《概率论与数理统计》读后感.docxVIP

《概率论与数理统计》读后感 马克.吐温曾讽刺道：有三种避免讲真相的方式：谎言，该死的谎言和统计 数据。这个笑话很中肯，因为统计信息频繁地看似一个黑匣子——了解统计定 理怎样让通过数据取得结论变成可能，这是有难度的。但因为不论是喷气发动 机可靠性还是安排我们平日看的电视节目的流程，数据分析，类似的任何事情 中都扮演着重要角色，所以至少获取对统计基本理解是重要的。 大数定律和中心极限定理很长，但是要表达的意思很简单。数学就这样， 数学家要表达一个很简单的意思，但是为了严谨，他们写出来的公式就很长， 很烦人。 先看大数定律：不管是什么样的随机变量，对于他们的样本均值，你所取 得的样本容量 n 越大，你的样本均值就越接近总体均值。大数定律跟随的几个 定律，贝努里大数定律和辛钦定理其实说的是一个意思，可以看做大数定律的 具体描述。 区别在于，贝努里告诉我们，独立重复试验的随机变量符合大数定 律。辛钦告诉我们，不要求独立重复试验，只要是独立同分布的随机变量，就 能满足大数定律。所以贝努里大数定律是辛钦定律的特殊情况。辛钦看到了更 一般的情况。 中心极限定理：对于一批随机变量，符合某种条件时，不管这些随机变量 如何分布，他们的样本均值的分布就一定是正态分布！ 在公理化体系提出之前，人们对概率的研究局限在等可能事件。比如抛一 枚硬币，我可以认为抛出正面的概率就是 1/2。若实际抛掷，抛 10 次，也许会 有七次是正面，但如果抛很多很多次，那得到的正面占比将十分接近 50%，这 就是“频率接近于概率”的观念。贝努里感兴趣的是，如果抛 100 次，出现的 正面数占比在 48%到 52%之间的概率是多少？如果抛 100 万次，这个概率又会 变为多少？能否抛足够多次，来让正面数的占比在 49.9999%到 50.0001%之间的 概率达到 99.9999%？ 在这个问题上面工作了整整 20 年后，1705 年左右，贝努里证明了第一个 大数定理，它指出，我们总可以抛掷足够多次，使我们能几乎确定得到的正面 占比很接近于 50%。而且，在给定“几乎确定”和“接近”的具体定义后，定 理还给出用来计算这个“足够”的抛掷次数的公式。 后来，有了公理化体系，就有了现在教科书上标准的说法：对独立同分布 的随机变量序列{xn, n=1,2,3,...}，设均值为 Exn，方差存在。则[(x1+...+xn)- E(x1+...+xn)]/n 依概率收敛到 0。可见贝努里大数定理就是 xn 为二元随机变量时 的一个特例。至于其他那些带着其他人名的大数定理，无非就是把条件放宽而 已。如辛钦大数定律是把条件放宽为随机变量序列独立同分布且存在一阶矩。 定义中心极限定理：某典型课本对中心极限定理的定义如下：当样本容量 增加时，样本均值 X 的分布接近均值等于 μ，标准差 σ/√n 换句话说，如果 我们多次采用大小为 n 的独立随机抽样，那么当 n 足够大的时，样本平均值的 分布就接近正态分布。 那么多大才是足够大呢？一般来说，样本容量大于或者等于 30 认为是足够 大，此时中心极限定理起作用。如果总体分布越要接近正态分布，那么需要更 多的样本来使用该定理。对于严重不对称的或者有几个模板的总体来说，也许 要求更大的样本。从一个总体中收集所有的数据是很难操作或者不可行的，统 计学就是基于这个情况产生的。换种方式来做，我们可以从总体中获取数据的 子集，然后对这个样本进行统计分析，以得到总体的结论。 举例来说，我们可以从工业生产流程中收集多个随机样本，然后使用各个 样本的平均值来推断整个过程的稳定性。两个常用于解释总体的特征值分别是 平均值和标准差。当数据遵循正态分布，均值表示分布的中心位置，标准差揭 示分布情况。想象我们在获取我们做过的考试结果，除了接收我们自己的成绩 以外，我们也要知道其他人的平均分，然而，如果考试成绩不符合正态分布， 平均分就容易让人造成误解了。中心极限定理是卓越的，因为它暗示，无论总 体分布如何，样本均值的分布将接近正态分布。该定理也允许我们对样本均值 或许采取的价值的可能变化范围做可能性声明。 例子 1：掷骰子 为了说明中心极限定理，骰子是理想的，如果你掷有 6 面的骰子，掷到 1 的概率是 1/6，2 的概率是 1/6，3 的概率是 1/6，以此类推……骰子落在任何一 面的概率与任意其他 5 面的概率相等。 在教室的情况下，我们用真实的骰子进行这样的实验。为了获得一个总体 的准确表示，让我们掷 500 次。当我们用图形来注标数据时，我们看到和预期 一样，分布看起来相当平坦，这肯定不是正态分布。当我们连续掷 2 次骰子， 重复这样的操作 500 次，之后，我们计算每对的平均值，创建直方图。观察直 方图，我们会发现：随着样本大小，或者掷的次数增加，平均值的分布