随机变量的收敛
Published:
随机变量的收敛性,包括几乎处处收敛、依概率收敛、依分布收敛、依范数收敛,以及其相互之间的蕴含关系证明。
Definition
- 依概率收敛($p$),$\lim P(X_n = X) = 1$
- 几乎处处收敛($a.s.$),$P(\lim X_n = X ) = 1$
- 依分布收敛($d$),$\lim F_n(x) = F(x)$
- 依范数收敛($L_p$),$\lim E[X-X_n]^p = 0$
Relationship
在上述收敛性中,最弱的是依分布收敛,其次是依概率收敛,而较强的是依范数收敛和几乎处处收敛。
可以证明其有如下的蕴含性
$a.s \rightarrow p$
几乎处处收敛本质上为给定了一个数列后的数列收敛性。
用分析的语言表述为,$\forall \epsilon>0, \exists n, \forall k >n, \vert X_k- X \vert < \epsilon$,该事件发生的概率为1.
令$n \rightarrow \infty$, $\forall \epsilon > 0, P(\cap_{k=n}^{\infty} \vert X_k -X \vert < \epsilon) = 1$
又$1 = \lim P(\cap_{k=n}^{\infty} \vert X_k -X \vert < \epsilon) \le \lim P(\vert X_n - X \vert < \epsilon)$
因此,有$\lim P(X = X_n) = 1$
也即,几乎处处收敛蕴含了依概率收敛。
利用上述的证明过程,也可以给出几乎处处收敛的一个充条分件: $ \sum_{n=1}^{\infty} P(\vert X - X_n \vert > \epsilon) < \infty $,只需要观察到绝对可和等价于柯西收敛原理,并且利用事件的交集和概率求和之间的关系即可。
$L_p \rightarrow p$
证明用到切比雪夫不等式即可。
$ \lim P(\vert X - X_n \vert < \epsilon) \le \lim \frac{E \vert X- X_n \vert^p}{\epsilon^p}=0$
也即,依范数收敛蕴含了依概率收敛。常用的范数取2范数,此时也称作均方收敛。
$ p \rightarrow d$
证明用到了分布函数与概率之间的关系。
$F_n(x) = P(X_n \le x) = P(X_n \le x, X \le x+\epsilon)+P(X_n \le x, X > x+\epsilon) \le F(x+\epsilon) + P(\vert X - X_n \vert > \epsilon)$
类似地,$F(x - \epsilon) \le F_n(x) + P(\vert X -X_n \vert > \epsilon)$
合并两式可得,$F(x-\epsilon) - P(\vert X - X_n \vert > \epsilon) \le F_n(x) \le F(x+\epsilon) +P(\vert X - X_n \vert > \epsilon)$
利用分布函数$F(x)$的连续性以及极限的夹逼定理可以得到,$F_n(x) \rightarrow F(x)$.
也即,依概率收敛蕴含了依分布收敛。
$d \rightarrow p, P(X = c)=1$
当$X$的分布是一个常数的时候,依分布收敛可以推出依概率收敛。
当$X$的分布为常数的时候,$F_n(x) \rightarrow F(x) = I[x \ge c]$.
$P(\vert X_n -c\vert > \epsilon ) \le F_n(c- \epsilon) + 1 - F_n(c + \epsilon) = 0$