中心极限定理和大数定律
中心极限定理和大数定律是统计学中非常重要的两个概念。它们在统计学中被广泛应用，对于理解随机事件的规律性和分析数据具有重要意义。本文将对中心极限定理和大数定律进行详细的阐述。
一、中心极限定理
1. 定义
中心极限定理是指当样本量足够大时，样本均值的分布近似于正态分布。也就是说，如果我们从总体中抽取足够多的样本，并计算每个样本的平均值，那么这些平均值将近似于正态分布。
2. 原理
中心极限定理的原理可以用数学公式表示为：
当n趋向于无穷大时，样本均值（Xbar）服从正态分布N（μ,σ^2/n）。
其中，μ代表总体均值，σ代表总体标准差。
3. 应用
中心极限定理在实际应用中非常广泛。例如，在质量控制过程中，我们可以通过抽取一小部分产品进行检测，并根据检测结果推断整个批次产品的质量状况。而根据中心极限定理，我们可以通过抽取足够多的样本并计算样本均值，来推断总体均值和标准差，从而判断整个批次产品的质量是否符合要求。
二、大数定律
1. 定义
大数定律是指当样本量足够大时，样本平均值趋近于总体平均值。也就是说，如果我们从总体中抽取足够多的样本，并计算每个样本的平均值，那么这些平均值将趋近于总体的平均值。
2. 原理
大数定律的原理可以用数学公式表示为：
当n趋向于无穷大时，样本均值（Xbar）趋近于总体均值（μ）。
3. 应用
大数定律在实际应用中也非常广泛。例如，在股票市场中，我们可以通过抽取一小部分股票进行分析，并根据分析结果预测整个市场的走势。而根据大数定律，我们可以通过抽取足够多的股票并计算它们的收益率，来推断整个市场的平均收益率和风险水平。
三、中心极限定理和大数定律之间的关系
1. 相似性
中心极限定理和大数定律都是关于样本均值的定理，它们都是基于样本量足够大的前提条件下成立的。
2. 区别
中心极限定理和大数定律的主要区别在于它们所描述的内容不同。中心极限定理描述了样本均值的分布情况，而大数定律描述了样本均值与总体均值之间的关系。
大数定律与中心极限定理
大数定律（Law of Large Numbers）和中心极限定理（Central Limit
Theorem）是统计学中两个基本的概念和定理，它们在概率论和统计学的研究中起着重要的作用。本文将介绍大数定律与中心极限定理的概念和原理，并探讨它们在现实生活中的应用。
一、大数定律
大数定律是指随着样本容量的增加，样本平均值的稳定性会逐渐增强，逼近总体均值。以样本平均值为例，大数定律表明当样本容量无限大时，样本平均值将趋近于总体均值。这一定律在概率论和统计学中有着广泛的应用。
大数定律可以分为弱大数定律和强大数定律两类。弱大数定律指的是当样本容量足够大时，样本平均值以较高的概率接近总体均值；而强大数定律则是指样本平均值几乎总是接近于总体均值，不管样本容量大小。
大数定律在现实生活中有着广泛的应用。例如，在投资领域，投资者通过分析历史数据来估计未来的收益率。大数定律告诉我们，当样本容量足够大时，通过历史数据得出的均值可以较好地代表未来的收益率。另外，在统计调查中，通过对样本进行抽样调查可以估计总体的参数。大数定律告诉我们，样本容量越大，样本估计总体参数的准确性就越高。
二、中心极限定理 中心极限定理是指在一定条件下，独立同分布的随机变量之和的分布趋近于正态分布。中心极限定理是统计学中最重要的定理之一，它揭示了总体均值的抽样分布的特性。
中心极限定理有三种常见的形式：李雅普诺夫中心极限定理、棣莫弗-拉普拉斯中心极限定理和林德伯格-列维中心极限定理。这三种形式的中心极限定理分别对应不同的分布情况。
中心极限定理的应用非常广泛。在现实生活中，我们经常遇到需要对一组随机变量求和的情况。例如，抽样调查中，我们需要对多个样本进行求和，来估计总体参数。中心极限定理告诉我们，当样本容量足够大时，样本求和的分布将逼近于正态分布。这为我们在实际问题中提供了便利，使得我们能够利用正态分布的性质进行统计推断和分析。
