目标:求函数 f ( x ) f(x) f(x) 在范围 [a, b] 内的定积分 ∫ a b f ( x ) \int^b_a{f(x)} ∫abf(x)
大数定律
大数定律告诉我们,当样本容量足够大时,样本总体的均值,收敛于样本的期望,即 E [ X ] = lim N → ∞ 1 N ∑ i = 1 N X i E_{[X]}=\lim\limits_{N\to\infty}{1 \over N}\sum^N_{i=1}X_i E[X]=N→∞limN1∑i=1NXi。
对于一个函数有,可以写成如下的形式:
E [ f ( x ) ] = lim N → ∞ 1 N ∑ i = 1 N f ( x i ) E_{[f(x)]}=\lim\limits_{N\to\infty}{1 \over N}\sum^N_{i=1}f(x_i) E[f(x)]=N→∞limN1i=1∑Nf(xi)
将定积分 ∫ a b f ( x ) \int^b_a{f(x)} ∫abf(x) 拆解成期望形式
概率在 [a, b] 区间均匀分布,有: ∫ a b f ( x ) = ( b − a ) ∫ a b f ( x ) 1 b − a d x \int^b_a{f(x)}=(b-a)\int^b_a{{f(x)} {1 \over{b-a}} }dx ∫abf(x)=(b−a)∫abf(x)b−a1dx。
1 b − a 1 \over{b-a} b−a1 不就是样本的概率,所以每一个采样点 f ( x ) f(x) f(x) 与 1 b − a 1 \over{b-a} b−a1 的成绩算出来,就是样本的期望
所以, ∫ a b f ( x ) \int^b_a{f(x)} ∫abf(x) 就可以标称成样本的期望形式: ∫ a b f ( x ) = ( b − a ) E [ f ( x ) ] \int^b_a{f(x)}=(b-a)E_{[f(x)]} ∫abf(x)=(b−a)E[f(x)]
结合大数定律
结合样本期望形式,有
∫ a b f ( x ) d x = ( b − a ) lim N → ∞ 1 N ∑ i = 1 N f ( x i ) \int^b_a{f(x)}dx=(b-a)\lim\limits_{N\to\infty}{1 \over N}\sum^N_{i=1}f(x_i) ∫abf(x)dx=(b−a)N→∞limN1i=1∑Nf(xi)
写得简单点,写成约等于的形式,有
∫ a b f ( x ) d x ≈ ( b − a ) N ∑ i = 1 N f ( x i ) \int^b_a{f(x)}dx\approx{(b-a) \over N}\sum^N_{i=1}f(x_i) ∫abf(x)dx≈N(b−a)i=1∑Nf(xi)
样本数量越多(N越大),越准确