確率収束、平均収束、概収束、分布収束、連続性定理、連続写像の定理、スラツキーの定理の定義や内容の紹介、平均二乗収束と確率収束の関係、連続写像の定理(確率収束)、大数の弱法則などの証明が含まれます。
なお、閲覧にあたっては、以下の点にご注意ください。
- スマートフォンやタブレット端末でご覧の際、数式が見切れている場合は、横にスクロールすることができます。
確率収束
確率変数の列 \begin{align} \boldsymbol{X}_n= \left\{X_1,X_2, \cdots ,X_n\right\} \end{align} に関して、 ある定数 $c$ に対し、任意の正の数を $0 \lt \varepsilon$ として、 \begin{align} \lim_{n\rightarrow\infty}{P \left( \left|X_n-c\right| \geq \varepsilon\right)=0} \end{align} または \begin{align} \lim_{n\rightarrow\infty}{P \left( \left|X_n-c\right| \lt \varepsilon\right)=1} \end{align} が成り立つとき、 確率変数の列 $ \left\{X_n\right\}$ は $c$ に確率収束する converge in probability といい、 \begin{align} X_n\xrightarrow[]{p}c \end{align} と表す。
平均収束
確率変数の列 \begin{align} \boldsymbol{X}_n= \left\{X_1,X_2, \cdots ,X_n\right\} \end{align} に関して、 ある定数 $c$ に対し、 \begin{align} \lim_{n\rightarrow\infty}{E \left( \left|X_n-c\right|^p\right)=0} \end{align} が成り立つとき、 確率変数の列 $ \left\{X_n\right\}$ は $c$ に平均 $p$ 乗収束 convergence in p-th mean する といい、 \begin{align} E \left( \left|X_n-c\right|^p\right) \end{align} を平均 $p$ 乗誤差という。 特に、$p=2$ のとき \begin{align} \lim_{n\rightarrow\infty}{E \left( \left|X_n-c\right|^2\right)=0} \end{align} がよく用いられる。
概収束
確率変数の列 \begin{align} \boldsymbol{X}_n= \left\{X_1,X_2, \cdots ,X_n\right\} \end{align} に関して、 \begin{align} P \left(\lim_{n\rightarrow\infty}{X_n}-c\right)=1 \end{align} が成り立つとき、 確率変数の列 $ \left\{X_n\right\}$ は $c$ に概収束する almost sure converge という。
平均二乗収束と確率収束の関係
【命題】
平均二乗収束と確率収束の関係
Relationship between Convergence in Mean Square and Convergence in Probability
確率変数の列 \begin{align} \boldsymbol{X}_n= \left\{X_1,X_2, \cdots ,X_n\right\} \end{align} に関して、 $ \left\{X_n\right\}$ がある定数 $c$ に平均二乗収束する ならば、 $ \left\{X_n\right\}$ は $c$ に確率収束する。
証明法:チェビシェフの不等式を用いる方法
$ \left\{X_n\right\}$ が $c$ に平均二乗収束するとき、 \begin{align} \lim_{n\rightarrow\infty}{E \left[ \left(X_n-c\right)^2\right]}=0 \end{align} チェビシェフの不等式より、 \begin{align} P \left( \left|X_n-c\right| \geq \varepsilon\right) \le \frac{E \left[ \left(X_n-c\right)^2\right]}{\varepsilon^2} \end{align} 両辺の $n\rightarrow\infty$ のときの極限を取ると、 \begin{align} 0 \le \lim_{n\rightarrow\infty}{P \left( \left|X_n-c\right| \geq \varepsilon\right)} \le \lim_{n\rightarrow\infty}{\frac{E \left[ \left(X_n-c\right)^2\right]}{\varepsilon^2}}=0 \end{align} したがって、はさみうちの原理より、 \begin{align} \lim_{n\rightarrow\infty}{P \left( \left|X_n-c\right| \geq \varepsilon\right)=0} \end{align} $\blacksquare$
