距离上次更新已经 1399 天了,文章内容可能已经过时。

记录本校的高等概率论课程笔记,参考教材《测度与概率》

本讲介绍了强大数定律,特征函数以及中心极限定理。

2.(弱)大数定律(LLN)

定理7.1.1

{Xn} iid,{an}使SnnanP0limxxP(|X1|>x)=0

证明:仅证明n1,1kn,定义

XnkXk1{|Xk|n},S^n=k=1nXnk

不难看出yk=Xnk独立同分布,则

1n2Var(S^n)=1n2k=1nVar(Xnk)1n2k=1nE[Xnk2]=1nE[Xn12]

回顾公式

XE[Xr]=r0xr1P(X>x)dx

那么对上式取r=2可得

1nE[Xn12]=2n0xP(|Xn1|>x)dx=2n0nxP(|X1|>x)dx

由条件可知

ϵ>0,N,nN,x0,x>x0xP(|X1|>x)<ϵ

所以

1nE[Xn12]=2n0nxP(|X1|>x)dx=2n0x0xP(|X1|>x)dx+2nx0nxP(|X1|>x)dx

上述第一项0,第二项<2ϵ,从而

1n2Var(S^n)0

因此

S^nE[S^n]npL20

接下来计算P(|SnnE[S^n]n|ϵ)

P(|SnnE[S^n]n|ϵ)=P(|SnnE[S^n]n|ϵ,Sn=S^n)+P(|SnnE[S^n]n|ϵ,SnS^n)P(|S^nnE[S^n]n|ϵ)+P(SnS^n)

注意到

P(SnS^n)=P(k=1n{XnkXk})k=1nP(XnkXk)k=1nP(Xk>n)=nP(X1>n)0

综上

P(|SnnE[S^n]n|ϵ)P(|S^nnE[S^n]n|ϵ)+P(SnS^n)0

此时

an=E[S^n]n=k=1nE[Xnk]n=E[Xn1]=E[X11{|X1|n}]nE[X1]

推论

E[X1]<SnnPa=E[X1]

证明:注意有如下命题

E[|X1|]<limn{|X1|>n}X1dP0

此时

limxxP(|X1|x)=limx|X1|xxdPlimx|X1|x|X1|dP0

由上一定理可得

SnnPan=E[Xn1]

E[Xn1]E[Xn]=a

从而

SnnPa

3.(强)大数定律(SLLN)

定理7.3.1 (Kolmogrov)

{Xn}n=1Var(Xn)n2<,n=1XnE[Xn]n a.s

引理

{xn}{an}ann=1xnanlimn1ank=1nxk=0

定理7.3.3

{Xn} iidSn=k=1nXkSnna.saE[X1]a=E[X1]

证明::定义

X^nXn1{|Xn|n},S^n=k=1nX^k

X^n独立,且

n=1Var(X^n)n2n=1E[X^n2]n2=n=1E[Xn21{|Xn|n}]n2=n=11n2k=1nE[Xn21{k1|Xn|<k}]n=11n2k=1nkE[|Xn|1{k1|Xn|<k}]=Fubini定理k=1(n=k1n2)kE[|X1|1{k1|X1|<k}]k=12kkE[|X1|1{k1|X1|<k}]=2E[|X1|]<

由定理定理7.3.1可得

S^nE[S^n]na.s0

备注:倒数第二个不等号是因为

1n2nn+12x2dxn=k1n2<n=knn+12x2dx=k2x2dx=2k

回顾之前的结论

n=1P(|X1|>n)E[|X|]1+n=1P(|X1|>n)

所以

n=1P(XnX^n)=n=1P(|X1|>n)

所以由第12讲的B-C引理可得

P(XnX^n)=0

这说明

SnE[S^n]n0

接下来证明

E[S^n]nE[Sn]n=E[X1]

利用定义即可

E[S^n]n=k=1E[Xn,|Xn|k]n=1nk=1nE[X1,|X1|k]

利用控制收敛定理可得

limkE[X1,|X1|k]=E[X1]

从而

E[S^n]n=1nk=1nE[X1,|X1|k]nE[X1]

结论得证。

:反证法,若E[|X1|]=+,那么A>0

+=E[|X1|A]=0P(|X1|A>x)dx=n=1n1nP(|X1|A>x)dxn=1P(|X1|(n1)A)

