Véletlen változók konvergenciája
A valószínűségelméletben a véletlen változók konvergenciájának különböző fogalmai vannak . A véletlen változók szekvenciáinak konvergenciája (az alábbiakban leírt egyik értelemben) a valószínűségelmélet fontos fogalma, amelyet különösen a statisztikában és a sztochasztikus folyamatok tanulmányozásában használnak . Például n független és azonos eloszlású véletlen változó átlaga szinte biztosan konvergál e véletlen változók közös várakozásához (ha van ilyen). Ez az eredmény a nagy számok erős törvényeként ismert .
Ebben a cikkben feltételezzük, hogy ( X n ) valós véletlen változók sorozata , hogy X valós véletlen változó, és hogy ezek a változók ugyanazon a valószínűségi téren vannak meghatározva .
(Ω,F,P){\ displaystyle (\ Omega, {\ mathcal {F}}, \ mathbb {P})}
Konvergencia a jogban
Let F 1 , F 2 , ... a következtében a eloszlásfüggvényeket
kapcsolódó valószínűségi változók X 1 , X 2 , ... , és F az eloszlásfüggvénye a valódi véletlen változó X . Más szóval, F n van meghatározva F n ( x ) = P ( X n ≤ x ) , és F a F ( x ) = P ( X ≤ x ) .
Az X n szekvencia törvényben vagy eloszlásban konvergál X -hez , ha
limnem→∞Fnem(nál nél)=F(nál nél),{\ displaystyle \ lim _ {n \ rightarrow \ infty} F_ {n} (a) = F (a),}minden valós
a hol
F jelentése
folyamatos .
Mivel F ( a ) = P ( X ≤ a ) , ez azt jelenti, hogy annak a valószínűsége, hogy X egy bizonyos intervallumhoz tartozik, nagyon közel áll annak a valószínűségéhez, hogy X n ebben az intervallumban n elég nagy. A jogi konvergenciát gyakran megjegyzik
xnem→Lx{\ displaystyle X_ {n} {\ xrightarrow {\ mathcal {L}}} X}
vagy
xnem→dx{\ displaystyle X_ {n} {\ xrightarrow {d}} X}
A jogi konvergencia a leggyengébb forma abban az értelemben, hogy általában nem jelenti az alábbiakban meghatározott konvergencia egyéb formáit, míg a konvergencia ezen egyéb formái a jogi konvergenciát jelentik. Ezt a fajta konvergenciát alkalmazzák a Központi Határ Tételben .
Ekvivalens módon az ( X n ) szekvencia törvényben konvergál X-hez , és csak akkor, ha bármilyen korlátozott folytonos függvény esetén
limnem→∞E[f(xnem)]=E[f(x)].{\ displaystyle \ lim _ {n \ rightarrow \ infty} \ mathbb {E} [f (X_ {n})] = \ mathbb {E} [f (X)].}
Tétel folytonossági Levy - Legyen φ n ( t ) a karakterisztikus függvénye az X n és φ ( t ) , hogy az X . Így
{∀t∈R:φnem(t)→φ(t)}⇔{xnem→Lx}{\ displaystyle \ left \ {\ forall t \ in \ mathbb {R}: \ varphi _ {n} (t) \ to \ varphi (t) \ right \} \ quad \ Leftrightarrow \ quad \ left \ {X_ { n} {\ xrightarrow {\ mathcal {L}}} X \ jobb \}}.
Más szóval, ( X n ) eloszlásban konvergál X akkor és csak akkor, ha a karakterisztikus függvénye a valós valószínűségi változó X n konvergál egyszerűen a karakterisztikus függvénye az igazi valószínűségi változó X .
Példa: központi határ tétel:
A központosított és integrálható, négyzet alakú véletlen változók, függetlenek és azonos törvények átlaga, miután √ n újra normalizálta, konvergál a törvényben a normál törvény felé
nemx¯nem→LNEM(0,σ2).{\ displaystyle {\ sqrt {n}} {\ bar {X}} _ {n} {\ xrightarrow {\ mathcal {L}}} {\ mathcal {N}} (0, \ sigma ^ {2}). }
Példa: a hallgatói törvény konvergenciája:
A k Student disztribúciós paraméter konvergál, ha k + + -ra hajlik , a Gauss-törvényhez :
t(k)→LNEM(0,1).{\ displaystyle \ mathrm {t} (k) {\ xrightarrow {\ mathcal {L}}} {\ mathcal {N}} (0,1).}Ebben az esetben mi is használni Scheffé lemma , amely egy konvergencia kritérium egy sor sűrűségű véletlen változók felé sűrűségű véletlen változó .
