MathLabs
定理証明済み

強大数の法則

内容

X1,X2,…X_1, X_2, \dots を E[∣X1∣]<∞\mathbb{E}[|X_1|] < \infty かつ平均 μ=E[X1]\mu = \mathbb{E}[X_1] をもつ独立同分布の確率変数列とする。このとき標本平均 Xˉn=1n∑i=1nXi\bar{X}_n = \frac{1}{n}\sum_{i=1}^n X_i は μ\mu に概収束する:P(lim⁡n→∞Xˉn=μ)=1\mathbb{P}\left(\lim_{n \to \infty} \bar{X}_n = \mu\right) = 1。

なぜ正しいのか?

弱法則が「十分に大きな1つの時点 nn で平均 Xˉn\bar{X}_n が μ\mu の近くにある確率が高い」と述べているのに対し、強法則は「無限に続く試行のほぼすべての経路において、累積平均はやがて落ち着き、永遠に μ\mu の近くに留まり続ける」ことを確率 11 で保証する。

証明の概略

一般性を失うことなく μ=0\mu = 0 と仮定する。Yn=Xn1{∣Xn∣≤n}Y_n = X_n \mathbf{1}_{\{|X_n| \le n\}} と置いて打ち切る。∑n=1∞P(∣Xn∣>n)=∑n=1∞P(∣X1∣>n)≤E[∣X1∣]<∞\sum_{n=1}^{\infty} \mathbb{P}(|X_n| > n) = \sum_{n=1}^{\infty} \mathbb{P}(|X_1| > n) \le \mathbb{E}[|X_1|] < \infty であるから、ボレル・カンテリの補題より P(Xn≠Yn i.o.)=0\mathbb{P}(X_n \ne Y_n \text{ i.o.}) = 0 となる。フビニの定理から ∑n=1∞Var⁡(Yn)n2≤∑n=1∞E[Yn2]n2≤2E[∣X1∣]<∞\sum_{n=1}^{\infty} \frac{\operatorname{Var}(Y_n)}{n^2} \le \sum_{n=1}^{\infty} \frac{\mathbb{E}[Y_n^2]}{n^2} \le 2\mathbb{E}[|X_1|] < \infty が得られる。コルモゴロフの収束判定法(コルモゴロフの最大値不等式から導かれる)により、∑n=1∞Yn−E[Yn]n\sum_{n=1}^{\infty} \frac{Y_n - \mathbb{E}[Y_n]}{n} は概収束する。クロネッカーの補題より 1n∑i=1n(Yi−E[Yi])→0\frac{1}{n}\sum_{i=1}^n (Y_i - \mathbb{E}[Y_i]) \to 0 が概収束の意味で成り立ち、E[Yn]→μ=0\mathbb{E}[Y_n] \to \mu = 0 であるから Xˉn→0\bar{X}_n \to 0(概収束)が従う。

証明者

この定理を使うトピック

関連する定理

ステップごとの証明

この定理のステップごとの証明はまだありません。

参考文献

  1. Andrey Kolmogorov (1933). Grundbegriffe der Wahrscheinlichkeitsrechnung
  2. Rick Durrett (2019). Probability: Theory and Examples