Неравенство Маркова
В теории вероятностей неравенство Маркова дает верхнюю границу вероятности того , что неотрицательная случайная величина больше или равна некоторой положительной константе . Неравенство Маркова является точным в том смысле, что для каждой выбранной положительной константы существует случайная величина, такая что неравенство фактически является равенством. [1]
Оно названо в честь русского математика Андрея Маркова , хотя ранее оно появилось в работах Пафнутия Чебышева (учителя Маркова), и во многих источниках, особенно в анализе , его называют неравенством Чебышева (иногда называя его первым неравенством Чебышева, тогда как ссылаясь на неравенство Чебышева как на второе неравенство Чебышева) или Бьенеме неравенство .
Неравенство Маркова (и другие подобные неравенства) связывают вероятности с ожиданиями и обеспечивают (часто неточные, но все же полезные) границы кумулятивной функции распределения случайной величины. Неравенство Маркова также можно использовать для определения верхней границы математического ожидания неотрицательной случайной величины с точки зрения ее функции распределения.
Заявление
[ редактировать ]Если X — неотрицательная случайная величина и a > 0 , то вероятностьто, что X равно по крайней мере a , не более чем математическое ожидание X, деленное на a : [1]
Когда , мы можем взять для переписать предыдущее неравенство в виде
На языке теории меры неравенство Маркова гласит, что если ( X , Σ, µ ) является пространством с мерой , — измеримая расширенная вещественная функция, и ε > 0 , то
Это теоретико-мерное определение иногда называют неравенством Чебышева . [2]
Расширенная версия для неубывающих функций
[ редактировать ]Если φ — неубывающая неотрицательная функция, X — случайная величина (не обязательно неотрицательная) и φ ( a ) > 0 , то [3]
Непосредственным следствием использования более высоких моментов X, поддерживаемых значениями больше 0, является
Равномерно рандомизированное неравенство Маркова
[ редактировать ]Если X — неотрицательная случайная величина и a > 0 , а U — равномерно распределенная случайная величина на который не зависит от X , то [4]
Поскольку U почти наверняка меньше единицы, эта оценка строго сильнее неравенства Маркова. Примечательно, что U нельзя заменить какой-либо константой меньше единицы, а это означает, что детерминированные улучшения неравенства Маркова вообще не могут существовать. Хотя неравенство Маркова справедливо для распределений, поддерживаемых , приведенный выше рандомизированный вариант справедлив с равенством для любого распределения, ограниченного .
Доказательства
[ редактировать ]Мы отделяем случай, когда пространство меры является вероятностным пространством, от более общего случая, поскольку вероятностный случай более доступен для обычного читателя.
Интуиция
[ редактировать ]где больше или равно 0 как случайная величина неотрицательен и больше или равно поскольку условное ожидание учитывает только значения, большие или равные какой фургон могу взять.
Следовательно, интуитивно , что непосредственно приводит к .
Теоретико-вероятностное доказательство
[ редактировать ]Метод 1: Из определения ожидания:
Однако X является неотрицательной случайной величиной, поэтому
Из этого мы можем вывести,
Отсюда, разделив на позволяет нам увидеть это
Метод 2: Для любого мероприятия , позволять – индикаторная случайная величина , то есть, если происходит и в противном случае.
Используя эти обозначения, мы имеем если событие происходит, и если . Тогда, учитывая ,
что становится ясно, если мы рассмотрим два возможных значения . Если , затем , и так . В противном случае мы имеем , для чего и так .
С является монотонно возрастающей функцией, поэтому математическое ожидание обеих частей неравенства не может обратить ее вспять. Поэтому,
Теперь, используя линейность ожиданий, левая часть этого неравенства такая же, как
Таким образом, мы имеем
и поскольку a > 0, мы можем разделить обе части на a .
Теоретико-мерное доказательство
[ редактировать ]Можно предположить, что функция неотрицательен, поскольку в уравнение входит только его абсолютное значение. Теперь рассмотрим вещественную функцию s на X , заданную формулой
Затем . По определению интеграла Лебега
и поскольку , обе части можно разделить на , получение
Дискретный случай
[ редактировать ]Теперь мы приведем доказательство для частного случая, когда — дискретная случайная величина, которая принимает только неотрицательные целые значения.
Позволять быть положительным целым числом. По определению
Деление на дает желаемый результат.
Следствия
[ редактировать ]Неравенство Чебышева
[ редактировать ]Неравенство Чебышева использует дисперсию для ограничения вероятности того, что случайная величина отклоняется далеко от среднего значения. Конкретно,
для любого а > 0 . [3] Здесь Var( X ) — это дисперсия X, определяемая как:
Неравенство Чебышева следует из неравенства Маркова при рассмотрении случайной величины
и константа для которого неравенство Маркова имеет вид
Этот аргумент можно резюмировать (где «MI» указывает на использование неравенства Маркова):
Другие следствия
[ редактировать ]- «Монотонный» результат можно продемонстрировать:
- Результат, что для неотрицательной случайной величины функция X квантиля удовлетворяет X :
- доказательство с использованием
- Позволять быть самосопряженной случайной величиной с матричным знаком и . Затем
- что можно доказать аналогично. [5]
Примеры
[ редактировать ]Если предположить, что никакой доход не является отрицательным, неравенство Маркова показывает, что не более 10% (1/10) населения могут иметь доход, более чем в 10 раз превышающий средний доход. [6]
Другой простой пример: Эндрю делает в среднем 4 ошибки на тестах курса «Статистика». Наилучшая верхняя граница вероятности того, что Эндрю совершит не менее 10 ошибок, равна 0,4, поскольку Обратите внимание, что Эндрю может сделать ровно 10 ошибок с вероятностью 0,4 и не допустить ошибок с вероятностью 0,6; ожидание составляет ровно 4 ошибки.
См. также
[ редактировать ]- Неравенство Пэли – Зигмунда - соответствующая нижняя оценка
- Неравенство концентрации - сводка хвостовых границ случайных величин.
Ссылки
[ редактировать ]- ^ Jump up to: а б Хубер, Марк (26 ноября 2019 г.). «Уменьшение пополам границ неравенств Маркова, Чебышева и Чернова с помощью сглаживания» . Американский математический ежемесячник . 126 (10): 915–927. arXiv : 1803.06361 . дои : 10.1080/00029890.2019.1656484 . ISSN 0002-9890 .
- ^ Штейн, Э.М. ; Шакарчи, Р. (2005), Реальный анализ , Принстонские лекции по анализу , том. 3 (1-е изд.), с. 91 .
- ^ Jump up to: а б Линь, Чжэнъянь (2010). Вероятностные неравенства . Спрингер. п. 52.
- ^ Рамдас, Аадитья; Маноле, Тюдор, Рандомизированные и взаимозаменяемые улучшения неравенств Маркова, Чебышева и Чернова , arXiv : 2304.02611 .
- ^ Ту, Стивен (04 ноября 2017 г.). «Неравенство Маркова для матриц» . Проверено 27 мая 2024 г.
- ^ Росс, Кевин. 5.4 Вероятностные неравенства | Введение в теорию вероятности и моделирование .
Внешние ссылки
[ редактировать ]Эта статья нуждается в дополнительных цитатах для проверки . ( сентябрь 2010 г. ) |