連続写像の定理(確率収束)
【定理】
連続写像の定理(確率収束)
Continuous Mapping Theorem
確率変数の列 \begin{align} \boldsymbol{X}_n= \left\{X_1,X_2, \cdots ,X_n\right\} \end{align} に関して、 $c \neq 0$ を満たす任意の実数 $c$ について、関数 $f \left( \cdot \right)$ が $c$ において連続ならば、 \begin{align} X_n\xrightarrow[]{p}c\Rightarrow f \left(X_n\right)\xrightarrow[]{p}f \left(c\right) \end{align} が成り立つ。
証明
任意の正の数 $0 \lt \varepsilon$ に対し、ある正の数 $0 \lt \delta$ が存在し、$ \left|X_n-c\right| \le \delta$ ならば、 \begin{gather} \left|f \left(X_n\right)-f \left(c\right)\right| \le \varepsilon\\ P \left( \left|X_n-c\right| \le \delta\right) \le P \left( \left|f \left(X_n\right)-f \left(c\right)\right| \le \varepsilon\right)\\ P \left( \left|X_n-c\right| \gt \delta\right) \geq P \left( \left|f \left(X_n\right)-f \left(c\right)\right| \gt \varepsilon\right) \end{gather} よって、この極限値を取ると、 \begin{align} \lim_{n\rightarrow\infty}{P \left( \left|f \left(X_n\right)-f \left(c\right)\right| \gt \varepsilon\right) \le }\lim_{n\rightarrow\infty}{P \left( \left|X_n-c\right| \gt \delta\right)}=0 \end{align} $\blacksquare$
大数の弱法則
【定理】
大数の弱法則
Weak Law of Large Numbers
平均と分散がそれぞれ $\mu$ と $\sigma^2$ である任意の母集団分布 $\mathrm{P} \left(\mu,\sigma^2\right)$ からの大きさ $n$ の無作為標本 \begin{align} \boldsymbol{X}= \left\{X_1,X_2, \cdots ,X_n\right\} \end{align} について 標本平均を \begin{align} {\bar{X}}_n=\frac{1}{n}\sum_{i=1}^{n}X_i \end{align} とすると、 $n$ が十分に大きければ($n\rightarrow\infty$)、標本平均は真の平均に確率収束する すなわち、任意の正の数 $0 \lt \varepsilon$ に対して、 \begin{align} \lim_{n\rightarrow\infty}{P \left( \left|{\bar{X}}_n-\mu\right| \geq \varepsilon\right)}=0 \end{align} が成り立つ。
証明法:チェビシェフの不等式を用いる方法
標本平均の期待値と分散の公式より、 \begin{gather} E \left({\bar{X}}_n\right)=\mu\\ V \left({\bar{X}}_n\right)=\frac{\sigma^2}{n} \end{gather} チェビシェフの不等式 $P \left( \left|X-\mu\right| \geq \varepsilon\right) \le \frac{\sigma^2}{\varepsilon^2}$ より、 \begin{gather} P \left\{ \left|{\bar{X}}_n-E \left({\bar{X}}_n\right)\right| \geq \varepsilon\right\} \le \frac{V \left({\bar{X}}_n\right)}{\varepsilon^2}\\ P \left( \left|{\bar{X}}_n-\mu\right| \geq \varepsilon\right) \le \frac{\sigma^2}{n\varepsilon^2} \end{gather} したがって、両辺の $n\rightarrow\infty$ のときの極限を取ると、 \begin{align} \lim_{n\rightarrow\infty}{P \left( \left|{\bar{X}}_n-\mu\right| \geq \varepsilon\right)} \le \lim_{n\rightarrow\infty}{\frac{\sigma^2}{n\varepsilon^2}}=0 \end{align} 確率の公理 $0 \le P \left(A\right)$ より、 \begin{align} 0 \le \lim_{n\rightarrow\infty}{P \left( \left|{\bar{X}}_n-\mu\right| \geq \varepsilon\right)} \le 0 \end{align} はさみうちの原理により、 \begin{align} \lim_{n\rightarrow\infty}{P \left( \left|{\bar{X}}_n-\mu\right| \geq \varepsilon\right)}=0 \end{align} よって、確率収束の定義式を満たすので、 \begin{align} {\bar{X}}_n\xrightarrow[]{p}\mu \end{align} $\blacksquare$
分布収束
確率変数の列 $\boldsymbol{X}_n= \left\{X_1,X_2, \cdots ,X_n\right\}$ と確率変数 $X$ の分布関数をそれぞれ
\begin{align}
F_n \left(x\right)=P \left(X_n \le x\right) \quad F \left(x\right)=P \left(X \le x\right)
\end{align}
とし、
$F \left(x\right)$ の連続点で
\begin{align}
\lim_{n\rightarrow\infty}{F_n \left(x\right)=F \left(x\right)}
\end{align}
が成り立つとき、
確率変数の列 $ \left\{X_n\right\}$ は、確率変数 $X$ に分布収束 converge in distribution、もしくは、法則収束する converge in law といい、
$X_n\xrightarrow[]{d}X \quad X_n\xrightarrow[]{d}F \left(x\right)$
または、
$X_n\xrightarrow[]{L}X \quad X_n\xrightarrow[]{L}F \left(x\right)$
と表す。
また、このときの $X$ の分布を
$ \left\{X_n\right\}$ の漸近分布、または極限分布
といい、
$ \left\{X_n\right\}$ は、漸近的に、確率変数 $X$ の確率分布に従う
ということもある。
収束先の分布が標準正規分布 $\mathrm{N} \left(0,1\right)$ や $\chi^2$分布 $\chi^2 \left(n\right)$ などのときは、
\begin{align}
X_n\xrightarrow[]{d}\mathrm{N} \left(0,1\right) \quad X_n\xrightarrow[]{d}\chi^2 \left(n\right)
\end{align}
と表す。
連続性定理
【定理】
連続性定理
Continuity Theorem
確率変数の列 \begin{align} \boldsymbol{X}_n= \left\{X_1,X_2, \cdots ,X_n\right\} \end{align} について、 $X_n$ と確率変数 $X$ のモーメント母関数 \begin{align} M_{X_n} \left(\theta\right) \quad M_X \left(\theta\right) \end{align} が区間 $ \left(-h,h\right)$ で共に存在するとき、 確率変数の列 $ \left\{X_n\right\}$ が確率変数 $X$ に分布収束する必要十分条件は、 すべての $\theta\in \left(-h,h\right)$ において、$\lim_{n\rightarrow\infty}{M_{X_n} \left(\theta\right)}=M_X \left(\theta\right)$ である。
確率収束と分布収束の関係
【定理】
確率収束と分布収束の関係
Relationship between Converge in Probability and Converge in Distribution
確率変数の列 \begin{align} \boldsymbol{X}_\boldsymbol{n}= \left\{X_1,X_2, \cdots ,X_n\right\} \end{align} について、 (i)$ \left\{X_n\right\}$ が確率変数 $X$ に確率収束するとき、$ \left\{X_n\right\}$ は $X$ に分布収束する \begin{align} X_n\xrightarrow[]{p}X\Rightarrow X_n\xrightarrow[]{d}X \end{align} (ii)$ \left\{X_n\right\}$ が定数 $a$ に分布収束するとき、$ \left\{X_n\right\}$ は $a$ に確率収束する \begin{align} X_n\xrightarrow[]{d}a\Rightarrow X_n\xrightarrow[]{p}a \end{align}
