Неравенства для мартингалов
Неравенства для мартингалов ограничивают возможный рост мартингала на протяжении всей его истории, исходя из его конечного значения, превращая контроль над конечной точкой в контроль над всей случайной траекторией.
Definition
Неравенства для мартингалов — это оценки, которые контролируют текущий максимум или флуктуации мартингала или субмартингала, как правило, через его конечное значение, его приращения или его квадратичную вариацию.
Scope
Тема охватывает максимальное неравенство Дуба, ограничивающее вероятность того, что субмартингал когда-либо превысит определенный уровень; Lp-неравенство Дуба, ограничивающее максимум в p-й степени среднего для p больше единицы; неравенство Азумы-Хоффдинга, дающее экспоненциальную концентрацию для мартингалов с ограниченными приращениями; и неравенства Буркхолдера-Дэвиса-Ганди, связывающие максимум мартингала с его квадратичной вариацией.
Core questions
- Как можно ограничить вероятность того, что мартингал когда-либо пересечет высокий уровень?
- Как контролируется наибольшее значение мартингала в p-й степени среднего?
- Когда мартингалы с ограниченными приращениями экспоненциально концентрируются вокруг своего среднего значения?
- Как размер мартингала связан с его накопленной квадратичной вариацией?
Key concepts
- максимальное неравенство Дуба
- Lp-неравенство Дуба
- концентрация Азумы-Хоффдинга
- квадратичная вариация
- неравенства Буркхолдера-Дэвиса-Ганди
Key theories
- Максимальное и Lp-неравенства Дуба
- Вероятность того, что неотрицательный субмартингал когда-либо превысит определенный уровень, ограничена его конечным средним, деленным на этот уровень, а для p больше единицы p-я степень среднего текущего максимума контролируется константой, умноженной на p-ю степень среднего конечного значения, что расширяет неравенство Маркова на целые траектории.
- Неравенство Азумы-Хоффдинга
- Мартингал, последовательные приращения которого ограничены, отклоняется от своего начального значения на заданную величину только с вероятностью, убывающей как гауссово распределение, что обеспечивает точные оценки концентрации для сумм с ограниченной зависимостью.
- Неравенства Буркхолдера-Дэвиса-Ганди
- Для каждого показателя p-я степень среднего максимума мартингала сопоставима, с точностью до универсальных констант, с p-й степенью среднего квадратного корня из его квадратичной вариации, связывая размер мартингала с его накопленной изменчивостью и лежащая в основе стохастического интегрирования.
Clinical relevance
Неравенства для мартингалов занимают центральное место в современном вероятностном анализе: оценки концентрации Азумы-Хоффдинга ограничивают отклонения сложных случайных величин в анализе алгоритмов и машинном обучении; неравенства Дуба контролируют супремумы при сходимости стохастических процессов; а неравенства Буркхолдера-Дэвиса-Ганди необходимы для построения и оценки стохастических интегралов.
History
Максимальные неравенства Дуба были частью его фундаментальной теории мартингалов; оценки концентрации Хоффдинга для сумм были распространены на мартингалы Азумой в 1967 году, а Буркхолдер, Дэвис и Ганди установили эквивалентность максимумов мартингалов и квадратичной вариации в 1970-х годах, что стало краеугольным камнем стохастического анализа.
Key figures
- Joseph L. Doob
- Kazuoki Azuma
- Wassily Hoeffding
- Donald Burkholder
Related topics
Seminal works
- doob1953
Frequently asked questions
- Почему максимальные неравенства так ценятся?
- Многие аргументы требуют контроля над наибольшим значением, которое когда-либо принимает случайный процесс, а не только над его значением в фиксированный момент времени; максимальные неравенства Дуба обеспечивают именно такой контроль над всей траекторией, используя только информацию о конечной точке.
- Что неравенство Азумы-Хоффдинга добавляет по сравнению с неравенством Чебышева?
- Неравенство Чебышева дает только полиномиально убывающие оценки хвостов на основе дисперсии, тогда как неравенство Азумы-Хоффдинга дает экспоненциально убывающие, гауссовские оценки для мартингалов с ограниченными приращениями, что гораздо точнее для редких больших отклонений.