📊 statistics

E-variables and tests of randomness for distribution classes

Dit artikel introduceert de methode van e-variabele-approximeerbaarheid om e-variabelen te construeren voor populaire verdelingsklassen en levert hiermee een expliciete constructie voor toetsen op willekeurigheid.

Oorspronkelijke auteurs: Georgii Potapov, Yuri Kalnishkan

Gepubliceerd 2026-03-04

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Georgii Potapov, Yuri Kalnishkan

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De Kern: Een Nieuwe Manier om "Toeval" te Vangen

Stel je voor dat je een detective bent die moet uitzoeken of een gebeurtenis echt toeval is, of dat er een verborgen regel of oplichter aan het werk is. In de wetenschap noemen we dit hypothese-toetsing.

Vroeger gebruikten onderzoekers hiervoor een hulpmiddel dat ze een p-waarde noemden. Dat is een beetje zoals een waarschuwingstooltje dat zegt: "Dit resultaat is zo raar dat het misschien niet toeval is." Maar dit tooltje heeft een groot nadeel: het is erg kwetsbaar. Als je het verkeerd gebruikt (bijvoorbeeld door te kijken naar alleen de eerste paar resultaten en dan te stoppen), kun je er makkelijk in trappen. Het is alsof je een kompas hebt dat soms de verkeerde kant op wijst als je het te vaak beweegt.

De auteurs van dit paper introduceren een nieuw, robuustere hulpmiddel: de E-variabele.

Wat is een E-variabele? (De "Toevals-Biljetten")

Stel je voor dat je een spelletje speelt met een munt. Je hebt een theorie (de "nulhypothese"): "De munt is eerlijk."

Een p-waarde is als een waarschuwing: "Pas op, dit resultaat is zeldzaam!"
Een E-variabele is als een toevals-biljet.

De regel is simpel: Als de munt echt eerlijk is, mag je in het gemiddelde niet meer dan €1 aan deze biljetten verdienen.

Als je biljetten verdient die gemiddeld €10 waard zijn, weet je zeker dat de munt niet eerlijk is (je hebt "te veel" toevals-biljetten verdiend).
Het mooie van E-variabelen is dat je ze makkelijk kunt optellen en vermenigvuldigen. Als je twee verschillende experimenten doet, kun je de biljetten van beide samenvoegen tot een grotere stapel. Als die stapel te groot wordt, is het bewijs dat de theorie (de eerlijke munt) fout is, onmiskenbaar.

Het Grote Probleem: Van Eén Munt naar Miljoenen

Het paper lost een specifiek probleem op. Stel, je hebt niet één munt, maar een hele verzameling munten (een "klasse van verdelingen").

Soms weet je niet precies welke munt het is. Misschien is het een munt met 50% kans op kop, misschien 51%, misschien 60%... Je weet alleen dat het ergens in dat gebied zit.
Hoe maak je dan één groot "toevals-biljet" dat werkt voor alle die munten tegelijk?

Vroeger was dit heel lastig. Je kon niet zomaar alle mogelijke munten afvinken, want dat zijn er oneindig veel.

De Oplossing: "Netten" en "Schattingen"

De auteurs bedachten een slimme truc, die ze E-variabele-benaderbaarheid noemen.

De Analogie van het Net:
Stel je voor dat je een visser bent die vissen (de echte verdeling) probeert te vangen in een oceaan van oneindig veel water. Je kunt niet overal tegelijk vissen.

Het Net (S): In plaats van overal te vissen, spreid je een net uit met gaten op vaste afstanden (bijvoorbeeld op elke 10 meter). Dit zijn je "testpunten".
De Schatting (De Visser): Als je een vis vangt, kijk je niet naar de exacte diepte, maar naar het dichtstbijzijnde gat in je net. Je zegt: "Deze vis komt waarschijnlijk van het gat op 10 meter."
De Truc: De auteurs bewijzen dat als je een goed "toevals-biljet" hebt voor elk gat in je net, je die kunt combineren tot één groot biljet dat werkt voor elke vis in de hele oceaan. Je hoeft niet elke mogelijke diepte te testen; je net is groot genoeg om het probleem op te lossen.

Wat hebben ze precies gedaan?

De auteurs hebben bewezen dat deze "net-methode" werkt voor heel veel belangrijke soorten verdelingen die we in de echte wereld tegenkomen:

Uniforme verdeling: Alles is even waarschijnlijk (zoals een eerlijke dobbelsteen).
Poisson-verdeling: Het tellen van zeldzame gebeurtenissen (zoals het aantal auto's dat per uur voorbijrijdt).
Normale verdeling (Gauss): De bekende "belkromme" (zoals de lengte van mensen of meetfouten).
Cauchy-verdeling: Verdelingen met extreme uitschieters (zoals grote beurscrashes).

