“依概率接近不足以保持稀有事件的指数:误差即使只有 $e^{ n}$,仍可能改变速度 $n$ 下的成本。指数等价要求任意固定容差的失败概率超指数消失,才允许把良速率 LDP 从近似量转移给原量。”
形式陈述
数值近似、插值或小修正通常会改变随机量。误差需要小到什么程度,才能连稀有事件的指数成本也不改变?
设
则称二者在该速度下指数等价。也可以对两族分布寻找满足该条件的耦合,而不要求原来就用同一组随机数生成。
在上述度量空间中,若
直觉
仅依概率接近,允许误差事件以
对非空闭集
第二项超指数小,第一项使用原 LDP 上界。令
例子与边界
令
更一般地,若误差以概率至多
普通概率收敛不足的反例很直接:取
“指数等价”也不意味着二者有限样本分布相同,或期望差小。极罕见却极大的数值仍可能改变无界函数的期望。结论只保留指定拓扑和速度下的 LDP。
推论与应用
路径大偏差常先对网格上的分段线性近似证明有限维结论,再控制路径与插值之间的最大误差。若需要网格逐渐加密,通常使用两重极限的“指数好逼近”,它比本页的一对序列版本多一个逼近参数。Schilder 定理正体现了这种从有限网格到整条路径的证明思路。
参考资料
- Stefan Adams, 2023,§7.1, Definition 7.3 and Theorem 7.4。