概率极限理论

约 2138 个字 2 张图片 预计阅读时间 7 分钟

伯努利大数定律

给定\(p \in (0, 1)\)，记\(S_n \sim \text{Binomial}(n, p)\)，则

\[ P(w: \lvert \frac{S_n(w)}{n} - p \rvert \geqslant \epsilon) \to 0 \quad (n \to \infty) \]

即频率与概率的偏差的概率随着试验次数的增加而趋近于0

Possion 极限定理

令 \(0 < p_n < 1\)，假设 \(S_n \sim B(n, p_n)\)，如果 \(np_n \to \lambda\)，并且 \(0 < \lambda < 1\) 那么对任何 \(k = 0, 1, 2, \ldots\)

\[ P(S_n = k) \to \frac{\lambda^k e^{-\lambda}}{k!}, \quad n \to \infty \]

证明：由于 \(S_n \sim B(n, p_n)\)

\[ P(S_n = k) = \frac{n!}{k!(n-k)!} p_n^k (1-p_n)^{n-k} \]

\[ = \frac{1}{k!} \cdot \frac{n(n-1)\cdots(n-k+1)}{n^k} \cdot (np_n)^k \cdot \left(1 - \frac{\lambda}{n} + o\left(\frac{1}{n}\right)\right)^{n-k} \]

\[ \to \frac{\lambda^k e^{-\lambda}}{k!}, \quad n \to \infty \]

Chebyshev 大数律

Chebyshev 不等式: 对任意随机变量 \(X\), \(EX\) 和 \(EX^2\) 存在有限, 那么对任意 \(\varepsilon > 0\)

\[ P(|X - EX| > \varepsilon) \leqslant \frac{Var(X)}{\varepsilon^2} \]

应用 Chebyshev 不等式证明 Bernoulli 大数律

\[ P\left(\left|\frac{S_n}{n} - p\right| > \varepsilon\right) = P(|S_n - np| > n\varepsilon) \]

\[ \leqslant \frac{Var(S_n - np)}{n^2 \varepsilon^2} \]

\[ = \frac{np(1-p)}{n^2 \varepsilon^2} \to 0, \quad n \to \infty \]

Chebyshev 大数律

假设 \(\xi_k, k \geqslant 1\) 是一列随机变量，\(E\xi_k = \mu\)。记 \(S_n = \sum_{k=1}^{n} \xi_k\)，如果

\[ \frac{Var(S_n)}{n^2} \to 0, \quad n \to \infty \]

那么

\[ \frac{S_n}{n} \to \mu, \quad n \to \infty \]

更一般地，假设 \(\xi_k, k \geqslant 1\) 是一列随机变量，\(E\xi_k = \mu_k\)。如果

\[ \frac{Var(S_n)}{n^2} \to 0, \quad n \to \infty \]

那么

\[ \frac{S_n}{n} - \frac{\sum_{k=1}^{n} \mu_k}{n} \to 0, \quad n \to \infty \]

Chebyshev 大数律的证明

对任意 \(\varepsilon > 0\),

\[ P\left(\left|\frac{S_n}{n} - \frac{\sum_{k=1}^{n} \mu_k}{n}\right| > \varepsilon\right) \leqslant \frac{Var(S_n)}{n^2 \varepsilon^2} \to 0 \]

这里\(S_n\) 对应Chebyshev不等式中的\(X\)，\(\sum_{k=1}^{n} \mu_k\) 对应Chebyshev不等式中的\(\mu\)

\(n\varepsilon\) 对应Chebyshev不等式中的\(\varepsilon\)

Chebyshev 大数律的意义: 1. 样本均值渐近逼近均值

1. 没有独立性要求

2. Chebyshev 大数律的不足之处: 要求方差存在

Khinchin 大数律

假设 \(\xi_k, k \geqslant 1\) 是一列独立同分布的随机变量，且 \(E\xi_k = \mu\)，记 \(S_n = \sum_{k=1}^{n} \xi_k\)，那么

\[ \frac{S_n}{n} \to \mu, \quad n \to \infty \]

De Moivre-Laplace 中心极限定理

De Moivre公式

\[ (\cos \theta + i \sin \theta)^n = \cos n\theta + i \sin n\theta \]