【定理】連続写像の定理(分布収束)
【定理】
連続写像の定理(分布収束)
Continuous Mapping Theorem
確率変数の列 \begin{align} \boldsymbol{X}_n= \left\{X_1,X_2, \cdots ,X_n\right\} \end{align} に関して、 関数 $g \left( \cdot \right)$ が連続な関数ならば、 \begin{align} X_n\xrightarrow[]{d}X\Rightarrow g \left(X_n\right)\xrightarrow[]{d}g \left(X\right) \end{align} が成り立つ。
2つの確率変数列の関数の確率収束
【定理】
2つの確率変数列の関数の確率収束
Convergence in Probability of Functions of Two Random Variables
2つの確率変数 $X,Y$ の列 \begin{align} \boldsymbol{X}_\boldsymbol{n}= \left\{X_1,X_2, \cdots ,X_n\right\} \quad \boldsymbol{Y}_\boldsymbol{n}= \left\{Y_1,Y_2, \cdots ,Y_n\right\} \end{align} について、 $ \left\{X_n\right\}$ が定数 $a \neq 0$ に確率収束し、$ \left\{Y_n\right\}$ が定数 $b$ に確率収束する、すなわち、 \begin{align} X_n\xrightarrow[]{p}a \quad Y_n\xrightarrow[]{p}b \end{align} のとき、 (i) \begin{align} X_n+Y_n\xrightarrow[]{p}a+bc \end{align} (ii) \begin{align} X_nY_n\xrightarrow[]{p}ab \end{align} (iii) \begin{align} \frac{1}{X_n}\xrightarrow[]{p}\frac{1}{a} \end{align} が成り立つ。
スラツキーの定理
【定理】
スラツキーの定理
Slutzky’s Theorem
2つの確率変数 $X,Y$ の列 \begin{align} \boldsymbol{X}_\boldsymbol{n}= \left\{X_1,X_2, \cdots ,X_n\right\} \quad \boldsymbol{Y}_\boldsymbol{n}= \left\{Y_1,Y_2, \cdots ,Y_n\right\} \end{align} と $c \neq 0$ を満たす任意の実数 $c$ について、 $ \left\{X_n\right\}$ が確率変数 $X$ に分布収束し、$ \left\{Y_n\right\}$ が $c$ に確率収束する、すなわち、 \begin{align} X_n\xrightarrow[]{d}X \quad Y_n\xrightarrow[]{p}c \end{align} のとき、 (i)和の漸近分布 \begin{align} X_n+Y_n\xrightarrow[]{d}X+c \end{align} (ii)積の漸近分布 \begin{align} X_nY_n\xrightarrow[]{d}cX \end{align} (iii)比の漸近分布 \begin{align} \frac{X_n}{Y_n}\xrightarrow[]{d}\frac{X}{c} \end{align} が成り立つ。
中心極限定理
【定理】
中心極限定理
Central Limit Theorem
平均と分散がそれぞれ $\mu$ と $\sigma^2$ である任意の母集団分布 $\mathrm{P} \left(\mu,\sigma^2\right)$ からの大きさ $n$ の無作為標本
\begin{align}
\boldsymbol{X}= \left\{X_1,X_2, \cdots ,X_n\right\}
\end{align}
について、
標本平均を標準化した値を
\begin{align}
Z=\frac{\sqrt n \left({\bar{X}}_n-\mu\right)}{\sigma}
\end{align}
とすると、
確率変数 $X_i \left(i=1,2, \cdots ,n\right)$ のモーメント母関数が存在し、3回微分可能
かつ
それが連続である
ならば、
標本平均を標準化した値は、標準正規分布 $\mathrm{N} \left(0,1\right)$ に分布収束する、すなわち、
\begin{align}
Z\xrightarrow[]{d}N \left(0,1\right)
\end{align}
が成り立つ。
参考文献
- 野田 一雄, 宮岡 悦良 著. 入門・演習数理統計. 共立出版, 1990, p.182-190
- 久保川 達也 著, 新井 仁之, 小林 俊行, 斎藤 毅, 吉田 朋広 編. 現代数理統計学の基礎. 共立出版, 2017, p.94-101
- 黒木 学 著. 数理統計学:統計的推論の基礎. 共立出版, 2020, p.130-140
0 件のコメント:
コメントを投稿