香农定理和奈奎斯特定理区别_汇总篇：切比雪夫不等式，依概率收敛，大数定律，中心极限定理...

切比雪夫不等式

这个不等式只是概率论不等式中的沧海一粟而已，其实这个不等式就是将我们的某些直觉量化了，呃呃，这么说可能很抽象，我举例来说下，当分布服从均匀分布或者正态分布时，我们知道

，但是当我们我想大概知道

是多大或者可能多大时，就犯难了，我们不知道怎么弄，这时切比雪夫告诉我们我们只要知道随机变量的期望和方差就可以大概计算出这个概率取值范围，这个就是相当于具体化了所有，把我们的直觉放大了。当然这个估计比较粗糙，具体可以结合不同随机变量的特点进行挑战，细化。

前提：期望方差存在

公式：

依概率收敛

这个是一些特定随机序列才会有的特性，而非所有随机序列都具有，而我们之所以要给出这个定义，主要是因为我们在估计一些总体未知的随机变量的数字特征时，如果我们能构造出一个可以收敛于这个真实数字特征的估计量时，那么就代表我们的估计是和总体一致的（一致性），在这里有必要强调一点就是这个思想其实是概率派的思想（还有一个派叫贝叶斯派），概率派相信数字特征（参数）是唯一存在的，所以我们只要找到合适的随机序列，这个随机序列可以随着n的增大不断趋近真实的数字特征，用数学描述这种性质就叫做依概率收敛，可以参考

叁晟：通俗理解依概率收敛、有效性、无偏性和一致性​zhuanlan.zhihu.com

大数定律

大数定律其实就是证明了样本均值（

）依概率收敛于总体期望，相当于这个定理确定了一个万能的统计量，我们只需要无脑拿来用就好，不需要再自己设计一个统计量，是不是很强。当然，大数定律具体类型不止一种，而且每种都有其对应的应用前提，但是基本思路都是差多的，就是期望和依概率收敛。

切比雪夫大数定律：

前提：两两不相关，方差期望均存在

公式：

辛钦大数定律 ：

前提：独立同分布，期望存在

公式：

伯努利大数定律 :其实就是辛钦大数定律在二项分布上应用

公式：

这三者有依次包含的关系，第一个的涵盖范围最大，而且也只要求不相关就好，第二个要求更苛刻一点，要求独立。

中心极限定理

中心极限定理的“中心”是指样本均值会以总体均值为中心，反复左右横跳，当实验次数够多时，反复左右横跳形成的样本平均值服从以总体均值为期望，总体方差为方差的正态分布。如果我们对样本均值进行单位化操作，那么就可以得到这个正态分布就是标准正态分布。

就是列维-林德伯格中心极限定理 ：

（这个要求独立同分布）

感慨一下：每每看到这，我总会被数学这种绝妙的巧合震撼到，这种简洁干脆但却包罗万象的定理才是数学的真正魅力所在。

大数定律和中心定理的区别在我看来就是：大数定律告诉你你走的方向没错，中心定理就是告诉你你的蛇形走位是什么样的，人话就是你是怎么趋近，趋近过程是什么样子的。

中心极限定理的强大在于它用一条等式确定了样本和总体的关系。这个也是数理统计的根基，因为现实中我们不可能穷尽所有，当然也必要，因为我们的出发点本来就是想偷懒，用最少的量统计最大的量，中心极限定理就告诉我们，当你的数据可以大概估摸出服从的正态分布时，你就可以确定你要的总体估计了，而且一次性可以得到期望和方差，当然什么时候估摸，这个取决你自己的需要，你想准一点，就多做几次，这里涉及数理统计了，就不展开了。

最后

由于能力有限，所以难免会有不严谨和纰漏的地方，还望各位大佬海涵，并不吝指出，不奢求这篇短文能够使你掌握，但是希望这篇文章可以帮助你进一步理解这些伟大的定理，不要被一些只知道堆砌一堆定理和题目，丝毫不做过渡，也不谈本质和应用，上来就摆一副自以为很牛高高在上的姿态，让你学的一脸懵逼的垃圾教材蚕食了你学习数学的兴趣和热情，所以只要这篇文章能够帮助到你窥视到这些真理的一点魅力足矣。