概率论与数理统计随机变量序列的收敛性
茆诗松《概率论与数理统计教程》(第2版)(课后习题 大数定律与中心极限定理)【圣才出品】

是直线上的连续函数,试证:
证:若 g(x)是 m 次多项式函数,即 下证一般情况,对任意的 又选取 N1 充分大,使当
,则由上一题知有
,取 M 充分大,使有
时,有
,于是有
对取定的 M,因为 g(x)是连续函数,所以可以用多项式函数去逼近 g(x),并且在任意
有限区间上还可以是一致的,因而存在 m 次多项式
,于是有
,因为
,故存在充分
由 的任意性知,当
时,有
结论得证.
6.设 D(x)为退化分布: 试问下列分布函数列的极限函数是否仍是分布函数?(其中 n=1,2,…)
(1)
(2)
(3)
解:(1)因为此时的极限函数为
性质: lim F x=0 ,所以不是分布函数. x-
,不满足分布函数的基本
4 / 42
圣才电子书
有
故当
时,
即
成立,进一步由
可得
,所以又有
1 / 42
圣才电子书
成立.
十万种考研考证电子书、题库视频学习平 台
(2)先证明
对任意的
,取 M 足够大(譬如
),使有
成立,对取定的 M,存在 N,当 n>N 时,有
这时有
从而有
由 的任意性知
,同理可证
由上面(1)得
即
成立.
3.如果
3 / 42
圣才电子书
十万种考研考证电子书、题库视频学习
证:先证充分性,令
,则
,
故 f(x)是 x 的严格单调增函数,因而对任意的
,有
于是对任意的
,当
时,有参见 2.3 第 12 题.
充分性得证.
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
东北林业大学2023自命题科目考研复试大纲:概率论与数理统计及常微分方程

东北林业大学2023自命题科目考研复试大纲:概率论与数理统计及常微分方程东北林业大学2023自命题科目考研复试大纲:概率论与数理统计及常微分方程由考研大纲频道为大家提供,更多考研资讯请____网站的更新!东北林业大学2023自命题科目考研复试大纲:概率论与数理统计及常微分方程考试科目名称:概率论与数理统计及常微分方程(一、)概率论与数理统计局部考试内容与范围:一、事件与概率1、随机事件和样本空间;2、概率与频率;3、古典概率;4、概率的公理化定义及概率的性质;5、条件概率、全概率公式和贝叶斯公式;6、独立性;7、贝努利概型。
二、离散型随机变量1、一维随机变量及分布列;2、多维随机变量、结合分布列和边际分布列;3、随机变量函数的分布列;4、数学期望的定义及性质;5、方差的定义及性质、6、条件分布与条件数学期望。
三、连续型随机变量1、随机变量及分布函数;2、连续型随机变量;3、多维随机变量及其分布;4、随机变量函数的分布;5、随机变量的数字特征、切贝雪夫不等式;6、条件分布与条件期望;7、特征函数。
四、大数定律与中心极限定理1、大数定律;2、随机变量序列的两种收敛性;3、中心极限定理。
五、数理统计的根本概念1、母体与子样、经历分布函数;2、统计量及其分布。
六、点估计1、矩法估计;2、极大似然估计;3、估计的有效性。
参考资料:魏宗舒等编,《概率论与数理统计教程》,高等教育出版社(二、)常微分方程局部考试内容与范围:一,初等积分法1,纯熟掌握初等积分法中的变量可别离方程解法、常数变易法、全微分方程解法(含积分因子的解法)及参数法和降阶法。
2,掌握证明一阶线性微分方程解的性质的根本方法。
3,掌握把实际问题抽象为常微分方程的根本方法。
二,根本定理1,理解常微分方程解的几何解释,理解解的存在唯一性及延展定理的证明;2,掌握奇解的求法。
3,掌握利用解的存在唯一性及延展定理证明有关方程解的某些性质的方法。
三,一阶线性微分方程组1,理解线性微分方程组解的构造,通解根本定理,掌握常数变易法和刘维尔公式;2,纯熟掌握常系数线性微分方程组的解法。
深入理解概率与统计的收敛性判定存在问题

深入理解概率与统计的收敛性判定存在问题概率与统计是数学中重要的分支领域,它们在各个学科和实际应用中发挥着重要作用。
然而,我们需要认识到,概率与统计的收敛性判定在实践中存在着一些问题。
本文将深入探讨概率与统计的收敛性判定问题,并讨论其影响和可能的解决方案。
一、概率与统计的收敛性在概率论和数理统计中,收敛性是一个关键概念。
它指的是随机变量序列在某种意义下逐渐接近一个固定的随机变量。
概率论中的收敛性理论有多种形式,比如依概率收敛、几乎必然收敛和分布收敛等。
统计学中的收敛性则包含极限定理和一致收敛性等概念。
这些收敛性概念对于推断和估计都起着至关重要的作用。
二、收敛性判定存在问题然而,我们在深入研究概率与统计的收敛性判定时,不难发现存在着一些问题。
首先,收敛性判定常常依赖于对样本空间和概率分布的假设。
当样本空间和概率分布具有一定的特殊性时,收敛性判定才能成立。
但在实际问题中,我们往往无法准确地确定样本空间和概率分布的具体形式,这就给收敛性判定带来了困难。
其次,收敛性判定需要对大样本进行推断,但在实际应用中,我们常常只能获得有限的样本。
这就导致了收敛性判定的结果可能不够准确和可靠。
特别是在极端情况下,如样本量较小或者数据存在较大的噪声时,收敛性判定往往会出现较大的误差。
此外,由于实际问题的复杂性,概率与统计的收敛性判定往往需要考虑多个变量之间的关系。
这就给收敛性判定带来了更高的难度。
当变量之间存在复杂的非线性关系时,我们很难准确地判断其收敛性。
这种情况下,常规的收敛性判定方法可能不再适用。
三、可能的解决方案虽然概率与统计的收敛性判定存在问题,但我们仍然可以通过一些方法来提高判定的准确性和可靠性。
首先,我们可以采用更加灵活和有弹性的收敛性判定方法,以适应复杂问题的需求。
例如,可以结合现代机器学习方法和数据挖掘技术,利用大数据的力量来推断和估计。
其次,我们可以加强对样本空间和概率分布的研究,以提高收敛性判定的基础。
§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
大数定律与中心极限定理知识点整理

大数定律与中心极限定理知识点整理大数定律和中心极限定理是概率论与数理统计中两个重要的概念,它们在统计学和经济学等领域中具有广泛的应用。
