UA MATH563 概率論的數學基礎 中心極限定理6 獨立隨機變數的和與Kolmogorov擴充套件定理
UA MATH563 概率論的數學基礎 中心極限定理6 獨立隨機變數的和的分佈
因為中心極限定理回答的是 n n n個隨機變數的和/均值的極限分佈的問題,所以在考慮漸近結果之前,我們有必要先理解一下如果不考慮極限分佈,有沒有可能計算出當 n n n有限時, n n n個隨機變數的和/均值的極限分佈。
考慮
n
=
2
n=2
n=2,假設
X
,
Y
X,Y
X,Y獨立,我們試圖分析一下
X
+
Y
X+Y
X+Y的分佈:
F
X
+
Y
(
z
)
=
P
(
X
+
Y
≤
z
)
=
∫
x
+
y
≤
z
d
μ
X
×
μ
Y
=
∬
1
(
−
∞
,
z
]
(
x
+
y
)
d
μ
X
×
μ
Y
=
F
u
b
i
n
i
∬
1
(
−
∞
,
z
]
(
x
+
y
)
d
μ
X
d
μ
Y
=
∫
F
X
(
z
−
y
)
d
F
Y
(
y
)
=
∫
F
Y
(
z
−
x
)
d
F
X
(
x
)
F_{X+Y}(z)=P(X+Y \le z) = \int_{x+y \le z} d\mu_X \times \mu_Y \\ = \iint 1_{(-\infty,z]}(x+y)d\mu_X \times \mu_Y \\=_{Fubini}\iint 1_{(-\infty,z]}(x+y)d\mu_X d\mu_Y \\= \int F_X(z-y)dF_Y(y) = \int F_Y(z-x)dF_X(x)
FX+Y(z)=P(X+Y≤z)=∫x+y≤zdμX×μY=∬1(−∞,z](x+y)dμX×μY=Fubini∬1(−∞,z](x+y)dμXdμY=∫FX(z−y)dFY(y)=∫FY(z−x)dFX(x)
它的密度為
f
X
+
Y
(
z
)
=
∫
f
X
(
z
−
y
)
d
F
Y
(
y
)
=
∫
f
Y
(
z
−
x
)
d
F
X
(
x
)
=
∫
f
X
(
z
−
y
)
f
Y
(
y
)
d
y
=
∫
f
Y
(
z
−
x
)
f
X
(
x
)
d
x
f_{X+Y}(z)=\int f_X(z-y)dF_Y(y) = \int f_Y(z-x)dF_X(x) \\ = \int f_X(z-y)f_Y(y)dy = \int f_Y(z-x)f_X(x)dx
fX+Y(z)=∫fX(z−y)dFY(y)=∫fY(z−x)dFX(x)=∫fX(z−y)fY(y)dy=∫fY(z−x)fX(x)dx
稱
f
X
+
Y
f_{X+Y}
fX+Y是
f
X
f_X
fX與
f
Y
f_Y
fY的卷積,記為
f
X
+
Y
=
f
X
∗
f
Y
f_{X+Y} = f_X * f_Y
fX+Y=fX∗fY
評註
- 有一些比較特殊的分佈族,分佈族的函式之間的卷積仍然屬於這個分佈族,這樣的分佈族有:Gamma分佈、正態分佈、Poisson分佈、Bernoulli/二項分佈、幾何分佈/負二項分佈等;
- 直接計算卷積是比較困難的,通常我們用Fourier變換計算卷積會容易得多,或者在概率論的語境下,即用特徵函式來計算卷積。
應用 在對實際問題進行建模時,我們常常需要用隨機變數,記為
X
X
X,描述一些複雜的隨機性,這樣的隨機變數通常是沒有辦法寫出密度函式的解析式的,但是我們可以加上一個非常“小”的正態分佈
Y
∼
N
(
0
,
ϵ
2
)
Y \sim N(0,\epsilon^2)
Y∼N(0,ϵ2),使得
X
+
Y
X+Y
X+Y有密度函式的解析式,這樣我們就可以用下面的近似:
f
X
(
x
)
≈
f
X
+
Y
(
x
)
f_X(x) \approx f_{X+Y}(x)
fX(x)≈fX+Y(x)
接下來我們考慮 n n n個獨立的隨機變數,關於 n n n個獨立隨機變數我們首要關心的問題並不是它們的分佈如何計算,因為按照 n = 2 n=2 n=2的結果進行類比, n n n個獨立隨機變數的和的密度一定它們密度的卷積,至於如何計算它們的卷積那就是統計計算的問題,而不是概率論的問題了。所以從理論的角度討論 n n n個獨立隨機變數, n ∈ N n \in \mathbb{N} n∈N,我們真正需要討論的是對任意自然數 n n n,是否真的存在 n n n個互相獨立的隨機變數?這個問題由Kolmogorov extension theorem回答。
我們首先建立一個合適的概率空間
(
Ω
,
F
,
P
)
(\Omega,\mathcal{F},P)
(Ω,F,P):
Ω
=
R
n
,
F
=
B
(
R
n
)
P
=
μ
1
×
μ
2
×
⋯
×
μ
n
\Omega = \mathbb{R}^n,\mathcal{F} = \mathcal{B}(\mathbb{R}^n) \\ P = \mu_1 \times \mu_2 \times \cdots \times \mu_n
Ω=Rn,F=B(Rn)P=μ1×μ2×⋯×μn
其中
μ
i
\mu_i
μi表示第
i
i
i個概率分佈。然後我們定義隨機變數
X
i
:
Ω
→
R
X_i:\Omega \to \mathbb{R}
Xi:Ω→R,簡單起見,我們假設
X
i
X_i
Xi是coordinate map,即
X
i
(
w
)
=
w
i
,
w
=
(
w
1
,
⋯
,
w
i
,
⋯
,
w
n
)
X_i(w) = w_i,w = (w_1,\cdots,w_i,\cdots,w_n)
Xi(w)=wi,w=(w1,⋯,wi,⋯,wn)
不難驗證 X 1 , ⋯ , X n X_1,\cdots,X_n X1,⋯,Xn就是 n n n個獨立的隨機變數。
但當我們想要進一步延長這個隨機變數序列,問題就比較複雜了,是否存在 { X i } i ≥ 1 \{X_i\}_{i \ge 1} {Xi}i≥1(無限個隨機變數的序列)使得所有的隨機變數都是獨立的呢?
