大数定律理解

概率论中的大数定律都发端于伯努利的工作。下面我们来回顾下这个问题：

假设袋中有 a 个白球， b 个黑球， p=aa+b 。有放回的从袋中抽球 N 次，记录抽到白球的次数为 X ，我们用 XN 去估计 p 。伯努利视图证明的就是：用 XN 去估计 p 的确定性——他称为道德确定性。确切的含义是：任意给定两个数 ?>0 和 η>0 ，总可以取足够大的抽取次数 N ，使事件 {|XN?p|>?} 的概率不超过 η 。这意思很显然： |XN?p|>? 表明估计误差未达到指定的接近程度（也就是小于允许的误差），这种情况发生的可能性可以随心所欲地小，但代价是加大 N 。

伯努利大数定律也可以这样来说：在多次相同的条件的重复试验中，频率有越接近一稳定值的趋势。也告诉了我们当实验次数很大时，可以用事件发生的频率来代替事件的概率。

从上面的叙述中我们就能知道大数定律中的“大数”是啥意思了——就是很大的数。英文名——law of large numbers 可能更容易理解。

在伯努利的基础上，后面的数学家不断发展和完善了大数定律：

(1) 棣莫弗—拉普拉斯定理
证明的是二项分布的极限分布是正态分布，也告诉了我们实际问题时可以用大样本近似处理

(2) 切比雪夫大数定律
在用标准差估计精度的时候用到，类似 6σ 那个规律。
由切比雪夫不等式P{|X-EX|<ε}>=1-DX/ε^2
可以导出区间(x± k σ)下的概率. K=2时. x± 2σ. 75%；K=3，89%；K=4，94%
切比雪夫大数定律是切比雪夫不等式的推论。

(3) 辛钦大数定律
需要独立同分布的条件。 切比雪夫大数定律只需相互独立分布。
　
(4) 中心极限定理
说明的是在一定条件下，大量独立随机变量的平均数是以正态分布为极限的。
而大数定律只是揭示了大量随机变量的平均结果，但没有涉及到随机变量的分布的问题。

(5) 列维-林德伯格定理 是中心极限定理的一种，就是独立同分布的中心极限定理

【免责声明】本站内容转载自互联网，其相关言论仅代表作者个人观点绝非权威，不代表本站立场。如您发现内容存在版权问题，请提交相关链接至邮箱：bqsm@foxmail.com，我们将及时予以处理。