Сходимость случайных величин
В теории вероятностей существует несколько различных понятий сходимости последовательностей случайных величин , включая сходимость по вероятности , сходимость по распределению и почти наверняка сходимость . Различные понятия конвергенции отражают разные свойства последовательности, причем некоторые понятия конвергенции сильнее других. Например, сходимость распределения говорит нам о предельном распределении последовательности случайных величин. Это более слабое понятие, чем сходимость по вероятности, которая говорит нам о значении, которое примет случайная величина, а не только о распределении.
Эта концепция важна в теории вероятностей и ее приложениях к статистике и случайным процессам . Те же концепции известны в более общей математике как стохастическая конвергенция , и они формализуют идею о том, что некоторые свойства последовательности по существу случайных или непредсказуемых событий иногда могут привести к поведению, которое по существу остается неизменным, когда элементы находятся достаточно далеко в последовательности. изучаются. Различные возможные понятия конвергенции связаны с тем, как можно охарактеризовать такое поведение: два легко понятных поведения заключаются в том, что последовательность в конечном итоге принимает постоянное значение и что значения в последовательности продолжают меняться, но могут быть описаны неизменным распределением вероятностей.
Фон
[ редактировать ]«Стохастическая конвергенция» формализует идею о том, что иногда можно ожидать, что последовательность по существу случайных или непредсказуемых событий превратится в закономерность. Например, шаблон может быть
- Сходимость в классическом смысле к фиксированному значению, возможно, сама по себе являющаяся результатом случайного события.
- Растущее сходство результатов с тем, что могла бы дать чисто детерминированная функция.
- Растущее предпочтение определенного результата
- Растущее «отвращение» к отклонению далеко от определенного результата.
- Что распределение вероятностей, описывающее следующий результат, может становиться все более похожим на определенное распределение.
Можно выделить некоторые менее очевидные, но более теоретические закономерности.
- Что ряд, сформированный путем расчета ожидаемого значения расстояния результата от определенного значения, может сходиться к 0.
- Что дисперсия случайной величины, описывающей следующее событие, становится все меньше и меньше.
Эти другие типы моделей, которые могут возникнуть, отражены в различных типах стохастической конвергенции, которые были изучены.
Хотя приведенное выше обсуждение относилось к сходимости одного ряда к предельному значению, понятие сходимости двух рядов друг к другу также важно, но с этим легко справиться, изучая последовательность, определяемую либо как разность, либо как отношение из двух серий.
Например, если среднее значение n независимых случайных величин Y i , i = 1, ..., n , имеющих одинаковое конечное среднее значение и дисперсию , определяется выражением
тогда, когда n стремится к бесконечности, X n сходится по вероятности (см. ниже) к общему среднему значению µ случайных величин Y i . Этот результат известен как слабый закон больших чисел . Другие формы сходимости важны и в других полезных теоремах, включая центральную предельную теорему .
В дальнейшем мы предполагаем, что ( X n ) — последовательность случайных величин, а X — случайная величина, и все они определены в одном и том же вероятностном пространстве. .
