first commit

This commit is contained in:
2026-10-04 11:44:56 +08:00
commit e7cbe2cdae
265 changed files with 52919 additions and 0 deletions
@@ -0,0 +1,530 @@
# 📌 第五章 大数定律与中心极限定理 考研核心通关笔记
> 概率论的"极限理论"——揭示大量随机现象的统计规律性,是联系概率论与数理统计的桥梁
---
## ① 本章核心知识框架 (Core Concept Map)
### 5.1 切比雪夫不等式(Chebyshev's Inequality)⭐⭐
#### 一、概率不等式的地位
切比雪夫不等式是**用方差估计概率**的核心工具,无需知道分布的具体形式,只需知道均值 $\mu$ 和方差 $\sigma^2$。
*极简例子:* 任何方差有限的随机变量,距离均值超过 $k$ 倍标准差的概率不超过 $1/k^2$——这是**"方差的概率意义"**。
#### 二、切比雪夫不等式
设随机变量 $X$ 的期望 $E(X) = \mu$,方差 $D(X) = \sigma^2$ 存在,则对任意 $\varepsilon > 0$:
$$
P(|X - \mu| \ge \varepsilon) \le \frac{\sigma^2}{\varepsilon^2}
$$
等价形式(取补集):
$$
P(|X - \mu| < \varepsilon) \ge 1 - \frac{\sigma^2}{\varepsilon^2}
$$
*极简例子:* 若 $E(X) = 0, D(X) = 1$,则 $P(|X| \ge 3) \le 1/9$;$P(|X| < 2) \ge 3/4$。
> 🔑 **核心解读**:
> - 不等式**只与 $\mu$ 和 $\sigma^2$ 有关**,与 $X$ 的具体分布无关
> - $\varepsilon$ 越大,$P(|X-\mu|\ge\varepsilon)$ 上界越小
> - $\sigma^2$ 越大,分布越分散,超过 $\varepsilon$ 的可能性越大
#### 三、推导思想(截尾法 / 单调收敛)
$$
\begin{aligned}
\sigma^2 &= E[(X-\mu)^2] = \int_{-\infty}^{+\infty}(x-\mu)^2 f(x)\,dx \\
&\ge \int_{|x-\mu|\ge\varepsilon}(x-\mu)^2 f(x)\,dx \\
&\ge \varepsilon^2 \int_{|x-\mu|\ge\varepsilon} f(x)\,dx = \varepsilon^2 P(|X-\mu|\ge\varepsilon)
\end{aligned}
$$
整理即得。
#### 四、重要特例
| 情况 | 结论 |
|------|------|
| $E(X) = \mu, D(X) = 0$ | $P(X = \mu) = 1$(退化分布)|
| $\mu = 0, \varepsilon = k\sigma$ | $P(\|X\| \ge k\sigma) \le 1/k^2$(" $3\sigma$ 原则" 的理论依据)|
---
### 5.2 大数定律(Law of Large Numbers, LLN)
#### 一、依概率收敛
设 $\{X_n\}$ 是一随机变量序列,$X$ 是随机变量,若对任意 $\varepsilon > 0$:
$$
\lim_{n\to\infty} P(|X_n - X| \ge \varepsilon) = 0
$$
则称 $\{X_n\}$ **依概率收敛**于 $X$,记作 $X_n \xrightarrow{P} X$。
*极简例子:* 频率 $f_n(A) \xrightarrow{P} P(A)$——这是"频率稳定于概率"的严格化。
> 🔑 **注意**:依概率收敛 $\neq$ 几乎必然收敛(后者要求更强的 $P(\lim X_n = X) = 1$)。
#### 二、切比雪夫大数定律 ⭐
设 $\{X_n\}$ **两两不相关**,$E(X_n) = \mu_n, D(X_n) = \sigma_n^2$,且 $\sigma_n^2$ **一致有上界**($\exists C, \sigma_n^2 \le C$),则
$$
\frac{1}{n}\sum_{i=1}^n (X_i - \mu_i) \xrightarrow{P} 0
$$
**特例**:若 $\{X_n\}$ **独立同分布**(i.i.d.),$E(X_i) = \mu, D(X_i) = \sigma^2$,则
$$
\bar{X} = \frac{1}{n}\sum_{i=1}^n X_i \xrightarrow{P} \mu
$$
*极简例子:* 独立掷 10000 次骰子,平均点数 $\bar{X}$ 几乎肯定接近 3.5。
> 🔑 **条件对比**:
> - 切比雪夫 LLN:**只要求两两不相关 + 方差有界**(比独立弱)
> - 辛钦 LLN:要求**独立同分布** + 期望存在
> - 伯努利 LLN:要求**独立 + 同 $0$-$1$ 分布**
#### 三、伯努利大数定律(Bernoulli LLN)⭐
设 $n_A$ 是 $n$ 次独立重复试验中事件 $A$ 发生的次数,$p = P(A)$,则对任意 $\varepsilon > 0$:
$$
\lim_{n\to\infty} P\left(\left|\frac{n_A}{n} - p\right| \ge \varepsilon\right) = 0
$$
即频率 $f_n(A) = n_A/n \xrightarrow{P} p$。
*极简例子:* 抛 10000 次硬币,正面频率几乎肯定接近 0.5。
> 🔑 **统计意义**:为**频率稳定于概率**提供了严格的数学证明。
#### 四、辛钦大数定律(Khinchin LLN)⭐
设 $\{X_n\}$ **独立同分布**,且 $E(X_n) = \mu$ 存在,则
$$
\bar{X} = \frac{1}{n}\sum_{i=1}^n X_i \xrightarrow{P} \mu
$$
*极简例子:* 某厂生产零件,尺寸独立同分布 $X_i \sim N(10, 0.1^2)$,则 10000 件平均尺寸几乎肯定接近 10mm。
> 🔑 **三定律条件强度对比**:
> ```
> 辛钦 LLN:i.i.d. + E(X) 存在
> ↓ (减弱 i.i.d. 假设)
> 切比雪夫 LLN:两两不相关 + D(X) 一致有界
> ↓ (减弱到 0-1 分布)
> 伯努利 LLN:独立 + 0-1 分布
> ```
---
### 5.3 中心极限定理(Central Limit Theorem, CLT)⭐⭐⭐
#### 一、问题的提出
大数定律说明 $\bar{X} \xrightarrow{P} \mu$,但**未给出 $\bar{X}$ 的近似分布**。中心极限定理回答:当 $n$ 充分大时,$\bar{X}$(或 $\sum X_i$)的**精确分布**近似什么?
#### 二、独立同分布的中心极限定理(林德伯格-莱维 Lindeberg-Lévy)⭐⭐⭐
设 $\{X_n\}$ 独立同分布,$E(X_i) = \mu, D(X_i) = \sigma^2 > 0$,则当 $n \to \infty$ 时:
$$
\frac{\sum_{i=1}^n X_i - n\mu}{\sigma\sqrt{n}} = \frac{\bar{X} - \mu}{\sigma/\sqrt{n}} \xrightarrow{d} N(0,1)
$$
即当 $n$ 充分大时,$\sum X_i$ 近似 $N(n\mu, n\sigma^2)$,$\bar{X}$ 近似 $N(\mu, \sigma^2/n)$。
*极简例子:* 100 件零件重量 i.i.d. $X_i \sim U(0, 1)$(均值 0.5,方差 1/12),总重 $Y = \sum X_i$ 近似 $N(50, 100/12) = N(50, 25/3)$。
> 🔑 **核心结论**:
> - **不管 $X_i$ 是什么分布**(只要方差有限),标准化和**都趋向标准正态**
> - 这就是"正态分布是概率论极限分布"的根本原因
> - 经验法则:$n \ge 30$ 即可使用近似;$n \ge 50$ 近似效果良好
#### 三、李雅普诺夫(Lyapunov)定理
设 $\{X_n\}$ 独立,$E(X_i) = \mu_i, D(X_i) = \sigma_i^2$,记 $B_n^2 = \sum_{i=1}^n \sigma_i^2$。若存在 $\delta > 0$ 使得
$$
\frac{1}{B_n^{2+\delta}} \sum_{i=1}^n E(|X_i - \mu_i|^{2+\delta}) \to 0
$$
则
$$
\frac{\sum_{i=1}^n X_i - \sum_{i=1}^n \mu_i}{B_n} \xrightarrow{d} N(0,1)
$$
*极简例子:* 各 $X_i$ 不同分布但独立、方差有限,李雅普诺夫条件保证标准化和仍近似标准正态。
> 🔑 **李雅普诺夫 vs 林德伯格-莱维**:
> - 前者适用于**独立但不同分布**情形
> - 后者适用于**独立同分布**情形
> - 林德伯格条件是李雅普诺夫条件的充分条件(更精细)
#### 四、棣莫弗-拉普拉斯(De Moivre-Laplace)定理 ⭐⭐
设 $\eta_n \sim B(n, p)$($n$ 次独立试验中成功次数),则当 $n$ 充分大时:
$$
\frac{\eta_n - np}{\sqrt{np(1-p)}} \xrightarrow{d} N(0,1)
$$
即 $B(n, p)$ 近似 $N(np, np(1-p))$。
*极简例子:* 抛 10000 次硬币,正面次数 $\eta \sim B(10000, 0.5)$ 近似 $N(5000, 2500)$。
> 🔑 **这是 i.i.d. CLT 的特例**:将 $X_i \sim B(1, p)$(0-1 分布)求和即得 $\eta_n \sim B(n, p)$。
> - 适用条件:$np \ge 5$ 且 $n(1-p) \ge 5$(或更宽松的 $np, n(1-p) \ge 10$)
> - 修正(continuity correction):$P(a < \eta_n \le b) \approx \Phi\left(\dfrac{b+0.5 - np}{\sqrt{np(1-p)}}\right) - \Phi\left(\dfrac{a-0.5 - np}{\sqrt{np(1-p)}}\right)$
#### 五、CLT 的"标准化变换"模板
对任意 i.i.d. 求和问题,**标准做法**:
$$
P(a \le \sum X_i \le b) \approx \Phi\left(\frac{b - n\mu}{\sigma\sqrt{n}}\right) - \Phi\left(\frac{a - n\mu}{\sigma\sqrt{n}}\right)
$$
*极简例子:* 36 件独立产品,每件次品率 0.1,求"次品数 $\le 4$"的概率:$\sum X_i \sim B(36, 0.1)$,用 CLT 标准化。
---
## ② 必考题型分类索引
> 每个题型独立成文,包含完整 mermaid 解题流程图、通法步骤、常见陷阱、经典母题。
| # | 题型 | 核心判据 | 详细笔记 |
|---|------|---------|---------|
| 1 | 切比雪夫不等式 | 方差估计概率,无需具体分布 | [[题型1_切比雪夫不等式]] |
| 2 | 大数定律判定与计算 | 三大定律的条件识别 + 依概率收敛 | [[题型2_大数定律的判定与计算]] |
| 3 | 中心极限定理的应用 | i.i.d. 求和 → 标准化 → 查 $\Phi$ | [[题型3_中心极限定理的应用]] |
| 4 | 二项分布的正态近似 | $B(n,p)$ 近似 $N(np, np(1-p))$ | [[题型4_二项分布的正态近似]] |
| 5 | 综合应用题 | LLN + CLT 串联 + 反常积分极限定理 | [[题型5_综合应用题]] |
---
## ③ 高频考点与多维变换
### Top 5 高频考点
| 排名 | 考点 | 近15年考频 | 典型分值 |
|------|------|-----------|---------|
| 1 | 中心极限定理的近似计算 | 12次 | 4-6分 |
| 2 | 切比雪夫不等式 | 8次 | 4分 |
| 3 | 棣莫弗-拉普拉斯定理 | 5次 | 4分 |
| 4 | 辛钦大数定律(依概率收敛) | 4次 | 4分 |
| 5 | 切比雪夫 / 伯努利 / 辛钦三定律辨析 | 3次 | 4分 |
### 【示例:一题多角度】
**核心概念**:同一个"独立同分布"情境,三种考法层次
> **同一情境**:设 $X_1, X_2, \ldots, X_{100}$ 独立同分布,$E(X_i) = 2, D(X_i) = 0.04$,$Y = \sum_{i=1}^{100} X_i$。
**角度一:选择题(概念辨析)**
下列结论正确的是?
