체비쇼프 부등식 문서 원본 보기

{{위키데이터 속성 추적}}
{{출처 필요|날짜=2010-11-13}}
{{다른 뜻|체비쇼프 합 부등식|체비쇼프 부등식|체비쇼프 합 부등식}}

[[확률론]]에서 [[파프누티 체비쇼프]]의 이름을 딴 '''체비쇼프 부등식'''('''체비세프 부등식''', '''체비쇼프 정리''', '''비에나메-체비쇼프 부등식'''이라고도 한다)은 [[확률 분포]]에서 그 어떠한 데이터 샘플 혹은 확률 분포에서 거의 모든 값이 평균값 (mean value)에 근접하며 "거의 모든" 과 "근접하는"의 양적 설명을 제공한다.

예를 들자면,
* 값 들 중 평균값으로부터 2 [[표준편차]] 이상 떨어진 것들은 1/4 이상을 차지하지 않는다;
* 3 표준편차 이상 떨어진 것들은 1/9 이상 차지하지 않는다;
* 5 표준편차 이상 떨어진 것들은 1/25 이상 차지하지 않는다;

등등이다. 일반적으로:
* 값들 중 평균값으로부터 k 표준 편차 이상 떨어진 것들은 1/''k''<sup>2</sup> 이상 차지하지 않는다.

== 일반 공식 ==
이 부등식은 [[측도]]를 사용하여 상당히 일반적으로 나타낼 수 있다; 그렇다면 확률론의 언어로 나타낸 식은 측도 1의 공간을 위한 특정 사례로써 따르게 된다.

=== 측도론에 따른 정의 ===
[[측도 공간]] (''X'',Σ,μ)와, ''X'' 상에 정의된 [[확장된 실수]]값을 갖고 [[잴 수 있는 함수]] ''f''가 있다고 하자. 그렇다면 어떤 실수 ''t'' > 0에 대해서도 다음 부등식이 성립한다:

:<math>\mu(\{x\in X\,:\,\,|f(x)|\geq t\}) \leq {1\over t^2} \int_X f^2 \, d\mu.</math>

좀 더 일반적으로, 만약 ''g'' 가 음수가 아닌 확장된 실수값을 갖고 잴 수 있는 함수이며, ''f''의 범위에서 감소하지 않는다면,

:<math>\mu(\{x\in X\,:\,\,f(x)\geq t\}) \leq {1\over g(t)} \int_X g\circ f\, d\mu.</math>

그렇다면 위의 정의는 ''g''(''t'')를

:<math>g(t)=\begin{cases}t^2&\mbox{if} \ t\geq0\\0&\mbox{otherwise,}\end{cases}</math>

로써 정의하고 ''f'' 대신 |''f''|를 취함으로써 따르게 된다.

=== 확률론에 따른 정의 ===
[[기댓값]]이 μ이고 분산이 σ<sup>2</sup>인 [[확률 변수]] ''X''가 있다고 하자. (이때, 분산은 유한한 값이다) 그러면 어떠한 [[실수]] ''k''&nbsp;>&nbsp;0에 대해서도 다음 부등식이 성립한다.

:<math>\Pr(\left|X-\mu\right|\geq k\sigma)\leq\frac{1}{k^2}.</math>

''k'' > 1인 경우에만 의미있는 정보를 제공한다.

예제에서처럼, ''k''=√2를 사용하는 것은 값들의 최소한 절반이 (μ − √2 σ, μ + √2 σ)의 범위에 놓여있다는 것을 보여준다.

보통, 이 법칙은 비교적 느슨한 한계를 제공한다. 그러나, 체비쇼프의 부등식에 의하여 제공되는 한계는 일반적으로 (임의의 분포의 변수들에게는 여전히 유효한 상태로 남아있다) 더 향상될 수 없다. 예를 들면, 그 어떠한 ''k''&nbsp;>&nbsp;1 에 대해서도, 다음 예제는 (여기서 σ&nbsp;=&nbsp;1/''k'') 한계에 정확히 들어맞는다.

:<math>\begin{matrix}\Pr(X=-1) & = & 1/2k^2 \\ \\ \Pr(X=0) & = & 1 - 1/k^2 \\ \\ \Pr(X=1) & = & 1/2k^2 \end{matrix} </math>

이 법칙은 느슨한 한계에도 불구하고 유용할 수 있는데, 그 이유는 이 법칙이 그 어떠한 분포의 확률변수에 대해서도 적용되기 때문이며 분포에 관하여 평균과 분산 이외에 대하여 아는 바가 없을 때에도 이러한 한계들이 계산될 수 있기 때문이다.