下面将对它们的主要知识点进行整理。
一、大数定律(Law of Large Numbers)大数定律是关于随机变量序列均值的收敛性的一个法则。
它表明,当独立同分布的随机变量不断增加时,其均值将会趋近于理论期望。
具体来说,大数定律包含以下几个重要概念:1. 弱大数定律(Weak Law of Large Numbers)弱大数定律指的是当随机变量序列无限增加时,其均值以概率1收敛于理论期望。
这个定律要求序列中的随机变量具有有限的方差和独立同分布的性质。
2. 强大数定律(Strong Law of Large Numbers)强大数定律指的是当随机变量序列无限增加时,其均值几乎处处收敛于理论期望。
与弱大数定律相比,强大数定律要求序列中的随机变量只需要具有独立性,而不需要具有方差的有限性。
二、中心极限定理(Central Limit Theorem)中心极限定理是关于随机变量和其样本均值之间关系的一个重要定理。
它表明,当样本量增加时,随机变量的分布将趋近于正态分布。
中心极限定理包含以下几个关键点:1. 独立同分布的随机变量之和的分布趋近于正态分布。
2. 标准化后的样本均值的分布趋近于标准正态分布。
3. 样本量越大,越接近正态分布。
总结:大数定律和中心极限定理是概率论与数理统计中非常重要的概念。
大数定律研究随机变量序列均值的收敛性,而中心极限定理研究随机变量和其样本均值的分布趋近于正态分布的关系。
它们的应用广泛,对于统计学、经济学等领域的研究与实践具有重要意义。
随机变量序列的几种收敛性注记

科教论坛科技风2020年10月DOC10.19392/ki.1671-7341.202028033随机变量序列的几种收敛性注记杨元启三峡大学理学院湖北宜昌443002摘要:随机变量序列的收敛性理论主要源自测度论中可测函数序列的收敛性理论,但由于概率测度的特殊性,使得随机变量序列的敛散性有自己的特点。
这些理论既是概率论的重点,也是难点。
本文准备详细介绍随机变量序列的各种收敛性概念,讨论他们之间的联系,并以适当的例题来说明收敛的性质。
关键词:几乎必然收敛;依概率收敛;完全收敛;一致可积性本科教材中关于随机变量序列的收敛概念一般只有两种:依概率收敛和依分布收敛,分别关联大数定律和中心极限定理。
但根据序列收敛的强弱,有多种强弱不同的收敛概念,它们的侧重点不一样,相互之间也有联系,讨论如下。
设79,9,”=1,2,3}是概率空间(*,,p)上的随机变量序列,随机变量9的分布函数记作F(0=p(X<x+,x(R,X n 的分布函数记作F(0#以下是几种常用的收敛性:(1)若对F(0)的每个连续点0,有0)=F(0),则称随机变量序列{X”}依分布收敛于X,记作X”厶X;(2)若对任意&>0,li rn P(X…-X|'&)=0,则称随机变P量序列{X”}依概率收敛于随机变量X,记作X”一X;(3)设r>0,=X”存在,且”X”-X|'=0,则称随机变量序列{X”}r阶收敛于随机变量X,记作X”二X,这时易知=X>也存在;(4)若P(”im X…=X)=1,则称随机变量序列{X”}几乎必然收敛于随机变量X,记作X”上$X;(5)若对任意的&>0,都有lim-P(|X»-X|'&)=0称随”$"7=”c机变量序列{X”}完全收敛于随机变量X,记作X”一X#下面几个概念与随机变量序列的收敛性关系密切:(1)对任给的&>0,存在(使得对任一"(F,当P(")d 时,便有spf j X”|$p<&,则称随机变量列{X”}是一致绝对连续的;(2)若epJj X”|$P<",则称随机变量列{X”}积分一致 有界;(3)若sp|X”|$P=0,则称随机变量列{X”}是一致可积的;由测度论的理论,有下列结论:(1){X”}是一致可积的充要条件是{X”}是一致绝对连续的且积分一致有界;(2)X”上$X当且仅当对于任意的&>0,^{*”7X”-X丨'&}}=0以及X”上$x当且仅当对于任意的&>0,P(/*7X m-X|'&})=0;”=1>=”P(3)X…-$X当且仅当对{X”}的任一子序列{X”?,均存在子序列7X”》}0{X”?,使得X”7上$x;“、a・s.,、,P(4)X”一X时必有X”一X;r P(5)X”---------$X时必有X”----------$X;P<(6)X”---------$X时必有X”----------$X;C., a.s.(7)X”---------$X时必有X”----------$X;(8)”F"IX-XI=0的充要条件是{X”}是一致可积且PX”$X上述部分结论的证明可以从本文所列文献中找到,这里就不赘述了#我们只证(2)和(7)#先介绍一个引理#"8888弓【理如果-P("”)<8,则P(/U"”)=0,P(*/"”.)=1,即事件序列{"”}中有无穷多个"”发生的概率为0,或者说事件序列{"”}中至多有有限个"”发生的概率为1;如果P("”)=8,而{"”}是两两独立的事件序列,则P8888(/*"”)=1,P(*/"”.)=0,即事件序列{"”}中有无穷多个"”发生的概率为1,或者说事件序列{"”}中至多有有限个"”发生的概率为0#这是著名的波雷尔-康特立引理#(2)的证明:若X”上$X,即*中除了某个概率测度为零的集合8以外的所有点)对于任何&>0,当”>”0(&,)时就有t”_X I<&,也就是说,满足对任意的”,总存在>'”,使得X”-X的点)必属于零测度集8,亦即/*7X”-X'”一1>—”&}08,因此P(/*7|X>-X|'&})=0;”=1>=”所以说X”上$X当且仅当对于任意的&>0,P (/*7X m-X|'&})=0;”=1>=”66科技风2020年10月另外,根据概率的连续性,显然有P(/*i19-91>&!)=+=17=+0i U/P{U7丨9”-9|'&}=0,反之,若对于任意的&>0, >=+有U m:{U79”-9|'&}=0,则由于/U79”-9|'&8 +$">=++=1>=+"880U7X m-9|'&,有0!:(/U7X m-9|)!Um:>=++=1>=++$8 {U+7.