Ze hebben een formule bedacht die zegt: "Als je een goed testje hebt voor de 'net-punten', dan heb je automatisch een goed testje voor de hele groep."

Waarom is dit belangrijk?

Betrouwbaarheid: Je kunt stoppen met experimenteren wanneer je wilt (bijvoorbeeld als je geld op is of als je genoeg data hebt), en je E-variabele blijft geldig. Bij de oude p-waarden leidt dit vaak tot fouten.
Schaalbaarheid: Het werkt goed voor grote datasets en complexe modellen, wat essentieel is voor moderne Machine Learning.
Wiskundige Strengh: Ze hebben bewezen dat deze methoden niet alleen werken in theorie, maar ook "berekend" kunnen worden door computers (ze zijn "laag semi-berekenbaar"). Dit betekent dat een computer deze tests daadwerkelijk kan uitvoeren zonder in een oneindige lus te raken.

Samenvatting in één zin

De auteurs hebben een slimme manier bedacht om "toevals-biljetten" (E-variabelen) te maken voor hele groepen van mogelijke scenario's, door ze te benaderen met een handvol testpunten (netten), waardoor wetenschappers en AI-systemen veel betrouwbaarder kunnen vaststellen of iets echt toeval is of niet.

Titel: E-variabelen en toetsen van willekeur voor verdelingsklassen

Auteurs: Georgii Potapov en Yuri Kalnishkan (Royal Holloway, University of London)
Datum: Februari 2026

1. Probleemstelling

Het artikel adresseert twee fundamentele problemen in de statistiek en de algoritmische informatietheorie:

Beperkingen van p-waarden: Traditionele hypothetetoetsing maakt gebruik van p-waarden (p-variabelen). Deze hebben echter onnatuurlijke eigenschappen; bijvoorbeeld, de waarde van een p-variabele op een willekeurig gekozen beginsegment van data is niet noodzakelijk zelf een p-variabele. Dit maakt ze vatbaar voor misbruik en beperkt hun flexibiliteit in experimentontwerp en meta-analyse.
Constructie van e-variabelen voor complexe hypothesen: E-variabelen (e-variables) zijn een alternatief met een verwachte waarde $\le 1$ onder de nulhypothese. Ze zijn robuust, kunnen eenvoudig worden gecombineerd (producten van e-variabelen blijven e-variabelen) en werken bij willekeurige stoptijden. Hoewel e-variabelen goed zijn voor enkele hypothesen (simple hypotheses), is het construeren van een geldige e-variabele voor een composiete hypothesenklasse (een verzameling van verdelingen) moeilijk. Bestaande methoden zoals reverse information projection of kalibratie van p-waarden zijn niet altijd toepasbaar of vereisen zware topologische aannames.
Berekenbaarheid van willekeurigheidstests: In de context van algoritmische informatietheorie (Levin's willekeurigheidstests) is het belangrijk om te weten of een test voor een verdelingsklasse lager semi-berekenbaar (lower semicomputable) is. Dit is essentieel om een universele test van willekeurigheid te definiëren.

2. Methodologie

De auteurs introduceren een nieuwe methode genaamd e-variabele-approximeerbaarheid (e-variable approximability). Deze methode biedt een uniforme manier om e-variabelen voor een complexe hypothesenklasse te construeren uit e-variabelen voor enkele hypothesen, zonder gebruik te maken van reverse information projection.

De kern van de methodologie bestaat uit de volgende stappen:

Netten en Schatters: De auteurs definiëren een "net" $S$ (een aftelbare verzameling van parameters) en een schatter $\hat{s}$ die de data mapt naar dit net.
Approximatie-voorwaarde: Een familie van verdelingen $\mathcal{H}$ is "e-variabele-approximeerbaar" als er een constante $C$ bestaat zodat een gewogen som (of een geselecteerde term) van e-variabelen voor de elementen van het net, geldig blijft als e-variabele voor de hele klasse.
Technische Lemmata: Er worden voorwaarden (Lemma 1 en 2) opgesteld die controleren of een verdelingsfamilie deze eigenschap bezit. Deze voorwaarden betreffen de verhouding van waarschijnlijkheidsdichtheden en de divergentie (zoals Kullback-Leibler divergentie) tussen parameters.
Interpolatie: Om de discontinuïteit van afrondingsfuncties (zoals round) op te lossen voor continue verdelingen, introduceren de auteurs een "continu geïnterpoleerde" versie van de benadering. Hierbij worden e-variabelen gewogen met functies die een eenheidspartitie vormen, waardoor de resulterende functie lager semi-berekenbaar blijft.
Overgang naar Berekenbaarheid: In Sectie 4 wordt aangetoond dat voor berekenbare families van verdelingen die e-variabele-approximeerbaar zijn, de inf-projectie van de universele willekeurigheidstest (de test voor de klasse) equivalent is aan de test voor de geschatte parameter.

