强大数定理,弱大数定理,和中心极限定理
UTF8gbsn
Intro
Weak ∀ ϵ > 0 , lim n → ∞ P ( ∣ X ‾ − μ ∣ ≤ ϵ ) = 1 \forall \epsilon>0, \lim _{n \rightarrow \infty} P\left(\left|\overline{X}-\mu\right| \leq \epsilon\right)=1 ∀ϵ>0,n→∞limP(∣∣X−μ∣∣≤ϵ)=1
注意弱大数定理,收敛的对象是概率 p → 0 p \rightarrow 0 p→0
解释起来是当 n > N n>N n>N时。
∣ p − 1 ∣ < ϵ p |p-1|<\epsilon_{p} ∣p−1∣<ϵp
由于 P = P r ( ∣ X ‾ − μ ∣ > ϵ ) P=Pr(|\overline{X}-\mu|>\epsilon) P=Pr(∣X−μ∣>ϵ),可以得出自变量 X ‾ \overline{X} X与 μ \mu μ的差有时候会大于 ϵ \epsilon ϵ,只是概率非常小。而是时有发生。
Strong ∀ ϵ > 0 , P ( lim n → ∞ ∣ X ‾ − μ ∣ ≤ ϵ ) = 1 \forall \epsilon>0, P\left(\lim _{n \rightarrow \infty}\left|\overline{X}-\mu\right| \leq \epsilon\right)=1 ∀ϵ>0,P(n→∞lim∣∣X−μ∣∣≤ϵ)=1
强大数定理,收敛的是 X ‾ → μ \overline{X} \rightarrow \mu X→μ
解释起来就是当 n > N n>N n>N时有 X ‾ − μ ⩽ ϵ \overline{X}-\mu \leqslant \epsilon X−μ⩽ϵ
的概率为1
中心极限定理(独立同分布)
lim n → ∞ F n ( x ) = lim n → ∞ { ∑ i = 1 n X i − n μ n σ ≤ x } = 1 2 π ∫ − ∞ x e − t 2 2 d t \lim _{n \rightarrow \infty} F_{n}(x)=\lim _{n \rightarrow \infty}\left\{\frac{\sum_{i=1}^{n} X_{i}-n \mu}{\sqrt{n} \sigma} \leq x\right\}=\frac{1}{\sqrt{2} \pi} \int_{-\infty}^{x} e^{-\frac{t^{2}}{2}} d t n→∞limFn(x)=n→∞lim{n σ∑i=1nXi−nμ≤x}=2 π1∫−∞xe−2t2dt
example
弱大数定理
满足弱大数定理,不满足强大数定理的例子没有想到。但是可以展示下按概率收敛的是什么个意思。假如我们有一个数列为
1 , 0 , 1 , 0 , 0 , 1 , 0 , 0 , 0 , 0 , 1 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 1 1,0,1,0,0,1,0,0,0,0,1,0,0,0,0,0,0,0,0,1 1,0,1,0,0,1,0,0,0,0,1,0,0,0,0,0,0,0,0,1
每两个1之间含有 2 n 2^n 2n个0那么实际上我们可以说,这个数列按概率收敛于 0 0 0,但是不是处处收敛于 0 0 0。因为 n n n无论多大,都会有元素 1 1 1出现在数列上。
强大数定理
丢骰子的游戏可以用来列举一下强大数定理。首先色子有6个结果 1 , 2 , 3 , 4 , 5 , 6 1,2,3,4,5,6 1,2,3,4,5,6,并且是等概率的。那么它的期望就是.
E = 1 + 2 + 3 + 4 + 5 + 6 6 = 3.5 E=\frac{1+2+3+4+5+6}{6}=3.5 E=61+2+3+4+5+6=3.5
我们总共生成了1000个均值。每次的采样点数量按照下面的数列推进。
100 , 200 , 300 , . . . , 1000 ∗ 100 100,200,300,...,1000*100 100,200,300,...,1000∗100最终我们把图像展示出来。后面所有的均值都夹在 ( 3.48 ∼ 3.52 ) (3.48\sim 3.52) (3.48∼3.52)之间。
中心极限定理
我们来举一个例子。我们的试验采用的随机变量服从 X ∼ N ( 1 , 3 ) X\sim N(1, 3) X∼N(1,3),也就是
D i s = 1 3 2 π e x p ( − ( x − 1 ) 2 2 ⋅ 3 2 ) Dis=\frac{1}{3\sqrt{2\pi}}exp(-\frac{(x-1)^2}{2\cdot 3^2}) Dis=32π 1exp(−2⋅32(x−1)2)
μ = 1 , σ = 3 \mu=1,\sigma=3 μ=1,σ=3
操作一:
R a n d o m ( D i s ) Random(Dis) Random(Dis) 1000 次 并计算
ρ = ∑ i = 1 n X i − n μ n σ \rho=\frac{\sum_{i=1}^{n} X_{i}-n \mu}{\sqrt{n} \sigma} ρ=n σ∑i=1nXi−nμ重复操作一 10000
次。我们可以得到10000个 ρ \rho ρ.把这10000个数据和标准正态分布画在同一个图中可得。
可见着10000个数据服从标准正态分布。也就是中心极限定理描述的事情。如果换不同的Dis你会得到同样的上图。
强大数定理,弱大数定理,和中心极限定理相关推荐
- 大数定理、正态分布、中心极限定理
大数定理.正态分布.中心极限定理 坑 *中心极限定理说的是,每次抽样后样本的均值,服从正态分布. *大数定理说的是,随着样本量的增加,样本的均值,接近于总体的均值(切比雪夫大数定律).还可以这样理解: ...
