UA MATH563 概率論的數(shù)學(xué)基礎(chǔ) 中心極限定理14 Kolmogorov maximal inequality

這一講介紹一個(gè)有用的不等式，它給出了獨(dú)立隨機(jī)變量的和的最值的tail probability的階。

Kolmogorov maximal inequality
假設(shè)$X_1,?,X_n$是獨(dú)立的隨機(jī)變量，并且$E{X}_i=0,Var{X}_i<\infty$，則
$$P(\underset{1\le k\le n}{\max }|S_k|\ge x)\le \frac{Var(S_n)}{x^2}$$

其中
$$S_k=\sum _{i=1}^k{X}_i$$

說明
與Chebyshev不等式的對(duì)比：
$$P(|S_n|\ge x)\le \frac{Var(S_n)}{x^2}$$

顯然Kolmogorov maximal inequality比Chebyshev不等式更強(qiáng)，雖然它們提供一樣的上界，但Chebyshev不等式只討論前$n$項(xiàng)和，Kolmogorov maximal inequality討論的是前$n$個(gè)部分和的最大值；但是需要注意的是Chebyshev不等式不要求獨(dú)立性，但Kolmogorov maximal inequality是要求的。

---

證明
考慮事件$\{{\max }_{1\le k\le n}|S_k|\ge x\}$，我們可以做一個(gè)分解
$$\{\underset{1\le k\le n}{\max }|S_k|\ge x\}=\underset{k\ge 1}{?}{A}_k$$

其中
$$A_k=\{|S_k|\ge x,|S_j|<x,?j<k\}$$

計(jì)算
$$\begin{gathered} Var(S_n)=E[S_n^2]={\int }_{\Omega }{S}_n^{2}dP\ge {\int }_{{?}_{k=1}^n{A}_k}{S}_n^{2}dP \\ =\sum _{k=1}^n{\int }_{A_k}{S}_n^{2}dP=\sum _{k=1}^n{\int }_{A_k}[S_k^2+2S_k(S_n?S_k)+(S_n?S_k{)}^2]dP \\ \ge \sum _{k=1}^n{\int }_{A_k}[S_k^2+2S_k(S_n?S_k)]dP \end{gathered}$$

考慮第二項(xiàng)，$2S_k{1}_{A_k}$在$\sigma (\{X_1,?,X_k\})$中可測(cè)，$S_n?S_k$在$\sigma (\{X_{k+1},?,X_n\})$中可測(cè)，也就是說$2S_k{1}_{A_k}$與$S_n?S_k$獨(dú)立，并且$E[S_n?S_k]=0$，所以
$$\begin{gathered} {\int }_{A_k}2S_k(S_n?S_k)dP=\int 2S_k{1}_{A_k}dP\int (S_n?S_k)dP \\ =\int 2S_k{1}_{A_k}dPE[S_n?S_k]=0 \end{gathered}$$

因此
$$\begin{gathered} Var(S_n)\ge \sum _{k=1}^n{\int }_{A_k}{S}_k^{2}dP\ge \sum _{k=1}^{\infty }{\int }_{A_k}{x}^{2}dP=x^2\sum _{k=1}^{n}P(A_k) \\ =x^{2}P(\underset{k\ge 1}{?}{A}_k)=x^{2}P(\underset{1\le k\le n}{\max }|S_k|\ge x) \end{gathered}$$

總結(jié)

以上是生活随笔為你收集整理的UA MATH563 概率论的数学基础 中心极限定理14 Kolmogorov maximal inequality的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。