Конвергенция в распределении
[ редактировать ]Фабрика кубиков | |
---|---|
Предположим, только что была построена новая фабрика по производству игральных костей. Первые несколько кубиков получаются довольно необъективными из-за несовершенства производственного процесса. Результат от бросания любого из них будет следовать распределению, заметно отличающемуся от желаемого равномерного распределения . По мере совершенствования фабрики игральные кости становятся все менее и менее загруженными, и результаты броска только что изготовленной игральной кости будут все более и более точно соответствовать равномерному распределению. | |
Бросание монет | |
Пусть X n — доля орлов после подбрасывания несмещенной монеты n раз. Тогда X 1 имеет распределение Бернулли с математическим ожиданием µ = 0,5 и дисперсией σ 2 = 0,25 . Последующие случайные величины X 2 , X 3 , ... будут распределены биномиально . По мере увеличения n это распределение постепенно начнет приобретать форму, все более и более похожую на колоколообразную кривую нормального распределения. Если мы соответствующим образом сдвинем и масштабируем X n , то будет сходиться по распределению к стандартному нормальному результату, который следует из знаменитой центральной предельной теоремы . | |
Графический пример | |
Предположим, { X i } — iid- последовательность равномерных U (−1, 1) случайных величин. Позволять быть их (нормализованными) суммами. Тогда согласно центральной предельной теореме распределение Zn N нормальному приближается к (0, 1 / 3 ) распределение. Эта сходимость показана на рисунке: по мере увеличения n форма функции плотности вероятности все ближе и ближе приближается к кривой Гаусса. |
Грубо говоря, при таком способе конвергенции мы все чаще ожидаем увидеть следующий результат в последовательности случайных экспериментов, который все лучше и лучше моделируется заданным распределением вероятностей . Точнее, распределение связанной случайной величины в последовательности становится сколь угодно близким к заданному фиксированному распределению.
Конвергенция в распределении — это самая слабая форма конвергенции, которая обычно обсуждается, поскольку она подразумевается всеми другими типами конвергенции, упомянутыми в этой статье. Однако на практике очень часто используется конвергенция распределения; чаще всего оно возникает в результате применения центральной предельной теоремы .
Определение
[ редактировать ]Последовательность действительных случайных величин с кумулятивными функциями распределения Говорят, что сходится по распределению , или сходится слабо , или сходится по закону к случайной величине X с кумулятивной функцией распределения F , если
за каждое число при F непрерывно котором .
Требование, чтобы только точки непрерывности F, учитывались является существенным. Например, если X n распределены равномерно на интервалах (0, 1 / n ) , то эта последовательность сходится по распределению к вырожденной случайной величине X = 0 . Действительно, F n ( x ) = 0 для всех n, когда x ≤ 0 , и F n ( x ) = 1 для всех x ≥ 1 / n когда n > 0 . Однако для этой предельной случайной величины F (0)=1 , хотя Fn ( 0)=0 для всех n . Таким образом, сходимость cdfs не удается в точке x = 0 , где F разрывна.
Сходимость в распределении можно обозначить как
( 1 ) |
где – это закон (распределение вероятностей) X . Например, если X является стандартным нормальным, мы можем написать .
Для случайных векторов { X 1 , X 2 , ...} ⊂ R к сходимость по распределению определяется аналогично. Будем говорить, что эта последовательность сходится по распределению к случайному k -вектору X, если
для любого A ⊂ R к которое является непрерывности множеством X .
Определение сходимости распределения может быть расширено от случайных векторов до более общих случайных элементов в произвольных метрических пространствах и даже до «случайных величин», которые не поддаются измерению — ситуация, которая возникает, например, при изучении эмпирических процессов . Это «слабая сходимость законов без определения законов» — за исключением асимптотики. [1]
В этом случае термин слабая сходимость предпочтительнее (см. слабая сходимость мер ), и мы говорим, что последовательность случайных элементов { X n } слабо сходится к X (обозначается как X n ⇒ X ), если
для всех непрерывных ограниченных функций h . [2] Здесь E* обозначает внешнее ожидание , то есть ожидание «наименьшей измеримой функции g , которая доминирует над h ( X n ) ».
Характеристики
[ редактировать ]- С Сходимость распределения означает, что вероятность того, что X n окажется в заданном диапазоне, примерно равна вероятности того, что значение X находится в этом диапазоне, при условии, что достаточно n велико .