|9>-9|}=0综上有:as889—」9%对于任意的&>0,P(/U7丨9”-9|)=0+=1>—+%对于任意的&>0,fm P{U7丨9”-9|}=0#+—8>—+C8(7)的证明:因为9―$9,即任意的&>0,Um-:+$87=+ (9,,-9'&)—0,因此Um:{U7丨9”-9|}<Um-:+$8>=++$8>=+ (9m-9|'&)=0,即|=9#以下通过几个例子进一步讨论随机变量序列的性质#例1设{9”}为相互独立的随机变量序列,若9…上$证明:设9…上$0,则对任意的&>0,有:(/U79-0)=0”=17=+即:(limyp7I9t1>&)=0,由{9…}相互独立及波雷尔-康特立引理,知-:(9>'&)<8,因此Um-:>=1”$8>=+ (9”|'&)=0,此即9 0注:(1)显然,此结论可改为:若{9…}相互独立,则9…上$0等价于9…亠0'或者,若{9…}相互独立,则9…上$0等价于2&>0,-:7(191>&)!<8#+=1(2)若{9}独立,{,”}为常数列,则9上$0等价于2&>0,-:7(19<8#”—1例2设{9”}为以概率1单调的随机变量序列,且9…: a.s.—9,则9”一9#:证明:不妨设2)(*,{9”}为单调递增,由于9…-$9,因此对{9”}的任一子序列{9”?,均存在子序列{9”?0 79…7!,使得9”7上$9,而{9”}为单调递增,故2)(*,9”$ 9,因此9”9#例3设随机变量序列{9+}依分布收敛于常数,,则9”:-----,#「1久',证明:常数,的分布函数;(0)=匸,{9”}依分布0x<<收敛于,,对任意的&>0,:(丨9”-|'&)=:(9”<,-&+:(9”'a+&)<;”(a-&)+—:(9”«+£&二;”(Q-&)+—;”(a+&:-0)=0+1-1二0,所以9”---a#例4设{9”}是独立同分布的随机变量序列,二阶矩有2”:界,则十*-@@―”(”+1)@12”证明:记=91=#,A91=*2,则*2<8,=(,2八-忑)—”(”1)@=1 )”乔17=( -9心A含9)=心-2”2”川-弘予,A(»-9)=4*2亍-==232”+11*2$0,(”$8)2=13”(”+1)2”由契贝雪夫不等式有2&>0,P(I十丁--=91I'&)”(”1)=12”<”(”&)@——$0,(+$»),亦即尸石-9厶=91# &”(”+1)=1例5设{9”}为独立同分布的随机变量序列,密度函数「2-0a)兀'a</(0=L,记B”=m/791,…9”!,则B”—a# 050<af1-2"(0"a)兀'a 证明:容易算得公共分布函数;(0)-,0050<a'a时,:(B”>0)=:(m/791,…9”!>0)=:(/{9=>0)=1=(1-F(0))”=2一0-)2&>0,P(I”-a l'&)=:(B”'a+&)+P(B”<a-&)=2兀+:(*79=<a-&!)=1=2^+-:(9=<a-&)=1—e-&+0$0,”$8:<所以B”$a,因此,B”$a#例6设{9”}为独立同分布的随机变量序列,P(9”=1)1”9»=:(9”=0)=*,B”=-出”=1,2,3,则B”的分布收敛于27=12[0,1]上的均匀分布#证明:9»的特征函数为/()=*(1+e")—as寺2“,;的特征函数为+()-寺(1+e")=cos2)71“,7=1,2,3,由于97独立同分布,7=1,2,3,故B”的特征函数为,”(-=3(cos7=1tsin命抽')=丁-----------eM-,由于”/0”(-=〒Cn寺=Sm2”+丄(2“-1),而[0,1]上的均匀分布的特征函数恰为丄*2“-1), It It由逆极限定理知B”的分布收敛于[0,1]上的均匀分布#参考文献:[1]王寿仁.概率论基础与随机过程[M&.北京:科学出版社,1997.[2]严家安.测度论讲义.北京:科学出版社,2000.[3]周民强.实变函数论.北京:北京大学出版社,2003.[4]严士健,王隽骧,刘秀芳.概率论基础.北京:科技出版社,$982.67。
收敛发散知识点总结

收敛发散知识点总结本文将从收敛和发散的定义、性质、判别方法、在数学分析和其他数学领域的应用等多个角度系统地进行分析和总结。
通过本文的阐述,读者将更加深入地理解这些重要的数学概念,并掌握它们在不同数学问题中的运用方法。
一、收敛和发散的定义在数学中,收敛和发散是描述数列、级数、函数序列等数学对象的性质的重要概念。
下面分别对数列、级数、函数序列三个方面的收敛和发散进行定义。
1. 数列的收敛和发散对于一个数列{an}来说,当存在一个实数L,使得对于任意给定的正数ε,总存在自然数N,使得当n>N时,|an-L|<ε成立,那么就称数列{an}是收敛的,而L就是该数列的极限,用符号「an→L(n→∞)」表示。
反之,如果对于任意实数L,总存在正数ε,使得对任意的自然数N,总存在n>N,使得|an-L|≥ε成立,那么就称该数列是发散的。
2. 级数的收敛和发散对于一个级数{an}来说,如果其部分和数列{Sn}收敛,则称级数{an}是收敛的,否则称为发散的。
3. 函数序列的收敛和发散对于函数序列{fn(x)}来说,如果对于任意给定的实数x0,函数序列{fn(x0)}收敛,则称函数序列{fn(x)}在点x0处收敛。
反之,如果存在实数x0,使得函数序列{fn(x0)}发散,则称函数序列{fn(x)}在点x0处发散。
以上是收敛和发散的基本定义,它们在数学分析、微积分、级数等分支的理论体系中都扮演着至关重要的角色。
二、收敛和发散的性质1. 收敛数列的性质若数列{an}与数列{bn}收敛,且lim(n→∞)(an)=a、lim(n→∞)(bn)=b,则有lim(n→∞)(an+bn)=a+b。
此外,收敛数列具有唯一极限的性质,即若数列{an}同时收敛于a和b,则a=b。
2. 收敛级数的性质若级数{an}与级数{bn}均收敛,则有级数{an+bn}也收敛,并且有lim(n→∞)(∑n=1∞(an+bn))=lim(n→∞)(∑n=1∞(an))+lim(n→∞)(∑n=1∞(bn))。
概率论和统计中常用的收敛极限小结

概率论和统计中的收敛总结概率论中的极限定理和数理统计学中各种统计量的极限性质,都是按随机变量序列的各种不同的收敛性来研究的。
