[论文解读] Central limit theorem and exponential tail estimations in hybrid Lebesgue-continuous spaces

E. Ostrovsky, L. Sirota|arXiv (Cornell University)|Sep 9, 2013

Stochastic processes and financial applications参考文献 25被引用 6

一句话总结

本文在混合勒贝格-连续巴拿赫空间（特别是 $CL(p)$ 和 $L_pC$ 空间）中建立了中心极限定理（CLT）和指数尾部估计的充分条件。引入了随机熵泛函 $\lambda_{p}(Q)$，并利用罗森达尔型不等式和度量熵推导出矩和尾部界，将 CLT 推广至依赖过程（如鞅和混合鞅），条件为 $K_M(pQ)<\infty$。主要贡献在于为各向异性函数空间中的尾部估计提供了一个统一框架，适用于随机过程和偏微分方程。

ABSTRACT

We study the Central Limit Theorem (CLT) in the so-called hybrid Lebesgue-continuous spaces and tail behavior of normed sums of centered random independent variables (vectors) with values in these spaces.

研究动机与目标

• 在混合勒贝格-连续巴拿赫空间（特别是 $CL(p)$ 和 $L_pC$ 空间）中建立中心极限定理的充分条件。
• 推导这些空间中独立和依赖随机向量的范数和的指数上尾部估计。
• 通过引入混合鞅罗森达尔系数 $K_M(m)$，将 CLT 推广至鞅和混合鞅等依赖序列。
• 发展基于随机熵的方法，用于在各向异性函数空间中控制矩和尾部概率。

提出的方法

• 定义混合勒贝格-连续空间 $CL(p) = C(T, L_p(X))$ 和 $L_pC = L_p(X)C$，其范数涉及 $t \in T$ 上的essential supremum 和连续性。
• 引入随机范数 $|\xi|_{p,X;\infty,T}^p = \int_X \sup_{t \in T} |\xi(x,t)|^p \mu(dx)$ 和基于 $|\xi(x,t)|^p$ 的 $L_Q$-范数的随机距离 $\delta_{p,Q}(t,s)$。
• 定义随机熵泛函 $\lambda_p(Q) = \Delta_{p,Q} \cdot \inf_{\theta \in (0,1)} \left[ \sum_{k=1}^\infty \theta^{k-1} N(T, \delta_{p,Q}, \theta^k) \right]$，其中 $\Delta_{p,Q} = \sup_t \| |\xi(x,t)|^p \|_{L_Q(X)}$。
• 通过度量熵和链式技术，建立矩界 $\| \xi \|_{L_{pQ}(\Omega; \cdot)} \leq \left( \mathbb{E} \lambda_p^Q(Q) \right)^{1/(pQ)}$。
• 通过使用 $\beta$-混合序列的混合鞅罗森达尔系数 $K_M(m) = m \left[ \sum_{k=1}^\infty \beta(k) (k+1)^{(m-2)/2} \right]^{1/m}$，将结果推广至依赖序列。
• 证明在 $\mathbb{E} \lambda_p^Q(Q) < \infty$ 和依赖情形下 $K_M(pQ) < \infty$ 的条件下，CLT 在 $CL(p)$ 和 $L_pC$ 空间中成立。

实验结果

研究问题

• RQ1 在何种条件下，归一化和 $S(n) = n^{-1/2} \sum_{j=1}^n \xi_j$ 在混合勒贝格-连续空间中弱收敛于高斯随机元素？
• RQ2 如何利用度量熵和随机范数，从 $CL(p)$ 和 $L_pC$ 空间中推导 $\|S(n)\|_B$ 的指数尾部估计？
• RQ3 随机熵泛函 $\lambda_p(Q)$ 在控制这些空间中范数和的矩和尾部概率中起什么作用？
• RQ4 这些结果如何推广至鞅和混合鞅等依赖序列在混合函数空间中的情形？
• RQ5 混合鞅罗森达尔系数 $K_M(m)$ 在将罗森达尔型不等式推广至依赖随机场中具有何种意义？

主要发现

• 本文通过 $\mathbb{E} \lambda_p^Q(Q)$ 的有限性，建立了 $CL(p)$ 和 $L_pC$ 空间中 CLT 的充分条件，确保 $\text{Law}(S(n))$ 弱收敛于高斯分布。
• 推导出矩界：$\| \xi \|_{L_{pQ}(\Omega; \cdot)} \leq \left( \mathbb{E} \lambda_p^Q(Q) \right)^{1/(pQ)}$，当 $\mathbb{E} \lambda_p^Q(Q) < \infty$ 时成立。
• 对于鞅序列，若满足鞅的古典一维 CLT 条件，且罗森达尔型常数有界（至多为绝对常数），则 CLT 和尾部估计成立。
• 对于超强混合鞅序列，若混合鞅罗森达尔系数 $K_M(pQ) < \infty$，则 CLT 和尾部界成立，取代独立情形下的 $K_R(pQ)$。
• 随机熵泛函 $\lambda_p(Q)$ 有效捕捉了随机场 $\xi(x,t)$ 的波动行为，通过度量熵覆盖数实现矩和尾部估计。
• 该框架将经典的罗森达尔和皮西尔型不等式推广至混合函数空间，为偏微分方程和统计学中的随机分析提供了稳健工具。