独立性

半英文授课（课件全英文，专有名词也是讲英文），因此一些不好翻译的专有名词以 English (中文) 形式出现；一些可能翻错的词语在后面补充原词，即 词语（phrase）；一些难以翻译的句子在后面给出原文，即 句子（sentence）。

后面可能也难以维持，而也像另一个也带有「数据」的课程一样，改成英文笔记。

独立性

两个事件的独立性

若 $B$ 的发生对于 $A$ 的发生没有影响，即 $\Pr(A \mid B) = \Pr(A)$，则称事件 $A$ 与事件 $B$ 独立（$A$ is said to be independent of $B$）。

两个事件 $A, B$ 独立若

$$\Pr(A \cap B) = \Pr(A) \Pr(B)$$

命题：

• 若 $\Pr(B) > 0$，则 $\Pr(A \mid B) = \Pr(A) \iff \Pr(A \cap B) = \Pr(A) \Pr(B)$
• $\Pr(A \cap B) = \Pr(A) \Pr(B) \iff \Pr(A \cap B^c) = \Pr(A) \Pr(B^c)$

多个事件的独立性

一个事件的集合（family）$\left\lbrace A_i \mid i \in I \right\rbrace$ 称为 （相互）独立如果对于所有有限子集 $J \subseteq I$，有

$$\Pr\left(\bigcap_{i \in J} A_i\right) = \prod_{i \in J} \Pr(A_i)$$

一个事件 $A$ 称为与一个事件的集合 $\left\lbrace B_i \mid i \in I \right\rbrace$（相互）独立，如果对于所有互斥的有限子集 $J^{+}，J^{-} \subseteq I$，有

$$\Pr(A) = \Pr\left(A \Biggm| \bigcap_{i \in J^{+}} B_i \cap \bigcap_{i \in J^{-}} B_i^c\right)$$

给定事件集合 $\mathscr{A} = \left\lbrace A_i \mid i \in I\right\rbrace$，有下面表述等价：

1. 对任意 $e \in I$ 与 $J = I \setminus \left\lbrace e \right\rbrace$ 都有 $\displaystyle \Pr\left( A_e \Biggm| \bigcap_{i \in J^{+}} A_i \cap \bigcap_{i \in J^{-}} A_i^c \right) = \Pr(A_e)$，其中 $J^{+}, J^{-}$ 是 $J$ 任意两个互斥子集，且 $J^{+} \cup J^{-} = J$。
2. 对任意 $J \subseteq I$，有 $\displaystyle \Pr\left( \bigcap_{i \in J} A_i \right) = \prod_{i \in J} \Pr(A_i)$

证明

先证明 1. $\implies$ 2.：

即对于任意 $e \in I$ 和 $J = I \setminus \{ e \}$，有

$$\Pr\left( A_e \Biggm| \bigcap_{i \in J^{+}} A_i \cap \bigcap_{i \in J^{-}} A_i^c \right) = \Pr(A_e)$$

使用数学归纳法。当 $|J| = 1$ 时，显然成立。假设对于所有 $|J| = k$ 的子集，也成立。

考虑 $|J| = k + 1$ 的情况。设 $J = \{ i_1, i_2, \dots, i_{k+1} \}$，并令 $J' = J \setminus \{ i_{k+1} \}$，有

$$\Pr\left( A_{i_{k+1}} \Biggm| \bigcap_{i \in J'} A_i \right) = \Pr(A_{i_{k+1}})$$

因此

$$\begin{aligned} \Pr\left( \bigcap_{i \in J} A_i \right) &= \Pr\left( A_{i_{k+1}} \Biggm| \bigcap_{i \in J'} A_i \right) \cdot \Pr\left( \bigcap_{i \in J'} A_i \right) \\ &= \Pr(A_{i_{k+1}}) \cdot \prod_{i \in J'} \Pr(A_i) \\ &= \prod_{i \in J} \Pr(A_i) \end{aligned}$$

