En análisis matemático , la desigualdad de Hardy-Littlewood , el nombre de GH Hardy y John Edensor Littlewood , los estados que si f y g son no negativos medibles funciones reales de fuga en el infinito que se definen en n - dimensional espacio euclidiano R n luego
∫ R norte F ( X ) gramo ( X ) D X ≤ ∫ R norte F ∗ ( X ) gramo ∗ ( X ) D X {\displaystyle \int _{\mathbb {R} ^{n}}f(x)g(x)\,dx\leq \int _{\mathbb {R} ^{n}}f^{*}(x)g^{*}(x)\,dx} donde f * y g * son los reordenamientos decrecientes simétricos de f ( x ) y g ( x ), respectivamente. [1] [2]
Prueba De la representación de la torta de capas tenemos: [1] [2]
f ( x ) = ∫ 0 ∞ χ f ( x ) > r d r {\displaystyle f(x)=\int _{0}^{\infty }\chi _{f(x)>r}\,dr} g ( x ) = ∫ 0 ∞ χ g ( x ) > s d s {\displaystyle g(x)=\int _{0}^{\infty }\chi _{g(x)>s}\,ds} donde denota la función indicadora del subconjunto E f dada por χ f ( x ) > r {\displaystyle \chi _{f(x)>r}}
E f = { x ∈ X : f ( x ) > r } {\displaystyle E_{f}=\left\{x\in X:f(x)>r\right\}} De manera análoga, denota la función indicadora del subconjunto E g dada por χ g ( x ) > s {\displaystyle \chi _{g(x)>s}}
E g = { x ∈ X : g ( x ) > s } {\displaystyle E_{g}=\left\{x\in X:g(x)>s\right\}} ∫ R n f ( x ) g ( x ) d x = ∫ R n ∫ 0 ∞ ∫ 0 ∞ χ f ( x ) > r χ g ( x ) > s d r d s d x {\displaystyle \int _{\mathbb {R} ^{n}}f(x)g(x)\,dx=\displaystyle \int _{\mathbb {R} ^{n}}\int _{0}^{\infty }\int _{0}^{\infty }\chi _{f(x)>r}\chi _{g(x)>s}\,dr\,ds\,dx} = ∫ 0 ∞ ∫ 0 ∞ ∫ R n χ f ( x ) > r ∩ g ( x ) > s d x d r d s {\displaystyle =\int _{0}^{\infty }\int _{0}^{\infty }\int _{\mathbb {R} ^{n}}\chi _{f(x)>r\cap g(x)>s}\,dx\,dr\,ds} = ∫ 0 ∞ ∫ 0 ∞ μ ( { f ( x ) > r } ∩ { g ( x ) > s } ) d r d s {\displaystyle =\int _{0}^{\infty }\int _{0}^{\infty }\mu \left(\left\{f(x)>r\right\}\cap \left\{g(x)>s\right\}\right)\,dr\,ds} ≤ ∫ 0 ∞ ∫ 0 ∞ min ( μ ( f ( x ) > r ) ; μ ( g ( x ) > s ) ) d r d s {\displaystyle \leq \int _{0}^{\infty }\int _{0}^{\infty }\min \left(\mu \left(f(x)>r\right);\mu \left(g(x)>s\right)\right)\,dr\,ds} = ∫ 0 ∞ ∫ 0 ∞ min ( μ ( f ∗ ( x ) > r ) ; μ ( g ∗ ( x ) > s ) ) d r d s {\displaystyle =\int _{0}^{\infty }\int _{0}^{\infty }\min \left(\mu \left(f^{*}(x)>r\right);\mu \left(g^{*}(x)>s\right)\right)\,dr\,ds} = ∫ 0 ∞ ∫ 0 ∞ μ ( { f ∗ ( x ) > r } ∩ { g ∗ ( x ) > s } ) d r d s {\displaystyle =\int _{0}^{\infty }\int _{0}^{\infty }\mu \left(\left\{f^{\ast }(x)>r\right\}\cap \left\{g^{\ast }(x)>s\right\}\right)\,dr\,ds} = ∫ R n f ∗ ( x ) g ∗ ( x ) d x {\displaystyle =\int _{\mathbb {R} ^{n}}f^{*}(x)g^{*}(x)\,dx} Una aplicación Deje que la variable aleatoria se distribuye normalmente con varianza media y finita distinta de cero , luego, utilizando la desigualdad de Hardy-Littlewood, se puede demostrar que para el momento recíproco para el valor absoluto de es X {\displaystyle X} μ {\displaystyle \mu } σ 2 {\displaystyle \sigma ^{2}} 0 < δ < 1 {\displaystyle 0<\delta <1} δ th {\displaystyle \delta ^{\text{th}}} X {\displaystyle X}
E [ 1 | X | δ ] ≤ 2 ( 1 − δ ) 2 Γ ( 1 − δ 2 ) σ δ 2 π irrespective of the value of μ ∈ R . {\displaystyle {\begin{aligned}\operatorname {E} \left[{\frac {1}{\vert X\vert ^{\delta }}}\right]&\leq 2^{\frac {(1-\delta )}{2}}{\frac {\Gamma \left({\frac {1-\delta }{2}}\right)}{\sigma ^{\delta }{\sqrt {2\pi }}}}{\text{ irrespective of the value of }}\mu \in \mathbb {R} .\end{aligned}}} [3] La técnica que se utiliza para obtener la propiedad anterior de la distribución normal se puede utilizar para otras distribuciones unimodales.
Ver también Referencias