同樣的,我們先試圖建立概率空間,
Ω
=
R
∞
=
{
(
w
1
,
w
2
,
⋯
,
w
i
,
⋯
)
,
w
i
∈
R
,
i
≥
1
}
F
=
B
(
R
∞
)
=
σ
(
{
A
i
1
×
⋯
×
A
i
k
,
k
≥
1
}
)
\Omega = \mathbb{R}^{\infty} = \{(w_1,w_2,\cdots,w_i,\cdots),w_i \in \mathbb{R},i \ge 1\} \\ \mathcal{F} = \mathcal{B}(\mathbb{R}^{\infty}) = \sigma(\{A_{i_1} \times \cdots \times A_{i_k},k \ge 1\})
Ω=R∞={(w1,w2,⋯,wi,⋯),wi∈R,i≥1}F=B(R∞)=σ({Ai1×⋯×Aik,k≥1})
其中 A i 1 , ⋯ , A i k A_{i_1},\cdots,A_{i_k} Ai1,⋯,Aik是rectangles。那麼如何在 ( Ω , F ) (\Omega,\mathcal{F}) (Ω,F)上定義概率測度呢?
- 對於 A i 1 × ⋯ × A i k A_{i_1} \times \cdots \times A_{i_k} Ai1×⋯×Aik, P ( A i 1 × ⋯ × A i k ) = μ i 1 ( A 1 ) × ⋯ × μ i k ( A k ) P(A_{i_1} \times \cdots \times A_{i_k}) = \mu_{i_1}(A_1) \times \cdots \times \mu_{i_k}(A_k) P(Ai1×⋯×Aik)=μi1(A1)×⋯×μik(Ak)
- Kolmogorov extension theorem: 如果在 ( R n , B ( R n ) ) (\mathbb{R}^n,\mathcal{B}(\mathbb{R}^n)) (Rn,B(Rn))上有概率測度 ν n \nu_n νn,且 ν n \nu_n νn是一致的(consistent),即 ν n + 1 ( ( a 1 , b 1 ] × ⋯ × ( a n , b n ] × R ) = ν n ( ( a 1 , b 1 ] × ⋯ × ( a n , b n ] ) \nu_{n+1}((a_1,b_1] \times \cdots \times (a_n,b_n] \times \mathbb{R})=\nu_n((a_1,b_1] \times \cdots \times (a_n,b_n] ) νn+1((a1,b1]×⋯×(an,bn]×R)=νn((a1,b1]×⋯×(an,bn])那麼我們可以在可測空間 ( R ∞ , B ( R ∞ ) ) (\mathbb{R}^{\infty},\mathcal{B}(\mathbb{R}^{\infty})) (R∞,B(R∞))上構造唯一一個概率測度 P P P,它滿足 P ( { w : w i ∈ ( a i , b i ] , 1 ≤ i ≤ n } ) = ν n ( ( a 1 , b 1 ] × ⋯ × ( a n , b n ] ) P(\{w:w_i \in (a_i,b_i],1 \le i \le n\}) = \nu_n((a_1,b_1] \times \cdots \times (a_n,b_n] ) P({w:wi∈(ai,bi],1≤i≤n})=νn((a1,b1]×⋯×(an,bn])事實上Kolmogorov extension theorem的含義更具有一般性,只是這裡我們應用一下這個定理用來構造無限個獨立的隨機變數。
下面我們用這個思路構造無限個獨立隨機變數。前文我們論述了當
n
n
n有限時,
X
1
,
⋯
,
X
n
X_1,\cdots,X_n
X1,⋯,Xn是獨立的,記它們的分佈為
μ
i
,
1
≤
i
≤
n
\mu_i,1 \le i \le n
μi,1≤i≤n,定義
ν
n
=
μ
1
×
⋯
×
μ
n
ν
n
(
(
a
1
,
b
1
]
×
⋯
×
(
a
n
,
b
n
]
)
=
∏
i
=
1
n
μ
i
(
(
a
i
,
b
i
]
)
\nu_n = \mu_1 \times \cdots \times \mu_n \\ \nu_n((a_1,b_1] \times \cdots \times (a_n,b_n]) = \prod_{i=1}^n \mu_i((a_i,b_i])
νn=μ1×⋯×μnνn((a1,b1]×⋯×(an,bn])=i=1∏nμi((ai,bi])
