大数定律的表现形式
发布网友
发布时间：2022-04-22 01:09
共1个回答
热心网友
时间：2022-06-17 14:07
大数定律有若干个表现形式。这里仅介绍高等数学概率论要求的常用的三个重要定律： 切比雪夫大数定理 设 是一列相互独立的随机变量(或者两两不相关) ，他们分别存在期望 和方差 。若存在常数C使得：
则对任意小的正数 ε，满足公式一：
将该公式应用于抽样调查，就会有如下结论：随着样本容量n的增加，样本平均数将接近于总体平均数。从而为统计推断中依据样本平均数估计总体平均数提供了理论依据。
特别需要注意的是，切比雪夫大数定理并未要求 同分布，相较于后面介绍的伯努利大数定律和辛钦大数定律更具一般性。 伯努利大数定律 设μ是n次独立试验中事件A发生的次数，且事件A在每次试验中发生的概率为P，则对任意正数ε，有公式二：
该定律是切比雪夫大数定律的特例，其含义是，当n足够大时，事件A出现的频率将几乎接近于其发生的概率，即频率的稳定性。
在抽样调查中，用样本成数去估计总体成数，其理论依据即在于此。 辛钦大数定律 辛钦大数定律：常用的大数定律
设为独立同分布的随机变量序列，若 的数学期望存在，则服从大数定律:
即对任意的ε>0，有公式三：
大数定律的四种证法
对于一般人来说，大数定律的非严格表述是这样的： 是独立同分布随机变量序列，均值为 ，则 收敛到u.
如果说“弱大数定律”，上述收敛是指依概率收敛(in probability)，如果说“强大数定律”，上述收敛是指几乎必然收敛(almost surely/with probability one)。
大数定律通俗一点来讲，就是样本数量很大的时候，样本均值和真实均值充分接近。这一结论与中心极限定理一起，成为现代概率论、统计学、理论科学和社会科学的基石。（有趣的是，虽然大数定律的表述和证明都依赖现代数学知识，但其结论最早出现在微积分出现之前。而且在生活中，即使没有微积分的知识也可以应用。例如，没有学过微积分的学生也可以轻松利用excel或计算器计算样本均值等统计量，从而应用于社会科学。）
最早的大数定律的表述可以追溯到公元1500年左右的意大利数学家Cardano。1713年，著名数学家James (Jacob) Bernouli正式提出并证明了最初的大数定律。不过当时现代概率论还没有建立起来，测度论、实分析的工具还没有出现，因此当时的大数定律是以“独立事件的概率”作为对象的。后来，历代数学家如Poisson（“大数定律”的名字来自于他）、Chebyshev、Markov、Khinchin（“强大数定律”的名字来自于他）、Borel、Cantelli等都对大数定律的发展做出了贡献。直到1930年，现代概率论奠基人、数学大师Kolmogorov才真正证明了最后的强大数定律。
下面均假设 是独立同分布随机变量序列，数学期望为u。独立同分布随机变量和的大数定律常有的表现形式有以下几种。 (1) 带方差的弱大数定律：若 小于无穷，则 依概率收敛到0。
证明方法：Chebyshev不等式即可得到。这个证明是Chebyshev给出的。
(2) 带均值的弱大数定律：若u存在，则 依概率收敛到0。
证明方法：用Taylor展开特征函数，证明其收敛到常数，得到依分布收敛，然后再用依分布收敛到常数等价于依概率收敛。 (3). 精确弱大数定律：若xP(|X|>x) 当x趋于无穷时收敛到0，则 依概率收敛到0，其中。（在这个定理里，不需要u存在。）
证明方法：需要用到截断随机变量. 然后要用的三角阵列的依概率收敛定理和Fubini定理分析积分变换。
(4). 带4阶矩的强大数定律：若小于无穷，则 几乎必然收敛到0.
证明方法：与(1)类似，先用Chebyshev不等式。然后因为4阶矩的存在，得到对任意常数t的收敛速度足够快，满足Borel-Cantelli的要求，用Borel-Cantelli引理得到大数定律。
(5). 带方差的强大数定律：若小于无穷，则 几乎必然收敛到0.
证明方法：用Kolgoromov*数定理和Kronecker定理。
(6). 精确强大数定律：若u存在，则 几乎必然收敛到0.
证明方法：这个大数定律的证明确实有几种不同的方法。最早的证明是由数学大师Kolmogorov给出的。Durrett (2010)的书上用的是Etemadi (1981)的方法，需要截断X，用到现代概率论的知识如Borel-Cantelli引理、Kolmogorov*数定理、Fubini定理等。（感谢读者指出，Durrett的书在倒向鞅一章中给出了大数定律的倒向鞅方法证明，只需要用到倒向鞅的知识和Hewitt-Savage 0-1律，不过这也是现代概率论的知识。）
此外，还有很多不同的大数定律，不同分布的，不独立的序列等。定律也不一定是关于随机变量的，也可以是关于随机函数的，甚至随机集合的等等。以数学家命名的也有Khinchin大数定律(不独立序列的强大数定律)、Chebyshev大数定律(弱大数定律(1))、Poisson大数定律(不同概率的随机事件序列的大数定律)、Bernoulli大数定律(随机事件的大数定律)、Kolmogorov大数定律(强大数定律(6))等等……
以上(1-6)是常见的独立同分布序列的大数定律。其中，(3)和(6)是最严格也是最精妙的结果，证明所涉及的高等概率论知识也最多。它们成立的条件不仅是充分条件，也是必要条件，因此它们算是完结了大数定律的发展。大数定律的发展符合数学的一般规律：想证明某一结论，条件越弱（弱大数定律：2阶矩条件->1阶矩条件->没矩条件；强大数定律：4阶矩条件→2阶矩条件→1阶矩条件），证明也就变得越难。
虽然只有(3)和(6)是最精确的结果，但是必须认识到，数学的发展是一个循序渐进的过程，如果没有前面那些更强条件下的定理，也无法得到最后的大数定律。
从最开始的自然界观察到大数定律的存在，到最后证明最终形式，历时数百年，现代概率论也在这个过程中建立起来。此外，虽然(3)和(6)比前面的(1)和(5)强很多，但是(1)和(5)的条件仅仅是2阶矩（或方差）的存在，因此他们在几百年间早就被广泛使用，对于一般的社会科学问题、统计问题等已经足足够用了。
总之，大数定律包含概率论里核心的知识。“大数定律的四种证法”尽管表述模糊，原意也充满调侃，但并不是真如《孔乙己》里回字四种写法所暗示的那样迂腐或毫无价值。作为概率或统计专业的研究生，弄懂这些定理表述的区别和证明方法的区别和联系，了解前代数学家的工作，对于深刻理解现代概率论是很有好处的。当然，任何人也不应去死记硬背这些证法，只要能理解、弄清其中微妙即可。