大数定律和中心极限定理
1 大数定律
这里强调的是总体与样本
大数定律就是说：当随机事件发生的次数足够多时，发生的频率趋近于预期的概率
大数定律说的是当随机事件重复多次时频率的稳定性，随着试验次数的增加，事件发生的频率趋近于预期的“概率”
2 赌徒缪误：
1，2，4，8-----在赌钱时——输了就翻倍，一直到赢为止
有人说：如果已经连续4次出现正面，接下来的第5次还是正面的话，就接连有5次“正面”，根据概率论，连抛5次正面的几率是1/25=1/32。所以，第5次正面的机会只有1/32，而不是1/2。
以上混淆了“在硬币第1次抛出之前，预测接连抛5次均为正的概率”和“抛了4次正之后，第5次为正的概率”，
既（11111）---- 1/32，
(1111)1 ---- 1/2。
3 中心极限定理
3.1 大数定律和中心极限定理的关系：
上面通过赌徒谬误介绍了概率论中的大数定律。大数定律说的是当随机事件重复多次时频率的稳定性，随着试验次数的增加，事件发生的频率趋近于预期的“概率”。但大数定律并未涉及概率之分布问题。
此外大数定律说明了在一定条件下，当系统的个体足够多时，系统的算数平均值会集中在期望位置。从这个角度，中心极限定理包含了大数定律。因为中心极限定理在于揭示系统在期望附近的统计性质，即“以何种方式”集中在期望。
总的来说就是——大数定律反映的是频率->概率（或者认为广义的期望）；而中心极限定理反映的是——在整体结果下，结果内部发生各种情况下的一个概率分布情况。
3.2 那什么是中心极限定理？
中心极限定理指的是分别适用于不同条件的一组定理，但基本可以用一句通俗的话来概括它们：大量相互独立的随机变量，其求和后的平均值以正态分布（即钟形曲线）为极限。
Eg：以二项分布为例进行解释（抛硬币）
对于抛n次硬币，出现正面k次的一个分布情况，如下：
但是对于二项分布不一定是对对称的，除了受抛的次数n影响，还受对应的概率p的影响
第四章 大数定律与中心极限定理
第一节 大数定律
一、历史简介
概率论历史上第一个极限定理属于贝努里,后人称之为“大数定律”.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,证明了时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.在第一章已经指出,随机事件在大量重复试验中呈现明显的统计规律性,即一个事件在大量重复试验中出现的频率具有稳定性.这种稳定性的提法应该说是什么形式? 贝努里是第一个研究这一问题的数学家.他于是1713年首先提出后人称之为“大数定律”的极限定理.
二、大数定律
定理1(贝努里大数定律) 设是重贝努里试验中事件出现的次数,是事件在每次试验中出现的概率,则对任意的,有
证明:令表示在第次试验中出现的次数.若第次试验中出现,则令;若若第次试验中不出现,则令.由贝努里试验定义,是个相互独立的随机变量,且
而
于是
由契比晓夫不等式有
又由独立性知道有
从而有
这就证明了定理1.
若是随机变量序列,如果存在常数列,使得对任意的,有
成立,则称随机变量序列服从大数定律.
定理2(契比晓夫大数定律) 设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,使有
则对于任意的,有
证明:利用契比晓夫不等式,有
因为是一列两两不相关的随机变量,它们的方差有界,即可得到
从而有
从而定理2得证.
[例1] 设为独立同分布的随机变量,均服从参数为的普哇松分布.由以往的讨论知道,,因而满足定理2的要求,则由定理2 的结论可知
