Sự hội tụ của các biến ngẫu nhiên

Bách khoa toàn thư mở Wikipedia
Bước tới: menu, tìm kiếm

Trong lý thuyết xác suất, có nhiều khái niệm khác nhau về sự hội tụ của các biến ngẫu nhiên. Sự hội tụ (hiểu theo nghĩa được trình bày dưới đây) của các dãy biến ngẫu nhiên về một biến ngẫu nhiên giới hạn nào đó là một khái niệm quan trọng trong lý thuyết xác suất, và trong các ứng dụng của thống kê và của quá trình ngẫu nhiên. Ví dụ, nếu trung bình của n biến ngẫu nhiên Yi, i = 1,..., n độc lập và phân phối đồng đều, được cho bởi:

X_n = \frac{1}{n}\sum_{i=1}^n Y_i\,,

Thì khi n tiến tới vô cùng, Xn sẽ hội tụ theo nghĩa xác suất (xem dưới đây) về một trung bình chung, μ của các biến ngẫu nhiên Yi. Kết quả này được biết như là luật số lớn (yếu). Có nhiều dạng hội tụ khác đóng vai trò quan trọng trong các định lý, trong đó có định lý giới hạn trung tâm.

Tiếp sau đây, chúng ta giả sử rằng (Xn) là một dãy biến ngẫu nhiên, và X là một biến ngẫu nhiên, tất cả đều được định nghĩa trên cùng một không gian xác suất (Ω, F, P).

Hội tụ theo phân phối (Convergence in distribution)[sửa | sửa mã nguồn]

Giả sử F1, F2,... là một dãy các hàm phân phối tích lũy ứng với các biến ngẫu nhiên X1, X2,..., và F là hàm phân phối ứng với biến ngẫu nhiên X. Ta nói rằng dãy Xn hội tụ về X theo phân phối, nếu

\lim_{n\rightarrow\infty} F_n(a) = F(a),

với mọi số thực a mà tại đó F liên tục. Vì F(a) = Pr(X ≤ a), nên điều này có nghĩa là xác suất để giá trị của X nằm trong một giới hạn định sẵn gần như là bằng với xác suất để Xn cũng nằm trong giới hạn này, với n được cho đủ lớn. Sự hội tụ theo phân phối thường được ký hiệu bằng việc thêm ký tự \mathcal D phía trên mũi tên chỉ sự hội tụ:

X_n \, \begin{matrix} {\,}_\mathcal{D} \\ {\,}^{\longrightarrow} \\ \quad \end{matrix} \, X.

Hội tụ theo phân phối là dạng hội tụ yếu nhất, và thường được gọi là hội tụ yếu. Một cách tổng quát thì nó không suy ra các dạng hội tụ khác. Tuy nhiên, hội tụ theo phân phối được suy ra từ tất cả các dạng hội tụ khác được đề cập trong bài viết này, và do đó, nó là dạng hội tụ chung nhất và có ích nhất của các biến ngẫu nhiên. Đây cũng là khái niệm hội tụ được dùng trong định lý giới hạn trung tâm và trong luật số lớn (yếu).

Một kết quả đáng lưu ý, được sử dụng kết hợp với luật số lớn và định lý giới hạn trung tâm, đó là nếu một hàm  g: RR  là liên tục, và nếu  Xn  hội tụ theo phân phối về  X, thì  g(Xn)  cũng hội tụ theo phân phối về  g(X). (chứng minh bằng cách dùng định lý biểu diễn Skorokhod).

Hội tụ theo xác suất (Convergence in probability)[sửa | sửa mã nguồn]

Dãy Xn hội tụ về X theo xác suất nếu

\lim_{n\rightarrow\infty}P\left(\left|X_n-X\right|\geq\varepsilon\right)=0

với mọi ε > 0. Hội tụ theo xác suất thật ra là sự hội tụ của xác suất.

Hội tụ theo xác suất được ký hiệu bằng cách thêm chữ 'P' vào phía trên mũi tên chỉ sự hội tụ over:

X_n \, \begin{matrix} {\,}_P \\{\,}^{\longrightarrow} \\ \quad \end{matrix} \, X.

Hội tụ theo xác suất cũng là khái niệm hội tụ đề cập trong luật số lớn (yếu). Hội tụ theo xác suất suy ra sự hội tụ theo phân phối. Để chứng minh điều này, ta cần chứng minh được bổ đề sau:

Bổ đề[sửa | sửa mã nguồn]

Cho X, Y là các biến ngẫu nhiên, c là một số thực và ε > 0; khi đó

\Pr(Y\leq c)\leq \Pr(X\leq c+\varepsilon)+\Pr(\left|Y - X\right|>\varepsilon).

Chứng minh bổ đề[sửa | sửa mã nguồn]

\Pr(Y\leq c)=\Pr(Y\leq c,X\leq c+\varepsilon)+\Pr(Y\leq c,X>c+\varepsilon)
=\Pr(Y\leq c \vert X\leq c+\varepsilon)\Pr(X\leq c+\varepsilon)+\Pr(Y\leq c,c<X - \varepsilon)
\leq \Pr(X\leq c+\varepsilon)+\Pr(Y - X<- \varepsilon)\leq \Pr(X\leq c+\varepsilon)+\Pr(\left|Y - X\right|>\varepsilon)

\Pr(\left|Y - X\right|>\varepsilon)=\Pr(Y - X>\varepsilon)+\Pr(Y - X<-\varepsilon)\geq \Pr(Y - X<-\varepsilon).

