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概率测度,用C\mathcal{C}C表示这个可测空间上所有可能的概率测度,接下来我们试图研究C\mathcal{C}C的紧性。之所以要讨论概率测度族的紧性是因为我们前几讲讨论的是概率测度的收敛,我们希望概率测度的极限也是概率测度,特别是在中心极限定理中,我们希望极限分布也能是一个分布,因此我们需要紧的概率测度族。
例 概率测度的极限可能不是概率测度,比如μn=aδn+(1−a)v\mu_n = a\delta_n+(1-a)vμn=aδn+(1−a)v,其中vvv是概率测度,不妨假设v=δ0v = \delta_0v=δ0,则
Fn(x)={1−a,x<n1,x≥n→1−aF_n(x) = \begin{cases} 1-a, x<n \\ 1,x \ge n \end{cases} \to 1-aFn(x)={1−a,x<n1,x≥n→1−a
显然F(x)=1−aF(x)=1-aF(x)=1−a不是一个cdf。我们称这样的概率测度它取极限后存在"mass loss"。
Helly定理
假设FnF_nFn是实数上的一列累积分布函数,则存在它的子列FnkF_{n_k}Fnk使得
Fnk→FF_{n_k} \to FFnk→F
其中FFF是非减、右连续、取值在[0,1][0,1][0,1]上的函数,这样的收敛在老文献被称为vague convergence。
说明
尽管FFF本身不是一个累积分布函数,但是根据FFF我们可以导出一个Lebesgue-Stieltjes测度μF\mu_FμF,并基于μF\mu_FμF导出一个概率测度。
证明
∀q∈Q\forall q \in \mathbb{Q}∀q∈Q,存在FnF_nFn的子列收敛到G(q)G(q)G(q),定义
F(x)=inf{G(q):q>x,q∈Q}F(x) = \inf\{G(q):q>x,q \in \mathbb{Q}\}F(x)=inf{G(q):q>x,q∈Q}
验证FFF是一个非减、右连续、取值在[0,1][0,1][0,1]上的函数即可。
概率测度的紧性
称{Fn}\{F_n\}{Fn}或者{μn}\{\mu_n\}{μn}是紧的(tight),如果∀ϵ>0\forall \epsilon>0∀ϵ>0,∃K\exists K∃K紧集,K⊂ΩK \subset \OmegaK⊂Ω,使得
supnμn(KC)<∞\sup_n \mu_n(K^C)<\inftynsupμn(KC)<∞
也就是说存在一个概率1的紧集。
定理
假设{Fn}\{F_n\}{Fn}是一列分布,它的每个子列的极限都是分布的充要条件是FnF_nFn是紧的。
证明
⇐\Leftarrow⇐:如果FnF_nFn是紧的,FnkF_{n_k}Fnk是它的一个子列,Fnk→FF_{n_k} \to FFnk→F,我们需要说明FFF也是分布。
根据Helly定理,存在一个子列FnklF_{n_{k_l}}Fnkl收敛到GGG,因为Fnk→FF_{n_k} \to FFnk→F,所以F=GF=GF=G,于是FFF也是非减、右连续、取值在[0,1][0,1][0,1]上的函数。
因为FnF_nFn是紧的,∀ϵ>0,∃M>0\forall \epsilon>0,\exists M>0∀ϵ>0,∃M>0,supnP(∣Xn∣>M)<ϵsupn(Fn(−M)+1−Fn(M))<ϵ\sup_nP(|X_n| >M)<\epsilon \\ \sup_n (F_n(-M)+1-F_n(M))<\epsilonnsupP(∣Xn∣>M)<ϵnsup(Fn(−M)+1−Fn(M))<ϵ
不妨假设MMM是一个连续点(分布函数的连续点是稠密的),如果x>Mx>Mx>M,则
F(x)≥F(M)=limFnk(M)≥1−ϵF(x) \ge F(M) = \lim F_{n_k}(M) \ge 1-\epsilonF(x)≥F(M)=limFnk(M)≥1−ϵ
于是limx→∞F(x)=1\lim_{x \to \infty} F(x) = 1limx→∞F(x)=1,类似地可以说明limx→−∞F(x)=0\lim_{x \to -\infty}F(x) = 0limx→−∞F(x)=0。
⇒\Rightarrow⇒:假设FnF_nFn不紧,∃ϵ>0\exists \epsilon>0∃ϵ>0,∀M>0\forall M>0∀M>0,supnP(∣Xn∣>M)>ϵ\sup_n P(|X_n|>M)>\epsilonsupnP(∣Xn∣>M)>ϵ,也就是对于每一个MMM,我们总是可以找到一个FnMF_{n_M}FnM,使得
