1.5 概率与统计基础
大数定律与中心极限定理
重要程度：9 分
<h2>1.5 概率与统计基础 - 重点内容：大数定律与中心极限定理</h2>
<h3>一、大数定律</h3>
<p>大数定律是概率论中的一个重要概念，它描述了大量随机变量的平均值随着样本数量增加而趋于一个确定性数值的趋势。简单来说，就是当实验次数足够多时，事件发生的频率会接近于其理论概率。</p>
<ul>
<li><strong>弱大数定律：</strong>如果\(X_1, X_2, ..., X_n\)是一系列独立同分布（i.i.d.）的随机变量，且每个\(X_i\)都有相同的期望\(\mu\)和有限方差\(\sigma^2\)，那么对于任意给定的小正数\(\epsilon > 0\)，有
\[P\left(\left|\frac{X_1 + X_2 + ... + X_n}{n} - \mu\right| < \epsilon\right) \rightarrow 1\]
当\(n \rightarrow \infty\)时成立。
</li>
<li><strong>强大数定律：</strong>在上述条件下，不仅概率上接近，而且几乎必然地收敛到\(\mu\)，即
\[\lim_{n \to \infty}\frac{X_1 + X_2 + ... + X_n}{n} = \mu\]
</li>
</ul>
<h3>二、中心极限定理</h3>
<p>中心极限定理说明了无论原始分布如何，只要是从总体中抽取足够大的样本量，并计算这些样本均值的话，这些样本均值的分布将趋近于正态分布。</p>
<ul>
<li><strong>经典版本：</strong>设\(X_1, X_2, ..., X_n\)为独立同分布的随机变量序列，它们共同具有均值\(\mu\)和方差\(\sigma^2 > 0\)。令\(S_n = X_1 + X_2 + ... + X_n\)，则标准化后的总和
\[\frac{S_n - n\mu}{\sqrt{n}\sigma}\]
的分布函数当\(n \rightarrow \infty\)时趋向于标准正态分布N(0,1)。
</li>
</ul>
<h4>例题说明</h4>
<p><strong>例题1：</strong>假设某工厂生产的产品长度服从未知分布，但已知平均长度为10cm，标准差为2cm。从该批产品中随机选取100件测量其长度，试估计这100件产品的平均长度落在9.8cm至10.2cm之间的概率。</p>
<p><strong>解：</strong>根据中心极限定理，虽然单个产品的长度分布未知，但是当我们考虑足够多（这里为100件）产品的平均长度时，这个平均长度可以近似认为服从正态分布N(\(\mu=10\), \(\sigma/\sqrt{n}=2/10=0.2\))。因此，
\[P(9.8 < \bar{X} < 10.2) = P\left(\frac{9.8-10}{0.2} < Z < \frac{10.2-10}{0.2}\right) = P(-1 < Z < 1)\]
查表得\(P(-1 < Z < 1) ≈ 0.6827\)。</p>
这段HTML代码简洁地介绍了大数定律及其中心极限定理的核心概念，并通过一个具体的例子来帮助理解中心极限定理的应用场景。希望这对您有所帮助！