Példa: elfajult törvény:
A szekvencia a törvényben konvergál egy degeneráltnak nevezett X 0 véletlen változó felé , amely egyetlen valószínűséggel (0) vesz fel 1 valószínűséggel (néha Dirac tömegről beszélünk 0-ban, megjegyezte ée 0 ):
NEM(0,1nem){\ displaystyle {\ mathcal {N}} \ balra (0, {\ frac {1} {n}} \ jobbra)}
P(x0≤x)=δ0(]-∞,x])={0 ha x<0,1 ha x≥0.{\ displaystyle \ mathbb {P} (X_ {0} \ leq x) = \ delta _ {0} \ left (] - \ infty, x] \ right) = {\ begin {esetben} 0 és {\ text { si}} x <0, \\ 1 és {\ text {si}} x \ geq 0. \ end {esetek}}}
Konvergencia a valószínűségben
Definíció -
Legyen ( X n ) n valós véletlen változók sorozata, ugyanazon a valószínűségi téren definiálva . Azt mondjuk, hogy X n valószínűség szerint konvergál X-hez , ha
(Ω,NÁL NÉL,P){\ displaystyle \ left (\ Omega, {\ mathcal {A}}, \ mathbb {P} \ right)}
∀ε>0,limnem→∞P(|xnem-x|≥ε)=0.{\ displaystyle \ forall \ varepsilon> 0, \ qquad \ lim _ {n \ rightarrow \ infty} \ mathbb {P} \ left (\ left | X_ {n} -X \ right | \ geq \ varepsilon \ right) = 0.}
Néha megjegyezzük
xnem→ox{\ displaystyle X_ {n} {\ xrightarrow {p}} X}
vagy
xnem→Px{\ displaystyle X_ {n} {\ xrightarrow {\ mathbb {P}}} X}
Lemma -
Ha a következő konvergenciák vannak, ( E , d ) és inR{\ displaystyle \ mathbb {R}}
xnem→(d)xésd(xnem,Ynem)→(d)0{\ displaystyle X_ {n} {\ xrightarrow [{}] {(d)}} X \ qquad {\ text {et}} \ qquad d (X_ {n}, Y_ {n}) {\ xrightarrow [{} ] {(d)}} 0}
így van
(xnem,Ynem)→(d)(x,x){\ displaystyle (X_ {n}, Y_ {n}) {\ xrightarrow [{}] {(d)}} (X, X)}
a végtelen távolsággal biztosított E × E térben .
Demonstráció
Hagyja, F zárt E × E . Minden ε > 0 esetén jelöljük
Fε: ={(x,y)∈E×E:d∞((x,y),F)≤ε}{\ displaystyle F _ {\ varepsilon}: = \ {(x, y) \ E \ alkalommal E: d _ {\ infty} ((x, y), F) \ leq \ varepsilon \}}
Így
P((xnem,Ynem)∈F)≤P((xnem,xnem)∈Fϵ)+P(d(xnem,Ynem)≥ϵ){\ displaystyle \ mathbb {P} ((X_ {n}, Y_ {n}) \ in F) \ leq \ mathbb {P} ((X_ {n}, X_ {n}) \ in F _ {\ epsilon }) + \ mathbb {P} (d (X_ {n}, Y_ {n}) \ geq \ epsilon)}
A két feltételezés és a 3 e pontos tételből álló állvány segítségével átadható limsupot kapunk
lim supnemP((xnem,Ynem)∈F)≤P((x,x)∈Fϵ){\ displaystyle \ limsup _ {n} \ mathbb {P} ((X_ {n}, Y_ {n}) \ in F) \ leq \ mathbb {P} ((X, X) \ in F _ {\ epsilon })}
akkor úgy, hogy az ε 0 felé hajlik , mivel F zárva van
lim supnemP((xnem,Ynem)∈F)≤P((x,x)∈F{\ displaystyle \ limsup _ {n} \ mathbb {P} ((X_ {n}, Y_ {n}) \ in F) \ leq \ mathbb {P} ((X, X) \ in F}
Arra a következtetésre jutottunk segítségével ismét a 3 rd pont a fogas tétel.
Tulajdonság -
Ha X n valószínűség szerint konvergál X-hez , akkor X n törvényben X -hez konvergál .
