跳转至

概率极限定理

经典概率极限定理

下面三个定理只涉及 Bernoulli 试验,XB(n,p)

P(X=k)=(nk)pk(1p)nkE(X)=npVar(X)=np(1p)

Bernoulli 大数定律

依概率收敛

Xn,n1 是一列随机变量,X 是另一个随机变量,如果对于任意的 ε>0,有

P(ω:|Xn(ω)X(ω)|>ε)0,n

则称 Xn 依概率收敛到 X,记作 XnPX

0<p<1SnB(n,p),则

P(ω:|Sn(ω)np|>ε)0,n

频率接近概率真值 的数学解释。即 Snn 依概率收敛到 p

SnnPp,n

Info

不能使用 εN 语言来描述,因为随机变量取值范围和 n 无关。

P(ω:|Sn(ω)np|>ε)=k:|knp|>ε(nk)pk(1p)nk>0

即总会发生 |Snnp|>ε

de Moivre-Laplace 中心极限定理

依分布收敛

Xn,n1 是一列随机变量,相应分布函数为 Fn(x)X 是另一个随机变量,分布函数为 F(x),如果对于任意的 F(x) 的连续点 x,有

Fn(x)F(x),n

则称 Xn 依分布收敛到 X,记作 XnDXFnDF

假设 SnB(n,p),则

P(Snnpnp(1p)x)x12πet22 dt,n
意为渐进相等

fgC,D>0,使得 C|g||f|D|g|

其中 Snnpnp(1p) 称为 规范化随机变量,记作 Zn,满足 EZn=0,VarZn=1;等式右侧为 标准正态分布 的分布函数 Φ(x)。即

FZn(x)DΦ(x),n

即满足 Bernoulli 二项分布的规范化随机变量分布渐进于标准正态分布。

应用

P(aSnb)=P(anpnp(1p)Snnpnp(1p)bnpnp(1p))Φ(bnpnp(1p))Φ(anpnp(1p))
证明(p=1/2 的情况)

出发点

P(aSnnpnp(1p)b)=k:aknpnp(1p)b(nk)pk(1p)nk

:TODO:

(szg:感兴趣的了解)

Poisson 极限定理

SnB(n,pn),若 npnλ,则

P(Sn=k)λkk!eλ,n

证明

npnλ,可知 pn=λn+o(1n)

P(Sn=k)=(nk)pnk(1pn)nk=1k!n(n1)(nk+1)1nk(npk)k(1λn+o(1n))nk=[(11n)(12n)(1k1n)][λkk!][(1λn)nk]λkk!eλ,n

经典极限定理的推广

Bernoulli 大数定理的推广

Chebyshev 大数定律

Chebyshev 不等式

X 是一个随机变量,则对于任意的 ε>0,有

P(|XEX|>ϵ)VarXε2
证明 Bernoulli 大数定理
P(|Snnp|>ε)=P(|Snnp|>nε)np(1p)n2ε2=p(1p)nε20,n

假设 Xk,k1 是一列随机变量,且 EXk=μk,设 Sn=k=1nXk,若

VarSnn20,n

Snnk=1nμknP0,n

特别的,若 EXk=μ,则

SnnPμ,n

证明

首先有

ESn=Ek=1nXk=k=1nEXk=k=1nμk

对于 ε>0,有

P(|Snnk=1nμkn|>ε)=P(|SnESn|>nε)VarSnn2ε2,Chebyshev 不等式0,n,前提条件

揭示了 样本的均值渐近于总体的均值,且没有独立性要求。

缺点:要求方差存在。

应用

ξk,k1 是一列独立的随机变量,有 ξ10,且当 k2

P(ξk=k)=P(ξk=k)=12klogkP(ξk=0)=11klogk

Sn=k=1nξk,证明

SnnP0,n
证明

由于 ξk 不是同分布,故使用 Chebyshev 大数定律。

Eξk=0Varξk=klogk,故

VarSnn2=1n2k=1nklogk1n2n2logn0,n

SnnP0,n

Khintchine 大数定律

假设 Xk,k1 是一列独立同分布的随机变量,EXk=μ,设 Sn=k=1nXk,则

SnnPμ,n

de Moivre-Laplace 中心极限定理的推广

Levy-Feller 中心极限定理

Xk,k1 是一列独立同分布的随机变量,EXk=μ,VarXk=σ2,设 Sn=k=1nXk,则

P(Snnμσnx)Φ(x),x,n

SnnμσnDN(0,1),n

说明测量误差可以用正态分布描述。

Lyapunov 中心极限定理

Xk,k1 是一列独立随机变量,EXk=μk,VarXk=σk2,设

Sn=k=1nXk,Bn=k=1nσk2

Bn,E|Xk|3<,kk=1nE|Xk|3Bn3/20,n

P(k=1n(ξkμk)Bnx)Φ(x),x,n

k=1n(ξkμk)BnDN(0,1),n

Example

假设 ξk,k1 是一列独立随机变量,且

P(ξk=1)=pk,P(ξk=0)=1pk,0<pk<1

Bn=k=1npk(1pk)0,n

k=1n(ξkpk)k=1npk(1pk)DN(0,1),n

依概率收敛

Xn,n1 是一列随机变量,X 是另一个随机变量,如果对于任意的 ε>0,有

P(ω:|Xn(ω)X(ω)|>ε)0,n

则称 Xn 依概率收敛到 X,记作 XnPX。(X 可以是常数)

判别法则

若存在 r>0,使得

E|XnX|r0,n

XnPX

基本性质

  1. 唯一性

    XnPXXnPY,则 X=Y

  2. 运算性质:若 XnPXYnPY,则

    • Xn+YnPX+Y
    • XnYnPXY
    • Y0,则 XnYnPXY
    • g 连续,则 g(Xn)Pg(X)

依分布收敛

Xn,n1 是一列随机变量,相应分布函数为 Fn(x)X 是另一个随机变量,分布函数为 F(x),如果对于任意的 F(x) 的连续点 x,有

Fn(x)F(x),n

则称 Xn 依分布收敛到 X,记作 XnDXFnDF

判别法则

Levy 连续性定理:设 Xn,n1 是一列随机变量,具有相应特征函数 φn(t)X 是另一个随机变量,特征函数为 φ(t),则

XnDXφn(t)φ(t),tR,n

Levy 连续性定理的另一种形式

Xn,n1 是一列随机变量,具有相应密度函数 φn(t),若

φn(t)φ(t),tR,n

φ(t)0 处连续,则 φ(t) 一定是特征函数,对应的随机变量 X 满足

XnDX,n

基本性质

  1. 依概率收敛意味着依分布收敛

    XnPX,则 XnDX

  2. 依分布收敛不意味着依概率收敛

    特殊情况

    XnDcXnPc
  3. 运算性质

    1. 线性运算

      • XnDXbnb,则 Xn+bnDX+b
      • XnDXana,则 anXnDaX
    2. XnDXYnDc,则 XnYnDcX

    3. g 连续,则 g(Xn)Dg(X)