317 lines
19 KiB
Markdown
317 lines
19 KiB
Markdown
---
|
||||
|
|
tags: [数学一, 在学练习, 概率论, 大数定律, 辛钦, 伯努利, 切比雪夫]
|
|||
|
|
专题: 概率论 第5讲上 · 点3 三条大数定律
|
|||
|
|
日期: 2026-11-07
|
|||
|
|
状态: 知识点带题(3.1 共同形式、3.2 切比雪夫、3.3 伯努利、3.4 辛钦、3.5 对照,共 6 题)
|
|||
|
|
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
# 点 3 三条大数定律
|
|||
|
|
|
|||
|
|
> 2022·9 的前置、十年未单独出题,但**"该用哪条定律"是选择题的固定考法**|重要度 ★★★
|
|||
|
|
> 依赖:点 1 的依概率收敛、点 2 的切比雪夫不等式。盘点对应:§3 全节。
|
|||
|
|
|
|||
|
|
**组织原则**:三条定律的**结论完全一样**,差别只在条件,所以本点的核心是"**条件对照**"而不是"背三条结论"。六题按"共同形式 → 切比雪夫的证明 → 切比雪夫的条件辨析 → 伯努利的应用 → 辛钦的条件 → 三条对照"递进,第 3 题与第 6 题是两种典型的选择题形态。难度标准:★☆☆ 两题、★★☆ 两题、★★★ 两题。
|
|||
|
|
|
|||
|
|
## 知识点 3.1 三条定律的共同形式(出处:[知识章 §2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/law-of-large-numbers-and-central-limit-theorem.tex))
|
|||
|
|
|
|||
|
|
$$\frac1n\sum_{i=1}^{n}X_i-\frac1n\sum_{i=1}^{n}EX_i\overset{P}{\longrightarrow}0 .$$
|
|||
|
|
|
|||
|
|
同分布时右半截就是常数 $\mu$ ,简写为 $\bar X\overset{P}{\longrightarrow}\mu$ 。
|
|||
|
|
|
|||
|
|
**所以要背的只有条件**:
|
|||
|
|
|
|||
|
|
| 定律 | 条件 |
|
|||
|
|
|---|---|
|
|||
|
|
| 切比雪夫 | 两两不相关,$DX_i\le C$ |
|
|||
|
|
| 伯努利 | $n$ 重伯努利试验 |
|
|||
|
|
| 辛钦 | 独立同分布,期望存在 |
|
|||
|
|
|
|||
|
|
## 知识点 3.2 切比雪夫大数定律(出处:[知识章 §2.1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/law-of-large-numbers-and-central-limit-theorem.tex))
|
|||
|
|
|
|||
|
|
**条件**:$X_1,X_2,\cdots$ **两两不相关**,存在常数 $C$ 使 $DX_i\le C$ 。
|
|||
|
|
|
|||
|
|
**结论**:$\dfrac1n\sum X_i-\dfrac1n\sum EX_i\overset{P}{\longrightarrow}0$ 。
|
|||
|
|
|
|||
|
|
**证明主线(两行都不能省)**:
|
|||
|
|
|
|||
|
|
$$D\left(\frac1n\sum_{i=1}^{n}X_i\right)=\frac{1}{n^2}\sum_{i=1}^{n}DX_i\le\frac{nC}{n^2}=\frac{C}{n}\longrightarrow0,$$
|
|||
|
|
|
|||
|
|
再对 $\frac1n\sum X_i$ 用切比雪夫不等式,令 $n\to\infty$ 即得结论。
|
|||
|
|
|
|||
|
|
> **"两两不相关"就为了第一行**:不相关才允许把"和的方差"拆成"方差的和"。若条件给的是"独立",更强,当然也成立。
|
|||
|
|
>
|
|||
|
|
