高等概率论(10月12日)

高等概率论(10月12日)

有界收敛定理

设$\mu(E)< \infty$，$supp(f_n)\subset E，f_n\mapsto^mf，|f_n(x)|\le M \ \ a.e.$ $\{ x\in E^c:|f(x)> \epsilon|\}\subset \{ x\in E^c:|f(x)-f_n|> \epsilon/2\}\bigcup \{ x\in E^c:|f_n(x)|> \epsilon/2\}$

期望的性质

$(\Omega,\mathcal{F},P)$ 随机变量$X$ 当$X\ge0$ 时，数学期望$E(X)=\int XdP$ 一般地，若$E(X^+)<\infty$或$E(X^-)<\infty$，期望$E(X)=E(X^+)-E(X^-)$ ，记为$\mu$.

期望的性质： 设$X,Y>0$ 或$E(X),E(Y)<\infty$

$$(i) \ \ \ \ \ E(X+Y)=E(X)+E(Y)\\ (ii) E(aX+bY)=aE(X)+bE(Y)\\ (iii)\ \ \ \ \ X\ge Y\Rightarrow E(X)\ge E(Y)\\ $$
其他重要性质，如Jensen，Holder不等式，Fatou引理，单调收敛与控制收敛定理.

记号$E(X;A)=\int _AXdP$，$A\in\mathcal{F}$

定理1.5.6：

设$\varphi: R\mapsto[0,\infty)$ 可测，$A\in\mathcal{F}$ ，记$i_A=inf\{ \varphi(y):y\in A\}$ 则

$$i_AP(X\in A)\le E(\varphi(X):X\in A)\le E(\varphi(A))$$
分析：
$$i_AI_{X\in A}\le \varphi(X)|_{\{X\in A \}}\le \varphi(X)$$
取期望，特例 $\varphi(X)=X^2， A=\{ X\in R:|X| \ge a\} a>0 \Rightarrow E(X^2)\ge a^2P(|X|\ge a)$ (Chebyshev不等式)

$\Leftrightarrow P(|X|\ge a) \le \frac{E(X^2)}{a^2}$

例1.5.2

$\varphi:R \mapsto[0,M]$ ，$a\in[0,M]$ ，$P(\varphi(X)\ge a)$

令 $A=\{\varphi(X)\ge a \}$ ，$\varphi(X)=\varphi(X)|_A +\varphi(X)|_{A^c} \le M|_A+a|_{A^c}$

取期望$E(\varphi(X))\le MP(\varphi(X)\ge a)+a(1-P(\varphi(X)\ge a)$

$\Rightarrow P(\varphi(X)\ge a) \ge \frac{E(\varphi(X))- a}{M-a}$

$(\Omega,\mathcal{F},P)，(S,\mathcal{S})，X:\Omega \mapsto S$ 可测

$X$ 可诱导上$(S,\mathcal{S})$概率测度，$\forall A\in\mathcal{S}，\mu(A):=P(X\in A)$ $\mu$称为分布

定理1.5.7(佚名统计学家公式)

设$X:\Omega\mapsto S$ 可测，有分布$\mu$ ，又设$f:S\mapsto R$ 可测，且$f\ge 0$ 或$E(|f(X)|) <\infty$ ，则

$E(f(X))=\int _{S}f(y)\mu(dy)$

分析：四部曲

step 1: 示性函数$B\in S，f=1_B$

$$>E(f(X))=P(X\in B)=\mu(B)=\int _S1_B(y)\mu(dy) >$$
step 2: 简单函数 $f= \sum _{k=1}^{n} c_k1_{B_k}$， $B_k \in \mathcal{S}$
$$>E(f(X))=\sum _kc_kE(1_{B_k}(X))=\sum _kc_k\int _S1_B(y)\mu(dy)=\int _Sf(y)\mu(dy) >$$
step 3: 非负 $f\ge0$ 令
$$>f_n(X)=(2^{-n}[2^nf(X)]) \wedge n ，则 f_n \uparrow f >$$
由单调收敛
$$>E(f(X))=\lim_{n \mapsto \infty}E(f_n(X)) = \lim_{n \mapsto \infty}\int _Sf_n(y)\mu(dy)=\int_S f(y)\mu(dy) >$$
step 4: 可积 $f(X)=f^+(X)-f^-(X)$， $E(f(X))=E(f^+(X))-E(f^-(X))=\int_S f^+(y)\mu(dy)-\int_S f^-(y)\mu(dy)=\int_S f(y)\mu(dy)$

例1.5.3

$X \thicksim N(0,1)$ ，密度$\phi(X)=\frac1 {2\pi}e^{-\frac 1 2x^2}$， $x \in(-\infty,\infty)$

(1)令 $H_0=1$定义$(-1)^nH_n(X)\phi(X)=\phi^{(n)}(X)$， 证明$H_n(X)=x^n+\dots$

(2)$E(H_m(X)H_n(X))=?$

分析：

(1)$\phi'(x)=-x\phi(x) \Rightarrow H_1=x$

求微积分$(-1)^nH_n\phi +(-1)^nH_n\phi'(x)=\phi^{(n+1)}(x)\Rightarrow H_{n+1}=xH$

(2)

$$\int_{-\infty}^{\infty} H_m(x) H_n(x) \phi(x)dx=^{m\le n}(-1)^n\int_{-\infty}^{\infty} H_m(x)\phi^{(n)}(x)dx \\ =(-1)^{n-m}\int_{-\infty}^{\infty} H_m^{(n)}(x) \phi^{(n-m)}(x)dx\\ =m!(-1)^{n-m}\int_{-\infty}^{\infty} \phi^{(n-m)}(x)dx \\ = \Bigg\{ \begin{array}{ll} 0 \ \ \ \ n>m\\ m! \ \ \ \ \ \ n=m \end{array}$$

另外，有Taylor公式

$$\phi(x-t)=\sum _{n=0}^{\infty} \frac{(-t)^n}{n!}\phi^{(n)}(x)=\sum \frac{t^n}{n!} H_n(x)\phi(x) \Rightarrow \sum _{n=0}^{\infty} \frac{t^n}{n!} H_n(x)= e^{- \frac12t^2+xt}$$

作业：1.5.6  1.6.2  1.6.4  1.6.6  1.6.11

作业讲解

Let C be a collection of sets

$$A\in C \Rightarrow A^c \in m(X) \\ A,B \in C A\bigcap B=\phi \Rightarrow A\bigcup B \in m(C)\\ \Rightarrow \lambda(C)=m(C)$$

$$① a\in m(C) \Rightarrow A^c \in m(C)\\ ② A,B\in m(C)， A \bigcap B \in m(C) \\ $$

proof1: