# 题型七:切比雪夫不等式 ## 识别特征 - 题干要求用切比雪夫不等式**估计**概率 $P(|X-\mu| \ge \varepsilon)$ - 已知 $E(X) = \mu, D(X) = \sigma^2$(不需知道 $X$ 的分布) - 大数定律证明中的核心工具 ## 解题流程 ```mermaid flowchart TD A[识别:切比雪夫不等式] --> B[提取 E X = μ, D X = σ²] B --> C{已知 ε?} C -->|是| D[代入 P|X-μ|≥ε ≤ σ²/ε²] C -->|否| E[由 P 的范围反求 ε] D --> F[得概率上界] E --> F ``` ## 通法步骤 ### 一、切比雪夫不等式的两种形式 **形式 1**($\ge$): $$ P(|X - \mu| \ge \varepsilon) \le \frac{\sigma^2}{\varepsilon^2} $$ **形式 2**($<$): $$ P(|X - \mu| < \varepsilon) \ge 1 - \frac{\sigma^2}{\varepsilon^2} $$ 其中 $\varepsilon > 0$,$\mu = E(X)$,$\sigma^2 = D(X)$。 ### 二、应用步骤 1. 识别 $X$ 的均值 $\mu$ 和方差 $\sigma^2$(题目直接给出或可计算) 2. 给定 $\varepsilon$,代入公式得概率**上界** 3. (逆问题)已知 $P(|X-\mu| < \varepsilon)$ 的下界,反求 $\varepsilon$ ### 三、关键性质 | 性质 | 含义 | |------|------| | **分布无关** | 不需要知道 $X$ 的分布,仅用 $\mu, \sigma^2$ | | **粗估** | 给的是上界,不是精确概率 | | **$\varepsilon$ 越大** | 概率上界越小(合理) | | **$\sigma^2$ 越大** | 概率上界越大(合理) | ### 四、典型应用场景 1. **直接估计**:已知 $\mu, \sigma^2, \varepsilon$,求概率上界 2. **大数定律证明**:用切比雪夫不等式证明 $\bar{X_n} \xrightarrow{P} \mu$ 3. **逆问题**:给定概率下界,反求 $\varepsilon$ ### 五、切比雪夫不等式在大数定律中的应用 **切比雪夫大数定律**:$X_1, X_2, \ldots$ 独立,$E(X_i) = \mu, D(X_i) \le C$,则 $$ \bar{X_n} = \frac{1}{n} \sum_{i=1}^n X_i \xrightarrow{P} \mu $$ **证明核心**: $$ P(|\bar{X_n} - \mu| \ge \varepsilon) = P\left(\left|\sum (X_i - \mu)\right| \ge n\varepsilon\right) \le \frac{\sum D(X_i)}{n^2 \varepsilon^2} = \frac{C}{n\varepsilon^2} \to 0 $$ ## 常见陷阱 - **方向错误**:$P(|X-\mu| \ge \varepsilon) \le \sigma^2/\varepsilon^2$(**不等式右边**是上界) - **$\sigma^2/\varepsilon^2$ 超过 1**:表示上界没有信息(如 $\sigma^2 = 1, \varepsilon = 0.5$ 时上界是 4,没意义) - **混淆形式**:$P(|X-\mu| < \varepsilon) \ge 1 - \sigma^2/\varepsilon^2$(不是 $\le$!) - **逆问题方向**:给定概率 $p$,求 $\varepsilon$ 时 $\varepsilon = \sigma/\sqrt{1-p}$ - **不能用来反求参数**:只知道 $E, D$ 不能反推分布,故不能精确计算概率 ## 经典母题 > **题目 1**:设 $X$ 的 $E(X) = \mu, D(X) = \sigma^2$,用切比雪夫不等式估计 $P(|X-\mu| \ge 3\sigma)$。 **解析**: 直接代入 $\varepsilon = 3\sigma$: $$ P(|X-\mu| \ge 3\sigma) \le \frac{\sigma^2}{(3\sigma)^2} = \frac{1}{9} $$ **对比正态**:若 $X \sim N(\mu, \sigma^2)$,则 $P(|X-\mu| \ge 3\sigma) \approx 0.0027$(远小于 $1/9$) **复盘**:切比雪夫上界比较粗糙,但**适用于任意分布**。 --- > **题目 2**:设 $X_1, X_2, \ldots, X_n$ 独立,$E(X_i) = \mu, D(X_i) = 4$。用切比雪夫不等式估计 $P(|\bar{X_n} - \mu| \ge \varepsilon)$。 **解析**: $E(\bar{X_n}) = \mu$,$D(\bar{X_n}) = D(X_i)/n = 4/n$。 $$ P(|\bar{X_n} - \mu| \ge \varepsilon) \le \frac{D(\bar{X_n})}{\varepsilon^2} = \frac{4}{n\varepsilon^2} $$ **复盘**:$\bar{X_n}$ 的方差是单变量方差的 $1/n$——大数定律的核心。 --- > **题目 3**:设 $X \sim E(1)$(指数),$E(X) = 1, D(X) = 1$。估计 $P(|X - 1| \ge 2)$,并与精确值比较。 **解析**: **切比雪夫估计**: $$ P(|X-1| \ge 2) \le \frac{1}{4} $$ **精确值**(指数分布): $$ P(X \ge 3) = e^{-3}, \quad P(X \le -1) = 0 $$ 故精确值 $= e^{-3} \approx 0.0498$,远小于 $0.25$。 **复盘**:切比雪夫是**上界**,实际值通常小得多。 --- > **题目 4**:设 $X$ 的 $E(X) = \mu, D(X) = \sigma^2$,估计使 $P(|X-\mu| < \varepsilon) \ge 0.9$ 的 $\varepsilon$。 **解析**: 由切比雪夫:$P(|X-\mu| < \varepsilon) \ge 1 - \dfrac{\sigma^2}{\varepsilon^2} \ge 0.9$ $$ \Rightarrow \frac{\sigma^2}{\varepsilon^2} \le 0.1 \Rightarrow \varepsilon^2 \ge 10\sigma^2 \Rightarrow \varepsilon \ge \sqrt{10} \cdot \sigma $$ **复盘**:逆问题用 $\varepsilon \ge \sigma/\sqrt{1-p}$ 公式。 --- > **题目 5**:证明切比雪夫大数定律:$X_1, \ldots, X_n$ 独立,$E(X_i) = \mu, D(X_i) \le C$,则 $\bar{X_n} \xrightarrow{P} \mu$。 **解析**: 由切比雪夫不等式: $$ P(|\bar{X_n} - \mu| \ge \varepsilon) \le \frac{D(\bar{X_n})}{\varepsilon^2} = \frac{\sum D(X_i)/n^2}{\varepsilon^2} \le \frac{nC}{n^2 \varepsilon^2} = \frac{C}{n\varepsilon^2} $$ 当 $n \to \infty$ 时,$\dfrac{C}{n\varepsilon^2} \to 0$。 故 $\bar{X_n} \xrightarrow{P} \mu$。 **复盘**:切比雪夫大数定律是切比雪夫不等式的直接推论——Ch05 重点内容。 --- > **变式 1**:$X$ 的 $E(X) = 10, D(X) = 0.04$,估计 $P(9 < X < 11)$。 > > **解**:$P(|X-10| < 1) \ge 1 - 0.04/1 = 0.96$,故 $P(9 < X < 11) \ge 0.96$。 > **变式 2**:$X$ 的 $E(X) = \mu$,要使 $P(|X-\mu| < 2) \ge 0.95$,$D(X)$ 最大是多少? > > **解**:$1 - D(X)/4 \ge 0.95 \Rightarrow D(X) \le 0.2$。 --- > **口诀速记**: > - "**$P(|X-\mu| \ge \varepsilon) \le \sigma^2/\varepsilon^2$**" > - "**只需 $\mu, \sigma^2$,不需分布**" > - "**给的是上界,不是精确值**" > - "**大数定律的工具**:$\bar{X_n} \xrightarrow{P} \mu$"