假设 \(S_n \sim B(n, p)\)，那么

\[ P\left( \frac{S_n - np}{\sqrt{np(1-p)}} \leqslant x \right) \approx \int_{-\infty}^{x} \frac{1}{\sqrt{2\pi}} e^{-\frac{t^2}{2}} \, dt \]

• 左边：规范化 \(\frac{S_n - np}{\sqrt{np(1-p)}}\) 随机变量的分布函数

• 右边：正态分布函数

\[ \Phi(x) = \int_{-\infty}^{x} \frac{1}{\sqrt{2\pi}} e^{-\frac{t^2}{2}} \, dt \]

\[ P(a \leqslant S_n \leqslant b) = P\left( \frac{a - np}{\sqrt{np(1-p)}} \leqslant \frac{S_n - np}{\sqrt{np(1-p)}} \leqslant \frac{b - np}{\sqrt{np(1-p)}} \right) \approx \Phi\left( \frac{b - np}{\sqrt{np(1-p)}} \right) - \Phi\left( \frac{a - np}{\sqrt{np(1-p)}} \right) \]

利用De Moivre-Laplace定理证明

在伯努利试验中，若\(p \in (0, 1)\)，则不管\(A\)是多大的常数，总有

\[ P(\lvert \mu_n - np \rvert < A) \to 0, \quad n \to \infty \]

将其化为标准形式，则

\[ P(\lvert \dfrac{\mu_n - np}{\sqrt{np(1-p)}} \rvert < \frac{A}{\sqrt{np(1-p)}})\to 0, \quad n \to \infty \]

由De Moivre-Laplace定理，右边是趋向于0,所以原概率相当于

\[ P(|X| < 0) = 2 \Phi(0) - 1 = 0 \]

其中 \(X\) 是标准正态分布

但是，这一结果是否与大数定律相矛盾呢，直观上理解有些困难，但是，我们将其化为大数定律的形式来看的话，就有

\[ P(\lvert \dfrac{\mu_n}{n} - p \rvert < \dfrac{A}{n}) \to 0, \quad n \to \infty \]

但是大数定律的结论是,对于任意给定的\(\epsilon > 0\),总有

\[ P(\lvert \dfrac{\mu_n}{n} - p \rvert > \epsilon) \to 0, \quad n \to \infty \]

那么结果就很明了了，大数定律需要\(\epsilon\)给定,但是这里的\(\dfrac{A}{n}\)是与\(n\)有关一直变化的，并不满足大数定律的条件，所以，大数定律与这个结论并不矛盾，关键就在于\(A\)是给定的常数导致它除以\(n\)后，\(\epsilon\)是变化的。

依概率收敛

\((\Omega, \mathcal{S}, P)\) 是一个概率空间，\(X, X_n, n \geqslant 1\) 是一列随机变量，如果对任意 \(\epsilon > 0\),

\[ P(\omega : |X_n(\omega) - X(\omega)| > \epsilon) \to 0, \quad n \to \infty \]

称 \(X_n\) 依概率收敛到 \(X\)，记做 \(X_n \xrightarrow{P} X\)。

按此概念，Bernoulli 大数律可写成

\[ \frac{S_n}{n} \xrightarrow{P} p \]

依概率收敛的性质

极限唯一性依概率收敛的判别法则运算性质连续映射保依概率收敛

如果 \(X_n \xrightarrow{P} X\) 且 \(X_n \xrightarrow{P} Y\)，那么

\[ P(X=Y) = 1 \]

证明

\[ \text{证明: 只需证明 } P(X \neq Y) = 0. \text{ 注意到,} \]

\[ P(X \neq Y) = P(|X - Y| > 0) = P(\cup_{m=1}^{\infty}\{ |X - Y| > \frac{1}{m} \}) \]

因此, 需要证明对任意 \(\epsilon > 0\),

\[ P(|X - Y| > \epsilon) = 0 \]

给定 \(\epsilon > 0\), 对任意 \(n \geqslant 1\)

\[ P(|X - Y| > \epsilon) = P(|(X_n - X) - (X_n - Y)| > \epsilon) \]

\[ \leqslant P(|X_n - X| + |X_n - Y| > \epsilon) \]

这里运用了三角不等式，小的发生，大的一定也发生；

\[ \leqslant P(|X_n - X| > \frac{\epsilon}{2}) + P(|X_n - Y| > \frac{\epsilon}{2}) \]