Demonstráció
Az előző lemma következménye, ha X n = X-et vesszük, és megjegyezzük, hogy a törvényi konvergencia
d(x,Ynem)→(d)0{\ displaystyle d (X, Y_ {n}) {\ xrightarrow [{}] {(d)}} 0}
in egyenértékű a valószínűség konvergenciájával
R{\ displaystyle \ mathbb {R}}
Ynem→Px{\ displaystyle Y_ {n} {\ xrightarrow [{}] {\ mathbb {P}}} X}
( E , d ) -ben .
Ellenkező esetben a következőképpen járhat el. Kezdjük egy lemma megfogalmazásával.
Lemma -
Legyen X , Y valós véletlenszerű változó, c a valós és ε > 0 . Így
P(Y≤vs.)≤P(x≤vs.+ε)+P(x-Y>ε){\ displaystyle \ mathbb {P} (Y \ leq c) \ leq \ mathbb {P} (X \ leq c + \ varepsilon) + \ mathbb {P} (XY> \ varepsilon)}
Valóban elegendő észrevenni, hogy:
{Y≤vs.}⊂{x≤vs.+ε}∪{x>vs.+ε,Y≤vs.}{\ displaystyle \ {Y \ leq c \} \ subset \ {X \ leq c + \ varepsilon \} \ cup \ {X> c + \ varepsilon, Y \ leq c \}}
Az egyenlőtlenség természetesen következik.
Az összes ε > 0 esetén ennek a lemának köszönhető:
P(xnem≤nál nél)≤P(x≤nál nél+ε)+P(|xnem-x|>ε){\ displaystyle \ mathbb {P} (X_ {n} \ leq a) \ leq \ mathbb {P} (X \ leq a + \ varepsilon) + \ mathbb {P} (\ balra | X_ {n} -X \ jobbra |> \ varepsilon)}
P(x≤nál nél-ε)≤P(xnem≤nál nél)+P(|xnem-x|>ε){\ displaystyle \ mathbb {P} (X \ leq a- \ varepsilon) \ leq \ mathbb {P} (X_ {n} \ leq a) + \ mathbb {P} (\ balra | X_ {n} -X \ jobbra |> \ varepsilon)}
Így van
P(x≤nál nél-ε)-P(|xnem-x|>ε)≤P(xnem≤nál nél)≤P(x≤nál nél+ε)+P(|xnem-x|>ε).{\ displaystyle \ mathbb {P} (X \ leq a- \ varepsilon) - \ mathbb {P} (\ bal | X_ {n} -X \ jobb |> \ varepsilon) \ leq \ mathbb {P} (X_ { n} \ leq a) \ leq \ mathbb {P} (X \ leq a + \ varepsilon) + \ mathbb {P} (\ bal | X_ {n} -X \ jobb |> \ varepsilon).}Bármelyik az F X folytonosságának pontja . Rögzítünk egy valós ε ' > 0 értéket . A folytatásával a F X at egy , létezik egy valódi ε > 0 oly módon, hogy
|P(x⩽nál nél+ε)-P(x⩽nál nél)|<ε′et|P(x⩽nál nél-ε)-P(x⩽nál nél)|<ε′{\ displaystyle | \ mathbb {P} (X \ leqslant a + \ varepsilon) - \ mathbb {P} (X \ leqslant a) | <\ varepsilon '\ mathrm {és} | \ mathbb {P} (X \ leqslant a - \ varepsilon) - \ mathbb {P} (X \ leqslant a) | <\ varepsilon '}.
A konvergencia ( X n ) n a valószínűsége, hogy az X , akkor következtetni lehet arra, hogy létezik egy egész szám N , hogy: ha n ≥ N .
P(|xnem-x|>ε)<ε′{\ displaystyle \ mathbb {P} (\ bal | X_ {n} -X \ jobb |> \ varepsilon) <\ varepsilon '}
Hol: .
∀nem∈NEM,nem⩾NEM⇒|P(xnem⩽nál nél)-P(x⩽nál nél)|<2ε′{\ displaystyle \ forall n \ in \ mathbb {N}, n \ geqslant N \ Rightarrow | \ mathbb {P} (X_ {n} \ leqslant a) - \ mathbb {P} (X \ leqslant a) | <2 \ varepsilon '}
Slutsky-tétel - Ha X n konvergál a jogot , hogy X , és ha Y n konvergál valószínűsége, hogy állandó c , akkor a páros ( X n , Y n ) konvergál jog a pár ( X , c ) .
