切诺夫界(Chernoff Bound)形式及其证明

这篇具有很好参考价值的文章主要介绍了切诺夫界(Chernoff Bound)形式及其证明。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

马尔可夫不等式

设随机变量X的取值为非负数,马尔可夫不等式形式为:
P ( X ≥ ξ ) ≤ E ( X ) ξ P(X \ge \xi) \le \frac{E(X)}{\xi} P(Xξ)ξE(X)

p r o o f . proof. proof.

设非负随机变量 X X X的概率密度函数为 f ( x ) f(x) f(x)
E ( X ) = ∫ 0 ∞ x f ( x ) d x = ∫ 0 ξ x f ( x ) d x + ∫ ξ ∞ x f ( x ) d x ≥ ∫ ξ ∞ x f ( x ) d x ≥ ∫ ξ ∞ ξ f ( x ) d x = ξ P ( X ≥ ξ ) \begin{split} E(X)&=\int_{0}^{\infty}xf(x)dx \\ &= \int_{0}^{\xi}xf(x)dx+\int_{\xi}^{\infty}xf(x)dx \\ &\ge \int_{\xi}^{\infty}xf(x)dx \\ &\ge \int_{\xi}^{\infty}\xi f(x)dx \\ &= \xi P(X \ge \xi) \end{split} E(X)=0xf(x)dx=0ξxf(x)dx+ξxf(x)dxξxf(x)dxξξf(x)dx=ξP(Xξ)
所以 E ( X ) ≥ ξ P ( X ≥ ξ ) E(X) \ge \xi P(X \ge \xi) E(X)ξP(Xξ)

经变换得到结论:
P ( X ≥ ξ ) ≤ E ( X ) ξ P(X \ge \xi) \le \frac{E(X)}{\xi} P(Xξ)ξE(X)

切诺夫界

X = ∑ i = 1 n X i X=\sum_{i=1}^{n}X_i X=i=1nXi,其中 X 1 , … , X n X_1, \dots,X_n X1,,Xn之间相互独立,并且 P ( X i = 1 ) = p i ,   P ( X i = 0 ) = 1 − p i P(X_i=1)=p_i,\ P(X_i=0)=1-p_i P(Xi=1)=pi, P(Xi=0)=1pi

μ = E ( X ) = ∑ i = 1 n p i \mu = E(X)=\sum_{i=1}^{n}p_i μ=E(X)=i=1npi

  1. Upper Tail:
    ∀ δ > 0 ,   P ( X ≥ ( 1 + δ ) μ ) ≤ e − δ 2 2 + δ μ \forall \delta \gt 0,\ P(X \ge (1+\delta)\mu) \le e^{-\frac{\delta^2}{2+\delta}\mu} δ>0, P(X(1+δ)μ)e2+δδ2μ

  2. Lower Tail:
    ∀ 0 < δ < 1 ,   P ( X ≤ ( 1 − δ ) μ ) ≤ e − δ 2 2 μ \forall 0 \lt \delta \lt 1,\ P(X \le (1-\delta)\mu) \le e^{-\frac{\delta^2}{2}\mu} ∀0<δ<1, P(X(1δ)μ)e2δ2μ

p r o o f . proof. proof.

由马尔可夫不等式可知,设 X X X为一非负随机变量,对于 ∀ s > 0 \forall s \gt 0 s>0
P ( X ≥ a ) = P ( e s X ≥ e s a ) ≤ E ( e s X ) e s a P(X \ge a)=P(e^{sX} \ge e^{sa}) \le \frac{E(e^{sX})}{e^{sa}} P(Xa)=P(esXesa)esaE(esX)
类似可知
P ( X ≤ a ) = P ( e − s X ≥ e − s a ) ≤ E ( e − s X ) e − s a P(X \le a)=P(e^{-sX} \ge e^{-sa}) \le \frac{E(e^{-sX})}{e^{-sa}} P(Xa)=P(esXesa)esaE(esX)
现令 M X ( s ) = E ( e s X ) M_X(s)=E(e^{sX}) MX(s)=E(esX)

l e m m a   1 : lemma\ 1: lemma 1:

设随机变量 X = ∑ i = 1 n X i X=\sum_{i=1}^{n}X_i X=i=1nXi

M X ( s ) = E ( e s X ) = E ( e s ∑ i = 1 n X i ) = E ( ∏ i = 1 n e s X i ) = ∏ i = 1 n E ( e s X i ) = ∏ i = 1 n M X i ( s ) M_X(s)=E(e^{sX})=E(e^{s\sum_{i=1}^{n}X_i})=E(\prod_{i=1}^{n}e^{sX_i})=\prod_{i=1}^{n}E(e^{sX_i})=\prod_{i=1}^{n}M_{X_i}(s) MX(s)=E(esX)=E(esi=1nXi)=E(i=1nesXi)=i=1nE(esXi)=i=1nMXi(s)

即:
M X ( s ) = ∏ i = 1 n M X i ( s ) M_X(s)=\prod_{i=1}^{n}M_{X_i}(s) MX(s)=i=1nMXi(s)
l e m m a   2 lemma\ 2 lemma 2

设随机变量 X ∼ B ( p , 1 ) X \sim B(p,1) XB(p,1)

M X ( s ) = p e s + ( 1 − p ) = 1 + p ( e s − 1 ) M_X(s)=pe^{s}+(1-p)=1+p(e^{s}-1) MX(s)=pes+(1p)=1+p(es1)

因为 e x ≥ 1 + x e^x \ge 1+x ex1+x,得到结论
M X ( s ) ≤ e p ( e s − 1 ) M_X(s) \le e^{p(e^{s}-1)} MX(s)ep(es1)
上尾证明:
P ( X ≤ ( 1 + δ ) μ ) ≤ E ( e s X ) e s ( 1 + δ ) μ = M X ( s ) e s ( 1 + δ ) μ = ∏ i = 1 n M X i ( s ) e s ( 1 + δ ) μ ≤ ∏ i = 1 n e p i ( e s − 1 ) e s ( 1 + δ ) μ = e ( e s − 1 ) ∑ i = 1 n p i e s ( 1 + δ ) μ = e ( e s − 1 ) μ e s ( 1 + δ ) μ = [ e ( e s − 1 ) e s ( 1 + δ ) ] μ \begin{split} P(X \le (1+\delta)\mu) &\le \frac{E(e^{sX})}{e^{s(1+\delta)\mu}} \\ &=\frac{M_X(s)}{e^{s(1+\delta)\mu}} \\ &=\frac{\prod_{i=1}^{n} M_{X_i}(s)}{e^{s(1+\delta)\mu}} \\ &\le \frac{\prod_{i=1}^{n} e^{p_i(e^s-1)}}{e^{s(1+\delta)\mu}} \\ &= \frac{e^{(e^s-1)\sum_{i=1}^{n}p_i}}{e^{s(1+\delta)\mu}} \\ &= \frac{e^{(e^s-1)\mu}}{e^{s(1+\delta)\mu}} \\ &= \left[\frac{e^{(e^s-1)}}{e^{s(1+\delta)}}\right]^\mu \\ \end{split} P(X(1+δ)μ)es(1+δ)μE(esX)=es(1+δ)μMX(s)=es(1+δ)μi=1nMXi(s)es(1+δ)μi=1nepi(es1)=es(1+δ)μe(es1)i=1npi=es(1+δ)μe(es1)μ=[es(1+δ)e(es1)]μ
s = l n ( 1 + δ ) s=ln(1+\delta) s=ln(1+δ)

