Verallgemeinerung der Markovschen Ungleichung und ihre Anwendung auf die Korrelationstheorie. (Q1453895)

Es seien \(u_1, u_2, \ldots, u_{\nu}\) irgendwelche Größen, deren jede mehrere verschiedene Werte, einen jeden mit bestimmter Wahrscheinlichkeit, annehmen kann, und es sei \(p_h\) die Wahrscheinlichkeit, daß man es mit der Größe \(u_h\) bei den Versuchen zu tun hat. Es sei \(M(u_h)\) die mathematische Erwartung der Größe \(u_h\). Wenn die Größe \(u_h\) nur positive Werte annehmen kann, so ergibt sich, daß \[ P (u_1\smile u_2\smile \cdots \smile u_{\nu}\leqq\alpha )>1-\dfrac{1}{\alpha}\sum^{\nu}_{h=1}p_hM(u_h) \] ist, wo \(P (u_1\smile u_2\smile \ldots \smile u_\nu\leqq\alpha)\) die Wahrscheinlichkeit bedeutet, daß \(u_1\) oder \(u_2\) oder \(u_3\ldots \) oder \(u_\nu\) nicht größer als \(\alpha \) ist. Wenn die Größe \(u_h\) teils positive, teils negative Werte annehmen kann, so ergibt sich \[ P(-\varepsilon\leqq u_1\smile u_2\smile\ldots\smile u_{\nu}\leqq \varepsilon)>1\dfrac{1}{\varepsilon^2}\sum^{\nu}_{h=1}p_hM(u_h). \] Wenn zwei Größen \(x\) und \(y\) normal korreliert sind, so erhält man: \[ P(-\varepsilon \leqq y_1^0-Y_1\smile y_2^0-Y_2\smile \ldots \smile y^0_m-Y_m\leqq \varepsilon ) >1-\dfrac{\varSigma^2_y}{\varepsilon^2}, \] wo \(\varSigma_y = \sigma_y\sqrt{1-r^2_0}\), \(\sigma_y\) die Standardabweichung der Größe \(y, r\) der Korrelationskoeffizient der Größen \(x\) und \(y, y^0_h\) das arithmetische Mittel der Größe \(y\) für \(x = x_h\) und \(Y_h = M(y)\) die mathematische Erwartung für \(x =x_h\) sind. Wenn \(x\) und \(y\) nicht in linearer Regression zueinander stehen, so erhält man: \[ P(-\varepsilon\leqq y^0_1-Y_1\smile y^0_2-Y_2\smile\ldots \smile y^0_m-Y_m \leqq \varepsilon)>1\dfrac{1}{\varepsilon^2}(\varSigma_y')^2, \] wo \(\varSigma_y' = \sigma_y\sqrt{1-\eta^2_y}\) und \(\eta_y\) die Korrelationsverhältnisse sind.