分布函数弱收敛和一致收敛
经验分布弱收敛和一致收敛到某一特定分布
定理:
若 F n ⇒ F F_n \Rightarrow F Fn⇒F, 且 F F F 连续,则:
lim n → ∞ sup t ∣ F n ( t ) − F ( t ) ∣ = 0 \lim\limits_{n \to \infty} \sup_{t} | F_n(t) - F(t)| =0 n→∞limtsup∣Fn(t)−F(t)∣=0
Proof:
由于 F F F 是某一分布函数,所以必定 ∃ M > 0 \exist M>0 ∃M>0 ,使得对于 ∀ ε > 0 \forall \varepsilon >0 ∀ε>0,有:
{ 1 − F ( M ) < ε F ( − M ) < ε \left\{ \begin{matrix} 1- F(M) < \varepsilon \\ F(-M) < \varepsilon \end{matrix} \right. {1−F(M)<εF(−M)<ε
对于区间 [ − M , M ] [-M,M] [−M,M],一定存在划分 − M = x 0 < x 1 < ⋯ < x J = M -M = x_0 < x_1< \cdots < x_J = M −M=x0<x1<⋯<xJ=M,使得:
对于上述的 ε > 0 \varepsilon >0 ε>0, ∃ δ > 0 \exist\ \delta >0 ∃ δ>0,当 x i + 1 − x i < δ x_{i+1} -x_i < \delta xi+1−xi<δ 时,
F ( x i + 1 ) − F ( x i ) < ε (1) F(x_{i+1}) - F(x_i) < \varepsilon\tag{1} F(xi+1)−F(xi)<ε(1).
(这里其实是给出了每个小区间内函数差值上界)
已知 F n ⇒ F F_n \Rightarrow F Fn⇒F,那么,对于上述的 ε > 0 \varepsilon >0 ε>0, ∃ N ∈ N \exist \ N \in \mathbb{N} ∃ N∈N,使得当 n > N n > N n>N时:
∣ F n ( x i ) − F ( x ) ∣ ≤ ε (2) |F_n(x_i) - F(x)| \leq \varepsilon\tag{2} ∣Fn(xi)−F(x)∣≤ε(2)
(这里给出了每个小区间内 F n F_n Fn和 F F F的差值上界)
故, ∀ x ∈ [ − M , M ] \forall x \in [-M,M] ∀x∈[−M,M], ∃ i → x ∈ [ x i , x i + 1 ] \exist i \rightarrow x \in [x_i,x_{i+1}] ∃i→x∈[xi,xi+1] ,此时:
∣ F n ( x ) − F ( x ) ∣ ≤ ∣ F n ( x i + 1 ) − F ( x ) ∣ ( 因为 F n 单调不减 ) = ∣ F n ( x i + 1 ) − F ( x i + 1 ) + F ( x i + 1 ) − F ( x ) ∣ ≤ ∣ F n ( x i + 1 ) − F ( x i + 1 ) ∣ + ∣ F ( x i + 1 ) − F ( x ) ∣ ( 三角不等式 ) ≤ 2 ε ( 用上面的 ( 1 ) ( 2 ) ) \begin{aligned} |F_n(x) - F(x)| & \leq |F_n(x_{i+1}) - F(x)|(因为F_n单调不减)\\ & = |F_n(x_{i+1}) - F(x_{i+1})+F(x_{i+1})-F(x)|\\ & \leq |F_n(x_{i+1}) - F(x_{i+1})| + |F(x_{i+1})-F(x)|(三角不等式)\\ & \leq 2\varepsilon(用上面的(1)(2)) \end{aligned} ∣Fn(x)−F(x)∣≤∣Fn(xi+1)−F(x)∣(因为Fn单调不减)=∣Fn(xi+1)−F(xi+1)+F(xi+1)−F(x)∣≤∣Fn(xi+1)−F(xi+1)∣+∣F(xi+1)−F(x)∣(三角不等式)≤2ε(用上面的(1)(2))
由于 ε \varepsilon ε 是任意的,可以任意小,所以有:
lim n → ∞ sup t ∣ F n ( t ) − F ( t ) ∣ = 0 \lim\limits_{n \to \infty} \sup_{t} | F_n(t) - F(t)| =0 n→∞limtsup∣Fn(t)−F(t)∣=0
得证。
分布函数弱收敛和一致收敛相关推荐
- 统计学中特征函数理解和学习
在概率论中,特征函数的益处体现在: 任意分布与它的特征函数一一对应: 两个独立随机变量之和的特征函数就是它们二者特征函数的积: 特征函数在零点附近收敛 == 分布函数弱收敛(Levi continuo ...
