概率论4.3随机变量序列的收敛性(先)资料

§4.2随机变量序列的两种收敛性在上一节中，我们从频率的稳定性出发，引入了n η=∑=n i i n 11ξ−→−p a （n ∞→） 即随机变量序列{}n η依概率收敛于常数a 这么一个概念。

我们自然可以把所讨论的问题推广到a 不是一个常数，而是一个随机变量这样的情形，于是需要引入下面的定义。

定义4.2 设有一列随机变量1η，2η，3η，…，n η，如果对任意的ε>0,都有 lim ∞→n P ()εηη<-n （4.6）则称随机变量序列{}n η依概率收敛于η，并记作lim ∞→n r η−→−p η 或n η−→−p η （n ∞→） 由此可知，前一节中讨论过的大数定律只是上述依概率收敛的一种特殊情况。

我们已经知道分布函数全面地描述了随机变量的统计规律，如果已知n η−→−p η（n ∞→），那么它们相应的分布函数n F （x ）与F （x ）之间的关系会有什么样的关系呢?一个猜测是,对所有的x ，都有n F （x ）→ F （x ）（n ∞→）成立，这个猜测对不对呢?让我们看一个很简单的例子。

例4.2 设η，n η都是服从退化分布的随机变量，且P （η=0）=1,P （n η=-n 1）=1，n=1,2,… 于是对任给的ε>0，当n>ε1时有 P （ηη-n ≥ε）=P （n η≥ε）=0所以n η−→−p η （n ∞→） 成立。

又设η，n η的分布函数分别为F （x ），n F （x ），则F （x ）=⎩⎨⎧≤>0,20,1x xF （x ）=⎪⎩⎪⎨⎧-≤->n x n x 1,21,1 显然,当x ≠0时，lim ∞→n n F （x ）= F （x ）成立，当x=0时，lim ∞→n n F （0）=lim ∞→n 1=1≠0= F （0） 这个简单的例子表明，一个随机变量序列依概率收敛于某一个随机变量，相应的分布函数列不一定是在每一点上都收敛于这个随机变量的分布函数的。

概率论中的随机过程收敛性分析概率论中的随机过程收敛性分析是一种重要的研究方法，它在许多领域中都得到了广泛应用。

本文将从理论和实际应用角度，对随机过程的收敛性进行分析和讨论。

一、概率论中的随机过程随机过程是概率论中的一个基本概念，它描述了一系列随机变量的演化过程。

随机过程可以分为离散时间和连续时间两种情况。

在离散时间中，随机过程由一系列随机变量构成，例如随机游走；在连续时间中，随机过程由一个连续的随机函数构成，例如布朗运动。

二、收敛性的定义和分类收敛性是随机过程分析中一个关键的概念。

对于离散时间和连续时间的随机过程，我们分别讨论它们的收敛性。

1. 离散时间随机过程的收敛性离散时间随机过程的收敛性可以通过序列的极限来刻画。

对于离散时间随机过程{Xn}，如果存在一个随机变量X，使得当n趋向于无穷大时，Xn以概率1收敛于X，那么我们称随机过程{Xn}以概率1收敛于X。

此外，我们还可以使用均方收敛和依分布收敛来描述离散时间随机过程的收敛性。

2. 连续时间随机过程的收敛性连续时间随机过程的收敛性可以通过极限过程来刻画。

对于连续时间随机过程{X(t)}，如果存在一个随机过程X(t)，使得当t趋向于无穷大时，X(t)以概率1收敛于X(t)，那么我们称随机过程{X(t)}以概率1收敛于X(t)。

类似地，我们还可以使用均方收敛和依分布收敛来描述连续时间随机过程的收敛性。

三、收敛性分析的应用随机过程的收敛性分析在许多领域中都有着广泛的应用。

下面介绍几个典型的应用场景。

1. 随机游走的收敛性分析随机游走是一种重要的离散时间随机过程，它在金融学、经济学等领域中得到广泛应用。

通过对随机游走的收敛性分析，可以研究其收敛性质，例如稳定性、收敛速度等，为实际问题的解决提供理论依据。

2. 布朗运动的收敛性分析布朗运动是一种重要的连续时间随机过程，它在物理学、金融学等领域中具有重要意义。

通过对布朗运动的收敛性分析，可以研究其性质和行为，例如时序相关性、自回归性等，为实际问题的建模和分析提供理论支持。

概率空间•几乎必然收敛(almost sure convergence)–随机变量序列收敛到，同时}{n X X {li – a.s. 1}{lim ==∞→X X P n n X X =lim XX −→−.s .a 表示为或者n n ∞→n →)}()(lim :{ςςςX X n n =∞→•依概率收敛(convergence in probability)–随机变量序列以及满足对任意}{n X X li ε–p. 0}||{lim=>-∞→εX X P n n X X =lim XX −→−.p 表示为p 或者n n ∞→n →也有可能的数值极大|X X n -|•均方收敛(mean square convergence)–随机变量序列以及满足,同时}{n X X li ∞<}{2nX E –m.s. 0}){(lim2=-∞→X X E n n X X =lim XX −→−m.s.表示为或者n n ∞→n →•均方收敛(mean square convergence)–随机变量序列以及满足,同时}{n X X li ∞<}{2nX E –m.s. 0}){(lim2=-∞→X X E n n X X =lim XX −→−m.s.表示为或者则n n ∞→n →m s •若，则X X n −→−m.s.∞<}{2X E 几乎必然收敛或依概率收敛都不能确保均方收敛•以概率分布收敛(convergence in distribution)–随机变量序列以及满足在任意连续的x}{n X X li )()(limx F x F X X n n =∞→–表示为 d. 或者X X n n =∞→lim XX n −→−d.•依据特征函数判断收敛–XX n −→−d.––)}({)}({X f E X f E n →)t ()t (XX nΦ→Φ.s .a ⇒XX −→−.p(Cauthy criteria)在不知道极限的情况下，判定随机变量序列收敛随机变量序列的收敛特性。