- В общем, сходимость распределения не означает, что последовательность соответствующих функций плотности вероятности также будет сходиться. В качестве примера можно рассмотреть случайные величины с плотностью f n ( x ) = (1 + cos(2 πnx )) 1 (0,1) . Эти случайные величины сходятся по распределению к равномерному U (0,1), тогда как их плотности вообще не сходятся. [3]
- Однако, согласно теореме Шеффе , сходимость функций плотности вероятности влечет за собой сходимость по распределению. [4]
- Лемма о портманто дает несколько эквивалентных определений сходимости распределения. Хотя эти определения менее интуитивны, они используются для доказательства ряда статистических теорем. Лемма утверждает, что { X n } сходится по распределению к X тогда и только тогда, когда верно любое из следующих утверждений: [5]
- для всех точек непрерывности ;
- для всех непрерывных ограниченных функций (где обозначает оператор ожидаемого значения );
- для всех ограниченных липшицевых функций ;
- для всех неотрицательных непрерывных функций ;
- за каждый открытый набор ;
- за каждое закрытое множество ;
- для всех множеств непрерывности случайной величины ;
- для каждой полунепрерывной сверху функции ограничен сверху; [ нужна ссылка ]
- для каждой полунепрерывной снизу функции ограничено снизу. [ нужна ссылка ]
- Теорема отображении утверждает, что для непрерывной функции g , если последовательность { Xn } о непрерывном сходится по распределению к X , то { g ( Xn ) } сходится по распределению к g ( X ) .
- Однако обратите внимание, что сходимость в распределении { X n } к X и { Y n } к Y , как правило, не подразумевает сходимость в распределении { X n + Y n } к X + Y или { X n Y n } к XY. .
- Теорема Леви о непрерывности : последовательность { X n } сходится по распределению к X только тогда, когда последовательность соответствующих характеристических функций { φ n } сходится поточечно к характеристической функции φ X тогда и .
- Сходимость по распределению метризуется метрикой Леви–Прохорова .
- Естественным звеном сходимости в распределении является теорема о представлении Скорохода .
Сходимость по вероятности
[ редактировать ]Рост человека | |
---|---|
Рассмотрим следующий эксперимент. Сначала выберите случайного человека на улице. Пусть X — их высота, которая является случайной величиной. Затем попросите других людей оценить эту высоту на глаз. Пусть X n будет средним значением первых n ответов. Тогда (при отсутствии систематической ошибки ) по закону больших чисел последовательность Xn вероятности к случайной величине X. будет сходиться по | |
Прогнозирование генерации случайных чисел | |
Предположим, что генератор случайных чисел генерирует псевдослучайное число с плавающей запятой от 0 до 1. Пусть случайная величина X представляет распределение возможных выходных данных алгоритма. Поскольку псевдослучайное число генерируется детерминировано, его следующее значение не является действительно случайным. Предположим, что, наблюдая за последовательностью случайно сгенерированных чисел, вы можете вывести закономерность и делать все более точные прогнозы относительно того, каким будет следующее случайно сгенерированное число. Пусть X n будет вашим предположением о значении следующего случайного числа после наблюдения первых n случайных чисел. По мере того, как вы изучаете закономерность и ваши предположения становятся более точными, не только распределение X n будет сходиться к распределению X , но и результаты X n будут сходиться к результатам X . |
Основная идея этого типа конвергенции заключается в том, что вероятность «необычного» результата становится все меньше и меньше по мере развития последовательности.
Понятие сходимости по вероятности очень часто используется в статистике. Например, оценщик называется непротиворечивым , если он сходится по вероятности к оцениваемой величине. Сходимость по вероятности — это также тип сходимости, устанавливаемый слабым законом больших чисел .
Определение
[ редактировать ]Последовательность { X n } случайных величин сходится по вероятности к случайной величине X, если для всех ε > 0
Более подробно, пусть P n ( ε ) будет вероятностью того, что X n находится вне шара радиуса ε с центром в X . Тогда X n говорят, что сходится по вероятности к X для любого ε > 0 и любого δ > 0 существует число N (которое может зависеть от ε и δ ) такое, что для всех n ≥ N , Pn если ( ε ) < δ (определение предела).
