Try   HackMD

Introduction

這篇主要在講我們的隨機變數的收斂情況

這整章有一個非常重要的定理 : 大數法則(Large Sample Theory)
簡單來說就是當我們的取樣數越來越大的時候
我們所估計出來的 樣本平均值 就會往 母體(也就是真實)平均值 靠近

Types of Convergence

重要的收斂

總共會介紹 4 種重要的收斂 :

  • Convergence in Distribution :
    XndX
  • Convergence in Probability :
    XnpX
  • Convergence Almost Surely :
    XnasX
  • Convergence in Quadratic Mean :
    XnqmX

Convergence in Distribution

limnFn(t)=F(t), for all t

特色 :

Xn 的分布會很接近
X
的分布
Xn(w)
不一定接近
X(w)


Convergence in Probability

P(|XnX|>ϵ)n0, for ϵ>0, n

特色 :
有很大比例的

w
Xn
X
的值很接近
但有很小的比例
Xn(w)
X(w)
不接近


Convergence Almost Surely

P({w:Xn(w)nX(w)})=1

特色 :
所有的

w
Xn
X
都很接近


Convergence in Quadratic Mean

E(XnX)2n0, for n

特色 :
平均而言,

Xn
X
的差距很小
換句話說,就是不會有任何一個
w
Xn
X
的值差距太大

收斂間存在的關係

單一變數

  • XnqmXXnpX
    證明 :

    Xn=UNIF(0, 1n)={n, 0U1n0, 1nU1
    p
    :
    P(|Xn0|>ϵ)=P(UNIF(0, 1n)>ϵ)=P(0U1n)=1nn0

    qm
    :
    E(Xn0)2=EXn2=(n)2P(Xn=n)+02P(Xn=0)=n×1n=1n0

  • XnpXXndX

  • XndX  and  P(X=c)=1XnpX


雙變數

  • XnpX and YnpYXn+YnpX+Y

  • XnqmX and YnqmYXn+YnqmX+Y

  • XndX and YndcXn+YndX+c

  • XnpX and YnpYXnYnpXY

  • XndX and YndcXnYndcX

  • XnpXg(Xn)pg(X)

  • XndXg(Xn)dg(X)

上面的證明我都寫不出來哈哈
如果有大神會的話麻煩私訊我 orz