체비쇼프의 부등식은 [[큰 수의 법칙|큰 수의 약한 법칙]]을 증명하기 위하여 사용된다.

=== 응용 예제 ===
구체적인 예를 들면, 출판물에서의 문서들과 같이 많은 분량의 텍스트를 가지고 있다고 가정하자. 이 문서들이 평균 1000 글자 길이로 200 글자의 [[표준편차]]를 가진다는 것을 우리가 알고 있다고 가정하자. 체비쇼프의 부등식으로부터 우리는 모든 문서 중 최소한 75%는 길이가 600에서 1400 글자 (''k'' = 2) 사이라는 것을 추론할 수 있다.

== 변형: One-sided 체비쇼프 부등식 ==
A one-tailed variant with ''k'' > 0, is

:<math>\Pr(X-\mu \geq k\sigma)\leq\frac{1}{1+k^2}.</math>

체비쇼프 부등식의 one-sided version 은 칸텔리 부등식이라 불리며 [[Francesco Paolo Cantelli]]으로부터 기인한다.

== 증명 ==
=== 측도론에 따른 증명 ===
''A''<sub>''t''</sub> 가 ''A''<sub>''t''</sub> = {''x'' ∈ ''X'' | ''f''(''x'') ≥ ''t''} 로 정의된다고 가정하고, :<math>1_{A_t}</math>
가 ''A''<sub>''t''</sub> 집합의 [[표시 함수]]라고 가정하자. 그렇다면, 다음을 확인하는 것은 쉬운 일이다
:<math>0\leq g(t)1_{A_t}\leq g\circ f\,1_{A_t}\leq g\circ f,</math>
그러므로,
:<math>g(t)\mu(A_t)=\int_X g(t)1_{A_t}\,d\mu\leq\int_{A_t} g\circ f\,d\mu\leq\int_X g\circ f\,d\mu.</math>
원하는 부등식은 위의 부등식을 ''g''(''t'') 로 나눔으로써 따르게 된다.

=== 확률론에 따른 증명 ===
[[마르코프 부등식]]은 어떤 실수값 확률 변수 ''Y''와 그 어떤 양수 ''a''에 대해서도, Pr(|''Y''|&nbsp;>&nbsp;''a'') ≤ E(|''Y''|)/''a''가 성립한다는 부등식이다. 마르코프 부등식을 확률 변수 ''Y''&nbsp;=&nbsp;(''X''&nbsp;−&nbsp;μ)<sup>2</sup> 에 ''a'' = (σ''k'')<sup>2</sup>에 적용하면 체비쇼프 부등식을 증명할 수 있다.

직접적인 증명도 가능하다. 어떤 이벤트 ''A''에 대하여, ''I''<sub>''A''</sub>를 ''A''의 [[표시 확률 변수]]라고 가정하자, 즉 ''I''<sub>''A''</sub>은 ''A''가 발생하면 1이고 아니면 0이다. 그렇다면

::<math>\Pr(|X-\mu| \geq k\sigma) = \operatorname{E}(I_{|X-\mu| \geq k\sigma})
= \operatorname{E}(I_{[(X-\mu)/(k\sigma)]^2 \geq 1})</math>

:<math>\leq \operatorname{E}\left( \left( {X-\mu \over k\sigma} \right)^2 \right)
= {1 \over k^2} {\operatorname{E}((X-\mu)^2) \over \sigma^2} = {1 \over k^2}.</math>

이 직접 증명은 왜 한계가 일반적 경우에서 매우 느슨한지를 보여준다: "≥" 의 좌측에 있는 숫자 1은 "≥" 의 우측의 [(''X''&nbsp;−&nbsp;μ)/(''k''σ)]<sup>2</sup> 의 값이 1을 초과할 때마다 이 값으로 교체된다. 어떤 경우에는 매우 넓은 차이를 두고 1을 초과한다.

== 같이 보기 ==
* [[렝글라트의 부등식]]
* [[마르코프 부등식]]
* [[수학 기호표]]

{{전거 통제}}

[[분류:부등식]]
[[분류:확률론]]
[[분류:확률부등식]]
[[분류:통계부등식]]