Вероятность и статистика · объяснение и практика
Как дисперсия ограничивает вероятность далёкого отклонения
Ограничьте вероятность отклонения от среднего по известной дисперсии без предположения о нормальной форме распределения.

В теме Случайные величины и распределения · Учебная карта
Главная мысль
При конечной дисперсии σ² и любом t>0 вероятность |X−μ|≥t не превосходит σ²/t². Неравенство Чебышёва работает без нормальности, но часто даёт консервативную оценку.
Примените Маркова к квадрату
Квадрат отклонения (X−μ)² неотрицателен, а его ожидание равно дисперсии. Событие |X−μ|≥t совпадает с событием (X−μ)²≥t² при положительном t. Поэтому неравенство Маркова сразу даёт P(|X−μ|≥t)≤σ²/t². Именно квадрат порога, а не сам порог, появляется в знаменателе.
Распределение X может быть дискретным, непрерывным, симметричным или асимметричным. Нужны существующие среднее и конечная дисперсия, но не колоколообразная кривая. Не стоит подставлять в это доказательство неизвестную теоретическую дисперсию случайной выборочной оценкой и объявлять тот же гарантированный уровень: такая замена требует дополнительного анализа.
Абсолютный порог и число стандартных отклонений
Если σ>0 и t=kσ, граница принимает вид 1/k². Для двух стандартных отклонений хвост не превосходит одной четверти, для трёх — одной девятой. Это не известные проценты нормального закона: без нормальности они обычно шире. Значение k надо умножать на стандартное отклонение, а не на дисперсию.
Пусть μ=20, σ²=16 и нужен хвост с отклонением не менее десяти. Получаем 16/100=0,16. Дополнительное событие с отклонением строго меньше десяти имеет вероятность не ниже 0,84. Различие между строгой и нестрогой границей важно, когда распределение может иметь массу прямо на концах интервала.
Пример
У X среднее 50 и дисперсия 25. Как ограничить P(|X−50|≥15)?
Порог равен трём стандартным отклонениям, поскольку σ=5. Граница 25/225=1/9. Нельзя использовать 25/15, где забыто возведение порога в квадрат.
Граница, а не восстановление распределения
Распределения с одинаковыми средним и дисперсией могут иметь разные хвостовые вероятности. Поэтому неравенство не сообщает точного ответа для конкретной системы. Оно даёт надёжную универсальную оценку при указанных моментах. Если правая часть превышает единицу, пользуются границей один; это сигнал слабости оценки, а не невозможности самой модели.
При нулевой дисперсии величина равна среднему почти наверное, поэтому любой положительный порог даёт нулевой хвост. Формула с t>0 это отражает, но запись через kσ уже требует отдельного рассмотрения, поскольку порог стал бы нулём. Проверка крайних случаев помогает сохранить смысл неравенства и не делить на исчезнувший масштаб.
От чтения к действию
А теперь — вы
Частые вопросы
Нужно ли предполагать нормальное распределение?
Нет. Неравенство использует только существующие среднее и конечную дисперсию. Нормальная модель может дать более точную, но дополнительную оценку.
Что означает результат 1/9 для трёх отклонений?
Вероятность отклониться не меньше чем на три σ не выше 1/9. Это верхняя граница, а не точная доля такого события.
Источники и работа с материалом
Объяснение, примеры и вопросы написаны для erudeet. Факты и определения сверены по источникам ниже; это ссылки для самостоятельной проверки.
Продолжить разбираться
Как неотрицательность даёт верхнюю границу вероятности большого значения
Получите верхнюю границу хвостовой вероятности из одного ожидания и неотрицательности; отличите границу от точного распределения.
Открыть темуЧто закон больших чисел говорит о среднем и чего не обещает
Отличите стабилизацию среднего от обещания следующего исхода и получите вероятностную оценку ошибки для независимых одинаково распределённых наблюдений.
Открыть тему