概要:首先介绍了切比雪夫不等式,然后介绍大数定律概念和3种大数定律及证明。
切比雪夫不等式
已知随机变量X的期望EX和方差DX,对
,可得
的一个上界。
![](https://img-blog.csdnimg.cn/09e8af4fa7fa4a738f2c048ee682786d.png)
![](https://img-blog.csdnimg.cn/3d29bf65e6fc4867838f7e3cebd2ea3d.png)
解释:不论X服从什么分布,X在E(x)的ε
邻域内取值的概率不小于1-Dxε2
。
证明:
![](https://img-blog.csdnimg.cn/217c5f22c25e468a9d27ffdefa6d6ec9.png)
本质: 随机变量X偏离E(X)越大,则其概率越小。
![](https://img-blog.csdnimg.cn/d9253147361a476fbccc6102bf44bb08.png)
若方差越小,随机变量X集中在期望附近的可能性就越大,所以方差刻画了随件变量的离散程度。
随机变量X的分布未知的情况下,只利用X的期望和方差, 即可对X的概率分布进行估计。
大数定律:
依概率收敛:
X1,X2,…,Xn,…是一随机变量序列,如果存在一个常数a,对∀ε>0,总有limn→∞PXn-a<ε=1成立。则称{Xn}依概率收敛于a,记为Xn→a
理解:随机变量Xn在n无穷大的时候无限趋近于常数a。
依概率收敛比普通意义的收敛弱些,具有某种不确定性。
大数定律的客观背景:
在大量随机试验中,事件发生的频率稳定于某一常数,测量值的算术平均值具有稳定性。
大数定律的概念:
当样本数据无限大时,样本均值趋于总体均值。现实生活中,无法进行无穷多次试验,大数定律说用频率近似替代概率,用样本均值近似代替总体均值。
用数学语言表示:
大数定律就是研究随机变量序列在什么条件下,
依概率收敛于0。
为什么使用求和符号?
样本均值![](https://img-blog.csdnimg.cn/e9307eab28fe4665851665d51ae17785.png)
总体均值![](https://img-blog.csdnimg.cn/4d54841ed0ac4d54b5fd26365d9d7ff0.png)
切比雪夫大数定律
设随机变量序列{Xn}是相互独立的序列,如果存在常数C,使得
,则此随机变量序列
服从大数定律。
证明:
![](https://img-blog.csdnimg.cn/fe1c8b1edb8c428f8cce2dd6cd2b35c8.png)
伯努利大数定律
设
是
重伯努利试验中事件
发生的次数,
,则对任意
有![](https://img-blog.csdnimg.cn/70ea87613fa54e89b2fd7e3f731376c4.png)
当伯努利重复试验次数
充分大时,事件
发生的频率
与事件A的概率
有较大偏差的概率很小。
证明:
![](https://img-blog.csdnimg.cn/dc7fd1351a6d43dba30a8a952c807333.png)
辛钦大数定律
在独立同分布场合,不需要方差的存在
设X1,X2,…,Xn是一个独立同分布的随机变量序列,且E(Xi)=u,则随机变量序列符合大数定律。
将随机变量X独立重复地观察n次, X1,...,Xn相互独立,且与X具有相同的分布。由辛钦大数定律, 可知当n充分大时, 可将n次结果的平均值作为E(X)的近似。