随机变量序列的收敛特性
随机变量序列的两种收敛
概率论与数理统计
2）、设 n ,n 是两个随机变量序列， a，b为常数，
若 n P a,n Pb 且在g(x,y)在点（a,b）处连续， 则 g(n ,n ) P g(a,b), (n ). 证明略，方法类似于1） 3）、若 n P ,n P,
则n n P , (n )
nn P , (n )
1）、若 n P ,n P, 则P ( ) 1
证： n n
0
，由
则 n
2
与
n
2
中至
少有一个成立，即
n
2
n
2
于是
P(
) P(n
2
)
P(
n
) 0(n )
2
即 0,有P（ ） 1，从而P（ ） 1
这表明，若将两个以概率为1相等的随机变量看作 相等时，依概率收敛的极限是唯一的。
概率论与数理统计
定理5.6 随机变量序列 n P c(c为常数）
的充要条件为 Fn (x) W F (x)
这里 F(x)是 c 的分布函数，也就是退化分布
1, x c F(x) 0, x c
即
n P c
Fn (x) W F (x)
在F(x)的连续点．
当n P, (n ) 时，它们的分布函数之间就有
lim
n
Fn
(
x)
F
(
x)
成立．
1.定义
定义5.3
概率论与数理统计
设 Fx, F1(x), F2 (x), 是一列分布函数，如果对
F(x)的每一个连续点x，
都有
lim
n
Fn (x)
F ( x)
成立，
则称分布函数列 Fn (x) 弱收敛于分布函数F（x），
dvoretzky’s 收敛定理
Dvoretzky’s 收敛定理一、概述Dvoretzky’s 收敛定理是概率论中的一个重要定理，它描述了随机变量序列的收敛性质，对于理解随机序列的极限行为具有重要意义。
本文将对Dvoretzky’s 收敛定理进行深入剖析，旨在帮助读者全面了解该定理的内容、证明过程和应用领域。
二、Dvoretzky’s 收敛定理的表述Dvoretzky’s 收敛定理描述了随机变量序列的收敛性质，在正式表述如下：对于一个随机变量序列X1, X2, …, Xn，在满足一定条件下，这个序列可以在概率意义下收敛于一个常数或者一个随机变量。
具体而言，若满足以下条件：1. 随机变量序列的方差有界：存在一个正数C，使得对于所有的n，有Var(Xn) <= C。
2. 随机变量序列的"距离"有限：对于任意的i≠j，有E|Xi - Xj| <=d(i,j)，其中d(i,j)是一个随机变量序列的"距离"函数。
那么，这个随机变量序列在概率意义下收敛于一个常数或者一个随机变量。
三、Dvoretzky’s 收敛定理的证明Dvoretzky’s 收敛定理的证明是通过利用概率论和数学分析的方法来完成的。
主要思路是采用刻画随机变量序列的距离函数，配合方差有界的条件，最终利用概率的收敛性质来推断序列的收敛性。
具体证明过程如下：1. 定义随机变量序列的距离函数d(i,j)，并使得该距离函数满足E|Xi - Xj| <= d(i,j)。
2. 利用方差有界的条件，推导出随机变量序列的均值序列收敛到一个常数。
3. 利用概率的性质，证明了随机变量序列在概率意义下的收敛性。
四、Dvoretzky’s 收敛定理的应用Dvoretzky’s 收敛定理在概率论和统计学中有着广泛的应用。
主要体现在以下几个方面：1. 随机变量序列的收敛性分析：Dvoretzky’s 收敛定理可以用来分析随机变量序列的收敛性，对于理解随机序列的极限行为具有重要意义。
迪利克雷收敛定理
迪利克雷收敛定理
一、迪利克雷收敛定理简介
迪利克雷收敛定理（Dirlikov Convergence Theorem）是概率论中一个重要的收敛性定理，主要用于研究随机变量序列的收敛性。
该定理由保加利亚数学家迪利克雷（Kolmogorov）提出，因此得名。
二、迪利克雷收敛定理的条件
迪利克雷收敛定理指出，当且仅当以下两个条件同时满足时，一个随机变量序列收敛：
1.单调性：序列中的每个随机变量具有单调性，即随着自变量的增加，随机变量值也单调增加或减少。
2.矩条件：序列的任意阶矩存在且有限。
三、迪利克雷收敛定理的应用
迪利克雷收敛定理在概率论、统计学和随机过程等领域具有广泛的应用，例如：
1.用于研究随机变量序列的收敛性，判断其极限分布。
2.用于大数定律和中心极限定理的证明。
3.研究稳定分布和无穷可分分布的性质。
四、实例分析
以伯努利试验为例，设随机变量序列：X_n = B(n, p)，其中n为试验次数，p为每次试验成功的概率。
1.判断单调性：随着n的增加，X_n的成功次数也单调增加或减少。
2.判断矩条件：计算序列的矩，如E[X_n] = np，Var[X_n] = np(1-p)，可知任意阶矩存在且有限。
因此，根据迪利克雷收敛定理，序列X_n收敛。
五、总结与展望
迪利克雷收敛定理为研究随机变量序列的收敛性提供了一个有力的工具。
在实际应用中，判断序列的单调性和矩条件是关键。