- (A) $Y$ 服从 $N(200, 4)$ ✓
- (B) $\bar{X}$ 依概率收敛到 2 ✓
- (C) $P(|Y - 200| \ge 2) \le 0.01$(切比雪夫)
- (D) $P(Y \le 205) \approx \Phi(2.5)$(CLT)
**答案**:A、B、C、D 均正确(不同定理的不同应用)。
**角度二:填空题(直接计算)**
- 用切比雪夫:$P(|Y - 200| \ge 3) \le 4/9$
- 用 CLT:$P(Y \le 210) \approx \Phi(10/2) = \Phi(5) \approx 1$
**角度三:解答题(综合应用)**
- 第一步:识别"i.i.d. + 期望方差已知"→ 可用切比雪夫 / LLN / CLT
- 第二步:判断问题类型
- "估计概率上界" → 切比雪夫
- "$n$ 很大求概率" → CLT
- "证明依概率收敛" → LLN
**启示**:
- **同一情境**可同时用三大工具
- **切比雪夫给"上界",CLT 给"近似值"**——二者互补
- **LLN 是定性描述,CLT 是定量描述**——LLN 答"是否收敛",CLT 答"收敛到什么分布"
**核心公式速记**:
- **切比雪夫**:$P(|X - \mu| \ge \varepsilon) \le \sigma^2/\varepsilon^2$
- **辛钦 LLN**:$\bar{X} \xrightarrow{P} \mu$
- **CLT**:$\dfrac{\bar{X} - \mu}{\sigma/\sqrt{n}} \xrightarrow{d} N(0,1)$
- **棣莫弗-拉普拉斯**:$B(n,p) \approx N(np, np(1-p))$
---
## ④ 方法论与解题通法 (Methodology)
### 方法一:工具选择决策树
```
随机变量 X 求概率或估计
│
├── 只知道 E(X), D(X) → 切比雪夫不等式
│ P(|X-μ|≥ε) ≤ σ²/ε² (上界)
│
├── 大量独立同分布 X_i 求和
│ │
│ ├── 问"n→∞ 时 X̄ → ?" → 辛钦大数定律
│ │ X̄ →ᵖ μ
│ │
│ └── 问"n 较大时 X̄ 的概率" → 中心极限定理
│ P(a≤ΣX≤b) ≈ Φ(b-...) - Φ(a-...)
│
└── 大量 0-1 分布求和 (二项分布)
│
├── 问"频率 → ?" → 伯努利大数定律
│ n_A/n →ᵖ p
│
└── 问"B(n,p) 概率近似值" → 棣莫弗-拉普拉斯
η_n ≈ N(np, np(1-p))
```
### 方法二:CLT 标准化的"三步法"
1. **求和**:明确 $\sum X_i$ 的均值 $n\mu$、方差 $n\sigma^2$
2. **标准化**:$\dfrac{\sum X_i - n\mu}{\sigma\sqrt{n}} = Z \sim N(0,1)$($n$ 大时)
3. **查表**:$P(a \le \sum X_i \le b) = \Phi\left(\dfrac{b - n\mu}{\sigma\sqrt{n}}\right) - \Phi\left(\dfrac{a - n\mu}{\sigma\sqrt{n}}\right)$
**【口诀速记】**:"求和 → 标准化 → 查 $\Phi$"
### 方法三:切比雪夫的"三要素法"
应用切比雪夫必须找齐三要素:
1. **$\mu = E(X)$**(题目给出或能求出)
2. **$\sigma^2 = D(X)$**(题目给出或能求出)
3. **$\varepsilon$**(题目明确给出)
写出 $P(|X - \mu| \ge \varepsilon) \le \sigma^2/\varepsilon^2$ 即可。
> ⚠️ **注意**:$\varepsilon$ 必须为正,且**与 $X$ 同量纲**。
### 方法四:三大定律条件辨析口诀
| 定律 | 条件 | 结论 | 关键标志 |
|------|------|------|---------|
| **切比雪夫** | 两两不相关 + 方差一致有界 | $\bar{X} \xrightarrow{P} \mu$ | "不相关"或"独立且同分布" |
| **辛钦** | 独立同分布 + 期望存在 | $\bar{X} \xrightarrow{P} \mu$ | "i.i.d. + $E$ 存在" |
| **伯努利** | 独立 + 0-1 分布 | $f_n \xrightarrow{P} p$ | "频率逼近概率" |
| **CLT(林德伯格)** | i.i.d. + 方差有限 | $\frac{\sum X_i - n\mu}{\sigma\sqrt{n}} \xrightarrow{d} N(0,1)$ | "i.i.d. + $D$ 存在" |
| **CLT(李雅普诺夫)** | 独立 + 矩条件 | 同上 | "独立 + 不同分布" |
| **棣莫弗-拉普拉斯** | $B(n,p)$ + $n$ 大 | $B(n,p) \approx N(np, np(1-p))$ | "$n$ 次独立 0-1 试验" |
> 🔑 **条件强度对比**(由强到弱):
> 辛钦 LLN $\supset$ 切比雪夫 LLN $\supset$ 伯努利 LLN
### 方法五:跨章节通法速查表
| 通用技法 | 本章出现场景 | 后续章节升级 | 判断依据 |
|---------|------------|------------|---------|
| **标准化变换** | CLT 标准化 | Ch06 抽样分布、Ch07 区间估计 | 求和转标准正态 |
| **不等式估计** | 切比雪夫 | Ch07 置信区间(双侧 $\varepsilon$)| 只有期望方差 |
| **依概率收敛** | LLN | Ch07 矩估计相合性 | $n \to \infty$ 的定性极限 |
| **近似计算** | 棣莫弗-拉普拉斯 | Ch06 二项分布 → 正态 | $B(n,p)$ 的 $n$ 大情形 |
| **大数定律** | 频率稳定 | Ch08 假设检验($H_0$ 下极限)| 统计推断的极限基础 |
### 方法六:CLT 与 LLN 的本质区别
```
LLN(定性) CLT(定量)
X̄ →ᵖ μ X̄ 的标准化 →ᵈ N(0,1)
│ │
只答"是否收敛" 答"收敛到什么分布"
│ │
概率的极限行为 概率的精确极限分布
```
**核心联系**:LLN 给出"集中趋势",CLT 给出"中心附近的具体形态"。
---
## ⑤ 易错点红黑榜 (The Pitfall List)
### ❌ 错误 1:把"切比雪夫"当作精确概率
- **错误表现**:直接用切比雪夫算 $P(|X-\mu|<\varepsilon) = 1 - \sigma^2/\varepsilon^2$
- **正确理解**:切比雪夫只给**上界**,**不是**精确概率;用切比雪夫估计的概率**偏大**
**【对比示例】**:
```
❌ 某厂灯泡寿命 X ~ U(0, 10), 则 P(|X-5|≥3) = 9/25(精确计算 36/100 = 0.36)
✅ P(|X-5|≥3) ≤ 25/9 / 9 = 25/81 ≈ 0.309(切比雪夫上界)
实际 0.36 > 0.309,符合"切比雪夫是上界"的结论
```
### ❌ 错误 2:大数定律 vs 中心极限定理混用
- **错误表现**:用 LLN 算具体概率(如 $P(\bar{X} > 5)$);用 CLT 证明 $\bar{X} \xrightarrow{P} \mu$
- **正确理解**:
- **LLN**:$\bar{X} \xrightarrow{P} \mu$(依概率收敛,**不涉及具体分布**)
- **CLT**:$\bar{X}$ 标准化后 $\xrightarrow{d} N(0,1)$(**精确极限分布**)
**【对比示例】**:
```
❌ 问"P(X̄ > μ + 0.1)" 答 "由辛钦 LLN 知 P→0" (错误!LLN 只能定性)
✅ 问"P(X̄ > μ + 0.1)" 答 "由 CLT 知 ≈ 1-Φ(0.1√n/σ)" (正确!CLT 定量)
```
### ❌ 错误 3:CLT 条件 "独立同分布"漏掉方差要求
- **错误表现**:$X_i$ 独立同分布但 $D(X_i) = \infty$(如柯西分布)→ 误用 CLT
- **正确理解**:CLT 要求 $D(X_i) = \sigma^2 > 0$ **有限且为正**。柯西分布无期望方差,不能用 CLT
**【对比示例】**:
```
❌ 柯西分布 X_i 的均值仍近似正态 (错!柯西分布无矩)
✅ 0-1 分布求和大 n 时近似正态 (对!二项分布 → 正态)
```
### ❌ 错误 4:二项分布正态近似条件不满足
- **错误表现**:$B(5, 0.01)$ 强行用正态近似($np = 0.05$ 远小于 5)
- **正确理解**:$np \ge 5$ 且 $n(1-p) \ge 5$ 才能用;否则用泊松近似 $P(\lambda = np)$
**【对比示例】**:
```
❌ B(5, 0.01) → 近似 N(0.05, 0.0495) (错!np 太小)
✅ B(5, 0.01) → 近似 P(λ=0.05) (对!泊松近似)
```
### ❌ 错误 5:依概率收敛与"必然收敛"混淆
- **错误表现**:$X_n \xrightarrow{P} X$ 推出 $X_n \xrightarrow{a.s.} X$
- **正确理解**:依概率收敛 $\Leftarrow$ 几乎必然收敛(后者强于前者,反之不成立)
**【对比示例】**:
```
❌ 频率 f_n(A) →ᵖ P(A) 推出"几乎每次 f_n(A) → P(A)"
✅ 频率 f_n(A) →ᵖ P(A) 仅保证"大偏差概率 → 0"
```
### ❌ 错误 6:切比雪夫不等式分子分母颠倒
- **错误表现**:$P(|X - \mu| \ge \varepsilon) \le \varepsilon^2/\sigma^2$
- **正确理解**:分子是**方差** $\sigma^2$,分母是**$\varepsilon$ 的平方**
**【对比示例】**:
```
❌ P(|X-μ|≥3) ≤ 9/σ² (颠倒)
✅ P(|X-μ|≥3) ≤ σ²/9 (正确)
```
---
