下载文档原格式
概率论第二章大作业真正的随机数是使用物理现象产生的：比如掷钱币、骰子、转轮、使用电子元件的噪音、核裂变等等。
这样的随机数生成器叫做物理性随机数生成器，它们的缺点是技术要求比较高。
在实际应用中往往使用伪随机数就足够了。
这些数列是“似乎”随机的数，实际上它们是通过一个固定的、可以重复的计算方法产生的。
它们不真正地随机，因为它们实际上是可以计算出来的，但是它们具有类似于随机数的统计特征。
在真正关键性的应用中，比如在密码学中，人们一般使用真正的随机数。
伪随机数或称伪乱数，简单的来说就是利用数学方法使用一个确定性的算法计算出来的似乎是随机的数序，因此伪随机数实际上并不随机。
在计算伪随机数时假如使用的开始值不变的话，那么伪随机数的数序也不变。
伪随机数的随机性可以用它的统计特性来衡量，其主要特征是每个数出现的可能性和它出现时与数序中其它数的关系。
伪随机数的优点是它的计算比较简单，而且只使用少数数值很难推算出计算它的算法。
在计算机中都备有可直接使用的均匀分布随机函数或程序，一般是用数值转换中的求余法得到的，这样产生的随机数列，是根据确定的算法递推出来的，严格地讲并不是随机的，因此称为伪随机数。
不过如果计算方法选得恰当，它们近似于相互独立和均匀分布，在一定的置信度下，能通过统计检验中的参数检验、独立性检验、连检验等，因此可以把它们当作真正的随机数使用。
例如：均匀分布定义：若连续随机变量的概率密度为则称服从均匀分布，记为，数学期望，方差随机数列的生成：如果为[0,1]区间均匀分布的随机数列，则令于是得即为[a,b]区间均匀分布的随机数列。
指数分布：若连续随机变量的概率密度为则称服从指数分布，记为，，数学期望，方差。
累积分布函数为。
随机数列的生成：如果为[0,1]区间均匀分布的随机数列，则令于是得即服从指数分布的随机数列。
Table[Random[Real,{0,1}],{100}]{0.288071,0.580477,0.01996,0.250306,0.533106,0.664354,0.663133 ,0.59496,0.807462,0.334371,0.185604,0.536187,0.460936,0.075124,0. 654934,0.725182,0.424717,0.588037,0.442401,0.798675,0.899288,0.22 5706,0.292875,0.970472,0.611218,0.645229,0.272915,0.720167,0.0781 117,0.980875,0.609782,0.125207,0.27065,0.646504,0.424178,0.58902, 0.809714,0.57138,0.769244,0.863838,0.384997,0.983343,0.326843,0.0 651637,0.485709,0.757638,0.0339683,0.0946914,0.874491,0.112409,0. 761053,0.374525,0.79638,0.131534,0.151271,0.249318,0.52573,0.4850 3,0.727093,0.660297,0.716016,0.91365,0.957849,0.796459,0.331018,0 .930307,0.631006,0.731295,0.845309,0.172669,0.597037,0.636604,0.9 70818,0.06026,0.835984,0.262079,0.174439,0.928726,0.684713,0.0127 614,0.648709,0.443696,0.95762,0.352464,0.932693,0.530046,0.999771 ,0.556005,0.601675,0.599739,0.368765,0.82471,0.756365,0.427071,0. 