Intuition from some examples
给定一个随机变量 X X X满足某种分布, 我们可以通过sample它得到其mean or variance. 假设sample了 N N N个点, 那sample mean
X ‾ = 1 N ∑ n = 1 N X n \overline{X}=\frac{1}{N}\sum_{n=1}^N X_n X=N1n=1∑NXn
随着 N N N的增加, X ‾ \overline{X} X应该越来越趋近于真实的mean E [ X ] \mathbb{E}[X] E[X] 最终相等. 但是simulation results indicate otherwise.
例1: Bernoulli distribution X ∼ B e r n o u l l i ( p = 0.6 ) X\sim Bernoulli(p=0.6) X∼Bernoulli(p=0.6), 随着N的增大,sample mean的curve如下图所示
可以看到, 最终的mean确实好像是收敛到了 p = 0.6 p=0.6 p=0.6. 但是如果我们放大来看的话会发现, 这条曲线实际上在抖动,就是说他并不是converge到一个点的.
例2: Gaussian distribution X ∼ N ( 0 , 1 ) X\sim N(0,1) X∼N(0,1), sample mean的curve
可以看到, 1 0 6 10^6 106之后sample mean仍在抖动. 虽然抖动的很小, 但至少不是想象中的converge to a single point.
以上simulation表示, sample mean 收敛不到 population mean (i.e., 真