Szinte biztos konvergencia
Definíció -
Azt mondjuk, hogy X n majdnem biztosan konvergál az X , ha
P(limnem→∞xnem=x)=1{\ displaystyle \ mathbb {P} \ bal (\ lim _ {n \ rightarrow \ infty} X_ {n} = X \ jobb) = 1}
vagy azzal egyenértékű módon, ha létezik - elhanyagolható N ⊂ Ω részhalmaz , amely
P{\ displaystyle \ mathbb {P}}
∀ω∈Ω∖NEM,xnem(ω)→nem→∞x(ω){\ displaystyle \ forall \ omega \ in \ Omega \ setminus N, \ qquad X_ {n} (\ omega) {\ xrightarrow [{n \ to \ infty}] {}} X (\ omega)}
Szinte mindenhol beszélünk a konvergenciáról , vagy 1 vagy nagyobb valószínűséggel , és írunk
xnem→o.s.x{\ displaystyle X_ {n} {\ xrightarrow {ps}} X}
vagy angolul ( szinte biztosan )
xnem→nál nél.s.x{\ displaystyle X_ {n} {\ xrightarrow {as}} X}
A szinte biztonságos konvergenciát a következőképpen írják át:
∀ε>0,P(lim infnem{|xnem-x|<ε})=1{\ displaystyle \ forall \ varepsilon> 0, \ qquad \ mathbb {P} \ bal (\ liminf _ {n} \ {| X_ {n} -X | <\ varepsilon \} \ right) = 1}
vagy
∀ε>0,P(lim supnem{|xnem-x|>ε})=0{\ displaystyle \ forall \ varepsilon> 0, \ qquad \ mathbb {P} \ bal (\ limsup _ {n} \ {| X_ {n} -X |> \ varepsilon \} \ right) = 0}
vagy
lim infnem{|xnem-x|<ε}: =⋃NEM∈NEM⋂nem≥NEM{|xnem-x|<ε}={|xnem-x|<ε nál nél megy a bizonyos rang}{\ displaystyle \ liminf _ {n} \ {| X_ {n} -X | <\ varepsilon \}: = \ bigcup _ {N \ in \ mathbb {N}} \ bigcap _ {n \ geq N} \ { | X_ {n} -X | <\ varepsilon \} = \ {| X_ {n} -X | <\ varepsilon \ {\ textrm {a}} \ {\ textrm {start}} \ {\ textrm {d ' a}} \ {\ textrm {bizonyos}} \ {\ textrm {rang}} \}}
lim supnem{|xnem-x|>ε}: =⋂NEM∈NEM⋃nem≥NEM{|xnem-x|>ε}={|xnem-x|>ε végtelenül gyakran.}{\ displaystyle \ limsup _ {n} \ {| X_ {n} -X |> \ varepsilon \}: = \ bigcap _ {N \ in \ mathbb {N}} \ bigcup _ {n \ geq N} \ { | X_ {n} -X |> \ varepsilon \} = \ {| X_ {n} -X |> \ varepsilon \ {\ textrm {végtelen}} \ {\ textrm {gyakran}}. \}}
Tétel - Ha X n konvergál X szinte biztosan majd X n konvergál X a valószínűsége .
Demonstráció
By Fatou lemma , van minden ε > 0 :
lim infnemP(|xnem-x|<ε)≥P(lim infnem{|xnem-x|<ε})=1{\ displaystyle \ liminf _ {n} \ mathbb {P} (| X_ {n} -X | <\ varepsilon) \ geq \ mathbb {P} \ bal (\ liminf _ {n} \ {| X_ {n} -X | <\ varepsilon \} \ right) = 1}
Szinte biztos, hogy a konvergenciát alkalmazzák a nagy számok erős törvényében .
Az r rend átlagos konvergenciája
Definíció -
Legyen r > 0 és ( X n ) n valós véletlen változók sorozata, ugyanazon a valószínűségi téren definiálva . Azt mondjuk, hogy X n konvergál X-hez r rend átlagaként vagy L r normaként, ha minden n-re és ha
(Ω,NÁL NÉL,P){\ displaystyle \ left (\ Omega, {\ mathcal {A}}, P \ jobb)} E(|xnem|r)<+∞{\ displaystyle E (| X_ {n} | ^ {r}) <+ \ infty}
limnem→∞E(|xnem-x|r)=0{\ displaystyle \ lim _ {n \ rightarrow \ infty} E \ bal (\ bal | X_ {n} -X \ jobb | ^ {r} \ jobb) = 0}
Néha észrevesszük .
xnem→Lrx{\ displaystyle X_ {n} {\ xrightarrow {\ mathbb {L} ^ {r}}} X}
Mert r = 1, akkor egyszerűen beszélni átlagos konvergencia és r = 2 Root Mean Square konvergencia .
