Академический Документы
Профессиональный Документы
Культура Документы
ТЕОРИЯ ВЕРОЯТНОСТЕЙ
КОНСПЕКТ ЛЕКЦИЙ
автор: Александр Марков
30 января 2017 г.
Благодарности:
Содержание
1 Аксиоматика теории вероятностей 3
1.1 Аксиоматика Колмогорова . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Наименьшие сигма-алгебры . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3 Распределение вероятностей 11
3.1 Борелевские сигма-алгебры. Функция распределения . . . . . . . . . . . . . . . . . . . . . 11
3.2 Виды распределений . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.3 Примеры распределений . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.4 Многомерные распределения . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4 Случайные величины 18
4.1 Измеримые функции. Случайные величины. . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.2 Примеры . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.3 Независимость случайных величин . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
5 Математическое ожидание 25
5.1 Дискретный случай. Свойства . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
5.2 Абсолютно непрерывный случай . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
5.3 Математическое ожидание произвольной случайной величины . . . . . . . . . . . . . . . . 27
5.4 Свойства математического ожидания . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
5.5 Основные теоремы о предельном переходе под знаком интеграла Лебега . . . . . . . . . . 31
6 Дисперсия и ковариация 35
1
7 Неравенства в теории вероятностей 36
9 Случайное блуждание 45
9.1 Определение. Закон повторного логарифма . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
9.2 Некоторые факты о случайном блуждании . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2
1 Аксиоматика теории вероятностей
1. Ω ∈ F
2. 𝐴 ∈ F ⇒ 𝐴 ∈ F .
Утверждение 1.1.1. ∅ ∈ F
Доказательство. Ω = ∅ ∈ F
Доказательство. 𝐴 ∖ 𝐵 = 𝐴 ∩ 𝐵
Определение 1.4. Пусть (Ω, F ) — пространство элементарных событий и алгебра на нем. Тогда
функция 𝜇 : F → R+ ∪ {+∞} называется конечно-аддитивной мерой, если ∀𝐴1 , 𝐴2 ∈ F , 𝐴1 ∩ 𝐴2 = ∅
то 𝜇(𝐴1 ∪ 𝐴2 ) = 𝜇(𝐴1 ) + 𝜇(𝐴2 ).
∞ ∞
Если F — алгебра и ∀𝐴1 , 𝐴2 , . . . ∈ F , 𝐴𝑖 ∈ F ⇒ 𝜇(
⋃︀ ⋃︀ ∑︀
∀𝑖 ̸= 𝑗 𝐴𝑖 ∩ 𝐴𝑗 = ∅, 𝐴𝑖 ) = 𝜇(𝐴𝑖 ), то 𝜇
𝑖=1 𝑖=1
называется счетно-аддитивной мерой.
1. P — вероятность на (Ω, F )
Доказательство.
1) ⇒ 2):
Рассмотрим множества 𝐴𝑖 , удовлетворяющие условию 2.
∞
⋃︀
𝐴𝑛 = 𝐴1 + (𝐴2 ∖ 𝐴1 ) + (𝐴3 ∖ 𝐴2 ) + . . .
𝑛=1
тогда имеем
∞
⋃︁
P( 𝐴𝑛 ) = P(𝐴1 ) + P(𝐴2 ∖ 𝐴1 ) + P(𝐴3 ∖ 𝐴2 ) + . . . =
𝑛=1
2) ⇒ 3):
Пусть 𝑛 ≥ 1, тогда
P(𝐴𝑛 ) = P(𝐴1 ∖ (𝐴1 ∖ 𝐴𝑛 )) = P(𝐴1 ) − P(𝐴1 ∖ 𝐴𝑛 )
Последовательность множеств {𝐴1 ∖ 𝐴𝑛 }𝑛≥1 является неубывающей ( 𝐵𝑖 ⊂ 𝐵𝑖+1 ) и
∞
⋃︀ ∞
⋂︀
(𝐴1 ∖ 𝐴𝑛 ) = 𝐴1 ∖ 𝐴𝑛
𝑛=1 𝑛=1
Имеем, в силу 2):
∞
⋃︀
lim P(𝐴1 ∖ 𝐴𝑛 ) = P( (𝐴1 ∖ 𝐴𝑛 ))
𝑛→∞ 𝑛=1
и, значит,
3) ⇒ 4):
Очевидно.
4) ⇒ 1):
∞
Пусть множества 𝐴1 , 𝐴2 , . . . ∈ F попарно не пересекаются и 𝐴𝑛 ∈ F . Тогда
⋃︀
𝑛=1
∞
⋃︀ 𝑛
⋃︀ ∞
⋃︀
P( 𝐴𝑛 ) = P( 𝐴𝑖 ) + P( 𝐴𝑖 )
𝑛=1 𝑖=1 𝑖=𝑛+1
∞
⋃︀
и поскольку 𝐴𝑖 ↓ ∅ 𝑛 → ∞, то
𝑖=𝑛+1
∞
∑︁ 𝑛
∑︁ 𝑛
⋃︁
P(𝐴𝑖 ) = lim P(𝐴𝑖 ) = lim P( 𝐴𝑖 ) =
𝑛→∞ 𝑛→∞
𝑖=1 𝑖=1 𝑖=1
∞ ∞
[︀ ⋃︁ ⋃︁ ]︀
= lim P( 𝐴𝑖 ) − P( 𝐴𝑖 ) =
𝑛→∞
𝑖=1 𝑖=𝑛+1
∞
⋃︁ ∞
⋃︁ ∞
⋃︁
= P( 𝐴𝑖 ) − lim P( 𝐴𝑖 ) = P( 𝐴𝑖 )
𝑛→∞
𝑖=1 𝑖=𝑛+1 𝑖=1
a) Ω — множество точек 𝜔,
b) F — 𝜎-алгебра подмножеств Ω,
c) P — вероятность на (Ω, F ),
Рассмотрим следующую задачу: Петя и Ваня приходят в столовую с 12 до 13 часов. Если Петя
пришел раньше Вани, то он ждет его 15 минут и уходит. Аналогично поступает Ваня. Нужно найти
вероятность того, что Петя и Ваня встретятся в столовой.
Пространство элементарных исходов составляет Ω = [0, 1]×[0, 1] = [0, 1]2 , а событие 𝐴 = {П и В встретились} =
{(𝑢, 𝑣) : |𝑢 − 𝑣| ≤ 14 }. Это множество на рисунке выделено красным цветом. Тогда
(︀ )︀2
𝜇(𝐴) 1 − 2 · 12 · 43 7
P(𝐴) = = =
𝜇(Ω) 1 16
0.75
0.5
0.25
Пример 1.4. F = 2Ω
Доказательство. Пусть 𝑋 — мн-во всех 𝜎-алгебр, содержащих 𝑀 (очевидно, что оно не пусто). F =
𝜀 Покажем, что F = 𝜎(𝑀 ):
⋂︀
𝜀∈𝑋
1. Ω ∈ F
2. Пусть 𝐴 ∈ F ⇒ ∀𝜀 ∈ 𝑋 𝐴∈𝜀⇒𝐴∈𝜀⇒𝐴∈F
7
2 Условная вероятность. Независимость событий
1. P(𝐴 | 𝐴) = 1,
2. P(∅ | 𝐴) = 0,
3. P(𝐵 | 𝐴) = 1, 𝐵 ⊇ 𝐴,
5. P(𝐵 | 𝐴) + P(𝐵 | 𝐴) = 1.
Пример 2.1. Найдем вероятность встречи Васи и Пети при условии, что хотя бы один из них при-
ходит во вторую половину часа. Как и прежде, множество точек, удовлетворяющих событию 𝐴 =
{Вася и Петя встретились} выделено красным цветом, а множество точек, удовлетворяющих событию
𝐵 = {хотя бы один пришел во вторую половину часа} — зелеными. Тогда ответ на задачу
P(𝐴 ∩ 𝐵) 1 − 21 − 1
4 1
P(𝐴 | 𝐵) = = =
P(𝐵) 1 − 14 3
0.75
0.5
0.25
8
Теорема 2.1. Формула полной вероятности:
Пусть {𝐷1 , 𝐷2 , . . . , } — некоторое разбиение множества Ω, а 𝐴 — некоторое событие. Тогда:
∞
∑︀
P(𝐴) = P(𝐴 | 𝐷𝑛 )𝑃 (𝐷𝑛 ).
𝑛=1
Пример 2.2. В ящике находиться 𝑛 шаров: 𝑘 черных 𝑛−𝑘 белых. Случайным образом без возвращения
из ящика вытягиваются шары. Какова вероятность события 𝐴 = { при 𝑗-том вытягивании достали
черный шар} для 𝑗 ∈ {1, 2, . . . , 𝑛}.
∞
∑︀
Доказательство. Следует из формулы полной вероятности P(𝐴) = P(𝐴 | 𝐷𝑛 )P(𝐷𝑛 ) и того, что
𝑛=1
P(𝐷𝑛 ∩𝐴)
P(𝐷𝑛 | 𝐴) = P(𝐴) , P(𝐷𝑛 ∩ 𝐴) = P(𝐴 | 𝐷𝑛 )P(𝐷𝑛 )
9
Определение 2.3. События 𝐴1 , 𝐴2 , . . . 𝐴𝑛 называются независимыми в совокупности, если
𝑘
∏︀
∀𝑛1 , 𝑛2 , . . . , 𝑛𝑘 (𝑘 ≥ 2, 𝑘 ≤ 𝑛) P(𝐴𝑛1 ∩ 𝐴𝑛2 ∩ . . . ∩ 𝐴𝑛𝑘 ) = P(𝐴𝑛𝑖 )
𝑖=1
Утверждение 2.2.1. Попарно независимые события не обязательно независимы в совокупности.
тогда:
1
∙ P(𝐴𝑅 ∩ 𝐴𝐺 ∩ 𝐴𝐵 ) = 4
1
∙ P(𝐴𝑅 ∩ 𝐴𝐺 ) = P(𝐴𝑅 ∩ 𝐴𝐵 ) = P(𝐴𝐺 ∩ 𝐴𝐵 ) = 4
1
∙ P(𝐴𝑅 ) = 𝑃 (𝐴𝐺 ) = P(𝐴𝐵 ) = 2
Определение 2.4. Пусть дано мн-во {𝐴𝛼 }𝛼∈Γ . 𝐴𝛼 называется независимым в совокупности, если
∀𝑛 ∈ N ∀ различных 𝛼1 , 𝛼2 , . . . , 𝛼𝑛 ∈ Γ : 𝐴𝛼1 , . . . , 𝐴𝛼𝑛 независимы в совокупности.
= P(𝐴2 ) . . . P(𝐴𝑘 )P(𝐴𝑘+1 ) . . . P(𝐴𝑛 )(1 − P(𝐴1 )) = P(𝐴1 ) . . . P(𝐴𝑘 )P(𝐴𝑘+1 ) . . . P(𝐴𝑛 )
10
3 Распределение вероятностей
Таким образом, в борелевскую 𝜎-алгебру наряду с интервалами (𝑎, 𝑏] входят одноточечные множе-
ства {𝑎} а так же каждое из семи множеств вида
(𝑎, 𝑏), [𝑎, 𝑏], [𝑎, 𝑏), (−∞, 𝑏), (−∞, 𝑏], (𝑎, +∞), [𝑎, −∞).
Замечание. 2: В общем случае борелевской 𝜎-алгеброй называется минимальная 𝜎-алгебра, содержащая
все открытые множества топологического пространства.
Определение 3.3. Любая вероятностная мера на (R, B(R)) называется распределением вероятностей.
11
Теорема 3.1. Любая функция распределения обладает следующими свойствами:
3. 𝐹 — неубывает
Далее, по той же теореме о непрерывности вероятностной меры в 0, lim 𝐹 (𝑥) = lim P((−∞, 𝑥]) =
𝑥→+∞ 𝑥→+∞
1, т.к. (−∞, 𝑥] ↑ R.
3. Пусть 𝑥 > 𝑦. Тогда (−∞, 𝑥] ⊃ (−∞, 𝑦] ⇒ P((−∞, 𝑥]) ≥ P(−∞, 𝑦]) ⇒ 𝐹 (𝑥) ≥ 𝐹 (𝑦)
Замечание: Функция распределения не обязательно непрерывна слева, т.к (−∞, 𝑥] −−−−−→ (−∞, 𝑥0 ),а
𝑥→𝑥0 −0
значит P((−∞, 𝑥]) → P((−∞, 𝑥0 ]) − P({𝑥0 })
⎧
⎪
⎪
⎪ 0, 𝑥 < 0
⎪
⎨
Пример 3.2. 𝐹 (𝑥) = 𝑥, 𝑥 ∈ [0, 1) . 0 ≤ 𝑎 < 𝑏 ≤ 1 ⇒ P((𝑎, 𝑏)) = 𝑏 − 𝑎
⎪
⎪
⎪
⎪
⎩1, 𝑥 ≥ 1
P — мера Лебега на отрезке [0, 1]
1. Дискретные
Пусть 𝑋 ⊂ R — не более чем счетный набор точек, т.ч. P(𝑋) = 1, P(R ∖ 𝑋) = 0.
Тогда P называется дискретным распределением.
𝑋 = {𝑥𝑛 | 𝑛 ∈ N}.
12
∑︀
𝐹 (𝑥) = P({𝑥𝑛 })
𝑛∈N
𝑥𝑛 ≤𝑥
Обозн: P({𝑥𝑛 }) = 𝑝𝑛 . Часто последовательность {𝑝𝑛 } называется распределением вероятностей,
т.к. распределение вероятностей в стандартном понимании однозначно восстанавливается по ней.
2. Абсолютно непрерывные
Пусть 𝐹 — функция распределения. Если существует функция 𝑝 : R → R+ , такая что
∫︀𝑥
∀𝑥 𝐹 (𝑥) = 𝑝(𝑡)𝑑𝑡
−∞
то распределение вероятностей и 𝐹 называются абсолютно непрерывными, а 𝑝 — плотностью этого
распределения.