Обратите внимание, что для того, чтобы условие было удовлетворено, невозможно, чтобы для каждого n случайные величины X и X n были независимыми (и, таким образом, сходимость по вероятности является условием для совместных функций распределения функций, в отличие от сходимости по распределению, которая является условие на отдельные функции распределения функций), если только X не является детерминированным, как в случае со слабым законом больших чисел. В то же время случай детерминированного X не может быть обработан методом сходимости в распределении, когда детерминированное значение является точкой разрыва (не изолированной), когда точки разрыва должны быть явно исключены.
Сходимость по вероятности обозначается добавлением буквы p над стрелкой, указывающей на сходимость, или использованием оператора ограничения вероятности «plim»:
( 2 ) |
Для случайных элементов { Xn сепарабельном } в метрическом пространстве ( S , d ) сходимость по вероятности определяется аналогично формуле [6]
Характеристики
[ редактировать ]- Сходимость по вероятности подразумевает сходимость по распределению. [доказательство]
- В противоположном направлении сходимость распределения подразумевает сходимость вероятности, когда предельная случайная величина X является константой. [доказательство]
- Сходимость по вероятности не означает почти стопроцентной сходимости. [доказательство]
- Теорема о непрерывном отображении утверждает, что для каждой непрерывной функции , если , тогда также .
- Сходимость по вероятности определяет топологию пространства случайных величин над фиксированным вероятностным пространством. Эта топология метризуема метрикой Фаня Кай : [7] или попеременно по этой метрике
Контрпримеры
[ редактировать ]Не каждая последовательность случайных величин, которая сходится к другой случайной величине в распределении, также сходится по вероятности к этой случайной величине. В качестве примера рассмотрим последовательность стандартных нормальных случайных величин. и вторая последовательность . Обратите внимание, что распределение равно распределению для всех , но:
который не сходится к . Таким образом, у нас нет сходимости по вероятности.
Почти уверенная конвергенция
[ редактировать ]Пример 1 | |
---|---|
Рассмотрим животное одного из недолговечных видов. Записываем количество еды, которое потребляет это животное за день. Эта последовательность чисел будет непредсказуемой, но мы можем быть совершенно уверены , что однажды число станет нулевым и останется нулевым навсегда. | |
Пример 2 | |
Представьте себе человека, который каждое утро подбрасывает семь монет. Каждый день он жертвует один фунт на благотворительность за каждую появившуюся голову. В первый раз результат — все решка, однако он остановится навсегда. Пусть X 1 , X 2 , … будут ежедневными суммами благотворительности, получаемой от него. Мы можем быть почти уверены , что однажды эта сумма станет нулевой и после этого останется нулевой навсегда. Однако, когда мы рассматриваем любое конечное число дней, существует ненулевая вероятность того, что завершающее условие не наступит. |
Это тип стохастической сходимости, который наиболее похож на поточечную сходимость, известную из элементарного вещественного анализа .
Определение
[ редактировать ]Сказать, что последовательность X n сходится почти наверняка или почти всюду , или с вероятностью 1 , или сильно к X, означает, что
Это означает, что значения X n приближаются к значению X в том смысле, что события, для которых X n не сходится к X, имеют вероятность 0 (см. Почти наверняка ). Использование вероятностного пространства и понятие случайной величины как функции от Ω до R , это эквивалентно утверждению
Используя понятие верхнего предела последовательности множеств , сходимость почти наверняка также можно определить следующим образом:
Почти уверенную конвергенцию часто обозначают добавлением букв над стрелкой, обозначающей конвергенцию:
( 3 ) |
Для общих случайных элементов { X n } в метрическом пространстве , сходимость почти наверняка определяется аналогично:
Характеристики
[ редактировать ]- Почти уверенная сходимость подразумевает сходимость по вероятности (по лемме Фату ) и, следовательно, подразумевает сходимость по распределению. Это понятие сходимости используется в усиленном законе больших чисел .
