馬爾可夫不等式

X为一非负随机变量，则

${\displaystyle \mathrm {P} (X\geq a)\leq {\frac {\mathrm {E} (X)}{a}}.}$[1]

若用測度領域的術語來表示，馬爾可夫不等式可表示為若(X, Σ, μ)是一個測度空間，ƒ為可测的扩展实数的函數，且${\displaystyle \epsilon \geq 0}$，則

${\displaystyle \mu (\{x\in X:|f(x)|\geq \varepsilon \})\leq {1 \over \varepsilon }\int _{X}|f|\,d\mu .}$

有時上述的不等式會被稱為切比雪夫不等式[2]。

${\displaystyle {\begin{aligned}{\textrm {E}}(X)&=\int _{-\infty }^{\infty }xf(x)dx\\&=\int _{0}^{\infty }xf(x)dx\\[6pt]&\geqslant \int _{a}^{\infty }xf(x)dx\\[6pt]&\geqslant \int _{a}^{\infty }af(x)dx\\[6pt]&=a\int _{a}^{\infty }f(x)dx\\[6pt]&=a{\textrm {P}}(X\geqslant a).\end{aligned}}}$

切比雪夫不等式使用變異數來作為一隨機變數超過平均值機率的上限，可以用下式表示：

${\displaystyle \Pr(|X-{\textrm {E}}(X)|\geq a)\leq {\frac {{\textrm {Var}}(X)}{a^{2}}},}$

對任意a>0，Var(X)為X的變異數，定義如下：

${\displaystyle \operatorname {Var} (X)=\operatorname {E} [(X-\operatorname {E} (X))^{2}].}$

若以马尔可夫不等式為基礎，切比雪夫不等式可視為考慮以下隨機變量

${\displaystyle (X-\operatorname {E} (X))^{2}}$

根據马尔可夫不等式，可得到以下的結果

${\displaystyle \Pr((X-\operatorname {E} (X))^{2}\geq a^{2})\leq {\frac {\operatorname {Var} (X)}{a^{2}}},}$

令${\displaystyle M\succeq 0}$為自共軛矩陣形式的隨機變數，且${\displaystyle a>0}$，則

${\displaystyle \Pr(M\npreceq a\cdot I)\leq {\frac {\mathrm {tr} \left(E(M)\right)}{a}}.}$

• 馬爾可夫不等式可用來證明切比雪夫不等式。
• 馬爾可夫不等式可用來證明一個非負的隨機變數，其平均值${\displaystyle \mu }$和中位數${\displaystyle m}$滿足${\displaystyle m\leq 2\mu }$的關係。

• 切比雪夫不等式