On the Laplace transform of perpetuities with thin tails
我们考虑随机变量$R$是分布方程$R\overset{\cL}{=}MR+Q$的解,其中$(Q,M)$独立于$R$和$\ABS{M}\leq 1$。Goldie和Grübel证明了$R$的尾部并不比指数重。本文给出了$R$的拉普拉斯变换的定义域的精确上界。
2009-12-23 math.PR
Non-asymptotic tails estimations for sums of random vectors having moderate decreasing tails
对于中心赋范独立随机向量的经典赋范和,得到了其分布尾的非渐近一致估计,这些随机向量具有一个中等递减的个别和项尾.
2021-10-05 math.PR
A note on limiting behaviour of constrained sums of two variables
本文研究变量$$Z_d:=\frac{X_1}{d}|\{X_1+X_2=d\},$$作为$d\to \infty$的渐近性质。此处,$X_1$和$X_2$是非阴性i.i.d.具有共同的二次可微密度函数$f$的变量。一般结果有关的分布极限的$Z_d$进行了讨论与各种例子。$f$的最终对数凸性或对数凸性是决定变量$Z_d$行为的关键因素。因此,两个令人惊讶的发现:首先,它是注意到,分布极限并不严格由尾函数的衰减率。其次,它表明,存在一个轻尾分布表现出的行为,通常与重尾分布,即一个大跳跃的原则。
2015-04-30 math.PR
Distributional comparison for non-commutative infinitely divisible probability measures
针对布尔、经典和自由卷积下的无穷可分分布,利用累积量差异估计非交换Wasserstein距离的上界。
2026-06-29 math.PR
Tails and probabilities for $p$-outside values
对概率分布的尾部行为进行普遍而有用的分类的任务仍然没有令人满意的解决方案。由于缺乏数据范围之外的信息,分布的尾部应该通过许多特征来描述。规则变化指数是一个很好的特征,但它将太多具有非常不同尾部行为的分布放在同一个类中。例如,可以考虑具有同一个固定参数$α> 0$的Pareto($α$)、Fr $\acute{e}$ chet($α$)和Hill-horror($α$)。当我们谈到分布的尾部时,VaR、期望值和风险函数的主要缺点是它们依赖于分布的中心和比例因子。因此,他们是非常适合预测“大损失”,但在一个正确的特征的分布类型的“回报”。当分析观测分布的尾部时,我们需要一些不依赖于矩的特征,因为在重尾分布的最重要的情况下,理论矩不存在,相应的经验矩波动太大。在本文中,我们表明,不同类型的外部值的概率可以是非常适当的特征的尾部观察到的分布。它们不依赖于递增的仿射变换,也不需要矩的存在。这个想法起源于Tukey的箱形图,并允许我们获得一个相同的特性的尾部观察到的分布在整个分布类型相对于增加仿射变换。这些特征回答了这样一个问题:我们在多大程度上可以观察到“意外”值?
2019-07-21 math.PR
The Distributional Tail of Worst-Case Quickselect
University of Wrocław(弗罗茨瓦夫大学)
研究了由分布固定点方程定义的几乎 surely 有限随机变量 S 的右尾,推导了尾部衰减率的显式界,并通过二叉搜索树嵌入和二阶矩方法给出了 Chernoff 上界。
2026-04-14 cs.DS math.PR
Distributionally Constrained Black-Box Stochastic Gradient Estimation and Optimization
我们认为随机梯度估计只使用黑盒函数的评价,其中函数参数位于概率单纯形。这个问题是从梯度下降优化程序在多个应用程序中的分布鲁棒分析和逆模型校准涉及决策变量的概率分布的动机。我们特别感兴趣的是获得梯度估计,其中一个或几个样本观测或模拟运行同时适用于所有方向。传统的零阶梯度方案,如同时扰动面临的挑战,因为所需的矩条件,允许“取消”高阶偏差不能满足,而不违反单纯形约束。我们研究了一组新的随机扰动发生器所需的条件,这使我们一类可实现的梯度估计使用Dirichlet混合。我们研究了这些估计的统计特性和它们在约束随机逼近中的效用,包括Frank-Wolfe和镜像下降更新方案。我们证明了我们的程序的有效性,并通过几个数值例子与基准比较。
2021-05-19 math.OC math.PR stat.ME
Tail estimations for normed sums of centered exchangeable random variables
在这篇简短的报告中,我们导出了中心可交换随机变量和的指数和幂减尾估计,类似于中心独立变量和的幂减尾估计。
2022-06-01 math.PR
Right-tail moderate deviations in the exponential last-passage percolation
我们研究了指数角增长模型中的中等偏差,无论是在批量设置和增量固定设置。主要结果是增量-平稳过程的最后通过时间和出口点的尖锐右尾界。这些参数利用了稳态形式的计算和由E产生的矩母函数恒等式。雨,我们给一个简短的概率证明。作为偏差界的应用,我们得到了Busemann函数分布收敛速度的上界和竞争界面极限。
2020-04-08 math.PR
Central Limit Theorem and exponential tail estimations in mixed (anisotropic) Lebesgue spaces
本文研究了混合(各向异性)Lebesgue-Riesz空间中的中心极限定理(CLT)以及取值于该空间的中心随机自变量(向量)赋范和的尾部行为.
