01.第一章 初等概率论
第一章 初等概率论
1.概率空间、随机变量与数字特征
概率空间通常记作(Ω,F,P)(\Omega, \mathcal F, P)(Ω,F,P),其中Ω\OmegaΩ是样本空间表示随机试验的所有可能基本结果,F\mathcal FF表示事件域,PPP代表概率。
- Ω\OmegaΩ由一系列样本点ω\omegaω组成(有限或无限),且P(Ω)=1P(\Omega)=1P(Ω)=1;
- F\mathcal FF是事件域,是所有事件AAA的集合;每一个事件AAA包含一系列样本点ω\omegaω;
- PPP是作用于事件域F\mathcal FF上的函数。
在给定事件BBB已经发生的情况下AAA发生的概率称为条件概率,定义为
P(A∣B)=P(AB)P(B),A,B∈FP(A|B)=\frac{P(AB)}{P(B)},\quad A,B\in \mathcal F P(A∣B)=P(B)P(AB),A,B∈F
由概率空间的定义,(Ω,F,P(⋅∣B))(\Omega, \mathcal F, P(\cdot|B))(Ω,F,P(⋅∣B))也是一个概率空间。有一些与条件概率相关的公式:
全概率公式:对于一个完备事件组B1,⋯,BN(N≤∞)B_1,\cdots,B_N(N\le \infty)B1,⋯,BN(N≤∞),即两两不相容且Ω=∑i=1NBi\Omega=\sum_{i=1}^N B_iΩ=∑i=1NBi,则对任意事件AAA有
P(A)=∑i=1NP(A∣Bi)P(Bi)P(A)=\sum_{i=1}^N P(A|B_i)P(B_i) P(A)=i=1∑NP(A∣Bi)P(Bi)
由此推论,对于事件BBB,若Bˉ\bar BBˉ为其反,则
P(A)=P(A∣B)P(B)+P(A∣Bˉ)P(Bˉ)P(A)=P(A|B)P(B)+P(A|\bar B)P(\bar B) P(A)=P(A∣B)P(B)+P(A∣Bˉ)P(Bˉ)链式法则:由于P(AB)=P(B)P(A∣B)P(AB)=P(B)P(A|B)P(AB)=P(B)P(A∣B),故进行推广,有
P(A1⋯Am)=P(A1)P(A2∣A1)⋯P(Am∣Am−1⋯A1)P(A_1\cdots A_m)=P(A_1)P(A_2|A_1)\cdots P(A_m|A_{m-1}\cdots A_1) P(A1⋯Am)=P(A1)P(A2∣A1)⋯P(Am∣Am−1⋯A1)
两个事件独立,指的是事件BBB发生对事件AAA的概率没有影响。也就是说A,BA,BA,B独立等价于
P(A∣B)=P(A)⇔P(AB)=P(A)P(B)P(A|B)=P(A)\Leftrightarrow P(AB)=P(A)P(B) P(A∣B)=P(A)⇔P(AB)=P(A)P(B)
如果推广到多个事件,则A1,⋯,AmA_1,\cdots,A_mA1,⋯,Am相互独立需要同时满足以下方程:
{P(AiAj)=P(Ai)P(Aj),i<j,P(AiAjAk)=P(Ai)P(Aj)P(Ak),i<j<k,⋯⋯P(A1A2⋯An)=P(A1)P(A2)⋯P(An).\left\{ \begin{array}{l} P(A_iA_j)=P(A_i)P(A_j), &i<j,\\ P(A_iA_jA_k)=P(A_i)P(A_j)P(A_k),&i<j<k,\\ \cdots&\cdots\\ P(A_1A_2\cdots A_n)=P(A_1)P(A_2)\cdots P(A_n). \end{array} \right. ⎩⎪⎪⎨⎪⎪⎧P(AiAj)=P(Ai)P(Aj),P(AiAjAk)=P(Ai)P(Aj)P(Ak),⋯P(A1A2⋯An)=P(A1)P(A2)⋯P(An).i<j,i<j<k,⋯
