Wetten van de grote aantallen

Onder een wet van grote aantallen wordt in de kansrekening een regel verstaan die een uitspraak doet over het gedrag van het gemiddelde van een rij stochastische variabelen bij toenemende omvang van de rij. Er bestaan verschillende vormen van zo'n wet. Zo is er een experimentele, een zwakke en een sterke wet van de grote aantallen. De diverse formuleringen van de wet en de specifieke randvoorwaarden beschrijven aspecten van deze convergentie.

In een statistische context zeggen wetten van grote aantallen dat het (steekproef)gemiddelde van een aselecte steekproef uit een populatie, met hoge waarschijnlijkheid weinig verschilt van het populatiegemiddelde.

Indien de stochastische variabelen een eindige variantie hebben, scherpt de centrale limietstelling ons begrip van de convergentie van het gemiddelde verder aan door uitspraken te doen over de kansverdeling van het gemiddelde van de stochastische variabelen. Ongeacht de onderliggende verdeling van deze variabelen, convergeert de kansverdeling van dit gemiddelde naar een normale verdeling.

De experimentele wet van de grote aantallen vormt de basis voor de frequentistische opvatting van het begrip kans. Deze wet is de experimentele vaststelling dat in kansexperimenten de relatieve frequentie van een gebeurtenis op de lange duur naar een limiet lijkt te convergeren. Zo zien we dat bij herhaald werpen met een zuivere dobbelsteen de relatieve frequentie ${\displaystyle f_{n}(6)}$ van de uitkomst 6, dus het quotiënt van het aantal keren dat 6 gegooid is en het totaal aantal worpen, op de lange duur dicht in de buurt van de waarde 1/6 komt te liggen. We zouden kunnen schrijven:

${\displaystyle f_{n}(6)\to 1/6,}$

waarbij we moeten bedenken dat de pijl slechts een experimentele vaststelling is.

In de theorie die met de experimentele wet als model opgezet wordt, kan een theoretische (zwakke) wet van de grote aantallen afgeleid worden. Deze wet luidt voor het bovenstaande voorbeeld:

${\displaystyle f_{n}(6)\to P(6)=1/6}$,

waarin de pijl nu een precies gedefinieerde limiet in kans voorstelt, nl. dat voor iedere ${\displaystyle \varepsilon >0}$:

${\displaystyle \lim _{n\to \infty }P(|f_{n}(6)-P(6)|>\varepsilon )=0}$

De zwakke wet van de grote aantallen stelt dat van een oneindige rij ongecorreleerde (de correlatie tussen elk tweetal uit de rij is nul) stochastische variabelen ${\displaystyle X_{1},X_{2},X_{3},\ldots }$ die alle dezelfde verwachtingswaarde ${\displaystyle \mu }$ en dezelfde eindige variantie ${\displaystyle \sigma ^{2}}$ hebben, het gemiddelde

${\displaystyle {\overline {X}}_{n}={\tfrac {1}{n}}(X_{1}+\ldots +X_{n})}$

in waarschijnlijkheid convergeert naar ${\displaystyle \mu }$. Dit houdt in dat voor ieder positief getal ${\displaystyle \varepsilon }$, hoe klein ook, geldt dat

${\displaystyle \lim _{n\to \infty }P\left(\left|{\overline {X}}_{n}-\mu \right|>\varepsilon \right)=0}$

De ongelijkheid van Chebyshev wordt gebruikt om dit te bewijzen.

De sterke wet van de grote aantallen stelt dat van een oneindige rij onderling onafhankelijke en identiek verdeelde stochastische variabelen ${\displaystyle X_{1},X_{2},X_{3},\ldots }$ met verwachtingswaarde ${\displaystyle \mu }$ en ${\displaystyle \operatorname {E} (|X_{1}|)<\infty }$, het gemiddelde met kans 1 convergeert naar ${\displaystyle \mu }$. Dit houdt in dat:

${\displaystyle P\left(\lim _{n\to \infty }{\overline {X}}_{n}=\mu \right)=1}$

Deze wet, bekeken als een speciaal geval van het puntsgewijze of sterke ergodische theorema, rechtvaardigt de intuïtieve interpretatie van de verwachtingswaarde van een stochastische variabele, maar enkel voor lebesgue-integratie, als het "lange-termijngemiddelde" bij herhaald uitvoeren van het kansexperiment.

De eerste bekende vermelding van deze materie werd in 1713 opgetekend door de Zwitser Jakob Bernoulli. Na hem heeft de Fransman Siméon Poisson de wetten verder geannoteerd en uitgewerkt.