伯努利、辛钦大数定律、中心极限定理

大数定律

一个随机变量序列$X_1、X_2...X_n...$，a为常数，若对任意正数$\epsilon$有 lim ⁡ n → ∞ P { ∣ X n − a ∣ < ε } = 1 \lim_{n \to \infty} P\left \{ |X_{n}-a|<\varepsilon \right \} = 1 limn→∞​P{∣Xn​−a∣<ε}=1 。则称序列$X_1、X_2...X_n...$依概率收敛与a, 记作$X_n⟶a(n\to \infty )$

对任意的$\epsilon$>0, 当n充分大时，"$X_n$与a的偏差大于等于$\epsilon$”
这一事件发生的概率很小（即概率意义上收敛于0）

伯努利大数定律

设$n_A$是n次独立重复实验中事件A发生的次数，p是事件A在每次实验中发生的概率，则对任意正数$\epsilon$，有$$\underset{n\to \infty }{\lim }\left\{|\frac{n_A}{n}-p|<\epsilon \right\}=1$$，由切比雪夫不等式很容易证明，参见上篇关于切比雪夫文章。

一个事件A在独立重复实验发生的频率$\frac{n_A}{n}$依概率收敛与事件A发生的概率p,
以严格的数学形式表达了频率的稳定性。在实际应用中，当实验次数n很大时，便可李勇事件A发生的频率去近似代替事件A发生的概率。

辛钦大数定律

一个随机变量序列$X_1、X_2...X_n...$，相互独立，服从同一分布，且具有数学期望 E($X_i)=\mu$, i = 1, 2, 3…, 则对任意正数$\epsilon$, 有$$\underset{n\to \infty }{\lim }P\left\{|\frac{1}{n}\sum _{i=1}^n{X}_i-\mu |<\epsilon \right\}=1$$

随着样本数量n增大，样本均值几乎必然等于总体真实的均值，从而为统计推断中依据样本平均数估计总体平均数提供了理论依据
例如，要估计某地区的平均亩产量，可收割有代表性的地块 n块，计算其平均亩产量，则当 n较大时，可用它作为整个地区平均亩产量的一个估计

中心极限定律

中心极限定理告诉我们，任何独立、 同分布的大量随机变量序列和的均值也近似服从正态分布，只要样本容量够大，样本估计值就趋于正态分布，所以我们可以按 正态分布进行推断