即同时满足事件组中任意两个、三个直至nnn个事件都是互相独立的。再推广到两个事件域A1,A2\mathcal A_1,\mathcal A_2A1,A2,如果∀A1∈A1,A2∈A2\forall A_1\in\mathcal A_1,A_2\in\mathcal A_2∀A1∈A1,A2∈A2都有A1,A2A_1,A_2A1,A2独立,则称事件域A1,A2\mathcal A_1,\mathcal A_2A1,A2独立。
随机变量XXX是Ω↦R\Omega \mapsto \RΩ↦R的一个映射,给定事件B∈BB\in\mathcal BB∈B,这里B\mathcal BB是R\RR上所有左开右闭有限区间构成的集合,满足可测性条件
X−1(B)={ω∈Ω:X∈B}∈AX^{-1}(B)=\{\omega\in\Omega:X\in B\}\in\mathcal A X−1(B)={ω∈Ω:X∈B}∈A
随机变量XXX在概率PPP下的分布函数FX(x)F_X(x)FX(x)定义为
FX(x)=P(ω:X≤x),x∈RF_X(x)=P(\omega:X\le x),\quad x\in \R FX(x)=P(ω:X≤x),x∈R
最常见的随机变量是离散随机变量与连续随机变量。离散随机变量可以用一个概率分布列表示,
X∼(x1x2⋯xNp1p2⋯pN),∑i=1Npi=1,N≤∞X\sim \left( \begin{array}{c} x_1&x_2&\cdots&x_N\\ p_1&p_2&\cdots&p_N \end{array} \right),\quad \sum_{i=1}^Np_i=1,N\le\infty X∼(x1p1x2p2⋯⋯xNpN),i=1∑Npi=1,N≤∞
连续随机变量可以用概率密度表示,记作X∼p(x)X\sim p(x)X∼p(x),概率密度p(x)p(x)p(x)满足
F(x)=∫−∞xp(u)du,x∈RF(x)=\int_{-\infty}^x p(u) du,\quad x\in \R F(x)=∫−∞xp(u)du,x∈R
将随机变量整合就得到随机向量(X,Y)(X,Y)(X,Y),其分布函数定义为
FX,Y(x,y)=P(ω:X≤x,Y≤y)F_{X,Y}(x,y)=P(\omega:X\le x,Y\le y) FX,Y(x,y)=P(ω:X≤x,Y≤y)
记边际分布函数为
FX(x)=FX,Y(x,∞),FY(y)=FX,Y(∞,y)F_X(x)=F_{X,Y}(x,\infty),\quad F_Y(y)=F_{X,Y}(\infty,y) FX(x)=FX,Y(x,∞),FY(y)=FX,Y(∞,y)
联合分布可以唯一确定边际分布,但两个边际分布不能确定联合分布。
如果随机向量(X,Y)(X,Y)(X,Y)是离散型的,则条件分布列为
PY∣X(yj∣xi)=pijpi⋅,PX∣Y(xi∣yj)=pijp⋅jP_{Y|X}(y_j|x_i)=\frac{p_{ij}}{p_{i\cdot}},\quad P_{X|Y} (x_i|y_j)=\frac{p_{ij}}{p_{\cdot j}} PY∣X(yj∣xi)=pi⋅pij,PX∣Y(xi∣yj)=p⋅jpij
相互独立等价于pij=pi⋅p⋅jp_{ij}=p_{i\cdot}p_{\cdot j}pij=pi⋅p⋅j。
如果随机向量(X,Y)(X,Y)(X,Y)是连续型的,则条件密度为
pY∣X(y∣x)=p(x,y)pX(x),pX∣Y=p(x,y)pY(y)p_{Y|X}(y|x)=\frac{p(x,y)}{p_X(x)},\quad p_{X|Y}=\frac{p(x,y)}{p_Y(y)} pY∣X(y∣x)=pX(x)p(x,y),pX∣Y=pY(y)p(x,y)
其中
