原文地址:【概率论与数理统计(研究生课程)】知识点总结5(大数定律和中心极限定理)
伯努利大数定律
lim n → ∞ P { ∣ n A n − p ∣ < ϵ } = 1 \lim_{n\rightarrow\infty}P\{|\frac{n_A}{n}-p|<\epsilon\}=1 n→∞limP{∣nnA−p∣<ϵ}=1
大数定律
lim n → ∞ P { ∣ 1 n ∑ k = 1 ∞ X k − a n ∣ ≥ ϵ } = 0 lim n → ∞ P { ∣ 1 n ∑ k = 1 ∞ X k − a n ∣ < ϵ } = 1 \begin{aligned} \lim_{n\rightarrow\infty}P\{|\frac{1}{n}\sum\limits_{k=1}^{\infty}X_k-a_n|\ge\epsilon \}=0 \\ \lim_{n\rightarrow\infty}P\{|\frac{1}{n}\sum\limits_{k=1}^{\infty}X_k-a_n|<\epsilon \}=1 \end{aligned} n→∞limP{∣n1k=1∑∞Xk−an∣≥ϵ}=0n→∞limP{∣n1k=1∑∞Xk−an∣<ϵ}=1
切比雪夫大数定律
条件:期望、方差存在且相同
lim
n
→
∞
P
{
∣
1
n
∑
k
=
1
∞
X
k
−
μ
∣
<
ϵ
}
=
1
lim
n
→
∞
P
{
∣
1
n
∑
k
=
1
∞
X
k
−
1
n
∑
k
=
1
∞
E
(
X
k
)
∣
<
ϵ
}
=
1
\begin{aligned} \lim_{n\rightarrow\infty}P\{|\frac{1}{n}\sum\limits_{k=1}^{\infty}X_k-\mu|<\epsilon \}=1 \\ \lim_{n\rightarrow\infty}P\{|\frac{1}{n}\sum\limits_{k=1}^{\infty}X_k-\frac{1}{n}\sum\limits_{k=1}^{\infty}E(X_k)|<\epsilon \}=1 \end{aligned}
n→∞limP{∣n1k=1∑∞Xk−μ∣<ϵ}=1n→∞limP{∣n1k=1∑∞Xk−n1k=1∑∞E(Xk)∣<ϵ}=1
辛钦大数定律
条件:独立同分布,期望存在且相同
lim
n
→
∞
P
{
∣
1
n
∑
k
=
1
∞
X
k
−
μ
∣
<
ϵ
}
=
1
\lim_{n\rightarrow\infty}P\{|\frac{1}{n}\sum\limits_{k=1}^{\infty}X_k-\mu|<\epsilon \}=1
n→∞limP{∣n1k=1∑∞Xk−μ∣<ϵ}=1
以上定理表明,当
n
n
n充分大时,随机变量的算数平均值
1
n
∑
i
=
1
n
X
i
\frac{1}{n}\sum\limits_{i=1}^{n}X_i
n1i=1∑nXi的取值几乎等于期望
μ
\mu
μ,这就是大数定律的含义。
大数定律 | 独立性 | 期望 | 方差 | 用途 |
---|---|---|---|---|
伯努利大数定律 | 二项分布 | 相同 | 相同 | 估算概率 |
辛钦大数定律 | 独立同分布 | 相同 | 相同 | 估算期望 |
切比雪夫大数定律 | 独立 | 存在 | 存在有限 | 估算期望 |
中心极限定理
中心极限定理讨论:
∑
i
=
1
n
X
i
−
E
(
∑
i
=
1
n
X
i
)
D
(
∑
i
=
1
n
X
i
)
\frac{\sum\limits_{i=1}^{n}X_i-E(\sum\limits_{i=1}^{n}X_i)}{\sqrt{D(\sum\limits_{i=1}^{n}X_i)}}
D(i=1∑nXi)i=1∑nXi−E(i=1∑nXi)
对应的分布函数序列收敛于正态分布。
lim
n
→
∞
P
{
∑
i
=
1
n
X
i
−
E
(
∑
i
=
1
n
X
i
)
D
(
∑
i
=
1
n
X
i
)
≤
x
}
=
∫
−
∞
x
1
2
π
e
−
t
2
2
d
t
=
Φ
(
x
)
Y
n
=
∑
i
=
1
n
X
i
−
E
(
∑
i
=
1
n
X
i
)
D
(
∑
i
=
1
n
X
i
)
=
∑
i
=
1
n
X
i
−
n
μ
n
σ
∼
N
(
0
,
1
)
∑
i
=
1
n
X
i
=
n
σ
Y
n
+
n
μ
∼
N
(
n
μ
,
n
σ
2
)
