UA MATH563 概率论的数学基础 中心极限定理19 概率测度的全变差收敛 Skorohod定理
UA MATH563 概率论的数学基础 中心极限定理19 概率测度的全变差收敛 Skorohod定理
上一讲我们讨论了概率测度的弱收敛,这一讲我们讨论概率测度的其他收敛模式:
概率测度的弱收敛
假设{μn}\{\mu_n\}{μn}是一列概率测度,称它弱收敛到概率测度μ\muμ,如果μn\mu_nμn导出的累积分布函数弱收敛到μ\muμ导出的累积分布函数,我们记为μn⇒μ\mu_n \Rightarrow \muμn⇒μ
概率测度的Total variation convergence (全变差收敛)
∥μn−μ∥Var=supA∣μn(A)−μ(A)∣→0\left\| \mu_n-\mu \right\|_{Var} = \sup_{A} |\mu_n(A)-\mu(A)| \to 0∥μn−μ∥Var=Asup∣μn(A)−μ(A)∣→0
例
我们考虑一种看起来与弱收敛等价的定义,∀A∈B(R)\forall A \in \mathcal{B}(\mathbb{R})∀A∈B(R),μn(A)→μ(A)\mu_n(A) \to \mu(A)μn(A)→μ(A),然而实际上这个收敛比弱收敛更强,因为弱收敛只考虑B(R)\mathcal{B}(\mathbb{R})B(R)的一类子集:{(−∞,x]:x∈R}\{(-\infty,x]:x \in \mathbb{R}\}{(−∞,x]:x∈R};另外,全变差收敛也比弱收敛更强。
比如我们考虑{k/n:k=1,2,⋯,n}\{k/n:k=1,2,\cdots,n\}{k/n:k=1,2,⋯,n}上的均匀分布,它的分布为μn\mu_nμn,累积分布函数为
Fn(x)=⌊nx⌋n,0≤x≤1F_n(x) = \frac{\lfloor nx \rfloor }{n}, 0 \le x \le 1Fn(x)=n⌊nx⌋,0≤x≤1
考虑(0,1)(0,1)(0,1)上的均匀分布,它的分布为μ\muμ,累积分布函数为FFF,
F(x)=x,x∈(0,1)F(x) = x,x \in (0,1)F(x)=x,x∈(0,1)
我们的直觉告诉我们,FnF_nFn应该会收敛到FFF,下面我们考虑不同的收敛的定义:
- 弱收敛:因为在xxx连续时,Fn(x)→F(x)F_n(x) \to F(x)Fn(x)→F(x),所以Fn⇒xF_n \Rightarrow xFn⇒x;
- ∀A∈B(R)\forall A \in \mathcal{B}(\mathbb{R})∀A∈B(R),μn(A)→μ(A)\mu_n(A) \to \mu(A)μn(A)→μ(A):比如A=QA = \mathbb{Q}A=Q,μn(A)=1\mu_n(A)=1μn(A)=1但是μ(A)=0\mu(A)=0μ(A)=0,因此在这种定义下,FnF_nFn并不会收敛到FFF
- 全变差收敛:∥μn−μ∥=supA∣μn(A)−μ(A)∣=1↛0\left\| \mu_n - \mu \right\|=\sup_{A} |\mu_n(A)-\mu(A)|=1 \nrightarrow 0∥μn−μ∥=supA∣μn(A)−μ(A)∣=1↛0,因此在全变差收敛的意义下,FnF_nFn也不会收敛。
Scheffe引理
假设μn\mu_nμn与μ\muμ是实数轴上的分布,对应的密度为fn,ff_n,ffn,f,如果fn→a.e.ff_n \to_{a.e.} ffn→a.e.f,则∥μn−μ∥Var→0\left\| \mu_n-\mu \right\|_{Var} \to 0∥μn−μ∥Var→0
说明
从这个引理可以看出,全变差收敛的一个充分条件是概率密度收敛,而弱收敛只要求分布函数收敛,从这个角度也可以得出全变差收敛强于弱收敛。
证明