771728,0.188106,0.785547,0.366811,0.935743,0.926027} 第一种为均匀连续分布Table[Random[Integer,{0,10000}],{100}]{9615,9333,6403,3450,7987,5994,164,8209,1710,3077,9346,6129,21 12,1180,2926,4705,7303,7409,7576,5729,1593,9379,8482,8373,5771,52 13,8089,1851,4813,6215,7492,3067,4965,788,2599,2973,4593,8997,834 5,8045,2985,5080,2712,8185,1615,3173,5681,2006,9594,74,1589,8182, 1585,9352,7507,1904,4095,2302,9580,5554,6874,9440,3868,3335,8299, 2978,9307,7079,2956,4806,4104,6087,6365,525,7574,1736,1984,7344,8 249,9307,4942,6292,9940,7865,8339,5276,2226,2889,8601,9859,1499,6 906,2306,9213,5643,684,2055,2058,6899,7160}第二种为1到10000均匀离散分布。
概率论常考题解析与讲解在数学领域中，概率论是一门研究随机事件发生的可能性的学科。
它有着广泛的应用领域，并且在各个科学和工程领域中都扮演着重要角色。
概率论的研究对象包括基本概率模型、随机变量、概率分布等。
在学习概率论的过程中，经典概率、条件概率、随机变量及其概率分布、大数定律和中心极限定理等是常见的考题。
本文将对这些常考题进行解析与讲解。
一、经典概率经典概率是指当随机试验的样本空间为有限个元素时，利用计数原理进行概率计算的方法。
常见的经典概率问题包括：从一副扑克牌中抽取一张牌，求出抽到红桃的概率；从一个装有红、蓝、绿三种颜色球的袋子中抽取一颗球，求出抽到红球的概率等。
解答这类问题时，首先要确定样本空间和事件空间，然后利用计数原理计算出每个事件发生的可能性，并得出概率。
例如，从一副扑克牌中抽取一张牌，样本空间为52张牌，事件空间为抽到红桃的牌，分析可知红桃有13张，因此红桃的概率是13/52=1/4。
二、条件概率条件概率是指在已知某事件发生的前提下，另外一个事件发生的概率。
条件概率的计算需要利用到贝叶斯定理或全概率公式。
常见的条件概率问题包括：在一副扑克牌中，已知抽到的是红心，求抽到的是红桃的概率；某疾病在人群中的患病率是1%，一个新的检测方法能够准确地检测出病人患病的概率是99%，如果一个人被检测出患病，求他真正患病的概率等。
解答条件概率问题时，需要根据题目的描述利用贝叶斯定理或全概率公式计算条件概率。
例如，在一副扑克牌中，已知抽到的是红心，事件A代表抽到红桃，根据条件概率的定义，所求的是P(A|B)，其中B代表抽到的是红心。
利用贝叶斯定理可得，P(A|B)=P(A)*P(B|A)/P(B)，其中P(A)=1/4，P(B|A)=12/51，P(B)=1/2。
代入计算可得，P(A|B)=1/2。
三、随机变量及其概率分布随机变量是指对随机试验结果的数值化描述，它可以是离散型或连续型的。
概率分布是描述随机变量取值与其概率之间关系的函数。
一、习题详解：1.1 写出下列随机试验的样本空间：(1) 某篮球运动员投篮时, 连续5 次都命中, 观察其投篮次数; 解：连续5 次都命中，至少要投5次以上，故}{ ,7,6,51=Ω； (2) 掷一颗匀称的骰子两次, 观察前后两次出现的点数之和; 解：}{12,11,4,3,22 =Ω； (3) 观察某医院一天内前来就诊的人数;解：医院一天内前来就诊的人数理论上可以从0到无穷，所以}{ ,2,1,03=Ω；(4) 从编号为1，2，3，4，5 的5 件产品中任意取出两件, 观察取出哪两件产品; 解：属于不放回抽样，故两件产品不会相同，编号必是一大一小，故： ()}{;51,4≤≤=Ωj i j i (5) 检查两件产品是否合格;解：用0 表示合格, 1 表示不合格，则()()()()}{1,1,0,1,1,0,0,05=Ω；(6) 观察某地一天内的最高气温和最低气温(假设最低气温不低于T1, 最高气温不高于T2); 解：用x 表示最低气温, y 表示最高气温;考虑到这是一个二维的样本空间，故： ()}{216,T y x T y x ≤≤=Ω ；(7) 在单位圆内任取两点, 观察这两点的距离; 解：}{207 x x =Ω；(8) 在长为l 的线段上任取一点, 该点将线段分成两段, 观察两线段的长度. 