得证。

---

再证明 2. $\implies$ 1.：

即对于任意 $J \subseteq I$，有

$$\Pr\left( \bigcap_{i \in J} A_i \right) = \prod_{i \in J} \Pr(A_i)$$

要证明对于任意 $e \in I$ 和 $J = I \setminus \{ e \}$，有

$$\Pr\left( A_e \Biggm| \bigcap_{i \in J^{+}} A_i \cap \bigcap_{i \in J^{-}} A_i^c \right) = \Pr(A_e)$$

其中 $J^{+}$ 和 $J^{-}$ 是 $J$ 任意两个互斥子集，且 $J^{+} \cup J^{-} = J$。

条件概率有

$$\Pr\left( A_e \Biggm| \bigcap_{i \in J^{+}} A_i \cap \bigcap_{i \in J^{-}} A_i^c \right) = \frac{\Pr\left( A_e \cap \bigcap_{i \in J^{+}} A_i \cap \bigcap_{i \in J^{-}} A_i^c \right)}{\Pr\left( \bigcap_{i \in J^{+}} A_i \cap \bigcap_{i \in J^{-}} A_i^c \right)}$$

根据 2. 有

$$\left\lbrace\begin{aligned} \Pr\left( A_e \cap \bigcap_{i \in J^{+}} A_i \cap \bigcap_{i \in J^{-}} A_i^c \right) &= \Pr(A_e) \cdot \prod_{i \in J^{+}} \Pr(A_i) \cdot \prod_{i \in J^{-}} \Pr(A_i^c)\\ \Pr\left( \bigcap_{i \in J^{+}} A_i \cap \bigcap_{i \in J^{-}} A_i^c \right) &= \prod_{i \in J^{+}} \Pr(A_i) \cdot \prod_{i \in J^{-}} \Pr(A_i^c) \end{aligned}\right.$$

因此

$$\Pr\left( A_e \Biggm| \bigcap_{i \in J^{+}} A_i \cap \bigcap_{i \in J^{-}} A_i^c \right) = \frac{\Pr(A_e) \cdot \prod_{i \in J^{+}} \Pr(A_i) \cdot \prod_{i \in J^{-}} \Pr(A_i^c)}{\prod_{i \in J^{+}} \Pr(A_i) \cdot \prod_{i \in J^{-}} \Pr(A_i^c)} = \Pr(A_e)$$

得证。

Product Probability Space (积概率空间)

概率空间由一系列独立实验构成。

考虑离散概率空间 $(\Omega_1, p_1),\, (\Omega_2, p_2),\, \cdots,\, (\Omega_n, p_n)$，product probability space（积概率空间）被定义为

• 样本空间 $\Omega = \Omega_1 \times \Omega_2 \times \cdots \times \Omega_n$
• $\forall \omega = (\omega_1, \omega_2, \cdots, \omega_n) \in \Omega\colon \operatorname{pmf} p(\omega) = p_1(\omega_1) p_2(\omega_2) \cdots p_n(\omega_n)$（pmf 即「概率质量函数」）

对于一般（general）的概率空间 $(\Omega_1, \Sigma_1, \Pr_1), \cdots, (\Omega_n, \Sigma_n, \Pr_n)$，product probability space $(\Omega, \Sigma, \Pr)$ 可以被类似地构造。

其中 $\Sigma$ 是唯一的（unique）最小 $\sigma$-代数，使得其包括（contain）$\Sigma_1 \times \cdots \times \Sigma_n$，同时概率测度 $\Pr$ 是一个在 $\Sigma$ 上的自然拓展（the law $\Pr$ is a natural extension onto such $\Sigma$ from the product probabilities）：

$$\forall A = A_1 \times \cdots \times A_n \in \Sigma\colon \Pr(A) = \Pr\nolimits_1(A_1) \cdots \Pr\nolimits_n(A_n)$$

有限独立性（Limited Independence）

成对独立（Pairwise Independence）

一个事件的集合 $\left\lbrace A_i \mid i \in I \right\rbrace$ 称为 成对独立（pairwise independent），如果对于所有不同的 $i, j \in I$，有

$$\Pr(A_i \cap A_j) = \Pr(A_i) \Pr(A_j)$$

类似地可定义 k-wise Independence

一个事件的集合 $\left\lbrace A_i \mid i \in I \right\rbrace$ 称为 $k$-wise 独立（$k$-wise independent），如果对于所有不同的 $i_1, i_2, \cdots, i_k \in I$，有

$$\Pr\left(\bigcap_{i=1}^{k} A_{i}\right) = \prod_{i=1}^{k} \Pr(A_{i})$$

（相互）独立一定是成对独立，但反之不一定成立。

triply independent 不一定是 pairwise independent。

Error Reduction (one-sided case)