3. Belangrijkste Bijdragen

Concept van e-variabele-approximeerbaarheid: Een nieuwe theoretische structuur die het mogelijk maakt om e-variabelen voor complexe hypothesen te bouwen als "black boxes" voor enkele hypothesen.
Expliciete constructies voor populaire verdelingen: Het artikel levert expliciete constructies en bewijzen voor de lager semi-berekenbaarheid van willekeurigheidstests voor diverse belangrijke verdelingsklassen, waaronder:
- Binomiale verdelingen ($Bin(n, p)$)
- Uniforme verdelingen op discrete intervallen en continue intervallen
- Poisson-verdelingen
- Normale (Gaussische) verdelingen (met vaste variantie of vaste gemiddelde)
- Cauchy-verdelingen
Verbinding tussen Statistiek en Algoritmische Informatietheorie: De auteurs tonen aan dat hun statistische constructie direct leidt tot een expliciete constructie van een willekeurigheidstest met betrekking tot een verdelingsklasse. Ze generaliseren eerdere resultaten (zoals die van [14] en [1]) van de Cantor-ruimte naar $\mathbb{R}^n$ en naar families die niet topologisch gesloten zijn.
Onafhankelijkheid van bestaande methoden: De constructie is onafhankelijk van reverse information projection en p-variabele kalibratie, wat een bredere toepasbaarheid biedt.

4. Resultaten

Stelling 3 & 4: Bewijzen dat de genoemde verdelingsfamilies e-variabele-approximeerbaar zijn. Voor continue verdelingen (zoals Normaal en Cauchy) wordt aangetoond dat een continu geïnterpoleerde constructie een geldige e-variabele oplevert.
Stelling 5 & 6 (Hoofdbijdrage): Voor berekenbare families die e-variabele-approximeerbaar zijn, geldt dat de universele willekeurigheidstest voor de klasse ( $t_{\mathcal{P}}$ $t_{P}$ ) gelijk is aan de test voor de geschatte parameter ( $t(x | P_{\hat{s}(x)})$ $t (x ∣ P_{\overset{s}{^} (x)})$ ), op een multiplicatieve constante na.
- Dit betekent dat de complexiteit van het testen van een hele klasse wordt gereduceerd tot het testen van een enkele, goed gekozen verdeling binnen die klasse (bepaald door de schatter).
Voorbeeldresultaten:
- Voor Normale verdelingen $N(\mu, 1)$ is de test voor de klasse equivalent aan de test voor $N(\lfloor x \rfloor, 1)$ .
- Voor Poisson-verdelingen is de test equivalent aan de test voor $Pois(\lfloor x \rfloor)$ .

5. Betekenis en Toekomstperspectief

Praktische Toepasbaarheid in Machine Learning: De resultaten maken het mogelijk om robuuste statistische toetsen toe te passen op complexe modellen in machine learning, waar vaak sprake is van composiete hypothesen.
Theoretische Rechtvaardiging van MDL: De methode van "complexiteitsreducerende parameter schatting" (het gebruik van een net om de data te "trimmen") biedt een theoretische onderbouwing voor het Minimum Description Length (MDL) principe. Het toont aan dat het reduceren van de parameterruimte tot een aftelbaar net de willekeurigheidstest behoudt.
Robuustheid: De aanpak is robuust tegenover willekeurige stoptijden en combineerbaarheid, wat cruciaal is voor sequentiële analyse en meta-analyse.
Toekomstig Onderzoek: De auteurs wijzen op de noodzaak om de optimale netten en schatters te karakteriseren om de normalisatiefactor $C$ te minimaliseren, en om de relatie met het MDL-principe verder te verkennen.

Conclusie:
Dit artikel levert een belangrijke theoretische stap voorwaarts in het veld van e-variabelen en algoritmische willekeurigheid. Door de introductie van e-variabele-approximeerbaarheid, bieden de auteurs een krachtig en flexibel gereedschap om willekeurigheidstests voor een breed scala aan verdelingsklassen expliciet te construeren en te bewijzen dat deze lager semi-berekenbaar zijn. Dit versterkt de brug tussen zuivere statistiek en de algoritmische theorie van willekeur.