- Концепция почти наверняка сходимости исходит не из топологии пространства случайных величин. Это означает, что в пространстве случайных величин не существует топологии, в которой почти наверняка сходящиеся последовательности являются в точности сходящимися последовательностями относительно этой топологии. В частности, не существует метрики почти наверняка сходимости.
Уверенная сходимость или поточечная сходимость
[ редактировать ]Сказать, что последовательность случайных величин ( X n ), определенная в одном и том же вероятностном пространстве (т. е. случайный процесс ), сходится наверняка или всюду , или поточечно к X , означает
где Ω — это выборочное пространство основного вероятностного пространства, в котором определяются случайные величины.
Это понятие поточечной сходимости последовательности функций, расширенной до последовательности случайных величин . (Обратите внимание, что случайные величины сами по себе являются функциями).
нет никакой выгоды Надежная сходимость случайной величины подразумевает все остальные виды сходимости, указанные выше, но в теории вероятностей от использования уверенной сходимости по сравнению с использованием почти наверняка сходимости. Разница между ними существует только на множествах с нулевой вероятностью. Вот почему концепция уверенной сходимости случайных величин используется очень редко.
Контрпримеры
[ редактировать ]Рассмотрим последовательность независимых случайных величин таких, что и . Для у нас есть который сходится к следовательно в вероятности.
С и события независимы, вторая лемма Бореля Кантелли гарантирует, что отсюда последовательность не сходится к почти всюду (фактически множество, на котором эта последовательность не сходится к имеет вероятность ).
Сходимость в среднем
[ редактировать ]Для действительного числа r ≥ 1 мы говорим, что последовательность X n сходится в r -м среднем (или в L р -норма ) в сторону случайной величины X , если r -ые абсолютные моменты (| Х н | р ) и (| Х | р ) X n и X существуют, и
где оператор E обозначает ожидаемое значение . Сходимость в r -м среднем говорит нам, что ожидание r -й степени разницы между и сходится к нулю.
Этот тип сходимости часто обозначается добавлением буквы L р над стрелкой, указывающей на сходимость:
( 4 ) |
Наиболее важными случаями сходимости в r -м среднем являются:
- Когда X n сходится в r -м среднем к X для r = 1, мы говорим, что X n сходится в среднем к X .
- Когда X n сходится в r -м среднем к X для r = 2, мы говорим, что X n сходится в среднеквадратическом (или в среднем квадратичном ) к X .
Сходимость в r -м среднем, при r ≥ 1, влечет за собой сходимость по вероятности (по неравенству Маркова ). Более того, если r > s ≥ 1, сходимость в r -м среднем влечет за собой сходимость в s -м среднем. Следовательно, сходимость в среднем квадратическом подразумевает сходимость в среднем.
Кроме того,
Обратное не обязательно верно, однако оно верно, если (по более общей версии леммы Шеффе ).
Характеристики
[ редактировать ]При условии, что вероятностное пространство полно :
- Если и , затем почти наверняка .
- Если и , затем почти наверняка.
- Если и , затем почти наверняка.
- Если и , затем (для любых действительных чисел a и b ) и .
- Если и , затем (для любых действительных чисел a и b ) и .
- Если и , затем (для любых действительных чисел a и b ).
- Ни одно из приведенных выше утверждений не верно для конвергенции распределения.
Цепочка следствий между различными понятиями конвергенции отмечена в соответствующих разделах. Они, используя обозначения стрелок:
Эти свойства вместе с рядом других особых случаев сведены в следующий список:
- Почти уверенная сходимость подразумевает сходимость по вероятности: [8] [доказательство]
- Сходимость по вероятности означает, что существует подпоследовательность которое почти наверняка сходится: [9]
- Сходимость по вероятности подразумевает сходимость по распределению: [8] [доказательство]
- Сходимость в среднем r -го порядка подразумевает сходимость по вероятности:
- Сходимость в среднем r -го порядка подразумевает сходимость в среднем более низком порядке, предполагая, что оба порядка больше или равны единице:
- при условии r ≥ s ≥ 1.
