Z mojego punktu widzenia różnica jest ważna, ale głównie z powodów filozoficznych. Załóżmy, że masz jakieś urządzenie, które z czasem się poprawia. Tak więc za każdym razem, gdy używasz urządzenia, prawdopodobieństwo jego awarii jest mniejsze niż przedtem.
Zbieżność prawdopodobieństwa mówi, że prawdopodobieństwo niepowodzenia spada do zera, gdy liczba zastosowań zbliża się do nieskończoności. Tak więc, po wielokrotnym użyciu urządzenia, możesz być bardzo pewny, że działa poprawnie, nadal może zawieść, jest to bardzo mało prawdopodobne.
Konwergencja prawie na pewno jest nieco silniejsza. Mówi, że całkowita liczba awarii jest skończona . Oznacza to, że jeśli policzysz liczbę awarii, gdy liczba zastosowań zbliża się do nieskończoności, otrzymasz liczbę skończoną. Wpływ tego jest następujący: w miarę używania urządzenia, po skończonej liczbie operacji wyczerpiesz wszystkie awarie. Od tego momentu urządzenie będzie działać idealnie .
Jak zauważa Srikant, tak naprawdę nie wiesz, kiedy wyczerpałeś wszystkie niepowodzenia, więc z czysto praktycznego punktu widzenia nie ma dużej różnicy między tymi dwoma trybami zbieżności.
Jednak osobiście cieszę się, że na przykład istnieje silne prawo dużej liczby, a nie tylko słabe prawo. Ponieważ teraz eksperyment naukowy mający na celu uzyskanie, powiedzmy, prędkości światła, jest uzasadniony przy przyjmowaniu średnich. Przynajmniej teoretycznie po uzyskaniu wystarczającej ilości danych można dowolnie zbliżyć się do prawdziwej prędkości światła. W procesie uśredniania nie wystąpią żadne awarie (jakkolwiek mało prawdopodobne).
Pozwól, że wyjaśnię, co rozumiem przez „błędy (jakkolwiek nieprawdopodobne) w procesie uśredniania”. Wybierz dowolnie dowolnie. Otrzymujesz n oszacowań X 1 , X 2 , … , X n prędkości światła (lub innej wielkości), która ma pewną „prawdziwą” wartość, powiedzmy μ . Obliczasz średnią
S n = 1δ> 0nX1, X2), … , Xnμ
Jak uzyskać więcej danych (nzwiększa) można obliczyćSNdla każdejn=1,2,.... Słabe prawo mówi (przy niektórych założeniach oXn), że prawdopodobieństwo
P(|Sn-μ|>δ)→0,
gdynidzie do∞. Silne prawo mówi, że tyle razy| Sn
S.n= 1n∑k = 1nXk.
nS.nn = 1 , 2 , …XnP.( | Sn- μ | > δ) → 0
n∞jest większy niż
δ jest skończony (z prawdopodobieństwem 1). To znaczy, jeśli zdefiniujemy funkcję wskaźnika
I ( | S n - μ | > δ ), która zwraca jedną, gdy
| S n - μ | > δ i zero w przeciwnym razie, to
∞ ∑ n = 1 I ( | S n - μ | > δ )
zbiega się. Daje to znaczne zaufanie do wartości
S n| S.n- μ |δja( | Sn- μ | > δ)| S.n- μ | > δ∑n = 1∞ja( | Sn- μ | > δ)
S.n, ponieważ gwarantuje (tj. z prawdopodobieństwem 1) istnienie pewnej skończonej liczby
takiej, że
| S n - μ | < δ dla wszystkich
n > n 0 (tzn. średnia nigdy
nie zawodzi dla
n > n 0 ). Pamiętaj, że słabe prawo nie daje takiej gwarancji.
n0| S.n- μ | < δn > n0n > n0