這篇文章需要上一篇文章的基礎。
順便一提,之前偶然翻了一下工科的機率論課本,發現中心極限定理的形式是
雖然內容沒錯,但是形式也太醜了吧……並且也不方便深入的理解。如果知道了依分佈收斂的概念的話,上面的內容其實就是一個依分佈收斂而已。
對於隨機變數序列
,我們在本文中介紹大數律。大數律又分為弱大數律和強大數律,分別對應著不同的收斂模式。
事實上,大數律是非常容易理解的。令人感到驚奇的是,在公理化機率論的體系下,這些看似是“人類的直覺”的內容,居然可以得到完美的證明。
本文內容
弱大數律
對弱大數律的初步研究
利用特徵函式研究弱大數律
強大數律
一、弱大數律
首先給出隨機變數序列服從弱大數律的定義。
定義1
設
是機率空間
上的隨機變數,記
,若存在實數序列
,正數序列
,使得
則稱
服從弱大數律
,其中
稱為中心化數列,
稱為正則化數列。若
,則通常取
,
。
需要注意的是,我們並不是說所有的隨機變數都服從弱大數律,只是在這裡給出了隨機變數“可能”滿足的一個性質。
1.1 對弱大數律的初步研究
為了證明一些常用的弱大數律相關的定理,在這裡需要先講一個著名的不等式。
命題1(Chebyshev不等式)
設
是機率空間
上的隨機變數,
單調遞增,若
,則對任意的使得
的正數
,都有
該不等式的證明需要對隨機變數
作一個截斷,留給讀者思考。另外,Chebyshev不等式的兩種形式非常常見。若
,取
得
特別地,如果對
進行中心化,並取
,可得
藉助該不等式,可以得到兩個重要的定理
定理1(Markov弱大數律)
若
,
,則有
證明
對任意的
,根據Chebyshev不等式得
也即
。
定理2(Chebyshev弱大數律)
若
兩兩獨立,
,且存在
,使得
,則有
證明
根據
知
,因此
,根據Markov弱大數律知
。
1.2 利用特徵函式研究弱大數律
在上面的情況中,都要求隨機變數序列是二次可積的,這是一個比較強的要求。而特徵函式的引入,使得弱大數律的研究更加容易,也可以將隨機變數的要求放得更松。
首先,根據依機率收斂和依分佈收斂之間的關係,
當且僅當
,再依據連續性定理得到其等價命題為
從而,弱大數律的研究可以利用特徵函式的計算。
其次,我們還需要對隨機變數加一定的要求,一個很常用的要求就是“獨立同分布”,其含義是隨機變數序列
是相互獨立的,並且滿足相同的分佈。通常,獨立同分布可以記作
。
在上面的鋪墊之後,我們給出Khinchin弱大數律的內容。
定理3(Khinchin弱大數律)
若
,且
,
,
,則有
證明
計算得
因此
。
Khinchin弱大數律看似複雜,但是理解起來非常容易。
假設我們進行
次獨立重複實驗,比如測量某個人的身高,並將第
次測量的結果記作
,則
獨立同分布。如果再進一步,有
的期望都存在的話,例如假設每次測量的期望就是身高的真實值
,則在經過了充分多次的測量之後,將測量的結果取平均,得到的結果就會接近真實值
。
二、強大數律
定義2
設
是機率空間
上的隨機變數,記
,若存在實數序列
,正數序列
,使得
則稱
服從強大數律
,其中
稱為中心化數列,
稱為正則化數列。
強大數律和弱大數律很像,只是收斂模式更強一些。同時,強大數律的研究相對比較複雜,在這裡直接列舉一些重要的結論。
首先是Khinchin弱大數律的一個推廣形式,被稱為Kolmogorov強大數律。需要注意的是,在機率空間中,幾乎必然收斂蘊含了依機率收斂,因此Kolmogorov強大數律蘊含了Khinchin弱大數律。
定理4(Kolmogorov強大數律)
若
,則
當且僅當
,
,
。
另外,如果把條件變為
,其中
,也會有類似的結論。
定理5(Marcinkiewicz強大數律)
若
,則
當且僅當
,且
由於證明比較複雜,感興趣的讀者可以自行驗證或查閱文獻。