设{X n,n≥1}是概率空间(Ω,F,P)(见概率)上的随机变量序列,从随机变量作为可测函数看,常用的收敛概念有以下几种:以概率1收敛若,则称{X n,n≥1}以概率1收敛于X。
强大数律(见大数律)就是阐明事件发生的频率和样本观测值的算术平均分别以概率 1收敛于该事件的概率和总体的均值。
以概率 1收敛也常称为几乎必然(简记为α.s)收敛,它相当于测度论中的几乎处处(简记为α.e.)收敛。
依概率收敛若对任一正数ε,都有,则称{X n,n≥1}依概率收敛于X。
它表明随机变量X n与X发生较大偏差(≥ε)的概率随n无限增大而趋于零。
概率论中的伯努利大数律就是最早阐明随机试验中某事件 A发生的频率依概率收敛于其概率P(A)的。
依概率收敛相当于测度论中的依测度收敛。
r阶平均收敛对r≥1,若X n-X的r阶绝对矩(见矩)的极限,则称{X n,n≥1}r阶平均收敛于X。
特别,当r=1时,称为平均收敛;当r=2时,称为均方收敛,它在宽平稳过程(见平稳过程)理论中是一个常用的概念。
弱收敛设X n的均值都是有限的,若对任一有界随机变量Y都有,则称{X n,n≥1}弱收敛于X,由平均收敛可以推出弱收敛。
从随机变量的分布函数(见概率分布)看,常用的有如下收敛概念。
分布弱收敛设F n、F分别表示随机变量X n、X的分布函数,若对F的每一个连续点x 都有,则称X n的分布F n弱收敛于X的分布F,也称X n依分布收敛于X。
分布弱收敛还有各种等价条件,例如,对任一有界连续函数ƒ(x),img src="image/254-6.gif" align="absmiddle">。
分布弱收敛是概率论和数理统计中经常用到的一种收敛性。
中心极限定理就是讨论随机变量序列的标准化部分和依分布收敛于正态随机变量的定理。
随机变量序列的收敛性及其相互关系

长江大学毕业论文题目名称随机变量序列的收敛性及其相互关系院(系)信息与数学学院专业班级信计11001班学生姓名傅志立指导教师李治辅导教师_________ 李治______________摘要:概率极限理论不仅是概率论的重要组成部分,而且在数理统计中有广泛的应用。
本文主要对a.e.收敛、依概率收敛、依分布收敛、r—阶收敛四种随机变量序列的概率和收敛性性质进行阐述;并结合具体实例讨论了它们之间的关系,进一步对概率论中依分布收敛的等价条件和一些依概率收敛的弱大数定律进行了具体的研究.目录1......................................................................................... 引言2......................................................................................... a.e.收敛、依概率收敛、依分布收敛、r—阶收敛的概念、性质及其相互关系.2.1 a.e.收敛的概念及性质2.2依概率收敛的概念及性质2.3依分布收敛的概念及性质2.4r-阶收敛的概念及性质2.5结论3......................................................................................... 随机变量序列依分布收敛的等价条件4......................................................................................... 随机变量∑=nkkn11ξ依概率收敛的一些结果5......................................................................................... 小结6......................................................................................... 参考文献1.引言:在数学分析和实变函数中“收敛性”极为重要,特别在实变函数中对可测函数列收敛性的讨论。
茆诗松《概率论与数理统计教程》第3版笔记和课后习题含考研真题详解(大数定律与中心极限定理)【圣才出品

设{Xn}是独立同分布的随机变量序列,且 E(Xi)=μ,Var(Xi)=σ2>0 存在,若记
Y n
X1 X2 X n n n
,则对任意实数 y,有
lim
n
P(Yn
y)
(
y)
1 2
y t2 e 2dt
2.棣莫弗—拉普拉斯中心极限定理 设 n 重伯努利试验中,事件 A 在每次试验中出现的概率为 p(0<p<1),记 Sn 为 n
3 / 53
圣才电子书 十万种考研考证电子书、题库视频学习平台
Var(Xi)≤c,i=1,2,…,则{Xn}服从大数定律,即对任意的ε>0,,nlim P(
Sn n
p
)
1
成立。
(2)马尔可夫大数定律
对随机变量序列{Xn},若
1 n2
Var (
n i1
Xi)
0
,成立,则{Xn}服从大数定律,即对任意
即 X n Yn P X Y 成立。
(2)先证
X
2 n
P
X
2
,∀ε>0,δ>0,取
M
足够大(譬如ε/M≤1),使有
P{|X|
>(M-1)/2}<δ成立,对于选择的 M,∃N,当 n>N 时,有
P{|Xn-X|≥1}≤P{|Xn-X|≥ε/M}<δ
此时
P{| X n X | M } P{| X n X | | 2X | M } P({| X n X | | 2X | M } I {| X n X | 1}) P({| X n X | | 2X | M }I | X n X | 1) P{| 2X | M 1} P{| X n X | 1} 2
U P( X
Y)
概率论与数理统计课件:极限定理

n
n k 1
1 n
P
即 X k
n k 1
极限定理
首页 返回 退出
1 n
1 n
1 n
证: E ( X k ) E ( X k )
n k 1
n k 1
n k 1
1 n
1
D( X k ) 2
n k 1
n
n
1
1 2
2
D ( X k ) 2 n
极限定理
