Понятия вероятностной сходимости применительно к оцениванию и асимптотическому анализу.
В теории вероятностей существует несколько различных представлений о сходимости последовательностей случайных величин . Различные понятия конвергенции отражают разные свойства последовательности, причем некоторые понятия конвергенции сильнее других. Например, сходимость распределения говорит нам о предельном распределении последовательности случайных величин. Это более слабое понятие, чем сходимость по вероятности, которая говорит нам о значении, которое примет случайная величина, а не только о распределении.
Эта концепция важна в теории вероятностей и ее приложениях к статистике и случайным процессам . Те же концепции известны в более общей математике как стохастическая конвергенция , и они формализуют идею о том, что определенные свойства последовательности по существу случайных или непредсказуемых событий иногда могут привести к поведению, которое по существу остается неизменным, когда элементы находятся достаточно далеко в последовательности. изучаются. Различные возможные понятия конвергенции связаны с тем, как можно охарактеризовать такое поведение: два легко понятных поведения заключаются в том, что последовательность в конечном итоге принимает постоянное значение и что значения в последовательности продолжают меняться, но могут быть описаны неизменным распределением вероятностей.
Фон
«Стохастическая конвергенция» формализует идею о том, что иногда можно ожидать, что последовательность по существу случайных или непредсказуемых событий превратится в закономерность. Например, шаблон может быть
- Сходимость в классическом смысле к фиксированному значению, возможно, сама по себе являющаяся результатом случайного события.
- Растущее сходство результатов с тем, что могла бы дать чисто детерминированная функция.
- Растущее предпочтение определенного результата
- Растущее «отвращение» к отклонению далеко от определенного результата.
- Что распределение вероятностей, описывающее следующий результат, может становиться все более похожим на определенное распределение.
Можно выделить некоторые менее очевидные, но более теоретические закономерности.
- Что ряд, сформированный путем расчета ожидаемого значения расстояния результата от определенного значения, может сходиться к 0.
- Что дисперсия случайной величины , описывающей следующее событие, становится все меньше и меньше.
Эти другие типы моделей, которые могут возникнуть, отражены в различных типах стохастической конвергенции, которые были изучены.
Хотя приведенное выше обсуждение относилось к сходимости одного ряда к предельному значению, понятие сходимости двух рядов друг к другу также важно, но с этим легко справиться, изучая последовательность, определяемую либо как разность, либо как отношение из двух серий.
Например, если среднее значение n независимых случайных величин Y i , i = 1, ..., n , имеющих одинаковое конечное среднее значение и дисперсию , определяется выражением
тогда, когда n стремится к бесконечности, X n сходится по вероятности (см. ниже) к общему среднему значению µ случайных величин Y i . Этот результат известен как слабый закон больших чисел . Другие формы сходимости важны и в других полезных теоремах, включая центральную предельную теорему .
Всюду далее мы предполагаем, что ( X n ) — последовательность случайных величин, а X — случайная величина, и все они определены в одном и том же вероятностном пространстве .
Конвергенция в распределении
Грубо говоря, при таком способе конвергенции мы все чаще ожидаем увидеть следующий результат в последовательности случайных экспериментов, который все лучше и лучше моделируется заданным распределением вероятностей . Точнее, распределение связанной случайной величины в последовательности становится сколь угодно близким к заданному фиксированному распределению.
Конвергенция в распределении — это самая слабая форма конвергенции, которая обычно обсуждается, поскольку она подразумевается всеми другими типами конвергенции, упомянутыми в этой статье. Однако на практике очень часто используется конвергенция распределения; чаще всего оно возникает в результате применения центральной предельной теоремы .
Определение
Говорят, что последовательность действительных случайных величин с кумулятивными функциями распределения сходится по распределению , или сходится слабо , или сходится по закону к случайной величине X с кумулятивной функцией распределения F , если
для каждого числа , при котором F непрерывно .
Требование, чтобы учитывались только точки непрерывности F, является существенным. Например, если X n распределены равномерно на интервалах (0,1/н) , то эта последовательность сходится по распределению к вырожденной случайной величине X = 0 . Действительно, F n ( x ) = 0 для всех n , когда x ≤ 0 , и F n ( x ) = 1 для всех x ≥1/нкогда n > 0 . Однако для этой предельной случайной величины F (0)=1 , хотя Fn ( 0 )=0 для всех n . Таким образом, сходимость cdfs не удается в точке x = 0 , где F разрывна.
Сходимость в распределении можно обозначить как
где - закон (распределение вероятностей) X . Например, если X является стандартным нормальным, мы можем написать .