解：()}{l y x y x y x =+=Ω,0,0,8 ；1.2 设A ，B ，C 为三事件, 用A;B;C 的运算关系表示下列各事件： (1) A 与B 都发生, 但C 不发生; C AB ；(2) A 发生, 且B 与C 至少有一个发生;)(C B A ⋃； (3) A,B,C 中至少有一个发生; C B A ⋃⋃； (4) A,B,C 中恰有一个发生;C B A C B A C B A ⋃⋃； (5) A,B,C 中至少有两个发生; BC AC AB ⋃⋃；(6) A,B,C 中至多有一个发生;C B C A B A ⋃⋃； (7) A;B;C 中至多有两个发生;ABC ； (8) A,B,C 中恰有两个发生.C AB C B A BC A ⋃⋃ ； 注意：此类题目答案一般不唯一，有不同的表示方式。
概率论解题示例详解概率论是数学中的一个重要分支，它研究的是不确定事件的规律性。
通过概率的计算和推理，我们可以预测和评估各种事件发生的可能性。
概率论在实际生活中有着广泛的应用，比如在金融、统计、工程等领域中都能看到它的身影。
本文将通过详解一些概率论解题示例，来帮助读者更好地理解和掌握概率论的基本概念和解题方法。
示例一：抛硬币问题抛硬币是常见的概率论例题。
假设有一枚公平的硬币，正反两面出现的机会均等。
现在我们抛掷这枚硬币三次，问以下几种情况的概率是多少：1. 出现三次正面的概率2. 出现两次反面的概率3. 至少出现一次正面的概率解答：1. 出现三次正面的概率：假设硬币抛掷的结果为独立事件，每次抛掷都有两种可能的结果，即正面和反面。
因此，出现三次正面的概率可以表示为：1/2 * 1/2 * 1/2 = 1/8。
2. 出现两次反面的概率：同样地，假设硬币抛掷的结果为独立事件，每次抛掷都有两种可能的结果。
根据排列组合的原理，两次反面和一次正面可以有三种不同的组合，即反反正、反正反、正反反。
因此，出现两次反面的概率可以表示为：3 * (1/2 * 1/2 * 1/2) = 3/8。
3. 至少出现一次正面的概率：可以通过计算出至少出现一次反面的概率，然后用1减去该概率即可。
出现一次反面的概率可以表示为：(1/2 * 1/2 * 1/2) = 1/8。
因此，至少出现一次正面的概率为1 - 1/8 = 7/8。
示例二：生日悖论生日悖论是概率论中一个有趣且常见的问题。
假设有一个房间里有n个人，问至少有两个人生日相同的概率是多少？解答：假设每个人的生日是均匀分布的，即每一天出生的概率相等。
我们可以通过计算每个人生日不相同的概率，然后用1减去该概率得到至少有两个人生日相同的概率。
第一个人的生日可以是任意一天，概率为1。
第二个人的生日不能与第一个人相同，即概率为364/365。
第三个人的生日不能与前两个人相同，即概率为363/365。
1.运用所学概率知识，举例说明概率在日常生活中的应用概率论来源于生活，最终也将运用于生活。
伴随着科技的发展和计算机的普及，概率论已被广泛的应用于各行各业，对于分析社会现象、研究自然科学，以及处理工程和公共事业提供了极大的帮助。
近年来，人们的生活水平越来越高，对身体健康锻炼越来越重视，对于体育比赛关注和热爱的程度也普遍提高。
掌握好概率论对于现代许多体育比赛有很大的帮助.比如射击时，可以按照运动员平时的水平估算成绩概率，以及根据位置估算射中的概率等等。
