Files
2026-10-04 11:44:56 +08:00

185 lines
7.1 KiB
Markdown
Raw Permalink Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
# 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 $f(X)$