UA MATH567 高维统计I 概率不等式3 亚高斯性与亚高斯范数
UA MATH567 高维统计I 概率不等式3 亚高斯性与亚高斯范数
- 亚高斯性
- 亚高斯范数
概率不等式1中介绍了Hoeffding不等式与Chernoff不等式,这两个不等式的共性是它们的上界关于ttt的递减阶数都是指数级的,这类上界有非常好的性质,比如尾部概率迅速降低,概率集中在分布中心位置等。但这两个不等式使用条件非常受限,只能适用于Bernoulli分布或者有界的分布,这一讲我们要尝试的是寻找具有尾部概率递减阶数满足e−ct2e^{-ct^2}e−ct2的所有可能的分布,注意到e−ct2e^{-ct^2}e−ct2这个形式就是正态的kernel,而正态分布,比如X∼N(0,1)X \sim N(0,1)X∼N(0,1),也满足
P(∣X∣≥t)≤e−t2/2P(|X| \ge t) \le e^{-t^2/2}P(∣X∣≥t)≤e−t2/2
所以我们称满足这个条件的分布为亚高斯分布 (sub-Gaussian distribution)。
亚高斯性
亚高斯性 (sub-Gaussian property)
- 尾部概率条件:P(∣X∣≥t)≤2exp(−t2/K12),∀t≥0P(|X|\ge t) \le 2\exp(-t^2/K_1^2),\forall t\ge 0P(∣X∣≥t)≤2exp(−t2/K12),∀t≥0
- 矩条件: ∥X∥Lp≤K2p,∀p≥1\left\| X \right\|_{L^p} \le K_2\sqrt{p},\forall p \ge 1∥X∥Lp≤K2p,∀p≥1
- 矩母函数条件: Eeλ2X2≤exp(K32λ2),∀∣λ∣≤1/K3Ee^{\lambda^2 X^2} \le \exp(K_3^2\lambda^2),\forall |\lambda| \le 1/K_3Eeλ2X2≤exp(K32λ2),∀∣λ∣≤1/K3
- 矩母函数上界: EeX2/K42≤2Ee^{X^2/K_4^2} \le 2EeX2/K42≤2
- 矩母函数又一个条件: EeλX≤exp(K52λ2),∀λ∈R,EX=0Ee^{\lambda X} \le \exp(K_5^2 \lambda^2),\forall \lambda \in \mathbb{R}, EX=0EeλX≤exp(K52λ2),∀λ∈R,EX=0
这五个条件是等价的,我们称满足这五个条件中的任何一个的随机变量为亚高斯随机变量。我们下一讲简单分析一下这五条性质。
亚高斯范数
在亚高斯随机变量空间上可以定义亚高斯范数(sub-Gaussian norm):
∥X∥ψ2=inf{t>0:EeX2/t2≤2}\left\|X \right\|_{\psi_2} = \inf\{t>0:Ee^{X^2/t^2} \le 2\}∥X∥ψ2=inf{t>0:EeX2/t2≤2}
我们先验证一下这个定义的确是范数:
非负性:
非负是显然的,我们考虑是否有∥X∥ψ2=0⇔X=0,a.s.\left\|X \right\|_{\psi_2}=0 \Leftrightarrow X = 0,a.s.∥X∥ψ2=0⇔X=0,a.s.,后者直接能推出前者,而前者成立意味着∀t>0\forall t>0∀t>0, EeX2/t2≤2Ee^{X^2/t^2} \le 2EeX2/t2≤2,根据Markov不等式(对∣X∣|X|∣X∣与g(x)=ex2/t2g(x)=e^{x^2/t^2}g(x)=ex2/t2)P(∣X∣>ϵ)≤e−ϵ2/t2EeX2/t2≤2e−ϵ2/t2→0,∀0<t<<ϵP(|X|>\epsilon) \le e^{-\epsilon^2/t^2}Ee^{X^2/t^2} \le 2e^{-\epsilon^2/t^2} \to 0,\forall 0<t<<\epsilonP(∣X∣>ϵ)≤e−ϵ2/t2EeX2/t2≤2e−ϵ2/t2→0,∀0<t<<ϵ因此∥X∥ψ2=0⇒X=0,a.s.\left\|X \right\|_{\psi_2}=0 \Rightarrow X = 0,a.s.∥X∥ψ2=0⇒X=0,a.s.正齐次性:∀λ∈R\forall \lambda \in \mathbb{R}∀λ∈R
∥λX∥ψ2=inf{t>0:Eeλ2X2/t2≤2}=∣λ∣inf{t>0:Eeλ2X2/(λt)2≤2}=∣λ∣∥X∥ψ2\left\|\lambda X \right\|_{\psi_2} = \inf\{t>0:Ee^{\lambda^2X^2/t^2} \le 2\} \\ =|\lambda|\inf\{t>0:Ee^{\lambda^2X^2/(\lambda t)^2} \le 2\}=|\lambda|\left\|X \right\|_{\psi_2}∥λX∥ψ2=inf{t>0:Eeλ2X2/t2≤2}=∣λ∣inf{t>0:Eeλ2X2/(λt)2≤2}=∣λ∣∥X∥ψ2三角不等式:
记s=∥X∥ψ2,t=∥X∥ψ2s=\left\| X \right\|_{\psi_2},t=\left\| X \right\|_{\psi_2}s=∥X∥ψ2,t=∥X∥ψ2,对于函数f(x)=ex2f(x)=e^{x^2}f(x)=ex2,用Jensen不等式:f(X+Ys+t)≤f(∣X∣+∣Y∣s+t)≤ts+tf(∣X∣t)+ss+tf(∣Y∣s)f\left(\frac{X+Y}{s+t}\right)\le f\left(\frac{|X|+|Y|}{s+t}\right) \\\le \frac{t}{s+t}f\left(\frac{|X|}{t}\right)+\frac{s}{s+t}f\left(\frac{|Y|}{s}\right)f(s+tX+Y)≤f(s+t∣X∣+∣Y∣)≤s+ttf(t∣X∣)+s+tsf(s∣Y∣)对这个式子两端计算期望:Eexp(X+Ys+t)2≤ts+tEexp(∣X∣t)2+ss+tEexp(∣Y∣s)2≤2E\exp\left(\frac{X+Y}{s+t}\right)^2 \\ \le \frac{t}{s+t}E\exp\left(\frac{|X|}{t}\right)^2+\frac{s}{s+t}E\exp\left(\frac{|Y|}{s}\right)^2 \le 2Eexp(s+tX+Y)2≤s+ttEexp(t∣X∣)2+s+tsEexp(s∣Y∣)2≤2因此∥X+Y∥ψ2≤s+t\left\| X+Y \right\|_{\psi_2}\le s+t∥X+Y∥ψ2≤s+t
这个范数是非常有用的,因为亚高斯性的五个条件中,每个不等式都一个参数,我们可以用亚高斯范数统一这些参数:参数C,c>0C,c>0C,c>0
- 尾部概率条件:P(∣X∣≥t)≤2exp(−ct2/∥X∥ψ22),∀t≥0P(|X|\ge t) \le 2\exp(-ct^2/\left\|X \right\|_{\psi_2}^2),\forall t\ge 0P(∣X∣≥t)≤2exp(−ct2/∥X∥ψ22),∀t≥0
- 矩条件:∥X∥Lp≤C∥X∥ψ2p,∀p≥1\left\| X \right\|_{L^p} \le C\left\|X \right\|_{\psi_2}\sqrt{p},\forall p \ge 1∥X∥Lp≤C∥X∥ψ2p,∀p≥1
- 矩母函数条件:EeX2/∥X∥ψ22≤2Ee^{X^2/\left\|X \right\|_{\psi_2}^2} \le 2EeX2/∥X∥ψ22≤2
- 矩母函数又一个条件: EeλX≤exp(Cλ2∥X∥ψ22),∀λ∈R,EX=0Ee^{\lambda X} \le \exp(C \lambda^2\left\|X \right\|_{\psi_2}^2),\forall \lambda \in \mathbb{R}, EX=0EeλX≤exp(Cλ2∥X∥ψ22),∀λ∈R,EX=0
UA MATH567 高维统计I 概率不等式3 亚高斯性与亚高斯范数相关推荐
- UA MATH567 高维统计I 概率不等式12 McDiarmid不等式
UA MATH567 高维统计I 概率不等式12 McDiarmid不等式 这一讲我们介绍基于Lipschitz性导出概率不等式的思路,这个思路在下一讲正式进入随机向量之后应用非常广泛.但这一讲我们先 ...