可得:
P ( X ≤ ( 1 + δ ) μ ) ≤ ( e δ ( 1 + δ ) ( 1 + δ ) ) μ P(X \le (1+\delta)\mu) \le \left(\frac{e^\delta}{(1+\delta)^{(1+\delta)}}\right)^\mu P(X(1+δ)μ)((1+δ)(1+δ)eδ)μ
又有: l n [ ( e δ ( 1 + δ ) ( 1 + δ ) ) μ ] = μ ( δ − ( 1 + δ ) l n ( 1 + δ ) ) ln\left[\left(\frac{e^\delta}{(1+\delta)^{(1+\delta)}}\right)^\mu\right]=\mu(\delta-(1+\delta)ln(1+\delta)) ln[((1+δ)(1+δ)eδ)μ]=μ(δ(1+δ)ln(1+δ)),且 ∀ x > 0 ,   l n ( 1 + x ) ≥ x 1 + x 2 \forall x \gt 0,\ ln(1+x) \ge \frac{x}{1+\frac{x}{2}} x>0, ln(1+x)1+2xx

可得:
μ ( δ − ( 1 + δ ) l n ( 1 + δ ) ) ≤ − δ 2 2 + δ μ \mu(\delta-(1+\delta)ln(1+\delta)) \le -\frac{\delta^2}{2+\delta}\mu μ(δ(1+δ)ln(1+δ))2+δδ2μ
即:
( e δ ( 1 + δ ) ( 1 + δ ) ) μ ≤ e − δ 2 2 + δ μ \left(\frac{e^\delta}{(1+\delta)^{(1+\delta)}}\right)^\mu \le e^{-\frac{\delta^2}{2+\delta}\mu} ((1+δ)(1+δ)eδ)μe2+δδ2μ
所以上尾得证:
P ( X ≤ ( 1 + δ ) μ ) ≤ e − δ 2 2 + δ μ P(X \le (1+\delta)\mu) \le e^{-\frac{\delta^2}{2+\delta}\mu} P(X(1+δ)μ)e2+δδ2μ

下尾类似:

s = l n ( 1 − δ ) s=ln(1-\delta) s=ln(1δ)

且使用不等式: ∀ 0 < δ < 1 ,   l n ( 1 + δ ) ≥ − δ + δ 2 2 \forall 0 \lt \delta \lt 1,\ ln(1+\delta) \ge -\delta + \frac{\delta^2}{2} ∀0<δ<1, ln(1+δ)δ+2δ2

非伯努利切诺夫界

在上述切诺夫界中,假设了 X i ∼ B ( p i , 1 ) X_i \sim B(p_i,1) XiB(pi,1),对于不服从伯努利分布的随机变量,同样有

X 1 , … , X n X_1, \dots, X_n X1,,Xn相互独立,其中 a ≤ X i ≤ b a \le X_i \le b aXib,令 X = ∑ i = 1 n X i ,   μ = E ( X ) ,   ∀ δ > 0 X=\sum_{i=1}^{n}X_i,\ \mu=E(X),\ \forall \delta \gt 0 X=i=1nXi, μ=E(X), δ>0有:

上尾:
P ( X ≥ ( 1 + δ ) μ ) ≤ e − 2 δ 2 μ 2 n ( b − a ) 2 P(X \ge (1+\delta)\mu) \le e^{-\frac{2\delta^2\mu^2}{n(b-a)^2}} P(X(1+δ)μ)en(ba)22δ2μ2
下尾:
P ( X ≤ ( 1 − δ ) μ ) ≤ e − δ 2 μ 2 n ( b − a ) 2 P(X \le (1-\delta)\mu) \le e^{-\frac{\delta^2\mu^2}{n(b-a)^2}} P(X(1δ)μ)en(ba)2δ2μ2文章来源地址https://www.toymoban.com/news/detail-769779.html

到了这里,关于切诺夫界(Chernoff Bound)形式及其证明的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • linux网卡bound(链路聚合)

    网卡bond (也称为链路聚合或端口聚合) 可以通过将多个物理网卡绑定在一起来增加网络带宽和提高网络冗余性。以下是使用Linux操作系统进行网卡bond的步骤: 确认您的Linux版本支持网卡bonding功能。 可以使用 \\\"lsmod | grep bonding\\\" 命令来检测是否有bonding模块。如果返回结果为空,

    2024年02月10日
    浏览(26)
  • Invalid bound statement (not found)

