Files
MathNotesVersion1/公式笔记/概率论/Ch05_大数定律及中心极限定理/Ch05_LLN_CLT.md
T
2026-10-04 11:44:56 +08:00

531 lines
22 KiB
Markdown
Raw 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.
# 📌 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。