所以

n=1P(|Xn|nA)=n=1P(|X1|nA)=+

因为{|Xn|nA}独立,所以由Borel 0-1律可得(见第12讲)

P({|Xn|nA})=1

注意到

{|SnSn1|=|Xn|nA}{SnnA2}{Sn1nA2}

所以

P({SnnA2}{Sn1nA2})=1

P({SnnA2})=1

从而

limn|Sn|nA2

A的任意性可得

limn|Sn|n=+

这就与条件矛盾,从而E[|X1|]有限,E[X1]有限,接着利用之前的证明可得

Snna.sE[X1]

注意条件为

Snna.sa

所以

a=E[X1]

Chapter 8

1.特征函数

1.特征函数的定义

定义:

X(Ω,F,P)r.v,φX(t)=φ(t)=E[eitX]=eitxdF(x)=Reitxμ(dx)=E[cos(tX)]+iE[sin(tX)](tR)

2.特征函数的性质

特征函数有如下性质

(1)|φ(t)|1=φ(0)(2)φR(3)XYφX+Y(t)=φX(t)φY(t)(4)φaX+b(t)=eibtφX(at)(5)E[|X|n]<kn,φ(k)(t)=ikE[XkeitX],     kn,φ(k)(0)=ikE[Xk],     φ(t)=1+iE[X]tE[X2]2t2+...+inE[Xn]n!tn+o(tn)

(1)证明:

|φ(t)|=|E[eitX]||E[1]|=1=φ(0)

(2)证明:

supt|φ(t+h)φ(t)|=supt|E[ei(t+h)XeitX]|=supt|E[eitX(eihX1)]|suptE|eihX1|(h0)0

(3)(4)(5)利用定义即可验证

3.几个常见分布的特征函数

(1)

01X(011pp)φX(t)=peit+q(q=1p)

(2)

b(n,p),X=k=1nXk,Xk iid(011pp),φX(t)=(peit+q)n

(3)

PossionP(λ),φX(t)=eλ(eit1)

(4)

XN(μ,σ2),φX(t)=eiμtσ2t22

(1)(2)(3)直接利用定义计算即可,这里只证明第(4)个结论。

首先计算标准正态分布的特征函数:

φ(t)=12πeitxex22dx=12πex22cos(tx)dx+i12πex22sin(tx)dx=12πex22cos(tx)dx

关于t求导可得

φ(t)=12πxex22sin(tx)dx=12πsin(tx)d(ex22)=12πsin(tx)ex22|12πtcos(tx)ex22dx=12πtcos(tx)ex22dx=tφ(t)

所以

dφφ=tdtφ(t)=cet22c=φ(0)=1φ(t)=et22

一般的,若XN(μ,σ2),则

Y=Xμσ2N(0,1)φX(t)=φσY+μ(t)=eiμtφY(σt)=eiμtσ2t22

关于特征函数有如下定理:

定理8.1.1(连续性定理)

定理8.1.2(唯一性定理)

{X,Xn,n1}{φ,φn,n1}XndXφnφ

2.多元特征函数

1.多元特征函数的定义

定义:

X=(X1,...,Xn)Tnr.vφ(t1,...,tn)=E[eitTX]=...eij=1ntjxjdF(x1,...,xn)=...eij=1ntjxjμ(dx1...dxn)t=(t1,...,tn)TRn

利用定义不难计算出

k1+...+knφ(0)t1k1...tnkn=ik1+...+knE[X1k1...Xnkn]

2.多维Gauss分布

定义:

X=(X1,...,Xn)TnGaussφ(t1,...,tn)=eiaTt12tTΣta=(a1,...,an)TΣ=(σij)n|Σ|>0Xn

性质

Gaussa=(E[X1],...,E[Xn])T,Σ=(Cov(Xi,Xj))

证明:关于φ(t)求一次偏导可得

φ(0)tj=eiaTt12tTΣt(iajk=1nσjktk)|t=0=iaj=iE[Xj]

所以

E[Xj]=aja=(E[X1],...,E[Xn])T

关于φ(t)求两次偏导可得

2φ(0)tktj=tk(eiaTt12tTΣt(iajm=1nσjmtm))=eiaTt12tTΣt(σjk)+eiaTt12tTΣt(iajm=1nσjmtm)(iakm=1nσkmtm)|t=0=σjkajak=σjkE[Xj]E[Xk]=E[XjXk]

从而

σjk=E[XjXk]E[Xj]E[Xk]=Cov(Xj,Xk)Σ=(σjk)=(Cov(Xj,Xk))