Для случайных векторов { X 1 , X 2 , ...} ⊂ R k сходимость по распределению определяется аналогично. Будем говорить, что эта последовательность сходится по распределению к случайному k -вектору X, если
для любого A ⊂ Rk , являющегося множеством непрерывности X .
Определение сходимости распределения может быть расширено от случайных векторов до более общих случайных элементов в произвольных метрических пространствах и даже до «случайных величин», которые не поддаются измерению — ситуация, которая возникает, например, при изучении эмпирических процессов . Это «слабая сходимость законов без определения законов» — за исключением асимптотики. [1]
В этом случае термин слабая сходимость предпочтителен (см. слабая сходимость мер ), и мы говорим, что последовательность случайных элементов { X n } слабо сходится к X (обозначается как X n ⇒ X ), если
для всех непрерывных ограниченных функций h . [2] Здесь E* обозначает внешнее ожидание , то есть ожидание «наименьшей измеримой функции g , которая доминирует над h ( X n ) ».
Характеристики
- Поскольку сходимость распределения означает, что вероятность того, что X n окажется в заданном диапазоне, приблизительно равна вероятности того, что значение X находится в этом диапазоне, при условии, что n достаточно велико .
- В общем, сходимость распределения не означает, что последовательность соответствующих функций плотности вероятности также будет сходиться. В качестве примера можно рассмотреть случайные величины с плотностью f n ( x ) = (1 + cos(2 πnx )) 1 (0,1) . Эти случайные величины сходятся по распределению к равномерному U (0,1), тогда как их плотности вообще не сходятся. [3]
- Лемма о портманто дает несколько эквивалентных определений сходимости распределения. Хотя эти определения менее интуитивны, они используются для доказательства ряда статистических теорем. Лемма утверждает, что { X n } сходится по распределению к X тогда и только тогда, когда верно любое из следующих утверждений: [5]
- для всех точек непрерывности ;
- для всех ограниченных , непрерывных функций (где обозначает оператор ожидаемого значения );
- для всех ограниченных липшицевых функций ;
- для всех неотрицательных непрерывных функций ;
- для каждого открытого множества ;
- для каждого замкнутого множества ;
- для всех множеств непрерывности случайной величины ;
- для любой полунепрерывной сверху функции , ограниченной сверху; [ нужна цитата ]
- для любой полунепрерывной снизу функции , ограниченной снизу. [ нужна цитата ]
- Теорема о непрерывном отображении утверждает, что для непрерывной функции g , если последовательность { Xn } сходится по распределению к X , то { g ( Xn ) } сходится по распределению к g ( X ) .
- Однако обратите внимание, что сходимость в распределении { X n } к X и { Y n } к Y , как правило, не означает сходимости в распределении { X n + Y n } к X + Y или { X n Y n } к XY. .
- Теорема Леви о непрерывности : последовательность { X n } сходится по распределению к X тогда и только тогда, когда последовательность соответствующих характеристических функций { φ n } сходится поточечно к характеристической функции φ X .
- Сходимость по распределению метризуется метрикой Леви – Прохорова .
- Естественным звеном сходимости в распределении является теорема о представлении Скорохода .
Сходимость по вероятности
Основная идея этого типа конвергенции заключается в том, что вероятность «необычного» результата становится все меньше и меньше по мере развития последовательности.
Понятие сходимости по вероятности очень часто используется в статистике. Например, оценщик называется непротиворечивым , если он сходится по вероятности к оцениваемой величине. Сходимость по вероятности — это также тип сходимости, устанавливаемый слабым законом больших чисел .
Определение
Последовательность { X n } случайных величин сходится по вероятности к случайной величине X , если для всех ε > 0
Более подробно, пусть P n ( ε ) будет вероятностью того, что X n находится вне шара радиуса ε с центром в X . Тогда говорят, что X n сходится по вероятности к X , если для любого ε > 0 и любого δ > 0 существует число N (которое может зависеть от ε и δ ) такое, что для всех n ≥ N Pn ( ε ) < δ (определение предела).
Обратите внимание, что для того, чтобы условие было удовлетворено, невозможно, чтобы для каждого n случайные величины X и X n были независимыми (и, таким образом, сходимость по вероятности является условием для совместных функций распределения функций, в отличие от сходимости по распределению, которая является условие на отдельные функции распределения функций), если только X не является детерминированным, как в случае со слабым законом больших чисел. В то же время случай детерминированного X не может быть обработан методом сходимости в распределении, когда детерминированное значение является точкой разрыва (не изолированной), когда точки разрыва должны быть явно исключены.