FX,Y(x,y)=∫−∞x∫−∞yp(u,v)dudv,x,y∈RpX(x)=∫−∞∞p(x,y)dy,pY(y)=∫−∞∞p(x,y)dxF_{X,Y}(x,y)=\int_{-\infty}^x\int_{-\infty}^y p(u,v)dudv,\quad x,y\in\R\\ p_X(x)=\int_{-\infty}^{\infty}p(x,y)dy,\quad p_Y(y)=\int_{-\infty}^\infty p(x,y)dx FX,Y(x,y)=∫−∞x∫−∞yp(u,v)dudv,x,y∈RpX(x)=∫−∞∞p(x,y)dy,pY(y)=∫−∞∞p(x,y)dx
相互独立等价于
p(x,y)=pX(x)pY(y)p(x,y)=p_X(x)p_Y(y) p(x,y)=pX(x)pY(y)
对于随机变量XXX,设其分布函数为F(x)F(x)F(x),密度函数为p(x)p(x)p(x)或概率分布列为pip_ipi,则有以下数字特征:
期望
对于离散随机变量,如果∑i=1N∣xi∣pi<∞\sum_{i=1}^N |x_i|p_i<\infty∑i=1N∣xi∣pi<∞,则期望为
EX=∑i=1NxipiEX=\sum_{i=1}^N x_ip_i EX=i=1∑Nxipi对于连续随机变量,如果∫−∞∞∣x∣p(x)dx<∞\int_{-\infty}^\infty |x|p(x) dx<\infty∫−∞∞∣x∣p(x)dx<∞,则期望为
EX=∫−∞∞xp(x)dxEX=\int_{-\infty}^\infty xp(x)dx EX=∫−∞∞xp(x)dx
期望的表达式为
EX=∫−∞∞xdF(x)EX=\int_{-\infty}^\infty xdF(x) EX=∫−∞∞xdF(x)
对于随机变量函数f(X)f(X)f(X),其期望为
Ef(X)=∫−∞∞f(x)dF(x)Ef(X)=\int_{-\infty}^\infty f(x)dF(x) Ef(X)=∫−∞∞f(x)dF(x)
定义EXkEX^kEXk为随机变量XXX的kkk阶矩。矩母函数GX(t)G_X(t)GX(t)定义为
GX(t)=E(etX)=∫−∞∞etxdF(x)G_X(t)=E(e^{tX})=\int_{-\infty}^\infty e^{tx}dF(x) GX(t)=E(etX)=∫−∞∞etxdF(x)
矩母函数并不总是存在,但如果两个随机变量拥有有限且相同的矩母函数,则这两个随机变量同分布。方差
对于随机变量XXX,如果EX2<∞EX^2<\inftyEX2<∞,则定义方差为
DX=E(X−EX)2=EX2−(EX)2DX=E(X-EX)^2=EX^2-(EX)^2 DX=E(X−EX)2=EX2−(EX)2
关于方差有一个切比雪夫不等式,为
P(∣X−EX∣>ε)≤DXε2P(|X-EX|>\varepsilon)\le \frac{DX}{\varepsilon^2} P(∣X−EX∣>ε)≤ε2DX
如果令T=∣X−EX∣T=|X-EX|T=∣X−EX∣,则有
P(T>ε)=P(T2>ε2)≤ET2ε2P(X>a)≤EXa,X≥0,a>0P(T>\varepsilon)=P(T^2>\varepsilon^2)\le \frac{ET^2}{\varepsilon^2}\\ P(X>a)\le\frac{EX}{a},\quad X\ge 0,a>0 P(T>ε)=P(T2>ε2)≤ε2ET2P(X>a)≤aEX,X≥0,a>0
得到马尔科夫不等式的形式,因此马尔科夫不等式可以用来证明切比雪夫不等式。协方差
对于随机变量X,YX,YX,Y,协方差与相关系数定义为
