集中不等式 (Concentration inequality)
在概率论中,集中不等式提供了随机变量偏离一些值(如期望)的上限。
马尔科夫不等式(Markov’s Inequality)
假设XXX是一个非负的随机变量,对于所有常数α>0\alpha > 0α>0,有:
P(X≥α)≤E(X)αP(X \geq \alpha) \leq \frac{E(X)}{\alpha}P(X≥α)≤αE(X)
关于马尔科夫不等式的拓展,如果ϕ\phiϕ是一个严格递增且非负的函数,有:
P(X≥α)=P(ϕ(X)≥ϕ(α))≤E(ϕ(X))ϕ(α)P(X \geq \alpha) = P(\phi(X) \geq \phi(\alpha))\leq \frac{E(\phi(X))}{\phi(\alpha)}P(X≥α)=P(ϕ(X)≥ϕ(α))≤ϕ(α)E(ϕ(X))
契比雪夫不等式(Chebyshev’s Inequality)
对于随机变量XXX,对于所有常数α>0\alpha > 0α>0,有:
P(∣X−E(X)∣≥α)≤Var(X)α2P(|X-E(X)| \geq \alpha) \leq \frac{Var(X)}{\alpha^{2}} P(∣X−E(X)∣≥α)≤α2Var(X)
或者表示为:
P(∣X−E(X)∣≥α⋅Std(X))≤1α2P(|X-E(X)| \geq \alpha \cdot Std(X)) \leq \frac{1}{\alpha^{2}} P(∣X−E(X)∣≥α⋅Std(X))≤α21
其中,Std(X)Std(X)Std(X)是随机变量XXX的标准差。切比雪夫不等式是马尔科夫不等式对于随机变量X−E(X)X-E(X)X−E(X)的情况,所以说切比雪夫不等式是马尔科夫不等式的特殊情况,并且这两个不等式的提出者巴夫尼提·列波维奇·切比雪夫和安德雷·马尔可夫是师生关系。
霍夫丁不等式(Hoeffding’s Inequality)
上面的马尔科夫和切比雪夫不等式都是一般性的,收敛性都比较 loose,为了得到收敛性更强的不等式,也就是指数形式的不等式,
对于独立随机变量X1,X2,...,XnX_{1}, X_{2}, ..., X_{n}X1,X2,...,Xn,对于所有的XiX_{i}Xi有ai≤Xi≤bia_{i} \leq X_{i} \leq b_{i}ai≤Xi≤bi,Sn=∑i=1nXiS_{n} = \sum_{i=1}^{n}X_{i}Sn=∑i=1nXi,En=E(Sn)=∑i=1nE(Xi)E_{n} = E(S_{n})= \sum_{i=1}^{n}E(X_{i})En=E(Sn)=∑i=1nE(Xi),可以得到随机变量的和与其期望偏差之间的上界,有不等式:
P(∣Sn−En∣≥t)≤2exp(−2t2∑i=1n(ai−bi)2)P(|S_{n} - E_{n}| \geq t) \leq 2 exp(-\frac{2t^{2}}{\sum_{i=1}^{n}(a_{i} - b_{i})^{2}})P(∣Sn−En∣≥t)≤2exp(−∑i=1n(ai−bi)22t2)
也可以得到随机变量的算数平均值与其期望之间的偏差之间的上界,有不等式:
P(∣Xnˉ−E(Xnˉ)∣≥t)≤2exp(−2n2t2∑i=1n(ai−bi)2)P(|\bar{X_{n}} - E(\bar{X_{n}})| \geq t) \leq 2 exp(-\frac{2n^{2}t^{2}}{\sum_{i=1}^{n}(a_{i} - b_{i})^{2}})P(∣Xnˉ−E(Xnˉ)∣≥t)≤2exp(−∑i=1n(ai−bi)22n2t2)
班纳特不等式(Bennett’s Inequality)
班纳特不等式也是用于衡量独立随机变量的和与其期望之间偏差。与Hoeffding的不等式相比,当和的方差小于它们几乎确定的界限时,Bennett不等式提供了一些改进。
