Tan Jay

Borel-Cantelli引理

Tan Jay / 2022-09-03


这是一篇摘记 [1]

引理作用 #

Borel-Cantelli引理是概率论中一个很重要的引理。该引理可以帮忙我们理解几乎处处收敛依概率收敛之间的关系,也可用于论证强相合性和强大数律等。为说明该引理,法国数学家博雷尔(Émile Borel, 1871-1956)在1913年介绍了“打字的猴子”的概念。无限猴子定理指出,一个在打字机键盘上随机敲打键盘的猴子,只要时间无限长,那么它几乎肯定会键入任何给定的文本,例如莎士比亚全集。

引理由来 #

定义1 \(\quad\) 设\(\{X_n,n \ge 1\}\) 是随机变量序列,若存在随机变量\(X\)使得 Pr(ωΩ:limnXn(ω)=X(ω))=1, 则称随机变量序列\(\{X_n,n \ge 1\}\)几乎必然收敛(或以概率1收敛)于\(X\),记为\(X_n \to X, a.s.\)。

定义2 \(\quad\) 设\(\{X_n,n \ge 1\}\) 是随机变量序列,若存在随机变量\(X\)使得对任意的\(\epsilon > 0\),有 limnPr(|XnX|ϵ)=0, 则称随机变量序列\(\{X_n,n \ge 1\}\)依概率收敛于\(X\), 记为\(X_n \stackrel{p}{\longrightarrow} X\)。

定理1 \(\quad\) \(X_n \implies X, a.s.\) 等价于\(\forall \epsilon > 0\), Pr(|XnX|>ϵ i.o.)=limnPr(k=n|XnX|>ϵ)=0

总结 \(\quad\) 几乎处处收敛考察的是不收敛的样本点的概率是否为 0,而依概率收敛则考察\(X_n\)和\(X\)差异的尾概率是否趋于 0。定理1给出几乎处处收敛的等价定义,可知,几乎处处收敛\(\implies\)依概率收敛。那么在什么条件下,依概率收敛\(\implies\)几乎处处收敛呢?对此,Borel-Cantelli第一引理给出了答案。

引理内容 #

引理1 \(\quad\) 设\(\{A_n, n=1,2,\cdots\}\)是一列事件,若\(\sum_{n=1}^{\infty}Pr(A_n)<\infty\),则\(Pr(A_n,i.o)=0 \)。

令\(A_n=\{|X_n-X|>\epsilon\}\),则可知依概率收敛仅要求级数的每一项\(Pr(A_n)\)趋于0。而几乎处处收敛要求更高一点,需要对应的级数是收敛的(充分条件),这就要求级数的每一项\(Pr(A_n)\)趋于0的速度要快一点。

引理1推论 \(\quad\) 依概率收敛可以推出子列几乎处处收敛。

引理2 \(\quad\) 设\(\{A_n, n=1,2,\cdots\}\)是独立的事件列,若\(\sum_{n=1}^{\infty}Pr(A_n)=\infty\),则\(Pr(A_n,i.o)=1 \)。

下面给出一个简单的例子予以说明引理2。假设我们抛掷一个骰子无穷多次,那么骰子正面出现数值6无穷多次的概率是多少?答案是1。实际上令\(A_n\)表示第\(n\)次抛掷出现6,容易知道\(Pr(A_n)=1/6\),而且\(\{A_n,\ge 1\}\)之间相互独立,从而\(\sum_{n=1}^{\infty}Pr(A_n)=\sum_{n=1}^{\infty}1/6=\infty\),因此,\(A_n\)发生无穷多次的概率是1。换而言之,只要某一事件可能发生,即使发生的概率非常非常小,同时不同事件相互独立,则该事件在无限长时间内几乎必然发生。


  1. 公众号:郭老师统计小课堂Borel-Cantelli引理 ↩︎