可以驗證
ν
n
\nu_n
νn是一致的概率測度,
ν
n
+
1
(
(
a
1
,
b
1
]
×
⋯
×
(
a
n
,
b
n
]
×
R
)
=
∏
i
=
1
n
μ
i
(
(
a
i
,
b
i
]
)
μ
n
+
1
(
R
)
=
∏
i
=
1
n
μ
i
(
(
a
i
,
b
i
]
)
=
ν
n
(
(
a
1
,
b
1
]
×
⋯
×
(
a
n
,
b
n
]
)
\nu_{n+1}((a_1,b_1] \times \cdots \times (a_n,b_n] \times \mathbb{R}) = \prod_{i=1}^n \mu_i((a_i,b_i]) \mu_{n+1}(\mathbb{R}) \\ = \prod_{i=1}^n \mu_i((a_i,b_i]) = \nu_n((a_1,b_1] \times \cdots \times (a_n,b_n])
νn+1((a1,b1]×⋯×(an,bn]×R)=i=1∏nμi((ai,bi])μn+1(R)=i=1∏nμi((ai,bi])=νn((a1,b1]×⋯×(an,bn])
根據Kolmogorov extension theorem,存在唯一一個
P
P
P是
(
R
∞
,
B
(
R
∞
)
)
(\mathbb{R}^{\infty},\mathcal{B}(\mathbb{R}^{\infty}))
(R∞,B(R∞))上的概率測度,於是定義coordinate map
X
i
:
Ω
→
R
,
X
i
(
w
)
=
w
i
,
∀
i
≥
1
X_i: \Omega \to \mathbb{R},X_i(w) = w_i,\forall i \ge 1
Xi:Ω→R,Xi(w)=wi,∀i≥1
這就是無限個獨立的隨機變數。
相關文章
- UA MATH563 概率論的數學基礎 中心極限定理7 Kolmogorov extension theorem及其擴充套件H5GoREM套件
- UA MATH563 概率論的數學基礎 中心極限定理14 Kolmogorov maximal inequalityH5Go
- UA MATH563 概率論的數學基礎 中心極限定理5 Renyi定理H5
- UA MATH563 概率論的數學基礎 中心極限定理4 獨立一元隨機變數的性質H5隨機變數
- UA MATH563 概率論的數學基礎 中心極限定理15 Kolmogorov 0-1律H5Go
- UA MATH563 概率論的數學基礎 中心極限定理12 強大數定律 版本2:Etemadi定理H5
- UA MATH563 概率論的數學基礎 中心極限定理23 概率測度族的緊性H5
- UA MATH563 概率論的數學基礎 中心極限定理8 弱大數定律 Bernstein多項式逼近H5
- UA MATH563 概率論的數學基礎 鞅論初步8 鞅收斂定理H5
- 數論入門基礎(同餘定理/費馬小定理/擴充套件歐幾里德演算法/中國剩餘定理)套件演算法
- UA MATH563 概率論的數學基礎 鞅論初步9 分支過程簡介H5
- 【數學基礎篇】--詳解人工智慧之數學 積分學,概率空間,大數定律和中心極限定理人工智慧
- 大數定律與中心極限定理
- 概率論04 隨機變數隨機變數
- 擴充套件中國剩餘定理套件
- 概率論08 隨機變數的函式隨機變數函式
- 【概率論】一維隨機變數隨機變數
- hdu Yet another end of the world(擴充套件歐幾里得定理推論)套件
- 擴充套件歐幾里得的幾個定理以及證明套件
- 擴充套件中國剩餘定理詳解套件
- 概率論與梳理統計-隨機變數random variables隨機變數random
- 擴充套件中國剩餘定理(EXCRT)學習筆記套件筆記
- js隨機數生成器的擴充套件JS隨機套件
- POJ1061擴充套件歐幾里得定理套件
- 數論裡的尤拉定理,試證明
- 隨機數擴充隨機
- 伯努利大數定理(揭示了頻率和概率的關係)
- 數論分塊擴充套件套件
- 【原創】開源Math.NET基礎數學類庫使用(12)C#隨機數擴充套件方法C#隨機套件
- 擴充盧卡斯定理 / exlucas
- 高等代數理論基礎24:線性方程組有解判別定理
- es6-數值擴充套件套件
- ES6數字擴充套件套件
- 機器學習數學複習 - 1.概率論基礎機器學習
- 辛欽大數定理(揭示了均值和數學期望的關係)
- 從勾股定理到餘弦相似度-程式設計師的數學基礎程式設計師
- 人工智慧必備數學基礎:概率論與數理統計(1)人工智慧
- 人工智慧必備數學基礎:概率論與數理統計(2)人工智慧