对于独立随机变量X1,X2,...,XnX_{1}, X_{2}, ..., X_{n}X1,X2,...,Xn,对于所有的XiX_{i}Xi有Xi≤aX_{i} \leq aXi≤a,Sn=∑i=1nXiS_{n} = \sum_{i=1}^{n}X_{i}Sn=∑i=1nXi,En=E(Sn)=∑i=1nE(Xi),Vn=Var(Sn)=∑i=1nVar(Xi)E_{n} = E(S_{n}) = \sum_{i=1}^{n}E(X_{i}),V_{n} = Var(S_{n}) = \sum_{i=1}^{n}Var(X_{i})En=E(Sn)=∑i=1nE(Xi),Vn=Var(Sn)=∑i=1nVar(Xi)可以得到随机变量的和与其期望偏差之间的上界,有不等式:
P(∣Sn−En∣≥t)≤2exp(−Vna2h(atVn))P(|S_{n} - E_{n}| \geq t) \leq 2 exp(-\frac{V_{n}}{a^{2}}h(\frac{at}{V_{n}}))P(∣Sn−En∣≥t)≤2exp(−a2Vnh(Vnat))
其中,h(u)=(1+u)log(1+u)−uh(u) = (1+u)log(1+u) - uh(u)=(1+u)log(1+u)−u
伯恩斯坦不等式(Bernstein’s Inequality)
对于独立随机变量X1,X2,...,XnX_{1}, X_{2}, ..., X_{n}X1,X2,...,Xn,对于所有的XiX_{i}Xi有bi≤Xi≤aib_{i} \leq X_{i} \leq a_{i}bi≤Xi≤ai,bi−ai≤Cb_{i} - a_{i}\leq Cbi−ai≤C, Sn=∑i=1nXiS_{n} = \sum_{i=1}^{n}X_{i}Sn=∑i=1nXi,En=E(Sn)=∑i=1nE(Xi),Vn=Var(Sn)=∑i=1nVar(Xi)E_{n} = E(S_{n}) = \sum_{i=1}^{n}E(X_{i}),V_{n} = Var(S_{n}) = \sum_{i=1}^{n}Var(X_{i})En=E(Sn)=∑i=1nE(Xi),Vn=Var(Sn)=∑i=1nVar(Xi)可以得到随机变量的和与其期望偏差之间的上界,有不等式:
P(∣Sn−En∣≥t)≤2exp(−t2/2Vn+Ct/3)P(|S_{n} - E_{n}| \geq t) \leq 2exp(-\frac{t^{2}/2}{V_{n} + Ct/3})P(∣Sn−En∣≥t)≤2exp(−Vn+Ct/3t2/2)
这是Hoeffding的一个推广,因为它不仅可以处理独立变量,也可以处理弱独立变量。
补充
集中不等式在实际中经常会被用到,而在使用这些集中不等式的时候,对数据分布也是有要求的, 通常是假设数据的分布函数是具有尾部收敛性质。
REF
Wiki Concentration Inequality
集中不等式 (Concentration inequality)相关推荐
- 霍夫丁不等式 Hoeffding inequality
霍夫丁不等式是描述:一组相互独立并且有界的变量偏离其均值的和大于一定值的概率具有一个上界. 该不等式最初是研究二项分布的性质. 假设有一组相互独立的随机变量 X 1 , X 2 , - , X n X ...
- 柯西-施瓦茨不等式(Cauchy-Schwarz Inequality)的四种形式
柯西-施瓦茨不等式其实是有四种不同的形式的,如果只知道其中一种,看论文的时候肯定会陷入迷惑,下面我们来看看柯西-施瓦茨不等式的四种形式: 一,在实数域中 设ai,bi∈R(i=1,2,..,n)\ a ...
- 切比雪夫不等式(Chebyshev inequality)及其证明
- matlab中计算不等式的解,matlab解不等式
MATLAB求解非线性规划good (1)_理学_高等教育_教育专区.数学建模课... x4 ? x5 MATLAB 程序如下: f=[1; 2; 3; 1; 1]; intcon=[1 2 3 4 ...
