大数定律与中心极限定理

最新推荐文章于 2024-07-20 07:14:07 发布

Xurtle

最新推荐文章于 2024-07-20 07:14:07 发布

阅读量1.3w

点赞数 6

分类专栏：数学文章标签：概率论与数理统计大数定律中心极限定理

本文链接：https://blog.csdn.net/xlinsist/article/details/79486734

版权

本文深入探讨概率论中的大数定律和中心极限定理。通过样本均值的概念，解释了大数定律如何确保样本平均值在大量独立实验后趋近于真实期望值。中心极限定理则阐述了独立随机变量均值的标准化分布随样本数量增加趋向于正态分布。通过实例，如投硬币和民意调查，帮助理解这两个重要定理。

摘要由CSDN通过智能技术生成

学习目标： Be able to use the central limit theorem to approximate probabilities of averages and sums of independent identically-distributed random variables.

Sample Mean

Suppose $X_1,X_2,\cdots ,X_n$ are independent random variables with the same underlying distribution. In this case, we say that the $X_i$ are independent and identically-distributed, or i.i.d. In particular, the $X_i$ all have the same mean $\mu$ and standard deviation $\sigma$ . Sample Mean 定义如下：

X ¯ n = X 1 + X 2 + \dots + X n n = 1 n \sum i = 1 n X i

$\bar{X}_n=\frac{X_1+X_2+\cdots +X_n}{n}=\frac{1}{n}\sum_{i=1}^nX_i$

为了更好地理解 sample mean，下面我来举例说明一下。现在让我们进行投硬币实验，如果我们投的次数越多，出现正反面的次数会接近相同，这不难理解。在这个实验中，每个随机变量 $X_i$ 就是一次独立的投掷，因此 $X_i \sim Bernoulli(0.5)$ ，如果我们一共投掷100次，那么n=100, sample mean $\bar{X}_{100}$ = （在100次的投掷中，出现正面的概率）。

Randomness being what it is, this is not guaranteed; for example we could get 100 heads in 100 flips, though the probability of this occurring is very small. So our intuition translates to: with high probability the sample mean $\bar{X}_n$ is close to the mean 0.5 for large n.