Olarak olasılık teorisi , Markov eşitsizliği bir verir üst sınırı için olasılık bir bu negatif olmayan fonksiyonu a rastgele değişkenin bir pozitif eşit ya da bundan daha büyük olan bir sabit . Adını Rus matematikçi Andrey Markov'dan almıştır, ancak daha önce Pafnuty Chebyshev'in (Markov'un öğretmeni) çalışmasında ortaya çıkmıştır ve birçok kaynak, özellikle analizde , buna Chebyshev'in eşitsizliği olarak atıfta bulunur (bazen, buna ilk Chebyshev eşitsizliği denir). Chebyshev'in eşitsizliğine ikinci Chebyshev eşitsizliği olarak atıfta bulunarak ) veya Bienaymé'nin eşitsizliği.
Markov'un eşitsizliği (ve diğer benzer eşitsizlikler) olasılıkları beklentilerle ilişkilendirir ve bir rasgele değişkenin kümülatif dağılım fonksiyonu için (sıklıkla gevşek ama yine de yararlı) sınırlar sağlar .
Beyan
Eğer X, negatif olmayan bir rastgele değişken ve olduğu bir > 0 , bu olasılık x , en azından, bir beklentisi en olduğu X bölü bir :
Let (nerede ); o zaman önceki eşitsizliği şu şekilde yeniden yazabiliriz:
Dilinde ölçü teorisi ise, Markov eşitsizliği devletler olduğunu ( X , Σ, μ ) bir olan ölçü uzayı , bir olan ölçülebilir genişletilmiş reel -valued fonksiyon ve ε > 0 , daha sonra
Bu ölçü-teorik tanım bazen Chebyshev'in eşitsizliği olarak adlandırılır .
Monoton artan fonksiyonlar için genişletilmiş versiyon
Eğer φ a, monoton artan negatif olmayan reals negatif olmayan fonksiyonu, X, rastgele değişken olup, bir ≥ 0 ve φ ( bir 0>) , sonra
0'dan büyük değerlerde desteklenen
daha yüksek X momentlerini kullanan acil bir sonuç,
Kanıtlar
Ölçüm uzayının bir olasılık uzayı olduğu durumu daha genel durumdan ayırırız çünkü olasılık durumu genel okuyucu için daha erişilebilirdir.
Sezgi
burada Rv olarak 0'dan büyük negatif olmayan ve daha büyük olan koşullu beklenti sadece daha büyük değerler dikkate alır, çünkü rv olan sunar.
Dolayısıyla sezgisel olarak , bu da doğrudan yol açar .
Olasılık-teorik kanıt
Yöntem 1:
Beklentinin tanımından:
Bununla birlikte, X negatif olmayan bir rastgele değişkendir, dolayısıyla,
Bundan çıkarabileceğimiz,
Buradan, bölerek bunu görmemizi sağlar
Yöntem 2:
bir olay için , Let göstergesi rastgele değişken olduğu, eğer meydana gelir ve aksi.
Bu gösterimi kullanarak , olayın meydana gelip gelmediğini ve if . Sonra verilen ,
bu iki olası değeri göz önüne alırsak açıktır . Eğer , o zaman , vb . Aksi takdirde, bunun için ve benzerine sahibiz .
Yana bunu tersine neden olan bir eşitsizlik her iki tarafın beklenti alarak, monoton artan bir fonksiyon olmasıdır. Öyleyse,
Şimdi, beklentilerin doğrusallığını kullanarak, bu eşitsizliğin sol tarafı,
Böylece biz var
ve a > 0 olduğundan, her iki tarafı da a ile bölebiliriz .
Ölçü-teorik kanıt
Denkleme sadece mutlak değeri girdiğinden , fonksiyonun negatif olmadığını varsayabiliriz . Şimdi, gerçek değerli işlevin düşünün lar üzerinde X tarafından verilen
Sonra . Lebesgue integralinin tanımıyla
ve , her iki taraf da elde edilerek bölünebildiğinden ,
doğal sonuçlar
Chebyshev eşitsizliği
Chebyshev'in eşitsizliği , rastgele bir değişkenin ortalamadan çok sapma olasılığını sınırlamak için varyansı kullanır . özellikle,
herhangi bir a > 0 için . Burada Var( X ) , X'in şu şekilde tanımlanan varyansıdır :
Chebyshev'in eşitsizliği, rastgele değişkeni dikkate alarak Markov'un eşitsizliğinden çıkıyor
ve Markov eşitsizliğinin okuduğu
sabit
Bu argüman özetlenebilir ("MI", Markov eşitsizliğinin kullanımını gösterir):
Diğer sonuçlar
- "Monotonik" sonuç şu şekilde gösterilebilir:
- Sonuç, bir negatif olmayan rasgele değişken için X , kantil fonksiyonu ve X, tatmin:
- kullanarak kanıt
- Izin bir özeslenik matris değerli rastgele değişken ve olmayacak bir > 0 . Sonra
- benzer şekilde gösterilebilir.
Örnekler
Hiçbir gelirin negatif olmadığı varsayıldığında, Markov'un eşitsizliği, nüfusun 1/5'inden fazlasının ortalama gelirin 5 katından fazlasına sahip olamayacağını gösteriyor.
Ayrıca bakınız
Referanslar
Dış bağlantılar