关于泊松分布样本构造序列的依概率收敛证明及思路验证问询

嘿，我来帮你捋清楚这个问题哈！你提到想用弱大数定律（WLLN）通过计算$E(X_n)$和$Var(X_n)$来证明，这个思路其实可行但有点绕，咱们先讲更直接顺畅的方法，再回头验证你的思路：

一、更简洁的证明路径：弱大数定律 + 连续映射定理 #

首先明确已知条件：

• $Y_1,Y_2,...,Y_n$是独立同分布的泊松随机变量，每个的均值$E(Y_i)=\lambda$，方差$Var(Y_i)=\lambda$
• 目标是证明$X_n = \exp\left(-\frac{1}{n}\sum_{i=1}^n Y_i\right)$依概率收敛到$\exp(-\lambda)=P(Y=0)$

步骤1：用弱大数定律处理样本均值 #

根据弱大数定律，对于独立同分布且期望有限的随机变量序列，样本均值$\bar{Y}n = \frac{1}{n}\sum{i=1}^n Y_i$依概率收敛到其期望$\lambda$，即：

对任意$\epsilon>0$，$\lim_{n\rightarrow\infty} P(|\bar{Y}_n - \lambda| < \epsilon) = 1$

步骤2：结合连续映射定理推导结论 #

观察$X_n$的形式，它是样本均值$\bar{Y}_n$的函数：$X_n = f(\bar{Y}_n)$，其中$f(y) = \exp(-y)$。
题目里也提示了连续函数的定义，而$f(y)=\exp(-y)$在整个实数域上都是连续的，自然在$y=\lambda$处也连续。

根据连续映射定理：若随机序列$Z_n$依概率收敛到常数$c$，且函数$f$在$c$处连续，则$f(Z_n)$依概率收敛到$f(c)$。

这里$Z_n=\bar{Y}_n$依概率收敛到$\lambda$，代入后可得：
$f(\bar{Y}_n) = \exp(-\bar{Y}_n) = X_n$ 依概率收敛到 $f(\lambda)=\exp(-\lambda)$
而泊松分布中$P(Y=0)=\frac{\lambda^0 e^{-\lambda}}{0!}=\exp(-\lambda)$，正好匹配目标结论。

二、验证你最初的思路：通过$E(X_n)$和$Var(X_n)$结合切比雪夫不等式 #

这个路径虽然绕，但确实也能证明，咱们一步步算：

步骤1：计算$E(X_n)$的极限 #

因为$Y_i$独立，所以：
$$
E(X_n)=E\left[\exp\left(-\frac{1}{n}\sum_{i=1}^n Y_i\right)\right] = \prod_{i=1}^n E\left[\exp\left(-\frac{Y_i}{n}\right)\right]
$$
泊松随机变量的矩生成函数为$M_{Y_i}(t)=E[e^{{tY_i}]=\exp(\lambda(e}t-1))$，代入$t=-\frac{1}{n}$得：
$$
E\left[\exp\left(-\frac{Y_i}{n}\right)\right]=\exp\left(\lambda\left(e^{-1/n}-1\right)\right)
$$
因此：
$$
E(X_n)=\left[\exp\left(\lambda\left(e^{{-1/n}-1\right)\right)\right]}n=\exp\left(n\lambda\left(e^{-1/n}-1\right)\right)
$$
当$n\rightarrow\infty$时，利用泰勒展开$e^{{-1/n}\approx1-\frac{1}{n}+\frac{1}{2n}2}-\dots$，可得$n(e^{-1/n}-1)\approx-1$，所以：
$$
\lim_{n\rightarrow\infty}E(X_n)=\exp(-\lambda)
$$

步骤2：计算$Var(X_n)$的极限 #

方差公式为$Var(X_n)=E(X_n^2)-[E(X_n)]2$，先算$E(X_n^2)$：
$$
E(X_n^{2)=\prod_{i=1}}n E\left[\exp\left(-\frac{2Y_i}{n}\right)\right]=\exp\left(n\lambda\left(e^{-2/n}-1\right)\right)
$$
同样用泰勒展开，$n(e^{{-2/n}-1)\approx-2$，所以$\lim_{n\rightarrow\infty}E(X_n}2)=\exp(-2\lambda)$，进而：
$$
\lim_{n\rightarrow\infty}Var(X_n)=\exp(-2\lambda)-[\exp(-\lambda)]^2=0
$$

步骤3：用切比雪夫不等式推导依概率收敛 #

根据切比雪夫不等式，对任意$\epsilon>0$：
$$
P(|X_n - E(X_n)| \geq \epsilon) \leq \frac{Var(X_n)}{\epsilon^2}
$$
当$n\rightarrow\infty$时，右边趋近于0，因此$X_n$依概率收敛到$\lim_{n\rightarrow\infty}E(X_n)=\exp(-\lambda)$，同样得到结论。

备注：内容来源于stack exchange，提问作者john22445