# 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 $f(X)$