Zbieżność, zmienne losowe.
-
- Użytkownik
- Posty: 584
- Rejestracja: 10 paź 2007, o 12:08
- Płeć: Mężczyzna
- Lokalizacja: Gdańsk
- Podziękował: 309 razy
- Pomógł: 6 razy
Zbieżność, zmienne losowe.
Zakładamy, że zmienne losowe \(\displaystyle{ X_1, ..., X_n}\) są niezależne i mają ten sam rozkład, przy czym \(\displaystyle{ EX_1 < \infty}\).
Skąd nierówność (przy \(\displaystyle{ \varepsilon > 0}\)):
\(\displaystyle{ P( \max \{ |X_1|,...,|X_n| \} \ge \varepsilon n ) \le \sum\limits_{i=1}^{n} P (|X_i| \ge \varepsilon n)}\)
... i dlaczego zachodzi
\(\displaystyle{ \lim\limits_{n \to \infty} \frac{1}{\varepsilon} E(|X_1| I_{ \{|X_1| \ge \varepsilon n\}}) = 0}\)
?
Skąd nierówność (przy \(\displaystyle{ \varepsilon > 0}\)):
\(\displaystyle{ P( \max \{ |X_1|,...,|X_n| \} \ge \varepsilon n ) \le \sum\limits_{i=1}^{n} P (|X_i| \ge \varepsilon n)}\)
... i dlaczego zachodzi
\(\displaystyle{ \lim\limits_{n \to \infty} \frac{1}{\varepsilon} E(|X_1| I_{ \{|X_1| \ge \varepsilon n\}}) = 0}\)
?
-
- Użytkownik
- Posty: 584
- Rejestracja: 10 paź 2007, o 12:08
- Płeć: Mężczyzna
- Lokalizacja: Gdańsk
- Podziękował: 309 razy
- Pomógł: 6 razy
Zbieżność, zmienne losowe.
To są dwa odrębne pytania, jedno nie wynika z drugiego. Są to fragmenty rozwiązania pewnego problemu, wszystkie założenia, przy których owe wyrażenia miały być prawdziwe, są podane, ja tylko jestem ciekaw, dlaczego są prawdziwe, jak je uzasadnić.
-
- Użytkownik
- Posty: 97
- Rejestracja: 29 maja 2010, o 14:46
- Płeć: Mężczyzna
- Lokalizacja: Poznań
- Podziękował: 2 razy
- Pomógł: 14 razy
Zbieżność, zmienne losowe.
I. Bardzo proste. Rozpisz sobie def max i skorzystaj z własności prawdopodobieństwa sumy w kontekście sumy prawdopodobioeństw.
II.
Ciąg:
\(\displaystyle{ 0 \le |X|I\{|X|<x\}}\) jest ciągiem rosnącym względem \(\displaystyle{ x}\).
Stąd ze TW Lebesque'a o zbiezności monotonicznej masz:
\(\displaystyle{ \lim_{x\to+\infty}E|X|I\{|X|<x\}=E|X|}\)
Ale
\(\displaystyle{ E|X|=E|X|I\{|X|<x\}+E|X|I\{|X| \ge x\}}\)
więc korzystając z założenia że \(\displaystyle{ E|X|<+\infty}\) gdy \(\displaystyle{ x\to+\infty}\) musimy mieć
\(\displaystyle{ \lim_{x\to+\infty}E|X|I\{|X|\ge x\}=0}\)
Masakryczne są te reklamy na forum...
II.
Ciąg:
\(\displaystyle{ 0 \le |X|I\{|X|<x\}}\) jest ciągiem rosnącym względem \(\displaystyle{ x}\).
Stąd ze TW Lebesque'a o zbiezności monotonicznej masz:
\(\displaystyle{ \lim_{x\to+\infty}E|X|I\{|X|<x\}=E|X|}\)
Ale
\(\displaystyle{ E|X|=E|X|I\{|X|<x\}+E|X|I\{|X| \ge x\}}\)
więc korzystając z założenia że \(\displaystyle{ E|X|<+\infty}\) gdy \(\displaystyle{ x\to+\infty}\) musimy mieć
\(\displaystyle{ \lim_{x\to+\infty}E|X|I\{|X|\ge x\}=0}\)
Masakryczne są te reklamy na forum...
