Skip to content

定义Definition

次指数分布

施工中 · 内容逐步修订

Subexponential distribution · Principle of a single big jump

次指数重尾的固定有限和超过高门槛时,主要由一个分量单独超过门槛造成,其和尾渐近为单项尾的项数倍。

形式陈述 ​

两个非负量的和特别大时,究竟是两者一起偏大,还是其中一个极大?设 F 是 [0,∞) 上的概率分布,且 F―(x)=1−F(x)>0 对每个有限 x 成立。若

F∗F―(x)F―(x)⟶2,x→∞,

则称 F 为次指数分布,记作 F∈S。这里 F∗F 是两个独立同分布变量之和的卷积分布,横线表示整个卷积分布的尾,不是尾函数的普通卷积。

等价地,对 X,Y 独立且同分布为 F,

P(X+Y>x)∼P(max(X,Y)>x)∼2F―(x).

该性质还能推广到每个固定正整数 m:

P(X1+⋯+Xm>x)∼mF―(x).

“固定”很重要。若项数随门槛增长,需要另外的统一条件,不能直接把 m 换成任意 m(x)。

直觉

只要其中一项超过门槛,非负的和就一定超过门槛。两个变量各自超过的事件提供约 2F―(x) 的概率。次指数性说:剩下那种“两项都没超过,却合力越过”的机制,相比之下可以忽略。

因此它研究的是大和事件的成因,而不仅是尾部看起来“下降得慢”。在浓缩不等式中,sub-exponential 有时另指 ψ₁ 次指数尾随机变量;该页以绝对值指数矩定义尺度,并用指数分布与 Pareto 尾作双向对照。那是不同术语约定。本页的卷积尾等价属于重尾理论,精确指数分布反而不满足它。

例子与边界

幂尾为何只需一次大跳 ​

设 F―∈RV−α,α>0。由独立性,

P(X+Y>x)≥P(max(X,Y)>x)=2F―(x)−F―(x)2.

为得到匹配上界,固定 0<ε<1/2。若 X+Y>x,要么至少一项超过 (1−ε)x,要么两项都超过 εx。因此

P(X+Y>x)≤2F―((1−ε)x)+F―(εx)2.

除以 F―(x),正则变化使第二项趋零,第一项趋于 2(1−ε)−α。先让 x→∞,再让 ε↓0,上、下极限都变成二。

这里的次序不能反过来:固定 ε 时才可以使用固定倍率的尾比值极限。证明既覆盖精确 Pareto,也覆盖带慢变化修正的全部正则变化尾。

指数尾给出完全不同的答案 ​

若 X,Y 独立服从率一的指数分布,卷积密度为 se−s,所以

P(X+Y>x)=e−x(1+x),P(X+Y>x)P(X>x)=1+x→∞.

而最大值尾只有约 2e−x。此时很多不同的分配方式都能让和超过 x,不能仅保留单项直接越界的两个事件。于是

P(max(X,Y)>x∣X+Y>x)→0,

正好与次指数分布的极限一相反。

推论与应用

“一大跳”是一个条件概率结论 ​

因为 {max(X,Y)>x}⊆{X+Y>x},次指数性等价于

P(max(X,Y)>x∣X+Y>x)→1.

同时两项都超过门槛的条件概率趋零,因为 F―(x)2/F∗F―(x)→0。因此在极大的和事件里,通常恰有一个分量独自越过门槛。它并未说另一项必为零,也未说对普通大小的和有同样规律。

固定多项与中部误差 ​

对正则变化尾,上面的分割可直接推广。m=1 时结论直接成立;以下固定 m≥2。若 m 项的和超过 x,但没有单项超过 (1−ε)x,则至少两个分量超过 cm,εx,其中可以取

cm,ε=min{1/m,ε/(m−1)}.

对有限多个成对事件使用并集界,其概率至多 (m2)F―(cm,εx)2=o(F―(x))。配合最大值下界,就得到 mF―(x)。

一般的次指数类不一定正则变化,所以下面证明整个类的固定卷积结论。记 b(x)=F―(x)。先对固定 a>0 将第二项按 Y≤x−a、x−a<Y≤x、Y>x 分开,得到

P(X+Y>x)≥b(x)F(x−a)+b(a)[b(x−a)−b(x)]+b(x).

除以 b(x),左侧趋于二,右侧第一、三项之和也趋于二。因 b(a)>0,必有 b(x−a)/b(x)→1;把 x 换成 x+a 也得 b(x+a)/b(x)→1。这就是对每个固定平移不敏感的长尾性质。

可逐段选择一个充分慢的 h(x)↑∞,使 h(x)≤x/2 且 b(x±h(x))/b(x)→1:对整数 j,先取足够大的起点,使所有幅度不超过 j 的平移误差都小于 1/j,再令这一段的 h=j。有限多个长尾分布可共用同样慢的 h。

在 X+Y>x 内,事件 X≤h 与 Y≤h 不相交,而且

b(x)F(h)≤∫[0,h]b(x−y)dF(y)≤b(x−h)F(h).

故每个端部的概率都渐近于 b(x)。次指数假设于是给中部余量

MF(x):=P(X>h,Y>h,X+Y>x)=o(b(x)).

若另一个非负分布 G 的尾 g(x)∼cb(x),其中 0<c<∞,则 G 也长尾。取二者共用的 h,并选 C 使充分大 z 上 g(z)≤Cb(z)。限制在 (h,∞) 的有限测度也满足这个尾序关系:对低于 h 的门槛,比的是其总质量;对高于 h 的门槛,比的是对应尾概率。因此对任意非负递增函数,G 的该限制测度的积分不超过 C 倍 F 的积分。这个结论先对上射线指示函数成立,再由逐层积分推广。

把它用于递增函数 y↦P(X>h,X+y>x),F∗G 的中部余量便至多为 CMF(x)=o(b(x))。它的两个端部分别渐近于 b(x) 与 g(x),所以

F∗G―(x)∼(c+1)b(x).

从 G=F 开始归纳,得到每个固定 m 的 F∗m―(x)∼mF―(x)。正则变化的固定倍率分割仍是前面的快捷证明;这里的长尾与中部控制补足了不具有正则变化的一般次指数分布。

为什么不能任意增加项数 ​

取精确 Pareto 尾 P(X>x)=x−2,x≥1,并让 m(x)=⌈x3⌉。由于每项至少为一,和必然超过 x,其概率等于一;但 m(x)F―(x)∼x→∞,已经不可能是概率近似。

即使 m(x)F―(x) 很小,也还可能需要控制均值积累与多项共同偏移,不能仅凭这个反例的反面就宣称公式成立。Cramér 大偏差定理研究有正指数矩时随项数增长的另一种机制;把固定和的重尾结论直接拿来代替它,会混淆两个极限问题。

参考资料
  • Sergey Foss, Dmitry Korshunov and Stan Zachary, 《Convolutions of long-tailed and subexponential distributions》,arXiv:0810.1994v2,2008-11-28;§2 的长尾、缓慢平移与卷积分割,§4 的 Theorem 15、Theorem 17 与 Corollary 19。正文给出所需的一般固定卷积次幂论证,未将正则变化特例当作整个次指数类的证明。
关系图谱12 个相邻概念 · 3 类关系

拖动节点调整位置。

显示关系

显示:依赖

  1. 前置三跳
  2. 前置二跳
  3. 前置一跳
  4. 当前条目
  5. 后续一跳
  6. 后续二跳
  7. 后续三跳
文字版关系按与当前条目的最短距离分组
类型化关系