Konvergenzarten

Folgen von Zufallsvariablen können in mehreren, nicht äquivalenten Sinnen konvergieren: fast sicher, stochastisch (in Wahrscheinlichkeit), im Mittel der Ordnung p und in Verteilung. Das Verständnis ihrer Hierarchie ist essenziell, um jedes Grenzwerttheorem präzise formulieren und beweisen zu können.

Definition

Konvergenzarten sind die verschiedenen Weisen, in denen eine Folge von Zufallsvariablen oder deren Verteilungen sich einem Grenzwert nähern kann, von der starken fast sicheren und mittleren Konvergenz der Variablen selbst bis zur schwachen Konvergenz ihrer Verteilungen.

Scope

Das Thema umfasst die fast sichere Konvergenz, die Konvergenz in Wahrscheinlichkeit, die Konvergenz im p-ten Mittel und die Konvergenz in Verteilung, die Implikationen und Gegenbeispiele, die sie miteinander in Beziehung setzen, die gleichmäßige Integrierbarkeit als Brücke zwischen Konvergenz in Wahrscheinlichkeit und im Mittel, die Portmanteau-Charakterisierung der schwachen Konvergenz sowie die Straffheit (Tightness) mit dem Satz von Prohorov für die relative Kompaktheit von Familien von Maßen.

Core questions

• Was sind die Hauptarten, in denen Zufallsvariablen konvergieren, und wie unterscheiden sie sich?
• Welche Konvergenzarten implizieren welche anderen, und wo versagen die Implikationen?
• Welche zusätzliche Bedingung wertet die Konvergenz in Wahrscheinlichkeit zur Konvergenz im Mittel auf?
• Wann besitzt eine Familie von Verteilungen eine konvergente Teilfolge?

Key concepts

• fast sichere Konvergenz
• Konvergenz in Wahrscheinlichkeit
• Konvergenz im Mittel
• schwache Konvergenz
• Straffheit (Tightness) und Satz von Prohorov

Key theories

Hierarchie der Konvergenzarten

Fast sichere Konvergenz und Konvergenz im p-ten Mittel implizieren jeweils die Konvergenz in Wahrscheinlichkeit, welche wiederum die Konvergenz in Verteilung impliziert, während die umgekehrten Implikationen im Allgemeinen nicht gelten. Die Arten bilden somit eine strikte Hierarchie mit Standard-Gegenbeispielen.

Portmanteau-Theorem

Die schwache Konvergenz von Wahrscheinlichkeitsmaßen ist äquivalent zu mehreren Bedingungen gleichzeitig, einschließlich der Konvergenz der Erwartungswerte von beschränkten stetigen Funktionen und der Konvergenz der Verteilungsfunktion an jedem Stetigkeitspunkt, was flexible Kriterien für den Nachweis der Konvergenz in Verteilung liefert.

Satz von Prohorov und Straffheit (Tightness)

Eine Familie von Wahrscheinlichkeitsmaßen ist genau dann relativ kompakt für schwache Konvergenz, wenn sie straff (tight) ist, was bedeutet, dass die Masse nicht ins Unendliche entweicht. Dies ist das Standardwerkzeug zur Extraktion konvergenter Teilfolgen bei der Untersuchung von Grenzwertsätzen und stochastischen Prozessen.

Clinical relevance

Präzise Konvergenzarten liegen den rigorosen Aussagen über Konsistenz und asymptotische Verteilung in der Statistik, der Konvergenz von Simulations- und Approximationsschemata sowie den funktionalen Grenzwertsätzen, wie Donskers Invarianzprinzip, zugrunde, die die Annäherung komplexer stochastischer Systeme durch die Brownsche Bewegung rechtfertigen.

History

Die sorgfältige Unterscheidung zwischen Konvergenzarten entstand mit den maßtheoretischen Grundlagen der Wahrscheinlichkeitstheorie. Die Theorie der schwachen Konvergenz von Maßen auf metrischen Räumen, mit Straffheit (Tightness) und Prohorovs Kompaktheitskriterium, wurde Mitte des 20. Jahrhunderts von Prohorov und Billingsley systematisiert, um Grenzwertsätze für stochastische Prozesse zu untermauern.

Key figures

• Patrick Billingsley
• Yuri Prohorov
• Aleksandr Khinchin

Seminal works

• billingsley1999convergence

Frequently asked questions

Warum so viele Arten von Konvergenz unterscheiden?

Verschiedene Grenzwertsätze führen naturgemäß zu unterschiedlichen Konvergenzarten; das Gesetz der großen Zahlen liefert fast sichere Konvergenz, der zentrale Grenzwertsatz liefert Konvergenz in Verteilung, und Schlussfolgerungen über Mittelwerte der Variablen erfordern Konvergenz im Mittel. Daher ist die präzise Art entscheidend dafür, was gefolgert werden kann.

Was ist Straffheit (Tightness)?

Eine Familie von Verteilungen ist straff (tight), wenn für jedes erforderliche Niveau ein einzelnes kompaktes Set mindestens so viel Wahrscheinlichkeit für jedes Mitglied der Familie trägt; Straffheit verhindert, dass Wahrscheinlichkeitsmasse ins Unendliche entweicht, und ist genau die Bedingung, die Prohorovs Theorem für schwache Kompaktheit benötigt.