supn(FnM(−M)+1−FnM(M))>ϵ\sup_n (F_{n_M}(-M)+1-F_{n_M}(M))>\epsilonnsup(FnM(−M)+1−FnM(M))>ϵ
根据Helly定理,我们总是可以找到一个收敛的子列,基于它的极限可以构造一个L-S测度,我们记它的极限为FFF,给定l<Ml<Ml<M,且lll也是连续点,则
F(−l)+(1−F(l))=lim(FnM(−M)+1−FnM(M))>ϵF(-l)+(1-F(l)) = \lim (F_{n_M}(-M)+1-F_{n_M}(M))>\epsilonF(−l)+(1−F(l))=lim(FnM(−M)+1−FnM(M))>ϵ
于是根据极限的保号性,
limlF(−l)+(1−F(l))>ϵ\lim_{l}F(-l)+(1-F(l)) >\epsilonllimF(−l)+(1−F(l))>ϵ
这与基于FFF可以构造一个L-S测度矛盾。
在上面的定理中,我们证明紧性的方法是反证法,紧性不成立可以导出与Helly定理矛盾的结果,于是我们可以得到紧性。但反证法在实际问题的应用中比较麻烦,我们希望导出一些更“好用”的结果。
紧性的充分条件 supnE∣Xn∣α<∞,∀α>0\sup_n E|X_n|^{\alpha}<\infty,\forall \alpha>0supnE∣Xn∣α<∞,∀α>0
说明
μn([−M,M]C)=P(∣Xn∣>M)=P(∣Xn∣α>Mα)≤E∣Xn∣αMα≤supnE∣Xn∣αMα\mu_n([-M,M]^C) = P(|X_n|>M) = P(|X_n|^{\alpha}>M^{\alpha}) \\ \le \frac{E|X_n|^{\alpha}}{M^{\alpha}} \le \frac{\sup_n E|X_n|^{\alpha}}{M^{\alpha}}μn([−M,M]C)=P(∣Xn∣>M)=P(∣Xn∣α>Mα)≤MαE∣Xn∣α≤MαsupnE∣Xn∣α
取Mα>const./ϵM^{\alpha}>const. / \epsilonMα>const./ϵ即可。
UA MATH563 概率论的数学基础 中心极限定理23 概率测度族的紧性相关推荐
- 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 ...
- 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 ...
最新文章
- 第十六届全国大学生智能车提问与回复 |7月10日
- linux获取命令的返回值,怎样获取shell函数的返回值及shell命令的返回值?
- 手机cpu排行_鲁大师手机芯片排行榜:麒麟990第四,骁龙855第五!
- 解开拒绝本地登录的“死结”
- Codeforces 374A - Inna and Pink Pony
- openairinterface 中手动安装编译 UHD, Ubuntu 16.04
- Kafka_Zookeeper_环境搭建使用
- 「leetcode」234. 回文链表:【数组模拟】【翻转后半部分】详解
- vsftpd+TLS+MySQL
- 什么是串行端口?分哪几种类?-道合顺大数据Infinigo
- linux读usb蓝牙数据,嵌入式Linux下USB蓝牙设备驱动.pdf
- html如何制作艺术字体,PS制作个性的艺术字特效
- Memcached命名空间
- 数字化名词解释—数字化
- 【项目总结】雪球爬虫完结(附Snowball模块代码)
- [译] 2019版 web 浏览器现状
- 基于MATLAB的图像平滑滤波降噪(去噪)系统(通信毕业设计)(中值滤波,维纳滤波,小波降噪,均值滤波,椒盐噪声)
- 天猫店群玩法解析,适合做天猫店群高利润玩法的类目有哪些?
- 看牛人如何20分钟被动加114个微信好友!
- 如何免费合并多个PDF文件?
热门文章
- Leetcode 373. 查找和最小的K对数字 解题思路及C++实现
- OpenCV学习之路之OpenCV安装(VS2013版)
- 遍历二叉树的神级方法(Morris)
- 返回的到的数据做整合_成功的整合营销有哪些秘诀
- 组合模式——透明组合模式,安全组合模式
- Vue指令之v-for——迭代数组、迭代对象中的属性、迭代数字||v-for循环中key属性的使用
- java的知识点17——java.util.Arrays类、多维数组
- 用python结束exe进程
- Linux 技术篇-使用vim命令创建、编辑文件内容实例演示,linux修改文档方法
- Manage Jenkins管理界面提示“依赖错误: 部分插件由于缺少依赖无法加载...“问题解决办法