Математика / Вероятность и статистика

Неравенство Маркова для хвостовой вероятности

Неравенство Маркова даёт верхнюю границу вероятности большого значения неотрицательной случайной величины через её среднее. Оно работает без знания точного распределения, поэтому граница может быть грубой, но остаётся гарантированной при выполнении условий.

Опубликовано: 22 октября 2026 г.Обновлено: 22 октября 2026 г.

Теория вероятностей и математическая статистика Страницы с задачами и решениями Есть историческая справка Анализ данных

Формула

P(X\ge a)\le\frac{E[X]}{a},\qquad X\ge0,\ a>0

Схема Марков: граница может достигаться

Один допустимый закон с E[X] = 12 достигает P(X ≥ 60) = 0,2. Для другого закона с тем же средним хвост может быть меньше.

Обозначения

$X$: неотрицательная случайная величина, единица измеряемой величины
$a$: строго положительный порог превышения, та же единица, что у X
$E[X]$: конечное математическое ожидание X, та же единица, что у X
$P(X≥a)$: вероятность правого хвоста, безразмерна

Условия применения

Нужно, чтобы X≥0 почти наверное и E[X] было конечным. Порог a должен быть строго положительным и иметь те же единицы, что X. Независимость наблюдений, непрерывность распределения и наличие дисперсии не требуются. Если X может быть отрицательной, нельзя подставлять её среднее механически: применяют неотрицательную функцию, например |X| или (X−c)², ясно формулируя новое событие.

Ограничения

Граница использует лишь E[X], поэтому часто существенно больше истинной вероятности. Правая часть может превышать 1; тогда пишут min(1,E[X]/a). Неравенство не даёт нижней границы и не утверждает, что превышение действительно вероятно. Для отклонения вокруг среднего при известной дисперсии подходит Чебышёв: он получается из Маркова для квадрата отклонения, но отличается и событием, и требуемыми данными.

Подробное объяснение

Неравенство Маркова связывает средний «бюджет» случайной величины с тем, как часто она способна быть выше порога. Если X неотрицательна, то на событии {X≥a} она вносит в среднее не меньше a. Значит, вклад этого события не меньше a·P(X≥a), а всё среднее не может быть меньше своего вклада. Деление на положительное a и даёт требуемую верхнюю границу.

Удобная запись использует индикатор I события {X≥a}: для каждого исхода X≥aI. Ожидание сохраняет неравенство, поэтому E[X]≥aE[I]=aP(X≥a). Вывод не использует плотность и одинаково годится для дискретных, непрерывных и смешанных распределений. Неотрицательность существенна: без неё левая часть не обязана доминировать над aI.

При фиксированном среднем рост порога уменьшает оценку как 1/a. Это не описание настоящего хвоста: Марков говорит только о худшем допустимом варианте среди распределений с данным средним. Граница содержательна, когда E[X]/a<1; иначе остаётся лишь известный факт P≤1.

В задачах X может означать число дефектов, время ожидания, расход или модуль ошибки. К любой величине Y применяют Маркова к |Y|^p и получают P(|Y|≥t)≤E|Y|^p/t^p, если момент конечен. Выбор степени нельзя делать бездумно: он меняет требуемую информацию и смысл оценки.

Неравенство Чебышёва получается при применении Маркова к X=(Z−E[Z])² и порогу a². Оно оценивает двустороннее отклонение от среднего и требует конечной дисперсии; исходная формула Маркова относится к неотрицательной величине и одностороннему хвосту.

Как пользоваться формулой

Определите неотрицательную величину X и проверьте, что её среднее конечно; отрицательные значения в исходной модели нельзя игнорировать.
Задайте порог a в тех же единицах, что X, и убедитесь, что a строго больше нуля, иначе деление не определено.
Вычислите отношение E[X]/a и замените результат на 1, если отношение больше единицы: вероятность не превосходит единицы.
Подпишите ответ как верхнюю границу, а не как точную вероятность; при известной дисперсии сопоставьте его с более специальной оценкой.

