弱大数定律
随机变量序列
ξ
1
,
.
.
.
,
ξ
n
,
.
.
.
\xi_1,...,\xi_n,...
ξ1,...,ξn,...,令
η
n
=
1
n
∑
i
=
1
n
ξ
i
\eta_n=\frac{1}{n}\sum_{i=1}^n\xi_i
ηn=n1∑i=1nξi,如果存在常数序列
a
1
,
.
.
.
,
a
n
,
.
.
.
a_1,...,a_n,...
a1,...,an,...,对任意的
ϵ
>
0
\epsilon>0
ϵ>0,恒有
lim
n
→
∞
P
(
∣
η
n
−
a
n
∣
<
ϵ
)
=
1
\lim_{n\rightarrow\infty}P(|\eta_n-a_n|<\epsilon)=1
n→∞limP(∣ηn−an∣<ϵ)=1
则称序列
{
ξ
n
}
\{\xi_n\}
{ξn}服从大数定律。
1. 切比雪夫大数定律
随机变量序列
ξ
1
,
.
.
.
,
ξ
n
,
.
.
.
\xi_1,...,\xi_n,...
ξ1,...,ξn,...两两不想关,每一随机变量均有有限的方差,且有公共上界
D
ξ
1
≤
C
,
D
ξ
2
≤
C
,
.
.
.
,
D
ξ
n
≤
C
,
.
.
.
.
D\xi_1\leq C,D\xi_2\leq C,...,D\xi_n\leq C,....
Dξ1≤C,Dξ2≤C,...,Dξn≤C,....
则对任意
ϵ
>
0
\epsilon>0
ϵ>0,有
lim
n
→
∞
P
(
∣
1
n
∑
i
=
1
n
ξ
i
−
1
n
∑
i
=
1
n
E
ξ
i
∣
<
ϵ
)
=
1
\lim_{n\rightarrow\infty}P(|\frac{1}{n}\sum_{i=1}^n\xi_i-\frac{1}{n}\sum_{i=1}^nE\xi_i|<\epsilon)=1
n→∞limP(∣n1i=1∑nξi−n1i=1∑nEξi∣<ϵ)=1
即
η
n
=
1
n
∑
i
=
1
n
ξ
i
→
P
E
η
n
\eta_n=\frac{1}{n}\sum_{i=1}^n\xi_i\xrightarrow{P}E\eta_n
ηn=n1∑i=1nξiPEηn
2. 马尔可夫大数定律
随机变量序列
ξ
1
,
.
.
.
,
ξ
n
,
.
.
.
\xi_1,...,\xi_n,...
ξ1,...,ξn,...若满足
1
n
2
D
(
∑
k
=
1
n
ξ
k
)
→
0
\frac{1}{n^2}D(\sum_{k=1}^n\xi_k)\rightarrow0
n21D(k=1∑nξk)→0
则对任意
ϵ
>
0
\epsilon>0
ϵ>0,有
lim
n
→
∞
P
(
∣
1
n
∑
i
=
1
n
ξ
i
−
1
n
∑
i
=
1
n
E
ξ
i
∣
<
ϵ
)
=
1
\lim_{n\rightarrow\infty}P(|\frac{1}{n}\sum_{i=1}^n\xi_i-\frac{1}{n}\sum_{i=1}^nE\xi_i|<\epsilon)=1
n→∞limP(∣n1i=1∑nξi−n1i=1∑nEξi∣<ϵ)=1
即
η
n
=
1
n
∑
i
=
1
n
ξ
i
→
P
E
η
n
\eta_n=\frac{1}{n}\sum_{i=1}^n\xi_i\xrightarrow{P}E\eta_n
ηn=n1∑i=1nξiPEηn
3. 伯努利大数定律
设
μ
n
\mu_n
μn是
n
n
n次伯努利试验中事件A出现的次数,而
p
p
p是事件A在每次试验中出现的概率,则对任意
ϵ
>
0
\epsilon>0
ϵ>0,都有
lim
n
→
∞
P
(
∣
μ
n
n
−
p
∣
<
ϵ
)
=
1
\lim_{n\rightarrow\infty}P(|\frac{\mu_n}{n}-p|<\epsilon)=1
n→∞limP(∣nμn−p∣<ϵ)=1
4. 泊松大数定律
如果在一个独立试验序列中,事件A在第k次试验中出现的概率等于
p
k
p_k
pk,记
μ
n
\mu_n
μn是
n
n
n次试验中事件A出现的次数,则对任意
ϵ
>
0
\epsilon>0
ϵ>0,都有
lim
n
→
∞
P
(
∣
μ
n
n
−
p
1
+
.
.
.
+
p
n
n
∣
<
ϵ
)
=
1
\lim_{n\rightarrow\infty}P(|\frac{\mu_n}{n}-\frac{p_1+...+p_n}{n}|<\epsilon)=1
n→∞limP(∣nμn−np1+...+pn∣<ϵ)=1
5. 辛钦大数定律
随机变量序列
ξ
1
,
.
.
.
,
ξ
n
,
.
.
.
\xi_1,...,\xi_n,...
ξ1,...,ξn,...相互独立,服从相同的分布,且具有有限的期望
μ
=
E
ξ
n
\mu=E\xi_n
μ=Eξn,则对任意
ϵ
>
0
\epsilon>0
ϵ>0,有
lim
n
→
∞
P
(
∣
1
n
∑
i
=
1
n
ξ
i
−
μ
∣
<
ϵ
)
=
1
\lim_{n\rightarrow\infty}P(|\frac{1}{n}\sum_{i=1}^n\xi_i-\mu|<\epsilon)=1
n→∞limP(∣n1i=1∑nξi−μ∣<ϵ)=1
即
η
n
=
1
n
∑
i
=
1
n
ξ
i
→
P
μ
\eta_n=\frac{1}{n}\sum_{i=1}^n\xi_i\xrightarrow{P}\mu
ηn=n1∑i=1nξiPμ
强大数定律
独立随机变量序列
ξ
1
,
.