- R语言与点估计学习笔记(EM算法与Bootstrap法)
一.EM算法 EM算法是一种在观测到数据后,用迭代法估计未知参数的方法.可以证明EM算法得到的序列是稳定单调递增的.这种算法对于截尾数据或参数中有一些我们不感兴趣的参数时特别有效. EM算法的步骤为: ...
- 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 ...
- 数理统计之参数估计与假设检验(二)——经验分布函数与QQ图
参数估计与假设检验 经验分布函数 定义 具体应用 Q-Q图 例题 参考文献 经验分布函数 定义 设 X 1 , X 2 , . . . , X n X_1,X_2,...,X_n X1,X2,.. ...
- UA MATH563 概率论的数学基础 中心极限定理13 Glivenko-Cantelli定理:经验分布函数收敛到真实分布
UA MATH563 概率论的数学基础 中心极限定理13 Glivenko-Cantelli定理:经验分布函数收敛到真实分布 这一讲我们介绍大数定律的一个应用,说明经验分布函数会收敛到真实的分布.先回 ...
- 2018-4-2 幂律分布函数
材料来源 幂律分布 - CSDN博客 https://blog.csdn.net/Together_CZ/article/details/71403073?locationNum=6&fps= ...
- R语言威尔考克森秩和统计分布函数Wilcoxon rank Sum Statistic Distribution(dwilcox, pwilcox, qwilcox rwilcox)实战
R语言威尔考克森秩和统计分布函数Wilcoxon rank Sum Statistic Distribution(dwilcox, pwilcox, qwilcox & rwilcox)实战 ...
- R语言Wilcoxon Signed-rank统计分布函数(dsignrank, psignrank, qsignrank rsignrank )实战
R语言Wilcoxon Signed-rank统计分布函数(dsignrank, psignrank, qsignrank & rsignrank )实战 目录 R语言Wilcoxon Sig ...
- R语言威布尔分布函数F Distribution(dweibull, pweibull, qweibull rweibull )实战
R语言威布尔分布函数F Distribution(dweibull, pweibull, qweibull & rweibull )实战 目录 R语言威布尔分布函数F Distribution ...
最新文章
- 如何利用客户端在CU发博客
- springboot RestTemplate httpclient
- explain的讲解
- 百度贴吧——因百度账号策略调整导致长时间未登录的账号(最后登录在2017年6月1日以前)网页端无法登陆、移动端异常解决方案
- 互联网协议套件(TCP/IP)及七层OSI模型
- Raft协议安全性保证
- 浅谈Java中的hashcode方法
- python绘制矩形图_Python。在底图中绘制矩形
- python对数组排序代码实现_Python自定义类的数组排序实现代码
- 设计模式原则之六:依赖倒置原则
- 苹果电脑装系统只有W ndows,苹果MAC电脑双系统教程——MAC安装Windows双系统教程...
- Android自动化-双击操作
- 读书笔记 ---《偷影子的人》
- 百度云安装mysql_mysql5.7 安装版本配置教程+百度云资源分享
- 计算机科学有科研,计算机科学领域科研合著网演化分析
- arcgis 同名图层合并_arcgis合并多个图层
- 几何画板是如何证明勾股定理的
- USBHID-BUS Hound能抓到数据但上位机读不到数据
- 一文读懂硬件开发EVT/DVT/PVT三大阶段
- 蓝牙解码格式哪个最好_蓝牙耳机哪个品牌最好?百位声学工程师说了真心话!_...