Cov(X,Y)=E[(X−EX)(Y−EY)]=E(XY)−EXEYρX,Y=Cov(X,Y)DX⋅DY∈[−1,1]Cov(X,Y)=E[(X-EX)(Y-EY)]=E(XY)-EXEY\\ \rho_{X,Y}=\frac{Cov(X,Y)}{\sqrt{DX\cdot DY}}\in[-1,1] Cov(X,Y)=E[(X−EX)(Y−EY)]=E(XY)−EXEYρX,Y=DX⋅DYCov(X,Y)∈[−1,1]
如果两个随机变量协方差为0,则意味着两个随机变量相互独立;如果相关系数为±1\pm1±1,则意味着两个随机变量之间存在线性关系。多维随机向量的协方差矩阵定义为
Σ=(cij)n×n,cij=Cov(Xi,Xj)\boldsymbol \Sigma=(c_{ij})_{n\times n},\quad c_{ij}=Cov(X_i,X_j) Σ=(cij)n×n,cij=Cov(Xi,Xj)
与以上几种数字特征相关的计算公式如下:
Y=aX+b⇒EY=aEX+b,DY=a2DX;E(X+Y)=EX+EY;D(X+Y)=DX+DY+2Cov(X,Y);Cov(aX,bY)=Cov(bY,aX)=abCov(X,Y);Cov(X+Y,Z)=Cov(X,Z)+Cov(Y,Z).Y=aX+b\Rightarrow EY=aEX+b,DY=a^2DX;\\ E(X+Y)=EX+EY;\\ D(X+Y)=DX+DY+2Cov(X,Y);\\ Cov(aX,bY)=Cov(bY,aX)=abCov(X,Y);\\ Cov(X+Y,Z)=Cov(X,Z)+Cov(Y,Z). Y=aX+b⇒EY=aEX+b,DY=a2DX;E(X+Y)=EX+EY;D(X+Y)=DX+DY+2Cov(X,Y);Cov(aX,bY)=Cov(bY,aX)=abCov(X,Y);Cov(X+Y,Z)=Cov(X,Z)+Cov(Y,Z).
在有了条件分布后可以类似定义条件期望,在绝对值有限的情况下,条件期望是
E(Y∣X=x)=∫−∞∞ydFY∣X(y∣x)E(Y|X=x)=\int_{-\infty}^\infty y dF_{Y|X}(y|x) E(Y∣X=x)=∫−∞∞ydFY∣X(y∣x)
对于连续情形,有
E(Y∣X)=∫−∞∞ypY∣X(y∣x)dy=∫−∞∞yp(x,y)pX(x)dyE(Y|X)=\int_{-\infty}^\infty yp_{Y|X}(y|x)dy=\int_{-\infty}^\infty \frac{yp(x,y)}{p_X(x)}dy E(Y∣X)=∫−∞∞ypY∣X(y∣x)dy=∫−∞∞pX(x)yp(x,y)dy
对于离散情形,有
E(Y∣X=xi)=∑j=1nypijE(Y|X=x_i)=\sum_{j=1}^n yp_{ij} E(Y∣X=xi)=j=1∑nypij
如果对于每一个xxx,E(Y∣X=x)E(Y|X=x)E(Y∣X=x)都存在且有限,则定义g(x)=E(Y∣X=x)g(x)=E(Y|X=x)g(x)=E(Y∣X=x),类似定义g(X)=E(Y∣X)g(X)=E(Y|X)g(X)=E(Y∣X),有全期望公式:
E[E(Y∣X)]=E(g(X))=EYE[E(Y|X)]=E(g(X))=EY E[E(Y∣X)]=E(g(X))=EY
随机变量XXX的特征函数被定义为
ϕX(t)=EeitX=∫−∞∞eitxdFX(x),t∈R\phi_X(t)=Ee^{itX}=\int_{-\infty}^\infty e^{itx}dF_X(x),\quad t\in\R ϕX(t)=EeitX=∫−∞∞eitxdFX(x),t∈R
任何随机变量的特征函数都存在,且具有以下基本性质:
ϕ(0)=E(1)=1\phi(0)=E(1)=1ϕ(0)=E(1)=1;
∀t∈R,∣ϕ(t)∣≤1\forall t\in \R,|\phi(t)|\le1∀t∈R,∣ϕ(t)∣≤1;
ϕ(t)\phi(t)ϕ(t)在R\RR上一致连续,且非负定;