Сходимость по вероятности обозначается добавлением буквы p над стрелкой, указывающей на сходимость, или использованием оператора ограничения вероятности «plim»:
Для случайных элементов { X n } в сепарабельном метрическом пространстве ( S , d ) сходимость по вероятности определяется аналогично [6]
Характеристики
- Сходимость по вероятности подразумевает сходимость по распределению. [доказательство]
- В противоположном направлении сходимость распределения подразумевает сходимость вероятности, когда предельная случайная величина X является константой. [доказательство]
- Сходимость по вероятности не означает почти стопроцентной сходимости. [доказательство]
- Теорема о непрерывном отображении утверждает, что для любой непрерывной функции если , то также .
- Сходимость по вероятности определяет топологию пространства случайных величин над фиксированным вероятностным пространством. Эта топология метризуема метрикой Кай Фаня : [ 7]
или попеременно по этой метрике
Контрпримеры
Не каждая последовательность случайных величин, которая сходится к другой случайной величине в распределении, также сходится по вероятности к этой случайной величине. В качестве примера рассмотрим последовательность стандартных нормальных случайных величин и вторую последовательность . Обратите внимание, что распределение равно распределению для всех , но:
который не сходится к . Таким образом, у нас нет сходимости по вероятности.
Почти уверенная конвергенция
Это тип стохастической сходимости, который наиболее похож на поточечную сходимость, известную из элементарного вещественного анализа .
Определение
Сказать, что последовательность X n сходится почти наверняка или почти всюду , или с вероятностью 1 , или сильно к X, означает, что
Это означает, что значения X n приближаются к значению X в том смысле, что события, для которых X n не сходится к X , имеют вероятность 0 (см. Почти наверняка ). Используя вероятностное пространство и концепцию случайной величины как функции от Ω до R , это эквивалентно утверждению
Используя понятие верхнего предела последовательности множеств , сходимость почти наверняка также можно определить следующим образом:
Почти уверенную конвергенцию часто обозначают добавлением букв над стрелкой, обозначающей конвергенцию:
Для общих случайных элементов { X n } в метрическом пространстве сходимость почти наверняка определяется аналогично:
Характеристики
- Почти наверняка сходимость подразумевает сходимость по вероятности (по лемме Фату ) и, следовательно, подразумевает сходимость по распределению. Это понятие сходимости используется в усиленном законе больших чисел .
- Концепция почти наверняка сходимости исходит не из топологии пространства случайных величин. Это означает, что в пространстве случайных величин не существует топологии, в которой почти наверняка сходящиеся последовательности являются в точности сходящимися последовательностями относительно этой топологии. В частности, не существует метрики почти наверняка сходимости.
Уверенная сходимость или поточечная сходимость
Сказать, что последовательность случайных величин ( X n ), определенная в одном и том же вероятностном пространстве (т. е. случайный процесс ), сходится наверняка или всюду , или поточечно к X , означает
где Ω — это выборочное пространство основного вероятностного пространства , в котором определяются случайные величины.
Это понятие поточечной сходимости последовательности функций, расширенной до последовательности случайных величин . (Обратите внимание, что случайные величины сами по себе являются функциями).
Надежная сходимость случайной величины подразумевает все остальные виды сходимости, указанные выше, но в теории вероятностей нет никакой выгоды от использования уверенной сходимости по сравнению с использованием почти наверняка сходимости. Разница между ними существует только на множествах с нулевой вероятностью. Вот почему концепция уверенной сходимости случайных величин используется очень редко.
Контрпримеры
Рассмотрим последовательность независимых случайных величин таких, что и . Ибо мы имеем то, что сходится к отсюда по вероятности.
Поскольку события и независимы, вторая лемма Бореля Кантелли гарантирует, что, следовательно, последовательность не сходится почти всюду (фактически множество, к которому эта последовательность не сходится, имеет вероятность ).
Сходимость в среднем
Для действительного числа r ≥ 1 мы говорим, что последовательность X n сходится в r -м среднем (или в L r -норме ) к случайной величине X , если r -ые абсолютные моменты (| X n | r ) и (| X | r ) X n и X существуют, и
где оператор E обозначает ожидаемое значение . Сходимость в r -м среднем говорит нам, что математическое ожидание r -й степени разницы между и сходится к нулю.