Property -
A r > s ≥ 1, norma konvergencia azt norma konvergencia .
Lr{\ displaystyle \ mathbb {L} ^ {r}}Ls{\ displaystyle \ mathbb {L} ^ {s}}
Demonstráció
Jensen egyenletlenségének egyszerű alkalmazása a konvex funkcióvalx↦xr/s{\ displaystyle x \ mapsto x ^ {r / s}}
Mert r = 2, mi a következő eredménnyel:
Tulajdonság -
Legyen c valódi állandó. Akkor megvan
xnem→L2vs.{\ displaystyle X_ {n} {\ xrightarrow {\ mathbb {L} ^ {2}}} c}
ha, és csak akkor ha
limnem→∞E[xnem]=vs.éslimnem→∞Var[xnem]=0{\ displaystyle \ lim _ {n \ to \ infty} \ mathbb {E} [X_ {n}] = c \ qquad {\ text {et}} \ qquad \ lim _ {n \ to \ infty} \ kezelőnév { Var} [X_ {n}] = 0}
Demonstráció
Ez a következő azonosságot követi:
E[(xnem-vs.)2]=Var(xnem)+(E[xnem]-vs.)2{\ displaystyle \ mathbb {E} \ left [(X_ {n} -c) ^ {2} \ right] = \ operatornév {Var} (X_ {n}) + \ left (\ mathbb {E} [X_ { n}] - c \ jobbra) ^ {2}}
Tulajdonság -
Ha X n konvergál X -hez L r normában , akkor X n konvergál X -hez valószínűség szerint .
Demonstráció
A Markov-egyenlőtlenség közvetlen alkalmazása valódi véletlenszerű változókra, amelyek beengednek egy r sorrendet :
P(|xnem-x|≥ε)≤E[|xnem-x|r]εr{\ displaystyle \ mathbb {P} \ left (\ left | X_ {n} -X \ right | \ geq \ varepsilon \ right) \ leq {\ frac {\ operátornév {E} [\ left | X_ {n} - X \ jobb | ^ {r}]} {\ varepsilon ^ {r}}}}
Példa:
A nagy számok gyenge törvénye ennek az utóbbi két tulajdonságnak a közvetlen következménye
Egy véletlen változó függvényének konvergenciája
Egy nagyon praktikus tétel, amelyet angolul általában leképezési tételnek (en) neveznek , kimondja, hogy az X-hez konvergáló változóra alkalmazott folytonos g függvény minden konvergencia-módban konvergál g ( X ) -re:
Tétel - ( leképezési tétel ) Legyen egy folytonos függvény a C halmaz bármely pontján úgy, hogy :
g:Rk→Rm{\ displaystyle g: \ mathbb {R} ^ {k} \ to \ mathbb {R} ^ {m}}P(x∈VS)=1{\ displaystyle \ mathbb {P} (X \ C-ben) = 1}
- Ha ;xnem→Lx így g(xnem)→Lg(x){\ displaystyle X_ {n} {\ xrightarrow {\ mathcal {L}}} X {\ text {then}} g (X_ {n}) {\ xrightarrow {\ mathcal {L}}} g (X)}
- Ha ;xnem→ox így g(xnem)→og(x){\ displaystyle X_ {n} {\ xrightarrow {p}} X {\ text {then}} g (X_ {n}) {\ xrightarrow {p}} g (X)}
- Igen .xnem→o.sx így g(xnem)→o.s.g(x){\ displaystyle X_ {n} {\ xrightarrow {ps}} X {\ text {then}} g (X_ {n}) {\ xrightarrow {ps}} g (X)}
Példa:
A statisztika , a konvergens becslő a variancia σ 2 képlet adja meg:
snem-12≡1nem-1∑én=1nem(yén-y¯)2{\ displaystyle s_ {n-1} ^ {2} \ equiv {\ frac {1} {n-1}} \ sum _ {i = 1} ^ {n} \ bal (y_ {i} - {\ overline {y}} \ jobbra) ^ {2}}.
