03.弱大数律(WLLN)
在概率论的学习中,对于 i . i . d . i.i.d. i.i.d.随机变量平均值的收敛形式及收敛条件,我们给出下述条件:
-
对于弱大数律(WLLN),要求 E ∣ X 1 ∣ < ∞ E|X_1|<\infty E∣X1∣<∞
-
对于中心极限定理,要求 C o v ( X 1 ) = Σ < ∞ Cov(X_1)=\Sigma<\infty Cov(X1)=Σ<∞
在以下讨论中,对于上述条件进行放宽并尝试给出定理成立的充要条件。
独立同分布情形
定理3.1:设 X 1 , X 2 , ⋯ X_1,X_2,\cdots X1,X2,⋯ 为独立同分布的随机变量。存在常数列 a n a_{n} an 使得 1 n ∑ i = 1 n X i − a n → p 0 \frac{1}{n} \sum_{i=1}^{n} X_{i}-a_{n} \stackrel{p}{\rightarrow} 0 n1∑i=1nXi−an→p0 成立 ⟺ \iff ⟺ x P ( ∣ X 1 ∣ > x ) → 0 , x → ∞ x \mathrm{P}\left(\left|X_{1}\right|>x\right) \rightarrow 0, x \rightarrow \infty xP(∣X1∣>x)→0,x→∞, 其中 a n a_n an可以取为 a n = E ( X 1 1 { ∣ X 1 ∣ ≤ n } ) a_{n}=\mathrm{E}\left(X_{1} 1_{\left\{\left|X_{1}\right| \leq n\right\}}\right) an=E(X11{∣X1∣≤n})
注:一阶矩有限仅为弱大数律成立的充分条件,想要弱大数律成立仅需尾部概率”足够小“即可。
例1:设 X 1 , X 2 , … , X n X_{1}, X_{2}, \ldots, X_{n} X1,X2,…,Xn 为 i.i.d. 随机向量,生存函数为 P ( X i > x ) = e / ( x log x ) \mathrm{P}\left(X_{i}>x\right)=e /(x \log x) P(Xi>x)=e/(xlogx) 对任意 x ≥ e x \geq e x≥e 。则有 E ∣ X 1 ∣ = ∞ \mathrm{E}\left|X_{1}\right|=\infty E∣X1∣=∞ ,且存在常数列 μ n → ∞ \mu_{n} \rightarrow \infty μn→∞ 使得 X ˉ n − μ n → p 0 \bar{X}_{n}-\mu_{n} \stackrel{p}{\rightarrow} 0 Xˉn−μn→p0.
证明:
由 E ∣ X 1 ∣ = ∫ 0 ∞ P ( X 1 > y ) d y = e + ∫ 1 ∞ e t d t = ∞ \mathrm{E}\left|X_{1}\right|=\int_{0}^{\infty} \mathrm{P}\left(X_{1}>y\right) \mathrm{d} y=e+\int_{1}^{\infty} \frac{e}{t} \mathrm{~d} t=\infty E∣X1∣=∫0∞P(X1>y)dy=e+∫1∞te dt=∞可知 X i X_i Xi的期望无界
但 x P ( ∣ X 1 ∣ ≥ x ) = e log x → 0 \mathrm{xP}\left(\left|X_{1}\right| \geq x\right)=\frac{e}{\log x} \rightarrow 0 xP(∣X1∣≥x)=logxe→0 , x → ∞ x \rightarrow \infty x→∞成立,则说明弱大数律成立
例2:设 X 1 , X 2 , … , X n ∼ i . i . d Cauchy ( 0 , 1 ) X_{1}, X_{2}, \ldots, X_{n}\stackrel{i.i.d}{\sim} \operatorname{Cauchy}(0,1) X1,X2,…,Xn∼i.i.dCauchy(0,1),但对于 X ˉ n \bar{X}_n Xˉn 弱大数律不成立。
证明:
P
(
∣
X
1
∣
>
x
)
=
2
∫
x
∞
1
π
(
1
+
t
2
)
d
t
∼
2
π
x
−
1
\mathrm{P}\left(\left|X_{1}\right|>x\right)=2 \int_{x}^{\infty} \frac{1}{\pi\left(1+t^{2}\right)} \mathrm{d} t \sim \frac{2}{\pi} x^{-1}
P(∣X1∣>x)=2∫x∞π(1+t2)1dt∼π2x−1
不满足弱大数律成立的充要条件
但根据特征函数,可以得到 X ˉ n → d X 1 \bar X_n\stackrel{d}{\rightarrow}X_1 Xˉn→dX1。
不相关情形
当样本并不服从独立同分布时,要使弱大数律成立,以下考虑对二阶矩作出限制。
定理3.2:设 X 1 , X 2 , … X_{1}, X_{2}, \ldots X1,X2,… 不相关,均值分别为 μ 1 , μ 2 , … \mu_{1}, \mu_{2}, \ldots μ1,μ2,… ,方差分别为 σ 1 2 , σ 2 2 , … \sigma_{1}^{2}, \sigma_{2}^{2}, \ldots σ12,σ22,… 且有限。如果 ∑ i = 1 n σ i 2 = o ( n 2 ) \sum_{i=1}^{n} \sigma_{i}^{2}=o\left(n^{2}\right) ∑i=1nσi2=o(n2), 则
