Processing math: 100%

2017年8月26日土曜日

MIT OCW, Discrete Stochastic Processes 02日目

Robert Gallager. 6.262 Discrete Stochastic Processes. Spring 2011. Massachusetts Institute of Technology: MIT OpenCourseWare, https://ocw.mit.edu. License: Creative Commons BY-NC-SA.

Lecture videoを要約していく.

Lecture 3. Laws of Large Numbers, Convergence

Markov, Chebychev, Chernoff bounds

Markov inequality

Y0,y>0なら
Pr(Yy)E[Y]y

Chebyshev inequality

ϵ>0
Pr(|ZE[Z]|ϵ)σ2Zϵ2=var[Z]ϵ2

Chernoff bound

任意のz>0,r>0にmoment generationg function gZ(r)=E[erZ]が定義されているなら,
Pr(Zz)gZ(r)exp(rz)

proof.

Y=erZとする. E[Y]=gZ(r)で,y>0にMarkov inequalityを使って
Pr(Yy)gZ(r)/yすなわちPr(erZy)gZ(r)/y
z=(logy)/ry=erzzを導入すると,Pr(Zz)gZ(r)exp(rz)がたしかに成立.

Markov, Chebyshev, Chernoffを見比べると,Markovはy1, Chebyshevはy2に従って上限が小さくなるのに対し,Chernoffの上限は指数的に上限が小さくなる.これがChernoff boundの有用性の理由である.

Convergence

Weak Law of Large Numbers

X1,...,XnはIIDで,ˉX=E[X1],σ2=σ2X1とする.
Sn=X1+...+Xnとするとσ2Sn=nσ2である.
Sn/nの振る舞いを見る.
var[Sn/n]=nσ2/n2=σ2/n0(n)だから
limnE[(SnnX)2]=0. これをSn/n converges in mean square to ˉXという. 前者はIIDでないときには成り立たないし,分散が存在しないときにも成り立たないが,このようなときでも実は後者は成立する.

Definition

Y1,...,YnYにconverges in mean square to Y
limE[(YnY)2]=0

ここでChebishev’s inequalityを使って
Pr(|SnnˉX|ϵ)σ2nϵ20
以上より,weak law of large numbers(WLLN, 大数の弱法則)
ϵ>0. limnPr(|SnnˉX|ϵ))=0
が示せた. (IIDの仮定に注意,varianceは存在しなくても良い)これはPr(Sn/nx)のdistributionがnの極限でxˉXで0, xˉX1をとるステップ関数になるということである

Central Limit Theorem

limn[Pr(SnnˉXnσy)]=y12πexp(x22)dx

0 件のコメント:

コメントを投稿