Mi akkor tudja a folyamatos leképezés tétel , hogy a becslés a szórás σ = a √ σ 2 konvergens, mert a gyökér funkció folytonos függvény.snem-12{\ displaystyle {\ sqrt {s_ {n-1} ^ {2}}}}
Kölcsönös következmények
Összefoglalva, megvan a vonzat a véletlen változók konvergenciájának különböző fogalmai között:
→Ls⇒s>r≥1→Lr⇓→o.s.⇒→ o ⇒→ d {\ displaystyle {\ begin {mátrix} {\ xrightarrow {L ^ {s}}} és {\ underset {s> r \ geq 1} {\ Rightarrow}} és {\ xrightarrow {L ^ {r}}} && \\ && \ Downarrow && \\ {\ xrightarrow {ps}} & \ Rightarrow & {\ xrightarrow {\ p \}} & \ Rightarrow & {\ xrightarrow {\ d \}} \ end {mátrix}}}
A valószínűség konvergenciája nem jelenti a konvergenciát, és nem is biztos, hogy konvergencia, amint azt a következő példa mutatja:
Lr{\ displaystyle \ mathbb {L} ^ {r}}
Példa:
Legyen r > 0 . ( X n ) n ≥ 1 független véletlen változók sorozatát tekintjük olyannak, hogy
P(xnem=nem1/r)=1nemésP(xnem=0)=1-1nem{\ displaystyle \ mathbb {P} (X_ {n} = n ^ {1 / r}) = {\ frac {1} {n}} \ qquad {\ text {és}} \ qquad \ mathbb {P} ( X_ {n} = 0) = 1 - {\ frac {1} {n}}}
Az ( X n ) n szekvencia valószínűség szerint konvergál 0-ra, mert
∀ε>0,∀nem≥ε,P(|xnem|≥ε)=P(xnem=nem1/r)=1nem→0{\ displaystyle \ forall \ varepsilon> 0, \ qquad \ forall n \ geq \ varepsilon, \ qquad \ mathbb {P} (| X_ {n} | \ geq \ varepsilon) = \ mathbb {P} (X_ {n} = n ^ {1 / r}) = {\ frac {1} {n}} \ to 0}
Másrészt nem konvergál, mertLr{\ displaystyle \ mathbb {L} ^ {r}}E[xnemr]=1↛0{\ displaystyle \ mathbb {E} [X_ {n} ^ {r}] = 1 \ noightarrow 0}
Mutassuk meg, hogy ez sem konvergál szinte biztosan. Ha ez lenne a helyzet, akkor a majdnem bizonyos határa szükségszerűen a valószínűségi határa lenne, mégpedig 0. Mivel azonban és mivel az X n véletlen változók függetlenek, Borel nulla-egy törvénye szerint :
∑nemP(xnem=nem1/r)=+∞{\ displaystyle \ sum _ {n} \ mathbb {P} (X_ {n} = n ^ {1 / r}) = + \ infty}
P(lim supnem{xnem=nem1/r})=1{\ displaystyle \ mathbb {P} \ bal (\ limsup _ {n} \ {X_ {n} = n ^ {1 / r} \} \ jobb) = 1}
azaz szinte biztosan X n = n 1 / r n végtelenig . Tehát szinte biztosan az A fortiori X n szinte nem konvergál 0-ra.