对于 decision problem $f\colon \left\lbrace 0, 1 \right\rbrace^{*} \to \left\lbrace 0, 1 \right\rbrace$，蒙特卡罗（Monte Carlo）随机算法 $\mathscr{A}$ 有 one-sided error：

• $\forall x \in \left\lbrace 0, 1 \right\rbrace^{*}\colon f(x) = 1 \implies \mathscr{A}(x) = 1$
• $\forall x \in \left\lbrace 0, 1 \right\rbrace^{*}\colon f(x) = 0 \implies \Pr[\mathscr{A}(x) = 0] \ge p$

$\mathscr{A}^n$ 为独立运行 $\mathscr{A}$ $n$ 次，输出结果的 $\land$（即「与」），因为

$$f(x) = 0 \implies \Pr[\mathscr{A}^n(x) = 1] \le (1 - p)^n$$

为将 one-sided error 减小到 $\varepsilon$，大致需要重复 $n \approx \dfrac{1}{p} \ln \dfrac{1}{\varepsilon}$ 次。

Binomial Probability (二项概率)

考虑 $n$ 个独立抛掷硬币实验，每个硬币正面朝上相互独立，且概率为 $p$。

我们称我们有一系列（sequence）伯努利实验（Bernoulli trials），其中每个实验成功（succeed）的概率为 $p$。

Binomial Probability (二项概率) $p(k)$ 定义为 $n$ 次实验中成功 $k$ 次的概率：

$$\begin{aligned} p(k) &= \sum_{S \in \binom{[n]}{k}} \Pr(\forall i \in S\colon \text{第 $i$ 次成功}) \Pr(\forall i \in [n] \backslash S\colon \text{第 $i$ 次失败}) \\ &= \sum_{S \in \binom{[n]}{k}} p^{|S|} (1 - p)^{n - |S|} \\ &= \dbinom{n}{k} p^k (1 - p)^{n - k} \end{aligned}$$

$p(k)$ 是在 $\Omega = \left\lbrace 0, 1, \cdots, n \right\rbrace$ 良定义的概率密度函数，即 $\displaystyle \sum_{k=0}^{n} p(k) = 1$（二项式定理）。

如何操纵 2024 美国大选？假设在一个社会上有 $n$ 个独立随机投票的选民，需要大概多少人才能以 $t = 95\%$ 的概率操纵选举（假设只有两个候选人）？

下面推导用硬币的 HEAD 和 TAIL 替代（因为想不到合适的词）：

$$\begin{aligned} \Pr[|\text{HEADs} - \text{TAILs}| \ge t] &= \Pr\left[\text{HEADs} \le \tfrac{n}{2} - \tfrac{t}{2}\right] + \Pr\left[\text{HEADs} \ge \tfrac{n}{2} + \tfrac{t}{2}\right] \\ &= \sum_{k \le \frac{n-t}{2}} \dbinom{n}{k} 2^{-n} + \sum_{k \ge \frac{n+t}{2}} \dbinom{n}{k} 2^{-n} \\ &= 2^{1-n} \sum_{k \le \frac{n-t}{2}} \dbinom{n}{k}\\ &\le 2^{1-n+nH(\frac{1}{2} - \frac{t}{2n})}\\ &\approx 2 \exp\left(-\tfrac{t^2}{n}\right) \end{aligned}$$

当 $t \ge 2 \sqrt{n}$ 时有 $\Pr[|\text{HEADs} - \text{TAILs}| \ge t] \le 0.05$。

Error Reduction (two-sided case)

对于 decision problem $f\colon \left\lbrace 0, 1 \right\rbrace^{*} \to \left\lbrace 0, 1 \right\rbrace$，蒙特卡罗（Monte Carlo）随机算法 $\mathscr{A}$ 有 two-sided error：