Доказательство. Покажем, что определенная таким образом функция 𝐹 удовлетворяет всем свой-
ствам функции распределения:
1.
∫︀𝑥 ∫︀∞ ∫︀∞
lim 𝐹 (𝑥) = lim 𝑝(𝑡)𝑑𝑡 = lim 𝑝(𝑡)𝐼(𝑡 ≤ 𝑥)𝑑𝑡 = lim 𝑝(𝑡)𝐼(𝑡 ≤ 𝑥)𝑑𝑡 = 0
𝑥→−∞ 𝑥→−∞ −∞ 𝑥→−∞ −∞ −∞ 𝑥→−∞
+∞
∫︀ +∞
∫︀
lim 𝐹 (𝑥) = lim 𝑝(𝑡)𝐼(𝑡 ∈ (−∞, 𝑥])𝑑𝑡 = 𝑝(𝑡)𝑑𝑡 = 1
𝑥→+∞ −∞ 𝑥→+∞ −∞
2. Непрерывность справа:
∫︀𝑥 ∫︀𝑥0
lim 𝐹 (𝑥) = lim 𝑝(𝑡)𝑑𝑡 = 𝑝(𝑡)𝑑𝑡 = 𝐹 (𝑥0 )
𝑥→𝑥0 +0 𝑥→𝑥0 +0 −∞ −∞
3. Неубывание:
∫︀𝑥 ∫︀𝑦 ∫︀𝑥 ∫︀𝑥
𝑥 > 𝑦 ⇒ 𝐹 (𝑥) = 𝑝(𝑡)𝑑𝑡 = 𝑝(𝑡)𝑑𝑡 + 𝑝(𝑡)𝑑𝑡 = 𝐹 (𝑦) + 𝑝(𝑡)𝑑𝑡 ⇒
−∞ −∞ 𝑦 𝑦
неубывание функции 𝐹 , т.к. 𝑝 принимает только неотрицательные значения.
13
Определение 3.5. Любую функцию, удовлетворяющую свойствам:
a) 𝑝 : R → R+
+∞
∫︀
b) 𝑝(𝑡)𝑑𝑡 = 1
−∞
Доказательство (идея).
𝜆𝑘 𝑒−𝜆
Пример 3.5. 𝑃 𝑜𝑖𝑠(𝜆), P({𝑘}) = 𝑘! , 𝑘 ∈ Z+ , 𝜆 ∈ R+ — распределение Пуасонна. Дискретное распре-
деления числа успехов в испытаниях Бернулли, где число испытаний 𝑛 достаточно велико, а вероятность
𝜆
успеха равна 𝑛.
1
Пример 3.6. 𝑈 ({1, 2, . . . , 𝑛}) — Дискретное равномерное распределение, P({𝑘}) = 𝑛
1
Пример 3.7. 𝑈 ([𝑎, 𝑏]) — Непрерывное равномерное распределение на отрезке [𝑎, 𝑏]. 𝑝(𝑥) = 𝑏−𝑎 𝐼(𝑎 ≤
𝑥 ≤ 𝑏)
(𝑥−𝜇)2
Пример 3.8. 𝑁 (𝜇, 𝜎 2 ) — Нормальное распределение. 𝑝(𝑥) = √ 1
2𝜋𝜎 2
𝑒− 2𝜎 2 .
14
Пример 3.9. 𝑒𝑥𝑝(𝜆), 𝜆 > 0 — экспоненциальное распределение, где 𝑝(𝑥) = 𝜆𝑒−𝜆𝑥 𝐼(𝑥 ≥ 0).
𝑥𝛽−1 𝑒−𝛼𝑥
Пример 3.10. Γ(𝛼, 𝛽), 𝛼, 𝛽 > 0 - гамма распределение. 𝑝(𝑥) = Γ(𝛽) · 𝐼(𝑥 ≥ 0), где Γ(𝛽) —
гамма-функция.
𝜃
Пример 3.11. 𝐶(𝜃), 𝜃 > 0 — распределение Коши. 𝑝(𝑥) = 𝜋(𝑥2 +𝜃 2 )
= 𝜎({𝐵1 × 𝐵2 × . . . × 𝐵𝑛 ; ∀𝑖 𝐵𝑖 ∈ B(R)})
где (𝑎, 𝑏] = (𝑎1 , 𝑏1 ] × . . . × (𝑎𝑛 , 𝑏𝑛 ]. В частности, отсюда видно, что, в отличие от одномерного случая,
вероятность P(𝑎, 𝑏], вообще говоря, не равна разности 𝐹𝑛 (𝑏) − 𝐹𝑛 (𝑎).
15
3. ∆𝑎1 𝑏1 . . . ∆𝑎𝑛 𝑏𝑛 𝐹𝑛 (𝑥) ≥ 0
Для доказательства второй части, без ограничения общности предположим, что 𝑥1 → −∞ и за-
фиксируем 𝑥2 , . . . , 𝑥𝑛 . Пусть 𝐵𝑘 = (−∞, −𝑘] × (−∞, 𝑥2 ] × . . . × (−∞, 𝑥𝑛 ]. Тогда:
∞
⋂︀
𝐵𝑘+1 ⊂ 𝐵𝑘 , 𝐵𝑘 = ∅.
𝑘=1
lim 𝐹 (𝐵𝑘 ) = 0 ⇒ ∃𝑁 ∀𝑘 ≥ 𝑁 P(𝐵𝑘 ) < 𝜀. Пусть 𝑥1 < 𝑁 . Тогда:
𝑘→+∞
𝐹 (𝑥) = P((−∞, 𝑥]) ≤ P((−∞, 𝑁 ] × (−∞, 𝑥2 ] × . . . × (−∞, 𝑥𝑛 ]) < 𝜀
16
Утверждение 3.4.1. ∀𝐵 ∈ B(R) P(𝐵) =
∫︀
𝑝(𝑡1 , . . . , 𝑡𝑛 )𝑑𝑡1 𝑑𝑡2 . . . 𝑑𝑡𝑛
𝐵
Утверждение 3.4.2. Пусть функция 𝑝 : R𝑛 → R+ такая, что
∫︀
𝑝(𝑡1 , . . . , 𝑡𝑛 )𝑑𝑡1 𝑑𝑡2 . . . 𝑑𝑡𝑛 = 1.
R𝑛
Тогда 𝑝 — плотность некоторого абсолютно непрерывного распределения.
Определение 3.10. Пусть 𝑋 ⊂ R𝑛 не более чем счетное множество точек 𝑛-мерного пространства.
Если P(𝑋) = 1, P(R𝑛 ∖ 𝑋) = 0, то распределение P называется дискретным. Аналогичено одномер-
ному случаю, последовательность {𝑝𝑛 }, 𝑝𝑛 = 𝑃 (𝑥(𝑛) ), 𝑋 = {𝑥(1) , . . . , 𝑥(𝑛) , . . . } иногда называется
распределением вероятностей, т.к. распределение вероятностей в стандратном смысле однозначно вос-
станавливается по ней.
17
4 Случайные величины
1. Ω ∈ F𝜉 , т.к. Ω = 𝜉 −1 (R𝑘 )
Доказательство.
⇒:
Пусть 𝜂 — F𝜉 измерима. Тогда ∀𝐵 ∈ B(R𝑘 ) : 𝜂 −1 (𝐵) ∈ F𝜉 ⇐⇒ F𝜂 = {𝜂 −1 (𝐵)} ⊂ F𝜉 .
18
⇐:
Пусть F𝜂 ⊂ F𝜉 . Возьмем произвольное 𝐵 ∈ B(R𝑘 ). Тогда 𝜂 −1 (𝐵) ∈ F𝜂 ⇒ 𝜂 −1 (𝐵) ∈ F𝜉
1. 𝐸 ∈ A , т.к. 𝑓 −1 (𝐸) = Ω
Следствие 4.1.1. Для того чтобы функция 𝜉 : Ω → R была случайной величиной, необходимо и
достаточно, чтобы ∀𝑥 ∈ R
{𝜔 : 𝜉(𝜔) < 𝑥} ∈ F
или
{𝜔 : 𝜉(𝜔) ≤ 𝑥} ∈ F .
Доказательство следует из того, что каждая из систем множеств
E1 = {𝑥 : 𝑥 < 𝑐, 𝑐 ∈ R},
E2 = {𝑥 : 𝑥 ≤ 𝑐, 𝑐 ∈ R}
порождают 𝜎-алгебру B(R).
19
Доказательство.
⇒:
𝑝𝑟𝑛𝑖 (𝜉) = 𝜉𝑖 , где 𝜉 — случайный вектор. Функция проектор — борелевская, и по утверждению 4.1.3 𝜉𝑖
— случайная величина.
⇐:
𝑛
Пусть 𝐵1 , . . . , 𝐵𝑛 ∈ B(R), 𝐵 = 𝐵1 × 𝐵2 × . . . × 𝐵𝑛 , 𝜉 −1 (𝐵) = 𝜉𝑖−1 (𝐵𝑖 ) ∈ F .
⋂︀
𝑖=1
Рассмотрим 𝑀 = {𝐵1 ×𝐵2 ×. . .×𝐵𝑛 : 𝐵𝑖 ∈ B(R)}. Тогда 𝜎(𝑀 ) = B(R𝑛 ) ⇒ по критерию измеримости
𝜉 — случайная величина.
Утверждение 4.1.5. Пусть 𝜉1 , 𝜉2 , . . . — случайные величины. Тогда следующие четыре функции явля-
ются расширенными случайными величинами (т.е. случайными величинами, принимающими значения
в R ∪ {±∞}):
inf 𝜉𝑛 ; sup 𝜉𝑛 ; lim 𝜉𝑛 ; lim 𝜉𝑛 .
𝑛 𝑛 𝑛→+∞ 𝑛→+∞
4.2 Примеры
Пример 4.2. Рассмотрим (Ω, F , P), 𝐴 ∈ F . Тогда случайной величиной является функция 𝜉 = 𝐼𝐴 =
⎧
⎨1, 𝜔 ∈ 𝐴,
⎪
. При этом, P(𝜉 = 1) = P(𝐴), P(𝜉 = 0) = 1 − P(𝐴)
⎩0, 𝜔 ̸∈ 𝐴
⎪
20
Пример 4.3. Если F = 2Ω , то любая функция является случайной величиной. Если ∃𝐴 ∈ 2Ω ∧ 𝐴 ̸∈ F ,
то 𝐼𝐴 не является случайной величиной.
Определение 4.3. Пусть 𝜉 — 𝑛-мерный случайный вектор, 𝜂 — 𝑘-мерный. Тогда они называются
⊥ 𝜂) , если ∀𝐵1 ∈ B(R𝑛 ), 𝐵2 ∈ B(R𝑘 ) : P(𝜉 ∈ 𝐵1 , 𝜂 ∈ 𝐵2 ) = P(𝜉 ∈
независимыми (Обозначение: 𝜉 ⊥
𝐵1 )P(𝜂 ∈ 𝐵2 )
Случайные вектора 𝜉1 , 𝜉2 , . . . , 𝜉𝑛 называются попарно независимыми, если ∀𝑖 ̸= 𝑗 𝜉𝑖 ⊥
⊥ 𝜉𝑗
Если для любых борелевских множеств 𝐵1 , 𝐵2 , . . . , 𝐵𝑛 выполнено, что P(𝜉1 ∈ 𝐵1 , . . . , 𝜉𝑛 ∈ 𝐵𝑛 ) =
P(𝜉1 ∈ 𝐵1 ) . . . P(𝜉𝑛 ∈ 𝐵𝑛 ), то случайные вектора называются независимыми в совокупности.
Замечание: Взяв в определении независимости в совокупности 𝐵𝑖 = R𝑘 можно показать, что ана-
логичное равенство следует для любого поднабора случайных величин.
{𝜉𝛼 : 𝛼 ∈ 𝐴} независимы в совокупности, если ∀𝑛 ∈ N ∀ попарно различных 𝛼1 , . . . , 𝛼𝑛 ∈ 𝐴 :
𝜉𝛼1 , . . . , 𝜉𝛼𝑛 независимы в совокупности.
Доказательство.
⇒:
Очевидно из определения.
⇐:
Пусть 𝐵𝑖 ∈ F𝜉𝑖 . Положим {𝑥(𝑖) } := 𝜉𝑖−1 (𝐵𝑖 )
𝑛 ⋃︀
(︁ ⋂︀ ∞ )︁ ∞
(︁ ⋃︀ ∞ )︁
(𝑗) ⋃︀ (1) (𝑛)
P(𝜉1 ∈ 𝐵1 , . . . , 𝑥𝑛 ∈ 𝐵𝑛 ) = P {𝜉𝑗 = 𝑥𝑖 } = P ... {𝜉1 = 𝑥𝑖1 } ∩ . . . ∩ {𝜉𝑛 = 𝑥𝑖𝑛 } =
𝑗=1 𝑖=1 𝑖1 =1 𝑖𝑛 =1
[︃
𝑘1
(︁ ⋃︀ 𝑘
⋃︀𝑛 )︁ 𝑘1 𝑘𝑛
(1) (𝑛) ∑︀ ∑︀ (1)
lim P ... {𝜉1 = 𝑥𝑖1 } ∩ . . . ∩ {𝜉𝑛 = 𝑥𝑖𝑛 } = lim ... P(𝜉1 = 𝑥𝑖1 ) . . . P(𝜉𝑛 =
𝑘1 →∞ 𝑖1 =1 𝑖𝑛 =1 𝑘1 →∞ 𝑖1 =1 𝑖𝑛 =1
··· ···
𝑘𝑛 →∞ ]︃ 𝑘𝑛 →∞
𝑘1
[︁ ∑︀ 𝑘𝑛 ]︁
(𝑛) (1) ∑︀ (𝑛)
𝑥𝑖𝑛 ) = lim 𝑃 (𝜉1 = 𝑥𝑖1 ) . . . P(𝜉𝑛 = 𝑥𝑖𝑛 ) = P(𝜉1 ∈ 𝐵1 ) . . . P(𝜉𝑛 ∈ 𝐵𝑛 )
𝑘1 →∞ 𝑖1 =1 𝑖𝑛 =1
···
𝑘𝑛 →∞
1. Ω ∈ L
2. (𝐴, 𝐵 ∈ L и 𝐴 ⊆ 𝐵) ⇒ (𝐵 ∖ 𝐴 ∈ L )
21
3. (𝐴𝑛 ∈ L , 𝑛 ≥ 1, и 𝐴𝑛 ↑ 𝐴) ⇒ (𝐴 ∈ L )
Заметим, что каждая 𝜎-алгебра является 𝜆-системой. Обратное же неверно. Например, если Ω =
{1, 2, 3, 4}, то система
L = {∅, Ω, (1, 2), (1, 3), (1, 4), (2, 3), (2, 4), (3, 4)}
является 𝜆-системой, но не 𝜎-алгеброй.