lim supnemxnem=+∞.{\ displaystyle \ limsup _ {n} X_ {n} = + \ infty.}
Példa:
Az előző példában annak elkerülése érdekében, hogy Borel nulla egy törvényéhez folyamodjunk, az X n szekvenciát kifejezetten az alábbiak szerint definiálhatjuk . Válasszuk Ω = [0; 1] ellátva annak Borelian törzs és a Lebesgue intézkedés . Mi jelent , az , akkor
nál nél1: =0{\ displaystyle a_ {1}: = 0}nál nélnem: =12+⋯+1nem(mod1){\ displaystyle a_ {n}: = {\ frac {1} {2}} + \ cdots + {\ frac {1} {n}} {\ pmod {1}}}nem≥2{\ displaystyle n \ geq 2}
énnem: ={[nál nélnem-1,nál nélnem]ha nál nélnem-1<nál nélnem[0,nál nélnem]∪[nál nélnem-1,1]ha nál nélnem-1>nál nélnem{\ displaystyle I_ {n}: = \ bal \ {{\ begin {mátrix} \ left [a_ {n-1}, a_ {n} \ right] és {\ text {si}} a_ {n-1} <a_ {n} \\\ balra [0, a_ {n} \ jobbra] \ csésze \ balra [a_ {n-1}, 1 \ jobbra] és {\ text {si}} a_ {n-1}> a_ {n} \ end {mátrix}} \ right.}
Végül meghatározzuk
xnem(ω): ={nem1/rha ω∈énnem0ha ω∉énnem{\ displaystyle X_ {n} (\ omega): = \ bal \ {{\ begin {mátrix} n ^ {1 / r} és {\ text {si}} \ omega \ I_ {n} \\ 0 és {\ text {si}} \ omega \ notin I_ {n} \ end {mátrix}} \ right.}
Az így definiált X n nem független, de igazolja, mint az előző példában
P(lim supnem{xnem=nem1/r})=1{\ displaystyle \ mathbb {P} \ bal (\ limsup _ {n} \ {X_ {n} = n ^ {1 / r} \} \ jobb) = 1}
Néhány kivételtől eltekintve ezek a következmények szigorúan véve nincsenek kölcsönös viszonyok. Az alábbiakban azonban bemutatunk néhány hasznos tulajdonságot, amelyek leírhatók a "kölcsönösség látszatának":
- Ha X n a törvényben konvergál egy valódi c állandó felé , akkor X n valószínűséggel konvergál a c felé .
- Ha X n valószínűséggel konvergál X-hez , akkor létezik olyan alszekvencia, amely szinte biztosan konvergál X-hez .xσ(nem){\ displaystyle X _ {\ sigma (n)}}
- Ha X n valószínűség szerint konvergál X-hez , és ha minden n-re és néhány b-re vonatkozik , akkor X n átlagosan r és X sorrendben konvergál minden r ≥ 1 esetén . Általánosabban elmondható, hogy ha X n valószínűség szerint konvergál X-hez , és ha a család ( XP(|xnem|≤b)=1{\ displaystyle \ mathbb {P} (| X_ {n} | \ leq b) = 1}p
n) Egységesen integrálható, akkor X n p és X sorrendben konvergál .
- Ha az összes ε > 0 ,
∑nemP(|xnem-x|>ε)<∞,{\ displaystyle \ sum _ {n} \ mathbb {P} \ bal (| X_ {n} -X |> \ varepsilon \ jobb) <\ infty,}
akkor X n szinte biztosan konvergál X-hez . Más szavakkal, ha X n konvergál valószínűsége, hogy X elég gyorsan ( i . E . A fenti sorozat konvergál minden ε > 0 ), akkor X n konvergál szinte biztosan, hogy a X . Ez a Borel-Cantelli-tétel közvetlen alkalmazásából adódik .
- Legyen ( X n ) n ≥ 1 független valós véletlen változók sorozata. Az n értékre beállítjuk:
Snem=x1+⋯+xnem{\ displaystyle S_ {n} = X_ {1} + \ cdots + X_ {n}}.
Ekkor a szekvencia ( S n ) n ≥ 1 szinte biztos konvergenciája egyenértékű annak valószínűség szerinti konvergenciájával; más szavakkal, az X n általános kifejezés sorozatának szinte biztos konvergenciája egyenértékű annak valószínűségi konvergenciájával.
Megjegyzések és hivatkozások
-
Erről a példáról bővebben lásd Davidson és McKinnon 1993 , fejezet. 4.
-
Vaart 1998 , p. 7.
Bibliográfia
- en) Russell Davidson és James McKinnon ( német nyelvről lefordítva ), Becslés és következtetés az ökonometria területén , New York, Oxford University Press ,1993, 874 p. ( ISBN 978-0-19-506011-9 , LCCN 92012048 ) , p. 874
- (hu) GR Grimmeti és DR Stirzaker , Valószínűségszámítás és véletlenszerű folyamatok , Oxford, Clarendon Press,1992, 2 nd ed. ( ISBN 0-19-853665-8 ) , p. 271-285
- en) Adrianus Willem van der Vaart ( német fordítás ), Asymptotic Statistics , Cambridge, Cambridge University Press ,1998, 1 st ed. , 443 p. , keménytáblás ( ISBN 978-0-521-49603-2 , LCCN 98015176 ) , p. 443
Külső linkek
-
[1] : 1. évfolyam a párizsi központi iskolában a random változók konvergenciájáról