In der mathematischen Analyse , die Hardy-Littlewood Ungleichheit , benannt nach GH Hardy und John Edensor Littlewood , heißt es, dass , wenn f und g sind nicht negative messbare reelle Funktionen auf verschwindende Unendlichkeit , die auf definierten n - dimensionalen euklidischen Raum R n dann
∫
R
nein
f
(
x
)
G
(
x
)
d
x
≤
∫
R
nein
f
*
(
x
)
G
*
(
x
)
d
x
{\displaystyle \int _{\mathbb {R} ^{n}}f(x)g(x)\,dx\leq \int _{\mathbb {R} ^{n}}f^{*}( x)g^{*}(x)\,dx}
wobei f * und g * die symmetrisch abnehmenden Umordnungen von f ( x ) bzw. g ( x ) sind.
Beweis
Von der Schichtkuchendarstellung haben wir:
f
(
x
)
=
∫
0
∞
χ
f
(
x
)
>
r
d
r
{\displaystyle f(x)=\int_{0}^{\infty}\chi_{f(x)>r}\,dr}
G
(
x
)
=
∫
0
∞
χ
G
(
x
)
>
so
d
so
{\displaystyle g(x)=\int _{0}^{\infty}\chi_{g(x)>s}\,ds}
wobei bezeichnet die Indikatorfunktion der Teilmenge E f gegeben durch
χ
f
(
x
)
>
r
{\displaystyle \chi_{f(x)>r}}
E
f
=
{
x
∈
X
:
f
(
x
)
>
r
}
{\displaystyle E_{f}=\left\{x\in X:f(x)>r\right\}}
Bezeichnet analog die Indikatorfunktion der Teilmenge E g gegeben durch
χ
G
(
x
)
>
so
{\displaystyle \chi_{g(x)>s}}
E
G
=
{
x
∈
X
:
G
(
x
)
>
so
}
{\displaystyle E_{g}=\left\{x\in X:g(x)>s\right\}}
∫
R
nein
f
(
x
)
G
(
x
)
d
x
=
∫
R
nein
∫
0
∞
∫
0
∞
χ
f
(
x
)
>
r
χ
G
(
x
)
>
so
d
r
d
so
d
x
{\displaystyle \int _{\mathbb {R} ^{n}}f(x)g(x)\,dx=\displaystyle \int _{\mathbb {R} ^{n}}\int _{0 }^{\infty}\int_{0}^{\infty}\chi_{f(x)>r}\chi_{g(x)>s}\,dr\,ds\,dx}
=
∫
0
∞
∫
0
∞
∫
R
nein
χ
f
(
x
)
>
r
∩
G
(
x
)
>
so
d
x
d
r
d
so
{\displaystyle =\int _{0}^{\infty}\int _{0}^{\infty}\int _{\mathbb {R} ^{n}}\chi _{f(x)>r \cap g(x)>s}\,dx\,dr\,ds}
=
∫
0
∞
∫
0
∞
μ
(
{
f
(
x
)
>
r
}
∩
{
G
(
x
)
>
so
}
)
d
r
d
so
{\displaystyle =\int_{0}^{\infty}\int _{0}^{\infty}\mu \left(\left\{f(x)>r\right\}\cap \left\ {g(x)>s\rechts\}\rechts)\,dr\,ds}
≤
∫
0
∞
∫
0
∞
Mindest
(
μ
(
f
(
x
)
>
r
)
;
μ
(
G
(
x
)
>
so
)
)
d
r
d
so
{\displaystyle \leq \int _{0}^{\infty}\int _{0}^{\infty}\min \left(\mu\left(f(x)>r\right);\mu\ links(g(x)>s\rechts)\rechts)\,dr\,ds}
=
∫
0
∞
∫
0
∞
Mindest
(
μ
(
f
*
(
x
)
>
r
)
;
μ
(
G
*
(
x
)
>
so
)
)
d
r
d
so
{\displaystyle =\int_{0}^{\infty}\int _{0}^{\infty}\min \left(\mu\left(f^{*}(x)>r\right); \mu \left(g^{*}(x)>s\right)\right)\,dr\,ds}
=
∫
0
∞
∫
0
∞
μ
(
{
f
*
(
x
)
>
r
}
∩
{
G
*
(
x
)
>
so
}
)
d
r
d
so
{\displaystyle =\int _{0}^{\infty}\int _{0}^{\infty}\mu \left(\left\{f^{\ast }(x)>r\right\} \cap \left\{g^{\ast}(x)>s\right\}\right)\,dr\,ds}
=
∫
R
nein
f
*
(
x
)
G
*
(
x
)
d
x
{\displaystyle =\int_{\mathbb{R}^{n}}f^{*}(x)g^{*}(x)\,dx}
Eine Bewerbung
Sei die Zufallsvariable normalverteilt mit mittlerer und endlicher Varianz ungleich Null , dann kann mit der Hardy-Littlewood-Ungleichung bewiesen werden, dass für das reziproke Moment für den Absolutwert von is
X
{\displaystyle X}
μ
{\displaystyle\mu}
σ
2
{\displaystyle \sigma ^{2}}
0
<
δ
<
1
{\displaystyle 0<\delta <1}
δ
das
{\displaystyle \delta ^{\text{th}}}
X
{\displaystyle X}
E
[
1
|
X
|
δ
]
≤
2
(
1
−
δ
)
2
Γ
(
1
−
δ
2
)
σ
δ
2
π
unabhängig vom Wert von
μ
∈
R
.
{\displaystyle {\begin{aligned}\operatorname {E} \left[{\frac {1}{\vert X\vert ^{\delta }}}\right]&\leq 2^{\frac {(1 -\delta)}{2}}{\frac{\Gamma\left({\frac{1-\delta}{2}}\right)}{\sigma^{\delta }{\sqrt {2\pi }}}}{\text{ unabhängig vom Wert von }}\mu\in\mathbb{R} .\end{aligned}}}
Die Technik, die verwendet wird, um die obige Eigenschaft der Normalverteilung zu erhalten, kann für andere unimodale Verteilungen verwendet werden.
Siehe auch
Verweise
<img src="https://en.wikipedia.org/wiki/Special:CentralAutoLogin/start?type=1x1" alt="" title="" width="1" height="1" style="border: none; position: absolute;">