> **实际用到的是更弱的条件**:证明里只用到 $\dfrac{1}{n^2}\sum\limits_{i=1}^{n}DX_i\to0$ ,"一致有界"只是它的一个充分条件。所以判断某个序列"是否满足切比雪夫大数定律"时,**直接算 $\frac{1}{n^2}\sum DX_i$ 的极限**最保险。
|
|||
|
|
|
|||
|
|
## 知识点 3.3 伯努利大数定律(出处:[知识章 §2.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/law-of-large-numbers-and-central-limit-theorem.tex))
|
|||
|
|
|
|||
|
|
**条件**:$n$ 重伯努利试验,每次 $A$ 发生概率为 $p$ ,$\nu_n$ 为 $A$ 发生的次数。
|
|||
|
|
|
|||
|
|
**结论**:
|
|||
|
|
|
|||
|
|
$$\frac{\nu_n}{n}\overset{P}{\longrightarrow}p .$$
|
|||
|
|
|
|||
|
|
**它是切比雪夫定律的特例**:$X_i\sim B(1,p)$ ,$EX_i=p$ 、$DX_i=p(1-p)\le\frac14$ ,方差一致有界自动成立。
|
|||
|
|
|
|||
|
|
**意义**:这是"**用频率估计概率**"的全部依据,也是第 6 讲"矩估计相合性"的出发点。
|
|||
|
|
|
|||
|
|
## 知识点 3.4 辛钦大数定律(出处:[知识章 §2.3](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/law-of-large-numbers-and-central-limit-theorem.tex))
|
|||
|
|
|
|||
|
|
**条件**:$X_1,X_2,\cdots$ **独立同分布**,且**期望存在**($EX_i=\mu$ )。
|
|||
|
|
|
|||
|
|
**结论**:$\bar X\overset{P}{\longrightarrow}\mu$ 。
|
|||
|
|
|
|||
|
|
**与切比雪夫的关键差别**:辛钦**不要方差存在**,但要**同分布**。
|
|||
|
|
|
|||
|
|
- 柯西分布(期望不存在)用不了辛钦;
|
|||
|
|
- "期望存在但方差不存在"的重尾分布,只有辛钦能管;
|
|||
|
|
- 分布不同(但期望相同)时,切比雪夫可以、辛钦不行。
|
|||
|
|
|
|||
|
|
## 知识点 3.5 三条定律的对照(出处:[知识章 §2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/law-of-large-numbers-and-central-limit-theorem.tex))
|
|||
|
|
|
|||
|
|
| 定律 | 独立要求 | 同分布 | 方差要求 | 期望要求 | 结论 |
|
|||
|
|
|---|---|---|---|---|---|
|
|||
|
|
| 切比雪夫 | 两两**不相关** | 不要求 | $DX_i\le C$ | 存在 | $\bar X-E\bar X\overset{P}{\to}0$ |
|
|||
|
|
| 伯努利 | 独立($0$ -$1$ 试验) | 自动 | 自动 | 自动 | $\frac{\nu_n}{n}\overset{P}{\to}p$ |
|
|||
|
|
| 辛钦 | **独立** | **要求** | **不要求** | 存在 | $\bar X\overset{P}{\to}\mu$ |
|
|||
|
|
|
|||
|
|
**一句话记法**:**切比雪夫管"方差有界",辛钦管"同分布",伯努利是二者的交集特例。**
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## 题目(按知识点顺序对应)
|
|||
|
|
|
|||
|
|
### 题 1 · 3.1:三个平均值都收敛到自己的期望(★☆☆)
|
|||
|
|
|
|||
|
|
> 设 $X_1,X_2,\cdots,X_n$ 独立同分布,$EX_i=\mu$ 、$DX_i=\sigma^2$ 。又设 $A$ 在每次试验中发生的概率为 $p$ ,$\nu_n$ 为 $n$ 次试验中 $A$ 发生的次数。写出下列三个量的依概率极限,并各自说明依据:
|
|||
|
|
>
|
|||
|
|
> (Ⅰ)$\dfrac1n\sum\limits_{i=1}^{n}X_i$ ;(Ⅱ)$\dfrac1n\sum\limits_{i=1}^{n}(X_i-\mu)^2$ ;(Ⅲ)$\dfrac{\nu_n}{n}$ 。
|
|||
|
|
|
|||
|
|
**怎么想**:三条定律的"共同形式"就是"**平均值 → 期望**"。所以第(Ⅱ)问的关键是认出"$Y_i=(X_i-\mu)^2$ 也是一个独立同分布序列,它的期望是 $\sigma^2$ "。
|
|||
|
|
|
|||
|
|
**解**:
|
|||
|
|
|
|||
|
|
**(Ⅰ)** 由辛钦大数定律(独立同分布、期望存在),
|
|||
|
|
|
|||
|
|
$$\frac1n\sum_{i=1}^{n}X_i\overset{P}{\longrightarrow}\mu .$$
|
|||
|
|
|
|||
|
|
**(Ⅱ)** 令 $Y_i=(X_i-\mu)^2$ 。$Y_i$ 独立同分布,且
|
|||
|
|
|
|||
|
|
$$EY_i=E(X_i-\mu)^2=DX_i=\sigma^2 .$$
|
|||
|
|
|
|||
|
|
对 $\{Y_i\}$ 用辛钦大数定律:
|
|||
|
|
|
|||
|
|
$$\frac1n\sum_{i=1}^{n}(X_i-\mu)^2\overset{P}{\longrightarrow}\sigma^2 .$$
|
|||
|
|
|
|||
|
|
**(Ⅲ)** 令 $X_i=\begin{cases}1,&A\text{ 发生}\\0,&A\text{ 不发生}\end{cases}$ ,则 $\nu_n=\sum X_i$ ,且 $X_i$ 独立同分布、$EX_i=p$ 。由伯努利大数定律(或直接对 $\{X_i\}$ 用辛钦定律),
|
|||
|
|
|
|||
|
|
$$\frac{\nu_n}{n}\overset{P}{\longrightarrow}p .$$
|
|||
|
|
|
|||
|
|
**带走结论**:**"平均值的极限 = 期望"是全讲唯一的句式**。看到 $\frac1n\sum(\text{某个函数})$ 就问一句:"这个函数的期望是多少?"——答案就是极限。第(Ⅱ)问的 $\sigma^2$ 与第(Ⅲ)问的 $p$ ,都是这样"读"出来的,而不是算出来的。
|
|||
|
|
|
|||
|
|
> **关联** · 盘点 [§3.1 共同形式](01-知识点盘点.md#user-content-31-共同形式) | 上游 — | 下游 — | 速查 [六 三条定律的共同形式](05-速查卡.md#user-content-六-三条定律的共同形式)
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
### 题 2 · 3.2:切比雪夫大数定律的证明(★★★)
|
|||
|
|
|
|||
|
|
> 设随机变量序列 $X_1,X_2,\cdots$ **两两不相关**,且存在常数 $C$ ,使 $DX_i\le C$ ($i=1,2,\cdots$ )。证明:对任意 $\varepsilon>0$ ,
|
|||
|
|
>
|
|||
|
|
> $$\lim_{n\to\infty}P\left\{\left\lvert\frac1n\sum_{i=1}^{n}X_i-\frac1n\sum_{i=1}^{n}EX_i\right\rvert\ge\varepsilon\right\}=0 .$$
|
|||
|
|
|
|||
|
|
**怎么想**:这是"用切比雪夫不等式证依概率收敛"的标准三步——**算期望 → 算方差 → 套不等式 → 让 $n\to\infty$ 这四步** 。注意被控变量是 $\frac1n\sum X_i$ 减自己的期望,所以中心就是 $0$ 。
|
|||
|
|
|
|||
|
|
**证**:
|
|||
|
|
|
|||
|
|
记 $\bar X=\dfrac1n\sum\limits_{i=1}^{n}X_i$ 。先算它的期望与方差。
|
|||
|
|
|
|||
|
|
**期望**(线性,不要求独立):
|