## ⑥ 考研导向复习策略 (Exam Strategy)
### 优先级与建议题量
| 子专题 | 优先级 | 建议刷题量 | 说明 |
|--------|--------|-----------|------|
| 中心极限定理的应用 | **高** | 20+ 道 | 每年 1-2 题(填空/选择/解答)|
| 切比雪夫不等式 | **高** | 15+ 道 | 容易出小题 |
| 棣莫弗-拉普拉斯定理 | **中** | 8 道 | 概率近似计算 |
| 三大定律判定 | **中** | 6 道 | 概念辨析 |
| 李雅普诺夫定理 | **低** | 3 道 | 了解即可,超纲概率低 |
> 📊 **本章分值定位**:数一考纲,每年 4-8 分,集中在填空题和解答题第 22-23 题(与 Ch06 数理统计串联)。
### 跨章节连接
```
┌─────────────────────────────────┐
│ 本章 (Ch05) 大数定律与中心极限 │
│ · 切比雪夫不等式(概率上界) │
│ · 三大 LLN(依概率收敛) │
│ · 中心极限定理(标准化 → N(0,1))│
│ · 棣莫弗-拉普拉斯(B(n,p)→正态)│
└───────────────┬─────────────────┘
│
┌───────────────┬───────────────┼───────────────┬───────────────┐
↓ ↓ ↓ ↓ ↓
Ch03 多维分布 Ch04 数字特征 Ch06 数理统计 Ch07 参数估计 Ch08 假设检验
独立性的极限 期望/方差的 抽样分布 矩估计相合性 检验统计量
平均收敛 切比雪夫依据 三大分布 置信区间极限 大样本理论
(χ²/t/F)
↑
│
本章与 Ch04 期望方差
关系最密切:
· 切比雪夫用到 D(X)
· LLN/CLN 依赖 E(X)、D(X)
```
#### 🔥 跨章节综合题命题模式(高频!必须掌握)
**模式 1:切比雪夫 + 一维分布**
> 例题:$X \sim$ 某分布,$E(X) = \mu, D(X) = \sigma^2$,求 $P(|X - \mu| \ge 3\sigma)$。
>
> **解**:直接 $P \le 1/9$。
>
> **考点**:切比雪夫不等式直接应用。
**模式 2:CLT + 二项分布**
> 例题:$B(10000, 0.5)$,求 $P(4900 < X < 5100)$。
>
> **解**:$X \approx N(5000, 2500)$,标准化 $Z = (X-5000)/50$,$P \approx 2\Phi(2) - 1 = 2 \times 0.9772 - 1 = 0.9544$。
>
> **考点**:棣莫弗-拉普拉斯 + 标准化。
**模式 3:CLT + 切比雪夫对比**
> 例题:$X_i$ 独立同分布,$E(X_i) = \mu, D(X_i) = 4$。分别用切比雪夫和 CLT 求 $P(|\bar{X} - \mu| \ge 0.1)$。
>
> **解**:
> - 切比雪夫:$P \le 4/(n \times 0.01) = 400/n$
> - CLT:$P \approx 2[1 - \Phi(0.1\sqrt{n}/2)] = 2[1 - \Phi(0.05\sqrt{n})]$
>
> **考点**:两套工具的对比——切比雪夫给保守上界,CLT 给精确近似。
**模式 4:LLN + 矩估计(Ch07 衔接)**
> 例题:$X_1, \ldots, X_n$ i.i.d.,证明 $\hat{\theta} = \frac{1}{n}\sum X_i^2$ 是 $\theta = E(X^2)$ 的相合估计。
>
> **解**:$X_i^2$ 独立同分布,由辛钦 LLN,$\hat{\theta} \xrightarrow{P} E(X^2) = \theta$。
>
> **考点**:LLN 在 Ch07 矩估计中的应用。
#### 🔗 与 Ch04 数字特征的衔接(关键依赖!)
| 本章工具 | Ch04 基础 | 关系 |
|---------|----------|------|
| 切比雪夫 | $E(X), D(X)$ | 必须已知 $\mu, \sigma^2$ |
| LLN | $E(X_i)$ 存在 | 期望是 LLN 的前提 |
| CLT | $D(X_i) < \infty$ | 方差有限是 CLT 的前提 |
| 棣莫弗-拉普拉斯 | $B(n, p)$ 的 $E, D$ | 期望 $np$,方差 $np(1-p)$ |
---
### 【终极母题推荐】
> **题目**:设 $X_1, X_2, \ldots, X_n$ 独立同分布,$E(X_i) = \mu, D(X_i) = \sigma^2$,$\bar{X} = \frac{1}{n}\sum X_i$。求证:
>
> (1) 对任意 $\varepsilon > 0$,$P(|\bar{X} - \mu| \ge \varepsilon) \le \sigma^2/(n\varepsilon^2)$(切比雪夫);
>
> (2) 当 $n \to \infty$ 时,$\bar{X} \xrightarrow{P} \mu$(辛钦 LLN);
>
> (3) 当 $n$ 充分大时,$\dfrac{\bar{X} - \mu}{\sigma/\sqrt{n}}$ 近似服从 $N(0,1)$(CLT)。
**此题融合**:
- 切比雪夫不等式(基础工具)
- 辛钦大数定律(定性极限)
- 中心极限定理(定量极限)
- 标准化变换(贯穿三大工具)
**为什么这是"终极母题"**:
✅ 一题融合**本章三大核心工具**——切比雪夫、LLN、CLT
✅ 体现了**"独立同分布"**这一核心前提的多种应用
✅ 揭示了三者的**递进关系**:上界 → 定性 → 定量
✅ 与 Ch04 期望方差、Ch07 矩估计、Ch08 大样本理论直接相连
**🔗 这道题的 Ch06 升级版(提前预告)**:
> 条件不变,设 $X_i \sim N(\mu, \sigma^2)$,则 $\dfrac{\bar{X} - \mu}{\sigma/\sqrt{n}} \sim t(n-1)$(精确分布)——这就是**抽样分布**,会出现在 Ch06 中。
>
> → 本章的 CLT 是"近似 $N(0,1)$",Ch06 的精确分布是"任何 $n$ 都成立"。
**这道题做完且理解透彻 → 本章"通关"。**
---
> **下一步**:完成后可进入 [[Ch06_数理统计的基本概念|Ch06 数理统计的基本概念]],抽样分布与本章的 CLT 直接衔接。
@@ -0,0 +1,155 @@
# 题型一:切比雪夫不等式
## 识别特征
- 题干出现"估计概率上界""不超过""至少为"等字样
- 已知 $E(X) = \mu$、$D(X) = \sigma^2$(无需具体分布)
- 涉及 $P(|X - \mu| \ge \varepsilon)$ 或 $P(|X - \mu| < \varepsilon)$
- 题目要求用**方差**反推**概率**范围
## 解题流程
```mermaid
flowchart TD
A[识别:切比雪夫不等式题] --> B{已知 E(X) 和 D(X)?}
B -->|否| C[先求期望和方差]
B -->|是| D[确定 ε 的值]
C --> D
D --> E{是 ≥ε 还是 <ε?}
E -->|≥ε| F[P(|X-μ|≥ε) ≤ σ²/ε²]
E -->|<ε| G[P(|X-μ|<ε) ≥ 1 - σ²/ε²]
F --> H[写出最终上界]
G --> H
```
## 通法步骤
### 一、切比雪夫不等式核心公式
设 $E(X) = \mu, D(X) = \sigma^2$ 存在,则对任意 $\varepsilon > 0$:
**形式 1(大偏差上界)**:
$$
P(|X - \mu| \ge \varepsilon) \le \frac{\sigma^2}{\varepsilon^2}
$$
**形式 2(小偏差下界)**:
$$
P(|X - \mu| < \varepsilon) \ge 1 - \frac{\sigma^2}{\varepsilon^2}
$$
### 二、应用步骤(三步法)
| 步骤 | 操作 | 关键点 |
|------|------|--------|
| **1. 算** | 求 $E(X) = \mu, D(X) = \sigma^2$ | 套公式:$E(X) = \sum x_i p_i$ 或 $\int x f(x)dx$ |
| **2. 定** | 确定 $\varepsilon$ | 仔细审题,找到阈值 |
| **3. 写** | 套不等式 | 注意是 $\ge \varepsilon$ 还是 $< \varepsilon$ |
### 三、重要变形
| 变形 | 形式 |
|------|------|
| **用 $k\sigma$ 表示** | $P(\|X - \mu\| \ge k\sigma) \le 1/k^2$ |
| **两侧不等式** | $P(\|X - \mu\| < k\sigma) \ge 1 - 1/k^2$ |
| **特化 $\mu = 0$** | $P(\|X\| \ge \varepsilon) \le D(X)/\varepsilon^2$ |
| **特化 $\mu = 0, \varepsilon = k\sigma$** | $P(\|X\| \ge k\sigma) \le 1/k^2$ |
### 四、与 Chebyshev 关联的工具
| 工具 | 适用场景 |
|------|---------|
| **Markov 不等式** | 非负随机变量:$P(X \ge \varepsilon) \le E(X)/\varepsilon$ |
| **Chebyshev 不等式** | 一般随机变量:$P(\|X - \mu\| \ge \varepsilon) \le D(X)/\varepsilon^2$ |
| **Chernoff 不等式** | 指数型随机变量(超纲)|
## 常见陷阱
- **陷阱 1**:把"$\ge \varepsilon$"和"$< \varepsilon$"混淆,导致上下界颠倒
- **陷阱 2**:忘记切比雪夫只给**上界**,并非精确概率
- **陷阱 3**:用错 $D(X)$:题目给出的是 $D(X)$ 还是 $\sqrt{D(X)}$(标准差)?