例：设向一目标连射三枪，A i表示第i枪击中目标(i=1,2,3)，则下列事件可表示为：1)只有第一枪击中：A1A2̅̅̅ A3̅̅̅=A1−A2−A32)只击中一枪：A1A2̅̅̅ A3̅̅̅∪A1̅̅̅A2A3̅̅̅∪A1̅̅̅ A2̅̅̅A33)三枪都未击中：A1̅̅̅ A2̅̅̅ A3̅̅̅=A1∪A2∪A3̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅4)至多击中一枪：A1̅̅̅ A2̅̅̅∪A2̅̅̅ A3̅̅̅∪A1̅̅̅ A3̅̅̅5)至少击中一枪：A1∪A2∪A3此例运用到了和事件、对立事件。
例：甲、乙两人射击，射击技术如下：问甲、乙谁的水平高？解：设射击N枪甲总环数8×0.3N+9×0.1N+10×0.6N=9.3N乙总环数8×0.3N+9×0.5N+10×0.2N=8.9N∴甲水平高此例运用数学期望来分析甲乙的射击水平。
例：靶子半径2m圆盘，击中靶上任一同心圆上的点的概率与同心圆的面积成正比，设射击都能中靶，X为弹着点与圆心的距离，求F(x)该例求随机变量的分布函数解：①若x<0,P{X≤x}=0 F(x)=0②若0≤x≤2,P{0≤X≤x}=kx2x=2时，P{0≤x≤2}=1=4k ∴k=14F(x)=P{X≤x}=P{X<0}+P{0≤X≤x}=0+14x2=14x2③x>2时，P{X≤x}=1 F(x)=1∴F(x)={0,x<014x2,0≤x<21,x≥2日常生活中，不管什么东西都需要根据使用情况来设置大小等等，如何估算合适的尺寸才能基本让所有人都能正常使用，这就需要用到概率论中随机变量的分布。
第一章随机事件与概率1. 将一枚均匀的硬币抛两次，事件C B A ,,分别表示“第一次出现正面”，“两次出现同一面”，“至少有一次出现正面”。
试写出样本空间及事件C B A ,,中的样本点。
解：{}反正正、正反、反正、反=Ω{}正正、正反=A ,{}正正=B ,{}正正、正反、反正=C 2.设31)(=A P ，21)(=B P ，试就以下三种情况分别求)(A B P ：（1）AB =∅，（2）B A ⊂，（3）81)(=AB P解:（1）5.0)()()()()(==-=-=B P AB P B P AB B P A B P（2）6/13/15.0)()()()()()(=-=-=-=-=A P B P AB P B P AB B P A B P （3）375.0125.05.0)()()()(=-=-=-=AB P B P AB B P A B P3.某人忘记了电话号码的最后一个数字，因而随机的拨号，求他拨号不超过三次而接通所需的电话的概率是多少？如果已知最后一个数字是奇数，那么此概率是多少？解: 记H 表拨号不超过三次而能接通。
Ai 表第i 次拨号能接通。
注意：第一次拨号不通，第二拨号就不再拨这个号码。
103819810*********)|()|()()|()()()(2131211211321211=⨯⨯+⨯+=++=∴++=A A A P A A P A P A A P A P A P H P A A A A A A H 三种情况互斥如果已知最后一个数字是奇数（记为事件B ）问题变为在B 已发生的条件下，求H 再发生的概率。
)|||)|(321211B A A A B A A B PA B H P ++=)|()|()|()|()|()|(2131211211A A B A P A B A P B A P A B A P B A P B A P ++= 53314354415451=⨯⨯+⨯+=4．进行一系列独立试验，每次试验成功的概率均为错误！未找到引用源。
概率论与数理统计大作业一、选题背景概率论与数理统计是现代科学中的重要分支，具有广泛的应用领域。
在实际问题中，我们经常需要通过数据分析来了解事物的规律性和趋势，而概率论与数理统计正是提供了一种科学的方法来处理这些数据。
因此，在学习概率论与数理统计时进行一次大作业，不仅能够加深对知识点的理解，还能够提高自己的数据分析能力和实际问题解决能力。
二、选题内容本次概率论与数理统计大作业选题为“某超市销售数据分析”。
