L'inégalité de Bennett est une inégalité de concentration donnant une majoration de la fonction génératrice des cumulants de la somme de variables indépendantes majorées centrées et majore en conséquence la probabilité que cette somme dévie avec une quantité donnée. Cette inégalité a été démontrée en 1962 par George Bennett de l'université de Nouvelle-Galles du Sud.
Soient des variables aléatoires indépendantes (non nécessairement de même loi) de variance finie et tels que presque-sûrement pour tout et . On pose et . Pour tout , où pour . En appliquant l'inégalité de Chernoff on obtient en particulier que pour tout , où pour .
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
En théorie des probabilités, l’inégalité de Hoeffding est une inégalité de concentration concernant les sommes de variables aléatoires indépendantes et bornées. Elle tire son nom du mathématicien et statisticien finlandais Wassily Hoeffding. Il existe une version plus générale de cette inégalité, concernant une somme d'accroissements de martingales, accroissements là encore bornés : cette version plus générale est parfois connue sous le nom d'inégalité d'Azuma-Hoeffding.
En théorie des probabilités, l'inégalité de Chernoff permet de majorer la queue d'une loi de probabilité, c'est-à-dire qu'elle donne une valeur maximale de la probabilité qu'une variable aléatoire dépasse une valeur fixée. On parle également de borne de Chernoff. Elle est nommée ainsi en l'honneur du mathématicien Herman Chernoff. Elle est comparable à l'inégalité de Markov mais donne une borne exponentielle. Il existe de nombreux énoncés, et de nombreux cas particuliers.
Explore l'inégalité de Hoeffding et la distribution binomiale, en mettant l'accent sur la minimisation des erreurs et les lacunes de généralisation dans la sélection des prédicteurs.
Explore les regrets des bandits à bras multiples, en équilibrant l'exploration et l'exploitation pour une prise de décision optimale dans des applications réelles.