2) Chernoff bound, Hoeffding's Lemma, Hoeffding's inequality
Posted durian
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了2) Chernoff bound, Hoeffding's Lemma, Hoeffding's inequality相关的知识,希望对你有一定的参考价值。
防盗
https://www.cnblogs.com/setdong/p/17370017.html
1. Chernoff bound (切尔诺夫限)
Given a random variable (r.v.) \\(X\\) and \\(\\epsilon>0\\), for any \\(t>0\\) the following inequality holds:
where \\(M(t)=\\mathbbE[e^tX]\\) called moment-generating function (矩生成函数).
证明: 将 Markov\'s inequality 中的 \\(\\epsilon\\) 用 \\(e^t\\epsilon\\) 代替, \\(\\mathbbE[X]\\) 用 \\(\\mathbbE[e^tX]\\) 代替, 所以上界应为 \\(\\mathbbE[e^tX]/e^t\\epsilon=e^-t\\epsilonM(t)\\).
2. Hoeffding\'s Lemma (the upper bound of moment-generating funtion)
Let \\(X\\) be a r.v. with \\(\\mathbbE[X]=0\\) and \\(X\\in[a,b], (b>a)\\). Then for any \\(t>0\\):
证明:
由于 \\(t>0\\), \\(e^tx\\) 为 convex 函数, 所以有以下性质:
所以 (用到了期望的特性和给定条件 \\(\\mathbbE[X]=0\\))
其中 \\(\\phi(t)=ta+\\log(\\fracbb-a+\\frac-ab-ae^t(b-a))\\). 接下来的证明是根据 \\(\\phi(t)\\) 的一阶导和二阶导求 \\(\\phi(t)\\) 的上界, 省去大量的计算公式直接给出结论: \\(\\phi(t)\\leq \\fract^2(b-a)^28\\).
3. Hoeffding\'s inequality
Let \\(X_1,...,X_m\\) be \\(n\\) independent r.v.s with \\(X_i\\in[a_i,b_i], (b_i>a_i)\\), and \\(S_m\\) be the sum of them (\\(S_m = \\sum_i=1^mX_i\\)). Then for any \\(\\epsilon>0\\):
or
证明:
第一行用到了 Chernoff bound, 第二行将 \\(S_m\\) 替换成累加, 移出指数函数外就是累乘, 如果蓝线部分为 \\(Y_i\\), 可以算出它的期望和区间 (右侧蓝色部分), 随机变量 \\(Y_i\\) 满足 Hoeffding\'s lemma 的条件, 所以可以使用这个定理得出第三行, 公式整理后得到第四行. 这里的 \\(t\\) 只要满足大于 0 取任何值不等式都成立, 所以令 \\(t\\) 等于右下角黑色字体的公式, 整理后即为Hoeffding\'s inequality 的形式.
Hoeffding\'s inequality 用处十分广泛, 比较重要.
防盗
https://www.cnblogs.com/setdong/p/17370017.html
切诺夫界(Chernoff bound)
以上是关于2) Chernoff bound, Hoeffding's Lemma, Hoeffding's inequality的主要内容,如果未能解决你的问题,请参考以下文章
(Python)Markov,Chebyshev,Chernoff上界函数
理解Markov, Chebyshev, Chernoff概率不等式
理解Markov, Chebyshev, Chernoff概率不等式
理解Markov, Chebyshev, Chernoff概率不等式