通过对迪利克雷收敛定理的学习，我们可以更深入地理解随机变量序列的收敛性，并为后续的研究奠定基础。
5.2随机变量序列的两种收敛
(n )
i 1
根据定义即证 例1、设 n 是独立同分布的随机变量序列，且 2 lim P ( k a ) 0 2 E a , D n ( n 1 ) 1 1
n n
n 2 P (n ) k a 试证： n k ( n 1 ) k 1 n 2 n 2 n 2 k E a k a kk 证： E k ( n 1 ) n ( n 1 ) ) k1 n k 1 k 1 n(n1
随机变量序列依概率收敛与函数序列收敛也不一样．
P 0 , lim P ( ) 1 n n n n
i列 n 服从大 n n 1 1 数定律就可以表达为 0 , lim P ( E ) 1 i i n n n
0，有 如果
n
lim P ( ) 0 或 lim P ( ) 1 n n
n
P
则称随机变量序列 n 依概率收敛于 ，记作
lim n
n
，或
P , ( n ) n
由定义可知，
P n
0 , ( n )
W
证明 ：略。
３.依概率收敛与按分布收敛间的关系
（１）
( n ) n
P
( n ) n
L
（２）
P c n n
L n
c n
分布函数列的弱收敛是一个很有用的概念，但要判 断一个分布函数序列是否弱收敛，有时很麻烦，而判 定相应的特征函数序列的收敛性却往往比较容易。
§4.3随机变量序列的两种收敛性
n
再令x ' x F ( x 0) lim Fn ( x )
n
8
同理可证： 当 x " x时，F ( x ") limFn ( x ),
n
再令x " x， F ( x 0) limFn ( x ) .
n
即有 F ( x 0) lim Fn ( x ) lim Fn ( x ) F ( x 0) . n
0, x c; 有 Fn (c / 2) F (c / 2) 1， F ( x ) 1 , x c . Fn (c ) F (c ) = 0 .
从而 P ( X n c ) （n ) 0
且 Fn ( x ) F ( x ) ， 所以当 n 时，
n
若x是F ( x )的连续点，
则 Fn ( x ) F ( x ), 即X n X .
W L
TH2表明：依概率收敛是弱收敛的充分不必要条件，
由弱收敛不能得出依概率收敛。见下面的例子。
9
例2 设X
X P
1 1 2
1 1 2
令 Xn X ,
L
当然有 X n X . 则 X n 与X 同分布，
P P P X n a ,Yn b X n Yn a b； P P X n Yn a b , X n Yn a b(b 0). 证明： ( X n Yn ) (a b ) X n a Yn b ( X n Yn ) (a b ) X n a Yn b 2 2
0 P X Y
《概率论与数理统计课件》随机变量序列的收敛性
P
定理 4.3.3 若 C 为常数，则 X n C 的充
L
要条件是 X n C ．
21
证明：
必要性已由定理 4.3.2 给出，下证充分性．
记随机变量 X n 的分布函数为 Fn x ．而常数 X C
（退化分布）的分布函数为
F
x
0 1
xC ． xC
22
所以对于任意的 0 ，有
Fn x收敛到一个极限分布函数 Fx 是有实际意义的．现在的 问题是，如何定义分布函数序列 Fn x的收敛性？很自然，由 于 Fn x是实变量函数序列，我们的一个猜想是：对所有的 x ， 要求 Fn x F x, n ．这就是数学分析中的点点收敛．然
下面的定理说明了依概率收敛是一种比按分布收敛更 强的收敛性．
11
P
L
定理 4.3.2 如果 X n X ，则必有 X n X ．
12
证明：
设随机变量 X n 的分布函数为 Fn x ， n 1, 2, 3, ；
随机变量
X
的分布函数为
F x ．为证
Xn
L
X
，只须证明：
对所有的 x ，有
写出随机变量 Yn
n k 1
Xk 2k
的特征函数n t ；⑶
证
明：当 n 时，随机变量序列Yn依分布收敛于随机变量Y ．
33Leabharlann 解：⑴ 由于随机变量Y 服从区间 1, 1 上的均匀分布，因
此 Y 的特征函数为
t eit eit cost i sin t cost i sin t sin t ．
（因为 x x 0）．所以有
再令 x x ，得
概率论课件 第4章第2讲随机变量序列的两种收敛性
0,当( x a)2 ( y b)2 2时有
| f ( x, y) f (a, b) |
于是 {| f (k ,k ) f (a, b) | } {( a)2 ( b)2 2 }
辛钦k 1n Nhomakorabeak
a | } 1
证明: {n } 同分布, 它们有相同的特征函数, 这个相同的特征函数记为 (t )
1 n 记 n k n k 1
a E ( k )
(0)
i
(t ) (0) (0)t o(t ) 1 iat o(t )
的分布函数Fn ( x) F ( x).