1. Ω ∈ L
2. 𝐴 ∈ L ⇒ 𝐴 ∈ L
3. если 𝐴𝑛 ∈ L , 𝑛 ≥ 1 и ∀𝑖 ̸= 𝑗 𝐴𝑖 ∩ 𝐴𝑗 = ∅, то 𝐴𝑛 ∈ L
⋃︀
а) Система E содержит Ω т.к. это 𝜆-система. Из определения 𝜆-систем, E замкнуто относительно взя-
тия дополнения множества, а из определения 𝜋-систем — конечного пересечения множеств, а значит,
что E является алгеброй. Покажем, что это 𝜎-алгебра. Для этого докажем, что система E замкнута
относительно взятия счетного объединения множеств 𝐵1 , 𝐵2 , . . . из E .
𝐴𝑛 ∈ E . Но
⋃︀
Положим 𝐴1 = 𝐵1 и 𝐴𝑛 = 𝐵𝑛 ∩ 𝐴1 ∩ . . . ∩ 𝐴𝑛−1 . Тогда ∀𝑖 ̸= 𝑗 𝐴𝑖 ∩ 𝐴𝑗 = ∅, а значит
𝐴𝑛 = 𝐵𝑛 ⇒ 𝐵𝑛 ∈ E , откуда следует а).
⋃︀ ⋃︀ ⋃︀
b) Рассмотрим 𝜆-систему 𝜆(E ) и 𝜎-алгебру 𝜎(E ). Как отмечалось, всякая 𝜎-алгебра является 𝜆-
системой. Поскольку 𝜎(E ) ⊇ E , то 𝜎(E ) = 𝜆(𝜎(E )) ⊇ 𝜆(E ). Тем самым 𝜆(E ) ⊆ 𝜎(E )
Теперь, если показать, что система 𝜆(E ) является 𝜋-системой, то по утверждению a) она является
и 𝜎-алгеброй, содержащей E . А т.к. 𝜎(E ) — минимальная 𝜎-алгебра, то 𝜆(E ) = 𝜎(E )
Воспользуемся принципом подходящих множеств. Пусть
E1 = {𝐵 ∈ 𝜆(E ) : 𝐵 ∩ 𝐴 ∈ 𝜆(E ) для всех 𝐴 ∈ E }
Если 𝐵 ∈ E , то 𝐵 ∩ 𝐴 ∈ E (т.к. E — 𝜋-система). Значит, E ⊆ E1 . Но система E1 есть 𝜆-система (в
силу своего определения). Поэтому 𝜆(E ) ⊆ 𝜆(E1 ) = E1 . С другой стороны, по определнию системы E1
имеет место включение E1 ⊆ 𝜆(E ).
22
Таким образом E1 = 𝜆(E ).
Пусть теперь
E2 = {𝐵 ∈ 𝜆(E ) : 𝐵 ∩ 𝐴 ∈ 𝜆(E ) для всех 𝐴 ∈ 𝜆(E )} .
Как и E1 , E2 является 𝜆-системой.
Возьмем множество 𝐵 ∈ E . Тогда по опредлению системы E1 для всех 𝐴 ∈ E1 = 𝜆(E ) находим, что
𝐵 ∩ 𝐴 ∈ 𝜆(E ). Следовательно, из определния системы E2 видим, что E ⊆ E2 и 𝜆(E ) ⊆ 𝜆(E2 ) = E2 . Но
𝜆(E ) ⊇ E2 . Поэтому 𝜆(E ) = E2 , и, значит, для любых 𝐴 и 𝐵 из 𝜆(E ) множество 𝐴∩𝐵 ∈ 𝜆(E ), т.е. система
𝜆(E ) является 𝜋-системой. Значит, система 𝜆(E ) является 𝜋-𝜆-системой (а, значит, 𝜆(E ) = 𝑑(E )), а, как
отмечено выше, отсюда следует, что 𝜆(E ) = 𝜎(E ).
База индукции:
Воспользуемся методом подходящих множеств.
Положим E = {𝐵1 ∈ B(R) : P(𝜉1 ∈ 𝐵1 , 𝜉2 ≤ 𝑥2 , . . . , 𝜉𝑛 ≤ 𝑥𝑛 ) = P(𝜉1 ∈ 𝐵1 )P(𝜉2 ≤ 𝑥2 ) . . . P(𝜉𝑛 ≤ 𝑥𝑛 )}
Заметим следующее:
P(𝜉1 ≤ 𝑥1 , . . . , 𝜉𝑛 ≤ 𝑥𝑛 ) = 𝐹𝜉 (𝑥1 , . . . , 𝑥𝑛 ) =
23
2. Рассмотрим 𝐴, 𝐵 ∈ E , 𝐴 ⊂ 𝐵.
P(𝜉1 ∈ 𝐵 ∖ 𝐴, 𝜉2 ≤ 𝑥2 , . . . , 𝜉𝑛 ≤ 𝑥𝑛 ) =
= P(𝜉1 ∈ 𝐵, 𝜉2 ≤ 𝑥2 , . . . , 𝜉𝑛 ≤ 𝑥𝑛 ) − P(𝜉1 ∈ 𝐴, 𝜉2 ≤ 𝑥2 , . . . , 𝜉𝑛 ≤ 𝑥𝑛 ) =
а значит 𝐴 ∈ E
⇒ B(R) ⊇ E = 𝜆(E ) ⊇ 𝜆(𝑀 ) = 𝜎(𝑀 ) = B(R) ⇒ E = B(R)( по теореме 4.2 ). База индукции доказана.
Шаг индукции. Доказательство аналогично доказательству базы.
Доказательство. P(𝑔1 (𝜉1 ) ∈ 𝐵1 , . . . , 𝑔𝑛 (𝜉𝑛 ) ∈ 𝐵𝑛 ) = P(𝜉1 ∈ 𝑔1−1 (𝐵1 ), . . . , 𝜉𝑛 ∈ 𝑔𝑛−1 (𝐵𝑛 )) = P(𝜉1 ∈
𝑔1−1 (𝐵1 )) . . . P(𝜉𝑛 ∈ 𝑔𝑛−1 (𝐵𝑛 )) = P(𝑔1 (𝜉1 ) ∈ 𝐵1 ) . . . P(𝑔𝑛 (𝜉𝑛 ) ∈ 𝐵𝑛 )
24
5 Математическое ожидание
Определение 5.1. Пусть 𝜉 — дискретная случайная величина на пространстве (Ω, F , P). 𝑋 — множе-
∑︀
ство ее значений. Тогда математическим ожиданием 𝜉 называется число, равное E𝜉 = 𝑥P(𝜉 = 𝑥),
𝑥∈𝑋
если этот ряд сходится абсолютно.
Утверждение 5.1.1. Пусть 𝐴1 , 𝐴2 , . . . — разбиение Ω, такое что ∀𝑖 𝜉|𝐴𝑖 = 𝑐𝑜𝑛𝑠𝑡. Пусть 𝜔𝑖 ∈ 𝐴𝑖 . Тогда
∑︀
E𝜉 = 𝜉(𝜔𝑖 )P(𝐴𝑖 )
𝑖
∑︀ ∑︀ ⋃︀ ∑︀ ∑︀ ∑︀
Доказательство. E𝜉 = 𝑥P(𝜉 = 𝑥) = 𝑥P( 𝐴𝑖 ) = 𝑥 P(𝐴𝑖 ) = 𝜉(𝜔𝑖 )P(𝐴𝑖 )
𝑥∈𝑋 𝑥∈𝑋 𝑖 : 𝜉(𝜔𝑖 )=𝑥 𝑖:𝜉(𝜔𝑖 )=𝑥
1. 𝜉 = 𝑐, 𝑐 ∈ R. E𝑐 = 𝑐
2. E𝐼𝐴 = P(𝐴)
3. Если 𝜉 ≥ 0, то E𝜉 ≥ 0
4. Если P(𝜉 = 0) = 1, то E𝜉 = 0
6. Пусть 𝜉 ≥ 𝜂. Тогда E𝜉 ≥ E𝜂
7. |E𝜉| ≤ E|𝜉|
8. Если 𝜉 ⊥
⊥ 𝜂, то E𝜉𝜂 = E𝜉 E𝜂 (обратное неверно)
Доказательство.
1. 𝜉 = 𝑐 ⇒ P(𝜉 = 𝑐) = 1, E𝜉 = 𝑐P(𝜉 = 𝑐) = 𝑐
25
∑︀ ∑︀
5. 𝑐 ∈ R. E𝑐𝜉 = 𝑐𝑥P(𝜉 = 𝑥) = 𝑐 𝑥P(𝜉 = 𝑥) = 𝑐E𝜉
𝑥∈𝑋 𝑥∈𝑋
∑︀ ∑︀ ∑︀
E(𝜉 + 𝜂) = (𝜉(𝜔𝑖 ) + 𝜂(𝜔𝑖 ))P({𝜔𝑖 }) = 𝜉(𝜔𝑖 )P({𝜔𝑖 }) + 𝜂(𝜔𝑖 )P({𝜔𝑖 }) = E𝜉 + E𝜂
𝑖 𝑖 𝑖
∑︀
6. Следует из записи E𝜉 = 𝜉(𝜔)P({𝜔})
𝜔∈Ω
∑︀ ∑︀ ∑︀
7. |E𝜉| = | 𝑥P(𝜉 = 𝑥)| ≤ | |𝑥|P(𝜉 = 𝑥)| = |𝑥|P(|𝜉| = 𝑥) = E|𝜉|
𝑥∈𝑋 𝑥∈𝑋 𝑥∈|𝑋|
∑︀ ∑︀ ∑︀ ∑︀
8. E𝜉𝜂 = (𝑥𝑘 𝑦𝑛 )P(𝜉 = 𝑥𝑘 , 𝜂 = 𝑦𝑛 ) = (𝑥𝑘 𝑦𝑛 )P(𝜉 = 𝑥𝑘 )P(𝜂 = 𝑦𝑛 ) = 𝑥𝑘 P(𝜉 = 𝑥𝑘 ) 𝑦𝑛 P(𝜂 =
𝑘, 𝑛 𝑘, 𝑛 𝑘 𝑛
𝑦𝑛 ) = E𝜉E𝜂
1
Пример 5.3. 𝜉 ∼ 𝑈 ({1, . . . , 𝑛}), P({𝑘}) = 𝑛
𝑛
E𝜉 = 𝑛1 𝑘 = 𝑛+1
∑︀
2
𝑘=1
1
Пример 5.5. 𝜉 ∼ 𝑈 ([𝑎, 𝑏]). 𝑝𝜉 (𝑥) = 𝑏−𝑎 𝐼(𝑥 ∈ [𝑎, 𝑏])
𝑎+𝑏
E𝜉 = 2
26
Пример 5.6. 𝜉 ∼ 𝐸𝑥𝑝(𝜆). 𝑝𝜉 (𝑥) = 𝜆𝑒−𝜆𝑥 𝐼(𝑥 > 0)
+∞ +∞
𝑥𝜆𝑒−𝜆𝑥 𝐼(𝑥 > 0)𝑑𝑥 = 𝑥𝜆𝑒−𝜆𝑥 𝑑𝑥 = 𝜆1
∫︀ ∫︀
E𝜉 =
−∞ 0
(𝑥−𝑎)2
Пример 5.7. 𝜉 ∼ 𝑁 (𝑎, 𝜎 2 ). 𝑝𝜉 (𝑥) = √ 1
2𝜋𝜎 2
𝑒− 2𝜎 2
+∞
∫︁
1 (𝑥−𝑎)2
E𝜉 = 𝑥√ 𝑒− 2𝜎2 𝑑𝑥 =
2𝜋𝜎 2
−∞
+∞ +∞
𝑥 − 𝑎 − (𝑥−𝑎)
∫︁ ∫︁
2
1 (𝑥−𝑎)2
= √ 𝑒 2𝜎 2
𝑑𝑥 + 𝑎 √ 𝑒− 2𝜎2 𝑑𝑥 =
2𝜋𝜎 2 2𝜋𝜎 2
−∞ −∞
+∞
∫︁
𝑥 𝑥2
= √ 𝑒− 2𝜎2 𝑑𝑥 + 𝑎 · 1 = 0 + 𝑎 = 𝑎
2𝜋𝜎 2
−∞
Определение 5.3. Пусть 𝜉 — случайная величина на (Ω, F , P). Если существует интеграл Лебега по
пространству Ω по вероятностной мере P, то он называется математическим ожиданием 𝜉
∫︀ ∫︀
E𝜉 = 𝜉(𝜔)P(𝑑𝜔) = 𝜉𝑑P𝜉
Ω Ω
(интеграл Лебега по вероятностной мере будет определен далее)
Определение 5.4. Случайная величина 𝜉 называется простой, если ее множество значений конечно.
(частный случай дискретной с.в.)
