MathLabs
Định lýĐã chứng minh

Luật số lớn yếu

Phát biểu

Cho X1,X2,…X_1, X_2, \dots là các biến ngẫu nhiên độc lập, có cùng phân phối với kỳ vọng hữu hạn μ=E[X1]\mu = \mathbb{E}[X_1]. Với trung bình mẫu Xˉn=1n∑i=1nXi\bar{X}_n = \frac{1}{n}\sum_{i=1}^n X_i và mọi ε>0\varepsilon > 0, ta có lim⁡n→∞P(∣Xˉn−μ∣≥ε)=0\lim_{n \to \infty} \mathbb{P}(|\bar{X}_n - \mu| \ge \varepsilon) = 0; nghĩa là Xˉn\bar{X}_n hội tụ theo xác suất về μ\mu.

Vì sao đúng?

Một phép thử ngẫu nhiên đơn lẻ bất kỳ có thể dao động mạnh, nhưng khi lấy trung bình của nhiều phép thử độc lập, các độ lệch dương và âm có xu hướng triệt tiêu lẫn nhau, khiến việc trung bình mẫu lệch xa khỏi kỳ vọng thực μ\mu ngày càng khó xảy ra khi cỡ mẫu nn tăng lên.

Phác thảo chứng minh

Khi phương sai σ2=Var⁡(X1)\sigma^2 = \operatorname{Var}(X_1) hữu hạn, tính tuyến tính và tính độc lập cho E[Xˉn]=μ\mathbb{E}[\bar{X}_n] = \mu và Var⁡(Xˉn)=σ2n\operatorname{Var}(\bar{X}_n) = \frac{\sigma^2}{n}. Áp dụng bất đẳng thức Chebyshev ta được P(∣Xˉn−μ∣≥ε)≤Var⁡(Xˉn)ε2=σ2nε2→0\mathbb{P}(|\bar{X}_n - \mu| \ge \varepsilon) \le \frac{\operatorname{Var}(\bar{X}_n)}{\varepsilon^2} = \frac{\sigma^2}{n\varepsilon^2} \to 0 khi n→∞n \to \infty. Khi chỉ giả thiết E[∣X1∣]<∞\mathbb{E}[|X_1|] < \infty (định lý Khinchin), ta cắt cụt ở mức nn bằng cách đặt Yi=Xi1{∣Xi∣≤n}Y_{i} = X_i \mathbf{1}_{\{|X_i| \le n\}}, dùng E[∣X1∣]<∞\mathbb{E}[|X_1|] < \infty để chỉ ra P(∃i≤n:Xi≠Yi)≤nP(∣X1∣>n)→0\mathbb{P}(\exists i \le n : X_i \ne Y_i) \le n\mathbb{P}(|X_1| > n) \to 0, rồi áp dụng bất đẳng thức Chebyshev cho trung bình đã cắt cụt.

Chủ đề chứa định lý này

Định lý liên quan

Chứng minh từng bước

Chưa có chứng minh từng bước cho định lý này.

Tài liệu tham khảo

  1. Jacob Bernoulli (1713). Ars Conjectandi
  2. Geoffrey Grimmett, David Stirzaker (2020). Probability and Random Processes