这里是因为

\[ \{a+b>c\} \subset \{a>\frac{c}{2}\} \cup \{b>\frac{c}{2}\} \]

令 \(n \to \infty\),

\[ P(|X_n - X| > \frac{\epsilon}{2}) \to 0, \quad P(|X_n - Y| > \frac{\epsilon}{2}) \to 0 \]

因此

\[ P(|X - Y| > \epsilon) = 0 \]

\[ \text{因此, } P(X = Y) = 1 \]

如果存在某 \(r > 0\), 成立

\[ E|X_n - X|^r \to 0, \quad n \to \infty \]

那么

\[ X_n \xrightarrow{P} X \]

如果 \(X_n \xrightarrow{P} X, Y_n \xrightarrow{P} Y\), 那么

(i) \(X_n \pm Y_n \xrightarrow{P} X \pm Y\)

(ii) \(X_n \cdot Y_n \xrightarrow{P} X \cdot Y\)

(iii) 如果 \(P(Y \neq 0) = 1\), 那么 \(\frac{X_n}{Y_n} \xrightarrow{P} \frac{X}{Y}\)

假设 \(f: \mathbb{R} \mapsto \mathbb{R}\) 是连续映射，如果 \(X_n \xrightarrow{P} X\)，那么

\[ f(X_n) \xrightarrow{P} f(X) \]

证明

设 \(\epsilon' > 0\)，存在 \(M > 0\)，使得

\[ P(|\xi| \geqslant M) \leqslant P(|\xi| \geqslant \frac{M}{2}) \leqslant \frac{\epsilon'}{4} \]

由于 \(\xi_n \xrightarrow{P} \xi\)，故存在 \(N_1 \geqslant 1\)，当 \(n \geqslant N_1\) 时，\(P(|\xi_n - \xi| \geqslant \frac{M}{2}) \leqslant \frac{\epsilon'}{4}\)。因此

\[ P(|\xi_n| \geqslant M) \leqslant P(|\xi_n - \xi| \geqslant \frac{M}{2}) + P(|\xi| \geqslant \frac{M}{2}) \leqslant \frac{\epsilon'}{2} \]

又因 \(f(x)\) 在 \((-\infty, \infty)\) 上连续，从而在 \([-M, M]\) 上一致连续。对给定的 \(\epsilon > 0\)，存在 \(\delta > 0\)，当 \(|x - y| < \delta\) 时，\(|f(x) - f(y)| < \epsilon\)。这样

\[ P(|f(\xi_n) - f(\xi)| \geqslant \epsilon) \leqslant P(|\xi_n - \xi| \geqslant \delta) + P(|\xi_n| \geqslant M) + P(|\xi| \geqslant M) \]

对上述的 \(\delta\)，存在 \(N_2 \geqslant 1\)，当 \(n \geqslant N_2\) 时，

\[ P(|\xi_n - \xi| \geqslant \delta) \leqslant \frac{\epsilon'}{4} \]

当 \(n \geqslant \max(N_1, N_2)\) 时，

\[ P(|f(\xi_n) - f(\xi)| \geqslant \epsilon) \leqslant \frac{\epsilon'}{4} + \frac{\epsilon'}{2} + \frac{\epsilon'}{4} = \epsilon' \]

依分布收敛

假设 \((\Omega, \Sigma, P)\) 是概率空间，\(X, X_n, n \geqslant 1\) 是一列随机变量，\(F, F_n, n \geqslant 1\) 是一列相应的分布函数，如果对于 \(F\) 的任意连续点 \(x\),

\[ F_n(x) \to F(x), \quad n \to \infty \]

称 \(F_n\) 依分布收敛于 \(F\)，记 \(F_n \xrightarrow{d} F\) 或者 \(X_n \xrightarrow{d} X\)。

按此概念，中心极限定理可写成

\[ \frac{S_n - np}{\sqrt{np(1-p)}} \xrightarrow{d} N(0, 1) \]

Tip

• 如果 \( F \) 是在 \(\mathbb{R}\) 上连续, 那么 \( F_n \) 处处收敛到 \( F \)

• 一般地,\( F \)不是连续函数(左极限存在，右连续的函数)

