VIDEO
62. Неравенство Маркова (
Андрей Михайлович Райгородский [27:00]
Неравенство Маркова — неравенство, гласящее: вероятность того, что непрерывная положительная случайная величина превысит некоторое положительное число, не более отношения её математического ожидания к заданному числу. Открыто А. А. Марковым , названо в честь него же.
X — непрерывная положительная случайная величина;
M(X) — математическое ожидание положительной случайной величины X ;
ε — положительное число большее чем M(X) .
Формула неравенства [ править ]
P
(
X
⩾
ε
)
≤
M
(
X
)
ε
{\displaystyle P(X\geqslant \varepsilon )\leq {\frac {M(X)}{\varepsilon }}}
P
(
X
>
ε
)
≤
M
(
X
)
ε
{\displaystyle P(X>\varepsilon )\leq {\frac {M(X)}{\varepsilon }}}
Заметим, что вероятность равенства для непрерывной случайной величины равна нулю, поэтому строгое и нестрогое неравенства равнозначны.
P
(
X
<
ε
)
≥
1
−
M
(
X
)
ε
{\displaystyle P(X<\varepsilon )\geq 1-{\frac {M(X)}{\varepsilon }}}
P
(
X
⩽
ε
)
≥
1
−
M
(
X
)
ε
{\displaystyle P(X\leqslant \varepsilon )\geq 1-{\frac {M(X)}{\varepsilon }}}
Доказательство 1 [ править ]
M
(
X
)
=
∫
0
∞
x
f
(
x
)
d
x
⩾
∫
ε
∞
x
f
(
x
)
d
x
⩾
∫
ε
∞
ε
f
(
x
)
d
x
=
ε
∫
ε
∞
f
(
x
)
d
x
=
ε
P
(
X
⩾
ε
)
⇒
M
(
X
)
⩾
ε
P
(
X
⩾
ε
)
⇒
P
(
X
⩾
ε
)
⩽
M
(
X
)
ε
{\displaystyle M(X)=\int \limits _{0}^{\infty }xf(x)dx\geqslant \int \limits _{\varepsilon }^{\infty }xf(x)dx\geqslant \int \limits _{\varepsilon }^{\infty }\varepsilon f(x)dx=\varepsilon \int \limits _{\varepsilon }^{\infty }f(x)dx=\varepsilon P(X\geqslant \varepsilon )\Rightarrow M(X)\geqslant \varepsilon P(X\geqslant \varepsilon )\Rightarrow P(X\geqslant \varepsilon )\leqslant {\frac {M(X)}{\varepsilon }}}
Неравенство Маркова применимо для дискретной положительной случайной величины X в виде:
P
(
X
>
ε
)
⩽
M
(
X
)
ε
{\displaystyle P(X>\varepsilon )\leqslant {\frac {M(X)}{\varepsilon }}}
Следствие неравенства Маркова применимо для дискретной положительной случайной величины X в виде:
P
(
X
⩽
ε
)
⩾
1
−
M
(
X
)
ε
{\displaystyle P(X\leqslant \varepsilon )\geqslant 1-{\frac {M(X)}{\varepsilon }}}
Доказательство 2 [ править ]
Пусть для дискретной положительной случайной величины X , представленной в упорядоченном виде, выполняются неравенства:
x
1
⩽
x
2
⩽
…
⩽
x
k
⩽
ε
<
x
k
+
1
⩽
x
k
+
2
⩽
…
⩽
x
n
{\displaystyle x_{1}\leqslant x_{2}\leqslant \ldots \leqslant x_{k}\leqslant \varepsilon <x_{k+1}\leqslant x_{k+2}\leqslant \ldots \leqslant x_{n}}
Тогда отсюда следует:
M
(
X
)
=
∑
i
=
1
n
x
i
p
i
⩾
∑
i
=
k
+
1
n
x
i
p
i
⩾
∑
i
=
k
+
1
n
ε
p
i
=
ε
∑
i
=
k
+
1
n
p
i
=
ε
P
(
X
>
ε
)
⇒
M
(
X
)
⩾
ε
P
(
X
>
ε
)
⇒
P
(
X
>
ε
)
⩽
M
(
X
)
ε
{\displaystyle M(X)={\sum \limits _{i=1}^{n}x_{i}p_{i}}\geqslant {\sum \limits _{i=k+1}^{n}x_{i}p_{i}}\geqslant {\sum \limits _{i=k+1}^{n}\varepsilon p_{i}}=\varepsilon {\sum \limits _{i=k+1}^{n}p_{i}}=\varepsilon P(X>\varepsilon )\Rightarrow M(X)\geqslant \varepsilon P(X>\varepsilon )\Rightarrow P(X>\varepsilon )\leqslant {\frac {M(X)}{\varepsilon }}}
Кремер Н. Ш. Теория вероятностей и математическая статистика. М.: Юнити, 2004, стр.223-224.