la distribution de produit normale, je pense que vous pouvez appliquer le théorème de Berry-Esseen pour limiter le taux de convergence du CDF. wiviσ4σ2wiviNX
Shabbychef
1
@shabbychef, Berry-Esseen a une convergence assez lente, car il est un uniforme lié sur la classe de toutes les fonctions de distribution . F
cardinal
4
@DilipSarwate: Désolé que je voie votre commentaire d'il y a quelque temps. Je pense que vous pourriez être intéressé par le petit article suivant, auquel j'ai également fait référence à quelques reprises sur les mathématiques. SE: TK Phillips et R. Nelson (1995), Le moment est plus serré que celui de Chernoff pour une queue positive probabilités , The American Statistician , vol 42, no. 2., 175-178.
cardinal

Réponses:

1

En utilisant la borne de Chernoff que vous avez suggérée pour certains s1/(2σ2) qui seront spécifiés ultérieurement,

P[X>t]exp(st)exp((N/2)log(1σ4s2))exp(st+σ4s2N)
où la seconde inégalité est grâce à log(1x)2x pour tout x(0,1/2) . Maintenant, prenons t=ϵσ2N et s=t/(2σ4N) , le côté droit devient exp(t2/(4σ4N)=exp(ϵ2N/4) qui produit pour tout e ( 0 , 1 ) .
P[X>ϵσ2N]exp(ϵ2N/4).
ϵ(0,1)

Une autre possibilité consiste à appliquer directement des inégalités de concentration telles que l'inégalité de Hanson-Wright ou des inégalités de concentration pour un chaos gaussien d'ordre 2 qui englobe la variable aléatoire qui vous intéresse.

Approche plus simple sans utiliser la fonction de génération de moment

Prenons σ=1 pour plus de simplicité (sinon, on peut redimensionner en divisant par σ2 ).

Écrire v=(v1,...,vn)T et w=(w1,...,wn)T . Vous demandez des limites supérieures sur P(vTw>ϵN) .

Soit Z=wTv/v . Ensuite , ZN(0,1) par l' indépendance de v,w et v2 est indépendante de Z avec le χ2 distribution avec n degrés de liberté.

Par limites standard sur la norme normale et χ2 variables aléatoires,

P(|Z|>ϵn/2)2exp(ϵ2n/4),P(v>2n)exp(n(21)2/2).
La combinaison avec le syndicat lié donne une limite supérieure deP(vTw>ϵN) de la forme2exp(ϵ2n/4)+exp(n(21)2/2).

Jlewk
la source
0

The bound you obtain is of order eϵ as ϵ. I don't think you can do much better for general ϵ. From the Wikipedia page on Product Variables the distribution of wivi is K0(z)/π where K0 is a modified Bessel function. From (10.25.3) in the DLMF function list, K0(t)et/txP(wivi>x)xet/tdt which is not going to give you a sub-Gaussian bound.

BookYourLuck
la source