|||
|
|
|
|||
|
|
$$E\bar X=\frac1n\sum_{i=1}^{n}EX_i .$$
|
|||
|
|
|
|||
|
|
**方差**(这里用到"两两不相关",交叉项才全为 $0$ ):
|
|||
|
|
|
|||
|
|
$$D\bar X=D\left(\frac1n\sum_{i=1}^{n}X_i\right)=\frac{1}{n^2}\left[\sum_{i=1}^{n}DX_i+2\sum_{i<j}\operatorname{Cov}(X_i,X_j)\right]=\frac{1}{n^2}\sum_{i=1}^{n}DX_i .$$
|
|||
|
|
|
|||
|
|
代入 $DX_i\le C$ :
|
|||
|
|
|
|||
|
|
$$D\bar X\le\frac{nC}{n^2}=\frac{C}{n}.$$
|
|||
|
|
|
|||
|
|
**套切比雪夫不等式**:对 $\bar X$ 用不等式,取 $\varepsilon>0$ ,
|
|||
|
|
|
|||
|
|
$$0\le P\left\{\left\lvert\bar X-E\bar X\right\rvert\ge\varepsilon\right\}\le\frac{D\bar X}{\varepsilon^2}\le\frac{C}{n\varepsilon^2}.$$
|
|||
|
|
|
|||
|
|
令 $n\to\infty$ ,右端趋于 $0$ ,由夹逼得
|
|||
|
|
|
|||
|
|
$$\lim_{n\to\infty}P\left\{\left\lvert\bar X-E\bar X\right\rvert\ge\varepsilon\right\}=0 . \qquad\blacksquare$$
|
|||
|
|
|
|||
|
|
**验算**:把证明里的两个条件各去掉一条,看哪里断——若去掉"不相关",$\operatorname{Cov}$ 项留不下来,$D\bar X$ 的上界不成立;若去掉"$DX_i\le C$ "而改成一列方差 $DX_i=i^2$ ,则 $D\bar X=\frac{1}{n^2}\cdot\frac{n(n+1)(2n+1)}{6}\sim\frac{n}{3}\to\infty$ ,结论崩。
|
|||
|
|
|
|||
|
|
**带走结论**:**证明题的四个得分点**:写出 $\bar X$ 的定义、算 $E\bar X$ 、算 $D\bar X$ 时点明"不相关所以交叉项为零"、最后夹逼。少任何一个都要扣分。**"两两不相关"这句话必须写出来并说明用途**,只写结论不给分。
|
|||
|
|
|
|||
|
|
> **关联** · 盘点 [§3.2 切比雪夫大数定律](01-知识点盘点.md#user-content-32-切比雪夫大数定律) | 上游 — | 下游 [点 3 题 3](04-点3-三条大数定律.md#user-content-题-3--32条件辨析谁不满足) | 速查 [七 切比雪夫大数定律](05-速查卡.md#user-content-七-切比雪夫大数定律)
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
### 题 3 · 3.2:条件辨析,谁不满足(★★★)
|
|||
|
|
|
|||
|
|
> 设 $X_1,X_2,\cdots,X_n,\cdots$ 相互独立,且 $X_n\sim E(n)$ (参数为 $n$ 的指数分布)。下列随机变量序列中,**不**满足切比雪夫大数定律条件的是( )。
|
|||
|
|
>
|
|||
|
|
> (A)$X_1,\ \dfrac12X_2,\ \cdots,\ \dfrac1nX_n,\ \cdots$
|
|||
|
|
> (B)$X_1,\ X_2,\ \cdots,\ X_n,\ \cdots$
|
|||
|
|
> (C)$X_1,\ 2X_2,\ \cdots,\ nX_n,\ \cdots$
|
|||
|
|
> (D)$X_1,\ 2^2X_2,\ \cdots,\ n^2X_n,\ \cdots$
|
|||
|
|
|
|||
|
|