第一节 大数定律
第二节 中心极限定理
极限定理
首页 返回 退出
第一节 大数定律
一、问题的背景
二、随机变量序列的收敛性
三、常用的大数定律
极限定理
首页 返回 退出2
§5.1
大数定律
5.1.1 问题的背景
在实践中,人们发现,在随机现象的大量重复
出现中,往往呈现出必然的规律性. 即,要从随机现
象中去寻求规律,应该在相同的条件下观察大量重
就会得到
σ= −
~ ,
即独立同分布随机变量的算术平均近似地服从正态
分布,这是大样本统计推断的理论基础。
极限定理
首页 返回 退出
例2 已知某高校的在校学生数服从泊松分布,期望
为100.现开设一门公共选修课,按规定,选课人数超过
120人(含120人)就需分两个班授课,否则就一个班上
=1−
24
=0.0228
24
= 0.9772 = 2
∴ =12
84 − 72
60 − 72
60 ≤ ≤ 84 =
依概率收敛和依分布收敛

依概率收敛和依分布收敛在概率论和数理统计中,依概率收敛和依分布收敛是两个重要的概念。
它们是用来描述随机变量序列的收敛性质的。
本文将详细介绍这两个概念的定义、特点及其在实际应用中的意义。
一、依概率收敛依概率收敛是指在概率意义下,随机变量序列Xn收敛于随机变量X的概率趋于1。
形式化的表示为:当n趋向于无穷大时,P(|Xn-X|>=ε)→0其中,ε>0是一个任意给定的正数。
以下是对这个定义的解释:- 在数学语言中,“P(|Xn-X|>=ε)”表示Xn与X之间的距离大于等于ε的概率。
- 在一般情况下,当n趋向无穷大时,Xn与X越来越接近,因此“P(|Xn-X|>=ε)”越来越小。
- 依概率收敛的定义是独立于分布的,也就是说,在随机变量的分布不同的情况下,只要满足上述条件,就可以说Xn依概率收敛于X。
二、依分布收敛依分布收敛是指当n趋向于无穷大时,随机变量序列Xn的分布函数Fn(x)收敛于X的分布函数F(x)。
形式化的表示为:当n趋向于无穷大时,Fn(x)→F(x),对于F(x)的任意一个连续点x。
- 在数学语言中,“Fn(x)→F(x)”表示Fn(x)越来越接近于F(x)。
- 依分布收敛的定义是与随机变量的取值无关的,它只关注于随机变量的分布函数。
- 由于随机变量的分布可以是不同的,因此不能像依概率收敛那样简单地将它们放在一起比较,必须先将它们转换成分布函数的形式,然后再进行比较。
依概率收敛和依分布收敛是两种不同的收敛方式,但它们之间存在着一定的联系,可以通过下面的命题来描述它们之间的关系:如果随机变量序列Xn依概率收敛于随机变量X,则序列Xn也必定依分布收敛于X。
命题的证明需要使用Helly定理,这里不作赘述。
但需要注意的是,反过来则不成立,即随机变量序列Xn依分布收敛于随机变量X并不能推出Xn依概率收敛于X。
依概率收敛和依分布收敛可以用来判断概率极限定理的应用条件,从而给出概率极限的结果。
概率论与数理统计第四章第四节 大数定理与中心极限定理

第四节 大数定理与中心极限定理概率论与数理统计是研究随机现象统计规律性的学科. 而随机现象的规律性在相同的条件下进行大量重复试验时会呈现某种稳定性. 例如, 大量的抛掷硬币的随机试验中, 正面出现频率; 在大量文字资料中, 字母使用频率; 工厂大量生产某种产品过程中, 产品的废品率等. 一般地, 要从随机现象中去寻求事件内在的必然规律, 就要研究大量随机现象的问题.在生产实践中, 人们还认识到大量试验数据、测量数据的算术平均值也具有稳定性. 这种稳定性就是我们将要讨论的大数定律的客观背景. 在这一节中,我们将介绍有关随机变量序列的最基本的两类极限定理----大数定理和中心极限定理.教学目标:了解大数定理与中心极限定理。
教学重点:大数定理与中心定理。
教学难点:中心定理。
教学内容:一、依概率收敛与微积分学中的收敛性的概念类似, 在概率论中, 我们要考虑随机变量序列的收敛性.定义1 设 ,,,,21n X X X 是一个随机变量序列, a 为一个常数,若对于任意给定的正数ε,有 ,1}|{|lim =<-∞→εa X P n n 则称序列 ,,,,21n X X X 依概率收敛于a , 记为).(∞→−→−n a X Pn定理1 设,,b Y a X Pn P n −→−−→−又设函数),(y x g 在点),(b a 连续, 则),(),(b a g Y X g Pn n −→−.二、切比雪夫不等式定理2设随机变量X 有期望μ=)(X E 和方差2)(σ=X D ,则对于任给0>ε, 有22}|{|εσεμ≤≥-X P .上述不等式称切比雪夫不等式.注:(i) 由切比雪夫不等式可以看出,若2σ越小, 则事件}|)({|ε<-X E X的概率越大, 即, 随机变量X 集中在期望附近的可能性越大. 由此可见方差刻划了随机变量取值的离散程度.(ii) 当方差已知时,切比雪夫不等式给出了X 与它的期望的偏差不小于ε的概率的估计式.如取,3σε= 则有.111.09}3|)({|22≈≤≥-σσσX E X P故对任给的分布,只要期望和方差2σ存在, 则随机变量X 取值偏离)(X E 超过σ3的概率小于0.111.三、大数定理1.切比雪夫大数定律定理3 (切比雪夫大数定律)设 ,,,,21n X X X 是两两不相关的随机变量序列,它们数学期望和方差均存在, 且方差有共同的上界, 即,,2,1,)( =≤i K X D i 则对任意0>ε, 有1)(11lim 11=⎪⎭⎪⎬⎫⎪⎩⎪⎨⎧<-∑∑==∞→εn i i n i i n X E n X n P 注: 定理表明: 当n 很大时,随机变量序列}{n X 的算术平均值∑=ni i X n 11依概率收敛于其数学期望∑=ni i X E n 1)(1.2.伯努利大数定理定理4 (伯努利大数定律)设A n 是n 重伯努利试验中事件A 发生的次数, p 是事件A 在每次试验中发生的概率, 则对任意的0>ε, 有1lim =⎭⎬⎫⎩⎨⎧<-→∞εp n n P A n 或 0l i m =⎭⎬⎫⎩⎨⎧≥-→∞εp n n P A n . 注:(i) 伯努利大数定律是定理1的推论的一种特例, 它表明: 当重复试验次数n 充分大时, 事件A 发生的频率nn A依概率收敛于事件A 发生的概率p .