2013-08-26 math.PR
Central limit theorem and exponential tail estimations in hybrid Lebesgue-continuous spaces
本文研究了混合Lebesgue连续空间中的中心极限定理(CLT)以及取值于该混合Lebesgue连续空间的中心随机自变量(向量)赋范和的尾部行为。
2013-09-09 math.PR
Moment and exponential tail estimations for norms of random variables and random operators in mixed (anisotropic) Lebesgue-Riesz spaces
我们研究了随机变量(r. v.)在所谓的混合(各向异性)Lebesgue-Riesz空间中取值的随机积分算子:给出了r. v.属于这类空间的充分条件,估计了范数分布的尾,特别是导出了它们的指数递减尾等,从而得到了作用于这类空间之间的随机积分算子的范数估计.
2021-10-05 math.PR
Exponential exact estimation for maximum and minimum tail of distribution for non-Gaussian random vector
在一般情况下,我们找到了非高斯随机向量的最大值和最小值分布的指数精确的两项非渐近表达式。
2022-06-06 math.PR
Optimal Private Median Estimation under Minimal Distributional Assumptions
我们研究的基本任务,估计从有限的样本个数的潜在分布的中位数,在纯差分隐私约束。我们专注于满足最小假设的分布,即它们在中位数周围的一个小邻域内具有正密度。特别地,允许分布输出无界值,并且不需要具有有限矩。我们计算精确的,高达常数项,统计估计率的中位数提供接近紧的上限和下界。此外,我们设计了一个多项式时间的差分隐私算法,可证明达到最佳的性能。在技术层面上,我们的研究结果利用Lipschitz扩展引理,使我们能够设计和分析差分私有算法,仅在适当定义的“典型”样本的情况下。
2020-11-12 cs.CR cs.DS math.PR
On solutions of the distributional Bellman equation
Institute for Mathematics(数学研究所);Goethe University Frankfurt(法兰克福歌德大学)
本文研究一般分布型贝尔曼方程解的存在性、唯一性及尾部性质,通过将其与多元仿射分布方程建立联系,使相关一般理论可应用于分布型强化学习。
2023-05-26 cs.LG math.PR stat.ML
On Policy Evaluation Algorithms in Distributional Reinforcement Learning
Goethe University Frankfurt(法兰克福大学);Institute of Mathematics(数学研究所)
本文提出一类分布动态规划算法,用于高效逼近分布强化学习中策略评估的未知回报分布,并给出误差界及新概率度量性质。
2024-07-19 cs.LG math.PR stat.ML
Drift Estimation for a Lévy-Driven Ornstein-Uhlenbeck Process with Heavy Tails
研究了由重尾Lévy过程驱动的遍历Ornstein-Uhlenbeck型过程的漂移参数估计问题。在长时间间隔$[0,T]$、$T\to\infty$上连续观察该过程。我们证明了统计模型是局部渐近混合正态的,极大似然估计是渐近有效的。
2019-11-25 math.PR math.ST stat.TH