Историческая справка

Неравенство связывают с Андреем Андреевичем Марковым (1856–1922), российским математиком, чьи работы на рубеже XIX–XX веков развивали вероятностные методы и предельные теоремы. В учебной традиции его имя закрепилось за простой оценкой хвоста неотрицательной величины. Содержательно она выросла из общего приёма: сравнивать случайные величины поточечно, затем брать ожидание. Эта техника стала естественной после развития строгого понятия математического ожидания и языка случайных величин. В XX веке неравенство стало базовым шагом в доказательствах: из него получают оценку Чебышёва, а через выбор степени — моментные границы. Современные университетские курсы обычно излагают его рядом с Чебышёвым, подчёркивая минимальность условий: нужна неотрицательность и конечное среднее, а не конкретный закон распределения. Корректнее говорить об именованной классической оценке в линии развития вероятностных неравенств, чем о самостоятельном «изобретении формулы из одной строки».

Историческая линия формулы

Название связано с А. А. Марковым и закрепилось в вероятностной литературе для оценки P(X≥a) через E[X]. Современная запись доказательства через индикатор и монотонность ожидания выражает ту же оценку в языке случайных величин. Родство с Чебышёвым состоит в применении этого приёма к квадрату отклонения от среднего.

Пример

Пусть X — суточный объём списаний товара в коробках. По условию учебной модели E[X]=12 коробок, X≥0. Нужно ограничить вероятность списать не менее 60 коробок, не предполагая форму распределения. При a=60 имеем P(X≥60)≤12/60=0,2. Значит, из одного среднего следует только граница 20 %. Она не утверждает, что в 20 % дней списание велико: распределение может быть заметно стабильнее. Единицы сокращаются: «коробки / коробки» дают безразмерную вероятность. Если вместо 60 коробок подставить 60 рублей, расчёт потеряет смысл: порог и X обязаны описывать одну величину.

Частая ошибка

Нельзя применять формулу к прибыли или ошибке со знаком без преобразования: условие X≥0 нужно для доказательства. Нельзя называть E[X]/a вероятностью события — это потолок, часто консервативный. Не забывайте ограничение 1: число 1,4 означает тривиальную границу 1, а не «140 %». Не путайте Маркова с Чебышёвым: у Чебышёва стоит квадрат отклонения от среднего и нужна дисперсия; в Маркова порог относится к самой неотрицательной величине.

Практика

Задачи с решением

Граница для числа обращений

Условие. X — неотрицательное число обращений за час, E[X]=8. Оцените сверху P(X≥40).

Решение. Применяем Маркова с a=40: P(X≥40)≤E[X]/40=8/40=0,2. Информации о распределении не хватает для точной вероятности.

Ответ. Не более 0,2 (20 %).

Степенной вариант

Условие. Для Y известно E[Y²]=18. Оцените P(|Y|≥6).

Решение. Берём X=Y²≥0 и порог a=36. События Y²≥36 и |Y|≥6 совпадают. Марков даёт 18/36=0,5.

Ответ. Не более 0,5.

Дополнительные источники

https://www.statlect.com/fundamentals-of-probability/Markov-inequality
https://mathshistory.st-andrews.ac.uk/Biographies/Markov/
https://ocw.mit.edu/courses/18-600-probability-and-random-variables-fall-2019/pages/lecture-notes/

Связанные формулы

Аналитика

Неравенство Чебышёва: граница вероятности отклонения

$P(|X-\mu|\ge a)\le\min\left(1,\frac{\sigma^2}{a^2}\right),\qquad a>0$

Неравенство Чебышёва ограничивает вероятность отклонения случайной величины от её среднего через дисперсию. Оно не требует нормального распределения и даёт верхнюю границу, а не точную вероятность события.

Математика

Математическое ожидание дискретной случайной величины

$M(X)=\sum_i x_i p_i$

Формула «Математическое ожидание дискретной случайной величины» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.

Математика

Неравенство Йенсена для ожидания функции

$\varphi(E[X])\le E[\varphi(X)]\quad\text{для выпуклой }\varphi$

Неравенство Йенсена сравнивает значение выпуклой функции от среднего со средним её значений: φ(E[X])≤E[φ(X)]. Для вогнутой функции знак меняется. Это формальный способ учесть, что разброс влияет на нелинейное преобразование.

Математика

Закон полной дисперсии: внутри и между группами

$\operatorname{Var}(X)=E[\operatorname{Var}(X\mid Y)]+\operatorname{Var}(E[X\mid Y])$

Закон полной дисперсии раскладывает общий разброс X на средний разброс внутри групп и разброс условных средних между группами. Группы задаёт Y. Формула помогает понять источник неопределённости, а не только получить одно число.