大数定理，中心极限定理和最大似然估计

最新推荐文章于 2021-09-11 17:57:16 发布

NYAIoT

最新推荐文章于 2021-09-11 17:57:16 发布

阅读量1.9k

点赞数

分类专栏： # AI数学基础文章标签：大数定理中心极限定理极大似然估计

本文链接：https://blog.csdn.net/zenglaoshi/article/details/103271841

版权

本文介绍了概率统计中的大数定理、中心极限定理和极大似然估计。大数定理揭示了随机变量平均值在大量重复试验中趋近期望值的规律；中心极限定理指出，独立同分布的随机变量之和趋向于正态分布；极大似然估计是一种参数估计方法，通过最大化样本出现的概率来估计未知参数。

摘要由CSDN通过智能技术生成

大数定理

大数定理是概率统计的基石，也是赌博行业的底层逻辑，当我们在赌场里面一直赌下去的时候，只要赌场在设计的时候你赢的期望小于零，那么从概率上讲你一定会输，这就是赌场能稳赚不赔的原因。当然也有一些数学天才利用概率统计在赌场赚了很多钱，比如电影《决胜21点》中，玩家正常的胜率只有46%，如果按照电影中的算法，算牌的点数每增加一点，玩家获胜的概率增加0.5%，那么点数至少需要达到8点以上才能算是热牌。然而即使点数达到了18点超级热牌，玩家的胜率也只有55%，利用好这个高5%的胜率就可以财富自由，但让这是天才该吃的饭，我还是接着码字。

定义

设随机变量 $X_1,X_2,\cdots,X_n\cdots$ 相互独立，并且具有相同的期望 $\mu$ 和方差 $\sigma^2$ ,取前 $n$ 个随机变量的平均 $Y_n=\frac{1}{n}\sum_{1}^{n} X_i$ ，则可以推出

$\lim_{n\rightarrow+\infty}P{|Y_n-\mu|<\varepsilon}$

大数定理的推导就不在这儿展开了，可以用切比雪夫不等式来推导，有兴趣的同学可以自行尝试。大数定理的意义：当n很大时，随机变量 $X_1,X_2,\cdots,X_n$ 的平均值 $Y_n$ 在概率意义下无限接近期望 $\mu$ 。出现偏离是可能的，但这种可能性很小，当n无限大时，这种可能性的概率为0。