如果对某个k≥1k\ge1k≥1有EXk<∞EX^k<\inftyEXk<∞,那么ϕX(t)\phi_X(t)ϕX(t)在t=0t=0t=0处kkk次连续可微,且
ϕX(k)(0)=ikEXk\phi_X^{(k)}(0)=i^k EX^k ϕX(k)(0)=ikEXk
这可以用于求随机变量的kkk阶矩;如果X,YX,YX,Y相互独立,则有
ϕX+Y(t)=ϕX(t)ϕY(t),t∈R\phi_{X+Y}(t)=\phi_X(t)\phi_Y(t),\quad t\in \R ϕX+Y(t)=ϕX(t)ϕY(t),t∈R给定两个随机变量X,YX,YX,Y,它们分布函数相同当且仅当特征函数相同。
2.收敛与极限定理
几乎处处收敛:如果存在一个零概率事件Ω0\Omega_0Ω0,使得对任意ω∈Ω−Ω0\omega\in\Omega-\Omega_0ω∈Ω−Ω0,当n→∞n\to \inftyn→∞时有Xn(ω)→X(ω)X_n(\omega)\to X(\omega)Xn(ω)→X(ω),则称XnX_nXn几乎处处收敛于XXX,记作Xn→Xa.s.X_n\to X\text{ a.s.}Xn→X a.s.。这是所有收敛性中最强的一种。
依概率收敛:如果对任意ε>0\varepsilon>0ε>0,有limn→∞P(ω:∣Xn(ω)−X(ω)∣>ε)=0\lim \limits_{n\to \infty}P(\omega:|X_n(\omega)-X(\omega)|>\varepsilon)=0n→∞limP(ω:∣Xn(ω)−X(ω)∣>ε)=0,则称XnX_nXn依概率收敛于XXX,记作Xn⟶PXX_n\stackrel{P}{\longrightarrow}XXn⟶PX。依概率收敛比几乎处处收敛弱。
相关定理:
如果对某个r>0r>0r>0,有
limn→∞E∣Xn−X∣r=0\lim_{n\to \infty}E|X_n-X|^r=0 n→∞limE∣Xn−X∣r=0
那么Xn⟶PXX_n\stackrel{P}{\longrightarrow }XXn⟶PX。如果Xn⟶PX,Xn⟶PYX_n\stackrel{P}\longrightarrow X,X_n\stackrel P\longrightarrow YXn⟶PX,Xn⟶PY,则X=Ya.s.X=Y\text{ a.s.}X=Y a.s.。
an,bna_n,b_nan,bn是常数列,如果an→a,bn→b,Xn⟶PXa_n\to a,b_n\to b,X_n\stackrel P\longrightarrow Xan→a,bn→b,Xn⟶PX,则有
anXn+bn⟶PaX+b.a_nX_n+b_n\stackrel P\longrightarrow aX+b. anXn+bn⟶PaX+b.如果Xn⟶PX,Yn⟶PYX_n\stackrel P\longrightarrow X,Y_n\stackrel P\longrightarrow YXn⟶PX,Yn⟶PY,那么
Xn±Yn⟶PX±Y,XnYn⟶PXY.X_n\pm Y_n\stackrel P\longrightarrow X\pm Y,\\ X_nY_n\stackrel P\longrightarrow XY. Xn±Yn⟶PX±Y,XnYn⟶PXY.
如果进一步地有Y≠0Y\neq0Y=0,还有
XnYn⟶PXY.\frac{X_n}{Y_n}\stackrel P\longrightarrow \frac{X}{Y}. YnXn⟶PYX.令f:R→Rf:\R\to\Rf:R→R是连续函数,如果Xn⟶PXX_n\stackrel P\longrightarrow XXn⟶PX,那么
f(Xn)⟶Pf(X).f(X_n)\stackrel P\longrightarrow f(X). f(Xn)⟶Pf(X).
