В теории вероятностей теория больших уклонений касается асимптотического поведения удаленных хвостов последовательностей вероятностных распределений. Хотя некоторые основные идеи теории можно отнести к Лапласу , формализация началась с математики страхования, а именно с теории разорения Крамера и Лундберга . Единая формализация теории больших отклонений была разработана в 1966 году в статье Варадхана . [1] Теория больших уклонений формализует эвристические идеи концентрации мер и широко обобщает понятие сходимости вероятностных мер .
Грубо говоря, теория больших отклонений занимается экспоненциальным снижением показателей вероятности определенных видов экстремальных или хвостовых событий.
Любое большое отклонение совершается наименее вероятным из всех маловероятных способов!
- Франк ден Холландер, Большие отклонения, с. 10
Рассмотрим последовательность независимых подбрасываний честной монеты. Возможные исходы могут быть орел или решка. Обозначим возможный результат i-го испытания через , где голову закодируем как 1, а хвост как 0. Обозначим теперь среднее значение после испытаний, а именно
Тогда лежит между 0 и 1. Из закона больших чисел следует, что по мере роста N распределение сходится к (ожидаемому значению одного броска монеты).
Более того, по центральной предельной теореме следует, что при больших распределено приблизительно нормально . Центральная предельная теорема может дать более подробную информацию о поведении, чем закон больших чисел. Например, мы можем приблизительно найти хвостовую вероятность – вероятность, которая больше некоторого значения – для фиксированного значения . Однако аппроксимация центральной предельной теоремой может быть неточной, если она далека от достаточно большой и недостаточно велика. Кроме того, он не дает информации о сходимости хвостовых вероятностей как . Однако теория больших отклонений может дать ответы на такие проблемы.
Уточним это утверждение. Для данного значения давайте вычислим вероятность хвоста . Определять
Обратите внимание, что функция является выпуклой неотрицательной функцией, которая равна нулю в точке и увеличивается при приближении к . Это отрицательная энтропия Бернулли с ; То, что он подходит для подбрасывания монеты, следует из свойства асимптотического равнораспределения , примененного к испытанию Бернулли . Тогда с помощью неравенства Чернова можно показать, что . [2] Эта оценка довольно точна в том смысле, что ее нельзя заменить большим числом, что привело бы к строгому неравенству для всех положительных . [3] (Однако экспоненциальную оценку все же можно уменьшить на субэкспоненциальный множитель порядка ; это следует из приближения Стирлинга , примененного к биномиальному коэффициенту , входящему в распределение Бернулли .) Таким образом, мы получаем следующий результат:
Вероятность убывает экспоненциально со скоростью, зависящей от x . Эта формула аппроксимирует любую хвостовую вероятность выборочного среднего переменных iid и дает ее сходимость по мере увеличения количества выборок.
В приведенном выше примере подбрасывания монеты мы явно предположили, что каждый подбрасывание представляет собой независимое испытание и вероятность выпадения орла или решки всегда одинакова.
Пусть — независимые и одинаково распределенные (iid) случайные величины, общее распределение которых удовлетворяет определенному условию роста. Тогда существует следующий предел:
Здесь
как прежде.
Функцию называют « функцией скорости » или «функцией Крамера», а иногда и «функцией энтропии».
Вышеупомянутый предел означает, что для больших ,
что является основным результатом теории больших уклонений. [4] [5]
Если мы знаем распределение вероятностей , можно получить явное выражение для функции скорости. Это дается преобразованием Лежандра–Фенхеля , [6]
где
называется кумулянтной производящей функцией (КГФ) и обозначает математическое ожидание .
Если следовать нормальному распределению , функция скорости становится параболой с вершиной в среднем нормальном распределении.
Если — неприводимая и апериодическая цепь Маркова , то вариант основного результата о больших уклонениях, изложенный выше, может иметь место. [ нужна цитата ]
В предыдущем примере контролировалась вероятность события , то есть концентрация закона на компакте . Также возможно контролировать вероятность события для некоторой последовательности . Ниже приводится пример принципа умеренных отклонений : [7] [8]
Теорема . Пусть будет последовательность центрированных переменных iid с конечной дисперсией такая, что . Определять . Тогда для любой последовательности :
В частности, предельным случаем является центральная предельная теорема .
В польском пространстве пусть будет последовательность борелевских вероятностных мер на , пусть будет последовательность положительных действительных чисел такая, что , и, наконец, пусть будет полунепрерывный снизу функционал на. Говорят, что последовательность удовлетворяет принципу больших отклонений со скоростью и нормой , если: и только если для каждого измеримого по Борелю множества
где и обозначают соответственно замыкание и внутренность . [ нужна цитата ]
Первые строгие результаты, касающиеся больших отклонений, принадлежат шведскому математику Харальду Крамеру , который применил их для моделирования страхового бизнеса. [9] С точки зрения страховой компании, заработок имеет постоянную ставку в месяц (ежемесячная премия), но претензии поступают случайным образом. Чтобы компания была успешной в течение определенного периода времени (желательно многих месяцев), общий доход должен превышать общую сумму претензий. Таким образом, чтобы оценить премию, вам необходимо задать следующий вопрос: «Какую премию нам следует выбрать в качестве премии, чтобы в течение нескольких месяцев общая сумма претензий была меньше ?» Очевидно, это тот же самый вопрос, который задает теория больших уклонений. Крамер дал решение этого вопроса для случайных величин iid , где функция скорости выражается в виде степенного ряда .
Очень неполный список математиков, добившихся важных успехов, включает Петрова , [10] Санова , [11] С.Р.С. Варадана (лауреата Абелевской премии за вклад в теорию), Д. Рюэля , О.Э. Ланфорда , Амира Дембо , и Офер Зейтуни . [12]
Принципы больших отклонений могут эффективно применяться для сбора информации из вероятностной модели. Таким образом, теория больших отклонений находит свое применение в теории информации и управлении рисками . В физике наиболее известные приложения теории больших уклонений возникают в термодинамике и статистической механике (в связи с связью энтропии с функцией скорости).
Функция скорости связана с энтропией в статистической механике. Эвристически это можно увидеть следующим образом. В статистической механике энтропия конкретного макросостояния связана с числом микросостояний, соответствующих этому макросостоянию. В нашем примере с подбрасыванием монеты среднее значение может обозначать определенное макросостояние. И определенная последовательность орлов и решек, которая порождает определенное значение, составляет особое микросостояние. Грубо говоря, макросостояние, имеющее большее количество порождающих его микросостояний, имеет более высокую энтропию. А состояние с более высокой энтропией имеет больше шансов реализоваться в реальных экспериментах. Макросостояние со средним значением 1/2 (столько же орлов, сколько решок) имеет наибольшее количество микросостояний, порождающих его, и это действительно состояние с самой высокой энтропией. И в большинстве практических ситуаций мы действительно получим это макросостояние при большом количестве испытаний. С другой стороны, «функция скорости» измеряет вероятность появления определенного макросостояния. Чем меньше функция скорости, тем выше вероятность появления макросостояния. В нашем подбрасывании монеты значение «функции скорости» для среднего значения, равного 1/2, равно нулю. Таким образом, можно рассматривать «функцию скорости» как отрицательную величину «энтропии».
Между «функцией скорости» в теории больших уклонений и дивергенцией Кульбака–Лейблера существует связь , связь устанавливается теоремой Санова (см. Санов [11] и Новак, [13], гл. 14.5).
В частном случае большие отклонения тесно связаны с понятием пределов Громова – Хаусдорфа . [14]