Нерівність Чебишова

Для нерівності для наборів чисел — див. Нерівність Чебишова для сум чисел.

Нерівність Чебишова — результат теорії ймовірностей, який стверджує, що для будь-якої випадкової величини зі скінченною дисперсією майже всі значення концентруються біля значення математичного сподівання. Нерівність Чебишова дає кількісні характеристики цієї властивості.

Теорема

Нехай $X$ є випадковою величиною із математичним сподіванням $\eta$ і дисперсією ${\sigma }^{2}$. Тоді для всякого $\epsilon >0$ виконується нерівність:

$P\{|X-\eta |\geq \epsilon \}\leq {\frac {{\sigma }^{2}}{{\epsilon }^{2}}}$,

інакше:

$P\{|X-\eta |\geq k\sigma \}\leq {\frac {1}{k^{2}}}$.

Нам цікавий лише випадок з $k>1$. Коли $k\leq 1$ права частина ${\frac {1}{k^{2}}}\geq 1$ і нерівність стає тривіальною, бо ймовірність не перевищує 1.

Наприклад, використовуючи $k={\sqrt {2}}$ показуємо, що ймовірність того., що значення лежить поза проміжком $(\mu -{\sqrt {2}}\sigma ,\mu +{\sqrt {2}}\sigma )$ не перевищує ${\frac {1}{2}}$.

Тому що нерівність можна застосувати до будь-яких розподілів якщо вони мають відоме середнє значення і дисперсію, нерівність зазвичай дає слабку оцінку в порівнянні з ситуацією коли відомо більше даних про розподіл.

$k$	Мін. % в $k$ стандартних    відхилень від середнього	Макс. % поза $k$ стандартних    відхилень від середнього
1	0	100
√2	50	50
1,5	55,56	44,44
2	75	25
3	88,8889	11,1111
4	93,75	6,25
5	96	4
6	97,2222	2,7778
7	97,9592	2,0408
8	98,4375	1,5625
9	98,7654	1,2346
10	99	1

Приклад

Припустімо, що ми навмання обираємо часописну статтю зі джерела з 1000 слів на статтю в середньому, зі стандартним відхиленням у 200 слів. Ми можемо зробити висновок, що ймовірність того, що стаття містить від 600 до 1400 слів (тобто в межах k = 2 стандартних відхилень від середнього) має бути щонайменше 75 %, бо згідно з нерівністю Чебишова шанс опинитись за межами цього діапазону не більший ніж 1⁄k²
= 1/4. Але, якби ми додатково знали, що ми маємо справу з нормальним розподілом, ми могли б сказати, що існує 75 % шанс того, що кількість слів між 770 і 1230 (точніше обмеження).

Точність оцінки

Як показано вище, нерівність зазвичай надає радше слабку оцінку. Однак, для довільного розподілу її неможливо покращити. Це точна оцінка для такого розподілу: для будь-якого k ≥ 1,

$X={\begin{cases}-1,&{\text{з імовірністю }}{\frac {1}{2k^{2}}}\\0,&{\text{з імовірністю }}1-{\frac {1}{k^{2}}}\\1,&{\text{з імовірністю }}{\frac {1}{2k^{2}}}\end{cases}}$

Для цього прикладу, середнє значення μ = 0 і стандартне відхилення σ = 1/k, отже

$\Pr(|X-\mu |\geq k\sigma )=\Pr(|X|\geq 1)={\frac {1}{k^{2}}}$

саме для розподілів, які є лінійними перетвореннями цього прикладу, нерівність Чебишова стає рівністю.

Доведення

Нехай $F(x)$ — функція розподілу змінної $X$. Тоді:

$P\{|X-\eta |\geq \epsilon \}=\int _{-\infty }^{-\eta -\epsilon }\,dF(x)+\int _{\eta +\epsilon }^{\infty }\,dF(x)=\int _{|x-\eta |\geq \epsilon }\,dF(x)$.

Звідси одержуємо,

${\sigma }^{2}=\int _{-\infty }^{\infty }(x-\eta )^{2}\,dF(x)\geq \int _{|x-\eta |\geq \epsilon }(x-\eta )^{2}\,dF(x)\geq {\epsilon }^{2}\int _{|x-\eta |\geq \epsilon }\,dF(x)$.

З того, що $P\{|X-\eta |\geq \epsilon \}=\int _{|x-\eta |\geq \epsilon }\,dF(x)$ одержуємо твердження теореми.

Див. також

• Нерівність Маркова
• Нерівність Ляпунова
• Чебишов Пафнутій Львович

Джерела

• Гнєденко Б. В. Курс теорії ймовірностей. — Київ : ВПЦ Київський університет, 2010. — 464 с.
• Карташов М. В. Імовірність, процеси, статистика. — Київ : ВПЦ Київський університет, 2007. — 504 с.
• Скороход А. В. Елементи теорії ймовірностей та випадкових процесів. — Київ : Вища школа, 1975. — 296 с.
• Скороход А. В. та ін. Теорія ймовірностей: збірник задач. — Київ : Вища школа, 1976. — 384 с.
• Шефтель З. Г. Теорія ймовірностей. — 2-е. — Київ : Вища школа, 1994. — 192 с.(укр.)
• Сеньо П. С. (2007). Теорія ймовірностей та математична статистика (вид. 2-ге.). Київ: Знання. с. 556.

• Гихман И. И., Скороход А. В., Ядренко М. В. Теория вероятностей и математическая статистика. — Київ : Вища школа, 1988. — 436 с.(рос.)