Markov egyenlőtlenség
A valószínűségszámítás , Markov egyenlőtlenség ad növekedést a valószínűsége, hogy egy valódi véletlen változó pozitív értékek nagyobb vagy egyenlő, mint egy pozitív konstans. Ezt az egyenlőtlenséget Andrej Markov tiszteletére nevezték el .
Államok
Markov egyenlőtlenség - Legyen Z valós valószínűségi változó, amelyet egy valószínűségi térben határoztak meg, és amelyet szinte biztosan pozitívnak vagy nullának feltételeznek. Így
(Ω,NÁL NÉL,P){\ displaystyle \ left (\ Omega, {\ mathcal {A}}, \ mathbb {P} \ right)}
∀nál nél>0,P(Z⩾nál nél)⩽E(Z)nál nél.{\ displaystyle \ forall a> 0, \ qquad \ mathbb {P} (Z \ geqslant a) \ leqslant {\ frac {\ mathbb {E} (Z)} {a}}.}
Demonstráció
Bármelyiket . Megjegyezzük, az indikátor függvénye az esemény .
nál nél∈R+∗{\ displaystyle a \ in \ mathbb {R} _ {+} ^ {*}}1{Z⩾nál nél}{\ displaystyle \ mathbf {1} _ {\ {Z \ geqslant a \}}}{Z⩾nál nél}{\ displaystyle \ {Z \ geqslant a \}}
Megvan az egyenlőtlenség:
∀ω∈Ω,nál nél1{Z(ω)⩾nál nél}⩽Z(ω)1{Z(ω)⩾nál nél}⩽Z(ω){\ displaystyle \ forall \ omega \ in Omega, \ qquad a \, \ mathbf {1} _ {\ {Z (\ omega) \ geqslant a \}} \ leqslant Z (\ omega) \, \ mathbf {1 } _ {\ {Z (\ omega) \ geqslant a \}} \ leqslant Z (\ omega)}
mert pozitív vagy nulla.
Z{\ displaystyle Z}
A várakozások növekedése révén:
E(nál nél1{Z(ω)⩾nál nél})⩽E(Z)(∗){\ displaystyle \ mathbb {E} \ left (a \, \ mathbf {1} _ {\ {Z (\ omega) \ geqslant a \}} \ right) \ leqslant \ mathbb {E} (Z) \ qquad ( *)}
Ezután a várakozás linearitásával:
E(nál nél1{Z(ω)⩾nál nél})=nál nélE(1{Z(ω)⩾nál nél})=nál nél(1×P(Z⩾nál nél)+0×P(Z<nál nél))=nál nélP(Z⩾nál nél){\ displaystyle \ mathbb {E} \ left (a \, \ mathbf {1} _ {\ {Z (\ omega) \ geqslant a \}} \ right) = a \, \ mathbb {E} \ left (\ mathbf {1} _ {\ {Z (\ omega) \ geqslant a \}} \ right) = a \, \ left (1 \ times \ mathbb {P} (Z \ geqslant a) +0 \ times \ mathbb { P} (Z <a) \ jobbra = a \, \ mathbb {P} \ balra (Z \ geqslant a \ jobbra)}
A kifejezés visszavezetésével az egyenlőtlenségbe a következőket kapjuk:
(∗){\ displaystyle (*)}
nál nélP(Z⩾nál nél)⩽E(Z){\ displaystyle a \, \ mathbb {P} \ bal (Z \ geqslant a \ right) \ leqslant \ mathbb {E} (Z)}
vagyis
P(Z⩾nál nél)⩽E(Z)nál nél{\ displaystyle \ mathbb {P} \ balra (Z \ geqslant a \ jobbra) \ leqslant {\ frac {\ mathbb {E} (Z)} {a}}}
Általánosítás
Ennek a tételnek van egy általánosabb változata. Hadd X lehet egy véletlen változó , ahol Ω halmaza felismerések, a törzs az események, és az intézkedés a valószínűsége. Ezután a Markov-egyenlőtlenség a következőképpen állapítható meg:Lo(Ω,F,P){\ textstyle L ^ {p} (\ Omega, {\ mathcal {F}}, \ mathbb {P})}F{\ textstyle {\ mathcal {F}}}P{\ textstyle \ mathbb {P}}
Markov egyenlőtlenség - minden szigorúan pozitív valósért ,
α{\ displaystyle \ alpha}
P(|x|≥α)≤1αoE(|x|o){\ displaystyle \ mathbb {P} \ bal (| X | \ geq \ alpha \ right) \ leq {\ frac {1} {\ alpha ^ {p}}} \ mathbb {E} \ bal (| X | ^ {p} \ jobbra}}
A demonstráció teljes mértékben arra a tényre vezethető vissza, hogy minden α esetében szigorúan pozitív . Itt 1 A jelöli a mutató az esemény egy . Az elvárások növelésével a következőket kapjuk:αo1{|x|≥α}≤|x|o{\ textstyle \ alpha ^ {p} \ mathbf {1} _ {\ left \ {| X | \ geq \ alpha \ right \}} \ leq | X | ^ {p}}
E(|x|o)≥E(αo1{|x|≥α})=αoE(1{|x|≥α})=αoP{|x|≥α}{\ displaystyle \ mathbb {E} \ left (| X | ^ {p} \ right) \ geq \ mathbb {E} \ left (\ alpha ^ {p} \, \ mathbf {1} _ {\ left \ { | X | \ geq \ alpha \ right \}} \ right) = \ alpha ^ {p} \, \ mathbb {E} \ left (\ mathbf {1} _ {\ left \ {| X | \ geq \ alpha \ right \}} \ right) = \ alpha ^ {p} \, \ mathbb {P} \ left \ {| X | \ geq \ alpha \ right \}}
Ha az egyenlőtlenség mindkét oldalát elosztjuk
α p-vel , megtaláljuk a kívánt eredményt.