Определение 5.5. Пусть 𝜉 — с.в. Последовательность случайных величин {𝜉𝑛 } монотонно сходится
к 𝜉 (обозначение: 𝜉𝑛 ↑ 𝜉), если функц. последовательность 𝜉𝑛 поточечно сходится к 𝜉 на Ω и ∀𝑛 ∈ N ∀𝜔 ∈
Ω : 𝜉𝑛 (𝜔) ≤ 𝜉𝑛+1 (𝜔)
Определение 5.6. Пусть 𝜉 — случайная величина. Тогда 𝜉 + = 𝑚𝑎𝑥(𝜉, 0), 𝜉 − = −𝑚𝑖𝑛(𝜉, 0). Нетрудно
заметить, что 𝜉 = 𝜉 + − 𝜉 −
27
Доказательство.
28
Доказательство. Пусть 𝜉𝑛 ↑ 𝜉, 𝜂𝑛 ↑ 𝜉. Тогда по по лемме 5.1:
lim E𝜂𝑛 ≥ E𝜉𝑛 ⇒ lim E𝜂𝑛 ≥ lim E𝜉𝑛 .
𝑛 𝑛 𝑛
Абсолютно аналогично получаем, что lim E𝜉𝑛 ≥ lim E𝜂𝑛 ⇒ lim E𝜉𝑛 = lim E𝜂𝑛
𝑛 𝑛 𝑛 𝑛
E𝜉 = sup E𝜂
𝜂:𝜂≤𝜉
Определение 5.8. Пусть 𝜉 — произвольная случайная величина на (Ω, F , P). Тогда ее математи-
ческим ожиданием E𝜉, или интегралом Лебега, называется
1. E𝜉 + − E𝜉 − , если E𝜉 + и E𝜉 − — конечны.
29
Утверждение 5.4.3. Пусть 𝜉 случайная величина на (Ω, F , P). Тогда, если существует E𝜉, то для
любого события 𝐴 ∈ F существует E𝜉 · 𝐼𝐴 . Дополнительно, если E𝜉 конечно, то для любого события
𝐴 ∈ F конечно E𝜉 · 𝐼𝐴 .
30
1. 𝑐 ≥ 0. Тогда 𝑐𝜉𝑛+ ↑ 𝑐𝜉, 𝑐𝜉𝑛− ↑ 𝑐𝜉 − . По определению мат. ожидания
E𝑐𝜉 = E(𝑐𝜉)+ − E(𝑐𝜉)− = lim(E𝑐𝜉𝑛+ − E𝑐𝜉𝑛− ) = 𝑐 lim E𝜉𝑛 = 𝑐E𝜉
𝑛 𝑛
Утверждение 5.4.7. Если 𝜉, 𝜂 — неотрицательные случайные величины или такие, что E|𝜉| < ∞, E|𝜂| <
∞, то
E(𝜉 + 𝜂) = E𝜉 + E𝜂
Утверждение 5.4.8. Пусть математические ожидания 𝜉, 𝜂 конечны и для всех 𝐴 ∈ F : E𝜉𝐼𝐴 ≤ E𝜂𝐼𝐴 .
Тогда P(𝜉 ≤ 𝜂) = 1.
Доказательство. Действительно, пусть 𝐴 = {𝜔 : 𝜉(𝜔) > 𝜂(𝜔)} ∈ F . Тогда E𝜂𝐼𝐴 ≤ E𝜉𝐼𝐴 ≤ E𝜂𝐼𝐴 ⇒
E𝜂𝐼𝐴 = E𝜉𝐼𝐴 . По линейности математического ожидания E((𝜉 − 𝜂)𝐼𝐴 ) = 0 ⇒ P(𝐴) = 0 ⇒ P(𝜉 ≤ 𝜂) =
1.
Утверждение 5.4.9. Если 𝜉 = 𝜂 почти наверное (т.е. P( {𝜉 ̸= 𝜂 } ) = 0) и E|𝜉| < ∞, то E|𝜂| < ∞ и
E𝜉 = E𝜂.
Доказательство. Пусть 𝑁 = {𝜔 : 𝜉 ̸= 𝜂}. Тогда P(𝑁 ) = 0 и 𝜉 = 𝜉𝐼𝑁 +𝜉𝐼𝑁 , 𝜂 = 𝜂𝐼𝑁 +𝜂𝐼𝑁 . По линейности
математического ожидания, E𝜉 = E𝜉𝐼𝑁 + E𝜉𝐼𝑁 = E𝜉𝐼𝑁 = E𝜂𝐼𝑁 = E𝜂𝐼𝑁 + 0 = E𝜂𝐼𝑁 + E𝜂𝐼𝑁 = E𝜂
31
b) Если 𝜉𝑛 ≤ 𝜂 для всех 𝑛 ≥ 1, E𝜂 < +∞ и 𝜉𝑛 ↓ 𝜉, то
E𝜉𝑛 ↓ E𝜉
b) Доказательство следует из 𝑎), если вместо исходных величин рассмотреть величины со знаком
минус.
32
Доказательство. Положим 𝜁𝑛 = inf 𝜉𝑚 . Тогда, очевидно, что 𝜁𝑛 ≤ 𝜁𝑛+1 . Кроме этого,
𝑚≥𝑛
lim 𝜉𝑛 = lim inf 𝜉𝑚 = lim 𝜁𝑛 ⇒ 𝜁𝑛 ↑ lim 𝜉𝑛
𝑛→∞ 𝑛→∞ 𝑚≥𝑛 𝑛→∞ 𝑛→∞
Т.к. 𝜁𝑛 ≥ 𝜂 для всех 𝑛. Тогда из теоремы 5.2
E lim 𝜉𝑛 = E lim 𝜁𝑛 = lim E𝜁𝑛 = lim E𝜁𝑛 ≤ lim E𝜉𝑛
𝑛→∞ 𝑛→∞ 𝑛→∞ 𝑛→∞ 𝑛→∞
что и доказывает утверждение 𝑎). Второе утверждение следует из первого, если рассмотреть величины
со знаком минус. Третье утверждение это следствие первых двух.
𝑛
𝑐𝑖 𝐼(𝑥 ∈ 𝐵𝑖 ), 𝐵1 ⊔ . . . ⊔ 𝐵𝑛 = R, 𝐵𝑖 ∈ B(R) имеем (по линейности
∑︀
2. для простых 𝑔(𝑥) =
𝑖=0
мат.ожидания):
𝑛
∑︁ 𝑛
∑︁
E𝑔(𝜉) = E( 𝑐𝑖 𝐼(𝑥 ∈ 𝐵𝑖 )) = 𝑐𝑖 E𝐼(𝑥 ∈ 𝐵𝑖 ) =
𝑖=0 𝑖=0
𝑛
∑︁ ∫︁ 𝑛
∫︁ ∑︁ ∫︁
= 𝑐𝑖 𝐼(𝑥 ∈ 𝐵𝑖 )P𝜉 (𝑑𝑥) = 𝑐𝑖 𝐼(𝑥 ∈ 𝐵𝑖 )P𝜉 (𝑑𝑥) = 𝑔(𝑥)P𝜉 (𝑑𝑥)
𝑖=0 R R 𝑖=0 R
33
3. Пусть 𝑔 — произвольная неотрицательная. Тогда существует последовательность простых боре-
∫︀
левских функций 𝑔𝑛 ↑ 𝑔. По пункту 2)E𝑔𝑛 (𝜉) = 𝑔𝑛 (𝑥)P𝜉 (𝑑𝑥). Т.к. 𝑔𝑛 (𝜉) неотрицательны, то по
R
теореме Лебега о монотонной сходимости:
∫︀ ∫︀
lim E𝑔𝑛 (𝜉) = E𝑔(𝜉) = lim 𝑔𝑛 (𝑥)P𝜉 (𝑑𝑥) = 𝑔(𝑥)P𝜉 (𝑑𝑥)
𝑛→∞
R R
∫︁ ∫︁
E𝑔(𝜉) = E𝑔 + (𝜉) − E𝑔 − (𝜉) = 𝑔 + (𝑥)P𝜉 (𝑑𝑥) − 𝑔 − (𝑥)P𝜉 (𝑑𝑥) =
R R
∫︁ ∫︁
+ −
= (𝑔 (𝑥) − 𝑔 (𝑥))P𝜉 (𝑑𝑥) = 𝑔(𝑥)P𝜉 (𝑑𝑥)
R R
Пример 5.8. Пусть 𝜉 имеет нормальное распределение с параметрами (0, 1). Найдем математическое
ожидание величины 𝜉 2 .
По теореме о замене переменных под знаком интеграла Лебега:
∫︁ ∫︁
1 𝑥2
E𝜉 2 = 𝑥2 P𝜉 (𝑑𝑥) = 𝑥2 √ 𝑒− 2 𝑑𝑥 =
2𝜋
R R
∫︁ ∫︁
1 − 𝑥2
2 1 𝑥2
= − 𝑥 √ 𝑑(𝑒 )= √ 𝑒− 2 𝑑𝑥 = 1
2𝜋 2𝜋
R R
R R
⎧
+∞
∫︁
𝜆𝑒 𝑥(1−𝜆) ⃒∞ ⎨∞,
⎪
𝜆≤1
𝑥(1−𝜆)
= 𝜆𝑒 𝑑𝑥 = ⃒ =
⃒
1−𝜆 0 ⎩ 𝜆 , 𝜆>1
⎪
0 𝜆−1
34
6 Дисперсия и ковариация
Определение 6.1. Пусть 𝜉 — случайная величина на пространстве (Ω, F , P). Тогда ее дисперсией
называется величина D𝜉 = E(𝜉 − E𝜉)2 .
Определение 6.2. Пусть 𝜉, 𝜂 — две случайных величины на пространстве (Ω, F , P). Тогда их кова-
риацией называется величина cov(𝜉, 𝜂) = E(𝜉 − E𝜉)(𝜂 − E𝜂).
Определение 6.3. Пусть 𝜉, 𝜂 — две случайных величины на пространстве (Ω, F , P). Тогда их коэф-
cov(𝜉, 𝜂)
фицентом корреляции называется 𝜌(𝜉, 𝜂) = √︀ .
D𝜉 D𝜂
Установим свойства дисперсии и ковариации:
Доказательство.
Доказательство. cov(𝜉, 𝜂) = E(𝜉 − E𝜉)(𝜂 − E𝜂) = E(𝜉𝜂 − 𝜂E𝜉 − 𝜉E𝜂 + E𝜂E𝜉) = E𝜉𝜂 − E𝜉E𝜂
𝑛
∑︀ ∑︀
Утверждение 6.1.7. D(𝜉1 + . . . + 𝜉𝑛 ) = D𝜉𝑖 + 2 cov(𝜉𝑖 , 𝜉𝑗 )
𝑖=1 1≤𝑖<𝑗≤𝑛
Доказательство.
𝑛 ∑︁
∑︁ 𝑛 𝑛
∑︁ ∑︁
D(𝜉1 + . . . + 𝜉𝑛 ) = cov((𝜉1 + . . . + 𝜉𝑛 ), (𝜉1 + . . . + 𝜉𝑛 )) = cov(𝜉𝑖 , 𝜉𝑗 ) = D𝜉𝑖 + 2 cov(𝜉𝑖 , 𝜉𝑗 )
𝑖=1 𝑗=1 𝑖=1 1≤𝑖<𝑗≤𝑛
35
𝑛
∑︀
Утверждение 6.1.8. Если 𝜉1 , . . . , 𝜉𝑛 — попарно независимы, то D(𝜉1 + . . . + 𝜉𝑛 ) = D𝜉𝑖 .
𝑖=1
Замечание: условие попарной независимости сильное. Достаточным условием является попарная некор-
релированность.
𝜉2 𝜂2
2
𝜂 2 ≥ 2𝜉̃︀
+ 2 = 𝜉̃︀2 +̃︀ ̃︀𝜂 ⇒
E𝜉 E𝜂
̃︀𝜂 = 2 √︀E|𝜉𝜂|
⇒ 2 ≥ 2E𝜉̃︀
E𝜉 2 E𝜂 2
⇒ E𝑔(𝜉) ≥ 𝑔(E𝜉)
36
Утверждение 7.1.3. Неравенство Маркова
Пусть 𝜉 — случайная величина на (Ω, F , P), E|𝜉| < ∞ и 𝑎 > 0. Тогда
E|𝜉|
P(|𝜉| ≥ 𝑎) ≤ 𝑎
37
8 Виды сходимости случайных величин
Определение 8.1. Последовательность {𝜉𝑛 } сходится поточечно к 𝜉, если для любого 𝜔 ∈ Ω числовая
последовательность {𝜉𝑛 (𝜔)} сходится к 𝜉(𝜔).
Определение 8.3. Последовательность {𝜉𝑛 } сходится к 𝜉 почти наверное, если событие {𝜉𝑛 → 𝜉}
выполнено почти наверное. (т.е. P({𝜉𝑛 → 𝜉}) = 1 ).
п.н.
Обозначение: 𝜉𝑛 → 𝜉.
Определение 8.5. Последовательность {𝜉𝑛 } сходится к 𝜉 в 𝐿𝑝 , (𝑝 > 0), если E|𝜉𝑛 − 𝜉|𝑝 → 0 при 𝑛 → ∞.
𝐿𝑝
Обозначение: 𝜉𝑛 → 𝜉.
Хотя и кажется, что определения сходимостей (быть может, за исключением сходимости по распре-
делнию) эквивалентны, это далеко не так. Для этого рассмотрим следующий пример:
Пример 8.1. Ω = [0, 1], F = B([0, 1]), P — равномерное распределение. 𝜉𝑛 (𝜔) = 𝜔 𝑛 . Тогда последова-
тельность 𝜉𝑛 сходится поточечно к 𝐼(𝜔 = 1), но
п.н.
𝜉𝑛 → 𝐼(𝜔 = 1)
п.н.
𝜉𝑛 → 0 т.к. P(𝜉𝑛 → 0) = P([0, 1)) = 1
п.н.
