UTF8gbsn
Intro
-
Weak ∀ ϵ > 0 , lim n → ∞ P ( ∣ X ‾ − μ ∣ ≤ ϵ ) = 1 \forall \epsilon>0, \lim _{n \rightarrow \infty} P\left(\left|\overline{X}-\mu\right| \leq \epsilon\right)=1 ∀ϵ>0,n→∞limP(∣∣X−μ∣∣≤ϵ)=1
-
注意弱大数定理,收敛的对象是概率 p → 0 p \rightarrow 0 p→0
-
解释起来是当 n > N n>N n>N时。
∣ p − 1 ∣ < ϵ p |p-1|<\epsilon_{p} ∣p−1∣<ϵp
由于 P = P r ( ∣ X ‾ − μ ∣ > ϵ ) P=Pr(|\overline{X}-\mu|>\epsilon) P=Pr(∣X−μ∣>ϵ),可以得出自变量 X ‾ \overline{X} X与 μ \mu μ的差有时候会大于 ϵ \epsilon ϵ,只是概率非常小。而是时有发生。
-
-
Strong ∀ ϵ > 0 , P ( lim n → ∞ ∣ X ‾ − μ ∣ ≤ ϵ ) = 1 \forall \epsilon>0, P\left(\lim _{n \rightarrow \infty}\left|\overline{X}-\mu\right| \leq \epsilon\right)=1 ∀ϵ>0,P(n→∞lim∣∣X−μ∣∣≤ϵ)=1
-
强大数定理,收敛的是 X ‾ → μ \overline{X} \rightarrow \mu X→μ
-
解释起来就是当 n > N n>N n>N时有 X ‾ − μ ⩽ ϵ \overline{X}-\mu \leqslant \epsilon X−μ⩽ϵ
的概率为1
-
-
中心极限定理(独立同分布)
lim n → ∞ F n ( x ) = lim n → ∞ { ∑ i = 1 n X i − n μ n σ ≤ x } = 1 2 π ∫ − ∞ x e − t 2 2 d t \lim _{n \rightarrow \infty} F_{n}(x)=\lim _{n \rightarrow \infty}\left\{\frac{\sum_{i=1}^{n} X_{i}-n \mu}{\sqrt{n} \sigma} \leq x\right\}=\frac{1}{\sqrt{2} \pi} \int_{-\infty}^{x} e^{-\frac{t^{2}}{2}} d t n→∞limFn(x)=n→∞lim{nσ∑i=1nXi−nμ≤x}=2π1∫−∞xe−2t2dt
example
弱大数定理
满足弱大数定理,不满足强大数定理的例子没有想到。但是可以展示下按概率收敛的是什么个意思。假如我们有一个数列为
1 , 0 , 1 , 0 , 0 , 1 , 0 , 0 , 0 , 0 , 1 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 1 1,0,1,0,0,1,0,0,0,0,1,0,0,0,0,0,0,0,0,1 1,0,1,0,0,1,0,0,0,0,1,0,0,0,0,0,0,0,0,1
每两个1之间含有 2 n 2^n 2n个0那么实际上我们可以说,这个数列按概率收敛于 0 0 0,但是不是处处收敛于 0 0 0。因为 n n n无论多大,都会有元素 1 1 1出现在数列上。
强大数定理
丢骰子的游戏可以用来列举一下强大数定理。首先色子有6个结果
1
,
2
,
3
,
4
,
5
,
6
1,2,3,4,5,6
1,2,3,4,5,6,并且是等概率的。那么它的期望就是.
E
=
1
+
2
+
3
+
4
+
5
+
6
6
=
3.5
E=\frac{1+2+3+4+5+6}{6}=3.5
E=61+2+3+4+5+6=3.5
-
我们总共生成了1000个均值。每次的采样点数量按照下面的数列推进。
100 , 200 , 300 , . . . , 1000 ∗ 100 100,200,300,...,1000*100 100,200,300,...,1000∗100 -
最终我们把图像展示出来。后面所有的均值都夹在 ( 3.48 ∼ 3.52 ) (3.48\sim 3.52) (3.48∼3.52)之间。
中心极限定理
我们来举一个例子。我们的试验采用的随机变量服从
X
∼
N
(
1
,
3
)
X\sim N(1, 3)
X∼N(1,3),也就是
D
i
s
=
1
3
2
π
e
x
p
(
−
(
x
−
1
)
2
2
⋅
3
2
)
Dis=\frac{1}{3\sqrt{2\pi}}exp(-\frac{(x-1)^2}{2\cdot 3^2})
Dis=32π1exp(−2⋅32(x−1)2)
μ = 1 , σ = 3 \mu=1,\sigma=3 μ=1,σ=3
-
操作一:
R a n d o m ( D i s ) Random(Dis) Random(Dis) 1000 次 并计算
ρ = ∑ i = 1 n X i − n μ n σ \rho=\frac{\sum_{i=1}^{n} X_{i}-n \mu}{\sqrt{n} \sigma} ρ=nσ∑i=1nXi−nμ -
重复操作一 10000
次。我们可以得到10000个 ρ \rho ρ.把这10000个数据和标准正态分布画在同一个图中可得。
可见着10000个数据服从标准正态分布。也就是中心极限定理描述的事情。如果换不同的Dis你会得到同样的上图。