5.5 KiB
题型七:切比雪夫不等式
识别特征
- 题干要求用切比雪夫不等式估计概率
P(|X-\mu| \ge \varepsilon) - 已知 $E(X) = \mu, D(X) = \sigma^2$(不需知道
X的分布) - 大数定律证明中的核心工具
解题流程
flowchart TD
A[识别:切比雪夫不等式] --> B[提取 E X = μ, D X = σ²]
B --> C{已知 ε?}
C -->|是| D[代入 P|X-μ|≥ε ≤ σ²/ε²]
C -->|否| E[由 P 的范围反求 ε]
D --> F[得概率上界]
E --> F
通法步骤
一、切比雪夫不等式的两种形式
形式 1($\ge$):
P(|X - \mu| \ge \varepsilon) \le \frac{\sigma^2}{\varepsilon^2}
形式 2($<$):
P(|X - \mu| < \varepsilon) \ge 1 - \frac{\sigma^2}{\varepsilon^2}
其中 $\varepsilon > 0$,$\mu = E(X)$,$\sigma^2 = D(X)$。
二、应用步骤
- 识别
X的均值\mu和方差 $\sigma^2$(题目直接给出或可计算) - 给定 $\varepsilon$,代入公式得概率上界
- (逆问题)已知
P(|X-\mu| < \varepsilon)的下界,反求\varepsilon
三、关键性质
| 性质 | 含义 |
|---|---|
| 分布无关 | 不需要知道 X 的分布,仅用 \mu, \sigma^2 |
| 粗估 | 给的是上界,不是精确概率 |
\varepsilon 越大 |
概率上界越小(合理) |
\sigma^2 越大 |
概率上界越大(合理) |
四、典型应用场景
- 直接估计:已知 $\mu, \sigma^2, \varepsilon$,求概率上界
- 大数定律证明:用切比雪夫不等式证明
\bar{X_n} \xrightarrow{P} \mu - 逆问题:给定概率下界,反求
\varepsilon
五、切比雪夫不等式在大数定律中的应用
切比雪夫大数定律:X_1, X_2, \ldots 独立,$E(X_i) = \mu, D(X_i) \le C$,则
\bar{X_n} = \frac{1}{n} \sum_{i=1}^n X_i \xrightarrow{P} \mu
证明核心:
P(|\bar{X_n} - \mu| \ge \varepsilon) = P\left(\left|\sum (X_i - \mu)\right| \ge n\varepsilon\right) \le \frac{\sum D(X_i)}{n^2 \varepsilon^2} = \frac{C}{n\varepsilon^2} \to 0
常见陷阱
- 方向错误:$P(|X-\mu| \ge \varepsilon) \le \sigma^2/\varepsilon^2$(不等式右边是上界)
\sigma^2/\varepsilon^2超过 1:表示上界没有信息(如\sigma^2 = 1, \varepsilon = 0.5时上界是 4,没意义)- 混淆形式:$P(|X-\mu| < \varepsilon) \ge 1 - \sigma^2/\varepsilon^2$(不是 $\le$!)
- 逆问题方向:给定概率 $p$,求
\varepsilon时\varepsilon = \sigma/\sqrt{1-p} - 不能用来反求参数:只知道
E, D不能反推分布,故不能精确计算概率
经典母题
题目 1:设
X的 $E(X) = \mu, D(X) = \sigma^2$,用切比雪夫不等式估计 $P(|X-\mu| \ge 3\sigma)$。
解析:
直接代入 $\varepsilon = 3\sigma$:
P(|X-\mu| \ge 3\sigma) \le \frac{\sigma^2}{(3\sigma)^2} = \frac{1}{9}
对比正态:若 $X \sim N(\mu, \sigma^2)$,则 $P(|X-\mu| \ge 3\sigma) \approx 0.0027$(远小于 $1/9$)
复盘:切比雪夫上界比较粗糙,但适用于任意分布。
题目 2:设
X_1, X_2, \ldots, X_n独立,$E(X_i) = \mu, D(X_i) = 4$。用切比雪夫不等式估计 $P(|\bar{X_n} - \mu| \ge \varepsilon)$。
解析:
$E(\bar{X_n}) = \mu$,$D(\bar{X_n}) = D(X_i)/n = 4/n$。
P(|\bar{X_n} - \mu| \ge \varepsilon) \le \frac{D(\bar{X_n})}{\varepsilon^2} = \frac{4}{n\varepsilon^2}
复盘:\bar{X_n} 的方差是单变量方差的 $1/n$——大数定律的核心。
题目 3:设 $X \sim E(1)$(指数),$E(X) = 1, D(X) = 1$。估计 $P(|X - 1| \ge 2)$,并与精确值比较。
解析:
切比雪夫估计:
P(|X-1| \ge 2) \le \frac{1}{4}
精确值(指数分布):
P(X \ge 3) = e^{-3}, \quad P(X \le -1) = 0
故精确值 $= e^{-3} \approx 0.0498$,远小于 $0.25$。
复盘:切比雪夫是上界,实际值通常小得多。
题目 4:设
X的 $E(X) = \mu, D(X) = \sigma^2$,估计使P(|X-\mu| < \varepsilon) \ge 0.9的 $\varepsilon$。
解析:
由切比雪夫:P(|X-\mu| < \varepsilon) \ge 1 - \dfrac{\sigma^2}{\varepsilon^2} \ge 0.9
\Rightarrow \frac{\sigma^2}{\varepsilon^2} \le 0.1 \Rightarrow \varepsilon^2 \ge 10\sigma^2 \Rightarrow \varepsilon \ge \sqrt{10} \cdot \sigma
复盘:逆问题用 \varepsilon \ge \sigma/\sqrt{1-p} 公式。
题目 5:证明切比雪夫大数定律:
X_1, \ldots, X_n独立,$E(X_i) = \mu, D(X_i) \le C$,则 $\bar{X_n} \xrightarrow{P} \mu$。
解析:
由切比雪夫不等式:
P(|\bar{X_n} - \mu| \ge \varepsilon) \le \frac{D(\bar{X_n})}{\varepsilon^2} = \frac{\sum D(X_i)/n^2}{\varepsilon^2} \le \frac{nC}{n^2 \varepsilon^2} = \frac{C}{n\varepsilon^2}
当 n \to \infty 时,$\dfrac{C}{n\varepsilon^2} \to 0$。
故 $\bar{X_n} \xrightarrow{P} \mu$。
复盘:切比雪夫大数定律是切比雪夫不等式的直接推论——Ch05 重点内容。
变式 1:
X的 $E(X) = 10, D(X) = 0.04$,估计 $P(9 < X < 11)$。解:$P(|X-10| < 1) \ge 1 - 0.04/1 = 0.96$,故 $P(9 < X < 11) \ge 0.96$。
变式 2:
X的 $E(X) = \mu$,要使 $P(|X-\mu| < 2) \ge 0.95$,D(X)最大是多少?解:$1 - D(X)/4 \ge 0.95 \Rightarrow D(X) \le 0.2$。
口诀速记:
- "$P(|X-\mu| \ge \varepsilon) \le \sigma^2/\varepsilon^2$"
- "只需 $\mu, \sigma^2$,不需分布"
- "给的是上界,不是精确值"
- "大数定律的工具:$\bar{X_n} \xrightarrow{P} \mu$"