• $\forall x \in \left\lbrace 0, 1 \right\rbrace^{*}\colon f(x) = 1 \implies \Pr[\mathscr{A}(x) = f(x)] \ge \dfrac{1}{2} + p$

$\mathscr{A}^n$ 为独立运行 $\mathscr{A}$ $n$ 次，输出 $n$ 次结果的「多数」（majority），因为

$$\Pr[\mathscr{A}^n(x) \ne f(x)] \le \sum_{k < \frac{n}{2}} \dbinom{n}{k} \left( \dfrac{1}{2} + p \right)^{k} \left( \dfrac{1}{2} - p \right)^{n - k} \textcolor{FF0099}{\le \exp(-np^2)}$$

在 $n \ge \dfrac{1}{p^2} \ln \dfrac{1}{\varepsilon}$ 时有 $\Pr[\mathscr{A}^n(x) \ne f(x)] \le \varepsilon$。

彩色部分如何计算？集中不等式（concentration inequality）。暂略。

条件独立性（Conditional Independence）

两个事件 $A, B$ 在给定事件 $C$（$\Pr(C) > 0$）下条件独立（conditionally independent），如果

$$\Pr(A \cap B \mid C) = \Pr(A \mid C) \Pr(B \mid C)$$

若 $\Pr(B \cap C) > 0$，则 $\Pr(A \cap B \mid C) = \Pr(A \mid C) \Pr(B \mid C) \iff \Pr(A \mid B \cap C) = \Pr(A \mid C)$。

两个独立事件可能并不是条件独立的。两个非独立事件可能是条件独立的。

例如：

1. 第一个例子：显然 $A, B$ 独立，但不条件独立。
   • $A$：第一个硬币 HEAD
   • $B$：第二个硬币 HEAD
   • $C$：两个硬币结果不同
2. 第二个例子：$A$ 与 $A$ 在给定 $A$ 的情况下是条件独立的，但 $A$ 和 $A$ 并不一定独立。

例子

布隆过滤器（Bloom Filter）是一种空间效率高的概率型数据结构，用于检测一个元素是否在一个集合中。

假设数据集 $S \subseteq U$，大小为 $n$，决定查询 $x \in U$ 是否在 $S$ 当中。

采用布隆过滤器这个数据结构。设一个字节数组（bit array）$A \in \left\lbrace 0, 1 \right\rbrace^m$，其被初始化为全 $0$。

有 $k$ 个均匀独立（uniform & independent）哈希函数 $h_1, \cdots, h_k\colon U \to [m]$。对于任意 $x_i \in S$，将 $A[h_1(x_i)], \cdots, A[h_k(x_i)]$ 置为 $1$。

查询时，若 $A[h_1(x)], \cdots, A[h_k(x)]$ 均为 $1$，则返回 $x \in S$；否则返回 $x \notin S$。

当 $x \in S$ 时，查询结果一定是正确的；当 $x \notin S$ 时，查询结果可能误报（false positive）。对这种可能进行概率分析：

$$\begin{aligned} \Pr\left[\forall 1 \le j \le k\colon A[h_{j}(x)] = 1\right] &\textcolor{FF0099}{=} \left( \Pr[A[h_{j}(x)] = 1] \right)^{k}\\ &= \left( 1 - \Pr[A[h_{j}(x)] = 0] \right)^{k}\\ &\le \left( 1 - \left( 1 - \dfrac{1}{m} \right)^{kn} \right)^{k}\\ &\approx \left(1 - \exp\left(- \dfrac{kn}{m}\right)\right)^{k}\\ &= 2^{-c \ln 2}\\ &\le 0.6185^{c} \end{aligned}$$

其中取 $\left\lbrace\begin{aligned} k &= c \ln 2\\ m &= cn \end{aligned}\right.$。

但是这个分析实际上是错误的，在第一个等号就出问题了。不同的 $h_{j}(x)$ 实际上可以映射到同一个位置（希望我没理解错）。不同字节位置的值并不独立（因为每一个哈希函数映射 $k$ 个位置），因此不能直接将概率乘起来。

这部分可见英文维基部分。