標籤:

概率論回顧

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Omega = (Omega, mathfrak{B}, {f P})set +sigma-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:P(lor_i E_i) le sum_i P(E_i): 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:|X| le C Y|X| le c(n) Y, withc(n) 	o 0whenn	oinfty.
  • 事件E_n發生的概率(隨n的變化)
  • surely/true
  • almost surely:P(E_n) = 1: "有朝一日" 一定會發生
  • with overwhelming probability
  • with high probability: 存在C,c使P(E_n) ge 1- C n^{-c}: 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1-o(1)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){lambda_1, ldots, lambda_n}
  • r.v.X的分布mu_X(S) equiv P(X in S), 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:mu_X = sum_{X in R} p_X delta_X
  • 一些常用的離散分布
  • Dirac
  • uniform
  • Bernoulli
  • 幾何(Geometric)
  • 泊松(Poisson)
  • 拓展到連續(P(X =x)= 0)的情況: + some reference measuredm(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f in L^1(R,dm)滿足int_R f dm =1使得mu_X(S) = int_S f dm, 或者說d mu_x = f dm. 我們將f稱作概率分布mu_X概率密度函數.
  • 在實數 r.v. 的情況下, 概率分布mu_x也可以用累計分布函數(cdf)的概念進行描述F_X(x) equiv P(X le x) = mu_X ( (-infty, x]) ).mu_XF_X的 Lebesgue-Stieltjes measure, 在絕對連續的情況下是F_X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:{f E}X equiv int_S x d mu_X (x), 由Fubini-Tonelli theorem(交換積分順序)可以寫成{f E}X equiv int_S P(X ge lambda) dlambda.
  • 絕對可積:{f E}|X| < infty
  • 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
  • Markov inequality:P( |X| ge lambda) le frac1{lambda}{f E}|X|.
  • 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:E_1, E_2, ldots為一些列事件, 滿足sum_i P(E_i) < infty. 則 almost surely, 最多有限個事件E_i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F, 通過變數代換可得{f E}F(X) = int_S F(x) dmu_X (x), 例如
  • F(X) = |X|^k時, 稱為 moments
  • F(X) = e^{tX}, exponential moments
  • F(X) = e^{itX}, Fourier moments 或characteristic function
  • **F(X) = frac1{X-z}, resolvents**(預解?)
  • 討論一個 r.v. bounded的程度:
  • surely bounded
  • almost surely bounded
  • subgaussian: 存在C,c使得P(|X| ge lambda ) le C exp(-c lambda^2): 變化可以被Gaussian law bound: 例如 Gaussian 和 Poisson
  • sub-exponential tail: 存在C,c,a使得P(|X| ge lambda ) le C exp(-c lambda^a): 例如 geometric
  • 有 finitek^{
m th}moment:{f E}|X|^k le C
  • absolutely integrable:{f E}|X| < infty
  • almost surely finite: Cauchy (常見的 heavy tail distribution)
  • P19: 未完待續

推薦閱讀:

TAG:概率論 |