主要内容包括以下几个方面：1. 数据收集首先需要收集某超市近两年来各种商品的销售数据，并将其整理成表格形式。
表格中应包含商品名称、销售量、销售额等信息。
2. 数据处理在收集到数据后，需要对其进行初步处理。
可以使用Excel等工具进行数据清洗、去重、排序等操作，并计算出每种商品的年销售量、年销售额以及平均单价等指标。
3. 数据分析在完成数据处理后，可以开始进行数据分析。
可以从以下几个方面入手：（1）商品销售情况分析通过统计每种商品的销售量、销售额等指标，分析各种商品的销售情况，找出畅销商品和滞销商品，并探究其原因。
（2）季节性分析通过比较不同季节或不同月份的销售数据，分析商品在不同季节或月份的销售情况，找出季节性规律。
（3）地域性分析通过比较不同门店或不同城市的销售数据，分析商品在不同地域的销售情况，找出地域性规律。
（4）用户行为分析通过统计用户购买行为数据，如购买时间、购买频率、购买金额等指标，分析用户行为特点，并提出相应的营销策略。
4. 数据可视化为了更直观地展示数据分析结果，可以使用图表等工具进行数据可视化。
例如可以绘制柱状图、折线图、饼图等来展示各种商品的年销售量和年销售额；也可以使用热力图来展示不同城市或门店的销售情况。
三、选题意义本次概率论与数理统计大作业选题有以下几个意义：1. 提高数据处理能力在进行本次大作业时，需要进行数据收集、处理和分析等操作，这将有助于提高自己的数据处理能力和实际问题解决能力。
现实生活中的大数定理及中心值定理的应用电子工程学院目录摘要........................................... 错误！未定义书签。
第一章引言...................................... 错误！未定义书签。
第二章大数定律 (2)2.1大数定律的发展历史 (2)2.2大数定律的定义 (3)2.3几个常用的大数定律 (3)第三章大数定律的一些应用 (6)3.1大数定律在数学分析中的一些应用 (6)3.2大数定律在保险业的应用 (6)3.3大数定律在银行经营管理中的应用 9结论 (11)参考文献 (12)对于随机现象而言,其统计规律性只有在基本相同的条件下进行大量的重复试验才能显现出来.本文主要是通过大数定律来讨论随机现象最根本的性质——平均结果稳定性的相关内容.大数定律,描述当试验次数很大时所呈现的概率性质的定律,是随机现象统计规律性的具体表现.本文首先介绍了大数定律涉及的一些基础知识,以便于对文中相关知识的理解.通过比较,就不同条件下存在的大数定律做了具体的分析,介绍了几种较为常见的大数定律和强大数定律,总结了大数定律的应用,主要有大数定律在数学分析中的应用,大数定律在生产生活中的应用,大数定律在经济如：保险、银行经营管理中的应用等等,将理论具体化,将可行的结论用于具体的数学模型中,使大家对大数定律在实际生活中的应用价值有了更深的认识.概率论与数理统计是研究随机现象的统计规律的科学,而随机现象的统计规律性只有在相同条件下进行大量重复试验或观察才呈现出来.在随机事件的大量重复出现中,往往呈现几乎必然的规律,这个规律就是大数定律.大数定律是概率论中一个非常重要的课题,而且是概率论与数理统计之间一个承前启后的重要纽带.大数定律阐明了大量随机现象平均结果具有稳定性,证明了在大样本条件下,样本平均值可以看作总体平均值,它是“算数平均值法则”的基本理论,通俗地说,这个定理就是在试验不变的条件下,重复试验多次,随机事件的频率以概率为稳定值.在现实生活中,经常可以见到这一类型的数学模型,比如,我们向上抛一枚硬币,硬币落下后哪一面朝上本来是偶然的,但当我们向上抛硬币的次数足够多时,达到上万次甚至几十万几百万次之后,我们会发现,硬币向上的次数约占总次数的二分之一,偶然中包含着必然.又如：在分析天平上称重量为a 的物品,若以12,,x x 3,...,n x x 表示n 次重复称量的结果,经验告诉我们,当n 充分大时,它们的算术平均值11ni i X n =∑与a 的偏差就越小.这种思想,不仅在整个概率论中起着重要00作用,而且在其他数学领域里面也占据着相当重要的地位.