\begin{aligned} &\lim_{n\rightarrow\infty}P\{\frac{\sum\limits_{i=1}^{n}X_i-E(\sum\limits_{i=1}^{n}X_i)}{\sqrt{D(\sum\limits_{i=1}^{n}X_i)}}\le x\}=\int_{-\infty}^x \frac{1}{\sqrt{2\pi}}e^{-\frac{t^2}{2}}dt=\Phi(x) \\ &Y_n= \frac{\sum\limits_{i=1}^{n}X_i-E(\sum\limits_{i=1}^{n}X_i)}{\sqrt{D(\sum\limits_{i=1}^{n}X_i)}}=\frac{\sum\limits_{i=1}^{n}X_i-n\mu}{\sqrt{n}\sigma}\sim N(0,1) \\ &\sum\limits_{i=1}^{n}X_i=\sqrt{n}\sigma Y_n+n\mu \sim N(n\mu, n\sigma^2) \end{aligned}
n→∞limP{D(i=1∑nXi)i=1∑nXi−E(i=1∑nXi)≤x}=∫−∞x2π1e−2t2dt=Φ(x)Yn=D(i=1∑nXi)i=1∑nXi−E(i=1∑nXi)=nσi=1∑nXi−nμ∼N(0,1)i=1∑nXi=nσYn+nμ∼N(nμ,nσ2)
对任意
a
≤
b
a\le b
a≤b:
P
{
a
≤
∑
i
=
1
n
X
i
≤
b
}
=
P
{
a
−
n
μ
n
σ
≤
∑
i
=
1
n
X
i
−
n
μ
n
σ
≤
b
−
n
μ
n
σ
}
≈
Φ
(
b
−
n
μ
n
σ
)
−
Φ
(
a
−
n
μ
n
σ
)
P\{a\le\sum\limits_{i=1}^{n}X_i\le b \}=P\{\frac{a-n\mu}{\sqrt{n}\sigma}\le \frac{\sum\limits_{i=1}^{n}X_i-n\mu}{\sqrt{n}\sigma}\le\frac{b-n\mu}{\sqrt{n}\sigma}\}\approx\Phi(\frac{b-n\mu}{\sqrt{n}\sigma})-\Phi(\frac{a-n\mu}{\sqrt{n}\sigma})
P{a≤i=1∑nXi≤b}=P{nσa−nμ≤nσi=1∑nXi−nμ≤nσb−nμ}≈Φ(nσb−nμ)−Φ(nσa−nμ)
德莫佛—拉普拉斯定理
η
n
∼
B
(
n
,
p
)
\eta_n\sim B(n,p)
ηn∼B(n,p)
lim
n
→
∞
P
{
η
n
−
n
p
n
p
(
1
−
p
)
≤
x
}
=
∫
−
∞
x
1
2
π
e
−
t
2
2
d
t
=
Φ
(
x
)
\lim_{n\rightarrow \infty}P\{\frac{\eta_n-np}{\sqrt{np(1-p)}}\le x \} =\int\limits_{-\infty}^x\frac{1}{\sqrt{2\pi}}e^{-\frac{t^2}{2}dt}=\Phi(x)
n→∞limP{np(1−p)ηn−np≤x}=−∞∫x2π1e−2t2dt=Φ(x)
即:二项分布的极限分布是正态分布。
对任意
a
≤
b
a\le b
a≤b:
P
{
a
≤
μ
n
≤
b
}
=
P
{
a
−
n
p
n
p
q
≤
μ
n
−
n
p
n
p
q
≤
b
−
n
p
n
p
q
}
≈
Φ
(
b
−
n
p
n
p
q
)
−
Φ
(
a
−
n
p
n
p
q
)
P\{a\le\mu_n\le b \}=P\{\frac{a-np}{\sqrt{npq}}\le \frac{\mu_n-np}{\sqrt{npq}}\le\frac{b-np}{\sqrt{npq}}\}\approx\Phi(\frac{b-np}{\sqrt{npq}})-\Phi(\frac{a-np}{\sqrt{npq}})
P{a≤μn≤b}=P{npqa−np≤npqμn−np≤npqb−np}≈Φ(npqb−np)−Φ(npqa−np)
格列文科定理
P { lim n → ∞ sup − ∞ < x < + ∞ ∣ F n ( x ) − F ( x ) ∣ = 0 } = 1 P\{\lim_{n\rightarrow\infty}\sup_{-\infty< x<+\infty} |F_n(x)-F(x)|=0\}=1 P{n→∞lim−∞<x<+∞sup∣Fn(x)−F(x)∣=0}=1
上述定理表明,样本容量 n n n足够大时,对所有 x x x, F n ( x ) F_n(x) Fn(x)与 F ( x ) F(x) F(x)之差的绝对值都很小,这件事概率为1,这是用样本推断整体的依据。