𝜉𝑛 → 𝐼(𝜔 ∈ Q) т.к. P(Q) = 0
38
Заметим тогда, что
⋃︁
{sup |𝜉𝑘 − 𝜉| > 𝜀} = {∃𝑘 ≥ 𝑛 : |𝜉𝑘 − 𝜉| > 𝜀} = 𝐴𝜀𝑘
𝑘≥𝑛
𝑘≥𝑛
∞ ⋂︁
∞ ⋃︁ ∞
1
𝜀= 𝑚 1
⋃︁ ⋃︁
{lim 𝜉𝑛 ̸= 𝜉} = {∃𝜀 > 0 : ∀𝑛 ∃𝑘 ≥ 𝑛 : |𝜉𝑘 − 𝜉| > 𝜀} = 𝐴𝑘 = 𝐴𝑚
𝑚=1 𝑛=1 𝑘≥𝑛 𝑚=1
Поэтому, имеем
∞
п.н. 1
⋃︁
𝜉𝑛 → 𝜉 ⇔ P(𝜉𝑛 ̸→ 𝜉) = 0 ⇔ P( 𝐴𝑚 ) = 0
𝑚=1
1
⇔ ∀𝑚 P(𝐴 𝑚 ) = 0
⇔ ∀𝜀 P(𝐴𝜀 ) = 0
⋃︁ ⋃︁
⇔ P( 𝐴𝜀𝑘 ) → 0 (т.к. 𝐴𝜀𝑘 ↓ 𝐴𝜀 и по теореме о непрерывности вероятностой меры)
𝑘≥𝑛 𝑘≥𝑛
Доказательство. 1. Т.к. sup |𝜉𝑘 − 𝜉| < 𝜀 ⇒ ∀𝑘 ≥ 𝑛 : |𝜉𝑘 − 𝜉| < 𝜀, то по критерию сходимости почти
𝑘≥𝑛
наверное получаем требуемое.
E|𝜉𝑛 − 𝜉|𝑝
2. P(|𝜉𝑛 − 𝜉| > 𝜀) = P(|𝜉𝑛 − 𝜉|𝑝 > 𝜀𝑝 ) ≤ → 0 по неравенству Маркова.
𝜀𝑝
3. Пусть 𝑓 — ограниченная и непрерывная функция, |𝑓 | ≤ 𝐶. Зафиксируем 𝜀 > 0. Т.к. P(|𝜉| = ∞) = 0,
то ∃𝑁 ∃𝛿 :
𝜀
1)P(|𝜉| > 𝑁 ) ≤ так как P(𝜉 = ∞) = 0
6𝐶
𝜀
2)P(|𝜉𝑛 − 𝜉| > 𝛿) ≤ из сходимости по вероятности (при достаточно больших 𝑛).
6𝐶
𝜀
3)∀𝑥 ∀𝑦 |𝑥| < 𝑁, |𝑥 − 𝑦| < 𝛿 |𝑓 (𝑥) − 𝑓 (𝑦)| ≤ т.к. 𝑓 равномерно непрерывна на отрезке [−𝑁, 𝑁 ]
3
Рассмотрим следующие события:
𝐴2 = {|𝜉𝑛 − 𝜉| ≤ 𝛿} ∩ {|𝜉| ≥ 𝑁 }
𝐴3 = {|𝜉𝑛 − 𝜉| > 𝛿}
39
Очевидно, что эти события образуют разбиение Ω = 𝐴1 ⊔ 𝐴2 ⊔ 𝐴3 . Оценим |E𝑓 (𝜉𝑛 ) − E𝑓 (𝜉)|:
|E𝑓 (𝜉𝑛 ) − E𝑓 (𝜉)| = |E(𝑓 (𝜉𝑛 ) − 𝑓 (𝜉)| ≤ E|𝑓 (𝜉𝑛 ) − 𝑓 (𝜉)| = E|𝑓 (𝜉𝑛 ) − 𝑓 (𝜉)|(𝐼𝐴1 + 𝐼𝐴2 + 𝐼𝐴3 ) ≤
𝜀 𝜀 𝜀 𝜀
≤ P(𝐴1 ) + 2𝐶(P(𝐴2 ) + P(𝐴3 )) ≤ + 2𝐶( + )=𝜀
3 3 6𝐶 6𝐶
𝑑
откуда следует, что |E𝑓 (𝜉𝑛 ) − E𝑓 (𝜉)| → 0 ⇒ 𝜉𝑛 → 𝜉.
Из теоремы следует, что между видами сходимости существует следующая связь: поточечная схо-
димость ⇒ сходимость почти наверное ⇒ сходимость по вероятности ⇒ сходимость по распределнию.
Кроме того, сходимость по вероятности так же следует из сходимости в смысле 𝐿𝑝 , однако для всех
остальных случаев существуют контр-примеры.
𝑑 P
Пример 8.2. 𝜉𝑛 → 𝜉, но 𝜉𝑛 →
̸ 𝜉.
1
Пусть Ω = {𝜔1 , 𝜔2 }, P({𝜔𝑖 }) = 2. Определим для любого 𝑛 𝜉𝑛 (𝜔1 ) = 1, 𝜉𝑛 (𝜔2 ) = −1. Положим
𝜉 = −𝜉𝑛 . Тогда:
𝑓 (1)+𝑓 (−1)
E𝑓 (𝜉𝑛 ) = 2 = E𝑓 (𝜉) ,
P
но ∀𝑛 |𝜉𝑛 − 𝜉| = 2 ⇒ 𝜉𝑛 →
̸ 𝜉.
P п.н.
Пример 8.3. 𝜉𝑛 → 𝜉, но 𝜉𝑛 ̸ → 𝜉.
P
Положим 𝜉2𝑘 = 𝐼([0, 1
2𝑘
]), 𝜉2𝑘 +𝑝 = 𝐼([ 2𝑝𝑘 , 𝑝+1
2𝑘
]), 1 ≤ 𝑝 < 2𝑘 . Тогда 𝜉𝑛 → 0, т.к. P(𝜉𝑛 > 0) ≤ длина
2 п.н.
отрезка в индикаторе ≤ 𝑛 → 0, но 𝜉𝑛 ̸ → 0 т.к. ∀𝜔 ∃ бесконечно много 𝑛, таких что 𝜉𝑛 (𝜔) = 1.
𝐿𝑝 п.н.
Пример 8.4. 𝜉𝑛 → 𝜉, но 𝜉𝑛 ̸ → 𝜉. Подходит предыдущий пример.
п.н. 𝐿𝑝 P 𝐿𝑝
Пример 8.5. 𝜉𝑛 → 𝜉, но 𝜉𝑛 ̸→ 𝜉 и 𝜉𝑛 → 𝜉 но 𝜉𝑛 →
̸ 𝜉.
Ω = [0, 1], F = B([0, 1]), P — равномерное распределение. Определим для 𝑘 ≥ 1 𝜉𝑘 = 2𝑘−1 𝐼([0, 1
2𝑘−1
]).
Тогда ∀𝑘 E𝜉𝑘 = 1, но 𝜉 = 𝐼(𝜔 = 0)
P п.н. 𝐿𝑝
Пример 8.6. 𝜉𝑛 → 𝜉, но 𝜉𝑛 ̸ → 𝜉 и 𝜉𝑛 ̸→ 𝜉.
𝑘 𝑘
Положим 𝜉2𝑘 = 𝑒2 · 𝐼([0, 1
2𝑘
]), 𝜉2𝑘 +𝑝 = 𝑒2 +𝑝
· 𝐼([ 2𝑝𝑘 , 𝑝+1
2𝑘
]), 1 ≤ 𝑝 < 2𝑘 (т.е. случайные величины
из примера 8.3, домноженные на 𝑒𝑛 ). Аналогично примеру 8.3, имеется сходимость по вероятности к
𝜉 = 0, но нет сходимости почти наверное.
Заметим теперь, что E|𝜉𝑛 − 𝜉|𝑝 = E𝜉𝑛𝑝 ̸→ 0 при 𝑛 → ∞.
к функции распределения 𝐹 на R, если ∀𝑥 ∈ 𝐶(𝐹 ) : 𝐹𝑛 (𝑥) → 𝐹 (𝑥), где 𝐶(𝐹 ) — множество точек
непрерывности функции 𝐹 .
Обозначение: 𝐹𝑛 ⇒ 𝐹 .
новном к вероятностной мере P на (R𝑘 , B(R𝑘 )), если ∀𝐴 ∈ B(R𝑘 ), таких что P(𝜕𝐴) = 0 выполнено, что
40
P𝑛 (𝐴) → P(𝐴).
Обозначение: P𝑛 ⇒ P.
𝑑
1. 𝜉𝑛 → 𝜉
2. 𝐹𝜉𝑛 ⇒ 𝐹𝜉
3. P𝜉𝑛 ⇒ P𝜉
∞
∑︀
2. Если P(𝐴𝑛 ) = ∞ и {𝐴𝑛 } независимы в совокупности, то 𝑃 (𝐴𝑛 б.ч. ) = 1.
𝑛=1
∞ ⋃︀
⋂︀ ⋃︀ ∞
∑︀
Доказательство. 1. P(𝐴𝑛 б.ч. ) = P( 𝐴𝑘 ) = lim P( 𝐴𝑘 ) ≤ lim P(𝐴𝑘 ) = 0 (как оста-
𝑛=1 𝑘≥𝑛 𝑛→∞ 𝑘≥𝑛 𝑛→∞ 𝑘=𝑛
точный член сходящегося ряда).
41
2.
∞ ⋃︁
⋂︁
P(𝐴𝑛 б.ч. ) = P( 𝐴𝑘 )
𝑛=1 𝑘≥𝑛
⋃︁
= lim P( 𝐴𝑘 )
𝑛→∞
𝑘≥𝑛
⋂︁
= 1 − lim P( 𝐴𝑘 )
𝑛→∞
𝑘≥𝑛
𝑁
⋂︁
= 1 − lim ( lim P( 𝐴𝑘 ))
𝑛→∞ 𝑁 →∞
𝑘=𝑛
𝑁
∏︁
= 1 − lim lim (1 − P(𝐴𝑘 ))
𝑛→∞ 𝑁 →∞
𝑘=𝑛
𝑁
∑︀
− P(𝐴𝑘 )
≥ 1 − lim lim 𝑒 𝑘=𝑛
𝑛→∞ 𝑁 →∞
∞
∑︀
− P(𝐴𝑘 )
= 1 − lim 𝑒 𝑘=𝑛
𝑛→∞
= 1 − lim 𝑒−∞ = 1
𝑛→∞
Доказательство. ⇐:
𝜀 𝜀 𝜀 𝜀
{|𝜉𝑛 − 𝜉| ≤ } ∩ {|𝜉𝑚 − 𝜉| ≤ } ⊆ {|𝜉𝑛 − 𝜉𝑚 | ≤ 𝜀} ⇒ {|𝜉𝑛 − 𝜉𝑚 | > 𝜀} ⊆ {|𝜉𝑛 − 𝜉| > } ∪ {|𝜉𝑚 − 𝜉| > } ↓ ∅
2 2 2 2
Доказательство. Пусть 𝑛1 = 1, 𝑛𝑘 = min{𝑗 > 𝑛𝑘−1 ∀𝑟, 𝑠 ≥ 𝑗 P(|𝜉𝑟 − 𝜉𝑠 | ≥ 2−𝑘 ) < 2−𝑘 } ( это можно
сделать, т.к. последовательность фундаментальна по вероятности). Далее, рассмотрим событие {|𝜉𝑛𝑘 −
∞ ∞
𝜉𝑛𝑘−1 | ≥ 2−(𝑘−1) б.ч. }. По лемме Бореля-Кантелли P(|𝜉𝑛𝑘 − 𝜉𝑛𝑘−1 | ≥ 2−(𝑘−1) ) < 2−(𝑘−1) < ∞ а
∑︀ ∑︀
𝑘=2 𝑘=2
42
значит
∞
∑︀
Положим 𝐴 = {𝜔 : |𝜉𝑛𝑘 − 𝜉𝑛𝑘−1 | < ∞}. Как было показано выше, P(𝐴) = 1. Определим случайную
𝑘=2
величину 𝜉 для любого 𝜔 ∈ 𝐴 как lim 𝜉𝑛𝑘 (опять же, выше показано, что на множестве 𝐴 этот предел
𝑘→∞
существует). Для 𝜔 ∈ 𝐴 положим, например 𝜉(𝜔) = 0. На сходимость почти наверное это никак не
повлияет. Лемма доказана.
п.н.
Выделим сходяющуюся почти наверное подпоследовательность 𝜉𝑛𝑘 → 𝜉. Рассмотрим событие
{|𝜉𝑛 − 𝜉| ≤ 𝜀} ⊇ {|𝜉𝑛𝑘 − 𝜉| ≤ 2𝜀 } ∩ {|𝜉𝑛𝑘 − 𝜉𝑛 | ≤ 2𝜀 }
Вероятность каждого из событий справа стремится к 1. Значит, и P(|𝜉𝑛 − 𝜉| ≤ 𝜀) → 1.
Доказательство. 1) ⇔ 2):
⇔ P(𝜉𝑛 сходится ) = 1.
1) ⇔ 3):
43
С другой стороны,
∀𝜀 > 0 : P(sup |𝜉𝑛 − 𝜉𝑛+𝑘 | ≥ 𝜀) → 0 ⇐⇒ ∀𝜀 > 0 : P(∃𝑘 ≥ 1 : |𝜉𝑛+𝑘 − 𝜉𝑛 | ≥ 𝜀) → 0 — (2).
𝑘≥1
44
9 Случайное блуждание
Определение 9.1. Пусть {𝜉𝑛 }∞ 𝑛=1 — незавсимо одинаково распределенные случайные величины на
𝑛
(Ω, F , P). Обозначим за 𝑆0 = 0, 𝑆𝑛 = 𝜉𝑘 . Тогда последовательность {𝑆𝑛 }∞
∑︀
𝑛=1 называется случайным
𝑘=1
блужданием. Если P(𝜉𝑛 = 1) = 𝑝, P(𝜉𝑛 = −1) = 1 − 𝑝, то последовательность 𝑆𝑛 называется про-
стейшим случайным блужданием. Если 𝑝 = 21 , то случайное блуждание называется симметричным.