显然有 lim Fn ( x) F ( x)
n
L Xn Y
但对任意的0<ε<2,恒有
P{| n | } P{2 | | } 1
即不可能有{n }依概率收敛于
所以:依分布收敛依概率收敛不真
定理:随机变量序列依概率收敛于常数C 的充要条件是依分布收敛于常数C 证明:必要性已证,下面只证充分性
§4.2 随机变量序列的两种收敛性 上一节我们由大数定理可得,在贝努里试验中, 事件发生的频率稳定于概率,即
lim P{
n
n
n
P } 1
自然想到的是, 随机变量序列是否依 这种方式能稳定于一个随机变量呢 ?
这就是我们要讲的依概率收敛问题.
1
依概率收敛 定义：设{ n }是随机变量序列,若存在随机 变量 (或常数),对于任意ε>0,有
x x
令y x, z x,由x为F ( x)的连续点, 有
概率与数理统计 5.2 随机变量的收敛性与强大的数定律.ppt
一、概率收敛与分布收敛
Def.
1.
设随机变量序列{X
}
n n1
与随机变量X
0, lim n
P{|
Xn
X
|
}
0
则称随机变量序列
{
X
n
} n 1
依概率收敛于X，记作
P
Xn X
例 1. 设 X ,{Xn} 均为退化分布的随机变量，且
P( X 0) 1, P{X n 1/ n} 1, n 1, 2,L
P{|Xn-c|}= P{Xn c+ }+P{Xnc - }
=1-Fn(c+ -0)+ Fn(c-)
1-1+0=0
定理4. (连续性定理)分布函数列{Fn(x)}弱收敛于 分布函数{F(x)}的充分必要条件为:
{Fn(x)}的特征函数列 n (t) 收敛于F(x)的特征函数 (t).
N 1 nN
:|
Xn ()
X
()
|
1}} k
0
P{ I U { :| Xn () X () | }} 0, 0 N 1 nN
N
P{ U { :| Xn () X () | }} 0, 0
nN
概率的上连续性
N
P{Xn+Yn x} P{Xn x-c+}+P{|Yn-c|>} (1)
P{Xn+Yn x} P{Xn+Yn x,|Yn-c| } P{Xn x-c-,|Yn-c| }
P{Xn x-c-}- P{Xn x-c-,|Yn-c| >}
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
概率空间
•几乎必然收敛(almost sure convergence)
–随机变量序列收敛到，同时
}{n X X {li – a.s. 1
}{lim ==∞→X X P n n X X =lim X
X −→−.
s .a 表示为或者n n ∞→n →)}
()(lim :{ςςςX X n n =∞→
•依概率收敛(convergence in probability)
–随机变量序列以及满足对任意
}{n X X li ε
–p. 0}||{lim
=>-∞→εX X P n n X X =lim X
X −→−.
p 表示为p 或者
n n ∞→n →也有可能的数值极大
|X X n -|
•均方收敛(mean square convergence)
–随机变量序列以及满足,同时
}{n X X li ∞<}{2n
X E –m.s. 0}){(lim
2
=-∞→X X E n n X X =lim X
X −→−m.s.
表示为或者n n ∞→n →
•均方收敛(mean square convergence)
–随机变量序列以及满足,同时
}{n X X li ∞<}{2n
X E –m.s. 0}){(lim
2
=-∞→X X E n n X X =lim X
X −→−m.s.
表示为或者则n n ∞→n →m s •若，则X X n −→−m.s.∞
<}{2
X E 几乎必然收敛或依概率收敛都不能确保均方收敛
•以概率分布收敛(convergence in distribution)
–随机变量序列以及满足在任意连续的x
}{n X X li )()(lim
x F x F X X n n =∞→–表示为 d. 或者X X n n =∞→lim X
X n −→−d.
•依据特征函数判断收敛–X
X n −→−d.
––)}({)}({X f E X f E n →)
t ()t (X
X n
Φ→Φ
.
s .a ⇒
X
X −→−.
p
(Cauthy criteria)
在不知道极限的情况下，判定随机变量序列收敛
随机变量序列的收敛特性。