跳到主要內容

[機率論] Almost Sure Convergence

固定 機率空間 $(\Omega, \mathcal{B}, P)$。我們說 隨機事件 $A$  almost surely (a.s.) 成立,若下列條件成立:
存在一個事件 $N \in \mathcal{B}$ 且 $P(N)=0$ 使得 若 $\omega \in N^c$ 事件 $A$ 都成立。


Example 1: Two r.v. equal Almost Surely
令 $X, X'$ 為兩個隨機變數,則 $X=X'$ almost surely 亦即
\[
P(\omega: X(\omega) = X'(\omega)) = 1
\]亦即,存在事件 $N \in \mathcal{B}$ 使得 $P(N)=0$ 且  $\omega \in N^c \Rightarrow X(\omega) = X(\omega)'$ 都成立。$\square$


Example 2: 
令 $X, X'$ 為兩個隨機變數,則 $X \le X'$ almost surely 亦即
\[
P(\omega: X(\omega) \le X'(\omega)) = 1
\]亦即,存在事件 $N \in \mathcal{B}$ 使得 $P(N)=0$ 且  $\omega \in N^c \Rightarrow X(\omega) \le X(\omega)'$ 都成立。$\square$


Example 3: random variable sequence
若' $\{X_n\}$ 為 隨機變數的 sequence,則 $\lim_{n\rightarrow \infty}X_n$存在 almost surly 意指 存在事件 $N \in \mathcal{B}$ 使得 $P(N)=0$ 且  $\omega \in N^c \Rightarrow \lim_{n\rightarrow \infty}X_n$ 存在 ;此陳述等價為
\[
\limsup_{n \rightarrow \infty} X_n(\omega) = \liminf_{n\rightarrow \infty }X_n(\omega)
\]我們會寫作 $\lim_{n \rightarrow \infty}X_n = X$ almost surely 或者 $X_n \rightarrow X$ a.s. $\square$


Example 3: random series
若' $\{X_n\}$ 為 隨機變數的 sequence,則 $\sum_n X_n$ converges almost surly 意指 存在事件 $N \in \mathcal{B}$ 使得 $P(N)=0$ 且  $\omega \in N^c \Rightarrow  \sum_n X_n$ converges  存在  $\square$

基於 almost sure equality,大部分隨機變數的機率性質都不改變。比如說 若 $X = X'$ almost surely,則若 $X \in L^1$ 若且唯若 $X' \in L^1$ 且 $EX = EX'$


注意到 隨機變數 sequence 儘管有 almost surely convergence 並不表示 convergence everywhere。現在我們看個例子:

Example: Almost Sure Convergence fails to be Convergence Everywhere
考慮機率空間 $([0,1], \mathcal{B}_{[0,1]}, \lambda)$ 且 $\lambda$ 為 Lebesgue measure。現在定義隨機變數
\[{X_n}(\omega ): = \left\{ \begin{array}{l}
n,\begin{array}{*{20}{c}}
{}
\end{array}0 \le \omega  \le \frac{1}{n}\\
0,\begin{array}{*{20}{c}}
{}
\end{array}\frac{1}{n} < \omega  \le 1
\end{array} \right.\]試證 $X_n \rightarrow 0$ almost surely;但 $X_n$ 並非 converge everywhere。
Proof:
若 $N = \{0\}$ 則 $\omega \in N^c \Rightarrow X_n(\omega ) \rightarrow 0$;

但是若我們現在關注 $\omega = 0$ 這一點時,可以發現 $X_n(0) = n \rightarrow \infty \neq 0$ $\square$

===================
Proposition: 令 $\{X_n\}$ 為 i.i.d. 隨機變數 且具有共同的 分布函數 $F(x)$。假設 $F(x) <1$;令
\[
M_n := \max\{X_1,X_2,...,X_n\}
\]則 $M_n \rightarrow \infty$ almost surely 當 $n\rightarrow \infty$。
===================

Proof: 我們要證  $M_n \rightarrow \infty$ almost surely 當 $n\rightarrow \infty$;亦即要證明 存在事件 $N$ 使得 $P(N)=0$ 且若 $\omega \in N^c$ 我們有 $M_n \rightarrow \infty$ 。我們需要證明 存在事件 $N \in \mathcal{B}$ 使得 $P(N) =0$ 且若 $\omega \in N^c$ 我們有
\[
\lim_{n \rightarrow \infty} M_n(\omega) = \infty
\]由 $lim$ 定義,上述可改寫為 要證明 對任意 $j>0$, 存在 $n_0$ 使得若 $n \ge n_0$ 則 $M_n(\omega) \ge j$。