• 既然 \(F\) 是单调有界函数，\(F\) 的不连续点集最多可数个：

\[ D_F = \{x : F(x) - F(x-) > 0\} = \bigcup_{n=1}^{\infty} \left\{x : F(x) - F(x-) \geqslant \frac{1}{n}\right\} \]

• \(F\) 的连续性点集在 \(\mathbb{R}\) 上稠密。

依概率收敛与依分布收敛的关系

依概率收敛意味着依分布收敛依分布收敛并不意味着依概率收敛依分布收敛的判别法则

证明的关键在于构造夹逼项;

如果 \( \xi_n \xrightarrow{P} \xi \)，那么 \( \xi_n \xrightarrow{d} \xi \)

假设 \(F\) 和 \(F_n\) 分别是 \(\xi\) 和 \(\xi_n\) 的分布函数，那么对任意给定 \(\epsilon > 0\)，有

\[ (\xi \leqslant x - \epsilon) = (\xi \leqslant x - \epsilon, \xi_n \leqslant x) \cup (\xi \leqslant x - \epsilon, \xi_n > x) \subset (\xi_n \leqslant x) \cup (\xi_n - \xi > \epsilon) \]

因此

\[ F(x - \epsilon) \leqslant F_n(x) + P(\xi_n - \xi > \epsilon) \]

令 \(n \to \infty\)，由于 \(P(\xi_n - \xi > \epsilon) \to 0\)，所以

\[ F(x - \epsilon) \leqslant \inf_{n \to \infty} F_n(x) \]

同理

\[ (\xi_n \leqslant x) \subset (\xi \leqslant x + \epsilon) \cup (\xi - \xi_n < -\epsilon) \]

从而

\[ F(x + \epsilon) \geqslant \sup_{n \to \infty} F_n(x) \]

因此

\[ \lim_{n \to \infty} F_n(x) = F(x) \]

但是如果 \(X_n \xrightarrow{d} C\)，那么 \(X_n \xrightarrow{P} C\)

其中 \(C\) 是常数

如果 \(\xi_n \xrightarrow{d} c\)，则

\[ \lim_{n \to \infty} F_n(x) = \begin{cases} 0, & x < c, \\ 1, & x \geqslant c. \end{cases} \]

因此对任意 \(\epsilon > 0\)，有

\[ P(|\xi_n - c| \geqslant \epsilon) = P(\xi_n \geqslant c + \epsilon) + P(\xi_n \leqslant c - \epsilon) \]

\[ = 1 - P(\xi_n < c + \epsilon) + P(\xi_n \leqslant c - \epsilon) \]

\[ = 1 - F_n(c + \epsilon - 0) + F_n(c - \epsilon) \to 0. \]

定理证毕。

• Levy 连续性定理:

  假设 \(X, X_n, n \geqslant 1\) 是一列随机变量，具有特征函数 \(\phi, \phi_n, n \geqslant 1\)。那么

  \[ X_n \xrightarrow{d} X \iff \phi_n(t) \to \phi(t), \quad t \in \mathbb{R} \]

• Levy 连续性定理的另一种形式:

  假设 \(X_n, n \geqslant 1\) 是一列随机变量，具有特征函数 \(\phi_n, n \geqslant 1\)。如果

  \[ \phi_n(t) \to \phi(t), \quad t \in \mathbb{R} \]

  并且 \(\phi\) 在 0 处连续，那么 \(\phi\) 一定是特征函数。记与 \(\phi\) 相应的随机变量为 \(X\)，那么

  \[ X_n \xrightarrow{d} X \]

运用Levy定理，如果要证明一列随机变量依分布收敛于某个随机变量，只需要证明这列随机变量的特征函数收敛于该随机变量的特征函数。

应用

辛钦大数律证明Levy-Feller中心极限定理证明

回忆 \(\xi_k, k \geqslant 1\) 独立同分布，\(E\xi_k = \mu\)，那么

\[ \frac{1}{n} \sum_{k=1}^{n} \xi_k \xrightarrow{p} \mu \]

证明：只需证明

\[ X_n = \frac{1}{n} \sum_{k=1}^{n} \xi_k \xrightarrow{d} \mu \]

\[ \iff \quad \phi_n(t) = E e^{itX_n} \to e^{it\mu} \]