**怎么想**:切比雪夫大数定律真正用到的条件是 $\dfrac{1}{n^2}\sum\limits_{i=1}^{n}DX_i\to0$ ,不要只盯着"一致有界"。$E(n)$ 的方差是 $\frac{1}{n^2}$ ,乘上系数 $c_n$ 后方差变成 $\frac{c_n^2}{n^2}$ ,逐个算一遍即可。
|
|||
|
|
|
|||
|
|
**解**:
|
|||
|
|
|
|||
|
|
先记基本量:$X_n\sim E(n)$ ,故 $EX_n=\dfrac1n$ 、$DX_n=\dfrac{1}{n^2}$ 。
|
|||
|
|
|
|||
|
|
依次算"和的方差 / $n^2$ ":
|
|||
|
|
|
|||
|
|
**(A)** 第 $k$ 项为 $\frac1kX_k$ ,$D\left(\frac1kX_k\right)=\frac{1}{k^2}\cdot\frac{1}{k^2}=\frac{1}{k^4}$ ,
|
|||
|
|
|
|||
|
|
$$\frac{1}{n^2}\sum_{k=1}^{n}\frac{1}{k^4}\le\frac{1}{n^2}\cdot\frac{\pi^4}{90}\longrightarrow0\ ✓$$
|
|||
|
|
|
|||
|
|
**(B)** $D X_k=\dfrac{1}{k^2}$ ,
|
|||
|
|
|
|||
|
|
$$\frac{1}{n^2}\sum_{k=1}^{n}\frac{1}{k^2}\le\frac{1}{n^2}\cdot\frac{\pi^2}{6}\longrightarrow0\ ✓$$
|
|||
|
|
|
|||
|
|
**(C)** 第 $k$ 项为 $kX_k$ ,$D(kX_k)=k^2\cdot\dfrac{1}{k^2}=1$ ,
|
|||
|
|
|
|||
|
|
$$\frac{1}{n^2}\sum_{k=1}^{n}1=\frac{n}{n^2}=\frac1n\longrightarrow0\ ✓$$
|
|||
|
|
|
|||
|
|
**(D)** 第 $k$ 项为 $k^2X_k$ ,$D\left(k^2X_k\right)=k^4\cdot\dfrac{1}{k^2}=k^2$ ,
|
|||
|
|
|
|||
|
|
$$\frac{1}{n^2}\sum_{k=1}^{n}k^2=\frac{1}{n^2}\cdot\frac{n(n+1)(2n+1)}{6}\sim\frac{n}{3}\longrightarrow+\infty\ \times$$
|
|||
|
|
|
|||
|
|
所以 **(D)** 不满足。
|
|||
|
|
|
|||
|
|
**验算**:(C)这一项最容易误判——直觉上"系数乘 $n$ 一定发散",但 $E(n)$ 的方差本来就按 $\frac{1}{n^2}$ 衰减,乘 $n$ 之后恰好抵消成一个常数 $1$ 。**"方差一致有界"是充分条件而不是必要条件**,(C)的方差恒为 $1$ (确实一致有界),(A)(B)的方差趋于 $0$ 但不一致有下界(无所谓),三者都合格;只有(D)的方差按 $k^2$ 增长,把 $\frac{1}{n^2}$ 的平滑吃光了。
|
|||
|
|
|
|||
|
|
**带走结论**:**判断这类题只做一件事:算 $\dfrac{1}{n^2}\sum\limits_{k=1}^{n}DX_k$ 的阶**。它是 $O(1/n)$ 或更快就满足,是 $O(n)$ 就崩。别去背"一致有界",那个条件会骗人。
|
|||
|
|
|
|||
|
|
> **关联** · 盘点 [§3.2 切比雪夫大数定律](01-知识点盘点.md#user-content-32-切比雪夫大数定律) | 上游 [点 3 题 2](04-点3-三条大数定律.md#user-content-题-2--32切比雪夫大数定律的证明) | 下游 — | 速查 [七 切比雪夫大数定律](05-速查卡.md#user-content-七-切比雪夫大数定律)
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
### 题 4 · 3.3:用伯努利定律反解试验次数(★★☆)
|
|||
|
|
|
|||
|
|
> 反复抛一枚均匀硬币,记 $\nu_n$ 为 $n$ 次中出现正面的次数。问 $n$ **至少**取多少,才能用切比雪夫不等式保证