Rögtön látjuk, hogy a fent idézett eredmény nem más, mint ennek az egyenlőtlenségnek egy speciális esete.
Sőt, szedési és p = 2, megkapjuk pontosan nyilatkozatot a Bienaymé-Csebisev egyenlőtlenség .
x=Y-E(Y){\ textstyle X = Y- \ mathbb {E} \ bal (Y \ jobb)}
Következmény
Gyakran használt következményei vannak:
Következmény - Legyen φ egy nem negatív növekvő függvény az I intervallumon . Hadd Y lehet egy igazi véletlen változó definiált valószínűségi teret úgy, hogy . Így :
(Ω,NÁL NÉL,P){\ displaystyle \ left (\ Omega, {\ mathcal {A}}, \ mathbb {P} \ right)}P(Y∈én)=1{\ displaystyle \ mathbb {P} (Y \ I-ben) = 1}
∀b∈én|ϕ(b)>0,P(Y⩾b)⩽E(ϕ(Y))ϕ(b).{\ displaystyle \ forall b \ in I \; | \; \ phi (b)> 0, \ qquad \ mathbb {P} (Y \ geqslant b) \ leqslant {\ frac {\ mathbb {E} (\ phi ( Y))} {\ phi (b)}}.}
Demonstráció
Alkalmazzuk a Markov egyenlőtlenség és megszerezni:
Z=ϕ(Y) {\ displaystyle Z = \ phi (Y) \}nál nél=ϕ(b){\ displaystyle a = \ phi (b)}
∀b>0,P(ϕ(Y)⩾ϕ(b))⩽E(ϕ(Y))ϕ(b){\ displaystyle \ forall b> 0, \ qquad \ mathbb {P} \ bal (\ phi (Y) \ geqslant \ phi (b) \ right) \ leqslant {\ frac {\ mathbb {E} (\ phi (Y ))} {\ phi (b)}}}.
Növekedési vezet: .
ϕ{\ displaystyle \ phi}{Y⩾b}⊂{ϕ(Y)⩾ϕ(b)} {\ displaystyle \ {Y \ geqslant b \} \ részhalmaz \ {\ phi (Y) \ geqslant \ phi (b) \} \}
Ezért: .
P(Y⩾b)⩽E(ϕ(Y))ϕ(b){\ displaystyle \ mathbb {P} (Y \ geqslant b) \ leqslant {\ frac {\ mathbb {E} (\ phi (Y))} {\ phi (b)}}}
Alkalmazások
- A választás, a fenti egyenlőtlenség, a , vagy a , a , és a φ ( x ) = e λ x , λ> 0 , az első lépés az a bizonyíték a Chernoff egyenlőtlenség vagy a Hoeffding egyenlőtlenség .Y=x-E(x){\ displaystyle Y = X- \ mathbb {E} (X)}Y=E(x)-x{\ displaystyle Y = \ mathbb {E} (X) -X}én=R{\ displaystyle I = \ mathbb {R}}
Példa
Mivel a bérek pozitívak, az átlagbér ötszörösénél magasabb fizetést kapó népesség aránya legfeljebb egyötöde.
Lásd is
<img src="https://fr.wikipedia.org/wiki/Special:CentralAutoLogin/start?type=1x1" alt="" title="" width="1" height="1" style="border: none; position: absolute;">