首先注意到 由於 $\{X_n\}$ 為 i.i.d. 隨機變數 且具有共同的 分布函數 $F(x)$,故我們可寫
\[\begin{array}{l} P\left( {{M_n} \le x} \right) = P\left( {\max \left( {{X_1},{X_2},...,{X_n}} \right) \le x} \right)\\ \begin{array}{*{20}{c}} {}&{}&{}&{} \end{array} = P\left( {{X_1} \le x,{X_2} \le x,...,{X_n} \le x} \right)\\ \begin{array}{*{20}{c}} {}&{}&{}&{} \end{array} = \prod\limits_{i = 1}^n {P\left( {{X_i} \le x} \right)} = {F^n}\left( x \right) \end{array}
\] 故注意到由於 $F(x)<1$ 我們有
\[
\sum_n P(M_n \le j) = \sum_n F^n(j) < \infty
\]故由 Borel-Cantelli Lemma 可知
\[P\left( {\left\{ {{M_n} \le j} \right\}i.o.} \right) = 0\]亦即
\[P\left( {\mathop {\lim \sup }\limits_{n \to \infty } \left\{ {{M_n} \le j} \right\}} \right) = 0
\]故現在定義 事件 ${\mathop {\lim \sup }\limits_{n \to \infty } \left\{ {{M_n} \le j} \right\}}$ 則我們有 $P(N_j) = 0$ 對任意 $j$。

且注意到 ${N_j}^c: = \mathop {\lim \inf }\limits_{n \to \infty } \left\{ {{M_n} > j} \right\}$,故對任意 $\omega \in N_j^c$,若有夠大的 $n$,則我們有 $M_n(\omega) >j$。

現在定義 $N:= \cup_j N_j$ 則
\[
P(N) \le \sum_j P(N_j) =0
\] 且若 $\omega \in N^c$,我們有對任意 $j$,若 有夠大的 $n$,則 $M_n(\omega) >j$ 。 $\square$

留言

這個網誌中的熱門文章

[數學分析] 什麼是若且唯若 "if and only if"

數學上的 if and only if  ( 此文不討論邏輯學中的 if and only if,只討論數學上的 if and only if。) 中文翻譯叫做  若且唯若 (or 當且僅當) , 記得當初剛接觸這個詞彙的時候,我是完全不明白到底是甚麼意思,查了翻譯也是愛莫能助,畢竟有翻跟沒翻一樣,都是有看沒有懂。 在數學上如果看到 if and only if  這類的句子,其實是表示一種 雙條件句 ,通常可以直接將其視為" 定義(Definition)" 待之,今天要分享的是這樣的一個句子如何用比較直觀的方法去看他 假設我們現在有 兩個邏輯陳述句 A 與  B. 注意到,在此我們不必考慮這兩個陳述句到底是什麼,想表達什麼,或者到底是否為真(true),這些都不重要。只要知道是兩個陳述即可。 現在,考慮新的陳述:  "A if and only if B" 好了,現在主角登場,我們可以怎麼看待這個句子呢? 事實上我們可以很直覺的把這句子拆成兩部分看待,也就是 "( A if B ) and ( A only if B )" 那麼先針對第一個部分  A if B  來看, 其實這句就是說  if B then A, 更直白一點就是 "if B is true, then A is also true".  在數學上等價可以寫為 "B implies A" .  或者更常用一個箭頭符號來表示 "B $\Rightarrow$  A"  現在針對第二個部分  A only if B 此句意指  "If B is not true, then A is also not true". 所以如果已知 A is true,  那麼按照上句不難推得 B is also true 也就是說  A only if B  等價為 "If A is true then B is also true". 同樣,也可以寫作   "A implies B"   或者用箭頭表示  "A   $\Rightarrow$     B".

[數學分析] 淺談各種基本範數 (Norm)

這次要介紹的是數學上一個重要的概念: Norm: 一般翻譯成 範數 (在英語中 norm 有規範的意思,比如我們說normalization就是把某種東西/物品/事件 做 正規化,也就是加上規範使其正常化),不過個人認為其實翻譯成 範數 也是看不懂的...這邊建議把 Norm 想成長度就好 (事實上norm是長度的抽象推廣), 也許讀者會認為好端端的長度不用,為何又要發明一個 norm 來自討苦吃?? 既抽象又艱澀。 事實上想法是這樣的: 比如說現在想要比較兩個數字 $3$ , $5$ 之間的大小,則我們可以馬上知道 $ 3 < 5 $;同樣的,如果再考慮小數與無理數如 $1.8753$ 與 $\pi$,我們仍然可以比較大小 $1.8753 < \pi = 3.1415...$ 故可以發現我們有辦法對 "純量" 做明確的比大小,WHY? 因為前述例子中 $3$, $5$, $1.8753$ or $\pi$ 其各自的大小有辦法被 "measure "! 但是如果是現在考慮的是一組數字 我們如何去measure 其大小呢?? 比如說 \[x:=[1, -2, 0.1, 0 ]^T \]上式的大小該是多少? 是 $1$? $-2$? $0.1$??? 再者如果更過分一點,我們考慮一個矩陣 \[A = \left[ {\begin{array}{*{20}{c}} 1&2\\ 3&4 \end{array}} \right] \],想要知道這個矩陣的大小又該怎麼辦?? 是 $1$ ? $2$ 還是 $4$ ?..其實現階段我們說不清楚。 也正是如此,可以發現我們確實需要新的 "長度" 的定義來幫助我們如何去 measure 矩陣/向量/甚至是函數的大小。 故此,我們首先定義甚麼是Norm,(也就是把 "長度" or "大小" 的本質抽離出來) ================== Definition: Norm 考慮 $V$ 為一個向量空間(Vector space),則我們說  Norm 為一個函數 $||\cdot|| : V \rightarrow \mathbb{R}$ 且滿足下列性質