Lecture6.概率极限理论
一、随机变量序列的收敛性
1.定义
(1)概率为1收敛:
如果$P{\lim\limits_{n \to \infty}X_n = X} = 1$,则称{Xn}概率为1地收敛于X,或几乎处处(几乎必然)收敛于X,记作
$\lim\limits_{n \to \infty}X_n \overset{a.e}{=} X$ 或 $X_n \overset{a.e}{\to} X$
(2)依概率收敛:
如果∀ε>0,$\lim\limits_{n \to \infty}P{|X_n-X|<\varepsilon} = 1$,则称{Xn}依概率收敛于X,记作
$\lim\limits_{n \to \infty}X_n \overset{P}{=} X$ 或 $X_n \overset{P}{\to} X$
(3)依分布收敛:
设Xn和X地分布函数分别为Fn(X)和F(X),如果对F(X)所有连续点x,$\lim\limits_{n \to \infty}F_n(X)=F(X)$,则称{Xn}依分布收敛于X(亦称弱收敛),记作
$\lim\limits_{n \to \infty}X_n \overset{d}{=} X$ 或 $X_n \overset{d}{\to} X$
定理:$\lim\limits_{n \to \infty}X_n \overset{a.e}{=} X \Rightarrow \lim\limits_{n \to \infty}X_n \overset{P}{=} X \Rightarrow \lim\limits_{n \to \infty}X_n \overset{d}{=} X$
例1:考虑如下定义地随机变量序列的收敛性.
Ω=[0,1],等可能地取到任何一点;a1,a2,...,ak∈Ω,对n=1,2,...及ω∈Ω,定义随机变量序列:
$$
X_n(\omega) =
\begin{cases}
n, & \omega = a_1,a_2,...,a_k \\
\frac{1}{n}, & \omega\neq a_1,a_2,...,a_k
\end{cases}
$$
易见,P{$\lim\limits_{n \to \infty}X_n = 0$} = 1,即,$\lim\limits_{n \to \infty}X_n \overset{a.e}{=} 0$
从而,该序列依概率为1收敛.
例2:考虑如下定义的随机变量序列的收敛性.
Ω=(0,1],等可能地取到任何一点;定义随机变量
Y11(ω)=1,ω∈(0,1]
$$Y_{21}(\omega) =
\begin{cases}
1, & \omega\in (0,\frac{1}{2}] \\
0, & \omega\in (\frac{1}{2},1]
\end{cases}
Y_{22}(\omega) =
\begin{cases}
1, & \omega\in (\frac{1}{2},1] \\
0, & \omega\in (0,\frac{1}{2}] \\
\end{cases}$$
$$Y_{31}(\omega) =
\begin{cases}
1, & \omega\in (0,\frac{1}{3}] \\
0, & else \\
\end{cases}
Y_{32}(\omega) =
\begin{cases}
1, & \omega\in (\frac{1}{3},\frac{2}{3}] \\
0, & else \\
\end{cases}
Y_{33}(\omega) =
\begin{cases}
1, & \omega\in (\frac{2}{3},1] \\
0, & else \\
\end{cases}$$
$$\cdots Y_{ki}(\omega) =
\begin{cases}
1, & \omega\in (\frac{i-1}{k},\frac{i}{k}] \\
0, & else
\end{cases}
$$
进而定义序列:X1=Y11,X2=Y21,X3=Y22,...,Xn=Yki,...
(a) $\lim\limits_{n \to \infty}X_n \overset{P}{=} 0
∀ε>0(取ε<1),
$P{|X_n-0|<\omega}=P{Y_ki=0}=1-\frac{1}{k} \to 1,n\to\infty(k\to\infty)$
(b)$\lim\limits_{n \to \infty}X_n \overset{a.e}{\neq} 0$
∀ω∈(0,1],{Xn(ω)}有无穷多个0和1
$\lim\limits_{n \to \infty}X_n(\omega)$不存在
即,该随机变量序列依概率收敛,但不依概率为1收敛
例3.考察如下定义地随机变量序列的收敛性
设X1,X2,...和X独立同分布且服从p=0.5的0-1分布
(a)$\lim\limits_{n \to \infty}X_n \overset{d}{=} X$
(b)$\lim\limits_{n \to \infty}X_n \overset{P}{\neq} X$
∀ε(取0<ε<1)和∀n
$$
& P{|X_n-X|<\omega}=P{|X_n-X|=0} \\
&=P{(X_n=1\wedge X=1)\vee(X_n=0\wedge X=0)} \\
&=0.5\times0.5+0.5\times0.5=0.5
$$
该序列依分布收敛,但不依概率收敛
二、大数定律
0.重要不等式:
设非负随机变量X的期望E(X)存在,则对于任意实数ε>0,
$P(X\ge\omega)\le\frac{E(X)}{\omega}$
推论1:马尔可夫(Markov)不等式
设随机变量X的k阶绝对原点矩E(|X|k)存在,则对于任意实数ε>0,
$P(|X|\ge\omega)\le\frac{E(|X|^k)}{\omega^k}$
推论2:切比雪夫(Chebyshev)不等式
设随机变量X的方差D(X)存在,则对于任意实数ε>0,
$P(|X-E(X)|\ge\omega)\le\frac{D(X)}{\omega^2}$或$P(|X-E(X)|<\omega)\ge 1-\frac{D(X)}{\omega^2}$(当ε2≤D(X)时无实际意义)
1.定义
设概率空间(Ω,F,P)上的随机变量序列{Xk},每个E(Xk)都存在,k=1,2,...,n,记
$\overline{X}_n = \frac1n\sum\limits_{k=1}^nX_k$(算术平均,构成新随机变量序列)
若$n \to \infty$时,$\overline{X}_n-E(\overline{X}_n) \overset{P}{\to}0$,
即,∀ε>0,
$\lim\limits_{n \to \infty}P{|\overline{X}_n-E\overline{X}_n|<\omega}=1$
则称序列{Xk}服从大数定律
中心极限定理
Lecture6.概率极限理论的更多相关文章
- 转: JMeter技巧集锦
from:http://java.chinaitlab.com/tools/355421.html JMeter 是一个流行的用于负载测试的开源工具, 具有许多有用的功能元件,如线程组(thread ...