.
.
,
ξ
n
,
.
.
.
\xi_1,...,\xi_n,...
ξ1,...,ξn,...若满足
η
n
=
1
n
∑
i
=
1
n
ξ
i
→
a
.
s
.
E
η
n
\eta_n=\frac{1}{n}\sum_{i=1}^n\xi_i\xrightarrow{a.s.}E\eta_n
ηn=n1∑i=1nξia.s.Eηn,即
P
(
lim
n
→
∞
1
n
∑
i
=
1
n
(
ξ
i
−
E
ξ
i
)
=
0
)
=
1
P(\lim_{n\rightarrow\infty}\frac{1}{n}\sum_{i=1}^n(\xi_i-E\xi_i)=0)=1
P(n→∞limn1i=1∑n(ξi−Eξi)=0)=1
则称它满足强大数定律。
1. 博雷尔强大数定律
设
μ
n
\mu_n
μn是
n
n
n次独立试验中事件A出现的次数,而在每次试验中事件A出现的概率是
p
p
p,则
P
(
lim
n
→
∞
μ
n
n
=
p
)
=
1
P(\lim_{n\rightarrow\infty}\frac{\mu_n}{n}=p)=1
P(n→∞limnμn=p)=1
2. 柯尔莫哥洛夫强大数定律
独立随机变量序列
ξ
1
,
.
.
.
,
ξ
n
,
.
.
.
\xi_1,...,\xi_n,...
ξ1,...,ξn,...,若满足
∑
i
=
1
n
D
ξ
i
n
2
<
∞
\sum_{i=1}^n\frac{D\xi_i}{n^2}<\infty
i=1∑nn2Dξi<∞
则
P
(
lim
n
→
∞
1
n
∑
i
=
1
n
(
ξ
i
−
E
ξ
i
)
=
0
)
=
1
P(\lim_{n\rightarrow\infty}\frac{1}{n}\sum_{i=1}^n(\xi_i-E\xi_i)=0)=1
P(n→∞limn1i=1∑n(ξi−Eξi)=0)=1
随机变量序列
ξ
1
,
.
.
.
,
ξ
n
,
.
.
.
\xi_1,...,\xi_n,...
ξ1,...,ξn,...相互独立同分布,则
1
n
(
ξ
1
+
.
.
.
+
ξ
n
)
→
a
.
s
.
a
\frac{1}{n}(\xi_1+...+\xi_n)\xrightarrow{a.s.}a
n1(ξ1+...+ξn)a.s.a
成立的充要条件是
E
ξ
i
E\xi_i
Eξi存在且等于
a
a
a。
中心极限定理
独立随机变量序列
ξ
1
,
.
.
.
,
ξ
n
,
.
.
.
\xi_1,...,\xi_n,...
ξ1,...,ξn,...,假定
E
ξ
i
E\xi_i
Eξi及
D
ξ
i
D\xi_i
Dξi存在,令
ζ
n
=
∑
i
=
1
n
ξ
i
−
∑
i
=
1
n
E
ξ
i
∑
i
=
1
n
D
ξ
i
\zeta_n=\frac{\sum_{i=1}^n\xi_i-\sum_{i=1}^nE\xi_i}{\sqrt{\sum_{i=1}^nD\xi_i}}
ζn=∑i=1nDξi∑i=1nξi−∑i=1nEξi
若
ζ
n
∼
N
(
0
,
1
)
\zeta_n\sim \mathcal{N}(0,1)
ζn∼N(0,1),即
lim
n
→
∞
P
(
ζ
n
<
x
)
=
1
2
π
∫
−
∞
x
e
−
t
2
/
2
d
t
\lim_{n\rightarrow\infty}P(\zeta_n<x)=\frac{1}{\sqrt{2\pi}}\int_{-\infty}^xe^{-t^2/2}dt
n→∞limP(ζn<x)=2π1∫−∞xe−t2/2dt
则称序列
{
ξ
n
}
\{\xi_n\}
{ξn}服从中心极限定理。
林德贝格-勒维中心极限定理
独立同分布随机变量序列
ξ
1
,
.
.
.
,
ξ
n
,
.
.
.
\xi_1,...,\xi_n,...
ξ1,...,ξn,...,假定
E
ξ
i
=
μ
E\xi_i=\mu
Eξi=μ及
D
ξ
i
=
σ
2
D\xi_i=\sigma^2
Dξi=σ2存在,且
0
<
σ
2
<
∞
0<\sigma^2<\infty
0<σ2<∞,令
ζ
n
=
∑
i
=
1
n
ξ
i
−
∑
i
=
1
n
E
ξ
i
∑
i
=
1
n
D
ξ
i
\zeta_n=\frac{\sum_{i=1}^n\xi_i-\sum_{i=1}^nE\xi_i}{\sqrt{\sum_{i=1}^nD\xi_i}}
ζn=∑i=1nDξi∑i=1nξi−∑i=1nEξi
则
ζ
n
∼
N
(
0
,
1
)
\zeta_n\sim \mathcal{N}(0,1)
ζn∼N(0,1)。
摘自:
概率论基础——李贤平