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 +1,260 @@
# 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