Последовательность {𝑆𝑛 (𝜔)} для фиксированного 𝜔 ∈ Ω называется траекторией.
𝜉𝑛 𝜉𝑛
{ lim ≥ 1} = {∀𝜀 > 0 ≥ 1 − 𝜀 б. ч. }
𝑛→∞ ln 𝑛 ln 𝑛
𝜉𝑛 1
= {∀𝑘 ∈ N ≥ 1 − б. ч. }
ln 𝑛 𝑘
⋂︁ 𝜉𝑛 1
= { ≥ 1 − б. ч. }
ln 𝑛 𝑘
𝑘∈N
Заметим, что достаточно доказать, что вероятность каждого события под знаком пересечения
равна одному. Очевидно тогда, что и вероятность всего пересечения будет равна одному. По лем-
ме Бореля-Кантелли имеем:
∞ ∞
∑︁ 𝜉𝑛 1 ∑︁ 1
P( ≥1− )= 𝑒−(1− 𝑘 ) ln 𝑛
𝑛=1
ln 𝑛 𝑘 𝑛=1
∞
1
∑︁
= 𝑛−(1− 𝑘 ) = ∞
𝑛=1
𝜉𝑛
а значит P({ lim ≥ 1}) = 1.
𝑛→∞ ln 𝑛
45
𝜉𝑛
2. Докажем, что P( lim ≤ 1) = 1 аналогично:
𝑛→∞ ln 𝑛
𝜉𝑛 𝜉𝑛
{lim ≤ 1} = {∃𝜀 > 0 : ≥ 1 + 𝜀 б.ч. }
ln 𝑛 ln 𝑛
𝜉𝑛 1
= {∃𝑘 ∈ N ≥ 1 + б. ч. }
ln 𝑛 𝑘
⋂︁ 𝜉𝑛 1
= { ≥ 1 + б. ч. }
ln 𝑛 𝑘
𝑘∈N
Доказательство. Представим, что мы находимся на прямой, и должны прийти в точку 𝑘. Для начала
заметим, что четность числа шагов и возможных положений за такое число шагов всегда совпадает.
Теперь, чтобы прийти в точку 𝑘, мы должны сделать 𝑘 шагов вправо, а потом 𝑥 шагов влево и 𝑥 шагов
вправо. Тогда, 𝑘 + 2𝑥 = 𝑛 и количество шагов вправо: 𝑘 + 𝑥, количество шагов влево: 𝑥.
Задача. Найти P(𝑆1 > 0, 𝑆2 > 0, . . . , 𝑆𝑛−1 > 0, 𝑆𝑛 = 𝑘) — вероятность того, что случайное блуждание
никогда не возвратиться в 0.
Решение: Найдем количество траекторий, пересекающих 0. Если траектория пересекает 0 первый раз
в точке 𝑥 = 𝑥0 , то отразим дальнейшую ее часть относительно оси 𝑥. Тогда, если раньше траектория
приходила в 𝑘, то теперь она приходит в −𝑘. Заметим, что между траекториями, где 𝑆1 > 0 до точки
𝑘 за еще 𝑛 − 1 шаг, касающимися 0, и траекториями где 𝑆1 > 0 до точки −𝑘 тогда существует биекция.
𝑛+𝑘
Обозначим за 𝑁 (𝑛, 𝑘) количество путей из 0 в 𝑘 за 𝑛 шагов. По предыдущей задаче, это 𝐶𝑛 2 . Тогда
искомая вероятность равна
𝑛+𝑘 𝑛−𝑘
(𝑁 (𝑛 − 1, 𝑘 − 1) − 𝑁 (𝑛 − 1, −𝑘 − 1))𝑝 2 𝑞 2
46
10 Закон больших чисел
E𝑆𝑛2
1. P( sup |𝑆𝑘 | ≥ 𝜀) ≤
1≤𝑘≤𝑛 𝜀2
(𝐶 + 𝜀)2
2. Если дополнительно ∀𝑖 : P(|𝜉𝑖 | ≤ 𝐶) = 1, то P( sup |𝑆𝑘 | ≥ 𝜀) ≥ 1 −
1≤𝑘≤𝑛 E𝑆𝑛2
Доказательство. Определим события
𝐴 = { sup |𝑆𝑘 | ≥ 𝜀}
1≤𝑘≤𝑛
𝐴𝑘 = {|𝑆1 | < 𝜀, |𝑆2 | < 𝜀, . . . , |𝑆𝑘−1 | < 𝜀, |𝑆𝑘 | ≥ 𝜀}.
𝑛
⨆︀
Тогда 𝐴 = 𝐴𝑘 и
𝑘=1
𝑛
E𝑆𝑛2 ≥ E𝑆𝑛2 𝐼𝐴 = E𝑆𝑛2 𝐼𝐴𝑘
∑︀
𝑘=1
Но
поскльку E𝑆𝑘 (𝜉𝑘+1 + . . . + 𝜉𝑛 )𝐼𝐴𝑘 = E𝑆𝑘 𝐼𝐴𝑘 E(𝜉𝑘+1 + . . . + 𝜉𝑛 ) = 0 в силу предположений независимости
и E𝜉𝑖 = 0. Поэтому
𝑛
∑︁ 𝑛
∑︁
E𝑆𝑛2 ≥ E𝑆𝑛2 𝐼𝐴𝑘 ≥ 𝜀2 P(𝐴𝑘 ) = 𝜀2 P(𝐴)
𝑘=1 𝑘=1
47
что и доказывает неравенство 1). Для доказательства неравенства 2) заметим, что
E𝑆𝑛2 𝐼𝐴 = E𝑆𝑛2 − E𝑆𝑛2 𝐼𝐴 ≥ E𝑆𝑛2 − 𝜀2 P(𝐴) = E𝑆𝑛2 − 𝜀2 + 𝜀2 P(𝐴)
С другой стороны, на множестве 𝐴𝑘 выполнено |𝑆𝑘−1 | ≤ 𝜀, |𝑆𝑘 | ≤ |𝑆𝑘−1 | + |𝜉𝑘 | ≤ 𝜀 + 𝐶. И значит
𝑛
∑︁ 𝑛
∑︁
E𝑆𝑛2 𝐼𝐴 = E𝑆𝑘2 𝐼𝐴𝑘 + E(𝐼𝐴𝑘 (𝑆𝑛 − 𝑆𝑘 )2 ) ≤
𝑘=1 𝑘=1
𝑛
∑︁ 𝑛
∑︁ 𝑛
∑︁
≤ (𝜀 + 𝐶)2 P(𝐴𝑘 ) + P(𝐴𝑘 ) E𝜉𝑗2
𝑘=1 𝑘=1 𝑗=𝑘+1
[︁ 𝑛
∑︁ ]︁
≤ P(𝐴) (𝜀 + 𝐶)2 + E𝜉𝑗2 = P(𝐴) (𝜀 + 𝐶)2 + E𝑆𝑛2
[︀ ]︀
𝑗=1
Доказательство. Заметим, что последовательность {𝜂𝑛 } сходится почти наверное тогда и только тогда,
𝑛
∑︀
когда ∀𝜀 > 0 : P(sup |𝜂𝑛+𝑘 − 𝜂𝑛 | > 𝜀) → 0 при 𝑛 → ∞. Возьмем 𝜂𝑛 := 𝜉𝑖 . Тогда:
𝑘≥1 𝑖=1
𝜂𝑛 сходится почти наверное ⇐⇒ ∀𝜀 > 0 : P(sup |𝜉𝑛+1 + . . . + 𝜉𝑛+𝑘 | > 𝜀) → 0
𝑘≥1
Рассмотрим 𝑆𝑘 = 𝜉𝑛+1 + . . . + 𝜉𝑛+𝑘 . По неравенству Колмогорова имеем
2
E𝑆𝑁 E(𝜉𝑛+1 + . . . + 𝜉𝑛+𝑁 )2
P( sup |𝑆𝑘 | > 𝜀) < 2 = =
1≤𝑘≤𝑁 𝜀 𝜀2
2 2 2 2
E𝜉𝑛+1 + . . . + E𝜉𝑛+𝑁 E𝜉𝑛+1 + E𝜉𝑛+2 + ...
= 2 ≤ 2 →0
𝜀 𝜀
∞
∑︀
как остаточный член сходящегося ряда. Но тогда сходится и ряд 𝜉𝑖 поскольку его остаточный член
𝑖=1
стремиться к 0, что и доказывает первую часть теоремы.
Для доказательства второй части заметим, что, по тому же неравенству Колмогорова, в случае
когда P(|𝜉𝑖 | ≤ 𝑐) = 1, 𝑐 < ∞ верно следующее:
(𝜀 + 𝑐)2 (𝜀 + 𝑐)2
P( sup |𝑆𝑘 | > 𝜀) ≥ 1 − 2 =1− 2 2
1≤𝑘≤𝑁 E𝑆𝑁 E𝜉𝑛+1 + . . . + E𝜉𝑛+𝑁
∞
E𝜉𝑖2 расходится. Тогда сумму, стоящую в знаменателе, можно сделать сколь
∑︀
Предположим, что ряд
𝑖=1
угодно большой, а значит P( sup |𝑆𝑘 | > 𝜀) → 1.
1≤𝑘≤𝑁
48
С другой стороны
∞
∑︁
𝜉𝑛 < ∞ ⇔ ∀𝜀 > 0 : P(sup |𝑆𝑘 | > 𝜀) → 0
𝑛=1 𝑘≥1
1 1 1
Возьмем 𝜀 = 2. Тогда, из выше сказанного, следует, что ∃𝑛 : P( lim sup |𝑆𝑘 | > 2) < 2. Так как
𝑁 →∞ 1≤𝑘≤𝑁
события { sup |𝑆𝑘 | > 12 } вложены друг в друга при росте 𝑁 , имеем
1≤𝑘≤𝑁
lim P( sup |𝑆𝑘 | > 12 ) < 1
2
𝑁 →∞ 1≤𝑘≤𝑁
∞
E𝜉𝑖2 неверно.
∑︀
что противоречит P( sup |𝑆𝑘 | > 𝜀) → 1, а значит предположение о расходимости ряда
1≤𝑘≤𝑁 𝑖=1
49
𝑛
∑︀
Доказательство. Положим 𝑎𝑘 := 𝑏𝑘 − 𝑏𝑘−1 и 𝑏0 := 0. Тогда 𝑏𝑛 = 𝑎𝑘 . При этом
𝑘=1
⎛ ⎛ ⎞⎞
𝑛 𝑛 𝑘 𝑛 𝑛 𝑛 ∞ ∞
1 ∑︁ 1 ∑︁ ∑︁ 1 ∑︁ ∑︁ 1 ∑︁ ∑︁ ∑︁
𝑏𝑘 𝑥𝑘 = 𝑛 𝑥𝑘 𝑎𝑖 = 𝑛 𝑎𝑖 𝑥𝑗 = 𝑛 ⎝ 𝑎𝑖 ⎝ 𝑥𝑗 − 𝑥𝑗 ⎠⎠
𝑏𝑛 ∑︁
𝑖=1
∑︁
𝑖=1 𝑗=𝑖
∑︁
𝑖=1 𝑗=𝑖 𝑗=𝑛+1
𝑘=1 𝑎𝑘 𝑘=1 𝑎𝑘 𝑎𝑘
𝑘=1 𝑘=1 𝑘=1
∞
∑︀ ∞
∑︀
Положим 𝑦𝑛+1 := 𝑥𝑘 . Тогда, поскольку ряд 𝑥𝑛 сходится, имеем lim 𝑦𝑛 = 0, а значит ∀𝜀 > 0 :
𝑘=𝑛+1 𝑛=1 𝑛→∞
⃒ 𝑛 ⃒
⃒ ∑︁ ⃒
⃒
⃒ 𝑎𝑖 𝑦𝑖 ⃒⃒
⃒ 𝑖=1 ⃒ 𝜀
∃𝑛0 ∀𝑛 ≥ 𝑛0 |𝑦𝑛+1 | < 𝜀. По лемме 10.1 ∃𝑛1 ≥ 𝑛0 ∀𝑛 ≥ 𝑛1 : ⃒⃒ 𝑛 ⃒< .
⃒ 2
∑︁
𝑎𝑖 ⃒
⃒ ⃒
⃒
⃒ 𝑖=1 ⃒
Тогда ∀𝑛 ≥ 𝑛1 имеем
⃒ 𝑛 ⃒ ⃒ 𝑛 ⃒
⃒ ∑︁ ⃒ ⃒ ∑︁ ⃒
⃒ 𝑛
⃒ ⃒ ⃒ 𝑎𝑖 𝑦𝑖 ⃒ ⃒
⃒ ⃒ 𝑎𝑖 𝑦𝑛+1 ⃒⃒
⃒ 1 ∑︁ ⃒ ⃒ ⃒ 𝜀 𝜀
𝑏𝑘 𝑥𝑘 ⃒ ≤ ⃒⃒ 𝑖=1𝑛
⃒ ⃒ 𝑖=1
⃒ ⃒ ⃒+⃒ ⃒≤ + =𝜀
𝑛
⃒ 𝑏𝑛 ⃒ 2 2
⃒ ⃒ ⃒
⃒ ⃒ ∑︁ ⃒ ⃒ ∑︁
𝑘=1 ⃒ 𝑎𝑖 ⃒ ⃒ 𝑎𝑖 ⃒
⃒
⃒ ⃒ ⃒ ⃒
𝑖=1 𝑖=1
𝑆𝑛 − E𝑆𝑛 п.н.