- 倒序排序_排序不等式,切比雪夫不等式及伯努利不等式
我们比较熟悉的不等式可能就是下面的这个不等式链以及柯西不等式了: 对于不等式链的证明我们可以看下面这张图,非常直观形象: 不太懂得也可以看这个视频讲解: 知乎视频www.zhihu.com 对于柯西 ...
- 切比雪夫不等式例题讲解_排序不等式,切比雪夫不等式及伯努利不等式
我们比较熟悉的不等式可能就是下面的这个不等式链以及柯西不等式了: 对于不等式链的证明我们可以看下面这张图,非常直观形象: 不太懂得也可以看这个视频讲解: 知乎视频www.zhihu.com 对于柯西 ...
- 深度学习/机器学习入门基础数学知识整理(六):Hoeffding不等式,
开写之前先推荐一个林轩田先生的书,<Learning From Data>,我从网上得到电子版资源放在这里获取,仅用于学习交流之用,不可用与商用,谢谢.网上还有配套的Slides,我虽然还 ...
- 2840页的计算机毕业论文,德州奥斯汀华人博士究竟写了啥
萧箫 发自 凹非寺 量子位 报道 | 公众号 QbitAI 单是目录就有31页,以及论文共有2840页. 你没看错,这就是来自德克萨斯大学奥斯汀分校的一篇计算机科学系博士毕业论文. 说实话,计算机系的 ...
- UA MATH567 高维统计 专题0 为什么需要高维统计理论?——协方差估计的高维效应与Marcenko-Pastur规则
UA MATH567 高维统计 专题0 为什么需要高维统计理论?--协方差估计的高维效应与Marcenko-Pastur规则 上一讲我们介绍了在实验中,线性判别分析的判别误差会随着维度的上升而上升,而 ...
- UA MATH567 高维统计IV Lipschitz组合1 Lipschitz函数
UA MATH567 高维统计IV Lipschitz组合1 Lipschitz函数 高维统计的第二部分与第三部分分别讨论了基于亚高斯性导出的随机向量与随机矩阵的concentration inequ ...
最新文章
- 查看Hotspot源码,查看java各个版本源码的网站,如何查看jdk源码
- UIActionSheet在iOS8中被弃用造成的错误
- mockito_Mockito:无法实例化@InjectMocks字段:类型是接口
- python一条语句分析几个常用函数和概念
- linux 6.7 nfs安装yum,centos6.7下安装配置NFS
- 如何在PowerPoint中插入带语法高亮的程序代码
- 大数据时代,如何用数据驱动精准营销
- linux说明是集群,集群——菜鸟学习Linux集群之概念篇
- python 简历_用Python翻译我的简历
- 技术篇-符号制作-线符号制作
- html5实现拖拽上传头像
- Javascript基础知识笔记三
- Atitit sumdoc everything index tech and index log 目录 1. 使用的tech 1 1.1. Atitit 日志记录的三个trace跟踪等级文件夹级
- 微信公众号发红包 php,php微信公众号开发之现金红包
- 从下单到享用,美团外卖背后的分布式架构设计
- UE4搭建场景与特效文档—地形、水体、植被、雨雾效果
- AP 计算机 一次完美的逆袭
- 【XSS跨站脚本】反射型xss(非持久型)
- 日常英语精彩短句集锦
- IT笔记-电脑内存满之系统报告过多问题
热门文章
- 旧手机改文件储存服务器,旧手机改成云服务器
- 拉肚子差评回复模板_外卖差评回复模板
- Go语言环境安装及配置
- 使用BeautifulSoup爬取百度图片
- 计算机频繁启动是何原因,电脑开机频繁断电又重启怎么回事?
- bzoj1488[HNOI2009] 图的同构
- coreldraw橙子怎么画_cdr怎么画一杯橙汁?CorelDRAW简单绘制的一杯满满的橙汁教程...
- npm报错, Error: EPERM: operation not permitted, mkdir
- android手机紧急快捷键,常用手机指令(手机快捷键)及呼叫转移快捷指令
- 申请计算机助理的英语作文,各位帮我找一篇英文申请信大学英语作文,申请助理..._口译笔译考试_帮考网...