切比雪夫不等式及其证明

切比雪夫不等式及其证明

本质: 随机变量XXX偏离E(X)E(X)EX)越大,则其概率越小。

定理 设随机变量XXX具有数学期望E(X)=μE(X)=\muE(X)=μ,方差D(X)=σ2D(X)=\sigma^2D(X)=σ2,则对∀ϵ≥0\forall\epsilon\ge0ϵ0,不等式
P{∣X−μ∣≥ϵ}≤σ2ϵ2 P \{ | X- \mu | \ge \epsilon \} \le \frac {\sigma^2}{\epsilon^2} P{Xμϵ}ϵ2σ2
成立。

证明:
只就连续性随机变量的情况来证明。设XXX的概率密度函数为f(x)f(x)f(x),则有
P{∣X=μ∣≥ϵ}=∫∣x−μ∣≥ϵf(x)dx≤∫∣x−μ∣≥ϵf(x)dx≤∫∣x−μ∣≥ϵ∣x−μ∣2ϵ2f(x)dx≤1ϵ2∫−∞+∞(x−μ)2f(x)dx=σ2ϵ2 P \{ |X=\mu|\ge\epsilon \} = \int _{|x-\mu|\ge\epsilon} f(x)dx \\ \le \int _{|x-\mu|\ge\epsilon}f(x)dx \\ \le \int _{|x-\mu|\ge\epsilon} \frac {|x-\mu|^2} {\epsilon^2}f(x)dx \\ \le \frac {1} {\epsilon^2} \int _{- \infty} ^{+ \infty} (x- \mu)^2f(x)dx \\ =\frac {\sigma^2} {\epsilon^2} P{X=μϵ}=xμϵf(x)dxxμϵf(x)dxxμϵϵ2xμ2f(x)dxϵ21+(xμ)2f(x)dx=ϵ2σ2
另一种形式:

P{∣X−μ∣<ϵ}≥1−σ2ϵ2P\{ |X-\mu| <\epsilon\} \ge1-\frac{\sigma^2} {\epsilon^2}P{Xμ<ϵ}1ϵ2σ2

意义: 随机变量分布未知\color{red}{分布未知}仅知E(X)和D(X)\color{red}{仅知E(X)和D(X)}E(X)D(X)情况下估计概率P{∣X−E(X)∣<ϵ}P\{ |X-E(X)|<\epsilon\}P{XE(X)<ϵ}的界限

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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