Неравенство Хёфдинга (Uyjgfyuvmfk }~s;nuig)

Неравенство Хёфдинга даёт верхнюю границу вероятности того, что сумма случайных величин отклоняется от своего математического ожидания. Неравенство Хёфдинга было доказано Василием Хёфдингом в 1963 году. Неравенство Хёфдинга является частным случаем неравенства Азумы и более общим случаем неравенства Бернштейна, доказанного Сергеем Бернштейном в 1923 году. Они также являются частными случаями неравенства МакДиармида.

Частный случай для случайных величин Бернулли

Неравенство Хефдинга может быть применено к важному частному случаю одинаково распределенных бернуллиевских случайных величин, и, как неравенство, часто используется в комбинаторике и информатике. Рассматриваем смещённую монету, у которой орёл выпадает с вероятностью $p$ и решка — с вероятностью $1-p$. Мы бросаем монету $n$ раз. Математическое ожидание того, сколько раз монета упадет орлом, есть $p\cdot n$. Далее, вероятность того, что монета упадет орлом не более $k$ раз, может быть точно оценена выражением:

$\Pr {\Big (}H(n)\leqslant k{\Big )}=\sum _{i=0}^{k}{\binom {n}{i}}p^{i}(1-p)^{n-i}\,.$

В случае $k=(p-\varepsilon )n$ для некоторого $\varepsilon >0$ неравенство Хёфдинга ограничивает эту вероятность выражением, которое экспоненциально убывает от $\varepsilon ^{2}\cdot n$:

$\Pr {\Big (}H(n)\leqslant (p-\varepsilon )n{\Big )}\leqslant \exp {\big (}-2\varepsilon ^{2}n{\big )}\,.$

Похожим образом, в случае $k=(p+\varepsilon )n$ для некоторого $\varepsilon >0$ неравенство Хёфдинга ограничивает вероятность того, что выпадет не меньше $\varepsilon n$ орлов, чем ожидаемо, выражением:

$\Pr {\Big (}H(n)\geqslant (p+\varepsilon )n{\Big )}\leqslant \exp {\big (}-2\varepsilon ^{2}n{\big )}\,.$

Таким образом, неравенство Хёфдинга означает, что число выпадений орла, концентрируется вокруг среднего, с экспоненциально малым хвостом.

$\Pr {\Big (}(p-\varepsilon )n\leqslant H(n)\leqslant (p+\varepsilon )n{\Big )}\geqslant 1-2\exp {\big (}-2\varepsilon ^{2}n{\big )}\,.$

Общий случай

Пусть $X_{1},\dots ,X_{n}$ — независимые случайные величины.

Положим, что $X_{i}$ являются почти достоверно ограниченными, то есть, положим для $1\leqslant i\leqslant n$, что:

$\Pr(X_{i}\in [a_{i},b_{i}])=1.$

Мы определяем эмпирическое среднее этих переменных:

${\overline {X}}=(X_{1}+\cdots +X_{n})/n\,.$

Теорема 2 из Hoeffding (1963), доказывает неравенства:

$\Pr({\overline {X}}-\mathrm {E} [{\overline {X}}]\geqslant t)\leqslant \exp \left(-{\frac {2t^{2}n^{2}}{\sum _{i=1}^{n}(b_{i}-a_{i})^{2}}}\right),$

$\Pr(|{\overline {X}}-\mathrm {E} [{\overline {X}}]|\geqslant t)\leqslant 2\exp \left(-{\frac {2t^{2}n^{2}}{\sum _{i=1}^{n}(b_{i}-a_{i})^{2}}}\right),$

которые верны для всех положительных значений t. Здесь $\mathrm {E} [{\overline {X}}]$ является мат.ожиданием ${\overline {X}}$.

Заметим, что неравенство также верно, если $X_{i}$ были получены с использованием выборки без замены, в данном случае случайные переменные не являются больше независимыми. Доказательство этого утверждения можно найти в статье Хёфдинга. Для несколько лучших оценок границ в случае выборки без замены, см., например, статью, .

См. также

• Неравенство Чебышёва
• Неравенство Маркова