大数定律

弱大数定理（辛钦大数定理）

证明是通过切比雪夫不等式：
$P(|X-\mu |\le ϵ)\ge \frac{{\sigma }^2}{ϵ}$
可以看出，切比雪夫不等式是讨论的单个随机变量与它的期望之间的差距，而我们的大数定理研究的是N个同分布的随机变量的和产生的新的随机变量与它的期望之间的差距


条件：独立且同分布

伯努利大数定理（辛钦大数定理应用在伯努利实验中）

观察这个式子，就会发现在辛钦大数定理里的期望替换成0-1分布中的期望即P（1出现的概率），而n个随机变量的和替换成0-1分布中所有随机变量的和就是1出现的次数
这个定理所描述的就是：当n趋于无穷时，频率依概率收敛到概率。
条件：独立且同分布

对于上述的两个定理举一个应用的栗子：
在随机过程这门课中，有一个描述随机信号信号性质的词叫遍历 。它的意思是只要时间足够长，每个样本函数都能遍历各种可能状态。它的具体作用就是可以用信号的时间平均近似信号的统计平均。
原因：根据大数定理,只要试验次数n足够大，样本函数的平均值以越来越大的概率近似于随机变量的期望。也就是说时间上的平均近似于统计平均。（在随机变量这个维度上的均值）

切比雪夫大数定理

在用标准差估计精度的时候用到，类似6sigma那个规律。 由切比雪夫不等式P{|X-EX|<ε}>=1-DX/ε^2 可以导出区间(x± k σ)下的概率. K=2时. x± 2σ. 75%；K=3，89%；K=4，94% 切比雪夫大数定律是切比雪夫不等式的推论

作者：卡卡
链接：https://www.zhihu.com/question/19911209/answer/13337227
来源：知乎

中心极限定理

中心极限定理说明的是在一定条件下，大量独立随机变量的平均数是以正态分布为极限的。
而大数定律只是揭示了大量随机变量的平均结果，但没有涉及到随机变量的分布的问题。