# 📌 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。