→ 0
𝑏𝑛
Доказательство. Заметим, что если последовательность 𝜉𝑛 такая, что ∀𝑛 : D𝜉𝑛 ≤ 𝐶, то можно поло-
∞ ∞
D𝜉𝑛 1
жить 𝑏𝑛 := 𝑛1/2+𝛿 . Тогда
∑︀ ∑︀
𝑏2 < 𝐶 𝑛𝑏2 < ∞ (т.е. для некоторых последовательностей случайных
𝑛
𝑛=1 𝑛=1
величин такая последовательность {𝑏𝑛 } существует. Сравните это с ЗБЧ в форме Чебышева.).
Приступим к доказательству теоремы. Без ограничения общности предположим, что E𝜉𝑖 = 0, то
есть D𝜉𝑛 = E𝜉𝑛2 (рассмотреть случайные величины 𝜂 = 𝜉 − E𝜉). Тогда
∞
𝜉
E( 𝑛 )2
∑︀
𝑛=1
𝑏𝑛
∞
∑︀ 𝜉𝑛
сходится, а значит, по теореме Колмогорова-Хинчина ряд 𝑏𝑛 сходится. Отсюда и из леммы Кроне-
𝑛=1
кера следует, что
𝑛
∑︁
𝜉𝑘
𝑛
1 ∑︀ 𝑏 · 𝜉𝑘 = 𝑘=1 п.н.
→ 0
𝑏𝑛 𝑘=1 𝑘 𝑏𝑘 𝑏𝑛
50
Доказательство. Опять же, положим E𝜉𝑛 = 0. Рассмотрим ряд
∞
∑︁ ∞
∑︁ ∞
∑︁
P(|𝜉1 | ≥ 𝑛) = 𝑛P(𝑛 ≤ |𝜉1 | ≤ 𝑛 + 1) = E𝑛𝐼(𝑛 ≤ |𝜉1 | ≤ 𝑛 + 1) =
𝑛=1 𝑛=1 𝑛=1
∞
∑︁ [︁ ]︁
=E 𝑛𝐼(𝑛 ≤ |𝜉1 | ≤ 𝑛 + 1) = E⌊|𝜉1 |⌋ ∈ E|𝜉1 | − 1; E|𝜉1 |
𝑛=1
∞
∑︀
а значит сходимость ряда P(|𝜉1 | ≥ 𝑛) эквивалентна конечности мат.ожидания E|𝜉1 | < ∞. Однако
𝑛=1
случайные величины одинаково распределенные, а значит
∞
∑︁ ∞
∑︁
P(|𝜉1 | ≥ 𝑛) < ∞ ⇔ P(|𝜉𝑛 | ≥ 𝑛) < ∞
𝑛=1 𝑛=1
Рассмотрим 𝜉˜𝑛 := 𝜉𝑛 𝐼(|𝜉𝑛 | ≤ 𝑛). Из того, что P(|𝜉𝑛 | ≥ 𝑛 б. ч.) = 0 следует, что лишь конечное число
членов последовательности {𝜉𝑘 } больше 𝑛 по модулю, а значит, для достаточо больших 𝑛, выполнено
𝜉˜𝑛 = 𝜉𝑛 почти наверное, и поэтому
𝜉1 + . . . + 𝜉𝑛 п.н. 𝜉˜ + . . . + 𝜉˜𝑛 п.н.
𝑛 → 0 ⇐⇒ 1 𝑛 → 0
E𝜉˜1 +...+E𝜉˜𝑛
Покажем, что 𝑛 → 0. Если это так, то
𝜉1 + . . . + 𝜉𝑛 п.н. 𝜉˜ + . . . + 𝜉˜𝑛 − E𝜉˜1 − . . . − E𝜉˜𝑛 п.н.
𝑛 → 0⇔ 1 𝑛 → 0
Действительно, имеем
E𝜉˜𝑛 = E𝜉𝑛 𝐼(|𝜉𝑛 | ≤ 𝑛) = E𝜉1 𝐼(|𝜉1 | ≤ 𝑛)
Заметим, что 𝜉1 𝐼(|𝜉1 | ≤ 𝑛) → 𝜉1 при 𝑛 → ∞, а |𝜉1 𝐼(|𝜉1 | ≤ 𝑛)| ≤ |𝜉1 |, E|𝜉1 | < ∞, а значит, по теореме
Лебега о мажорируемой сходимости
E𝜉˜𝑛 → E𝜉1 = 0
Применяя лемму Теплица для 𝑎𝑛 = 1 получаем, что 1 ˜ + . . . + E𝜉˜𝑛 ) → 0.
𝑛 (E𝜉1
∞
∑︀ D𝜉˜𝑛
Рассмотрим теперь 𝑛2 :
𝑛=1
∞ ∞ ∞
∑︁ D𝜉˜𝑛 ∑︁ E𝜉˜𝑛2 ∑︁ E𝜉𝑛2 𝐼(|𝜉𝑛 | ≤ 𝑛)
≤ =
𝑛=1
𝑛2 𝑛=1
𝑛2 𝑛=1
𝑛2
∞ 𝑛
∑︁ 1 ∑︁ 2
= E𝜉𝑛 𝐼(𝑘 − 1 < |𝜉𝑛 | ≤ 𝑘)
𝑛=1
𝑛2 𝑘=1
∞ 𝑛
∑︁ 1 ∑︁
≤ 𝑘E|𝜉𝑛 |𝐼(𝑘 − 1 < |𝜉𝑛 | ≤ 𝑘)
𝑛=1
𝑛2 𝑘=1
∞ ∞
∑︁ ∑︁ 1
= 𝑘 E|𝜉𝑛 |𝐼(𝑘 − 1 < |𝜉𝑛 | ≤ 𝑘)
𝑘=1 𝑛=𝑘
𝑛2
∞ ∞
∑︁ ∑︁ 1
= 𝑘 E|𝜉1 |𝐼(𝑘 − 1 < |𝜉1 | ≤ 𝑘)
𝑘=1 𝑛=𝑘
𝑛2
∞ ∞
∑︁ ∑︁ 1
= 𝑘E|𝜉1 |𝐼(𝑘 − 1 < |𝜉1 | ≤ 𝑘) 2
𝑘=1 𝑛=𝑘
𝑛
51
∞ +∞
1 𝑑𝑡 2
∑︀ ∫︀
Для того, чтобы оценить получившуюся сумму, воспользуемся неравенством 𝑛2 ≤ 𝑡2 = 𝑘−1 . С
𝑛=𝑘 𝑘−1
учетом этого, имеем:
∞ ∞ ∞
∑︁ ∑︁ 1 ∑︁ 2𝑘
𝑘E|𝜉1 |𝐼(𝑘 − 1 < |𝜉1 | ≤ 𝑘) 2 ≤ 4E|𝜉 1 |𝐼(0 < |𝜉 1 | ≤ 1) + E|𝜉1 |𝐼(𝑘 − 1 < |𝜉1 | ≤ 𝑘)
𝑛 𝑘−1
𝑘=1 𝑛=𝑘 𝑘=2
∞
∑︁
≤ 4E|𝜉1 |𝐼(0 < |𝜉1 | ≤ 1) + 4 E|𝜉1 |𝐼(𝑘 − 1 < |𝜉1 | ≤ 𝑘) = 4E|𝜉1 | < ∞
𝑘=2
∞
∑︀ D𝜉˜𝑛
Мы показали, что 𝑛2 сходится. Теперь, по теореме Колмогорова-Хинчина (как и в УЗБЧ-1), по-
𝑛=1
лучаем
∞ ˜
∑︁ 𝜉𝑛 − E𝜉˜𝑛
<∞
𝑛=1
𝑛
откуда по лемме Кронекера
𝑛
1 ∑︁ ˜
𝜉𝑘 − E𝜉˜𝑘 → 0
𝑛
𝑘=1
Рассмотрим новую функцию 𝜓(𝑏) = sup (𝑏𝜆−𝜙𝜉 (𝜆)). Поскольку 𝜙𝜉 выпукла вниз, то при 𝑏 > 𝑎 супремум
𝜆∈𝑈
достигается при 𝜆 > 0, а при 𝑏 < 𝑎 соответственно при 𝜆 < 0:
𝜓(𝑎) = 0
52
Распишем по неравенству Маркова (𝜆 > 0):
(︂ )︂ (︂ )︂
𝑆𝑛 𝑆𝑛
P −𝑎>𝜀 =P >𝑎+𝜀
𝑛 𝑛
(︂ (︂ )︂ )︂
𝑆𝑛
= P 𝑒𝑥𝑝 𝜆 · > 𝑒𝑥𝑝 (𝜆(𝑎 + 𝜀))
𝑛
(︂ (︂ )︂)︂
𝑆𝑛
E 𝑒𝑥𝑝 𝜆 ·
𝑛
≤
𝑒𝑥𝑝(𝜆(𝑎 + 𝜀))
(︂ (︂ )︂)︂
𝑆𝑛
= 𝑒𝑥𝑝 −𝜆(𝑎 + 𝜀) + ln E 𝑒𝑥𝑝(𝜆 · )
𝑛
(︃ (︃ 𝑛 (︂ (︂ )︂)︂)︃)︃
∑︁ 𝜆
= 𝑒𝑥𝑝 − 𝜆(𝑎 + 𝜀) − ln E 𝑒𝑥𝑝 𝜉𝑖
𝑖=1
𝑛
(︂ (︂ (︂ (︂ )︂)︂)︂)︂ (︂ (︂ )︂)︂
𝜆 𝜆 𝜆 𝜆
= 𝑒𝑥𝑝 −𝑛 (𝑎 + 𝜀) − ln E 𝑒𝑥𝑝 𝜉 = 𝑒𝑥𝑝 −𝑛 (𝑎 + 𝜀) − 𝜙( )
𝑛 𝑛 𝑛 𝑛
Так как это верно для любого положительного 𝜆, то верно и для того, где достигается супремум (по-
скольку 𝑎 + 𝜀 > 𝑎). А значит (︂ )︂
𝑆𝑛
P −𝑎>𝜀 ≤ 𝑒−𝑛𝜓(𝑎+𝜀)
𝑛
Абсолютно аналогично (︂ )︂
𝑆𝑛
P − 𝑎 < −𝜀 ≤ 𝑒−𝑛𝜓(𝑎−𝜀)
𝑛
Тогда (︂⃒ ⃒ )︂
⃒ 𝑆𝑛
− 𝑎⃒⃒ > 𝜀 ≤ 𝑒−𝑛𝜓(𝑎−𝜀) + 𝑒−𝑛𝜓(𝑎+𝜀)
⃒
P ⃒⃒
𝑛
53
11 Характеристические функции. Центральная предельная тео-
рема
Определение 11.1. Пусть 𝜉 — случайная величина на (Ω, F , P). Тогда ее характеристической функ-
цией называется функция
∫︁𝑏 ⃒𝑏
𝑖𝑡𝑥 1 𝑒𝑖𝑡𝑥 ⃒⃒ 𝑒𝑖𝑡𝑏 − 𝑒𝑖𝑡𝑎
𝜙𝜉 (𝑡) = 𝑒 𝑑𝑥 = =
𝑏−𝑎 (𝑏 − 𝑎)𝑖𝑡 ⃒𝑎 𝑖𝑡(𝑏 − 𝑎)
𝑎
𝜉−𝑎
Пример 11.4. 𝜉 ∼ 𝑁 (𝑎, 𝜎 2 ). Тогда 𝜎 ∼ 𝑁 (0, 1).
𝑡2 𝜉−𝑎
𝜙 𝜉−𝑎 (𝑡) = 𝑒− 2 = E𝑒𝑖𝑡 𝜎
𝜎
54
Доказательство. ⇒:
Т.к. 𝜉𝑖 независимы в совокупности, то, по утверждению 4.3.2, независимы в совокупности случайные
вектора (cos 𝜉𝑖 , sin 𝜉𝑖 ). Имеем
∑︀
𝜙𝜉 (𝑡1 , . . . , 𝑡𝑛 ) = E𝑒𝑖 𝜉𝑖 𝑡𝑖
= E(cos 𝜉1 𝑡1 + 𝑖 sin 𝜉1 𝑡1 ) . . . (cos 𝜉𝑛 𝑡𝑛 + 𝑖 sin 𝜉𝑛 𝑡𝑛 )
⇒:
𝑑
Рассмотрим независимые с.в. 𝜂1 , . . . , 𝜂𝑛 , такие что ∀𝑖 : 𝜂𝑖 =𝜉𝑖 (существование б/д ). Тогда
𝑛
∏︁ 𝑛
∏︁
𝜙(𝜂1 , ..., 𝜂𝑛 ) (𝑡1 , . . . , 𝑡𝑛 ) = 𝜙𝜂𝑖 (𝑡𝑖 ) = 𝜙𝜉𝑖 (𝑡𝑖 ) = 𝜙𝜉 (𝑡1 , . . . , 𝑡𝑛 )
𝑖=1 𝑖=1
𝑑
и по теореме о единственности (𝜂1 , . . . , 𝜂𝑛 ) = 𝜉.
∫︁ +∞
∫︁ 𝑥−𝑢
∫︁ +∞
∫︁
𝐹𝜉+𝜂 (𝑥) = P(𝜉 + 𝜂 ≤ 𝑥) = P𝜉 (𝑑𝑢)P𝜂 (𝑑𝑣) = P𝜉 (𝑑𝑢) P𝜂 (𝑑𝑣) = 𝐹𝜂 (𝑥 − 𝑢)P𝜉 (𝑑𝑢)
𝑢+𝑣≤𝑥 −∞ −∞ −∞
С другой стороны, 𝜙𝜂+𝜉 (𝑥) = E𝑒𝑖(𝜂+𝜉)𝑥 = 𝜙𝜉 (𝑥)𝜙𝜂 (𝑥). Пусть, например, 𝜉 ∼ 𝑁 (𝑎1 , 𝜎12 ), 𝜂 ∼ 𝑁 (𝑎2 , 𝜎22 ).
