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

261 lines
9.8 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
```mermaid
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