- **陷阱 4**:$\varepsilon$ 单位与 $X$ 不同:需用同一量纲
- **陷阱 5**:在 $D(X) = 0$ 时误用——此时 $P(X = \mu) = 1$,不等式平凡成立
## 经典母题
> **题目 1**:设随机变量 $X$ 的 $E(X) = \mu, D(X) = \sigma^2$,试用切比雪夫不等式估计 $P(|X - \mu| \ge 3\sigma)$。
**解析**:
由切比雪夫不等式(取 $\varepsilon = 3\sigma$):
$$
P(|X - \mu| \ge 3\sigma) \le \frac{\sigma^2}{(3\sigma)^2} = \frac{1}{9}
$$
> 即 $P(|X - \mu| < 3\sigma) \ge 8/9$
**复盘**:
- "$3\sigma$ 原则" 的概率解释:任何随机变量偏离均值超过 3 倍标准差的概率不超过 $1/9 \approx 11.1\%$
- 这与**正态分布的 $3\sigma$ 原则**(99.7%)对比鲜明——切比雪夫给的是**最坏情况**的上界
---
> **题目 2**:设 $X$ 的 $E(X) = 10, D(X) = 4$,求 $P(|X - 10| \ge 4)$ 的上界。
**解析**:
由切比雪夫不等式($\mu = 10, \sigma^2 = 4, \varepsilon = 4$):
$$
P(|X - 10| \ge 4) \le \frac{D(X)}{\varepsilon^2} = \frac{4}{16} = \frac{1}{4}
$$
**复盘**:
- 这是**最常见的切比雪夫题型**:直接套公式
- 注意分子是 $D(X) = 4$,分母是 $\varepsilon^2 = 16$
---
> **题目 3**:设随机变量 $X$ 的 $D(X) = 2$,根据切比雪夫不等式,要使 $P(|X - E(X)| < 4) \ge 0.9$,需要方差缩小到原来的多少倍?
**解析**:
由切比雪夫不等式(取 $\varepsilon = 4$):
$$
P(|X - E(X)| < 4) \ge 1 - \frac{D(X)}{16} \ge 0.9
$$
解得 $D(X) \le 1.6$。
即**新方差** $\le 1.6$,需要把原方差 $D(X) = 2$ 缩小到 $\le 1.6$,即缩小到原来的 $1.6/2 = 4/5$。
**复盘**:
- 这道题是**逆向题型**:从概率反推方差
- 题型标志:"要使 $P \ge p$,求方差"
- **重要技巧**:切比雪夫常用于 $\bar{X}$ 的概率估计,因为 $\bar{X} = \frac{1}{n}\sum X_i$ 的方差缩为 $D(X)/n$
---
> **题目 4(综合)**:设 $X_1, X_2, \ldots, X_n$ 独立同分布,$E(X_i) = \mu, D(X_i) = 8$,且 $n = 16$。试用切比雪夫不等式估计 $P(|\bar{X} - \mu| < 4)$ 的下界。
**解析**:
$\bar{X} = \frac{1}{n}\sum X_i$,所以:
- $E(\bar{X}) = \mu$
- $D(\bar{X}) = D(X_i)/n = 8/16 = 0.5$
由切比雪夫不等式($\varepsilon = 4$):
$$
P(|\bar{X} - \mu| < 4) \ge 1 - \frac{D(\bar{X})}{\varepsilon^2} = 1 - \frac{0.5}{16} = 1 - \frac{1}{32} = \frac{31}{32}
$$
**复盘**:
- **关键技巧**:先求 $\bar{X}$ 的期望和方差(**方差缩小 $n$ 倍**)
- 切比雪夫的核心用途:估计**样本均值** $\bar{X}$ 的概率
- 可见:**$n$ 越大,$D(\bar{X})$ 越小,$P(|\bar{X} - \mu| < \varepsilon)$ 下界越大**——这是大数定律的雏形
---
> **变式**:若 $X \sim N(\mu, \sigma^2)$,$P(|X - \mu| \ge 3\sigma) = ?$
**解**:$\approx 0.003$(正态分布的 $3\sigma$ 原则),远小于切比雪夫的 $1/9$——**正态分布的偏差衰减最快**。
> **口诀速记**:
> - "**方差大 → 偏离大**"
> - "**$\varepsilon$ 大 → 偏离概率小**"
> - "**切比雪夫给上界,不是精确值**"
@@ -0,0 +1,184 @@
# 题型二:大数定律的判定与计算
## 识别特征
- 题干出现"依概率收敛""$\xrightarrow{P}$"
- 涉及"$n$ 很大时"独立同分布的均值行为
- 需要识别**切比雪夫 / 辛钦 / 伯努利**三大定律
- 题目要求判断某随机变量序列**满足哪个大数定律**或**证明依概率收敛**
## 解题流程
```mermaid
flowchart TD
A[识别:依概率收敛题] --> B{序列是 0-1 分布?}
B -->|是| C[用伯努利大数定律]
B -->|否| D{独立同分布?}
D -->|是| E{期望存在?}
D -->|否| F{两两不相关 + 方差有界?}
E -->|是| G[用辛钦大数定律]
E -->|否| H[不能用 LLN]
F -->|是| I[用切比雪夫大数定律]
F -->|否| H
C --> J[写出 X̄ →ᵖ μ]
G --> J
I --> J
```
## 通法步骤
### 一、依概率收敛定义
设 $\{X_n\}$ 是一随机变量序列,$X$ 是随机变量,若对任意 $\varepsilon > 0$:
$$
\lim_{n\to\infty} P(|X_n - X| \ge \varepsilon) = 0
$$
则称 $\{X_n\}$ **依概率收敛**于 $X$,记作 $X_n \xrightarrow{P} X$。
### 二、三大定律对照
| 定律 | 条件 | 结论 | 关键标志 |
|------|------|------|---------|
| **切比雪夫 LLN** | 两两不相关 + $D(X_i)$ 一致有界 | $\frac{1}{n}\sum (X_i - \mu_i) \xrightarrow{P} 0$ | "不相关""方差有界" |
| **辛钦 LLN** | i.i.d. + $E(X_i) = \mu$ 存在 | $\bar{X} \xrightarrow{P} \mu$ | "独立同分布" |
| **伯努利 LLN** | 独立 + 0-1 分布 | $f_n(A) \xrightarrow{P} p$ | "频率""$n_A$""成功次数" |
### 三、应用步骤(四步法)
1. **识别分布类型**:题目给的是 0-1 分布?独立同分布?还是两两不相关?
2. **验证前提**:是否满足所选定律的所有条件?
3. **套用结论**:$\bar{X} \xrightarrow{P} \mu$ 或 $f_n \xrightarrow{P} p$
4. **写出极限**:明确写明依概率收敛到的常数
### 四、依概率收敛的运算性质
| 性质 | 公式 |
|------|------|
| **和** | 若 $X_n \xrightarrow{P} a, Y_n \xrightarrow{P} b$,则 $X_n + Y_n \xrightarrow{P} a + b$ |
| **积** | 若 $X_n \xrightarrow{P} a, Y_n \xrightarrow{P} b$,则 $X_n Y_n \xrightarrow{P} ab$ |
| **连续映射** | 若 $X_n \xrightarrow{P} a, g$ 连续,则 $g(X_n) \xrightarrow{P} g(a)$ |
> ⚠️ **注意**:以上性质对**依概率收敛**成立,但**不能**直接推出几乎必然收敛。
### 五、重要极限公式
| 极限 | 推导依据 |
|------|---------|
| $\frac{1}{n}\sum X_i \xrightarrow{P} E(X_i)$ | 辛钦 LLN |
| $\frac{1}{n}\sum X_i^2 \xrightarrow{P} E(X^2)$ | 辛钦 LLN($X_i^2$ 仍 i.i.d.)|
| $\frac{1}{n}\sum f(X_i) \xrightarrow{P} E[f(X)]$ | 辛钦 LLN 推广($f$ 连续)|
## 常见陷阱
- **陷阱 1**:辛钦 LLN 要求**独立同分布**(i.i.d.),漏掉任何一项都不能用
- **陷阱 2**:题目"独立但不同分布"时,辛钦 LLN 不可用,需用切比雪夫 LLN(验证方差一致有界)
- **陷阱 3**:辛钦 LLN 要求 $E(X_i)$ 存在;柯西分布无期望,不能用
- **陷阱 4**:把"依概率收敛"等同于"必然收敛"——后者要求 $P(\lim X_n = X) = 1$
- **陷阱 5**:伯努利 LLN 是辛钦 LLN 的特例($X_i \sim B(1, p)$),但不是所有 0-1 分布都满足伯努利 LLN
- **陷阱 6**:三大 LLN 都要求**方差存在或期望存在**(柯西分布有陷阱)
## 经典母题
> **题目 1**:设 $X_1, X_2, \ldots, X_n, \ldots$ 独立同分布,且 $E(X_i) = \mu$ 存在,$D(X_i) = \sigma^2$。证明 $\bar{X}_n = \frac{1}{n}\sum_{i=1}^n X_i \xrightarrow{P} \mu$。
**解析**:
由切比雪夫不等式,对任意 $\varepsilon > 0$:
$$
P(|\bar{X}_n - \mu| \ge \varepsilon) \le \frac{D(\bar{X}_n)}{\varepsilon^2} = \frac{\sigma^2/n}{\varepsilon^2} = \frac{\sigma^2}{n\varepsilon^2}
$$
由于 $\dfrac{\sigma^2}{n\varepsilon^2} \to 0$($n \to \infty$),所以:
$$
\lim_{n\to\infty} P(|\bar{X}_n - \mu| \ge \varepsilon) = 0
$$
即 $\bar{X}_n \xrightarrow{P} \mu$。
**复盘**:
- 这就是**辛钦 LLN 的标准证法**:用切比雪夫不等式证明
- 证明模板:**$P(|\bar{X}_n - \mu| \ge \varepsilon) \le \dfrac{\sigma^2}{n\varepsilon^2} \to 0$**
- 揭示了**辛钦 LLN 的条件比切比雪夫 LLN 强,但结论等价**(在 i.i.d. 情形)
---
> **题目 2**:设 $X_1, X_2, \ldots$ 独立,$X_i$ 的分布律为 $P(X_i = i) = P(X_i = -i) = 1/2$。问 $\{\bar{X}_n\}$ 是否依概率收敛?