n − 1 ∑ i = 1 n ( X i − μ i ) → p 0 n^{-1} \sum_{i=1}^{n}\left(X_{i}-\mu_{i}\right) \stackrel{p}{\rightarrow} 0 n−1∑i=1n(Xi−μi)→p0
04.强大数律(SLLN)
独立同分布情形
定理4.1:(SLLN)设 X 1 , X 2 , ⋯ X_1,X_2,\cdots X1,X2,⋯为独立同分布的随机变量。 存在常数 c c c 使得 1 n ∑ i = 1 n X i → c \frac{1}{n} \sum_{i=1}^{n} X_{i}{\rightarrow} c n1∑i=1nXi→c 成立 ⟺ \iff ⟺ E ∣ X 1 ∣ < ∞ \mathrm{E}\left|X_{1}\right|<\infty E∣X1∣<∞, 其中 c = E ( X 1 ) c=\mathrm{E}\left(X_{1}\right) c=E(X1)
注:一阶矩有限 i . i . d i.i.d i.i.d样本强大数律成立的充要条件
例:样本(Pearson)相关系数
设
(
X
i
,
Y
i
)
,
i
=
1
,
2
,
…
,
n
\left(X_{i}, Y_{i}\right), i=1,2, \ldots, n
(Xi,Yi),i=1,2,…,n 为 i.i.d. 随机向量,记
E
(
X
1
)
=
μ
X
,
E
(
Y
1
)
=
μ
Y
\mathrm{E}\left(X_{1}\right)=\mu_{X}, \mathrm{E}\left(Y_{1}\right)=\mu_{Y}
E(X1)=μX,E(Y1)=μY
Var
(
X
1
)
=
σ
X
2
<
∞
,
Var
(
Y
1
)
=
σ
Y
2
<
∞
\operatorname{Var}\left(X_{1}\right)=\sigma_{X}^{2}<\infty, \operatorname{Var}\left(Y_{1}\right)=\sigma_{Y}^{2}<\infty
Var(X1)=σX2<∞,Var(Y1)=σY2<∞, 和
Cor
(
X
1
,
Y
1
)
=
ρ
.
\operatorname{Cor}\left(X_{1}, Y_{1}\right)=\rho .
Cor(X1,Y1)=ρ. 则样本(Pearson)相关系数
r
n
=
∑
i
=
1
n
(
X
i
−
X
ˉ
n
)
(
Y
i
−
Y
ˉ
n
)
∑
i
=
1
n
(
X
i
−
X
ˉ
n
)
2
∑
i
=
1
n
(
Y
i
−
Y
ˉ
n
)
2
r_{n}=\frac{\sum_{i=1}^{n}\left(X_{i}-\bar{X}_{n}\right)\left(Y_{i}-\bar{Y}_{n}\right)}{\sqrt{\sum_{i=1}^{n}\left(X_{i}-\bar{X}_{n}\right)^{2}} \sqrt{\sum_{i=1}^{n}\left(Y_{i}-\bar{Y}_{n}\right)^{2}}}
rn=∑i=1n(Xi−Xˉn)2∑i=1n(Yi−Yˉn)2∑i=1n(Xi−Xˉn)(Yi−Yˉn)几乎处处收敛到
ρ
\rho
ρ
证明:
将
r
n
r_n
rn变形为:
r
n
=
1
n
∑
X
i
Y
i
−
X
ˉ
n
Y
ˉ
n
(
1
n
∑
X
i
2
−
X
ˉ
n
2
)
(
1
n
∑
Y
i
2
−
Y
ˉ
n
2
)
r_{n}=\frac{\frac{1}{n} \sum X_{i} Y_{i}-\bar{X}_{n} \bar{Y}_{n}}{\sqrt{\left(\frac{1}{n} \sum X_{i}^{2}-\bar{X}_{n}^{2}\right)\left(\frac{1}{n} \sum Y_{i}^{2}-\bar{Y}_{n}^{2}\right)}}
rn=(n1∑Xi2−Xˉn2)(n1∑Yi2−Yˉn2)n1∑XiYi−XˉnYˉn
由强大数律和连续映射定理可知:
r
n
→
w
p
1
E
(
X
1
Y
1
)
−
μ
X
μ
Y
σ
X
σ
Y
=
ρ
r_{n}\stackrel{wp1}{\rightarrow} \frac{\mathrm{E}(X_1Y_1)-\mu_X \mu_Y}{\sigma_X \sigma_Y}=\rho
rn→wp1σXσYE(X1Y1)−μXμY=ρ
独立情形
当样本不满足同分布条件时,要使强大数律成立,以下考虑对二阶矩做出限制。
定理4.2:设 X 1 , X 2 , … X_{1}, X_{2}, \ldots X1,X2,… 独立,均值分别为 μ 1 , μ 2 , … \mu_{1}, \mu_{2}, \ldots μ1,μ2,… ,方差分别为 σ 1 2 , σ 2 2 , … \sigma_{1}^{2}, \sigma_{2}^{2}, \ldots σ12,σ22,… 且有限。如果 ∑ i = 1 ∞ σ i 2 / p 2 < ∞ \sum_{i=1}^{\infty} \sigma_{i}^{2} / p^{2}<\infty ∑i=1∞σi2/p2<∞, 则 n − 1 ∑ i = 1 n ( X i − μ i ) → w p 1 0 n^{-1} \sum_{i=1}^{n}\left(X_{i}-\mu_{i}\right) \stackrel{w p 1}{\rightarrow} 0 n−1∑i=1n(Xi−μi)→wp10