(今天继续努力学习!使劲学!)
目录
这两个定理是概率论中非常重要的定理,在理论研究和应用中起着非常重要的作用。极限的引入可以让我们衍生到大量数据当中,以便我们在海量数据中分析数据的特征。
一、大数定律
1. 弱大数定理(辛钦大数定律)
若一组随机变量服从统一分布,且有数学期望μ,作前n个变量的算术平均,则对一任意小的数,大于零,满足算术平均依概率收敛与μ
这是一个随机事件,弱大数定理告诉我我们,对于独立同分布、具有数学期望的一组随机变量,当n很大时,它们的算术平均很可能接近于该组随机变量的数学期望。
2. 辛钦大数定律的推论-->伯努利大数定律
依据小概率事件原理,上述事件发生的概率很小,实际推断可知,当试验次数很大时,可以使用事件的频率来代替事件的概率。
论证了频率的稳定性,频率的稳定性是概率稳定性的客观基础。
二、中心极限定理
中心极限定理的客观背景是,在实际生活中,会有多种随机变量,是由大量的相互独立的随机因素的综合影响所形成的的,而其中每一个个别因素在总的影响中起到的作用又非常小,这种随机变量近似地服从正态分布。
1. 独立同分布的中心极限定理
通常,我们有时候很难求出n个变量之和的分布函数,这时候,就可以利用正态分布给出其近似地分布。利用正态分布对n个变量之和作分析或作计算是非常便利的。
这是大样本统计推断的基础。
2. 李雅普诺夫定理
当每个随机变量的数学期望和方差都不相同的时候,使用此定理进行计算。
只要满足定理的条件,那么它们的和当n很大时,就近似服从正态分布,这也是正态随机变量在概率论中占有重要地位的原因。
在很多实际应用中,很多问题都可以表示成很多个独立的随机变量之和。
3. 蒂莫夫-拉普拉斯定力
这个定理表明,正态分布是二项分布的极限分布,当n充分大时,可以利用正态分布来计算