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

9.8 KiB
Raw Permalink Blame History

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

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