**解析**:
**注意**:$D(X_i) = E(X_i^2) = i^2$,所以 $D(\bar{X}_n) = \frac{1}{n^2}\sum_{i=1}^n i^2 = \frac{(n+1)(2n+1)}{6n^2} \to \frac{1}{3} \ne 0$。
**错误思路**:误用辛钦 LLN(实际不满足方差一致有界)。
**正确答案**:
- 切比雪夫 LLN 要求 $D(X_i) \le C$(一致有界),但 $D(X_i) = i^2 \to \infty$,**不满足**
- 辛钦 LLN 要求独立同分布,但 $X_i$ 分布不同,**不满足**
- **不能直接用任何 LLN**!
**复盘**:
- 这道题揭示了 LLN 条件的**必要性**
- $D(X_i)$ 无界时,$\bar{X}_n$ 不会依概率收敛
---
> **题目 3**:设 $X_i \sim B(1, p)$ 独立同分布,$n_A$ 是 $n$ 次试验中 $A$ 发生次数。证明 $\dfrac{n_A}{n} \xrightarrow{P} p$。
**解析**:
由辛钦 LLN,$X_i$ 独立同分布,$E(X_i) = p$ 存在,所以:
$$
\bar{X}_n = \frac{1}{n}\sum X_i = \frac{n_A}{n} \xrightarrow{P} E(X_i) = p
$$
**复盘**:
- **伯努利 LLN 是辛钦 LLN 的特例**($X_i \sim B(1, p)$ 是 i.i.d.)
- "频率依概率收敛于概率"的严格化
---
> **题目 4**:设 $X_1, X_2, \ldots$ 独立同分布,$E(X_i) = \mu$。问 $\dfrac{1}{n}\sum_{i=1}^n (X_i^2 - E(X_i^2))$ 是否依概率收敛?收敛到几?
**解析**:
$Y_i = X_i^2$ 仍独立同分布(i.i.d. 的函数仍 i.i.d.),且 $E(Y_i) = E(X_i^2)$ 存在。
由辛钦 LLN:
$$
\frac{1}{n}\sum Y_i = \frac{1}{n}\sum X_i^2 \xrightarrow{P} E(Y_i) = E(X_i^2)
$$
所以:
$$
\frac{1}{n}\sum_{i=1}^n (X_i^2 - E(X_i^2)) = \frac{1}{n}\sum X_i^2 - E(X_i^2) \xrightarrow{P} E(X_i^2) - E(X_i^2) = 0
$$
**复盘**:
- 辛钦 LLN 的**重要推论**:$f(X_i)$ 仍 i.i.d.,$E(f)$ 存在时 $\frac{1}{n}\sum f(X_i) \xrightarrow{P} E[f(X)]$
- 矩估计的理论基础:**$\frac{1}{n}\sum X_i^k \xrightarrow{P} E(X^k)$**
- **Ch07 矩估计相合性**的严格证明
---
> **题目 5(综合)**:设 $X_1, \ldots, X_n$ 独立,$X_i$ 分布律为 $P(X_i = k) = 1/2^k$($k = 1, 2, \ldots$)。问 $\bar{X}_n$ 是否依概率收敛?
**解析**:
- $E(X_i) = \sum_{k=1}^\infty k/2^k = 2$(有限)
- 但 $D(X_i)$:先求 $E(X_i^2) = \sum k^2/2^k = 6$(有限)
- 所以 $D(X_i) = 6 - 4 = 2$(一致有界)
由切比雪夫 LLN,$\bar{X}_n \xrightarrow{P} 2$。
**复盘**:
- **关键判断**:$D(X_i)$ 是否一致有界(这里都是 2,有界)
- 满足切比雪夫 LLN 条件:两两不相关(独立时自动成立)+ 方差有界
- 满足辛钦 LLN 条件:i.i.d. + $E(X_i)$ 存在
- 两个定律都可用,结论一致
---
> **口诀速记**:
> - "**i.i.d. + 期望**" → 辛钦 LLN
> - "**0-1 分布**" → 伯努利 LLN(辛钦的特例)
> - "**两两不相关 + 方差有界**" → 切比雪夫 LLN
> - "**$f(X_i)$ 仍 i.i.d.**" → 辛钦 LLN 可用于 $f(X)$
@@ -0,0 +1,200 @@
# 题型三:中心极限定理的应用
## 识别特征
- 题干出现"近似服从""渐近分布""当 $n$ 充分大时"
- 大量独立同分布随机变量 $X_1, \ldots, X_n$ 求和或求平均
- 已知 $E(X_i) = \mu, D(X_i) = \sigma^2$,求 $\sum X_i$ 或 $\bar{X}$ 的概率
- 需要**标准化**后查 $\Phi$ 表
## 解题流程
```mermaid
flowchart TD
A[识别:CLT 应用题] --> B[求和 S = ΣXᵢ]
B --> C[求 E(S) = nμ, D(S) = nσ²]
C --> D[标准化 Z = S - nμ / σ√n]
D --> E{求 P 类型?}
E -->|近似值| F[查 Φ 表: P ≈ Φ(b) - Φ(a)]
E -->|求未知量| G[反查 Φ 表求阈值]
F --> H[最终答案]
G --> H
```
## 通法步骤
### 一、中心极限定理(林德伯格-莱维)
设 $\{X_n\}$ 独立同分布,$E(X_i) = \mu, D(X_i) = \sigma^2 > 0$,则当 $n \to \infty$ 时:
$$
\frac{\sum_{i=1}^n X_i - n\mu}{\sigma\sqrt{n}} = \frac{\bar{X} - \mu}{\sigma/\sqrt{n}} \xrightarrow{d} N(0,1)
$$
即 $\sum X_i$ 近似 $N(n\mu, n\sigma^2)$,$\bar{X}$ 近似 $N(\mu, \sigma^2/n)$。
### 二、应用步骤(五步法)
| 步骤 | 操作 | 关键点 |
|------|------|--------|
| **1. 算 $E, D$** | 求 $E(X_i) = \mu, D(X_i) = \sigma^2$ | 套分布公式 |
| **2. 求和 $S$** | 明确 $S = \sum X_i$,$E(S) = n\mu, D(S) = n\sigma^2$ | 独立和方差可加 |
| **3. 标准化** | $Z = \dfrac{S - n\mu}{\sigma\sqrt{n}}$ | $Z \sim N(0,1)$(近似)|
| **4. 转换** | $P(a \le S \le b) = P\left(\dfrac{a - n\mu}{\sigma\sqrt{n}} \le Z \le \dfrac{b - n\mu}{\sigma\sqrt{n}}\right)$ | 化为标准正态 |
| **5. 查表** | 用 $\Phi$ 表计算 | 注意 $\Phi(-x) = 1 - \Phi(x)$ |
### 三、典型概率变换公式
设 $Y = \sum_{i=1}^n X_i \approx N(n\mu, n\sigma^2)$:
| 题目类型 | 公式 |
|---------|------|
| $P(a \le Y \le b)$ | $\Phi\left(\dfrac{b - n\mu}{\sigma\sqrt{n}}\right) - \Phi\left(\dfrac{a - n\mu}{\sigma\sqrt{n}}\right)$ |
| $P(Y \le b)$ | $\Phi\left(\dfrac{b - n\mu}{\sigma\sqrt{n}}\right)$ |
| $P(Y \ge a)$ | $1 - \Phi\left(\dfrac{a - n\mu}{\sigma\sqrt{n}}\right) = \Phi\left(\dfrac{-a + n\mu}{\sigma\sqrt{n}}\right)$ |
| $P(\|Y - n\mu\| < \varepsilon)$ | $2\Phi\left(\dfrac{\varepsilon}{\sigma\sqrt{n}}\right) - 1$ |
### 四、$n$ 充分大的标准
- 一般 $n \ge 30$ 即可使用 CLT
- $n \ge 50$ 近似效果良好
- $n \ge 100$ 近似几乎完美
### 五、李雅普诺夫 CLT(不同分布)
设 $\{X_n\}$ **独立**(可不同分布),$E(X_i) = \mu_i, D(X_i) = \sigma_i^2$,$B_n^2 = \sum \sigma_i^2$。
若存在 $\delta > 0$ 使 $\dfrac{1}{B_n^{2+\delta}}\sum E|X_i - \mu_i|^{2+\delta} \to 0$,则:
$$
\frac{\sum X_i - \sum \mu_i}{B_n} \xrightarrow{d} N(0,1)
$$
*适用场景*:各 $X_i$ 独立不同分布,求和后近似正态。
## 常见陷阱
- **陷阱 1**:$X_i$ 不满足 i.i.d. 但误用 CLT(如有相关性、有不同分布)
- **陷阱 2**:$D(X_i) = 0$ 或 $D(X_i) = \infty$ 时不能用 CLT
- **陷阱 3**:标准化时**漏掉 $\sqrt{n}$**:分母应为 $\sigma\sqrt{n}$,不是 $\sigma n$
- **陷阱 4**:$\varepsilon$ 单位与 $X$ 不同(如 $X$ 是克,$\varepsilon$ 是千克)需先换算
- **陷阱 5**:题目求"$P(|Y| \le \varepsilon)$"但写成"$P(|Y| \le \varepsilon) = 1 - 2\Phi(\cdot)$"(错!)