- Если X n сходится по распределению к константе c , то X n сходится по вероятности к c : [8] [доказательство]
- при условии, что c является константой.
- Если X n сходится по распределению к X и разность между X n и Y n сходится по вероятности к нулю, то Y n также сходится по распределению к X : [8] [доказательство]
- Если X n сходится по распределению к X , а Y n сходится по распределению к константе c , то совместный вектор ( X n , Y n ) сходится по распределению к : [8] [доказательство]
- при условии, что c является константой.
- Обратите внимание, что условие сходимости Y n к константе важно: если бы оно сходилось к случайной величине Y , мы бы не смогли заключить, что ( X n , Y n ) сходится к .
- Если X n сходится по вероятности к X , а Y n сходится по вероятности к Y , то совместный вектор ( X n , Y n ) сходится по вероятности к ( X , Y ) : [8] [доказательство]
- Если X n сходится по вероятности к X , и если P (| X n | ≤ b ) = 1 для всех n и некоторого b , то X n сходится в r- м среднем к X для всех r ≥ 1 . Другими словами, если X n сходится по вероятности к X и все случайные величины X n почти наверняка ограничены сверху и снизу, то X n сходится к X также в любом r -м среднем. [10]
- Почти наверняка представление . Обычно конвергенция в распределении почти наверняка не означает конвергенции. Однако для данной последовательности { Xn } , которая сходится по распределению к X0 , всегда можно найти новое вероятностное пространство (Ω, = 0 , , 1 F, P) и случайные величины {Yn, n ... } определенное на нем такое, что Y n равно по распределению X n для каждого n ≥ 0 и Y n сходится к Y 0 почти наверняка. [11] [12]
- Если для всех ε > 0,
- мы говорим, что сходится Xn почти полностью или почти по вероятности к X. тогда Когда X n почти полностью сходится к X , то оно также почти наверняка сходится к X . Другими словами, если Xn ε достаточно быстро сходится по вероятности к X выше последовательность хвостовых вероятностей суммируема для всех > 0 ), то также Xn почти наверняка сходится к X. (т.е. приведенная Это прямое следствие леммы Бореля – Кантелли .
- Если S n представляет собой сумму n действительных независимых случайных величин:
- тогда Sn Sn сходится почти наверняка тогда и только тогда, когда по сходится вероятности.
- Теорема о доминируемой сходимости дает достаточные условия для почти наверняка сходимости, из которых следует, что L 1 -схождение:
( 5 ) |
- Необходимое и достаточное условие для L 1 конвергенция последовательность ( Xn и ) равномерно интегрируема .
- Если , следующие действия эквивалентны [13]
- ,
- ,
- является равномерно интегрируемым .
- Если дискретны и независимы, то подразумевает, что . Это следствие второй леммы Бореля–Кантелли .
См. также
[ редактировать ]- Доказательства сходимости случайных величин
- Сближение мер
- Сходимость по мере
- Непрерывный случайный процесс : вопрос непрерывности случайного процесса по сути является вопросом конвергенции, и многие из тех же концепций и отношений, которые использовались выше, применимы к вопросу о непрерывности.
- Асимптотическое распределение
- Большое О в обозначениях вероятности
- Теорема о представлении Скорохода
- Теорема о сходимости Твиди
- Теорема Слуцкого
- Теорема о непрерывном отображении
Примечания
[ редактировать ]- ^ Бикель и др. 1998 , А.8, стр. 475
- ^ ван дер Ваарт и Веллнер 1996 , с. 4
- ^ Романо и Сигел 1985 , Пример 5.26.
- ^ Дарретт, Рик (2010). Вероятность: теория и примеры . п. 84.
- ^ ван дер Ваарт 1998 , Лемма 2.2.
- ^ Дадли 2002 , Глава 9.2, стр. 287.