- UA MATH567 高维统计I 概率不等式11 Azuma不等式
UA MATH567 高维统计I 概率不等式11 Azuma不等式 前十一讲介绍的不等式的理论基础都是Markov不等式,根据Markov不等式我们导出了Chebyshev不等式.Hoeffding不 ...
- UA MATH567 高维统计I 概率不等式8 亚指数范数
UA MATH567 高维统计I 概率不等式8 亚指数范数 类似亚高斯范数,我们也可以定义随机变量的亚指数范数(sub-exponential norm): ∥X∥ψ1=inf{t>0:Ee∣ ...
- UA MATH567 高维统计I 概率不等式7 亚指数性与亚指数分布
UA MATH567 高维统计I 概率不等式7 亚指数分布与亚指数范数 第三讲到第六讲讨论了亚高斯分布,这类分布的尾部概率满足 P(∣X∣≥t)≲e−t2/2P(|X| \ge t) \lesssim ...
- UA MATH567 高维统计I 概率不等式10 Bernstein不等式
UA MATH567 高维统计I 概率不等式10 Bernstein不等式 我们在介绍亚高斯分布后介绍了适用于亚高斯分布的推广的Hoeffding不等式,对于亚指数分布,我们可以得到类似的不等式.因为 ...
- UA MATH567 高维统计I 概率不等式9 亚高斯性的推广:Orlicz空间与Orlicz范数
UA MATH567 高维统计I 概率不等式9 亚高斯性的推广:Orlicz空间 这一讲讨论亚高斯范数与亚指数范数的推广,用一个更广义的框架理解这两种范数,它们其实是Orlicz空间中的随机变量的Or ...
- UA MATH567 高维统计I 概率不等式5 推广Hoeffding不等式与Khintchine不等式
UA MATH567 高维统计I 概率不等式5 推广Hoeffding不等式 我们在第一讲时讨论了Hoeffding不等式,但那个版本时针对有界的随机变量的,我们希望通过亚高斯性推广Hoeffding ...
- UA MATH567 高维统计I 概率不等式4 亚高斯分布
UA MATH567 高维统计I 概率不等式4 亚高斯分布 上一讲我们介绍了Hoeffding不等式与Chernoff不等式,这两个不等式的共性是它们的上界关于ttt的递减阶数都是e−ct2e^{-c ...
- UA MATH567 高维统计I 概率不等式1 Hoeffding不等式与Chernoff不等式
UA MATH567 高维统计I 概率不等式1 Hoeffding不等式与Chernoff不等式 Hoeffding不等式 Chernoff不等式 MATH 564系列我们已经介绍了几个基本的概率不等 ...
最新文章
- XLNet:公平PK,BERT你已经被超过!
- Linux下防火墙iptables用法规则详及其防火墙配置
- DiskLruCache 源码解析
- js数组去重的三种常用方法
- 常州工学院计算机毕业论文多少字,研究常州工学院毕业论文(设计)系统快速使用指南.doc...
- 【maven】scalac:error while loading <root>,Error accessing
- 类里面没有参缺省构造函数 的带来的问题
- 论文阅读:Non-local Neural Networks
- GA-T1400协议--人脸数据
- 概率论与数理统计(陈希孺)学习笔记
- 广州市职称计算机应用考试,职称计算机考试
- 我想健康富有聪明怎么导告_想要成为一个快乐而富有成效的程序员吗? 使用心理学的这5种技巧...
- m基于BP神经网络的障碍物避障和路线规划matlab仿真
- 剖析数据结构线性表,代码实现,分文件编写
- zxing Qr二维码(二维码颜色、logo)
- 我们分析了 10000 条视频,终于知道了今日头条推荐系统的秘密
- Swift 方法的多面性
- 文悦古体仿宋字体官方版
- GraphQL和RESTful的区别
- 数据分析方法-描述性统计分析
热门文章
- LeetCode刷题中遇到的一些知识点
- navicat连接oracle无监听程序_一个Java程序员的成长历程(022天)
- Python 技术篇 - python3使用speech库常见问题原因及解决方法
- sdut 1028 Catch That Cow( BFS)
- [YTU]_2919( Shape系列-5)
- Fast Radial Symmetry Transform/快速径向对称变换
- 二叉树(遍历、建立、深度)
- 关系数据库设计【笔记】
- 【解决方案】from pip import main
- 推荐大家一个保护视力的Visual Studio皮肤