在 0 处进行 Taylor 展开，

\[ E e^{it\xi_k} = 1 + it\mu + o\left(\frac{1}{n}\right), \quad n \to \infty \]

所以，对每个 \(t \in \mathbb{R}\),

\[ \phi_n(t) = \left(1 + \frac{it\mu}{n} + o\left(\frac{1}{n}\right)\right)^n \to e^{it\mu} \]

回忆 \(\xi_k, k \geqslant 1\) 独立同分布，\(E\xi_k = \mu, \operatorname{Var}(\xi_k) = \sigma^2\)，那么

\[ X_n = \frac{1}{\sigma \sqrt{n}} \sum_{k=1}^{n} (\xi_k - \mu) \xrightarrow{d} N(0, 1) \]

证明：只需证明

\[ \phi_n(t) = E e^{itX_n} \to e^{-\frac{t^2}{2}} \]

注意到

\[ E e^{itX_n} = \left[E e^{i\frac{t(\xi_k - \mu)}{\sigma \sqrt{n}}}\right]^n \]

在 0 处进行 Taylor 展开，

\[ E e^{i\frac{t(\xi_k - \mu)}{\sigma \sqrt{n}}} = 1 - \frac{t^2}{2n} + o\left(\frac{1}{n}\right) \]

所以，对任意 \(t\),

\[ E e^{itX_n} = \left[1 - \frac{t^2}{2n} + o\left(\frac{1}{n}\right)\right]^n \to e^{-\frac{t^2}{2}} \]

依分布收敛的性质

• • 如果 \(X_n \xrightarrow{d} X\)，\(a_n,b_n \rightarrow a,b\)，那么 \(a_nX_n + b_n \xrightarrow{d} aX + b\)

  线性性:

  • 如果 \(X_n \xrightarrow{d} X\)，\(Y_n \xrightarrow{P} Y\)，那么 \(X_n Y_n \xrightarrow{d} X Y\)

• 连续映射保依分布收敛:

  • 如果 \(X_n \xrightarrow{d} X\)，且 \(f: \mathbb{R} \mapsto \mathbb{R}\) 是连续映射，那么 \(f(X_n) \xrightarrow{d} f(X)\)

Helly引理

假设 \(F, F_n, n \geq 1\) 是一列分布函数，并且 \(F_n \xrightarrow{d} F\)，那么对任意有界连续函数 \(g\)

\[ \int g(x) dF_n(x) \to \int g(x) dF(x) \]

这样，对任意 \(t \in \mathbb{R}\),

\[ E e^{itf(X_n)} = \int e^{itf(x)} dF_n(x) \]

\[ \to \int e^{itf(x)} dF(x) \]

\[ = E e^{itf(X)} \]

结论成立

线性性的手写证明

查看

心得

在证明这些性质时常用的放缩有

• \(P( a < A) \leqslant P( b < A ) (b<a)\) 大的发生(小于A)，小的一定也发生

• \(P(a > A) \leqslant P(b > A) (b > a)\) 小的发生(大于A)，大的一定也发生

• \(P(A_n) \leqslant P(A_n,B_n)+P(A_n,B_n^c)\),至少有一个发生

• \(P(A_n) \geqslant P(A_n,B_n)\) 条件加强，概率变小,反过来使用就是条件减弱，概率变大

Levy-Feller 中心极限定理

• Levy-Feller 中心极限定理

假设 \(\xi_k, k \geqslant 1\) 是一列独立同分布随机变量，\(E\xi_k = \mu, \operatorname{Var}(\xi_k) = \sigma^2\)。记 \(S_n = \sum_{k=1}^{n} \xi_k\)，那么对任意 \(x\),

\[ P\left( \frac{S_n - n\mu}{\sigma \sqrt{n}} \leqslant x \right) \to \Phi(x) \]

即

\[ \frac{S_n - n\mu}{\sigma \sqrt{n}} \xrightarrow{d} N(0, 1) \]

Levy-Feller 中心极限定理的意义

• 应用于一般随机变量，推广了 de Moivre-Laplace 中心极限定理。

• 说明测量误差可用正态分布描述，即正态分布无处不在。

假设测量值为 \(X_i\)，真值为 \(\mu\)。每次误差为 \(X_i - \mu\)，\(n\) 次观测所得误差叠加，记为 \(\sum_{i=1}^{n}(X_i - \mu)\)。那么

\[ \sum_{i=1}^{n}(X_i - \mu) \sim N(0, n\sigma^2), \quad n \gg 1 \]