|
|||
|
|
>
|
|||
|
|
> $$P\left\{\left\lvert\frac{\nu_n}{n}-0.5\right\rvert<0.01\right\}\ge0.95\ ?$$
|
|||
|
|
|
|||
|
|
**怎么想**:$\frac{\nu_n}{n}$ 就是 $0$ -$1$ 变量的样本均值,所以 $D\left(\frac{\nu_n}{n}\right)=\frac{p(1-p)}{n}$ 。套点 2 的反解套路即可。
|
|||
|
|
|
|||
|
|
**解**:
|
|||
|
|
|
|||
|
|
令 $X_i$ 为第 $i$ 次的结果(正面记 $1$ 、反面记 $0$ ),则 $X_i\sim B(1,0.5)$ ,$EX_i=0.5$ 、$DX_i=0.25$ ,且 $\frac{\nu_n}{n}=\bar X$ 。于是
|
|||
|
|
|
|||
|
|
$$D\left(\frac{\nu_n}{n}\right)=\frac{0.25}{n}.$$
|
|||
|
|
|
|||
|
|
套切比雪夫不等式的下界形式,取 $\varepsilon=0.01$ :
|
|||
|
|
|
|||
|
|
$$P\left\{\left\lvert\frac{\nu_n}{n}-0.5\right\rvert<0.01\right\}\ge1-\frac{0.25}{n\times10^{-4}}=1-\frac{2500}{n}.$$
|
|||
|
|
|
|||
|
|
要求 $1-\dfrac{2500}{n}\ge0.95$ ,即 $\dfrac{2500}{n}\le0.05$ ,故
|
|||
|
|
|
|||
|
|
$$n\ge\frac{2500}{0.05}=50000 .$$
|
|||
|
|
|
|||
|
|
**至少抛 $50000$ 次**。
|
|||
|
|
|
|||
|
|
**这个数为什么这么夸张**:真正需要多少次?由中心极限定理([第5讲下](../概率论-第5讲下-中心极限定理/README.md)),$\frac{\nu_n}{n}$ 近似 $N\!\left(0.5,\frac{0.25}{n}\right)$ ,要求
|
|||
|
|
|
|||
|
|
$$2\Phi\left(\frac{0.01\sqrt n}{0.5}\right)-1\ge0.95\ \Longrightarrow\ 0.02\sqrt n\ge1.96\ \Longrightarrow\ n\ge9604 .$$
|
|||
|
|
|
|||
|
|
**切比雪夫要 $50000$ 次,中心极限定理只要 $9604$ 次**,差 $5$ 倍多。原因是切比雪夫对分布形状一无所知,只能按最坏情形估。
|
|||
|
|
|
|||
|
|
**验算**:$n=50000$ 时 $\frac{2500}{50000}=0.05$ ,界恰为 $0.95$ ✓;$n=49999$ 时界为 $0.9499<0.95$ ,不满足。
|
|||
|
|
|
|||
|
|
**带走结论**:**"切比雪夫给的 $n$ 一定是偏大的、但一定够用"**。考试若同时允许两种方法,题目会明确说"用切比雪夫不等式估计";不说而只要一个"近似值"时,用中心极限定理。**两者不能混用**——用 CLT 算出的 $9604$ 代入切比雪夫不等式是不成立的。
|
|||
|
|
|
|||
|
|
> **关联** · 盘点 [§3.3 伯努利大数定律](01-知识点盘点.md#user-content-33-伯努利大数定律) | 上游 — | 下游 — | 速查 [八 伯努利大数定律](05-速查卡.md#user-content-八-伯努利大数定律)
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
### 题 5 · 3.4:辛钦定律的条件够不够(★☆☆)
|
|||
|
|
|
|||
|
|
> 将一枚均匀骰子独立重复投掷 $n$ 次,$X_i$ 表示第 $i$ 次掷出的点数,$\bar X=\dfrac1n\sum\limits_{i=1}^{n}X_i$ 。
|
|||
|
|
>
|
|||
|
|
> (Ⅰ)$\bar X$ 依概率收敛于何值?依据哪条定律?条件是否满足?