- 各类聚类(clustering)算法初探
1. 聚类简介 0x1:聚类是什么? 聚类是一种运用广泛的探索性数据分析技术,人们对数据产生的第一直觉往往是通过对数据进行有意义的分组.很自然,首先要弄清楚聚类是什么? 直观上讲,聚类是将对象进行分组 ...
- 正态分布-python建模
sklearn实战-乳腺癌细胞数据挖掘 https://study.163.com/course/introduction.htm?courseId=1005269003&utm_campai ...
- 由浅入深学习PBR的原理和实现
目录 一. 前言 1.1 本文动机 1.2 PBR知识体系 1.3 本文内容及特点 二. 初阶:PBR基本认知和应用 2.1 PBR的基本介绍 2.1.1 PBR概念 2.1.2 与物理渲染的差别 2 ...
- 三维投影总结:数学原理、投影几何、OpenGL教程、我的方法
如果要得到pose视图,除非有精密的测量方法,否则进行大量的样本采集时很耗时耗力的.可以采取一些取巧的方法,正如A Survey on Partial of 3d shapes,描述的,可以利用已得到 ...
- Java高级面试题解析(二):百度Java面试题前200页(精选)
基本概念 操作系统中 heap 和 stack 的区别 heap是堆,stack是栈,是两种不同的数据结构.堆是队列优先,先进先出:栈是先进后出. 在java多线程中,每个线程都有自己的栈:不同的线程 ...
- 2022年整理最详细的java面试题、掌握这一套八股文、面试基础不成问题[吐血整理、纯手撸]
这里是参考B站上的大佬做的面试题笔记.大家也可以去看视频讲解!!! 文章目录 1.面向对象 2.JDK.JRE.JVM区别和联系 3.==和equals 4.final 5.String .Strin ...
- 比特币_Bitcoin 简介
2008-11 Satoshi Nakamoto Bitcoin: A Peer-to-Peer Electronic Cash System http://p2pbucks.com/?p=99 ...
- 几种简单的负载均衡算法及其Java代码实现
什么是负载均衡 负载均衡,英文名称为Load Balance,指由多台服务器以对称的方式组成一个服务器集合,每台服务器都具有等价的地位,都可以单独对外提供服务而无须其他服务器的辅助.通过某种负载分担技 ...
随机推荐
- 使用echarts-for-react 绘制折线图 报错:`series.type should be specified `
解决办法: 在动态获取值的函数前面加 访问器属性 get ,去获取对象的属性 @inject('commonStore', 'reportUIStore') @observer class Line ...
- poj100纪念
- 20175204 张湲祯 2018-2019-2《Java程序设计》 第一周学习总结
20175204 张湲祯 2018-2019-2<Java程序设计>第一周学习总结 教材学习内容总结 -第一章Java入门要点: -Java的地位:具有面向对象,与平台无关,安全稳定和多线 ...
- 【原创】大叔问题定位分享(3)Kafka集群broker进程逐个报错退出
kafka0.8.1 一 问题现象 生产环境kafka服务器134.135.136分别在10月11号.10月13号挂掉: 134日志 [2014-10-13 16:45:41,902] FATAL [ ...
- Python-Django 模型层-多表查询-2
-related_name:基于双下划线的跨表查询,修改反向查询的字段 -related_query_name:基于对象的跨表查询,修改反向查询字段 publish = ForeignKey(Blog ...
- RDay1-Problem 3 C
题目描述 初始给定n个卡片拍成一排,其中第i个卡片上的数为x[i]. 有q个询问,每次询问给定L和R表示询问区间[L,R]内的卡片所有出现了偶数次的数的异或和是多少. 输入 输入文件C.in 输入一行 ...
- 初学python之路-day04
每天一篇总结,今天学习的是有关于流程控制的知识. 流程控制,顾名思义,在计算机运行中,程序是被某种控制方式按照某种流程或者规律来执行的.而python程序的运行,肯定也是按照某种规律在执行.这些规律可 ...
- 移动端遮罩及阻止页面滑动,实用!!! 我们经常做一个fixed定位的遮罩和一个提示弹框,这时就要用到。记录--
document.body.style.height = '100%'; document.body.style.overflow = 'hidden'; document.getElementByI ...
- Java_Scanner和System类
目录 Scanner类(util包) System类(lang包) Scanner类(util包) Scanner类是一个不可变的类,实现了迭代器接口.一个简单的文本扫描器,可以使用正则表达式解析原始 ...
- Scapy
1.UDP scanning with Scapy Scapy is a tool that can be used to craft and inject custom packets into ...