概率論回顧
02-27
基於陶哲軒Topics in random matrix theory1.1 章節
這個簡單的概率論/測度論回顧, 作為topics in random matrix theory 一書的準備章節, 主要目的是理解 bound 和 asymptotic convergence的概念和基本方法, 沒有特彆強調 measure 之類的概念, 很適合作為一個簡單的概率論/測度論的概念/方法回顧清單.
- 概率論: 總測度為1的測度空間的研究
- 樣本/概率空間set +-algebra (保證可運算) + 概率測度
- 樣本空間的延伸: 是否總可能? 空間中是否有足夠的隨機 (randomness)?
- 全集 <-> 空集, 補等概念和 set theory 中一致
- union bound:: 一般情況下很弱, 除非事件之間獨立性很強, 也稱作 zeroth moment method.
- 各種 asymptotic notation:
- O 和 o:和, withwhen.
- 事件發生的概率(隨的變化)
- surely/true
- almost surely:: "有朝一日" 一定會發生
- with overwhelming probability
- with high probability: 存在使: 非常接近1的概率會發生, 但是無法排除"小概率"事件
- asymptotically almost surely: 概率漸進=1
- uniformly in "參數": 對於任何該參數的取值, 能找到一個統一的概率關係(e.g., 概率參數和"參數"無關)
- 事件/隨機變數(r.v.): sets of measure 0 的影響
- 離散 r.v.
- 連續 r.v.
- 複數 r.v.
- 聯合(joint) r.v.
- 矢量形式 r.v.
- 矩陣形式 r.v.
- point process: 例如矩陣特徵值的譜(spectrum)
- r.v.的分布, 也成為 law
- 可以"產生"一個滿足一定分布的 r.v.
- 離散 r.v. 的分布是 Dirac masses 之和:
- 一些常用的離散分布
- Dirac
- uniform
- Bernoulli
- 幾何(Geometric)
- 泊松(Poisson)
- 拓展到連續()的情況: + some reference measure(一般是 Lebesgue measure).Radon-Nikodym theorem告訴我們我們可以找到一個非復的, 絕對可積的函數滿足使得, 或者說. 我們將稱作概率分布的概率密度函數.
- 在實數 r.v. 的情況下, 概率分布也可以用累計分布函數(cdf)的概念進行描述.是的 Lebesgue-Stieltjes measure, 在絕對連續的情況下是的導數.
- 常用的連續分布有
- uniform
- real normal distribution
- complex normal distribution
- 期望(expectation)或者均值:, 由Fubini-Tonelli theorem(交換積分順序)可以寫成.
- 絕對可積:
- 期望是線性的, 無論r.v.是否相關或者獨立
- 對於無符號 r.v. 來說, 期望是單調的
- Markov inequality:.
- first moment method: Markov inequality + monotonicity + linearity. 很好用, 但是往往不是最優的結果(由於沒有發掘系統中變數的獨立性)
- Borel-Cantelli lemma:為一些列事件, 滿足. 則 almost surely, 最多有限個事件同時發生.
常用來證明 almost surely convergence
- 對於一個可測且絕對可積的函數, 通過變數代換可得, 例如
- 時, 稱為 moments
- , exponential moments
- , Fourier moments 或characteristic function
- **, resolvents**(預解?)
- 討論一個 r.v. bounded的程度:
- surely bounded
- almost surely bounded
- subgaussian: 存在使得: 變化可以被Gaussian law bound: 例如 Gaussian 和 Poisson
- sub-exponential tail: 存在使得: 例如 geometric
- 有 finitemoment:
- absolutely integrable:
- almost surely finite: Cauchy (常見的 heavy tail distribution)
- P19: 未完待續
推薦閱讀:
TAG:概率論 |