本篇笔记内容来源
数理统计学导论(原书第7版) 机械工业出版社
马尔可夫不等式
设 u ( X ) u(X) u(X) 是随机变量的非负函数. 如果 E [ u ( X ) ] E[u(X)] E[u(X)] 存在,那么对于任何正常数 c c c ,有
P [ u ( X ) ⩾ c ] ⩽ E [ u ( X ) ] c P[u(X)\geqslant c]\leqslant\frac{E[u(X)]}{c} P[u(X)⩾c]⩽cE[u(X)]
证明
(只给出连续情况下的证明,用求和替代积分后,此证明仍适用于离散情况)
设
A = { x : u ( x ) ⩾ c } , f ( x ) 表示 X 的 p d f A=\{x:u(x)\geqslant c\},f(x)表示X的pdf A={x:u(x)⩾c},f(x)表示X的pdf
于是
E [ u ( X ) ] = ∫ − ∞ ∞ u ( x ) f ( x ) d x = ∫ A u ( x ) f ( x ) d x + ∫ A c u ( x ) f ( x ) d x \begin{align*} E[u(X)]&=\int^{\infty}_{-\infty}u(x)f(x)\mathrm{d}x\\ &=\int_{A}u(x)f(x)\mathrm{d}x+\int_{A^c}u(x)f(x)\mathrm{d}x \end{align*} E[u(X)]=∫−∞∞u(x)f(x)dx=∫Au(x)f(x)dx+∫Acu(x)f(x)dx
由于上面等式右边两项非负,所以
E [ u ( X ) ] ⩾ ∫ A u ( x ) f ( x ) d x E[u(X)]\geqslant\int_{A}u(x)f(x)\mathrm{d}x E[u(X)]⩾∫Au(x)f(x)dx
因为 x ∈ A x\in A x∈A ,所以 u ( x ) ⩾ c u(x)\geqslant c u(x)⩾c ,因此我们用 c c c 代替 u ( x ) u(x) u(x) 并不会使右边增大,所以
E [ u ( X ) ] ⩾ c ∫ A f ( x ) d x E[u(X)]\geqslant c\int_{A}f(x)\mathrm{d}x E[u(X)]⩾c∫Af(x)dx
又因为
∫ A f ( x ) d x = P ( X ∈ A ) = P [ u ( X ) ⩾ c ] \int_{A}f(x)\mathrm{d}x=P(X\in A)=P[u(X)\geqslant c] ∫Af(x)dx=P(X∈A)=P[u(X)⩾c]
得
E [ u ( X ) ] ⩾ c P [ u ( X ) ⩾ c ] E[u(X)]\geqslant cP[u(X)\geqslant c] E[u(X)]⩾cP[u(X)⩾c]
证毕
(其实这个不等式是上篇笔记中马尔可夫不等式的特例,所以写在一起)
(不过这个不等式更直观,体现了方差与概率的关系)
切比雪夫不等式
设随机变量 X X X 存在有限方差 σ 2 \sigma^2 σ2 ,则对于任何 k > 0 k>0 k>0 ,有
P ( ∣ X − μ ∣ ⩾ k σ ) ⩽ 1 k 2 P(|X-\mu|\geqslant k\sigma)\leqslant\frac{1}{k^2} P(∣X−μ∣⩾kσ)⩽k21
证明
在马尔可夫不等式中,取
u ( X ) = ( X − μ ) 2 , c = k 2 σ 2 u(X)=(X-\mu)^2,c=k^2\sigma^2 u(X)=(X−μ)2,c=k2σ2
得
P [ ( X − μ ) 2 ⩾ k 2 σ 2 ] ⩽ E [ X − μ ] 2 k 2 σ 2 P[(X-\mu)^2\geqslant k^2\sigma^2]\leqslant\frac{E[X-\mu]^2}{k^2\sigma^2} P[(X−μ)2⩾k2σ2]⩽k2σ2E[X−μ]2
由于上面不等式右边的分子 E [ X − μ ] 2 = σ 2 E[X-\mu]^2=\sigma^2 E[X−μ]2=σ2 ,该不等式可写成
P
(
∣
X
−
μ
∣
⩾
k
σ
)
⩽
1
k
2
P(|X-\mu|\geqslant k\sigma)\leqslant\frac{1}{k^2}
P(∣X−μ∣⩾kσ)⩽k21
证毕