马尔科夫不等式:一个快速的概率上界工具

马尔科夫不等式:一个快速的概率上界工具

背景

马尔科夫不等式是浓度不等式中最基础的一条。它的核心作用是:给一个非负随机变量的大偏差概率提供一个简单易用的上界。尽管它很"粗糙",但因为对随机变量的要求很低,具有很广泛的应用场景。

核心思想

设 X X X 是一个非负随机变量(即 X ≥ 0 X \geq 0 X≥0 ),它的均值是 E [ X ] \mathbb{E}[X] E[X] 。假设你想知道 X X X 的值超过某个阈值 t > 0 t > 0 t>0 的概率,即:

P ( X ≥ t ) \mathbb{P}(X \geq t) P(X≥t)

直觉上来说,如果 X X X 的期望值很小,那么它偏离期望值很多(大于 t t t )的概率自然会受到限制。马尔科夫不等式就明确地把这种直觉量化为:
P ( X ≥ t ) ≤ E [ X ] t . \mathbb{P}(X \geq t) \leq \frac{\mathbb{E}[X]}{t}. P(X≥t)≤tE[X].

这个公式的含义非常清楚:如果随机变量的均值小,超过某个阈值的概率就会相应变小。


推导过程

为了直观解释马尔科夫不等式,我们可以通过定义一个辅助随机变量 Y Y Y 来理解。设:
Y = { t , 如果 X ≥ t , 0 , 如果 X < t . Y = \begin{cases} t, & \text{如果 } X \geq t, \\ 0, & \text{如果 } X < t. \end{cases} Y={t,0,如果 X≥t,如果 X<t.

这个随机变量 Y Y Y 的值要么是 t t t,要么是 0 0 0,并且始终满足 Y ≤ X Y \leq X Y≤X ,因为 Y = t Y = t Y=t 的时候 t ≤ X t \leq X t≤X 。

图中展示了随机变量 Y Y Y 的定义。蓝色虚线表示 X X X,橙色曲线表示 Y Y Y 的取值。

  • 当 X ≥ t X \geq t X≥t 时, Y = t Y = t Y=t,这一部分用橙色填充区域表示。
  • 当 X < t X < t X<t 时, Y = 0 Y = 0 Y=0,这一部分用绿色填充区域表示。

红色虚线表示阈值 t t t。可以直观地看到, Y Y Y 的取值始终不超过 X X X,满足 Y ≤ X Y \leq X Y≤X 的条件

根据 Y Y Y 的定义,我们可以计算它的期望值:
E [ Y ] = E [ t ⋅ 1 ( X ≥ t ) ] = t ⋅ P ( X ≥ t ) . \mathbb{E}[Y] = \mathbb{E}[t \cdot \mathbf{1}(X \geq t)] = t \cdot \mathbb{P}(X \geq t). E[Y]=E[t⋅1(X≥t)]=t⋅P(X≥t).

由于 Y ≤ X Y \leq X Y≤X ,根据期望的单调性,有:
E [ Y ] ≤ E [ X ] . \mathbb{E}[Y] \leq \mathbb{E}[X]. E[Y]≤E[X].

代入 E [ Y ] = t ⋅ P ( X ≥ t ) \mathbb{E}[Y] = t \cdot \mathbb{P}(X \geq t) E[Y]=t⋅P(X≥t) ,可以得到:
t ⋅ P ( X ≥ t ) ≤ E [ X ] . t \cdot \mathbb{P}(X \geq t) \leq \mathbb{E}[X]. t⋅P(X≥t)≤E[X].

两边同时除以 t > 0 t > 0 t>0 ,我们就得到了马尔科夫不等式:
P ( X ≥ t ) ≤ E [ X ] t . \mathbb{P}(X \geq t) \leq \frac{\mathbb{E}[X]}{t}. P(X≥t)≤tE[X].


例子:投资收益的概率估算

假设你投资一个项目 X X X,它的年平均收益是 5 % 5\% 5%(即 E [ X ] = 0.05 \mathbb{E}[X] = 0.05 E[X]=0.05 )。你想知道,收益超过 50 % 50\% 50%(即 t = 0.5 t = 0.5 t=0.5 )的概率有多大。

根据马尔科夫不等式:
P ( X ≥ 0.5 ) ≤ E [ X ] t = 0.05 0.5 = 0.1. \mathbb{P}(X \geq 0.5) \leq \frac{\mathbb{E}[X]}{t} = \frac{0.05}{0.5} = 0.1. P(X≥0.5)≤tE[X]=0.50.05=0.1.

也就是说,收益超过 50 % 50\% 50% 的概率不会超过 10 % 10\% 10%。


特点与不足

优点
  1. 简单直观:只需要随机变量的期望值,无需其他参数。
  2. 通用性强:适用于所有非负随机变量。
缺点
  1. 界限松弛:实际概率可能远小于上界。例如,如果随机变量的分布有更多结构信息(如方差或独立性),我们可以得到更紧的概率界限。

小结

马尔科夫不等式是一种"粗粒度"的工具,用最少的信息(均值)给出了概率的一个上界。它适合于初步的概率分析,但如果想要更精确地描述随机变量的偏差行为,我们可以进一步利用 切比雪夫不等式,它通过引入方差让界限更加紧密。

在下一部分中,我们将探索切比雪夫不等式,并看到如何通过方差改进概率估计。

相关推荐
微学AI1 分钟前
融合注意力机制和BiGRU的电力领域发电量预测项目研究,并给出相关代码
人工智能·深度学习·自然语言处理·注意力机制·bigru
知来者逆13 分钟前
计算机视觉——速度与精度的完美结合的实时目标检测算法RF-DETR详解
图像处理·人工智能·深度学习·算法·目标检测·计算机视觉·rf-detr
一勺汤16 分钟前
YOLOv11改进-双Backbone架构:利用双backbone提高yolo11目标检测的精度
人工智能·yolo·双backbone·double backbone·yolo11 backbone·yolo 双backbone
武汉唯众智创18 分钟前
高职人工智能技术应用专业(计算机视觉方向)实训室解决方案
人工智能·计算机视觉·人工智能实训室·计算机视觉实训室·人工智能计算机视觉实训室
Johny_Zhao29 分钟前
MySQL 高可用集群搭建部署
linux·人工智能·mysql·信息安全·云计算·shell·yum源·系统运维·itsm
一只可爱的小猴子39 分钟前
2022李宏毅老师机器学习课程笔记
人工智能·笔记·机器学习
地瓜机器人44 分钟前
乐聚机器人与地瓜机器人达成战略合作,联合发布Aelos Embodied具身智能
人工智能·机器人
带娃的IT创业者1 小时前
《AI大模型趣味实战》基于RAG向量数据库的知识库AI问答助手设计与实现
数据库·人工智能
__Benco1 小时前
OpenHarmony - 小型系统内核(LiteOS-A)(十),魔法键使用方法,用户态异常信息说明
人工智能·harmonyos
小杨4041 小时前
python入门系列二十(peewee)
人工智能·python·pycharm