∥μn−μ∥Var=supA∣μn(A)−μ(A)∣=supA∣∫fn1Adx−∫f1Adx∣=supA∣∫(fn−f)1Adx∣≤supA∫∣fn−f∣1Adx≤∫∣fn−f∣dx\left\| \mu_n-\mu \right\|_{Var}=\sup_{A} |\mu_n(A)-\mu(A)| \\=\sup_{A} |\int f_n 1_A dx-\int f1_A dx| \\ = \sup_{A} |\int (f_n-f) 1_A dx| \\ \le \sup_{A} \int |f_n-f|1_A dx \\ \le \int |f_n-f|dx ∥μn−μ∥Var=Asup∣μn(A)−μ(A)∣=Asup∣∫fn1Adx−∫f1Adx∣=Asup∣∫(fn−f)1Adx∣≤Asup∫∣fn−f∣1Adx≤∫∣fn−f∣dx
因为
∫(fn−f)dx=0\int (f_n-f)dx = 0∫(fn−f)dx=0
所以
∫(fn−f)+dx=∫(fn−f)−dx\int (f_n-f)^+dx = \int (f_n-f)^-dx∫(fn−f)+dx=∫(fn−f)−dx
于是
∫∣fn−f∣dx=2∫(fn−f)+dx\int |f_n-f|dx = 2\int (f_n-f)^+dx∫∣fn−f∣dx=2∫(fn−f)+dx
又因为
(fn−f)+≤f+=f∈L1(f_n-f)^+ \le f^+ = f \in L^1(fn−f)+≤f+=f∈L1
根据控制收敛定理以及fn→a.e.ff_n \to_{a.e.} ffn→a.e.f,2∫(fn−f)+dx→02\int (f_n-f)^+dx \to 02∫(fn−f)+dx→0。
事实上,在概率密度存在时,全变差范数可以用概率密度计算:
∥μn−μ∥Var=12∫∣fn−f∣dx\left\| \mu_n-\mu \right\|_{Var} = \frac{1}{2}\int |f_n-f|dx∥μn−μ∥Var=21∫∣fn−f∣dx
Skorohod定理
如果Fn⇒FF_n \Rightarrow FFn⇒F,则存在以FnF_nFn为cdf的YnY_nYn与以FFF为cdf的YYY,使得Yn→a.s.YY_n \to_{a.s.} YYn→a.s.Y。
这里暂不给出Skorohod定理的证明,因为它并不是一个在概率论中无可替代的定理,但如果可以使用这个定理,那么我们就可以以更简单的路径建立概率论的一些结果。下面举两个例子:
例 Skorohod定理推依概率收敛版本的Fatou引理
如果ggg非负,Xn→dXX_n \to_d XXn→dX,则
lim infE[g(Xn)]≥E[g(X)]\liminf E[g(X_n)] \ge E[g(X)]liminfE[g(Xn)]≥E[g(X)]
根据Skorohod定理,存在Yn=dXn,Y=dXY_n =_d X_n,Y=_d XYn=dXn,Y=dX,并且Yn→a.s.YY_n \to_{a.s.} YYn→a.s.Y。用YnY_nYn代替XnX_nXn:
E[g(Xn)]=E[g(Yn)],E[g(X)]=E[g(Y)]E[g(X_n)] = E[g(Y_n)],E[g(X)]=E[g(Y)]E[g(Xn)]=E[g(Yn)],E[g(X)]=E[g(Y)]
因为Fatou引理对几乎必然收敛成立,于是Skorohod定理说明Fatou引理对弱收敛也成立。
类似的,有界收敛定理也要求几乎必然收敛,因此Skorohod定理也说明有界收敛定理对对弱收敛也成立。
然而需要注意的是,Skorohod定理并不能说明单调收敛定理与控制收敛定理对弱收敛成立,因为Skorohod定理无法保证基于Xn≤Xn+1,a.s.X_n \le X_{n+1},a.s.Xn≤Xn+1,a.s.构造的YnY_nYn与Yn+1Y_{n+1}Yn+1也具有这样的序关系,而控制收敛需要Fatou+单调收敛导出,单调收敛不成立,则我们无法保证控制收敛成立。
UA MATH563 概率论的数学基础 中心极限定理19 概率测度的全变差收敛 Skorohod定理相关推荐
- UA MATH563 概率论的数学基础 中心极限定理23 概率测度族的紧性
UA MATH563 概率论的数学基础 中心极限定理23 概率测度族的紧性 给定一个度量可测空间(Ω,F)(\Omega,\mathcal{F})(Ω,F),度量为ddd,我们可以在这个可测空间上定义 ...