定理以严格的数学形式表达了频率的稳定性. 在实际应用中, 当试验次数很大时,便可以用事件发生的频率来近似代替事件的概率.(ii) 如果事件A 的概率很小,则由伯努利大数定律知事件A 发生的频率也是很小的,或者说事件A 很少发生. 即“概率很小的随机事件在个别试验中几乎不会发生”,这一原理称为小概率原理,它的实际应用很广泛. 但应注意到,小概率事件与不可能事件是有区别的. 在多次试验中,小概率事件也可能发生.3.辛钦大数定理 定理5 (辛钦大数定律) 设随机变量 ,,,,21n X X X 相互独立, 服从同一分布,且具有数学期望,,2,1,)( ==i X E i μ 则对任意0>ε, 有11lim 1=⎭⎬⎫⎩⎨⎧<-∑=∞→εμn i i n X n P . 注: (i) 定理不要求随机变量的方差存在;(ii) 伯努利大数定律是辛钦大数定律的特殊情况;(iii) 辛钦大数定律为寻找随机变量的期望值提供了一条实际可行的途径. 例如, 要估计某地区的平均亩产量, 可收割某些有代表性的地块, 如n 块,计算其平均亩产量, 则当n 较大时,可用它作为整个地区平均亩产量的一个估计. 此类做法在实际应用中具有重要意义.四、中心极限定理在实际问题中, 许多随机现象是由大量相互独立的随机因素综合影响所形成, 其中每一个因素在总的影响中所起的作用是微小的. 这类随机变量一般都服从或近似服从正态分布. 以一门大炮的射程为例, 影响大炮的射程的随机因素包括: 大炮炮身结构的制造导致的误差, 炮弹及炮弹内炸药在质量上的误差, 瞄准时的误差, 受风速、风向的干扰而造成的误差等. 其中每一种误差造成的影响在总的影响中所起的作用是微小的, 并且可以看成是相互独立的, 人们关心的是这众多误差因素对大炮射程所造成的总影响. 因此需要讨论大量独立随机变量和的问题.中心极限定理回答了大量独立随机变量和的近似分布问题, 其结论表明: 当一个量受许多随机因素(主导因素除外) 的共同影响而随机取值, 则它的分布就近似服从正态分布.1.林德伯格—勒维定理定理6 (林德伯格—勒维) 设 ,,,,21n X X X 是独立同分布的随机变量序列, 且,,,2,1,)(,)(2n i X D X E i i ===σμ则 ⎰∑∞--=∞→=⎪⎪⎭⎪⎪⎬⎫⎪⎪⎩⎪⎪⎨⎧≤-x t n i i n dt e x n n X P 2/1221lim πσμ 注: 定理6表明: 当n 充分大时, n 个具有期望和方差的独立同分布的随机变量之和近似服从正态分布. 虽然在一般情况下, 我们很难求出n X X X +++ 21的分布的确切形式, 但当n 很大时, 可求出其近似分布. 由定理结论有.1),/,(~)1,0(~/1)1,0(~1211∑∑∑====⇒-⇒-n i i ni i ni i X n X n N X N nX n N n n X σμσμσμ近似近似故定理又可表述为: 均值为μ, 方差的02>σ的独立同分布的随机变量 ,,,,21n X X X 的算术平均值X , 当n 充分大时近似地服从均值为μ,方差为n /2σ的正态分布. 这一结果是数理统计中大样本统计推断的理论基础.2. 棣莫佛—拉普拉斯定理在第二章中,作为二项分布的正态近似,我们曾经介绍了棣莫佛—拉普拉斯定理,这里再次给出,并利用上述中心极限定理证明之.定理7(棣莫佛—拉普拉斯定理)设随机变量n Y 服从参数p n ,)10(<<p 的二项分布, 则对任意x , 有)(21)1(lim 22x dt e x p np np Y P x tn n Φ==⎪⎭⎪⎬⎫⎪⎩⎪⎨⎧≤--⎰∞--∞→π注: 易见,棣莫佛—拉普拉斯定理就是林德伯格—勒维定理的一个特殊情况.3.用频率估计概率的误差设n μ为n 重贝努里试验中事件A 发生的频率, p 为每次试验中事件A 发生的概率,,1p q -=由棣莫佛—拉普拉斯定理,有⎪⎭⎪⎬⎫⎪⎩⎪⎨⎧<-<-=⎭⎬⎫⎩⎨⎧<-pq n npqnp pq nP p n P n n εμεεμ .12-⎪⎪⎭⎫ ⎝⎛Φ=⎪⎪⎭⎫ ⎝⎛-Φ-⎪⎪⎭⎫ ⎝⎛Φ≈pq n pq n pq n εεε这个关系式可用解决用频率估计概率的计算问题:4. 李雅普诺夫定理定理8(李雅普诺夫定理) 设随机变量 ,,,,21n X X X 相互独立, 它们具有数学期望和方差: ,2,1,0)(,)(2=>==i X D X E kk k k σμ,记.122∑==nk k nB σ 若存在正数δ, 使得当∞→n 时,,0}|{|1122→-∑=++nk k knXE Bδδμ则随机变量之和∑=n k k X 1的标准化变量:nnk kn k kn k k n k k nk k n B X X D X E X Z ∑∑∑∑∑=====-=⎪⎪⎭⎫ ⎝⎛⎪⎪⎭⎫ ⎝⎛-=11111μ的分布函数)(x F n 对于任意x , 满足).(21lim )(lim 2/112x dt e x B X P x F x t n n k k n k k n n n Φ==⎪⎭⎪⎬⎫⎪⎩⎪⎨⎧≤-=⎰∑∑∞--==∞→∞→πμ注:定理8表明, 在定理的条件下, 随机变量.11nnk kn k kn B X Z ∑∑==-=μ当n 很大时,近似地服从正态分布)1,0(N . 由此, 当n 很大时,∑∑==+=nk k n n nk k Z B X 11μ近似地服从正态分布⎪⎪⎭⎫ ⎝⎛∑=21,n n k k B N μ.这就是说,无论各个随机变量),2,1( =k X k 服从什么分布,只要满足定理的条件,那么它们的和∑=nk k X 1当n 很大时,就近似地服从正态分布.这就是为什么正态随机变量在概率论中占有重要地位的一个基本原因.在很多问题中,所考虑的随机变量可以表示成很多个独立的随机变量之和,例如,在任一指定时刻,一个城市的耗电量是大量用户耗电量的总和;一个物理实验的测量误差是由许多观察不到的、可加的微小误差所合成的,它们往往近似地服从正态分布.例题选讲:切比雪夫不等式例1(讲义例1)在每次试验中, 事件A发生的概率为0.75, 利用切比雪夫不等式求: 事件A出现的频率在0.74~0.76之间的概率至少为0.90?中心极限定理例2(讲义例2) 一盒同型号螺丝钉共有100个,已知该型号的螺丝钉的重量是一个随机变量,期望值是100g标准差是10g, 一盒螺丝钉的重量超过10.2kg的概率.例3 (讲义例3)计算机在进行数学计算时,遵从四舍五入原则。