    目录 一、遇到的问题 二、分析思路 1、映射文件 2、测试类 三、解决方案 前几日,有个工作不久的同事找我帮他解决一个 Mybatis 的问题。他写了一个增删改查,但是在启动程序的时候报错:Invalid bound statement (not found) 。他试图解决该异常,花了一个小时还是没有解决,所以

    2024年02月01日
    浏览(39)
  • ⚡【C++要笑着学】(30) 集合类:set 类 | 元素的插入和删除 | lower_bound 接口 | upper_bound 接口 | multiset 类

        C++ 表情包趣味教程 👉 《C++要笑着学》 💭 写在前面: 好久没更新了,C++ 系列教程的更新速度真的是快赶得上 \\\"年更\\\" 了,最近这个专栏订阅量破 1200 了,也有不少小伙伴要接着往下看,所以我得好好更新!不能烂尾啊是吧。上一章我们讲解了二叉搜索树,本章我们

    2024年02月03日
    浏览(31)
  • BindingException:Invalid bound statement (not found)异常

    本文的mybatis是与springboot整合时出现的异常,若使用的不是基于springboot,解决思路也大体一样的。 但在这之前,我们先要知道整合mybatis的三个重要的工作,如此才能排查,且往下看。 我们打开pom文件如下: 这部分代码的作用是指定需要编译到taget目录下的资源文件。我们的

    2024年02月04日
    浏览(26)
  • java.lang.IllegalArgumentException: bound must be positive

    IllegalArgumentException 是Java中的一个异常类,用于在方法中传递非法的参数值时抛出。具体的错误信息 bound must be positive 表示传入的参数边界必须是一个正数。 在Java中,一些方法或构造函数要求参数值是正数。如果传入了负数或零,就会抛出这个异常。要解决此问题,您需要检

    2024年02月04日
    浏览(33)
  • Invalid bound statement (not found) 原因和解决方法

    在我springboot项目,启动的时候,报了 Invalid bound statement (not found) :绑定语句无效(未找到) mapper接口和mapper.xml文件没有映射起来 1.查看mapper.xml中的namespace和接口mapper文件一致吗 2.看一下 target 里面有没有编译的mapper.xml文件 没有的话,打开maven点击clean一下,重新运行就ok了

    2024年02月14日
    浏览(23)
  • Invalid bound statement (not found)出现原因和解决方法

    出现的原因:mapper接口和mapper.xml文件没有映射起来。 解决方法: 1、 .mapper.xml中的namespace和实际的mapper文件是否一致 2、 检查mapper接口中的方法名与mapper.xml文件中的id是否一致 推荐大家去下载MyBatisX插件,可以自动实现mapper接口到mapper.xml之间的映射,既能提高效率,又能避

    2024年02月11日
    浏览(41)
  • mybatis plus报错:Invalid bound statement (not found)

    有的同学,在搭建mybatis plus项目时,遇到Invalid bound statement (not found)的问题,实质上是mapper接口和mapper.xml没有映射起来。 这种情况,常见的问题有以下几个: 1、mapper.xml 里面的 namespace与实际的mapper类路径不一致。 这个有个快捷的检测办法就是按住ctrl键,然后点击namespace里

    2024年02月04日
    浏览(35)
  • Invalid bound statement (not found):常见报错原因解决

    在SpringMVC项目中,通过mapper接口加载映射文件,完成数据库的操作。 报错:Invalid bound statement (not found): 1、xml文件的namespace不正确 2、XxxMapper.java的方法在XxxMapper.xml中没有,运行则会报此错误 3、XxxMapper.java的方法返回值是List,但是没有正确配置ResultMap,或者只配置ResultType 4、

    2023年04月27日
    浏览(28)
  • Invalid bound statement (not found)的原因以及解决方法

    相信我们在学习Mybatis的时候都出现过 Invalid bound statement (not found) 这个错误,一般由以下几种可能导致这个错误 例如: mapper:  对应的mapper.xml 这里建议小伙伴们下载一个插件,方便查看你的xml是否对应了你想对应的mapper接口 有了这个插件,你的接口mapper和对应的mapper.xml都

    2024年02月15日
    浏览(30)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包