依分布收敛:如果对于FX(x)F_X(x)FX(x)的每一个连续点xxx,都有limn→∞Fn(x)=FX(x)\lim\limits_{n\to \infty}F_n(x)=F_X(x)n→∞limFn(x)=FX(x),则称XnX_nXn依分布收敛于XXX,记作Xn⟶dXX_n\stackrel d\longrightarrow XXn⟶dX。
相关定理:
列维连续性定理:Xn⟶dXX_n\stackrel d\longrightarrow XXn⟶dX当且仅当相应的特征函数收敛,即
limn→∞ϕn(t)=ϕX(t),t∈R.\lim_{n\to \infty}\phi_n(t)=\phi_X(t),\quad t\in\R. n→∞limϕn(t)=ϕX(t),t∈R.
如果存在一个函数ϕ(t)\phi(t)ϕ(t)使得limn→∞ϕn(t)=ϕ(t)\lim\limits_{n\to \infty}\phi_n(t)=\phi(t)n→∞limϕn(t)=ϕ(t),并且ϕ(t)\phi(t)ϕ(t)在t=0t=0t=0处连续,那么存在一个随机变量XXX使得ϕX=ϕ\phi_X=\phiϕX=ϕ,并且Xn⟶dXX_n\stackrel d\longrightarrow XXn⟶dX。如果ccc是常数,则Xn⟶Pc⇔Xn⟶dcX_n\stackrel P\longrightarrow c\Leftrightarrow X_n\stackrel d\longrightarrow cXn⟶Pc⇔Xn⟶dc。
如果Xn⟶PXX_n\stackrel P\longrightarrow XXn⟶PX,那么Xn⟶dXX_n\stackrel d\longrightarrow XXn⟶dX。
如果Xn−Yn⟶P0X_n-Y_n\stackrel P\longrightarrow 0Xn−Yn⟶P0且Xn⟶dXX_n\stackrel d\longrightarrow XXn⟶dX,那么Yn⟶dXY_n\stackrel d\longrightarrow XYn⟶dX。
如果an,bna_n,b_nan,bn是常数列,且an→a,bn→b,Xn⟶dXa_n\to a,b_n\to b,X_n\stackrel d\longrightarrow Xan→a,bn→b,Xn⟶dX,那么
anXn+bn⟶daX+b.a_nX_n+b_n\stackrel d\longrightarrow aX+b. anXn+bn⟶daX+b.如果ccc是常数,Yn⟶Pc,Xn⟶dXY_n\stackrel P\longrightarrow c,X_n\stackrel d\longrightarrow XYn⟶Pc,Xn⟶dX,则XnYn⟶dcXX_nY_n\stackrel d\longrightarrow cXXnYn⟶dcX。
令f:R→Rf:\R\to\Rf:R→R是连续函数,如果Xn⟶dXX_n\stackrel d\longrightarrow XXn⟶dX,那么
f(Xn)⟶df(X).f(X_n)\stackrel d\longrightarrow f(X). f(Xn)⟶df(X).