- 正确:$P(|Y| \le \varepsilon) = 2\Phi(\dfrac{\varepsilon - n\mu}{\sigma\sqrt{n}}) - 1$(**注意均值的偏移**)
- **陷阱 6**:CLT 给出**近似**,不是精确——选择题/填空题近似,解答题需说明 $n$ 充分大
## 经典母题
> **题目 1**:设 $X_1, X_2, \ldots, X_{100}$ 独立同分布,$E(X_i) = 2, D(X_i) = 0.04$,$Y = \sum_{i=1}^{100} X_i$。用 CLT 求 $P(196 \le Y \le 204)$。
**解析**:
- $E(Y) = 100 \times 2 = 200$
- $D(Y) = 100 \times 0.04 = 4$
- $\sqrt{D(Y)} = 2$
由 CLT,$Y$ 近似 $N(200, 4)$,标准化 $Z = \dfrac{Y - 200}{2} \sim N(0,1)$(近似)。
$$
P(196 \le Y \le 204) = P\left(\frac{196 - 200}{2} \le Z \le \frac{204 - 200}{2}\right) = P(-2 \le Z \le 2) = 2\Phi(2) - 1
$$
查表:$\Phi(2) = 0.9772$,所以 $P \approx 2 \times 0.9772 - 1 = 0.9544$。
**复盘**:
- **CLT 标准化三部曲**:$E(Y), D(Y), \sqrt{D(Y)}$
- 关键数字 $1.96, 2.58$:$P(-1.96 < Z < 1.96) = 0.95$,$P(-2.58 < Z < 2.58) = 0.99$
---
> **题目 2**:某厂生产零件,每件重量 $X_i \sim N(50, 0.4^2)$(单位:克),$n = 100$ 件装一箱。求一箱总重 $Y$ 在 4990 到 5010 克之间的概率。
**解析**:
虽然 $X_i$ 本身是正态的(已经精确正态),但用 CLT 也能解:
- $E(Y) = 100 \times 50 = 5000$
- $D(Y) = 100 \times 0.4^2 = 16$
- $\sqrt{D(Y)} = 4$
由 CLT(实际是精确正态),$Y \sim N(5000, 16)$:
$$
P(4990 \le Y \le 5010) = P\left(\frac{-10}{4} \le Z \le \frac{10}{4}\right) = P(-2.5 \le Z \le 2.5) = 2\Phi(2.5) - 1
$$
查表:$\Phi(2.5) = 0.9938$,所以 $P \approx 0.9876$。
**复盘**:
- 当 $X_i$ **本身就是正态**时,$\sum X_i$ 是**精确正态**(不是近似)——这是"独立正态和的分布"
- CLT 在 $X_i$ 非正态时才发挥真正威力
- 这道题是为了展示 CLT 标准化方法
---
> **题目 3**:设 $X_1, \ldots, X_n$ i.i.d.,$E(X_i) = 0, D(X_i) = \sigma^2$。试估计 $n$ 多大时才能使 $P(|\bar{X}| \ge \varepsilon) \le 0.05$($\varepsilon = 0.1, \sigma = 1$)。
**解析**:
由 CLT,$\bar{X}$ 近似 $N(0, \sigma^2/n)$,标准化 $Z = \dfrac{\bar{X}}{\sigma/\sqrt{n}} \sim N(0,1)$(近似)。
$$
P(|\bar{X}| \ge \varepsilon) \approx 2\left[1 - \Phi\left(\frac{\varepsilon\sqrt{n}}{\sigma}\right)\right] = 0.05
$$
即 $\Phi\left(\dfrac{0.1\sqrt{n}}{1}\right) = 0.975$,反查 $\Phi$ 表:$\dfrac{0.1\sqrt{n}}{1} = 1.96$。
解得 $\sqrt{n} = 19.6$,$n \ge 384.16$,取 $n \ge 385$。
**复盘**:
- 这道题是**逆向题型**:从概率要求反推 $n$
- 关键步骤:反查 $\Phi$ 表($\Phi(1.96) = 0.975$)
- $\varepsilon\sqrt{n}/\sigma = 1.96$ 是核心等式
---
> **题目 4(综合)**:设 $X_i$ 独立同分布,$P(X_i = 1) = P(X_i = -1) = 1/2$。用 CLT 求 $P\left(\left|\sum_{i=1}^{100} X_i\right| \le 10\right)$。
**解析**:
- $E(X_i) = 0, D(X_i) = 1$(因为 $E(X_i^2) = 1$)
- $S = \sum X_i$, $E(S) = 0, D(S) = 100$
由 CLT,$S$ 近似 $N(0, 100)$,$\sqrt{D(S)} = 10$:
$$
P(|S| \le 10) = P\left(\frac{-10}{10} \le Z \le \frac{10}{10}\right) = P(-1 \le Z \le 1) = 2\Phi(1) - 1
$$
查表:$\Phi(1) = 0.8413$,所以 $P \approx 0.6826$。
**复盘**:
- $X_i$ 是**对称 0-1 分布**(取值 $\pm 1$)
- $D(X_i) = 1$(不是 $1/4$!)——因为 $E(X_i^2) = 1$
- 这就是著名的**"随机游走"模型**——CLT 给出正态近似
---
> **题目 5(不同分布,李雅普诺夫)**:设 $X_1, X_2, \ldots$ 独立,$X_i$ 分布律为 $P(X_i = i) = 1/2, P(X_i = 0) = 1/2$。求 $n$ 大时 $P(|\sum X_i| \le 100)$。
**解析**:
- $E(X_i) = i/2, D(X_i) = i^2/4$
- $E(S_n) = \sum i/2 = n(n+1)/4$
- $D(S_n) = \sum i^2/4 = n(n+1)(2n+1)/24$
由李雅普诺夫 CLT,$S_n$ 近似 $N(E(S_n), D(S_n))$。
对于大 $n$:$E(S_n) \approx n^2/4$,$D(S_n) \approx n^3/12$,$\sqrt{D} \approx n^{3/2}/\sqrt{12}$。
标准化:$Z = \dfrac{S_n - n^2/4}{n^{3/2}/\sqrt{12}}$。
$P(|S_n| \le 100)$:当 $n$ 较大时,$E(S_n) = n^2/4$ 远大于 100,所以 $P \approx 0$(因为 $S_n$ 集中在 $E(S_n)$ 附近)。
**复盘**:
- **关键洞察**:当 $E(S_n) \to \infty$ 时,$P(|S_n| \le 100) \to 0$
- 这道题展示**不同分布的 CLT**——只要方差有限且不太小即可
- 李雅普诺夫条件是工程上"常用"的(不同元件的误差求和)
---
> **口诀速记**:
> - "**算 E, 算 D, 求和 S**"
> - "**$E(S) = n\mu$, $D(S) = n\sigma^2$**"
> - "**标准化:$Z = (S - n\mu)/(\sigma\sqrt{n})$**"
> - "**$P = \Phi(\text{上限}) - \Phi(\text{下限})$**"
@@ -0,0 +1,219 @@
# 题型四:二项分布的正态近似(棣莫弗-拉普拉斯定理)
## 识别特征
- 题干出现 $B(n, p)$ 或"$n$ 次独立试验""成功次数"
- $n$ 较大,求 $P(a \le X \le b)$ 或 $P(X = k)$
- 题目明确"用正态近似"或"近似计算"
- $np \ge 5$ 且 $n(1-p) \ge 5$(必要条件)
## 解题流程
```mermaid
flowchart TD
A[识别:二项分布近似题] --> B[确认 X ~ B n p]
B --> C{np ≥ 5 且 n(1-p) ≥ 5?}
C -->|否| D[改用泊松近似]
C -->|是| E[E X = np, D X = np 1-p]
E --> F[标准化 Z = X - np / √np(1-p)]
F --> G{是 P(a ≤ X ≤ b) 还是 P(X = k)?}
G -->|区间| H[查 Φ 表: 连续校正]
G -->|单点| I[用局部极限定理或校正]
H --> J[最终答案]
I --> J
```
## 通法步骤
### 一、棣莫弗-拉普拉斯定理
设 $\eta_n \sim B(n, p)$($n$ 次独立试验中成功次数),$0 < p < 1$,则当 $n$ 充分大时:
$$
\frac{\eta_n - np}{\sqrt{np(1-p)}} \xrightarrow{d} N(0,1)
$$
即 $B(n, p)$ 近似 $N(np, np(1-p))$。
### 二、连续性校正(Continuity Correction)
二项分布是**离散**分布,正态分布是**连续**分布,直接近似有误差。**校正方法**:
$$
P(a \le X \le b) \approx \Phi\left(\frac{b + 0.5 - np}{\sqrt{np(1-p)}}\right) - \Phi\left(\frac{a - 0.5 - np}{\sqrt{np(1-p)}}\right)
$$
*校正含义*:$P(X = k) \approx P(k - 0.5 < Y \le k + 0.5)$,其中 $Y$ 是连续正态变量。
### 三、应用步骤(五步法)
| 步骤 | 操作 | 关键点 |
|------|------|--------|
| **1. 定分布** | 明确 $X \sim B(n, p)$,求 $E(X) = np, D(X) = np(1-p)$ | 套公式 |
| **2. 验条件** | 检查 $np \ge 5, n(1-p) \ge 5$ | 不满足则改用泊松近似 |
| **3. 标准化** | $Z = \dfrac{X - np}{\sqrt{np(1-p)}} \sim N(0,1)$ | $np(1-p)$ 是方差 |
| **4. 转换** | $P(a \le X \le b) = \Phi\left(\dfrac{b + 0.5 - np}{\sqrt{np(1-p)}}\right) - \Phi\left(\dfrac{a - 0.5 - np}{\sqrt{np(1-p)}}\right)$ | 用 $\pm 0.5$ 校正 |
| **5. 查表** | 查 $\Phi$ 表 | 注意 $\Phi(-x) = 1 - \Phi(x)$ |
### 四、典型公式表
设 $X \sim B(n, p)$,$Y$ 近似 $N(np, np(1-p))$,$\sigma = \sqrt{np(1-p)}$:
| 概率 | 近似公式 |
|------|---------|
| $P(X \le k)$ | $\Phi\left(\dfrac{k + 0.5 - np}{\sigma}\right)$ |
| $P(X \ge k)$ | $1 - \Phi\left(\dfrac{k - 0.5 - np}{\sigma}\right) = \Phi\left(\dfrac{np - k + 0.5}{\sigma}\right)$ |
| $P(a \le X \le b)$ | $\Phi\left(\dfrac{b + 0.5 - np}{\sigma}\right) - \Phi\left(\dfrac{a - 0.5 - np}{\sigma}\right)$ |
| $P(\|X - np\| \le \varepsilon)$ | $2\Phi\left(\dfrac{\varepsilon + 0.5}{\sigma}\right) - 1$ |
