1.6.1.随机变量序列的收敛性
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。
茆诗松《概率论与数理统计教程》(第2版)笔记和课后习题(含考研真题)详解-第4~5章【圣才出品】
（1）|φ （t）|≤φ （0）＝1．
——————
——————
（2）φ （－t）＝φ （t），其中φ （t）表示 φ （t）的共轭．
（3）若 y＝aX＋b，其中 a，b 是常数，则 φ Y（t）＝eibtφ X（at）．
（4）独立随机变量和的特征函数为每个随机变量的特征函数的积．即设 X 与 Y 相互独
5 / 167
圣才电子书 十万种考研考证电子书、题库视频学习平台
P
Xn a
P
Yn b
则有 ①
P
X n Yn a b
②
1 / 167
圣才电子书
十万种考研考证电子书、题库视频学习平台
P
X n Yn a b
③
P
Xn Yn a b(b 0)
2．按分布收敛、弱收敛
（1）按分布收敛
设随机变量 X，X1，X2，…的分布函数分别为 F（X），F1（X），F2（X），…．若对 F（x）
p(x) x e n/21 x/2 ，x 0 Γ (n / 2)2n/2
exp
it
2t 2
2
(1 it )1
(1 it )
(1 2it )n / 2
贝塔分布
Be(a，b)
p(x) Γ (a b) xa1 (1 x)b1，0 x 1 Γ (a)Γ (b)
Γ (a b)
(it)k Γ (a k)
P
Xn x
或者说，绝对偏差|Xn－x|小于任一给定量的可能性将随着 n 增大而愈来愈接近于 1， 即等价于 P（|Xn－x|＜ε）→1（n→∞）．
特别当 x 为退化分布时，即 P（X－c）＝1，则称序列{Xn}依概率收敛于 C． （2）依概率收敛于常数的四则运算性质如下： 设{Xn}，{Yn}是两个随机变量序列，a，b 是两个常数．如果
第5章中心极限定理
第一节
一,随机变量的收敛性 1. 依概率收敛
大数定律
定义1 若对任意给定的ε 定义1 若对任意给定的ε>0, 有:
lim P{| X n X |< ε } = 1,
n→∞
( lim P{| X n X |≥ ε } = 0 )
n→∞
则称{X 依概率收敛于X, 记作: 则称{Xn}依概率收敛于X, 记作:
σ2 P{| X |< ε } ≥ 1 2 ε
σ2 8 P{| X |< 3σ } ≥ 1 2 = 9σ 9
8 ∴ P { 3σ < X < + 3σ } ≥ 9
将一枚硬币抛掷1000 1000次 [例2] 将一枚硬币抛掷1000次,试利用车贝晓夫不等 式估计: 1000次中,出现正面H的次数在400至600次 式估计:在1000次中,出现正面H的次数在400至600次 次中 400 之间的概率. 之间的概率. 解: 设1000次抛掷中出现正面的次数为 则 次抛掷中出现正面的次数为X, 次抛掷中出现正面的次数为
n
D (∑ X i )
i =1
D(∑ X i )
i =1
n
n a n 1 b n = P{ < ( ∑ X i n ) ≤ } n σ n σ i =1 n σ
b n a n ≈ Φ( ) Φ( ) n σ n σ
2. 德莫佛---拉普拉斯定理
定理2 设随机变量X n ~ B( n, p ), (n = 1, 2), 则对 任意x ∈ R, 有
第一节 大数定律 第二节 中心极限定理
基本要求: 基本要求 理解实际推断原理; 1. 理解实际推断原理; 掌握车贝晓夫不等式; 2. 掌握车贝晓夫不等式; 熟悉几个常用的大数定律; 3. 熟悉几个常用的大数定律; 4. 熟练掌握并能运用几个常见的中心极限定理. 熟练掌握并能运用几个常见的中心极限定理. 重点: 重点 1.车贝晓夫不等式的运用; 1.车贝晓夫不等式的运用; 车贝晓夫不等式的运用 2.中心极限定理的应用. 2.中心极限定理的应用. 中心极限定理的应用 学时数 3-4
