马尔科夫不等式：Markov Inequality : X 是非负变量,则有： \[P(X \geqslant a) \leqslant \frac{E(X)}{a} \] 证明： \[E(X) = \int_{0}^{+\infty}xf(x)dx\\ =\int_ ...

https://blog.csdn.net/lanchunhui/article/details/50482842 ...

我是在差分隐私下看到的，新解决方案的可用性肯定小于原有解决方案的可用性，也就是说信息的后续处理只会降低所拥有的信息量。 那么如果这么说的话为什么还要做特征工程呢，这是因为该不等式有一个巨大的前提就是数据处理方法无比的强大，比如很多的样本要分类，我们做特征提取后，SVM效果很好 ...

若f(x)为区间I上的下凸（上凸）函数，则对于任意xi∈I和满足∑λi=1的λi>0（i=1，2，...，n），成立： \[f(\sum ^{n} _{i=1} \lambda _{i}x_{ ...

上图是 Walter Rudin 所著的《数学分析原理》（Principles of Mathematical Analysis）里对施瓦茨不等式的一个简洁证明。因为跨页没有拍全，后页还有如下三行： Since each term in the first sum ...

均值不等式 条件：\(a_i\ge0\)。 平方平均数：\(Q_n=\sqrt{\dfrac{\sum_{i=1}^{n}a_i^2}{n}}\) 算数平均数：\(A_n=\dfrac{\sum_{i=1}^{n}a_i}{n}\) 几何平均数：\(G_n=\sqrt[n]{a_1a_2 ...

（1）定义 设f是定义域为实数的函数，如果对所有的实数x，f(x)的二阶导数都大于0，那么f是凸函数。 Jensen不等式定义如下： 如果f是凸函数，X是随机变量，那么： 。当且仅当X是常量时，该式取等号。其中，E(X)表示X的数学期望。 注：Jensen不等式应用于凹函数时，不等号方向 ...

不等式 $1$： $$a^{2} + b^{2} \geq 2ab$$ 从代数角度来证明： $$(a - b)^{2} \geq 0 \\\Rightarrow a^{2} -2ab + b^{2} \geq 0 \\\Rightarrow a^{2} + b^{2} \geq 2ab ...