Этот тип конвергенции часто обозначается добавлением буквы L r над стрелкой, обозначающей конвергенцию:
Наиболее важными случаями сходимости в r -м среднем являются:
- Когда X n сходится в r -м среднем к X для r = 1, мы говорим, что X n сходится в среднем к X .
- Когда X n сходится в r -м среднем к X для r = 2, мы говорим, что X n сходится в среднеквадратическом (или в среднем квадратичном ) к X .
Сходимость в r -м среднем, при r ≥ 1, влечет за собой сходимость по вероятности (по неравенству Маркова ). Более того, если r > s ≥ 1, сходимость в r -м среднем влечет за собой сходимость в s -м среднем. Следовательно, сходимость в среднем квадратическом подразумевает сходимость в среднем.
Кроме того,
Обратное не обязательно верно, однако оно верно, если (по более общей версии леммы Шеффе ).
Характеристики
При условии, что вероятностное пространство полно :
- Если и , то почти наверняка .
- Если и , то почти наверняка.
- Если и , то почти наверняка.
- Если и , то (для любых действительных чисел a и b ) и .
- Если и , то (для любых действительных чисел a и b ) и .
- Если и , то (для любых действительных чисел a и b ).
- Ни одно из приведенных выше утверждений не верно для конвергенции распределения.
Цепочка следствий между различными понятиями конвергенции отмечена в соответствующих разделах. Они, используя обозначения стрелок:
Эти свойства вместе с рядом других особых случаев сведены в следующий список:
- Почти верная сходимость подразумевает сходимость по вероятности: [8] [доказательство]
- Сходимость по вероятности означает, что существует подпоследовательность , которая почти наверняка сходится: [9]
- Сходимость по вероятности подразумевает сходимость по распределению: [8] [доказательство]
- Сходимость в среднем r -го порядка подразумевает сходимость по вероятности:
- Сходимость в среднем r -го порядка подразумевает сходимость в среднем более низком порядке, предполагая, что оба порядка больше или равны единице:
- при условии r ≥ s ≥ 1.
- Если X n сходится по распределению к константе c , то X n сходится по вероятности к c : [8] [доказательство]
- при условии, что c является константой.
- Если X n сходится по распределению к X и разность между X n и Y n сходится по вероятности к нулю, то Y n также сходится по распределению к X : [8] [доказательство]
- Если X n сходится по распределению к X , а Y n сходится по распределению к константе c , то совместный вектор ( X n , Y n ) сходится по распределению к : [8] [доказательство]
- при условии, что c является константой.
- Обратите внимание, что условие сходимости Y n к константе важно: если бы оно сходилось к случайной величине Y , мы не смогли бы заключить, что ( X n , Y n ) сходится к .
- Если X n сходится по вероятности к X, а Y n сходится по вероятности к Y , то совместный вектор ( X n , Y n ) сходится по вероятности к ( X , Y ) : [8] [доказательство]
- Если X n сходится по вероятности к X , и если P (| X n | ≤ b ) = 1 для всех n и некоторого b , то X n сходится в r-м среднем к X для всех r ≥ 1 . Другими словами, если X n сходится по вероятности к X и все случайные величины X n почти наверняка ограничены сверху и снизу, то X n сходится к X также в любом r- м среднем. [10]
- Почти наверняка представление . Обычно конвергенция в распределении почти наверняка не означает конвергенции. Однако для данной последовательности { Xn }, которая сходится по распределению к X0 , всегда можно найти новое вероятностное пространство (Ω, F , P ) и случайные величины { Yn , n = 0, 1,... } определенное на нем такое, что Y n равно по распределению X n для каждого n ≥ 0 и Y n сходится к Y 0 почти наверняка. [11] [12]
- Если для всех ε > 0,
- тогда мы говорим, что Xn сходится почти полностью или почти по вероятности к X. Когда X n почти полностью сходится к X , то оно также почти наверняка сходится к X . Другими словами, если X n достаточно быстро сходится по вероятности к X (т. е. указанная выше последовательность хвостовых вероятностей суммируема для всех ε > 0 ), то X n также почти наверняка сходится к X . Это прямое следствие леммы Бореля – Кантелли .
- Если S n представляет собой сумму n действительных независимых случайных величин:
- тогда Sn сходится почти наверняка тогда и только тогда, когда Sn сходится по вероятности.
- Теорема о доминируемой сходимости дает достаточные условия почти наверняка сходимости, чтобы подразумевать L 1 -сходимость:
- Необходимым и достаточным условием сходимости L1 является равномерность интегрируемости последовательности ( Xn ) .
