大数定律

大数定律有若干个表现形式。这里仅介绍 高等数学概率论要求的常用的三个重要定律：

• 切比雪夫大数定理

设

   

，....是一列相互独立的随机变量(或者两两不相关) [2]   ，他们分别存在期望

   

和方差

   

。若存在常数C使得：

 

则对任意小的正数 ε，满足公式一：

将该公式应用于抽样调查，就会有如下结论：随着 样本容量n的增加， 样本平均数将接近于 总体平均数。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。

特别需要注意的是， 切比雪夫大数定理并未要求

   

同分布，相较于后面介绍的伯努利大数定律和 辛钦大数定律更具一般性。

• 伯努利大数定律

设μ是n次独立试验中事件A发生的次数，且事件A在每次试验中发生的 概率为P，则对任意正数ε，有公式二：

该定律是 切比雪夫大数定律的特例，其含义是，当n足够大时，事件A出现的频率将几乎接近于其发生的概率，即频率的稳定性。

在抽样调查中，用样本成数去估计总体成数，其理论依据即在于此。

• 辛钦大数定律

辛钦大数定律：常用的大数定律

设

   

为独立同分布的随机变量序列，若

   

的 数学期望存在，则服从大数定律:

即对任意的ε>0，有公式三：

大数定律的四种证法

对于一般人来说，大数定律的非严格表述是这样的：

   

是独立同分布随机变量序列，期望为

   

，则

   

收敛到u.

如果说“弱大数定律”，上述收敛是指 依概率收敛(in probability)，如果说“ 强大数定律”，上述收敛是指几乎必然收敛(almost surely/with probability one)。

大数定律通俗一点来讲，就是样本数量很大的时候，样本均值和真实均值充分接近 。这一结论与中心极限定理一起，成为现代概率论、统计学、理论科学和社会科学的基石。（有趣的是，虽然大数定律的表述和证明都依赖现代数学知识，但其结论最早出现在微积分出现之前。而且在生活中，即使没有微积分的知识也可以应用。例如，没有学过微积分的学生也可以轻松利用excel或计算器计算样本均值等统计量，从而应用于社会科学。）