漫谈系列—大数定律

今天我们聊聊大数定律（Law of Large Numbers，LLN），这个概率论中的重要基石。

（最后面有一道测试题，有兴趣的同学可以挑战看看）

大数定律讲了一件什么事情？简单的来讲，它告诉我们在随机事件的大量重复出现中，往往呈现几乎必然的规律。在试验不变的条件下，重复试验多次，随机事件的概率近似于它出现的频率。

举个例子，投硬币。一枚硬币被抛出后有50%的可能为正面或者背面，在小样本的情况下，随机抛硬币的结果可能并不明显或者说结果没有规律，不稳定等等等等，10次里可能有4次正面6次背面，也可能是7次正面3次背面，这很正常。但是随着我们抛硬币的次数的增多，正面和反面出现次数就会越来越接近于相同。

大数定律以严格的数学形式表现了随机现象最根本的性质之一：平均结果的稳定性。

我们用卡方分布来验证这种稳定性如下图，开始在小样本情况下，样本均值非常的不稳定，但是当样本量继续增大后，样本均值的收敛性已经非常的明显，基本收敛到均值3附近。

在我们的生活中处处可以看到有趣的大数定律

一位人口统计学家调查发现，欧洲各地的男婴与女婴的出生比例是22:21，但是发现法国巴黎的比例是25:24，这非常小的差别促使他决心去搞个明白。最后惊人的发现，当时巴黎重女轻男，一些人会丢弃男婴，经过一些修正后，巴黎的这个比例依然是22:21。而中国的历次人口普查的结果也是22:21。

既然我们在强调大数定律的严格数学形式，下面我们会给出大数定律数学定义：

首先我们要知道大数定律依照收敛的形式分为强大数定律和弱大数定律

弱大数定律

我们依然画图来描述弱大数定律

上图虚线部分表示一个任意小的实数，每条实线表示一个数列，可以看到当样本不断增加后，数列会逐渐收敛到虚线部分里面，偶然会有几条跑出来。这个就叫做弱大数定律的依概率收敛。

强大数定律

我们依然画图来描述强大数定律

相比较弱大数定律，强大数定律表征着当数列样本量增大后，它再也不会超出虚线所表示的边界，也就是超出这个边界的概率就是0了。这个就叫做强大数定律的处处收敛。

下面我们介绍切比雪夫不等式和切比雪夫大数定律，这2个是我认为比较重要的东东，因为其它大数定律的证明或多或少的都会用到它们。

最后的最后是测试题

还是抛硬币问题，假设绝对公平的抛硬币。连续抛出999次，每次都得到正面。我下一次抛硬币的情况是？

A.出正概率大

B.出反概率大

C.各占50%