UA MATH563 概率論的數(shù)學(xué)基礎(chǔ) 中心極限定理12 強大數(shù)定律 版本2：Etemadi定理

這一講我們介紹強大數(shù)定律(Strong law of large number, SLLN)的另一個版本：

強大數(shù)定律 假設(shè)$X_1,?,X_n,n\ge 1$是兩兩獨立、同分布的隨機變量，$E|X_1|<\infty$，則
$$\bar{X}{\to }_{as}E{X}_1$$

說明
幾乎必然收斂強于均方收斂，所以稱這個結(jié)果為強大數(shù)定律、而均方收斂的結(jié)果為弱大數(shù)定律。目前最好的證明由Etemadi (1981)給出，在此之前被普遍接受的版本是概率論祖師爺Kolmogorov提供的，Kolmogorov版本的條件是$X_1,?,X_n,n\ge 1$是iid的隨機變量，且$E|X_1|<\infty$。

---

證明思路

第一步，
對一般隨機變量，我們可以做類似一般可測函數(shù)的正部與負部分解：
$$X=X^{+}?X^{?}$$

其中$X^{+}=\max (X,0),X^{?}=\max (?X,0)$。

我們驗證一下$\{X_n^{+}\}$也滿足定理的條件：

因為$X_n,X_m$獨立，因此$X_n^{+},X_m^{+}$作為它們的函數(shù)也獨立；

$E|X_n|=E{X}_n^{+}+E{X}_n^{?}<\infty ?E{X}_n^{+}<\infty$

這說明正部滿足定理條件。也就是說如果非負隨機變量滿足SLLN，那么
$$\bar{X}=S_n/n=\frac{1}{n}\sum _{i=1}^n{X}_i^{+}?\frac{1}{n}\sum _{i=1}^n{X}_i^{?}{\to }_{a.s.}E{X}_1^{+}?E{X}_1^{?}=E{X}_1$$

于是我們可以利用與構(gòu)造Lebesgue積分類似的思路，把一般隨機變量簡化為非負隨機變量進行討論。

第二步，
現(xiàn)在我們假設(shè)$X_n$都是非負隨機變量，使用Truncation trick(截斷法，這是分析、概率論等數(shù)學(xué)領(lǐng)域很常用的技巧，把討論的對象分為有界、無界的兩部分分別討論)：
$$Y_n=X_n{1}_{X_n\le n}=\{\begin{array}{l}{X}_n,if{X}_n\le n\\ 0,otherwise\end{array}$$

計算
$$\sum _{n}P(X_n=Y_n)=\sum _{n}P(X_n>n)=\sum _{n}P(X_1>n)<\infty$$

最后這個不等式用的是Borel-Cantelli引理的引理1：$E|X|<\infty$，的充要條件是$??>0$，
$$\sum _{n\ge 0}P(|X|>n?)<\infty$$

因為$E|X_1|<\infty$，于是${\sum }_{n}P(X_1>n)<\infty$，根據(jù)Borel-Cantelli引理1，
$$P(X_n=Y_{n}i.o.)=0$$

定義$T_n=Y_1+?+Y_n$，$P(X_n=Y_{n}i.o.)=0$說明$P(X_n=Y_{n}e.v.)=1$，所以依概率1我們有
$$\underset{n}{\lim }{T}_n/n=\underset{n}{\lim }{S}_n/n$$

這個結(jié)果說明我們不但可以把問題從一般隨機變量簡化為非負隨機變量，還可以進一步簡化為有界的非負隨機變量。

第三步，

Claim：
$??>0$，$\alpha >1$，$k(n)=?{\alpha }^n?,?n$，
$$\sum _{n\ge 1}P(\frac{|T_{k(n)}?E{T}_{k(n)}|}{k(n)}>?)<\infty$$

如果這個結(jié)果成立，根據(jù)Borel-Cantelli引理1，
$$P(\frac{|T_{k(n)}?E{T}_{k(n)}|}{k(n)}>?i.o.)=0$$

于是
$$\frac{|T_{k(n)}?E{T}_{k(n)}|}{k(n)}{\to }_{a.s.}0$$

基于這個結(jié)果我們可以說明定理對有界非負隨機變量成立，這就是證明SLLN的完整的三個步驟。

---

下面貼一個Durrett整理的證明：

總結(jié)

以上是生活随笔為你收集整理的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定理的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。