Lyapunov 中心极限定理

假设 \(\xi_k, k \geqslant 1\) 是一列独立随机变量不一定同分布，\(E\xi_k = \mu_k\)，\(\operatorname{Var}(\xi_k) = \sigma_k^2\)。记 \(S_n = \sum_{k=1}^{n} \xi_k\)，\(B_n = \sum_{k=1}^{n} \sigma_k^2\)。如果

1. \(B_n \to \infty\)
2. \(E|\xi_k|^3 < \infty\)，且

\[ \frac{1}{B_n^{3/2}} \sum_{k=1}^{n} E|\xi_k - \mu_k|^3 \to 0, \quad n \to \infty \]

那么对任意 \(x\)

\[ P\left(\frac{\sum_{k=1}^{n} (\xi_k - \mu_k)}{\sqrt{B_n}} \leqslant x\right) \to \Phi(x) \]

即

\[ \frac{\sum_{k=1}^{n} (\xi_k - \mu_k)}{\sqrt{B_n}} \xrightarrow{d} N(0, 1) \]

Lyapunov 中心极限定理的意义

• 推广了 Levy-Feller 中心极限定理。

• 解决了不同分布的随机变量和的中心极限问题。

• Lyapunov 条件可以推出 Lindeberg 条件

Lindeberg 条件

假设 \(\{\xi_n\}\) 是独立随机变量序列，\(F_k\) 为对应分布函数，且每个变量有有限期望和方差 \(a_k, \sigma_k^2\)。

记 \(B_n^2 = \sum_{k=1}^{n} \sigma_k^2\)。

Lindeberg 条件为：

\[ \lim_{n \to \infty} \frac{1}{B_n^2} \sum_{k=1}^{n} \int_{|x-a_k| \geq \epsilon B_n} (x-a_k)^2 dF_k(x) = 0 \]

几乎处处收敛

几乎处处收敛

• 处处收敛: 假设 \((\Omega, \mathcal{A}, P)\) 是一个概率空间，\(X, X_n, n \geqslant 1\) 是一列随机变量，如果对每个 \(\omega \in \Omega\),

\[ X_n(\omega) \to X(\omega), \quad n \to \infty \]

那么称 \(X_n\) 处处收敛于 \(X\)。

• 几乎处处收敛: 假设 \((\Omega, \mathcal{A}, P)\) 是一个概率空间，\(X, X_n, n \geqslant 1\) 是一列随机变量，如果存在 \(\Omega_0 \subset \Omega\) 使得

(i) \(P(\Omega_0) = 0\)

(ii) 对每个 \(\omega \in \Omega \setminus \Omega_0\),

\[ X_n(\omega) \to X(\omega), \quad n \to \infty \]

那么称 \(X_n\) 几乎处处收敛于 \(X\)，记做 \(X_n \to X, a.s.\)。

即除一个零概率事件外，\(X_n\) 处处收敛于 \(X\)。

Quote

对于几乎处处收敛和依概率收敛，两者的区别是依概率收敛先计算概率，再要求概率为1，而几乎处处收敛要求每一个样本空间的点的映射都收敛。

详情可以参考这篇文章几乎处处收敛与依概率收敛的区别

几乎处处收敛的判别法则

\(X_n \to X, \ a.s.\)

当且仅当对任意 \(\epsilon > 0\),

\[ P\left(\bigcap_{N=1}^{\infty} \bigcup_{n=N}^{\infty} \{|X_n(\omega) - X(\omega)| > \epsilon\}\right) = 0 \]

或者说

\[ P(\{|X_n(\omega) - X(\omega)| > \epsilon\}, \ i.o.) = 0(i.o.表示无限次) \]

等价地, 对任意 \(\epsilon > 0\),

\[ \lim_{N \to \infty} P\left(\bigcup_{n=N}^{\infty} \{|X_n(\omega) - X(\omega)| > \epsilon\}\right) = 0 \]

