大数定律

大数定律定义：

设随机变量是一列互相独立的随机变量（或者两两不相关），并且分别存在期望,则对于任意小的正数有：

理解：随着样本数量n的增加，样本的平均数（总体中的一部分）将接近于总体样本的平均数，所以在统计推断中一般使用样本平均数估计总体平均数的值。

下面我们用简单的python代码来客观展现出大数定理：

import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt

# 防止中文乱码
mpl.rcParams['font.sans-serif']=[u'simHei']
mpl.rcParams['axes.unicode_minus']=False

# 定义数据量大小
numberSize = 200
# 生成服从正态分布的随机数据，其均值为0
randData = np.random.normal(scale=100, size=numberSize)
# 保存随机每增加一个数据后算出来的均值
randData_average = []
# 保存每增加一个数据后的数据和
randData_sum = 0
# 通过循环计算每增加一个数据后的均值
for index in range(len(randData)):
    randData_average.append((randData[index] + randData_sum) / (index + 1.0))
# 定义作图的x值和y值
x = np.arange(0,numberSize,1)
y = randData_average
# 作图设置
plt.title('大数定律')
plt.xlabel('数据量')
plt.ylabel('平均值')
# 作图并展示
plt.plot(x,y)
plt.plot([0,numberSize], [0,0], 'r')
plt.show()

由上图即可进一步验证我们的结论，随着数据量的增加，均值越来越接近实际均值0。

即当我们的样本数据量足够大的时候，我们就可以用样本的平均值来估计总体平均值。