概率论中的重要不等式(Markov/Chebyshev/Jensen)

已于 2024-04-17 17:57:06 修改
阅读量7.6k 收藏 22
点赞数 7
分类专栏： 机器学习之概率论与矩阵论 文章标签： 信息论 Jensen不等式
于 2017-08-26 22:47:01 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/scott198510/article/details/77609232
版权

1.Schwarz 不等式

对于任意的随机变量\small X 和 \small Y均有

                                        \large (E[XY])^2\leq E[X^2] E[Y^2]

证明：假设\small E[Y^2]\neq 0，否则\small P(Y=0)=1，有\small E(XY)=0,所以不等式成立。我们有

                                

了解本专栏 订阅专栏 解锁全文 超级会员免费看
scott198512
关注
  • 7
    点赞
  • 踩
  • 22
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
专栏目录
订阅专栏
Schwarz不等式 三角不等式
jiongjiong 的专栏
11-01 8737
内积 定义 ∀x,y∈Rn,⟨x,y⟩=∑i=1nxiyi" role="presentation" style="position: relative;">∀x,y∈Rn,⟨x,y⟩=∑ni=1xiyi∀x,y∈Rn,⟨x,y⟩=∑i=1nxiyi\forall \mathbf{x}, \mathbf{y} \in \
概率论不等式的简单总结
JoshuaTsui的博客
04-27 7351
解决不能准确计算出概率和期望的问题的有效策略有三种：模拟、约束和近似。
马尔可夫不等式、切比雪夫不等式
一个搬运知识的笨小孩
02-26 7367
1.马尔可夫不等式（Markov’s inequality） 在概率论中，马尔可夫不等式给出了随机变量的非负函数大于或等于某个正常数 ϵ\epsilonϵ 的概率的上限 下图来自：Markov inequality 下图为任一分布的概率密度函数图像 图片来自：Mathematical Foundations of Computer Networking: Probability aaa越大，阴影部分的面积越小，即概率越小 使用马尔可夫不等式的条件：随机变量 XXX 为非负的，且均值是有限的 下图中的
【数理统计03】集中不等式
最新发布
weixin_55252589的博客
05-27 642
集中不等式（concentration inequalities）是在概率论和统计学中用于描述随机变量（尤其是随机变量的和或函数）的集中程度的一类不等式。它们为随机变量偏离其期望值的概率提供了上界。这些不等式在很多领域都有应用，包括机器学习、统计学习理论、组合数学和随机过程等。下面介绍几种常见的集中不等式：马尔可夫不等式（Markov’s Inequality）是概率论中的一个基本不等式，用于估计随机变量大于某个正数的概率。它适用于任何非负随机变量，提供了一个简单而有用的上界。下面是马尔可夫不等式的正式陈述
切比雪夫（Chebyshev）不等式
热门推荐
不会代码的码农的博客
03-18 9万+
标准化 设随机变量x具有数学期望E(x)=μE(x) = \muE(x)=μ，方差D(x)=σ2D(x) = \sigma^{2}D(x)=σ2。记X∗=X−μσX^{* } =\frac{X-\mu }{\sigma }X∗=σX−μ​, 则X*的期望和方差为：E(X∗)=1σE(X−μ)=1σ[E(X)−μ]=0E(X^{*})= \frac{1}{\sigma} E(X-\mu)=\frac{1}{\sigma }[E(X)-\mu]=0 E(X∗)=σ1​E(X−μ)=σ1​[E(X)−μ]=0D(
马尔可夫不等式、切比雪夫不等式、柯西-施瓦茨不等式
Data Time
08-06 1万+
一、马尔可夫不等式 马尔可夫不等式描述的是非负随机变量绝对位置的概率上限 对于非负随机变量X，a >= 0，有 证明：原式可化为 注意到，因为 X 非负，右边 二、切比雪夫不等式 切比雪夫不等式描述的是随机变量距期望相对位置偏离的概率上限 证明：记 右边 注意到，在中，，因此有 三、柯西-施瓦茨不等式 ...
琴生不等式（Jensen Inequality）
qq_32515081的博客
05-27 2万+
琴生不等式以丹麦技术大学数学家John Jensen命名，它给出了积分的凸函数值和凸函数的积分值间的关系。又称詹森不等式。 若
概率论考点总结类型3 概率不等式
Lora青蛙的博客
11-07 538
工数线性代数/概率论PPT.zip
02-03
在概率论的代码作业中，你可能需要处理一些基础问题，例如模拟随机试验，计算不同概率分布的性质，或者应用统计方法处理数据。通过编写代码，你可以直观地理解概率模型的运作，并将理论知识转化为实际操作。 总体而...
概率论中不同条件下的Jensen不等式及应用 (2010年)
05-16
