Неравенство Кантеллиса - Википедия - Cantellis inequality

В теория вероятности, Неравенство Кантелли является обобщением Неравенство Чебышева в случае одиночного «хвоста».^[1][2][3] Неравенство гласит, что

${ displaystyle Pr (X- mathbb {E} [X] geq lambda) quad { begin {cases} leq { frac { sigma ^ {2}} { sigma ^ {2} + lambda ^ {2}}} & { text {if}} lambda> 0, [8pt] geq 1 - { frac { sigma ^ {2}} { sigma ^ {2} + лямбда ^ {2}}} & { text {if}} lambda <0. end {case}}}$

куда

${ displaystyle X}$ ценный случайная переменная,

${ displaystyle Pr}$ это вероятностная мера,

${ Displaystyle mathbb {E} [X]}$ это ожидаемое значение из ${ displaystyle X}$,

${ displaystyle sigma ^ {2}}$ это отклонение из ${ displaystyle X}$.

Объединяя случаи ${ displaystyle lambda> 0}$ и ${ displaystyle lambda <0}$ дает, для ${ displaystyle delta> 0,}$

${ Displaystyle Pr (| X- mathbb {E} [X] | geq delta) leq { frac {2 sigma ^ {2}} { sigma ^ {2} + delta ^ {2 }}}.}$

Более слабая версия Неравенство Чебышева.

Хотя неравенство часто объясняется Франческо Паоло Кантелли кто опубликовал его в 1928 году,^[4] он берет начало в работе Чебышева 1874 года.^[5] Из неравенства Чебышева следует, что в любом образец данных или же распределение вероятностей, "почти все" значения близки к иметь в виду с точки зрения абсолютная величина разницы между точками выборки данных и средневзвешенным значением выборки данных. Неравенство Кантелли (иногда называемое «неравенством Чебышева – Кантелли» или «односторонним неравенством Чебышева») позволяет оценить, насколько точки выборки данных больше или меньше их средневзвешенного значения без двух хвостов оценка абсолютного значения. Неравенство Чебышева имеет "версии высших моментов" и "векторные версии", как и неравенство Кантелли.

Доказательство

Дело ${ displaystyle lambda> 0}$

Позволять ${ displaystyle X}$ - вещественная случайная величина с конечной дисперсией ${ displaystyle sigma ^ {2}}$ и ожидание ${ displaystyle mu}$, и определим ${ Displaystyle Y = X- mathbb {E} [X]}$ (так что ${ displaystyle mathbb {E} [Y] = 0}$ и ${ displaystyle operatorname {Var} (Y) = sigma ^ {2}}$).

Тогда для любого ${ displaystyle u geq 0}$, у нас есть

${ Displaystyle Pr (Икс- mathbb {E} [X] geq lambda) = Pr (Y geq lambda) = Pr (Y + u geq lambda + u) leq Pr ( (Y + u) ^ {2} geq ( lambda + u) ^ {2}) leq { frac { mathbb {E} [(Y + u) ^ {2}]} {( lambda + u) ^ {2}}} = { frac { sigma ^ {2} + u ^ {2}} {( lambda + u) ^ {2}}}.}.$

последнее неравенство является следствием Неравенство Маркова. Как указано выше, для любого выбора ${ Displaystyle и в mathbb {R}}$, мы можем применить его со значением, которое минимизирует функцию ${ Displaystyle и geq 0 mapsto { frac { sigma ^ {2} + u ^ {2}} {( lambda + u) ^ {2}}}}$. Путем дифференцирования можно увидеть, что ${ Displaystyle и _ { Ast} = { гидроразрыва { sigma ^ {2}} { lambda}}}$, что приводит к

${ displaystyle Pr (X- mathbb {E} [X] geq lambda) leq { frac { sigma ^ {2} + u _ { ast} ^ {2}} {( lambda + u_ { ast}) ^ {2}}} = { frac { sigma ^ {2}} { lambda ^ {2} + sigma ^ {2}}}}$ если ${ displaystyle lambda> 0}$

Дело ${ displaystyle lambda <0}$

Действуем как прежде, пишем ${ Displaystyle альфа = - лямбда> 0}$ и для любого ${ displaystyle u geq 0}$

${ Displaystyle Pr (X- mathbb {E} [X] < lambda) = Pr (-Y> alpha) leq { frac { sigma ^ {2}} { alpha ^ {2} + sigma ^ {2}}} = { frac { sigma ^ {2}} { lambda ^ {2} + sigma ^ {2}}}}$

используя предыдущий вывод на ${ displaystyle -Y}$. Взяв дополнение к левой части, получим

${ Displaystyle Pr (X- mathbb {E} [X] geq lambda) geq 1 - { frac { sigma ^ {2}} { lambda ^ {2} + sigma ^ {2} }}}$ если ${ displaystyle lambda <0}$

Обобщения

Используя большее количество моментов, можно показать различные более сильные неравенства. Хэ, Чжан и Чжан и показали:^[6] когда${ Displaystyle mathbb {E} [X] = 0}$ и${ Displaystyle mathbb {E} [X ^ {2}] = 1}$:

${ Displaystyle Pr (Икс geq лямбда) leq 1- (2 { sqrt {3}} - 3) { frac {(1+ lambda ^ {2}) ^ {2}} { mathbb {E} [X ^ {4}] + 6 lambda ^ {2} + lambda ^ {4}}}}$

Смотрите также

• Неравенство Пэли – Зигмунда.

Рекомендации