- Если , то следующие условия эквивалентны [13]
- ,
- ,
- является равномерно интегрируемым .
- Если дискретны и независимы, то следует, что . Это следствие второй леммы Бореля–Кантелли .
Смотрите также
В Викибуке по эконометрической теории есть страница на тему: Сходимость случайных величин.
Примечания
- ^ Бикель и др. 1998, А.8, стр. 475
- ^ ван дер Ваарт и Веллнер 1996, стр. 4
- ^ Романо и Сигел 1985, пример 5.26.
- ^ Дарретт, Рик (2010). Вероятность: теория и примеры . п. 84.
- ^ ван дер Ваарт 1998, Лемма 2.2.
- ^ Дадли 2002, глава 9.2, стр. 287.
- ^ Дадли 2002, с. 289
- ^ abcdef ван дер Ваарт 1998, Теорема 2.7
- ^ Гут, Аллан (2005). Вероятность: Аспирантура . Теорема 3.4: Спрингер. ISBN 978-0-387-22833-4.
{{cite book}}
: CS1 maint: location (link) - ^ Гримметт и Стирзакер 2020, с. 354
- ^ ван дер Ваарт 1998, Th.2.19
- ^ Фристедт и Грей 1997, Теорема 14.5.
- ^ «реальный анализ - обобщение леммы Шеффе с использованием только сходимости в вероятности» . Математический обмен стеками . Проверено 12 марта 2022 г.
Рекомендации
- Бикель, Питер Дж.; Клаассен, Крис Эй Джей; Ритов, Яаков; Веллнер, Джон А. (1998). Эффективное и адаптивное оценивание полупараметрических моделей . Нью-Йорк: Springer-Verlag. ISBN 978-0-387-98473-5.
- Биллингсли, Патрик (1986). Вероятность и мера . Серия Уайли по вероятности и математической статистике (2-е изд.). Уайли.
- Биллингсли, Патрик (1999). Сходимость вероятностных мер (2-е изд.). Джон Уайли и сыновья. стр. 1–28. ISBN 978-0-471-19745-4.
- Дадли, РМ (2002). Реальный анализ и вероятность . Кембридж, Великобритания: Издательство Кембриджского университета. ISBN 978-0-521-80972-6.
- Фристедт, Берт; Грей, Лоуренс (1997). Современный подход к теории вероятностей . Нью-Йорк: Springer Science + Business Media. дои : 10.1007/978-1-4899-2837-5. ISBN 978-1-4899-2837-5.
- Гримметт, Греция; Стирзакер, Д.Р. (1992). Вероятность и случайные процессы (2-е изд.). Кларендон Пресс, Оксфорд. стр. 271–285. ISBN 978-0-19-853665-9.
- Якобсен, М. (1992). Videregående Sandsynlighedsregning (Расширенная теория вероятностей) (3-е изд.). HCØ-tryk, Копенгаген. стр. 18–20. ISBN 978-87-91180-71-2.
- Леду, Мишель; Талагранд, Мишель (1991). Вероятность в банаховых пространствах . Берлин: Springer-Verlag. стр. xii+480. ISBN 978-3-540-52013-9. МР 1102015.
- Романо, Джозеф П.; Сигел, Эндрю Ф. (1985). Контрпримеры в теории вероятности и статистике . Великобритания: Чепмен и Холл. ISBN 978-0-412-98901-8.
- Гриммет, Джеффри Р.; Стирзакер, Дэвид Р. (2020). Вероятность и случайные процессы (4-е изд.). Издательство Оксфордского университета. ISBN 978-0-198-84760-1.
- ван дер Ваарт, Аад В .; Веллнер, Джон А. (1996). Слабая сходимость и эмпирические процессы . Нью-Йорк: Springer-Verlag. ISBN 978-0-387-94640-5.
- ван дер Ваарт, Аад В. (1998). Асимптотическая статистика . Нью-Йорк: Издательство Кембриджского университета. ISBN 978-0-521-49603-2.
- Уильямс, Д. (1991). Вероятность с Мартингалами . Издательство Кембриджского университета. ISBN 978-0-521-40605-5.
- Вонг, Э.; Гаек, Б. (1985). Случайные процессы в технических системах . Нью-Йорк: Спрингер-Верлаг.
- https://www.ma.utexas.edu/users/gordanz/notes/weak.pdf
Эта статья включает в себя материал из статьи Citizendium «Стохастическая конвергенция», которая распространяется под лицензией Creative Commons Attribution-ShareAlike 3.0 Unported License, но не под лицензией GFDL .