Evet, örnek ortalamasını ve varyansını kullanarak benzer bir sonuç alabiliriz, belki de süreçte ortaya çıkan birkaç küçük sürprizle.
Öncelikle, soru ifadesini birazcık düzeltmeli ve birkaç varsayımda bulunmalıyız. Daha önemlisi, popülasyon varyansını sağ taraftaki numune varyansı ile değiştirmeyi ümit edemeyeceğimiz açıktır, çünkü ikincisi rastgeledir ! Bu yüzden, dikkatimizi eşdeğer eşitsizlik
P(X−EX≥tσ)≤11+t2.
Bunların eşdeğer olduğu açık değilse, genel eşitlikte bir kayıp olmadanbasitçe
eşitliğini
t σt iledeğiştirdiğimize dikkat edin.
tσ
İkincisi, rastgele bir örneğine sahip X1,…,Xnolduğumuzu ve benzer miktarına yönelik bir üst sınırla ilgilendiğimizi
varsayıyoruzP(X1−X¯≥tS) , burada X¯ örnek ortalama ve S örnek standart sapmadır.
Yarım adım ileri
Zaten orijinal tek taraflı Chebyshev eşitsizliğini uygulayarakX1−X¯ , bunu
P ( X1- X¯≥ t σ) ≤ 11 + nn - 1t2
burada
σ2= V a r ( X1), kiorijinal versiyonun sağ tarafından
daha küçük. Bu mantıklı! Bir numuneden rastgele bir değişkenin herhangi bir özel gerçekleştirilmesi, popülasyon ortalamasına göre katkıda bulunduğu numune ortalamasına (biraz) daha yakın olma eğiliminde olacaktır. Aşağıda göreceğimiz gibi, yerine alırsınız
σtarafından
Sdaha genel varsayımlar altında.
Tek taraflı Chebyshev'in örnek bir versiyonu
İddia : Let olmak gelişigüzel bir örnek, bu şekilde P ( S = 0 ) = 0 . Daha sonra, P ( x 1 - ˉ x ≥ t S ) ≤ 1X1, … , XnP (S= 0 ) = 0Özellikle, sınırın örnek versiyonu, orijinal popülasyon versiyonundandaha sıkıdır.
P ( X1- X¯≥ t S) ≤ 11 + nn - 1t2.
Not : Biz do not varsayalım ya sonlu ortalama veya varyans var!Xben
Kanıt . Buradaki düşünce, orijinal tek taraflı Chebyshev eşitsizliğinin kanıtını uyarlamak ve süreçte simetriyi kullanmaktır. İlk önce, notasyonel rahatlık için ayarını yapın . Daha sonra, gözlemleyin
P ( Y 1 ≥ t S ) = 1Yben= Xben- X¯
P ( Y1≥ t S) = 1nΣi = 1nP ( Yben≥ t S) = E 1nΣi = 1n1( Yben≥ t S).
Şimdi, herhangi ile, { S > 0 } ,
1 ( Y i ≥ t S ) = 1 ( Y i + T C S ≥ t S ( 1 + c ) ) ≤ 1 ( ( E i + T C S ) 2 ≥ t 2 ( 1 + c ) 2 S 2c>0{S>0}
1(Yi≥tS)=1(Yi+tcS≥tS(1+c))≤1((Yi+tcS)2≥t2(1+c)2S2)≤(Yi+tcS)2t2(1+c)2S2.
Sonra,
Çünkü ˉ Y = 0 ve Σ i Y 2 i = ( n - 1 ) S 2 .
1n∑i1(Yi≥tS)≤1n∑i(Yi+tcS)2t2(1+c)2S2=(n−1)S2+nt2c2S2nt2(1+c)2S2=(n−1)+nt2c2nt2(1+c)2,
Y¯=0∑iY2i=(n−1)S2
Sağ taraf bir sabittir ( ! ), Bu nedenle her iki taraftan da beklentileri almak,
P(X1−X¯≥tS)≤(n−1)+nt2c2nt2(1+c)2.
cc=n−1nt2
Bu sinir bozucu teknik durum
P(S=0)=0S20=Yi=tS=0it>0
q=P(S=0)
q=P(S=0)>0
P(X1−X¯≥tS)≤(1−q)11+nn−1t2+q.
{S>0}{S=0}{S>0}{S=0}
Olasılık beyanındaki belirsiz eşitsizliği katı bir versiyonla değiştirirsek, daha temiz bir eşitsizlik ortaya çıkar.
q=P(S=0)
P(X1−X¯>tS)≤(1−q)11+nn−1t2.
X