罗伊等式 谢泼德引理 霍特林定理

一、罗伊等式罗伊等式是一个重要的数学定理,它在概率论与数理统计中得到广泛应用。
罗伊等式描述了随机变量的期望和方差之间的关系,它为我们理解随机变量的性质提供了重要的数学工具。
在概率论中,随机变量的期望是该随机变量所有可能取值的加权平均值,它是描述随机变量中心位置的指标。
而方差则是度量随机变量离散程度的指标,它描述了随机变量取值与其期望之间的离散程度。
根据罗伊等式,对于任意两个随机变量X和Y,它们的联合方差可以表示为:Var(X+Y) = Var(X) + Var(Y) + 2 Cov(X, Y)其中Var(X+Y)表示X和Y的和的方差,Var(X)和Var(Y)分别表示X 和Y的方差,Cov(X, Y)表示X和Y的协方差。
这个等式告诉我们,两个随机变量的和的方差等于它们各自的方差之和再加上它们之间的协方差。
这个关系在实际问题中具有重要的应用价值,它可以帮助我们理解随机变量之间的关系,为我们分析和建立数学模型提供了重要的数学工具。
二、谢泼德引理谢泼德引理是概率论中一个重要的引理,它被广泛应用于随机过程和随机演化方程的研究中。
谢泼德引理描述了随机过程中的随机积分与积分上确界的关系,它为我们理解随机过程的性质提供了重要的数学工具。
在随机过程的研究中,我们经常需要研究随机积分的性质。
而随机积分的性质通常受到样本轨道的影响,因此难以直接研究。
谢泼德引理告诉我们,对于一类特定的随机过程,当时间参数趋于无穷大时,随机积分的平均收敛性和积分上确界之间存在着简单的关系。
具体来说,谢泼德引理表明了当时间参数趋于无穷大时,随机积分的平均收敛到积分上确界的概率为1。
这个引理的应用非常广泛,它在金融工程、信号处理、控制理论等领域都得到了广泛的应用,为我们分析和研究随机过程提供了重要的数学工具。
三、霍特林定理霍特林定理是概率论中的一个重要定理,它用于描述随机变量序列的收敛性。
在概率论与数理统计中,我们经常需要研究随机变量序列的极限性质,而霍特林定理为我们理解随机变量序列的极限性质提供了重要的数学工具。
随机变量收敛性的一个充分条件

随机变量收敛性的一个充分条件太原教育学院2000年第2期;7随机变量收敛性的一个充要条件塑D『(阳泉市tt育学院,山西阳泉045007)摘要:通过研完随机韭量牧敏性的定叉.探讨随机韭量序列以概率1收敏与衷概率收敏的等侪条件,给出了随机变量收敏的一十定理随机韭量序列(En)单调下降取正值.别若p.En—E必有En三—二{.f1I美犍词随机变羞;收敛I;概率;要备件中圈分类号:O2115文献标识码:A文章编号:lOO8—8601(2000)02~0D36一O2随机变量收敛性阚题是研究随机变量极限理论的关键,在一般的概率论与数理统计书中都给出了收敛性的四种定义.即(1)随机变量序列{n依概率收敛于随机变量∈,(∈n一∈).(2)随机变量序列∈n依概率1收敛于随机变量∈,(∈).(3)随机变量序列∈n依分布收敛于∈(∈ne).(4)随机变量序列∈n阶收敛于∈,(∈n一∈).且它们之间有如下关系: I以概率l\圜一圈厂l些篁J’l些篁Jl收敛l由上可知;若随机变量序列∈n以概率l收敛于e,则能推出随机变量序列∈n依概率收敛于∈,反之不成立.aP:若∈n三∈,则必有∈n∈,若∈n—e,则未必有∈n.二∈,有反例说明:例取n=(O,l3w是包含(0,1]中一切左开右闭区间的事件域,P是定义在w上的概率,满足:P{(ab3)一b—a.定义随机变量序列;】一lfl当w∈(.,吉]一10当∈(,1]当w∈(÷,1]fo当w∈(o,吉]1k2一,.1当w∈(去,1]一般地:将(o,1]分成等长的k个区间,令;fl当w∈(Ti--I,士]10当,士]当w∈(,亡](i=1,2,…k,k=1,2…)则对任意给定的E>O,有P(【,E}≤亡?考虑随机变量序列:一l,=l,毛=1一1……由于,,……,是一随机变量序列,可得:limPfI≥eJ=0p即:∈——一0然而对任一指定的w.∈0,数列{e(w.)) 中有无穷多个1,无穷多个0,由柯西收敛原理知{(w.))发散,所以{)不几乎处处收敛于0,即不以概率1收敛.本文想就随机变量序列以概率l收敛与依概率收敛寻找一个等价条件,使得在此条件下若随机变量序列∈依概率收敛于e,则必有随机变量序列概率1收敛于e,这就是下面的定理.[定理]设随机变量序列{}单调下降取正值,则有:若ee,必有∈三∈.为证明定理先给出几个引理.引理1随机变量序列,∈.,…,,…以概率l收敛于e,当且仅当…1P(UUN{I一eI<去))一1引理2随机变量序列e,ez,…,,…以概率1收敛于e,当且仅当:对任意的E>0,有:P(Un{I一eI<E))一1引理3随机变量序列e,,…,,…以概率1收敛于e的充要条件是:对任意的E>0,有limP(U{I一e『≥E))一0引理4若随机变量序列,e.,…,.._?,对任意的E>0满足25P{l一eI≥E)<..则随机变量序列e,,…,en,…以概率1 收敛于随机变量e.注:所有引理的证明均略.下面证明定理:r因为单调下降且取正值,D而又有e—则有:I∈一ef≥E}一{e一e>∈)由此可得P{{一e≥”一P{A}其中A{一e≥e)上式为;P{N,A)恕P(A)一llmP(U{en—e二≥E})≤1i∑PfEI—e≥∈)而由于●∈,可知P{一∈≥E)~一0(n—o.)故1im∑P{一e≥E)=0N…N即:P(NU{en—e≥EJ)≤0h=N由此可得:P(nU{一e≥£)):0—in—H即:P(NU{—e<E})=l故以概率1收敛于∈,定理得证. 参考文献:[1]罔概窑.概率论与数理统计.[2]魏索舒.概率论与数理统计教程. 一37。
- 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)。
P
L
定理 4.3.2 如果 X n X ,则必有 X n X .
