大数定律
弱大数①(辛钦大数定律)
-
X
1
,
X
2
,
.
.
.
,
X
n
X_1,X_2,...,X_n
X1,X2,...,Xn是随机变量序列
- 相互独立
- 服从同分布,并有期望 E ( X k ) = μ E(X_k)=\mu E(Xk)=μ
- 对序列的算术平均 1 n ∑ k = 1 n X k , ∀ ε > 0 \frac1n\sum\limits_{k=1}^nX_k,\forall\varepsilon>0 n1k=1∑nXk,∀ε>0有 lim n → ∞ P { ∣ 1 n ∑ k = 1 n X k − μ ∣ < ε } = 1 \lim\limits_{n\to\infty}P\{\Big|\frac1n\sum\limits_{k=1}^nX_k-\mu\Big|<\varepsilon\}=1 n→∞limP{∣∣∣n1k=1∑nXk−μ∣∣∣<ε}=1
- 解释:把{}里当做一个随机事件,当
n
→
∞
n\to\infty
n→∞时,这个事件发生的概率极大
- 定理的大意是说,对于独立同分布且期望存在的随机变量序列,其算术平均接近期望的概率很大
证明
- 这里只在 D ( X k ) D(X_k) D(Xk)也存在的情况下证明,并设 D ( X k ) = σ 2 D(X_k)=\sigma^2 D(Xk)=σ2
- E ( 1 n ∑ k = 1 n X k ) E(\frac1n\sum\limits_{k=1}^nX_k) E(n1k=1∑nXk)
依概率收敛的定义
- Y 1 , Y 2 , . . . , Y n , . . . Y_1,Y_2,...,Y_n,... Y1,Y2,...,Yn,...是随机变量序列
- a是一常数
- 若对 ∀ ε > 0 \forall \varepsilon>0 ∀ε>0有 lim n → ∞ P { ∣ Y n − a ∣ < ε } = 1 \lim\limits_{n\to\infty}P\{|Y_n-a|<\varepsilon\}=1 n→∞limP{∣Yn−a∣<ε}=1
- 则称序列 Y 1 , Y 2 , . . . , Y n , . . . Y_1,Y_2,...,Y_n,... Y1,Y2,...,Yn,...依概率收敛于a,记为 Y n → P a Y_n\xrightarrow[]{P} a YnPa
依概率收敛的序列的性质
- 若 X n → P a , Y n → P b X_n\xrightarrow[]{P}a,Y_n\xrightarrow[]{P}b XnPa,YnPb
- g ( x , y ) 在 点 ( a , b ) 连 续 g(x,y)在点(a,b)连续 g(x,y)在点(a,b)连续
- 则 g ( X n , Y n ) → P g ( a , b ) g(X_n,Y_n)\xrightarrow[]{P}g(a,b) g(Xn,Yn)Pg(a,b)
用依概率收敛再重新表示一下辛钦大数定律
-
X
1
,
X
2
,
.
.
.
,
X
n
X_1,X_2,...,X_n
X1,X2,...,Xn是随机变量序列
- 相互独立
- 服从同分布,并有期望 E ( X k ) = μ E(X_k)=\mu E(Xk)=μ
- 则 X ‾ = 1 n ∑ k = 1 n X k \overline{X}=\frac1n\sum\limits_{k=1}^nX_k X=n1k=1∑nXk依概率收敛到 μ \mu μ,即 X ‾ → P μ \overline{X}\xrightarrow[]{P}\mu XPμ
伯努利大数定律
- 伯努利是辛辛的重要推论
- 设 f A f_A fA是n次独立重复试验中事件A发生的次数
- p p p是事件A在每次试验中发生的概率
- 则对于 ∀ ε > 0 \forall \varepsilon>0 ∀ε>0,有 lim n → ∞ P { ∣ f A n − p ∣ < ε } = 1 \lim\limits_{n\to\infty}P\{|\frac{f_A}n-p|<\varepsilon\}=1 n→∞limP{∣nfA−p∣<ε}=1或 lim n → ∞ P { ∣ f A n − p ∣ ≥ ε } = 0 \lim\limits_{n\to\infty}P\{|\frac{f_A}n-p|\ge\varepsilon\}=0 n→∞limP{∣nfA−p∣≥ε}=0