均方收敛:如果EX2<∞,EXn2<∞,n≥1EX^2<\infty,EX_n^2<\infty,n\ge1EX2<∞,EXn2<∞,n≥1,且limn→∞E∣Xn−X∣2=0\lim\limits_{n\to \infty}E|X_n-X|^2=0n→∞limE∣Xn−X∣2=0,则称XnX_nXn均方收敛于XXX,记作Xn⟶L2XX_n \stackrel {L^2}\longrightarrow XXn⟶L2X。
相关定理:
- 如果Xn⟶L2XX_n\stackrel {L^2}\longrightarrow XXn⟶L2X,那么Xn⟶PXX_n \stackrel P\longrightarrow XXn⟶PX。
- 如果Xn⟶L2X,Xn⟶L2YX_n \stackrel {L^2}\longrightarrow X,X_n\stackrel {L^2}\longrightarrow YXn⟶L2X,Xn⟶L2Y,则X=Ya.s.X=Y\text{ a.s.}X=Y a.s.。
- 如果存在于一个常数MMM使得∣Xn∣≤Ma.s.|X_n|\le M\text{ a.s.}∣Xn∣≤M a.s.,并且Xn⟶PXX_n\stackrel P\longrightarrow XXn⟶PX,那么Xn⟶L2XX_n\stackrel {L^2}\longrightarrow XXn⟶L2X。
- 如果Xn⟶L2XX_n\stackrel {L^2}\longrightarrow XXn⟶L2X,那么EXn→EXEX_n\to EXEXn→EX。
接下来是极限定理,假设ξn\xi_nξn是一系列独立同分布的随机变量,令Sn=∑i=1nξiS_n=\sum_{i=1}^n \xi_iSn=∑i=1nξi。
柯尔莫哥洛夫极限定理表明,当E∣ξn∣<∞,Eξn=μE|\xi_n|<\infty,E\xi_n=\muE∣ξn∣<∞,Eξn=μ时,有
Snn→μa.s.\frac{S_n}{n}\to \mu\text{ a.s.} nSn→μ a.s.
即样本均值以概率1收敛到总体均值。
林德伯格列维极限定理表明,当Dξn=σ2,Eξn=μD\xi_n=\sigma^2,E\xi_n=\muDξn=σ2,Eξn=μ时,有
Sn−nμnσ→N(0,1).\frac{S_n-n\mu}{\sqrt{n}\sigma}\to N(0,1). nσSn−nμ→N(0,1).
3.数学期望收敛定理
单调收敛定理:令(Xn,n≥1)(X_n,n\ge1)(Xn,n≥1)是一列单调不减非负随机变量,即0≤Xn≤Xn+1a.s.0\le X_n\le X_{n+1} \text{ a.s.}0≤Xn≤Xn+1 a.s.,如果Xn→Xa.s.X_n\to X \text{ a.s.}Xn→X a.s.,那么limn→∞EXn=EX\lim\limits_{n\to \infty}EX_n=EXn→∞limEXn=EX;如果(Xn,n≥1)(X_n,n\ge1)(Xn,n≥1)是一列单调不增非负随机变量,即0≤Xn+1≤Xna.s.0\le X_{n+1}\le X_n\text{ a.s.}0≤Xn+1≤Xn a.s.,如果Xn→Xa.s.X_n\to X\text{ a.s.}Xn→X a.s.且EX1<∞EX_1<\inftyEX1<∞,则也有limn→∞EXn=EX\lim\limits_{n\to \infty}EX_n=EXn→∞limEXn=EX。
Fatou引理:令(Xn,n≥1)(X_n,n\ge 1)(Xn,n≥1)是一列单调非负随机变量,那么
limn→∞EXn≥E(limn→∞Xn)\lim_{n\to\infty }EX_n\ge E(\lim_{n\to \infty}X_n) n→∞limEXn≥E(n→∞limXn)
控制收敛定理:令(Xn,n≥1)(X_n,n\ge 1)(Xn,n≥1)是一列随机变量,假设存在一个随机变量YYY使得E∣Y∣<∞E|Y|<\inftyE∣Y∣<∞,并且∣Xn∣≤Ya.s.|X_n|\le Y\text{ a.s.}∣Xn∣≤Y a.s.,如果Xn→Xa.s.X_n\to X\text{ a.s.}Xn→X a.s.或者Xn→PXX_n\stackrel P\to XXn→PX,那么
limn→∞EXn=EX\lim_{n\to \infty }EX_n=EX n→∞limEXn=EX
01.第一章 初等概率论相关推荐
- 微型计算机中储存器可分啊喂,01第一章微型计算机基础知识..ppt
01第一章微型计算机基础知识. 学习方法 学习方法很重要 复习并掌握先修课的有关内容 课堂:听讲与理解.适当笔记 课后:认真复习.完成作业 实验:充分准备.勇于实践 3.计算机发展简史 1)机械计算机 ...