由此, 也可看出几乎处处收敛比依概率收敛强。

这一部分的推导比较繁琐,这里就不敲上来了,直接附上我的手写版,勿怪

对于式子的理解

Borel-Cantelli 引理

• 假设 \(A_n, n \geqslant 1\) 是一列事件，如果

\[ \sum_{n=1}^{\infty} P(A_n) < \infty \]

那么

\[ P(A_n, i.o.) = 0 \]

证明：

\[ P(A_n, i.o.) =P(\bigcap_{N=1}^{\infty} \bigcup_{n=N}^{\infty} A_n) =\lim_{N \to \infty} P\left(\bigcup_{n=N}^{\infty} A_n\right)(\text{连续性}) \]

\[ P\left(\bigcup_{n=N}^{\infty} A_n\right) \leqslant \sum_{n=N}^{\infty} P(A_n) \to 0(\text{次可加性加Cauchy收敛}) \]

• 假设 \(A_n, n \geqslant 1\) 是一列独立事件，如果

\[ \sum_{n=1}^{\infty} P(A_n) = \infty \]

那么

\[ P(A_n, i.o.) = 1 \]

证明：由于 \(A_n, n \geqslant 1\) 是一列独立事件，那么

首先做如下转化

\[ P(A_n, i.o.) = P\left(\bigcap_{k=1}^{\infty} \bigcup_{n=k}^{\infty} A_n\right) = 1 \]

\[ \iff \lim_{k \to \infty} P\left(\bigcup_{n=k}^{\infty} A_n\right) = 1 \]

\[ \iff P\left(\bigcup_{n=k}^{\infty} A_n\right) = 1, \forall k \geqslant 1 \quad (\text{单调递减趋于1，只能为1}) \]

\[ \iff P\left(\bigcap_{n=k}^{\infty} A_n^c\right) = 0, \forall k \geqslant 1. \quad (\text{de Morgan}) \]

\[ P\left(\bigcap_{n=N}^{M} A_n^c\right) = \prod_{n=N}^{M} P(A_n^c) = \prod_{n=N}^{M} (1 - P(A_n)) \]

\[ \leqslant \prod_{n=N}^{M} e^{-P(A_n)} = e^{-\sum_{n=N}^{M} P(A_n)} \]

\[ \lim_{N \to \infty} \lim_{M \to \infty} P\left(\bigcap_{n=N}^{M} A_n^c\right) = 0 \]

Borel-Cantelli 引理又称为零一定律，即如果事件发生的概率之和有限，那么事件发生的次数是有限的(有无限次不发生)，如果事件发生的概率之和无限，那么事件发生的次数是无限的。

Borel大数定律

假设 \((\Omega, A, P)\) 是一个概率空间，\(\xi_k, k \geqslant 1\) 是一列独立同分布随机变量：

\[ P(\xi_k = 1) = p, \quad P(\xi_k = 0) = 1 - p \]

记 \(S_n = \sum_{k=1}^{n} \xi_k\)，那么 \(S_n/n \to p\)，a.s.

证明：对任意 \(\epsilon > 0\)

\[ P\left(\left|\frac{S_n}{n} - p\right| > \epsilon, i.o.\right) = 0 \]

由 Borel-Cantelli 引理，只需证明

\[ \sum_{n=1}^{\infty} P\left(\left|\frac{S_n}{n} - p\right| > \epsilon\right) < \infty \]

由 Markov 不等式，

\[ P\left(\left|\frac{S_n}{n} - p\right| > \epsilon\right) \leqslant \frac{E|S_n - np|^4}{n^4 \epsilon^4} \]

容易计算得，

\[ E|S_n - np|^4 = np(1-p)[(1-p)^3 + (1-p)^2] + n(n-1)p^2(1-p)^2 \]

因此，

\[ \sum_{n=1}^{\infty} P\left(\left|\frac{S_n}{n} - p\right| > \epsilon\right) \leqslant K(\epsilon, p) \sum_{n=1}^{\infty} \frac{1}{n^2} < \infty \]

Kolmogorov 大数律

假设 \((\Omega, A, P)\) 是一个概率空间，\(\xi_k, k \geqslant 1\) 是一列独立同分布随机变量。如果 \(E\xi_k = \mu\)，那么

\[ \frac{S_n}{n} \to \mu, \quad a.s. \]

1. Kolmogorov 强大数律推广了 Borel 强大数律
2. Kolmogorov 强大数律推广了 Khinchine 大数律