大数定律的发展与研究也经历了很长一段时间,伯努利是第一个研究这一问题的数学家,他于1713年首先提出后人称之为“大数定律”的极限定理.现在,大数定律的相关模型已经被国内外广大学者所研究,特别是应用在实际生活中,如保险业得以存在并不断发展壮大的两大基石的一个就是大数定律.许多学者也已经在此领域中研究出了许多有价值的成果,讨论了在统计,信息论,分析、数论等方面的应用.在许多数学领域中,广大学者对某些具有特定类型的数学模型,都能利用大数定律的思考方式总结其代表性的性质及结论,使得这些类型的数学模型在进行讨论的时候大大简化了繁琐的论证过程,方便了研究.大数定律作为概率论的重要内容,其理论成果相对比较完善,这方面的文章较多,结果也比较完美,但对大数定律的应用问题的推广也是一项非常有价值的研究方向,通过对这些问题的应用推广,不仅能加深对大数定律的理解,而且能使之更为有效的服务于各项知识领域中.下面文中就通过对大数定律的讨论,给出了各大数定律之间的关系,归结出一般性结论.最后列举了一些能用大数定律来解决的实例,希望能通过这些实例,来进一步阐明大数定律在各个分支学科中的重要作用,以及在实际生活中的应用价值,加深大家对大数定律的理解.第二章大数定律2.1大数定律的发展历史概率论与数理统计是研究随机现象的统计规律的科学, 而随机现象的统计规律性只有在相同条件下进行大量重复试验或观察才呈现出来. 从概率的统计定义中可以看出: 一个事件发生的频率具有稳定性, 即随着试验次数的增多, 事件的频率逐渐稳定在某个常数附近. 人们在实践中观察其他一些随机现象时, 也常常会发现大量随机个体的平均效果的稳定性. 这就是说, 无论个别随机个体以及它们在试验进行过程中的个别特征如何, 大量随机个体的平均效果与每一个体的特征无关, 且不再是随机的. 深入考虑后, 人们会提出这样的问题: 稳定性的确切含义是什么? 在什么条件下具有稳定性? 这就是大数定律要研究的问题.1733年，德莫佛—拉普拉斯在分布的极限定理方面走出了根本性的一步，证明了二项分布的极限分布是正态分布。
拉普拉斯改进了他的证明并把二项分布推广为更一般的分布。
1900年，李雅普诺夫进一步推广了他们的结论，并创立了特征函数法。
这类分布极限问题是当时概率论研究的中心问题，卜里耶为之命名“中心极限定理”。
20世纪初，主要探讨使中心极限定理成立的最广泛的条件，二三十年代的林德贝尔格条件和费勒条件是独立随机变量序列情形下的显著进展。
伯努利是第一个研究这一问题的数学家，他于1713年首先提出后人称之为“大数定律”的极限定理。
因此概率论历史上第一个极限定理属于伯努利。
它是概率论与数理统计学的基本定律之一，属于弱大数定律之一，当然也称为伯努利大数定律。
它可以通俗的理解，有些随机事件无规律可循，但不少却是有规律的，这些“有规律的随机事件”中在大量重复出现的条件下，往往呈现几乎必然的统计特性，这个规律就是大数定律。
通俗地说，这个定理就是，在试验不变的条件下，重复试验多次，随机事件的频率近似于它的概率。
例如：在重复投掷一枚硬币的随机试验中，观测投掷n次硬币中出现正面的次数。
不同的n次试验，出现正面的频率（出现正面次数与n之比）可能不同，但当试验的次数n越来越大时，出现正面的频率将大体上逐渐接近于1／2。
频率靠近概率的一种客观存在的，可以直接观察到的现象。
而伯努利给这种现象给予了一种确切的含义。
随着数学的发展，随机变量序列服从大数定律的证明，出现了更多更广泛的大数定律，例如契贝晓夫大数定律，伯努利大数定律就是契贝晓夫大数定律的一个特例。
再到后面，出现独立同分布的辛钦大数定律等常用的大数定律。