### 五、适用条件
| 条件 | 用途 |
|------|------|
| $np \ge 5, n(1-p) \ge 5$ | 经验法则(较宽松)|
| $np \ge 10, n(1-p) \ge 10$ | 更严格(精度更好)|
| $n \ge 30$ | 一般法则 |
| $p$ 接近 0 或 1 | 用**泊松近似** $\lambda = np$ |
### 六、与其他近似的对比
| 方法 | 适用条件 | 近似分布 |
|------|---------|---------|
| **棣莫弗-拉普拉斯(正态)** | $np, n(1-p) \ge 5$ | $N(np, np(1-p))$ |
| **泊松近似** | $n$ 大,$p$ 小($np$ 中等)| $P(np)$ |
| **精确计算** | $n$ 小(如 $n \le 30$)| $B(n, p)$ |
## 常见陷阱
- **陷阱 1**:$np$ 或 $n(1-p)$ 太小(如 $B(5, 0.1)$ 的 $np = 0.5$)→ 不能用正态近似
- **陷阱 2**:忘记**连续性校正**——直接 $P(a \le X \le b) = \Phi(b) - \Phi(a)$ 会偏低
- **陷阱 3**:混淆 $P(X \ge k)$ 与 $P(X > k)$:前者含 $k$,后者不含
- **陷阱 4**:求 $P(X = k)$ 时:直接用 $P(X = k) \approx \Phi\left(\dfrac{k + 0.5 - np}{\sigma}\right) - \Phi\left(\dfrac{k - 0.5 - np}{\sigma}\right)$,**不要**直接用泊松公式或局部 CLT
- **陷阱 5**:$p = 0$ 或 $p = 1$(退化情形)不能近似
- **陷阱 6**:标准化时漏掉 $\sqrt{np(1-p)}$,只除以 $np$
## 经典母题
> **题目 1**:设 $X \sim B(100, 0.5)$,求 $P(40 \le X \le 60)$。
**解析**:
- $E(X) = 100 \times 0.5 = 50$
- $D(X) = 100 \times 0.5 \times 0.5 = 25$
- $\sqrt{D(X)} = 5$
由棣莫弗-拉普拉斯定理,$X$ 近似 $N(50, 25)$,用连续性校正:
$$
P(40 \le X \le 60) \approx \Phi\left(\frac{60.5 - 50}{5}\right) - \Phi\left(\frac{40 - 0.5 - 50}{5}\right) = \Phi(2.1) - \Phi(-2.1) = 2\Phi(2.1) - 1
$$
查表:$\Phi(2.1) = 0.9821$,所以 $P \approx 2 \times 0.9821 - 1 = 0.9642$。
**复盘**:
- $np = 50 \ge 5$,$n(1-p) = 50 \ge 5$,条件满足
- 校正值 $\pm 0.5$ 是关键
- 不校正的近似:$\Phi(2) - \Phi(-2) = 0.9544$(略低)
---
> **题目 2**:某厂产品次品率 $p = 0.05$,现抽 1000 件检验。求次品数 $X$ 在 40 到 60 之间的概率。
**解析**:
- $X \sim B(1000, 0.05)$
- $E(X) = 50, D(X) = 1000 \times 0.05 \times 0.95 = 47.5$
- $\sqrt{D(X)} \approx 6.89$
由 CLT(棣莫弗-拉普拉斯):
$$
P(40 \le X \le 60) \approx \Phi\left(\frac{60.5 - 50}{6.89}\right) - \Phi\left(\frac{40 - 0.5 - 50}{6.89}\right) = \Phi(1.524) - \Phi(-1.524) = 2\Phi(1.524) - 1
$$
查表:$\Phi(1.524) \approx 0.9362$,所以 $P \approx 0.8724$。
**复盘**:
- $np = 50 \ge 5$,$n(1-p) = 950 \ge 5$,条件满足
- 这是**典型的质检问题**——次品率 $p$ 小但 $n$ 大,可用正态近似
---
> **题目 3**:设 $X \sim B(100, 0.2)$。求 $P(X = 20)$。
**解析**:
- $E(X) = 20, D(X) = 100 \times 0.2 \times 0.8 = 16, \sqrt{D} = 4$
由连续性校正:
$$
P(X = 20) \approx \Phi\left(\frac{20.5 - 20}{4}\right) - \Phi\left(\frac{20 - 0.5 - 20}{4}\right) = \Phi(0.125) - \Phi(-0.125) = 2\Phi(0.125) - 1
$$
查表:$\Phi(0.125) \approx 0.5497$,所以 $P \approx 0.0994$。
**复盘**:
- **求单点概率的特殊方法**:用连续性校正
- 精确值:$P(X = 20) = \binom{100}{20} \times 0.2^{20} \times 0.8^{80} \approx 0.0993$(近似非常准确)
- 另一种方法:**局部极限定理**(超纲)$P(X = k) \approx \dfrac{1}{\sqrt{2\pi np(1-p)}} e^{-\frac{(k-np)^2}{2np(1-p)}}$
---
> **题目 4(综合)**:某保险公司有 10000 名保单持有人,每人出险概率 $p = 0.001$。设出险次数 $X \sim B(10000, 0.001)$。问:
> (1) $P(X \ge 15)$;
> (2) 至少需要多少保单持有人才能使 $P(X \ge 15) \ge 0.95$?
**解析 (1)**:
- $E(X) = 10, D(X) = 9.99 \approx 10, \sqrt{D} \approx 3.16$
$np = 10 \ge 5$,$n(1-p) = 9990 \ge 5$,可正态近似:
$$
P(X \ge 15) \approx 1 - \Phi\left(\frac{15 - 0.5 - 10}{3.16}\right) = 1 - \Phi(1.42) = 1 - 0.9222 = 0.0778
$$
**解析 (2)**:
设 $n$ 个保单持有人,$X \sim B(n, 0.001)$,$E(X) = 0.001n, D(X) \approx 0.001n$。
$P(X \ge 15) \ge 0.95 \Leftrightarrow P(X \le 14) \le 0.05$。
由 CLT:
$$
P(X \le 14) \approx \Phi\left(\frac{14.5 - 0.001n}{\sqrt{0.001n}}\right) = 0.05
$$
反查 $\Phi$ 表:$\dfrac{14.5 - 0.001n}{\sqrt{0.001n}} = -1.645$
设 $u = \sqrt{0.001n}$,则 $14.5 - u^2 = -1.645u$,即 $u^2 - 1.645u - 14.5 = 0$。
解得 $u = \dfrac{1.645 + \sqrt{1.645^2 + 58}}{2} = \dfrac{1.645 + 7.764}{2} \approx 4.705$。
所以 $n = u^2/0.001 \approx 22137$。取 $n \ge 22137$。
**复盘**:
- 这是**保险精算的经典应用**——估计"小概率大数"事件
- 第一问直接查 $\Phi$ 表,第二问反查 $\Phi$ 表
- 体现了**"小 $p$ 大 $n$"** 的标准应用
---
> **题目 5(极小 $p$ 改用泊松近似)**:设 $X \sim B(100, 0.01)$。用泊松近似求 $P(X = 2)$。
**解析**:
$np = 1$,远小于 5,正态近似不适用。改用泊松近似 $\lambda = np = 1$:
$$
P(X = 2) \approx \frac{\lambda^2 e^{-\lambda}}{2!} = \frac{1 \times e^{-1}}{2} \approx \frac{0.3679}{2} = 0.1839
$$
**复盘**:
- $p$ 很小且 $n$ 不大时(如 $B(100, 0.01)$),**泊松近似** 比正态近似更准确
- **判断标准**:$np < 5$ 时,优先用泊松近似
---
> **口诀速记**:
> - "$np, n(1-p) \ge 5$" → 正态近似
> - "**$p$ 小 $n$ 中**" → 泊松近似
> - "**$n$ 小直接算**" → 二项分布精确公式
> - "**连续性校正 $\pm 0.5$**":求单点概率必备
@@ -0,0 +1,260 @@
# 题型五:综合应用题
## 识别特征
- 题目同时涉及**切比雪夫 / LLN / CLT** 中两个或以上
- 题目给出"独立同分布"但要求分多步分析
- 需要**比较**不同工具的结果(如"切比雪夫上界 vs CLT 精确近似")
- 题目要求**反求**样本量 $n$、概率阈值 $\varepsilon$ 等
- 跨章节综合(如与 Ch04 期望方差、Ch07 估计结合)
## 解题流程
```mermaid
flowchart TD
A[识别:综合应用题] --> B{问题类型?}
B -->|估计上界| C[用切比雪夫]
B -->|定性极限| D[用 LLN]
B -->|定量近似| E[用 CLT]
B -->|多问串联| F[分步使用不同工具]
C --> G[综合写出结论]
D --> G
E --> G
F --> G
```
## 通法步骤
### 一、综合题常见组合模式
| 模式 | 描述 | 典型问法 |
|------|------|---------|
| **切比雪夫 + CLT** | 同一情境,两种方法 | "分别用切比雪夫和 CLT 估计概率" |
| **LLN + 切比雪夫** | LLN 的证明依赖切比雪夫 | "证明 $\bar{X} \xrightarrow{P} \mu$" |
| **CLT + 二项近似** | CLT 推导二项正态近似 | "用 CLT 推出 $B(n,p) \approx N$" |
| **切比雪夫 + 反求 $n$** | 已知概率要求 $n$ | "求 $P \ge 0.95$ 所需 $n$" |
| **跨章节综合** | 与 Ch04/Ch07 串联 | "$\hat{\theta}$ 是否为 $\theta$ 的相合估计" |
### 二、综合应用四步法
| 步骤 | 操作 |
|------|------|
| **1. 识别** | 明确题目涉及的随机变量($X, \bar{X}, S, B(n,p)$ 等)|
| **2. 选择** | 根据问题类型选工具(切比雪夫/LLN/CLT)|
| **3. 计算** | 套公式、标准化、查 $\Phi$ 表 |
| **4. 整合** | 写出最终结论(必要时比较不同方法)|
### 三、关键工具对比表
| 工具 | 输入 | 输出 | 精度 |
|------|------|------|------|
| **切比雪夫** | $E, D$ | 概率上界 | 保守(粗)|
| **LLN** | i.i.d. + $E$ | 定性极限 | 仅"是否收敛"|
| **CLT** | i.i.d. + $E, D$ | 概率近似 | 精确($n$ 大时)|
| **精确分布** | 完整分布 | 精确概率 | 100% |
### 四、综合题常见公式汇总
设 $X_1, \ldots, X_n$ i.i.d.,$E(X_i) = \mu, D(X_i) = \sigma^2$:
| 公式 | 工具 |