- UA MATH563 概率论的数学基础 中心极限定理12 强大数定律 版本2:Etemadi定理
UA MATH563 概率论的数学基础 中心极限定理12 强大数定律 版本2:Etemadi定理 这一讲我们介绍强大数定律(Strong law of large number, SLLN)的另一个版 ...
- UA MATH563 概率论的数学基础 中心极限定理22 度量概率空间中的弱收敛 Portmanteau定理
UA MATH563 概率论的数学基础 中心极限定理22 度量概率空间中的弱收敛 Portmanteau定理 现在我们讨论度量空间中的弱收敛,假设(Ω,d)(\Omega,d)(Ω,d)是一个度量空间 ...
- UA MATH563 概率论的数学基础 中心极限定理24 随机变量的特征函数
UA MATH563 概率论的数学基础 中心极限定理24 随机变量的特征函数 定义 假设XXX是定义在(Ω,F,P)(\Omega,\mathcal{F},P)(Ω,F,P)上的随机变量,定义 ϕ(t ...
- UA MATH563 概率论的数学基础 中心极限定理21 Skorohod定理的证明
UA MATH563 概率论的数学基础 中心极限定理21 Skorohod定理的证明 Skorohod定理 如果Fn⇒FF_n \Rightarrow FFn⇒F,则存在以FnF_nFn为cdf的 ...
- UA MATH563 概率论的数学基础 中心极限定理20 弱收敛的性质
UA MATH563 概率论的数学基础 中心极限定理20 弱收敛的性质 性质一:两种定义的等价性 随机变量依分布收敛 定义一: 假设{Xn}\{X_n\}{Xn}是一列随机变量,称它依分布收敛到XX ...
- UA MATH563 概率论的数学基础 中心极限定理17 0-1律的应用
UA MATH563 概率论的数学基础 中心极限定理17 0-1律的应用 第14讲到第16讲我们介绍了Kolmogorov非常著名的几大定理(如下),事实上Kolmogorov开发出这些定理的目标是证 ...
- UA MATH563 概率论的数学基础 中心极限定理16 Kolmogorov 3-series定理
UA MATH563 概率论的数学基础 中心极限定理16 Kolmogorov 3-series定理 考虑∑n≥1an\sum_{n \ge 1}a_n∑n≥1an,这个级数收敛的充要条件是它的部 ...
- UA MATH563 概率论的数学基础 中心极限定理15 Kolmogorov 0-1律
UA MATH563 概率论的数学基础 中心极限定理15 Kolmogorov 0-1律 如果是初见的话会觉得Kolmogorov 0-1律看上去很奇怪,但它在概率论中有很广泛的应用,这一讲我们简单介 ...
- UA MATH563 概率论的数学基础 中心极限定理14 Kolmogorov maximal inequality
UA MATH563 概率论的数学基础 中心极限定理14 Kolmogorov maximal inequality 这一讲介绍一个有用的不等式,它给出了独立随机变量的和的最值的tail probab ...
最新文章
- 09-dispatch_source
- eval语法报错 ie10_js eval 语法错误 急急急
- jQuery实例——展示表格点击变色、全选、删除
- 【Java4】IO重定向
- excel表中怎么插入visio_用Excel编制精确甘特图,准确控制任务进展,提高项目管理水平...
- 超级马里奥游戏像素素材_《超级马里奥3D世界+库巴之怒》游戏文件尺寸相当小...
- WCF服务自托管(Self-Hosting)
- 简单的java程序代码带注释,Java:基于注释的代码注入的简单技术?
- Python的第三方库xlwt
- ANT出现“警告: 编码 GBK 的不可映射字符”解决方法
- 安卓应用间的数据共享:ContentProvider、ContentResolver全解
- 情侣c语言程序,C/C++编程笔记:C语言制作情侣必备《爱情电子相册》,源码解析!...
- Meterpreter命令详解
- snipaste如何滚动截图_3款工具满足你对截图软件的所有想象
- Python中的图像增强
- 微信分享朋友圈链接怎么显示图片-企业微信二维码转成名片
- ftp服务器的搭建与使用
- Shopex模板机制总览(摘要版)
- 遍历HashMap中元素的三种方法
- 从第三方企业邮箱迁移至Office 365(21V) Exchange Online