2.2 大数定律的定义大数定律使用极限方法研究大量随机现象的统计规律性.人们在长期的实践中发现,频率以及大量测量值的算术平均值具有稳定性,也就是说,无论个别测量值如何,其平均结果实际上与个别测量值的特征无关,几乎不再是随机的了.这种稳定性问题如何从理论上给出解释？这正是大数定律要解决的问题.阐明大量重复试验的平均结果具有稳定性的一系列定理都称为大数定律. 一般的大数定律都涉及一个随机变量序列{n X },为此我们给出如下定义. 定义 2.2.1 设有一随机变量序列{n X },假如对任意的0ε>,有 1111lim ()1n ni i n i i P X E X n n ε→+∞==⎧⎫-<=⎨⎬⎩⎭∑∑ (1.1.1)的性质,则称该随机变量序列{n X }服从大数定律.2.3几个常用的大数定律由于随机变量序列向常数的收敛有多种不同的形式，按其收敛为依概率收敛，以概率1收敛或均方收敛，分别有弱大数定律、强大数定律和均方大数定律。
定义1 设有一列随机变量1,2,ηηη…..，如果对于任意的0ε>，有()l i m 1n n P ηηε→∞-<=则称随机变量序列{}n η依概率收敛于η，记作(),p n n ηη−−→→∞。
定义2 设有随机变量η和一列随机变量{}n η ，1,2ηη…..，若(){}l i m 1n n P ηωη→∞==成立，则称{}n η几乎处处收敛于η，记作().,a e n n ηη−−→→∞ 定义3 若12,,n ξξξ⋅⋅⋅⋅⋅⋅是随机变量序列,如果存在常数列1,2,a a ⋅⋅⋅,使得对任意的0ε>,有11lim 1n i n n i P a n ξε→∞=⎛⎫-<= ⎪⎝⎭∑ （8）成立,则称随机变量序列{}i ξ满足大数定律.定义4 设有随机变量η和随机变量序列{}n η的r 阶原点矩r E η、r nE η（n=1,2……）存在，其中r>0，若lim 0rn n E ηη→∞-=则称n ηr 次平均收敛到η。
记作 rL n ηη−−→。
此时必有r r n E E ηη=。
当r=2时是常用的二阶矩，2L n ηη−−→称为均方收敛。
定义5 若12,,n ξξξ⋅⋅⋅⋅⋅⋅是随机变量序列，它们的数学期望(1,2,.....)i E i ξ=存在，0ε∀>有 11lim 1n nk k n i i E n n ξξε→∞⎛⎫-<= ⎪⎝⎭∑∑ 则称随机变量序列12,,n ξξξ⋅⋅⋅⋅⋅⋅服从弱大数定律。
定义6 若12,,n ξξξ⋅⋅⋅⋅⋅⋅是随机变量序列，它们的数学期望(1,2,.....)i E i ξ=存在，0ε∀>有()1l i m 01nk k n iP E n ξξ→∞⎧⎫-==⎨⎬⎩⎭∑或等价地.110n n a e k k i i E n n ξξ-−−→∑∑， 则称12,,n ξξξ⋅⋅⋅⋅⋅⋅服从强大数定律。
上述两个大数定律要注意，强大数定律和弱大数定律区别不仅仅是一个法则的不同，不能简单的把极限符号lim n →∞从概率号P （）中移出来，弱大数定律描述的是一列概率的收敛性，而强大数定律说的是一列随机变量收敛到一个常数，也正是这点，保证了用事件出现的频率来作为事件概率的估计的正确性。
定理1 对任意的随机变量ξ，若E a ξ=，又D ξ存在，则对任意的正常数ε，有()2D P a ξζεε-≥≤， 则称此式子为契贝晓夫不等式。
粗糙地说，如果D ξ越大，那么()P a ζε-≥也会大一些。
大数定律形式有很多种，我们仅介绍几种最常用的大数定律。
定理2 （伯努利大数定律）设n μ是n 重伯努利实验中事件A 出现的次数，且A 在每次试验中出现的概率为p （0<p<1）,则0ε∀>，有l i m 1n n P p n με→∞⎛⎫-<= ⎪⎝⎭（5） 此定理表明：当n 很大时，n 重伯努利试验中事件A 发生的频率几乎等于事件A 在每次试验中发生的概率，这个定律以严格的数学形式刻画了频率的稳定性，因此，在实际应用中，当试验次数很大时，便可以用事件发生的频率来代替事件的概率。
定理3 （契贝晓夫大数定律） 设12,,n ξξξ⋅⋅⋅⋅⋅⋅是一列两两不相关的随机变量,又设它们的方差有界,即存在常数0C >,使有,1,2,3i D C i ξ≤=⋅⋅⋅，则对于任意的0ε>,有1111lim 1n ni i n i i P E n n ξξε→∞==⎛⎫-<= ⎪⎝⎭∑∑ （9） 在上述的定理中，因为用到契贝晓夫不等式，都有对方差的要求，其实方差这个条件并不是必要的。
