大數定律是現代機率理論中重要的理論,也是連線機率理論與統計理論的重要橋樑。數學中以“定律”命名的理論不多,通常與實際應用有緊密聯絡。
大數定律描述了這樣一種現象:對於一個隨機變數序列
(可以理解為無數個樣本),它的前
項平均值
對於滿足若干條件的
,當隨機變數數量
非常大時,它們的平均值將極有可能趨於定值
這個定值
通常是
數學期望。
按收斂方式不同,大數定律分為強大數定律和弱大數定律。
強大數定律
當隨機變數序列的長度為無窮大時,它們的平均值必然趨於定值。我們稱這樣的隨機變數序列符合強大數定律。用數學語言來說就是
其中
是隨機變數序列的前
項平均值(見前面)。
弱大數定律
當隨機變數的序列的長度為無窮大時,它們的平均值逼近定值的機率為將趨近於1。稱這樣的隨機變數序列符合弱大數定律。用數學語言表述為
區別和聯絡
強大數定律是容易理解的,它類似於數列極限的定義。而弱大數定律相對來說不容易理解,而且乍一看似乎跟強大數定律沒有什麼區別。實際上,這裡面涉及到對
極限
的理解。當我們說一個數列的極限為1時,只是說這個數列無限逼近於1,而不能保證數列等於1。例如數列
,它的極限為1,但他的每一項都不等於1。再如
,它的極限為1,也確實存在無窮多個等於1的項,但是我們找不到一個
,使得
以後的每一項全部為1。
再回到弱大數定律,弱大數定律告訴我們,當隨機變數的數量
趨於無窮大時,它們的平均數
逼近定值
的機率趨近於1,但不一定等於1。也就是說,當
非常大時,
極有可能逼近於
,但也不能保證
必然逼近於
。
而強大數定律就不一樣了。強大數定律的機率P沒有被包裹在極限符號裡面,即不是
而是
,也就是“
必定趨近於
”。
如果能理解上面的話,也就能理解如果一個隨機變數序列符合強大數定律,那麼他一定也符合弱大數定律。因為當
的時候,那麼
當然也就成立。
下面在於幾個圖象來更形象的表示弱大數定律與強大數定律的區別。
強大數定律:
趨近於
弱大數定律:不能保證
趨近於
,但隨著
的增大,
趨近於
的機率將增大。也就是說
偏離
的次數將越來越少,但無法保證它不偏離
。
大數定律的一般化定義
滿足大數定律的隨機變數序列除了可以趨近於定值以外,還可以趨近於另一隨機變數
設有隨機變數序列
和隨機變數
,
(1) 稱
依機率收斂於
當且僅當
(2) 稱
以機率
收斂於
當且僅當
若
,則為最常見的情況。
P。S。 林德伯格-萊維中心極限定理
設
各項獨立同分布,且具有有限的數學期望
和標準差
,
是它的前n項平均值。另設
則當
時,
的機率分佈將無限接近標準正態分佈
。用數學語言描述之
即
中心極限定理看似複雜,其實也很容易理解。實際上E[An]=μ,D[An]=σ²/√n。所以這一定理的本質就是——獨立同分布且期望和方差分別存在的樣本,其平均值服從正態分佈。