-
- Użytkownik
- Posty: 584
- Rejestracja: 10 paź 2007, o 12:08
- Płeć: Mężczyzna
- Lokalizacja: Gdańsk
- Podziękował: 309 razy
- Pomógł: 6 razy
Zbieżność, zmienne losowe.
I. Domyślam się, że chodzi o (sub)addytywność miary \(\displaystyle{ P}\), ale do tego muszę mieć prawdopodobieństwo postaci \(\displaystyle{ P(\bigcup\limits_{n\in \mathbb{N}} A_n)}\), a nijak nie wiem, jak wydusić to z tego maksimum, jedyne, co mi przychodzi do głowy to zapisać zdarzenie przeciwne i skorzystać z tego, że jeżeli maksimum jest mniejsze lub równe od jakiejś liczby, to wtedy każdy element porównywany w maksimum jest mniejszy od tej liczby, ale wtedy uzyskam iloczyn prawdopodobieństw, a nie sumę.
II. To już jasne, dziękuję.
II. To już jasne, dziękuję.
-
- Użytkownik
- Posty: 2234
- Rejestracja: 26 paź 2006, o 18:08
- Płeć: Mężczyzna
- Lokalizacja: Warszawa
- Podziękował: 22 razy
- Pomógł: 390 razy
Zbieżność, zmienne losowe.
Niech \(\displaystyle{ P(|X_{i}|\geq n\epsilon)=a_{i}=a\in <0,1>}\) dla danego \(\displaystyle{ \epsilon}\)
\(\displaystyle{ P(max\{|X_{i}|\}\geq n\epsilon)=1-\prod_{i=1}^{n}(1-a_{i})=1-(1-a)^{n}}\)
Wystarczy zatem pokazać, że \(\displaystyle{ (1-(1-a)^{n}\leq na)\iff (1+n\cdot (-a)\leq (1+(-a))^{n})}\), co powinno już przypominać pewną znaną nierówność
\(\displaystyle{ P(max\{|X_{i}|\}\geq n\epsilon)=1-\prod_{i=1}^{n}(1-a_{i})=1-(1-a)^{n}}\)
Wystarczy zatem pokazać, że \(\displaystyle{ (1-(1-a)^{n}\leq na)\iff (1+n\cdot (-a)\leq (1+(-a))^{n})}\), co powinno już przypominać pewną znaną nierówność
-
- Użytkownik
- Posty: 97
- Rejestracja: 29 maja 2010, o 14:46
- Płeć: Mężczyzna
- Lokalizacja: Poznań
- Podziękował: 2 razy
- Pomógł: 14 razy
Zbieżność, zmienne losowe.
\(\displaystyle{ P( \max \{ |X_1|,...,|X_n| \} \ge \varepsilon n )= P( |X_1| \ge \varepsilon n \vee |X_2| \ge \varepsilon n\vee ... \vee|X_n| \ge \varepsilon n )=}\)
\(\displaystyle{ P( \{\omega\colon |X_1(\omega)| \ge \varepsilon n\} \cup \{\omega\colon |X_2(\omega)| \ge \varepsilon n\} \cup ... \cup \{\omega\colon |X_n(\omega)| \} \ge \varepsilon n\} ) \le \sum\limits_{i=1}^{n} P (\{\omega\colon |X_i(\omega)| \ge \varepsilon n)\}=\sum\limits_{i=1}^{n} P (|X_i| \ge \varepsilon n)}\)
gdyż
\(\displaystyle{ P(A \cup B) \le P(A)+P(B)}\)
\(\displaystyle{ P( \{\omega\colon |X_1(\omega)| \ge \varepsilon n\} \cup \{\omega\colon |X_2(\omega)| \ge \varepsilon n\} \cup ... \cup \{\omega\colon |X_n(\omega)| \} \ge \varepsilon n\} ) \le \sum\limits_{i=1}^{n} P (\{\omega\colon |X_i(\omega)| \ge \varepsilon n)\}=\sum\limits_{i=1}^{n} P (|X_i| \ge \varepsilon n)}\)
gdyż
\(\displaystyle{ P(A \cup B) \le P(A)+P(B)}\)
-
- Użytkownik
- Posty: 584
- Rejestracja: 10 paź 2007, o 12:08
- Płeć: Mężczyzna
- Lokalizacja: Gdańsk
- Podziękował: 309 razy
- Pomógł: 6 razy