- 传感器检测技术及仪表笔记01第一章 绪论
第一章 绪论 1.1 检测技术及仪表的地位与作用 1.1.1 检测仪表的地位与作用 1.检测的定义 2.检测仪表的地位与作用 3.检测方法 1.2 传感器概述 1.2.1 传感器的基本概念 1.传感器 ...
- 高等数学精讲01 第一章第一节 函数
第一章 函数,极限,连续 概要: 函数:高等数学研究的主要对象 极限(重点难点):用来研究函数的工具,重要概念都是极限用来定义的,连续,导数,定积分 连续性:研究的第一个基本形态 第一节 函数 主要内 ...
- JavaScript高级程序设计笔记01 | 第一章到第四章 | 关键字与保留字 | 数据类型 | 操作符 | 作用域
观前提示:大部分都是书上的内容,个人理解的部分的较少,看我的笔记还不如去看书 第二章 async:可选.表示应该立即下载脚本,但不应妨碍页面中的其他操作,比如下载其他资源或 等待加载其他脚本.只对外部 ...
- Python快速编程入门#学习笔记01# |第一章 :Python基础知识 (Python发展历程、常见的开发工具、import模块导入)
全文目录 ==先导知识== 1 认识Python 1.1.1 Python的发展历程 1.1.2 Python语言的特点 2. Python解释器的安装与Python程序运行 1.2.1 安装Pyth ...
- Python小白入门- 01( 第一章,第1节) 介绍 Python 编程语言
1. 介绍 Python 编程语言 1.1 Python 是什么 Python 是一种高级的.解释型.面向对象的编程语言,具有简洁.易读.易写的语法特点.Python 由 Guido van Ross ...
- 【Python数据科学】第一章 IPython 超越Python
1.IPythonde 的帮助和文档 1.1.用符号 ?获取文档 help(len) Help on built-in function len in module builtins:len(obj, ...
- 第一章 教育基础(01 教育与教育学的产生与发展)
第一章 教育基础 01 教育与教育学的产生与发展 02 教育与社会的发展 03 教育目的与教育制度 04 教师专业发展 05 小学教育研究 06 小学课程 07 心理学基础知识 01 教育与教育学的产 ...
- 概率论与数理统计期末复习题型集锦——第一章
文章目录 第一章 一.概念性知识点 1. 事件间的关系 2. 互不相容事件.对立事件 3. 事件间的运算律 4.习题 二.计算题型 1. 排列组合 2. 古典概型 3. 几何概型 4. 条件概率 5. ...
- 概率统计:第一章 概率论的基本概念
第一章 概率论的基本概念 内容提要: 一. 加法.乘法原理及排列.组合复习 1. 加法原理 设完成一件事有类方法(其中任一类方法都可达到 完成这件事的目的),若第1类方法有种,第2类方法有种, ...
最新文章
- BCH升级日期将至,社区组织开始为11月“硬分叉”做准备
- jqm跳转js不加载
- Face Alignment at 3000 FPS via Regressing Local Binary Features(CVPR2014)读后感(first pass)
- 1SGD、Momention原理
- Hyperledger Fabric 1.0 实战开发系列 第四课 搭建node.js服务器
- CVPR2019最全整理:全部论文下载,Github源码汇总、直播视频、论文解读等
- 力扣198. 打家jie舍(JavaScript)
- 嵌入式DM(data matrix)码检测
- uva10098--排列
- 漂亮的聊天软件网页HTML5模板源码下载
- R语言缺失值高级处理方法
- 关于:使用 OCT 自定义部署 Office 2007-2016
- Nginx报错:nginx: [error] invalid PID number in /run/nginx.pid的解决方案
- 哪种程序员最挣钱?平均月薪30.8K,网友说这是掌握世界的技术
- 算法复习-Akari Puzzle
- 解决springboot警告WARNING: All illegal access operations will be denied in a future release
- 宁夏慢阻肺数字化管理中心与葛兰素史克启动战略合作
- Java 操作excel 插入删除列,插入删除图片
- 微信群转播机器人python练习制作
- 简单易学的编程语言你知道吗?