|
|||
|
|
> (Ⅱ)若改为考察 $\dfrac1n\sum\limits_{i=1}^{n}X_i^2$ ,它收敛于何值?
|
|||
|
|
|
|||
|
|
**怎么想**:辛钦定律三条件——独立、同分布、期望存在——本题全部满足,所以直接算期望即可。
|
|||
|
|
|
|||
|
|
**解**:
|
|||
|
|
|
|||
|
|
**(Ⅰ)** $X_i$ 独立同分布,且
|
|||
|
|
|
|||
|
|
$$EX_i=\frac{1+2+3+4+5+6}{6}=\frac{21}{6}=3.5 .$$
|
|||
|
|
|
|||
|
|
由辛钦大数定律,
|
|||
|
|
|
|||
|
|
$$\bar X\overset{P}{\longrightarrow}3.5 .$$
|
|||
|
|
|
|||
|
|
三条条件逐一核对:独立性(各次投掷互不影响)、同分布(每次都是 $1$ 到 $6$ 等可能)、期望存在(有限个取值,期望必存在)。**注意不需要方差**——虽然本题方差当然存在($DX_i=\frac{35}{12}$ ),但辛钦定律用不到它。
|
|||
|
|
|
|||
|
|
**(Ⅱ)** 令 $Y_i=X_i^2$ 。$Y_i$ 独立同分布,且
|
|||
|
|
|
|||
|
|
$$EY_i=EX_i^2=\frac{1+4+9+16+25+36}{6}=\frac{91}{6}\approx15.17 .$$
|
|||
|
|
|
|||
|
|
由辛钦大数定律,
|
|||
|
|
|
|||
|
|
$$\frac1n\sum_{i=1}^{n}X_i^2\overset{P}{\longrightarrow}\frac{91}{6} .$$
|
|||
|
|
|
|||
|
|
**验算**:用 $DX=EX^2-(EX)^2$ 反查:$\frac{91}{6}-\left(\frac72\right)^2=\frac{91}{6}-\frac{49}{4}=\frac{182-147}{12}=\frac{35}{12}$ ,正是均匀骰子的方差 ✓。
|
|||
|
|
|
|||
|
|
**带走结论**:**辛钦定律只要求"独立同分布 + 期望存在"**,方差有无完全不影响。这一点与切比雪夫定律恰好相反,是两条定律最容易考的反差。凡是题目给的是"独立同分布"而没有提方差,就用辛钦。
|
|||
|
|
|
|||
|
|
> **关联** · 盘点 [§3.4 辛钦大数定律](01-知识点盘点.md#user-content-34-辛钦大数定律) | 上游 — | 下游 — | 速查 [九 辛钦大数定律](05-速查卡.md#user-content-九-辛钦大数定律)
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
### 题 6 · 3.5:三条定律的条件对照(★★☆)
|
|||
|
|
|
|||
|
|
> (Ⅰ)设 $X_1,X_2,\cdots,X_n,\cdots$ 相互独立。根据辛钦大数定律,当 $n\to\infty$ 时 $\dfrac1n\sum\limits_{i=1}^{n}X_i$ 依概率收敛于其数学期望,只要 $\{X_n\}$ ( )。
|
|||
|
|
>
|
|||
|
|
> (A)有相同的数学期望 (B)服从同一离散型分布 (C)服从同一泊松分布 (D)服从同一连续型分布
|
|||
|
|
>
|
|||
|
|
> (Ⅱ)说明(A)(B)(D)为什么都不够,各举一个反例。
|
|||
|
|
|
|||
|
|
**怎么想**:辛钦定律要三条:**独立、同分布、期望存在**。选项必须**同时**满足后两条。逐个检验"期望是否存在"是关键——同分布不等于期望存在。
|
|||
|
|
|
