欢迎光临散文网 会员登陆 & 注册

Markov 和 Chebyshev 不等式

2023-08-23 10:16 作者:乐吧的数学  | 我要投稿

这篇小文章讲一下概率中的几个界,也就是几个不等式。是为了给后面通信中的一些理论提供基础,例如极化码中极化特性的推导,需要用到 Chernoff-Hoeffding 不等式。


我们先讲讲这些界的出发点,即马尔可夫不等式 (Markov Inequality).


X 是一个非负的随机变量,均值是 %5Cmu , 那么 %5Cforall%20a%20%3E%200:

P(X%5Cge%20a)%20%5Cle%20%5Cfrac%7B%5Cmu%7D%7Ba%7D%20%5Ctag%201

证明:

%5Cmu%20%3D%20E(X)%20%3D%20%5Cint_0%5E%7B%2B%5Cinfty%7D%20xF_X(x)dx%20%3D%20%5Cint_0%5Ea%20xF_X(x)dx%20%2B%20%5Cint_a%5E%7B%2B%5Cinfty%7D%20xF_X(x)dx%20%5Cge%0A%0A%5Cint_a%5E%7B%2B%5Cinfty%7D%20xF_X(x)dx%20%20%5C%5C%0A%0A%5Cge%20%5Cint_a%5E%7B%2B%5Cinfty%7D%20aF_X(x)dx%20%3D%20a%20%20%5Cint_a%5E%7B%2B%5Cinfty%7D%20F_X(x)dx%20%3D%20a%20P(X%5Cge%20a)%20%20%5Ctag%202

简单整理后得到公式 (1).




如果再知道方差,那么我们可以得到更好的估计(Chebyshev 不等式):

P(%7CX-%5Cmu%7C%5Cge%20a)%20%5Cle%20%5Cfrac%7B%5Csigma%5E2%7D%7Ba%5E2%7D%20%5Ctag%203

其中 %5Csigma%5E2 是随机变量 X 的方差。


证明:


构建一个新的随机变量

Y%20%3D%20(X-%5Cmu)%5E2


则根据方差的定义

E(Y)%20%3D%20E%5B(X-%5Cmu)%5E2%5D%20%3D%20%5Csigma%5E2


使用 Markov 不等式:

P(Y%5Cge%20a%5E2)%20%5Cle%20%5Cfrac%7BE(Y)%7D%7Ba%5E2%7D%20%3D%20%5Cfrac%7B%5Csigma%5E2%7D%7Ba%5E2%7D


则:

P(%7CX-%5Cmu%7C%5Cge%20a)%20%3D%20P((X-%5Cmu)%5E2%20%5Cge%20a%5E2)%20%3D%20P(Y%5Cge%20a%5E2)%20%5Cle%20%5Cfrac%7B%5Csigma%5E2%7D%7Ba%5E2%7D

注意:

      在公式 (3) 中,不需要有 X%3E0 这个条件。


Markov 和 Chebyshev 不等式的评论 (共 条)

分享到微博请遵守国家法律