|------|------|
| $P(\|\bar{X} - \mu\| \ge \varepsilon) \le \sigma^2/(n\varepsilon^2)$ | 切比雪夫 |
| $P(a \le \bar{X} \le b) \approx \Phi\left(\dfrac{b - \mu}{\sigma/\sqrt{n}}\right) - \Phi\left(\dfrac{a - \mu}{\sigma/\sqrt{n}}\right)$ | CLT |
| $\bar{X} \xrightarrow{P} \mu$ | 辛钦 LLN |
| $\dfrac{1}{n}\sum X_i^k \xrightarrow{P} E(X^k)$ | 辛钦 LLN 推论 |
| $B(n, p) \approx N(np, np(1-p))$ | 棣莫弗-拉普拉斯 |
## 常见陷阱
- **陷阱 1**:混用工具——同一题用切比雪夫计算 $P$ 的精确值(应为上界)
- **陷阱 2**:标准化方向错误——CLT 标准化 $Z = (\bar{X} - \mu)/(\sigma/\sqrt{n})$,不是 $Z = (\bar{X} - \mu)\sqrt{n}/\sigma$
- **陷阱 3**:切比雪夫 + CLT 数值结果不一致时**误以为错**:实际切比雪夫上界 $\ge$ CLT 精确值
- **陷阱 4**:$n$ 充分大时仍用精确公式(应取近似)
- **陷阱 5**:连续性校正只在二项分布近似中用,CLT 直接套 $X$ 时不需要
- **陷阱 6**:跨章节综合时漏掉 Ch04 期望方差的计算
## 经典母题
> **题目 1**:设 $X_1, X_2, \ldots, X_n$ i.i.d.,$E(X_i) = 2, D(X_i) = 0.04$,$\bar{X} = \frac{1}{n}\sum X_i$。用切比雪夫不等式和 CLT 分别估计 $P(|\bar{X} - 2| \ge 0.1)$。
**解析(切比雪夫法)**:
$E(\bar{X}) = 2, D(\bar{X}) = 0.04/n$。
由切比雪夫:
$$
P(|\bar{X} - 2| \ge 0.1) \le \frac{D(\bar{X})}{0.1^2} = \frac{0.04/n}{0.01} = \frac{4}{n}
$$
**解析(CLT 法)**:
由 CLT,$\bar{X}$ 近似 $N(2, 0.04/n)$,$\sqrt{D(\bar{X})} = 0.2/\sqrt{n}$:
$$
P(|\bar{X} - 2| \ge 0.1) \approx 2\left[1 - \Phi\left(\frac{0.1\sqrt{n}}{0.2}\right)\right] = 2\left[1 - \Phi(0.5\sqrt{n})\right]
$$
当 $n = 100$ 时:
- 切比雪夫:$P \le 0.04$
- CLT:$P \approx 2[1 - \Phi(5)] \approx 0$
**复盘**:
- **同一情境,两种方法**——切比雪夫给保守上界,CLT 给精确近似
- 切比雪夫在 $n$ 大时上界**变紧**($\le 4/n$),CLT 在 $n$ 大时 $P$ **变小**
- **核心比较**:切比雪夫上界**永远不小于** CLT 实际值
---
> **题目 2**:设 $X_1, X_2, \ldots$ 独立同分布,$E(X_i) = \mu, D(X_i) = 4$。问 $n$ 多大时,能同时满足:
> (1) $P(|\bar{X}_n - \mu| \ge 0.1) \le 0.05$(切比雪夫);
> (2) $P(|\bar{X}_n - \mu| < 0.1) \ge 0.95$(CLT)。
**解析**:
**(1)切比雪夫法**:
$$
P(|\bar{X}_n - \mu| \ge 0.1) \le \frac{4/n}{0.01} = \frac{400}{n} \le 0.05
$$
解得 $n \ge 8000$。
**(2)CLT 法**:
$$
P(|\bar{X}_n - \mu| < 0.1) \approx 2\Phi\left(\frac{0.1\sqrt{n}}{2}\right) - 1 \ge 0.95
$$
即 $\Phi(0.05\sqrt{n}) \ge 0.975$,反查 $\Phi$ 表:$0.05\sqrt{n} \ge 1.96$,解得 $n \ge 1536.64$,取 $n \ge 1537$。
**比较**:
- 切比雪夫要求 $n \ge 8000$
- CLT 要求 $n \ge 1537$
- **CLT 比切比雪夫所需的 $n$ 小得多**——这正是 CLT 优于切比雪夫之处
**复盘**:
- 切比雪夫是**充分条件**(粗略估计),CLT 是**精确极限**(更紧)
- 工程上常用 CLT,理论证明常用切比雪夫
- 当 $D(X)$ 大时,CLT 优势更明显
---
> **题目 3**:设 $X_i \sim B(1, 0.3)$ i.i.d.,$n = 100$,$Y = \sum_{i=1}^{100} X_i$。用 LLN、CLT、切比雪夫三种工具分析 $Y$。
**解析**:
**(1)LLN 分析**:
$\bar{X} = Y/n \xrightarrow{P} E(X_i) = 0.3$,所以 $Y/n \xrightarrow{P} 0.3$。
**(2)切比雪夫分析**:
$E(Y) = 30, D(Y) = 21$,所以 $P(|Y - 30| \ge 5) \le 21/25 = 0.84$(无信息量)。
**(3)CLT 分析**:
$Y$ 近似 $N(30, 21)$,$\sqrt{D} \approx 4.58$。
$$
P(20 \le Y \le 40) \approx \Phi\left(\frac{40.5 - 30}{4.58}\right) - \Phi\left(\frac{20 - 0.5 - 30}{4.58}\right) = \Phi(2.29) - \Phi(-2.29) \approx 2 \times 0.989 - 1 = 0.978
$$
**复盘**:
- 同一问题**三种工具给出不同信息**:
- LLN:定性极限($Y/n \to 0.3$)
- 切比雪夫:粗上界($P \le 0.84$,无实用价值)
- CLT:精确近似($P \approx 0.978$)
- **CLT 优势明显**——这是工程首选
---
> **题目 4(跨章节)**:设 $X_1, \ldots, X_n$ 是来自 $X \sim U(0, \theta)$ 的样本($\theta > 0$ 未知),求 $\theta$ 的矩估计 $\hat{\theta}$,并证明其相合性。
**解析**:
**第一步(Ch04 期望)**:
$E(X) = \theta/2$,所以 $\theta = 2E(X)$。
**第二步(Ch07 矩估计)**:
用 $\bar{X}$ 估计 $E(X)$,得 $\hat{\theta} = 2\bar{X}$。
**第三步(Ch05 辛钦 LLN 证明相合性)**:
由辛钦 LLN,$\bar{X} \xrightarrow{P} E(X) = \theta/2$,所以:
$$
\hat{\theta} = 2\bar{X} \xrightarrow{P} 2 \times \frac{\theta}{2} = \theta
$$
即 $\hat{\theta}$ 是 $\theta$ 的**相合估计**。
**复盘**:
- 这是**跨章节综合**:Ch04 期望 → Ch07 矩估计 → Ch05 LLN
- LLN 是**矩估计相合性**的严格理论基础
- 体现了"概率论的极限理论是数理统计的理论基础"
---
> **题目 5(综合压轴)**:设 $X_1, \ldots, X_{100}$ 独立同分布,$E(X_i) = 1, D(X_i) = 4$。$Y = \sum X_i$。求:
> (1) 用切比雪夫估计 $P(80 \le Y \le 120)$ 的下界;
> (2) 用 CLT 求 $P(80 \le Y \le 120)$ 的近似值;
> (3) 比较两结果。
**解析(1)切比雪夫**:
$E(Y) = 100, D(Y) = 400, \sigma = 20$。
由切比雪夫:$P(|Y - 100| \ge 20) \le D(Y)/20^2 = 400/400 = 1$(无信息)。
改用切比雪夫反向:$P(|Y - 100| < 20) \ge 1 - 1 = 0$(仍无信息)。
**改进**:由于 $D(Y) = 400$ 较大,切比雪夫在 $\varepsilon = 20$ 时**没有信息量**。
**解析(2)CLT**:
$Y$ 近似 $N(100, 400)$,$\sigma = 20$:
$$
P(80 \le Y \le 120) \approx \Phi\left(\frac{120 - 100}{20}\right) - \Phi\left(\frac{80 - 100}{20}\right) = \Phi(1) - \Phi(-1) = 2\Phi(1) - 1 \approx 0.6826
$$
**解析(3)比较**:
- 切比雪夫给的下界 $= 0$(无意义)
- CLT 给的近似 $\approx 0.6826$
- **CLT 优势**:能给出有意义的近似值
**复盘**:
- 这道题揭示了**切比雪夫的局限性**:当 $D$ 较大时,上界粗糙
- CLT 总是更好($n$ 大时)
- **终极启示**:工程上首选 CLT,理论证明首选切比雪夫
---
> **题目 6(极限理论综合)**:设 $X_n \sim U(0, n)$,$Y_n = X_n/n$。证明 $Y_n \xrightarrow{P} ?$(依概率收敛到的值)。
**解析**:
- $E(X_n) = n/2, D(X_n) = n^2/12$
- $E(Y_n) = 1/2, D(Y_n) = 1/12$
由切比雪夫不等式:$P(|Y_n - 1/2| \ge \varepsilon) \le \dfrac{1/12}{\varepsilon^2}$。
注意:**$D(Y_n) = 1/12$ 不依赖于 $n$**(一致有界),所以:
$$
P(|Y_n - 1/2| \ge \varepsilon) \le \frac{1}{12\varepsilon^2} \to 0 \text{(固定 ε)}
$$
但**问题**:当 $n$ 变化时,$\varepsilon$ 是固定的,所以上界是常数($1/(12\varepsilon^2)$)$\not\to 0$?
**修正思路**:取 $\varepsilon_n = \varepsilon$ 不变,则 $D(Y_n) = 1/12$ 不变。**对固定 $\varepsilon$,$P \le 1/(12\varepsilon^2)$ 是常数,确实不趋于 0**。
**重新审视**:$Y_n = X_n/n$,$X_n \in [0, n]$,所以 $Y_n \in [0, 1]$,分布会变化。
实际上:**$Y_n$ 的分布** = $X_n / n$。$X_n \sim U(0, n)$,则 $Y_n \sim U(0, 1)$(不依赖 $n$)!
所以 $Y_n$ 的分布**不变**(始终是 $U(0, 1)$),依概率收敛**不适用**(因为分布不变)。
**复盘**:
- 这道题揭示**依概率收敛的陷阱**:分布不变时谈不上"依概率收敛"
- 真正的依概率收敛要求分布**随 $n$ 变化**且"集中"到某点
- 例:$\bar{X}_n = \frac{1}{n}\sum X_i$ 的分布随 $n$ 变化
---
> **口诀速记**:
> - "**估上界用切比雪夫**"——保守、粗略
> - "**估概率用 CLT**"——精确、近似
> - "**证收敛用 LLN**"——定性
> - "**求 $n$ 看工具**"——切比雪夫要求大 $n$,CLT 要求中 $n$ 即可
> - "**跨章节用 LLN**"——相合性的基础