|||
|
|
**解**:
|
|||
|
|
|
|||
|
|
**(Ⅰ)选(C)**。
|
|||
|
|
|
|||
|
|
**(Ⅱ)逐项反驳**:
|
|||
|
|
|
|||
|
|
**(A)有相同的数学期望**:不同分布也能有相同的期望。例如 $X_n$ 取 $n$ 的概率为 $\frac{1}{2n}$ 、取 $-n$ 的概率为 $\frac{1}{2n}$ 、取 $0$ 的概率为 $1-\frac1n$ ,则 $EX_n=0$ 恒成立,但 $\frac1n\sum X_i$ 并不依概率收敛于 $0$ (尾部贡献不可控,与 [点 1 题 2](02-点1-依概率收敛.md#user-content-题-2--12只控制概率不控制数值) 同型)。**同分布这一条不能被"同期望"替代。**
|
|||
|
|
|
|||
|
|
**(B)服从同一离散型分布**:取同一个分布
|
|||
|
|
|
|||
|
|
$$P\{X=k\}=\frac{6}{\pi^2k^2}\quad(k=1,2,3,\cdots),$$
|
|||
|
|
|
|||
|
|
它是合法的离散型分布($\sum\frac{6}{\pi^2k^2}=1$ ),所有 $X_n$ 都服从它,**同分布成立**。但
|
|||
|
|
|
|||
|
|
$$E\lvert X\rvert=\sum_{k=1}^{\infty}\frac{6}{\pi^2k^2}\cdot k=\frac{6}{\pi^2}\sum_{k=1}^{\infty}\frac1k=+\infty,$$
|
|||
|
|
|
|||
|
|
期望**不存在**,辛钦定律用不了。**"同一离散型分布"根本不保证期望存在**——只要尾部按 $\frac{1}{k^2}$ 衰减,概率和收敛而期望和发散,这正是"期望存在"比"分布合法"严格得多的地方。
|
|||
|
|
|
|||
|
|
**(C)服从同一泊松分布**:泊松分布 $P(\lambda)$ 的期望就是 $\lambda$ ,有限,一定存在。**它是四个选项里唯一能保证"同分布 + 期望存在"的。**
|
|||
|
|
|
|||
|
|
**(D)服从同一连续型分布**:标准柯西分布 $f(x)=\dfrac{1}{\pi(1+x^2)}$ 是同一连续型分布,但
|
|||
|
|
|
|||
|
|
$$\int_{-\infty}^{+\infty}\frac{\lvert x\rvert}{\pi(1+x^2)}\,\mathrm dx=+\infty,$$
|
|||
|
|
|
|||
|
|
期望**不存在**,辛钦定律同样用不了。
|
|||
|
|
|
|||
|
|
**验算**:(B)与(D)是同一个毛病的两种写法——**密度/概率只要求"可积到 $1$ ",期望却要求"乘上 $\lvert x\rvert$ 之后仍可积"**。$\frac{1}{x^2}$ 型尾部的和(积分)收敛,但乘上 $x$ 之后变成 $\frac1x$ 型,就发散了。所以"分布合法"与"期望存在"之间隔着整整一阶。
|
|||
|
|
|
|||
|
|
**带走结论**:**看到"根据辛钦大数定律……只要"这类题,一律按三步筛选项**:先删"只同期望不同分布"(A),再删"同分布但不保证期望存在"(B)(D),剩下那个"参数本身就等于期望"的具体分布(C)就是答案。这个套路在选择题里反复出现。
|
|||
|
|
|
|||
|
|
> **关联** · 盘点 [§3.5 三条定律对照(高频辨析)](01-知识点盘点.md#user-content-35-三条定律对照高频辨析) | 上游 — | 下游 — | 速查 [十 三条定律对照](05-速查卡.md#user-content-十-三条定律对照)
|
|||
|
|
|
|||
|
|
---
|