定理8.1.3

X=(X1,...,Xn)TN(a,Σ)A=(aij)m×n,b=(b1,...,bm)T,AX+bN(Aa+b,AΣAT)

证明:利用特征函数的定义

φAX+b(t1,...,tn)=E[eitT(AX+b)]=eitTbE[ei(ATt)TX]=eitTbeiaTATt12tTAΣATt=exp(ibTt+iaTATt12tTAΣATt)=exp(i(Aa+b)Tt12tTAΣATt)

利用唯一性定理可得

AX+bN(Aa+b,AΣAT)

定理8.1.4

X=(X1,...,Xn)T=(X(1)X(2))N(a,Σ)X(1)=(X1,...,Xk)T,X(2)=(Xk+1,...,Xn)TΣ(Σ11Σ12Σ21Σ22)X(1)X(2)Σ12=Σ21=0

定理8.1.5

X=(X1,...,Xn)TnGaussλ1,...,λn,j=1nλjXjGauss

2.中心极限定理(CLT)

定理8.2.1

{Xn} iida=E[X1],0<σ2=Var(X1)<,SnnaσndN(0,1)

证明:

φSnnaσn(t)=φSnna(tσn)=(φX1a(tσn))n=(112nt2+o(t2n))net22

所以

Rn=SnnaσndN(0,1)

关于特征函数有如下命题:

命题

φ(t)eφ(t)1

证明该结论之前需要利用如下两个结论:

(1)φ1(t),...,φn(t)ni=1nλiφi(t)λi0,i=1nλi=1(2)φ1(t),...,φn(t)ni=1nφi(t)φ(t)φn(t)

结论(1)的证明:

假设φi(t)对应的分布函数为Fi(x),那么i=1nλiFi(t)也是分布函数,由定义即可验证其特征函数为i=1nλiφi(t)

结论(2)的证明:

假设φi(t)对应的变量为XiXi相互独立,则X=i=1nXi的特征函数为i=1nφi(t)

接下来利用上述结论证明该命题。

证明:将eφ(t)1进行泰勒展开可得

eφ(t)1=1ei=11i!φi(t)

因此考虑如下函数

φn(t)=1xni=1n1i!φi(t)xn=i=1n1i!

不难看出

1xni=1n1i!=1

所以由之前的结论可知φn(t)是特征函数,注意到

limnφn(t)=eφ(t)1

所以由唯一性定理可得存在随机变量X,其特征函数为eφ(t)1,即eφ(t)1是特征函数。

独立不同分布时有如下定理:

定理8.2.2(Lindeberg-Feller定理)

Rn=i=1nXiaij=1nσj2,RndN(0,1)limnmax1jnσj2Bn2=0ϵ>0,limn1Bn2k=1nE[|Xkak|21{|Xkak|ϵBn}]=0Bn2=j=1nσj2=Var(Sn)

(备注,这部分是结合课本补充的,老师没有讲,可以忽略)

这里简述下证明思路,首先要利用如下引理:

引理
|zk|1,|wk|1|k=1nzkk=1nwk|k=1n|zkwk|

利用归纳法证明该不等式。

n=1时显然,假设n=m1时结论成立,n=m

|k=1mzkk=1mwk|=|k=1mzkk=1m1zkwm+k=1m1zkwmk=1mwk|=|(zmwm)k=1m1zk+wm(k=1m1zkk=1m1wk)||zmwm||k=1m1zk|+|wm||k=1m1zkk=1m1wk||zmwm|+k=1m1|zkwk|=k=1n|zkwk|

从而结论成立。

由之前的命题可知,

φYi(t)eφYi(t)1ei=1n(φYi(t)1)

所以我们考虑i=1nφYi(t)ei=1n(φYi(t)1),注意到

|φYi(t)|1,|eφYi(t)1|=eRez(φYi(t)1)1

所以利用上述引理可得

|i=1nφYi(t)ei=1n(φYi(t)1)|i=1n|φYi(t)eφYi(t)1|

接下来计算i=1n|φYi(t)eφYi(t)1|,若上式0,那么命题得证,此定理的条件可以推出这点,更具体的部分可以参考课本。

上述定理的条件不好验证,有如下更好验证的条件:

定理8.2.3(李雅普诺夫中心极限定理)

δ>0,使1Bn2+δk=1nE[|Xkak|2+δ]0(n)CLT