- 大数定理和中心极限定理的通俗理解。
一直觉得大数定理和中心极限定理很神秘,很模糊.这次下决心来搞一个彻底清楚,研究一下. 先介绍一下大数定理.网上查了一下由下面几个版本. 切比雪夫大数定律:用统计方法来估计期望的理论依据.E(X)≈1n ...
- 大数定律和中心极限定理(未完成)
大数定律和中心极限定理 背景:Chebyshev不等式.特征函数和两种收敛性 Chebyshev不等式 问题 定义 解释 特征函数 依概率收敛 背景 定义 含义解释 依分布收敛.弱收敛 大数定律 切比 ...
- 通俗的角度理解遍历性定理 (从大数定理,中心极限定理再到遍历性定理)
文章目录 遍历性定理 所以先理解什么是大数定律 顺便再看看中心极限定理 再看遍历性定理 今天开始学时间序列分析,老师讲了一个名词叫遍历性定理. 遍历性定理 百度百科上的定义: 遍历性定理类似于截面数据 ...
- 概率论基础 —— 10. 切比雪夫不等式、大数定理、中心极限定理
尽管统计学本身是门科学,我们也在纯数学的角度上研究了很多概率的性质.但是也不能否认统计学中依然有相当多经验总结.而且相当多的经验是行之有效的.在<概率论与数理统计>这本教材中,也列举了一些 ...
- 概率论与数理统计系列笔记之第四章——大数定理与中心极限定理
概率论与数理统计笔记(第四章 大数定理与中心极限定理) 对于统计专业来说,书本知识总有遗忘,翻看教材又太麻烦,于是打算记下笔记与自己的一些思考,主要参考用书是茆诗松老师编写的<概率论与数理统计教 ...
- 【数据挖掘知识点三】大数定理与中心极限定理
知识点:大数定理与中心极限定理 大数定理与中心极限定理是与统计学密切相关的重要数学定理,为抽样推断提供了数学理论基础. 1.大数定理 即当n充分大时,事件A发生的频率接近(依概率收敛于)事件A发生的概 ...
- 大数定理 中心极限定理_中心极限定理:直观的遍历
大数定理 中心极限定理 One of the most beautiful concepts in statistics and probability is Central Limit Theore ...
- 概率论笔记:随机数、概率分布(正态分布)、中心极限定理(大数定理)
1.概率均匀分布(C语言) #include <stdio.h> #include <stdlib.h> #include <time.h> int main( i ...
最新文章
- R语言基于glmnet构建分类模型并可视化特征系数(coefficient)以及L1正则化系数(lambda)实战
- linux之用户态和内核态
- P3375 【模板】KMP字符串匹配 (KMP模板)
- 配置多台三层交换VLAN间相互通信
- c语言warning scanf,【C】将m~n之间的素数输出与VS2005以上版本对C语言的scanf的警告warning C4996...
- 远程sun服务器,向日葵远程控制(com.oray.sunlogin) - 11.1.0.39347 - 应用 - 酷安
- rhino插件-创建犀牛软件皮肤-rhino皮肤-界面开发-犀牛插件
- 手写字体识别用python实现_Python3实现简单可学习的手写体识别
- 月薪过万是普遍现象吗?很抱歉,这事大部分人的错觉
- 【Love2d从青铜到王者】第一篇:Love2d入门以及安装教程
- nginx负载接口与宕机切换
- Infor宣布首次公开募股
- SOT-23封装对应元器件、管脚分布及其功能示意汇总
- CocosCreator开场CG动画制作
- 人工智能领域的计算机科学,主要包含哪些重要职位?
- 从决策树学习谈到贝叶斯分类算法、EM、HMM
- C# break和continue用法
- 身为土木牛马的我是如何成功提桶拿到互联网前端50w大厂offer的
- 阿里大变局,马云女弟子掌舵淘宝
- VS-PETS是什么?