11
证明:
设随机变量 X n 的分布函数为 Fn x , n 1, 2, 3, ;
L
随机变量 X 的分布函数为 Fx.为证 Xn X ,只须证明:
对所有的 x ,有
F
x
0
lim
n
Fn
x
lnimFn
x
F
x
0.
因为如果上式成立,则当 x 是分布函数 Fx 的连续点时,有
对于任意的 0 ,有
lim P
n
Xn X 1,
则称随机变量序列 X n依概率收敛于随机变量 X .
2
我们知道任何一个随机变量都有分布函数,而且分布函数全 面地描述了随机变量的统计规律.因此讨论一个分布函数序列
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
如下定义:
7
定义 4.3.2 设 X n是一个随机变量序列, X 是一个随机变
量, Fn x是 X n 的分布函数, Fx 是 X 的分布函数,如果对于
Fx任意连续点 x ,有
nli m Fn x Fx,
(4.3.2)
则称分布函数序列 Fn x弱收敛于分布函数 Fx,记作
W
Fn x Fx n .
P
不能推出 X n X .见下例.
16
例 4.3.2 设随机变量 X 的分布列为
PX 1 1 , X 1 1 .
2
2
再令 X n X ,n 1, 2, 3, .则随机变量 X n 与
L
随机变量 X 有相同的分布函数,因此 X n X .
17
但是对于任意的 0 2 ,由于
P Xn X P2 X 1,
Fx 0 Fx 0.因此有
W
Fn x Fx .
12
首先令 x x ,则由
X x X x, X n x X x, X n x
Xn x Xn X x x 得 Fx PX x PXn x P Xn X x x
Fn x P Xn X x x
13
P
由于 X n X ,所以当 n 时,有
(4.3.3)
此时也称随机变量序列 X n依分布收敛于随机变量 X ,记作
L
Xn X ,
n .
(4.3.4)8
注:以上定义的“弱收敛”是自然的,因为它
比在每一点上都收敛的要求的确“弱”了些.如
果 Fx 是 连 续 函 数 , 则 对 于 任 意 的 x , 有
lim
n
Fn
x
F
x
,此时分布函数序列
P Xn X x x 0,
(因为 x x 0).所以有
再令 x x ,得
Fx lim Fn x. n
Fx 0 lim Fn x n
14
同理可证,当 x x 时,有
lnimFn x Fx. 再令 x x ,得 lnimFn x Fx 0 .
因此定理得证.
15
L
注:本定理的逆命题不成立,即如果 X n X ,
g x
0 1
x0 . x0
但是 gx 并不是分布函数.本例告诉我们,要求分布函
数序列 Fn x点点收敛于一个分布函数 Fx 是有些太
苛刻了.
6
再仔细分析本例,我们发现 x 0 恰好是分
布函数 Fx的间断点,而除了这个间断点外, 分 布 函 数 序 列 Fn x 都 是 收 敛 于 分 布 函 数 Fx 的 . 因 此 我 们 可 以 将 分 布 函 数 序 列 Fn x收敛于分布函数 Fx 的定义修改成为
Fn
x
点点
收敛于分布函数 Fx.
9
在上述定义中,对分布函数序列 Fn x称为弱收敛,而 对其随机变量序列 X n。则称为按分布收敛,这是在两
种不同的场合给出的两个不同的名称,但是本质含义是一
样的,都要求在 Fx的连续点上有(4.3.2)式.
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.
L
要条件是 X n C .
20
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
21
所以对于任意的 0 ,有
P Xn C P Xn C P Xn C
P
Xn
C
2
P
即
lim P
n
Xn X 0 ,这表明 X n 并不依
概率收敛于 X .
18
以上的例子说明,一般按分布收敛与依概 率收敛是不等价的.而下面的定理则说明: 当极限随机变量为常数(服从退化分布)时, 按分布收敛与依概率收敛是等价的.
19
P
定理 4.3.3 若 C 为常数,则 X n C 的充
而遗憾的是,这样的要求有些太严格了.
3
例 4.3.1 设 X n 服从如下的退化分布:
P
X
n
1
n
1,
n 1, 2, .
这样的 X n n 1, 2, 3, 组成了一个随机变量序列
X n.记 Fn x为随机变量 X n 的分布函数,则有
Fn
x
0
1
x 1 n.
x 1
n
4
由于
xn
1 n
定义 4.3.1 设X n是一个随机变量序列,X 是一个随机
变量,如果对于任意的 0 ,有
lim P
n
Xn X
0,
(4.3.1)
则称随机变量序列 X n依概率收敛于随机变量 X ,记作
P
Xn X ,
n .
1
注:依概率收敛的等价命题:
设 X n是一个随机变量序列, X 是一个随机变量,如果
Xn
C
1
FnHale Waihona Puke C2Fn C
.
由于 x C 与 x C 都是分布函数 Fx的连续点,并且由
2
W
于 Fn x Fx ,
22
所以,
lim
n
Fn
C
2
F
C
2
1
,
lim
n
Fn
C
F
C
0
.
因此,
0 lim P n
Xn C
lim 1 n
Fn
C
2
Fn
C
1
1
0
0
,
P
即
lim P
是函数
Fn x的跳跃型间断点,所以当 n
时,间断点
xn
1 n
0
x0
.那么,分布函数序列 Fn x是否会收敛于分布函
数
F
x
0 1
x0 . x0
但是我们看到,对于任意的
n
,
Fn
0
0
,所以
lim
n
Fn
0
0
,然而
F0 1,所以,
lim
n
Fn
0
0
1
F
0
.
5
这表明,分布函数序列Fn x并不点点收敛于分布函数 Fx.事实上,分布函数序列Fn x点点收敛于 gx :