介绍了概率论中离散型、连续型和条件期望型的Jensen不等式，利用凸函敷的性质、期望和每件期望的性质来证明；并应用于证明和式不等式、最小风险估计和条件期望收敛等一些问题。
北大何书元概率论引论课件PPT
04-11
同时，也介绍了独立事件和独立随机变量的性质，以及大数定律和中心极限定理，这些都是概率论中的核心定理，对于理解随机现象的规律性具有重要意义。 在统计推断部分，何书元教授讲解了参数估计和假设检验，包括点...
吉林大学概率论考试真题
03-21
概率论作为一门重要的数学学科，是统计学、信息科学、金融工程等领域的基础。吉林大学作为国内顶尖高校，其概率论课程的严谨性和深度都备受赞誉。这些考试真题不仅是对学生理论知识掌握程度的检验，也是对实际问题...
2024考研概率论与数理统计
05-02
《2024考研概率论与数理统计》是一门重要的数学课程，它在研究生入学考试中占有举足轻重的地位。概率论与数理统计是现代数学的两大支柱之一，广泛应用于科研、工程、经济、金融等领域。对于考研的学生来说，掌握这...
Jensen不等式证明
大风车
10-14 7855
凸函数（Convex Functions） 凸函数的定义1如下： 如下图所示：严格凸函数：函数曲线位于由点和连接而成的直线下方。 凸函数：函数曲线不超过由点和连接而成的直线。 定理1：如果某函数在某个区间二阶可导且二阶导数非负，那么这个函数在该区间是凸的。 其中 twice differentiable 指的是二阶可导。 关于这个定理的证明如下： 推论1：-ln(x) 在 (0,∞) 上是严格凸函数。 证明如下： 其中的 Definition 2是凹...
Jensen不等式讲解与证明
Asher117的博客
12-21 1万+
琴生不等式，是由丹麦数学家约翰•延森（Johan Jensen）命名，也成为Jensen不等式或者詹森不等式。码字不易，喜欢请点赞，谢谢！！！有问题随时欢迎交流。 首先，对于如凸函数f(x)f(x)f(x)，对任意0<=α<=10<=\alpha <=10<=α<=1，有如下不等式成立： αf(x)+(1−α)f(y)>=f(αx+(1−α)y)\alph...
矩阵手册（六）—— Cauchy–Schwarz 不等式及其证明
05-19 2万+
Cauchy–Schwarz 不等式∣∣⟨u,v⟩∣∣≥∥u∥∥v∥ \left|\langle u,v\rangle\right|\geq \|u\|\|v\| 证明v=0v=0 或 ⟨u,v⟩=0\langle u,v\rangle=0 时，等式成立，然后排除这两种情况，记 uu 到 vv 的投影向量为 uvu_v，则： uv=⟨u,v⟩v⟨v,v⟩ u_v = \langle u,v\ran
常见不等式考察（一）——Jensen不等式
codename_cys的博客
09-21 1万+
常见不等式考察（一）——Jensen不等式 0. 引言 1. Jensen不等式定义 2. Jensen不等式证明 3. Jensen不等式的常见形式 1. 具体凸函数下的Jesen不等式 1. 幂函数 2. 对数函数 3. 指数函数 4. 三角函数 2. 连续形式下的Jensen不等式 3. 概率论中的Jensen不等式 4. 参考链接 0. 引言 这两天在看文献的时候，突然注意到文献中使用了Jensen不等式，然后猛地发现似乎太久不看这些东西，都已经忘得差不多了，是时候得好好复..
Jensen不等式概率论形式的证明
haohaibo031113的专栏
07-14 1977
这个方法不错，利用凸函数切线的性质 http://www.jianshu.com/p/4a0df1f57a5d
schwarz（ 施瓦兹）不等式证明
weixin_33827965的博客
07-18 2882
证明 如果： 函数 y=ax^2+2bx+c 对任意x &gt;=0 时 y&gt;=0; 函数图象在全部x轴上方，故二次方程判别式 b^2-4ac&lt;=0;(即方程无实数解) 即(2b)^2&lt;=4ac  =&gt;  b^2&lt;ac;   注意:上面g(x0)A(x0-B/1)^2 中X0-B/A 应该表示成(X0+B/A);参考判别式: http://baike....
jensen 不等式 图
08-29
很抱歉，我不能显示图片。但是我可以向你解释 Jensen 不等式。Jensen 不等式是数学中的一个重要不等式，描述了凸函数的性质。对于一个凸函数 f(x)，对于任意的实数 x1, x2, ..., xn 和非负权重 w1, w2, ..., wn (满足 w1 + w2 + ... + wn = 1)，Jensen 不等式可以表示为： f(w1x1 + w2x2 + ... + wnxn) ≤ w1f(x1) + w2f(x2) + ... + wn f(xn) 其中，左边是加权平均值的函数值，右边是函数值的加权平均值。这个不等式的直观理解是：对于凸函数而言，加权平均值的函数值不会超过函数值的加权平均值。 Jensen 不等式在各种领域中都有广泛的应用，包括概率论、统计学、信息论等。它为研究凸函数提供了有力的工具和定理。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

scott198512

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值