大数定律与中心极限定理
⼤数定律与中⼼极限定理⽬录随机变量序列的两种收敛性依概率收敛：设{X n}为⼀随机变量序列，X为⼀随机变量，若对于任意ϵ>0,有P(|X n−X|≥ϵ)→0(n→∞)则称序列{X n}依概率收敛于X，记作X n P →X依概率收敛的性质：若X n P →aY n P →b则：X n±Y n P→a±bX n Y n P→abX n÷Y n P→a÷b弱收敛（按分布收敛）：随机变量X,X1,X2…的分布函数为F(x),F1(x),F2(x)…，若对于F(x)的任意⼀个连续点x，有lim n→∞F n(x)=F(x)则称分布函数序列{F n(x)}弱收敛于F(x),记作F n(x)W→F(x)也称{X n}按分布收敛于X,记作X n L →X特征函数特征函数：设X是⼀个随机变量，则φ(t)=E(e itX)为X的特征函数。
常⽤分布的特征函数0-1分布：φ(t)=pe it+q泊松分布:φ(t)=∑e itx λk e−λk!=e−λ∑(λe it)kk!=eλ(e it−1)均匀分布:φ(t)=∫b ae itxb−a dx=e itb−e itait(b−a)标准正态分布:φ(t)=e−1 2t2证明：φ(t)=∫∞−∞e itx1√2πe−12x2dx=1√2π∫∞−∞∞∑n=0(itx)nn!e−12x2dx=∞∑n=0(it)nn![∫∞−∞x n1√2πe−12x2]dx=∞∑n=0(it)nn!E(X n)当n为奇数时，E(X n)=∫∞−∞x n1√2πe−12x2dx=0当n为偶数时，E(X n)=E(X2m)=∫∞−∞x2m1√2πe−12x2dx=1√2π∫∞−∞−x2m−1d(e−12x2)=1√2π(2m−1)∫∞−∞x2m−2e−12x2dx=(2m−1)(2m−3)…1∫∞−∞1√2πe−12x2dx=(2m−1)!!=2m!2m(m−1)!故φ(t)=∞∑m=0(it)2m(2m)!E(X2m)=∞∑m=0(it)2m(2m)!2m!2m(m−1)!=∞∑m=0(−t22)mm!=e−1 2t2指数分布的特征函数:φ(t)=(1−it λ)−1证明：φ(t)=∫∞0e itxλe−λx dx=λ[∫∞0cos(tx)e−λx dx+i∫∞0sin(tx)e−λx dx]I=∫∞0cos(tx)e−λx dx=∫∞01t e−λx dsin(tx)=λt∫∞sin(tx)e−λx dx=−λt2[−1+λ∫∞cos(tx)e−λx dx]=−λ2t2I+λt2故I=λλ2+t2φ(t)=λ(λλ2+t2+itλ2+t2)=λλ2+t2(λ+it)=λλ−it=(1−it λ)−1特征函数的性质|φ(t)|≤φ(0)=1证明:|φ(t)|=|∫e itx f(x)dx|≤∫|e itx|f(x)dx=1若Y=aX+b，则φY(t)=e ibtφX(at)证明：φY(t)=∫e it(ax+b)f(x)dx=e itb∫e itax f(x)dx=e ibtφX(at)若X和Y相互独⽴，则有φX+Y(t)=φX(t)φY(t)证明：E(e it(X+Y))=E(e itx e ity)=E(e itx)E(e ity)=φX(t)φY(t)若E(X l)存在，则X的特征函数l次可导，且对1≤k≤l有φ(k)(0)=i k E(X k)证明：φ(k)(t)=∫i k x k e ixt f(x)dx将t=0代⼊得φ(k)(0)=i k∫x k f(x)dx=i k E(X k)⼤数定律 概率是频率的稳定值，其中稳定是什么意思？⼤数定律详细的描述了这个问题。
§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