In der Wahrscheinlichkeitstheorie gibt die Markovsche Ungleichung eine obere Schranke für die Wahrscheinlichkeit an, dass eine nicht-negative Funktion einer Zufallsvariablen größer oder gleich einer positiven Konstanten ist . Es ist nach dem russischen Mathematiker Andrey Markov benannt , obwohl es früher in der Arbeit von Pafnuty Chebyshev (Markovs Lehrer) auftauchte und viele Quellen, insbesondere in der Analyse , es als Chebyshev-Ungleichung bezeichnen (manchmal als die erste Chebyshev-Ungleichung bezeichnet), während unter Bezugnahme auf die Tschebyschew-Ungleichung als zweite Tschebyscheff-Ungleichung) oder die Ungleichung von Bienaymé .
Die Markov-Ungleichung (und andere ähnliche Ungleichungen) beziehen Wahrscheinlichkeiten auf Erwartungen und stellen (häufig lockere, aber immer noch nützliche) Grenzen für die kumulative Verteilungsfunktion einer Zufallsvariablen bereit.
Stellungnahme
Wenn X eine nichtnegative Zufallsvariable und a > 0 ist , dann ist die Wahrscheinlichkeit, dass X mindestens a ist, höchstens der Erwartungswert von X geteilt durch a :
Lassen Sie (wo ); dann können wir die vorherige Ungleichung umschreiben als
In der Sprache der Maßtheorie besagt die Markovsche Ungleichung, dass wenn ( X , Σ, μ ) ein Maßraum ist , eine messbare erweiterte reellwertige Funktion ist und ε > 0 , dann
Diese maßtheoretische Definition wird manchmal als Chebyshev-Ungleichung bezeichnet .
Erweiterte Version für monoton steigende Funktionen
Wenn φ eine monoton steigende nichtnegative Funktion für die nichtnegativen reellen Zahlen ist, ist X eine Zufallsvariable, a ≥ 0 und φ ( a ) > 0 , dann
Eine unmittelbare Folgerung, die höhere Momente von X verwendet, die auf Werten größer als 0 unterstützt werden, ist
Beweise
Wir trennen den Fall, in dem der Maßraum ein Wahrscheinlichkeitsraum ist, vom allgemeineren Fall, da der Wahrscheinlichkeitsfall für den allgemeinen Leser leichter zugänglich ist.
Intuition
wobei größer als 0 ist, da rv nicht negativ ist und größer als ist, weil der bedingte Erwartungswert nur Werte berücksichtigt, die größer sind, als rv annehmen kann.
Daher intuitiv , was direkt zu führt .
Wahrscheinlichkeitstheoretischer Beweis
Methode 1:
Aus der Erwartungsdefinition:
X ist jedoch eine nicht negative Zufallsvariable, also
Daraus können wir ableiten,
Von hier aus können wir das durch Teilen durch sehen
Methode 2:
Für ein beliebiges Ereignis sei die Indikator-Zufallsvariable von , d. h. ob auftritt und sonst.
Mit dieser Notation haben wir if das Ereignis auftritt und if . Dann gegeben ,
was klar wird, wenn wir die beiden möglichen Werte von betrachten . Wenn , dann , und so . Ansonsten haben wir , wofür und so .
Da es sich um eine monoton steigende Funktion handelt, kann die Erwartung beider Seiten einer Ungleichung diese nicht umkehren. Deswegen,
Unter Verwendung der Linearität der Erwartungen ist die linke Seite dieser Ungleichung dieselbe wie
Somit haben wir
und da a > 0, können wir beide Seiten durch a teilen .
Maßtheoretischer Beweis
Wir können annehmen, dass die Funktion nicht negativ ist, da nur ihr absoluter Wert in die Gleichung eingeht. Betrachten wir nun die reellwertige Funktion s auf X gegeben durch
Dann . Nach der Definition des Lebesgue-Integrals
und da beide Seiten durch geteilt werden können , erhält man
Folgerungen
Tschebyschews Ungleichung
Die Tschebyscheff-Ungleichung verwendet die Varianz, um die Wahrscheinlichkeit zu begrenzen, dass eine Zufallsvariable weit vom Mittelwert abweicht. Speziell,
für jedes a > 0 . Hier ist Var( X ) die Varianz von X, definiert als:
Die Tschebyscheffsche Ungleichung folgt aus der Markovschen Ungleichung unter Berücksichtigung der Zufallsvariablen
und die Konstante, für die die Markov-Ungleichung lautet
Dieses Argument kann zusammengefasst werden (wobei "MI" die Verwendung der Markovschen Ungleichung anzeigt):
Andere Folgerungen
- Das „monotone“ Ergebnis lässt sich demonstrieren durch:
- Das Ergebnis, dass für eine nichtnegative Zufallsvariable X die Quantilfunktion von X erfüllt:
- der Beweis mit
- Sei eine selbstadjungierte Matrix-wertige Zufallsvariable und a > 0 . Dann
- kann in ähnlicher Weise gezeigt werden.
Beispiele
Unter der Annahme, dass kein Einkommen negativ ist, zeigt die Markov-Ungleichung, dass nicht mehr als 1/5 der Bevölkerung mehr als das 5-fache des Durchschnittseinkommens haben kann.
Siehe auch
Verweise
Externe Links