Satz 7.5.1 (Chebyshev-Ungleichung)

Es sei X eine Zufallsvariable und Var(X) < ∞. Dann gilt für jede ε > 0:

${\displaystyle P(|X-EX|>\varepsilon )\leq {\frac {\mathrm {Var} (X)}{\varepsilon ^{2}}}.}$

Beweis

${\displaystyle \mathrm {Var} (X)=E(X-EX)^{2}=\sum _{x\in S_{X}}(x-EX)^{2}P(X=x)\geq \sum _{|x-EX|>\varepsilon }(x-EX)^{2}P(X=x)>}$

${\displaystyle >\sum _{|x-EX|>\varepsilon }\varepsilon ^{2}P(X=x)\geq \varepsilon ^{2}.P(|X-EX|>\varepsilon ).}$

Wir können die Ungleichung auch schreiben in der Form:

${\displaystyle P\left(\left|{\frac {X-EX}{\sigma (X)}}\right|>\varepsilon \right)\leq {\frac {1}{\varepsilon ^{2}}}}$,

worin die Zufallsvariable X standardisiert ist zu Z = (X-EX)/σ(X), also mit EZ = 0 und Var(Z) = 1. Anwendung der Ungleichung ist anscheinend nur sinnvoll für ε > 1, d.h. für das abschätzen von Wahrscheinlichkeiten auf Werte von X die mehr als ein Mal die Standardabweichung von der Erwartungswert entfernt liegen.

Beispiel 1

Es sei X B(100,1/5)-Verteilt. Dann ist EX = 20 und Var(X) = 16. Laut der Chebyshev-Ungleichung gilt dann: P(10 < X < 30) = P(|X-20| < 10) > 1 - 16/100 = 0,84. In Wirklichkeit ist diese Wahrscheinlichkeit etwa 0,994 (was wir hier übrigens nicht zeigen können).

Für praktische Berechnungen ist die Chebyshev-Ungleichung, wie das Beispiel illustriert, von wenig Bedeutung. Sie wird überwiegend angewendet in die Theorie beim abschätzen von Wahrscheinlichkeiten in asymptotischer Situationen, wie z.B. im nächsten schwachen Gesetz der großen Zahlen.