强大数定理，弱大数定理，和中心极限定理

最新推荐文章于 2024-05-24 09:28:09 发布

luixiao1220

最新推荐文章于 2024-05-24 09:28:09 发布

阅读量4.3k

点赞数 4

分类专栏：概率文章标签：大数定理概率

本文链接：https://blog.csdn.net/luixiao1220/article/details/100170497

版权

4 篇文章 0 订阅

订阅专栏

UTF8gbsn

Intro

Weak $\forall \epsilon>0, \lim _{n \rightarrow \infty} P\left(\left|\overline{X}-\mu\right| \leq \epsilon\right)=1$
- 注意弱大数定理，收敛的对象是概率 $\rightarrow 0$
- 解释起来是当 $n > N$ 时。
  
  $|p-1|<\epsilon_{p}$
  
  由于 $P=Pr(|\overline{X}-\mu|>\epsilon)$ ,可以得出自变量 $\overline{X}$ 与 $\mu$ 的差有时候会大于 $\epsilon$ ，只是概率非常小。而是时有发生。
Strong $\forall \epsilon>0, P\left(\lim _{n \rightarrow \infty}\left|\overline{X}-\mu\right| \leq \epsilon\right)=1$
- 强大数定理，收敛的是 $\overline{X} \rightarrow \mu$
- 解释起来就是当 $n > N$ 时有 $\overline{X}-\mu \leqslant \epsilon$
  
  的概率为1
中心极限定理(独立同分布)

$\lim _{n \rightarrow \infty} F_{n}(x)=\lim _{n \rightarrow \infty}\left\{\frac{\sum_{i=1}^{n} X_{i}-n \mu}{\sqrt{n} \sigma} \leq x\right\}=\frac{1}{\sqrt{2} \pi} \int_{-\infty}^{x} e^{-\frac{t^{2}}{2}} d t$

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

$1, 0, 1, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1$

每两个1之间含有 $2^n$ 个0那么实际上我们可以说，这个数列按概率收敛于 $0$ ,但是不是处处收敛于 $0$ 。因为 $n$ 无论多大，都会有元素 $1$ 出现在数列上。

在这里插入图片描述

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 $1, 2, 3, 4, 5, 6$ ,并且是等概率的。那么它的期望就是.
$E=\frac{1+2+3+4+5+6}{6}=3.5$

我们来举一个例子。我们的试验采用的随机变量服从 $X\sim N(1, 3)$ ,也就是
$Dis=\frac{1}{3\sqrt{2\pi}}exp(-\frac{(x-1)^2}{2\cdot 3^2})$

$\mu=1,\sigma=3$

操作一:

$R a n d o m (D i s)$ 1000 次并计算
$\rho=\frac{\sum_{i=1}^{n} X_{i}-n \mu}{\sqrt{n} \sigma}$
重复操作一 10000
次。我们可以得到10000个 $\rho$ .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。

关注

专栏目录