Chứng minh hội tụ theo xác suất suy ra hội tụ theo phân phối[sửa | sửa mã nguồn]

Với mọi ε > 0, từ bổ đề trên, ta có:

P(X_n\leq a)\leq P(X\leq a+\varepsilon)+P(\left|X_n - X\right|>\varepsilon)
P(X\leq a-\varepsilon)\leq P(X_n \leq a)+P(\left|X_n - X\right|>\varepsilon)

Vì vậy ta có

P(X\leq a-\varepsilon)-P(\left|X_n - X\right|>\varepsilon)\leq P(X_n \leq a)\leq P(X\leq a+\varepsilon)+P(\left|X_n - X\right|>\varepsilon).

Lấy giới hạn khi n\rightarrow\infty, ta được:

P(X\leq a-\varepsilon)\leq \lim_{n\rightarrow\infty} P(X_n \leq a)\leq P(X\leq a+\varepsilon).

P(X\leq a)hàm phân phối tích lũy F_X(a), theo giả thuyết là liên tục, nghĩa là

\lim_{\varepsilon \rightarrow 0^+} F_X(a-\varepsilon)=\lim_{\varepsilon \rightarrow 0^+} F_X(a+\varepsilon)=F_X(a),

do đó, lấy giới hạn khi \varepsilon \rightarrow 0^+, ta được

\lim_{n\rightarrow\infty} P(X_n \leq a)=P(X \leq a).

Hội tụ hầu như chắc chắn (Almost sure convergence)[sửa | sửa mã nguồn]

Ta nói rằng dãy Xn hội tụ hầu như chắc chắn hay hầu khắp nơi hay với xác suất 1 hay mạnh về X nếu:P\left(\lim_{n\rightarrow\infty}X_n=X\right)=1.

Có nghĩa là bạn được đảm bảo rằng các giá trị của Xn xấp xỉ giá trị của X, theo nghĩa (xem hầu như chắc chắn) là xác suất để Xn không hội tụ về X là bằng 0. Bằng cách dùng không gian xác suất (Ω, F, P) và khái niệm biến ngẫu nhiên như là một hàm số từ Ω đến R, điều này tương đương với cách viết

P\left(\big\{\omega \in \Omega \, | \, \lim_{n \to \infty}X_n(\omega) = X(\omega) \big\}\right) = 1.

Hội tụ hầu như chắc chắn thì suy ra hội tụ theo xác suất, và do đó cũng suy ra hội tụ theo phân phối. Nó là khái niệm hội tụ được đề cập trong luật số lớn (mạnh).

Hội tụ theo trung bình bậc r (Convergence in rth mean)[sửa | sửa mã nguồn]

Ta nói rằng dãy Xn hội tụ theo trung bình bậc r hay trong không gian định chuẩn Lr về X, nếu r ≥ 1, E|Xn|r < ∞ với mọi n, và

\lim_{n\rightarrow\infty}\mathrm{E}\left(\left|X_n-X\right|^r\right)=0

trong đó E chỉ giá trị kỳ vọng. Hội tụ theo trung bình bậc r cho ta biết rằng kì vọng bậc r về sự khác nhau giữa XnX là hội tụ về 0.

Các trường hợp đặc biệt quan trọng:

  • Nếu r = 1, ta nói Xn hội tụ theo trung bình về X.
  • Nếu r = 2, ta nói Xn hội tụ theo trung bình bình phương (bậc 2) về X.

Hội tụ theo trung bình bậc r, với r > 0, suy ra hội tụ theo xác suất (dùng bất đẳng thức Chebyshev). Còn nếu r > s ≥ 1, thì hội tụ theo trung bình bậc r sẽ suy ra hội tụ theo trung bình bậc s. Do đó hội tụ theo trung bình bình phương dẫn đến hội tụ theo trung bình.

Các chiều suy ngược lại (Converse implications)[sửa | sửa mã nguồn]

Trong một vài trường hợp đặc biệt ta có các chiều suy ra ngược lại như sau:

  • Nếu Xn hội tụ theo phân phối về một hằng số c, thì Xn hội tụ theo xác suất về c.
  • Nếu Xn hội tụ theo xác suất về X, và nếu Pr(|Xn| ≤ b) = 1 với mọi n và với 1 b nào đó, thì Xn hội tụ trung bình bậc r về X với mọi r ≥ 1. Nói cách khác, nếu Xn hội tụ theo xác suất về X và mọi biến ngẫu nhiên Xn là hầu như bị chạn trên và dưới, khi đó Xn hội tụ theo trung bình bậc bất kỳ r về X.
  • Nếu với mọi ε > 0,
\sum_n P\left(|X_n - X| > \varepsilon\right) < \infty,
thì Xn hội tụ hầu như chắc chắn về X. Nói cách khác, nếu Xn hội tụ theo xác suất về X đủ nhanh (nghĩa là tổng trên hội tụ với mọi ε > 0), thì Xn cũng hội tụ hầu như chắc chắn về X. Điều này được suy ra trực tiếp từ Bổ đề Borel-Cantelli.
  • Nếu Sn là tổng của n biến ngẫu nhiên thực độc lập:
S_n = X_1+\cdots+X_n
thì Sn hội tụ hầu như chắc chắn nếu và chỉ nếu Sn hội tụ theo xác suất.

Tham khảo[sửa | sửa mã nguồn]

  1. G.R. Grimmett and D.R. Stirzaker (1992). Probability and Random Processes, 2nd Edition. Clarendon Press, Oxford, pp 271–285. ISBN 0198536658.
  1. M. Jacobsen (1992). Videregående Sandsynlighedsregning (Advanced Probability Theory) 3rd Edition. HCØ-tryk, Copenhagen, pp 18–20. ISBN 87-91180-71-6.