Для хар.функции имеем:
1 2 2 1 2 2 1 2 2 2
𝜙𝜉+𝜂 (𝑡) = 𝑒𝑖𝑡𝑎1 − 2 𝜎1 𝑡 𝑒𝑖𝑡𝑎2 − 2 𝜎2 𝑡 = 𝑒𝑖𝑡(𝑎1 +𝑎2 )− 2 (𝜎1 +𝜎2 )𝑡
а значит, по теореме о единственности, 𝜉 + 𝜂 ∼ 𝑁 (𝑎1 + 𝑎2 , 𝜎12 + 𝜎22 ). Это удобнее, чем формула свертки.
55
Доказательство.
≤ E|𝑒𝑖(𝑡−𝑠)𝜉 − 1|
√︁
= E (cos(𝑡 − 𝑠)𝜉 − 1)2 + sin2 (𝑡 − 𝑠)𝜉
⃒ ⃒
√︀ ⃒ (𝑡 − 𝑠)𝜉 ⃒⃒
= E 2 − 2 cos(𝑡 − 𝑠)𝜉 = 2 · E ⃒⃒sin
2 ⃒
Положим 𝛿 := 𝑡 − 𝑠. Тогда
⃒ ⃒ ⎫
⃒sin 𝛿𝜉
2 ⃒− −−→ 0⎪
⃒ ⃒ ⃒ ⃒
𝛿→0
⎬ ⃒ 𝛿𝜉 ⃒⃒
⇒ По теореме Лебега: E ⃒ sin →0
2⃒
⃒ ⃒ ⃒
𝛿𝜉 ⃒
⃒sin 2 ⃒ ≤ 1
⃒ ⎪
⎭
𝛿𝜉
а значит, что ∀𝜀 > 0 ∃𝛿0 ∀𝛿 < 𝛿0 : E sin2 2 < 𝜀. Возьмем |𝑡 − 𝑠| < 𝛿0 и все.
𝑑
Утверждение 11.1.3. 𝜙𝜉 (𝑥) принимает только действительные значения ⇐⇒ 𝜉 = −𝜉 (т.е. распределе-
ние 𝜉 симметрично относительно 0).
Доказательство.
⇒:
𝑑
𝜙𝜉 (𝑡) = E cos 𝑡𝜉, 𝜙−𝜉 = E cos(−𝑡𝜉) = E cos 𝑡𝜉. Из теоремы о единственности следует, что 𝜉 = −𝜉.
⇐:
𝜙𝜉 (𝑡) = E (cos 𝑡𝜉 + 𝑖 sin 𝑡𝜉) = 𝜙−𝜉 (𝑡) = E (cos 𝑡𝜉 − 𝑖 sin 𝑡𝜉) ⇒ E sin 𝑡𝜉 = 0 ⇒ 𝜙𝜉 = E cos 𝑡𝜉
(𝑛)
𝜙𝜉 (𝑡) = E(𝑖𝜉)𝑛 𝑒𝑖𝑡𝜉
𝑛
∑︁ (𝑖𝑡)𝑘
𝜙𝜉 (𝑡) = · E𝜉 𝑘 + 𝜀𝑛 (𝑡)
𝑘!
𝑘=0
𝑛
где |𝜀𝑛 (𝑡)| ≤ 3E|𝜉| , 𝜀𝑛 (𝑡) → 0 при 𝑡 → ∞.
+∞
∑︁ (𝑖𝑥)𝑘
𝜙𝜉 (𝑥) = · E𝜉 𝑘
𝑘!
𝑘=0
56
Теорема 11.4. (о непрерывности, б/д)
𝑑
1. Пусть 𝜉𝑛 → 𝜉. Тогда ∀𝑡 ∈ R : 𝜙𝜉𝑛 (𝑡) → 𝜙𝜉 (𝑡) при 𝑛 → ∞.
⎛ ⎞
𝜙(𝑡1 − 𝑡1 ) 𝜙(𝑡1 − 𝑡2 ) ... 𝜙(𝑡1 − 𝑡𝑛 )
⎜ ⎟
⎜ 𝜙(𝑡2 − 𝑡1 ) 𝜙(𝑡2 − 𝑡2 ) ... 𝜙(𝑡2 − 𝑡𝑛 ) ⎟
⎜ ⎟
(Это условие означает, что для любых 𝑡1 , . . . , 𝑡𝑛 ∈ R матрица ⎜
⎜ .. .. .. ..
⎟
⎟
⎜ . . . . ⎟
⎝ ⎠
𝜙(𝑡𝑛 − 𝑡1 ) 𝜙(𝑡𝑛 − 𝑡2 ) ... 𝜙(𝑡𝑛 − 𝑡𝑛 )
неотрицательно определена.)
Доказательство.
⇒:
Пусть 𝜙 — характеристическая. Тогда
∑︁ ∑︁ (︀ )︀ (︁ )︁ ∑︁
E𝑒𝑖(𝑡𝑖 −𝑡𝑗 )𝜉 𝑧𝑖 𝑧𝑗 = E 𝑧𝑖 𝑒𝑖𝑡𝑖 𝜉 𝑧𝑗 𝑒𝑖𝑡𝑗 𝜉 = E| 𝑧𝑗 𝑒𝑖𝑡𝑗 𝜉 |2 ≥ 0
𝑖, 𝑗 𝑖, 𝑗 𝑗
⇐:
Без доказательства.
1
𝜙𝜉 (𝑥) = 𝑒𝑖⟨𝑎, 𝑥⟩− 2 ⟨Σ𝑥, 𝑥⟩
1. Определение 11.2
57
2. 𝜉 = 𝐴𝜂 + 𝑏, где 𝜂 = (𝜂1 , . . . , 𝜂𝑚 )𝑇 и 𝜂𝑖 ∼ 𝑁 (0, 1), независимые, а 𝐴 ∈ 𝑀 𝑎𝑡𝑛×𝑚 , 𝑏 ∈ R𝑛
Доказательство.
1) ⇒ 2):
1
𝜙𝜉 (𝑥) = 𝑒𝑖⟨𝑎, 𝑥⟩− 2 ⟨Σ𝑥, 𝑥⟩ . Тогда 𝜙𝜉−𝑎 (𝑥) = E𝑒𝑖⟨𝜉−𝑎, 𝑥⟩ = 𝑒−𝑖⟨𝑎, 𝑥⟩ 𝜙𝜉 (𝑥) = 𝑒−1/2⟨Σ𝑥, 𝑥⟩ . Так как Σ —
симметричная, то Σ = 𝑅𝑇 𝐷𝑅, где 𝑅 — отрогональная, а 𝐷 — диагональная с неотрицательными
числами на главной диагонали (спектральное разложение). Тогда Σ можно представить в виде Σ =
√ √ √ √
𝑅𝑇 𝐷𝑅 = 𝑅𝑇 𝐷 𝐷𝑅 = ( 𝐷𝑅)𝑇 ( 𝐷𝑅), а значит
𝑇
√ √ √ √
⟨Σ𝑥, 𝑥⟩ = (Σ𝑥) 𝑥 = 𝑥𝑇 Σ𝑇 𝑥 = 𝑥𝑇 ( 𝐷𝑅)𝑇 ( 𝐷𝑅)𝑥 = ( 𝐷𝑅𝑥)𝑇 ( 𝐷𝑅𝑥)
√ √ 𝑛 𝑦𝑖2
Сделаем замену 𝑥 = ( 𝐷𝑅)−1 𝑦. Тогда 𝜙𝜉−𝑎 (( 𝐷𝑅)−1 𝑦) = 𝑒−1/2⟨𝑦, 𝑦⟩ = 𝑒− 2 . С другой стороны
∏︀
𝑖=1
√ √
−1
𝜙𝜉−𝑎 (( 𝐷𝑅) 𝑦) = E𝑒 𝑖⟨𝜉 − 𝑎, ( 𝐷𝑅)−1 𝑦⟩
[︁ (︁ √ )︁ ]︁
= E 𝑒𝑥𝑝 𝑖(𝜉 − 𝑎)𝑇 ( 𝐷𝑅)−1 𝑦
[︁ (︁ √ )︁ ]︁
= E 𝑒𝑥𝑝 𝑖(𝜉 − 𝑎)𝑇 𝑅𝑇 ( 𝐷)−1 𝑦
[︁ (︁ √ )︁ ]︁
= E 𝑒𝑥𝑝 𝑖(( 𝐷)−1 𝑅(𝜉 − 𝑎))𝑇 𝑦 = 𝜙(√𝐷)−1 𝑅(𝜉−𝑎) (𝑦)
√
то есть характеристическая функция вектора 𝜂 := ( 𝐷)−1 𝑅(𝜉 − 𝑎) это произведение характеристиче-
ских функций стандартных нормальных распределений, а значит его компоненты ∼ 𝑁 (0, 1).
2) ⇒ 3):
Пусть 𝜉 = 𝐴𝜂 + 𝑏. Тогда
3) ⇒ 1):
Перепишем функцию распределения:
2
1
·12
𝜙𝜉 (𝑥) = E𝑒𝑖⟨𝜉, 𝑥⟩ = E𝑒𝑖(𝑥1 𝜉1 +...+𝑥𝑛 𝜉𝑛 ) = 𝜙𝑥1 𝜉1 +...+𝑥𝑛 𝜉𝑛 (1) = 𝑒𝑖𝑎·1− 2 𝜎
Следствие 11.6.1. В условиях определения 11.2 𝑎 — вектор мат. ожиданий, а Σ — матрица кова-
риаций.
58
⎛ ⎞
Σ1 0 ... 0
⎜ ⎟
0 Σ2 ... 0
⎜ ⎟
⎜ ⎟
Следствие 11.6.2. Пусть 𝜉 — гауссовский вектор и Σ = ⎜
⎜ .. .. .. ..
⎟ имеет блочно-диагональный
⎟
⎜ . . . . ⎟
⎝ ⎠
0 0 . . . Σ𝑘
𝑖
вид. Обозначим за 𝑥𝑖 , 𝜉 , 𝑎𝑖 соответственно те координаты векторов 𝑥, 𝜉, 𝑎, которые отвечают Σ𝑖
в Σ. Тогда 𝜉 = (𝜉 1 , . . . , 𝜉 𝑘 ), где 𝜉 𝑖 случайный вектор и 𝜉 1 , . . . , 𝜉 𝑘 независимы в совокупности.
Доказательство.
1
𝜙𝜉 (𝑥) = 𝑒𝑖⟨𝑎, 𝑥⟩− 2 ⟨Σ𝑥, 𝑥⟩
(︂ )︂
1 1
= 𝑒𝑥𝑝 𝑖⟨𝑎1 , 𝑥1 ⟩ + . . . + 𝑖⟨𝑎𝑘 , 𝑥𝑘 ⟩ − ⟨Σ1 𝑥1 , 𝑥1 ⟩ − . . . − ⟨Σ𝑘 𝑥𝑘 , 𝑥𝑘 ⟩
2 2
𝑘
1
∏︁
= 𝑒𝑖⟨𝑎𝑗 , 𝑥𝑗 ⟩− 2 ⟨Σ𝑗 𝑥𝑗 , 𝑥𝑗 ⟩
𝑗=1
𝑘
∏︁
= 𝜙𝜉𝑗 (𝑥𝑗 )
𝑗=1
𝜙𝑆˜𝑛 (𝑥) = 𝜙 ∑︀
𝑛 (𝑥)
𝜉˜𝑗
𝑗=1
𝑛
∏︁
= 𝜙𝜉˜𝑗 (𝑥) (по независимости)
𝑗=1
˜ 𝑛
(︁ )︁
= E𝑒𝑖𝑥𝜉1 (т.к. одинаково распределенные)
(︃ [︃ (︂ )︂ ]︃)︃𝑛
𝑖𝑥
= E 𝑒𝑥𝑝 √ (𝜉1 − E𝜉1 )
D𝑆𝑛
(︃ (︃ )︃)︃𝑛
𝑥
= 𝜙𝜉1 −E𝜉1 √︀
D𝑆𝑛
(︂ (︂ )︂)︂𝑛
1 D𝜉1 1
= 1 − 𝑥2 +𝑜
2 D𝑆𝑛 D𝑆𝑛
(︂ (︂ )︂)︂𝑛
1 2 1 𝑥2
= 1− 𝑥 +𝑜 → 𝑒− 2
2𝑛 𝑛
59
Теорема 11.8. (многомерная ЦПТ, б/д)
Пусть 𝜉1 , 𝜉2 , . . . — независимые одинаково распределенные векторы, второй момент каждых ком-
√︁
понент которых конечен. Σ — матрица ковариаций 𝜉1 (существует т.к. E𝜉𝑖 𝜉𝑗 ≤ E𝜉𝑖2 · E𝜉𝑗2 ). Тогда
𝑆𝑛 − E𝑆𝑛 𝑑
√ → 𝜂 ∼ 𝑁 (0, Σ)
𝑛
(Теорема утверждает, что число успехов в таком случае имеет распределение, почти равное 𝑁 (𝑛𝑝, 𝑛𝑝𝑞))
−∞<𝑎<𝑏<+∞ ⃒
⃒ 𝑛𝑝𝑞 2𝜋 ⃒
⃒
𝑎
Пример 11.6. Игральный кубик бросается 6 млн раз. Тогда вероятность того, что количество выпав-
ших троек отличается от 1 миллиона не более чем на 3000 примерно равна 0, 999.
𝜆
(︀ 𝜆 )︀
Доказательство. Из условия 𝑝𝑛 = 𝑛 +𝑜 𝑛 . Тогда имеем
𝑛(𝑛 − 1) . . . (𝑛 − 𝑘 + 1) 1
P(𝑆𝑛 = 𝑘) = 𝐶𝑛𝑘 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 = 𝑘
(𝑛𝑝)𝑘 (1 − 𝑝)𝑛 (1 − 𝑝)−𝑘
𝑛 𝑘!
𝑘 1 −𝜆
→1·𝜆 · ·𝑒 ·1
𝑘!
𝑒−𝜆 𝜆𝑘
=
𝑘!
60