- ^ Дадли 2002 , с. 289
- ^ Перейти обратно: а б с д и ж ван дер Ваарт 1998 , Теорема 2.7.
- ^ Гут, Аллан (2005). Вероятность: Аспирантура . Теорема 3.4: Спрингер. ISBN 978-0-387-22833-4 .
{{cite book}}
: CS1 maint: местоположение ( ссылка ) - ^ Гримметт и Стирзакер 2020 , с. 354
- ^ ван дер Ваарт 1998 , Th.2.19
- ^ Фристедт и Грей 1997 , Теорема 14.5.
- ^ «реальный анализ - обобщение леммы Шеффе с использованием только сходимости по вероятности» . Математический обмен стеками . Проверено 12 марта 2022 г.
Ссылки
[ редактировать ]- Бикель, Питер Дж.; Клаассен, Крис Эй Джей; Ритов, Яаков; Веллнер, Джон А. (1998). Эффективное и адаптивное оценивание полупараметрических моделей . Нью-Йорк: Springer-Verlag. ISBN 978-0-387-98473-5 .
- Биллингсли, Патрик (1986). Вероятность и мера . Серия Уайли по вероятности и математической статистике (2-е изд.). Уайли.
- Биллингсли, Патрик (1999). Сходимость вероятностных мер (2-е изд.). Джон Уайли и сыновья. стр. 1–28 . ISBN 978-0-471-19745-4 .
- Дадли, РМ (2002). Реальный анализ и вероятность . Кембридж, Великобритания: Издательство Кембриджского университета. ISBN 978-0-521-80972-6 .
- Фристедт, Берт; Грей, Лоуренс (1997). Современный подход к теории вероятностей . Нью-Йорк: Springer Science + Business Media. дои : 10.1007/978-1-4899-2837-5 . ISBN 978-1-4899-2837-5 .
- Гримметт, Греция; Стирзакер, Д.Р. (1992). Вероятность и случайные процессы (2-е изд.). Кларендон Пресс, Оксфорд. стр. 271–285. ISBN 978-0-19-853665-9 .
- Якобсен, М. (1992). Расширенная теория вероятностей (3-е изд.). Печать HCØ, Копенгаген. стр. 18–20. ISBN 978-87-91180-71-2 .
- Леду, Мишель; Талагранд, Мишель (1991). Вероятность в банаховых пространствах . Берлин: Springer-Verlag. стр. xii+480. ISBN 978-3-540-52013-9 . МР 1102015 .
- Романо, Джозеф П.; Сигел, Эндрю Ф. (1985). Контрпримеры в теории вероятности и статистике . Великобритания: Чепмен и Холл. ISBN 978-0-412-98901-8 .
- Гриммет, Джеффри Р.; Стирзакер, Дэвид Р. (2020). Вероятность и случайные процессы (4-е изд.). Издательство Оксфордского университета. ISBN 978-0-198-84760-1 .
- ван дер Ваарт, Аад В .; Веллнер, Джон А. (1996). Слабая сходимость и эмпирические процессы . Нью-Йорк: Springer-Verlag. ISBN 978-0-387-94640-5 .
- ван дер Ваарт, Аад В. (1998). Асимптотическая статистика . Нью-Йорк: Издательство Кембриджского университета. ISBN 978-0-521-49603-2 .
- Уильямс, Д. (1991). Вероятность с Мартингалами . Издательство Кембриджского университета. ISBN 978-0-521-40605-5 .
- Вонг, Э.; Гаек, Б. (1985). Случайные процессы в технических системах . Нью-Йорк: Спрингер-Верлаг.
- Зиткович, Гордан (17 ноября 2013 г.). «Лекция 7: Слабая сходимость» (PDF) .
Эта статья включает в себя материал из статьи Citizendium « Стохастическая конвергенция », которая лицензируется по лицензии Creative Commons Attribution-ShareAlike 3.0 Unported , но не по GFDL .