张宇1000题概率论与数理统计 第七章 大数定律与中心极限定理

$A$组

1.设随机变量$X_1,X_2,\cdots ,X_n,\cdots$相互独立，且同服从参数为$\lambda$的泊松分布，下列随机变量序列不满足切比雪夫大数定律条件的是（  ）。
$(A)X_1,X_2,\cdots ,X_n,\cdots ;$
$(B)X_1-1,X_2-1,\cdots ,X_n-n,\cdots ;$
$(C)X_1,2X_2,\cdots ,n{X}_n,\cdots ;$
$(D)X_1,\frac{1}{2}{X}_2,\cdots ,\frac{1}{n}{X}_n,\cdots ;$

解  满足切比雪夫大数定律要有三个条件：要求构成随机变量序列的各随机变量相互独立，显然，各选项均能满足；要求各随机变量的期望和方差都存在，由$E(X_n)=\lambda ,E(X_n-n)=\lambda -n,E(n{X}_n)=n\lambda ,E\left(\frac{1}{n}{X}_n\right)=\frac{1}{n}\lambda ,D(X_n)=\lambda ,D(X_n-n)=\lambda ,D(n{X}_n)=n^2\lambda ,D\left(\frac{1}{n}{X}_n\right)=\frac{1}{n^2}\lambda$，知各选项也都满足；要求方差有公共上界，即$D(X_n)<C$，其中$C$是与$n$无关的常数，而选项$(C)$中$D(n{X}_n)=n^2\lambda$无上界，从而知，选项$(C)$不能全部满足切比雪夫大数定律的三个条件，故选$(C)$。（这道题主要利用了切比雪夫大数定律求解）

3.设随机变量$X_1,X_2,\cdots ,X_n$相互独立，则根据切比雪夫大数定律，对于任意$ϵ>0$，有$\underset{n\to \infty }{\lim }P\left\{\left|\frac{1}{n}\sum _{i=1}^n{X}_i-\frac{1}{n}\sum _{i=1}^{n}E(X_i)\right|<ϵ\right\}=1$，只要$X_1,X_2,\cdots ,X_n$（  ）。
$(A)$具有相同的分布；
$(B)$期望与方差都存在；
$(C)$期望与方差都存在且相等；
$(D)$方差存在并一致有界。

解  由切比雪夫大数定律成立的条件，在$X_1,X_2,\cdots ,X_n$相互独立的前提下，并不要求同分布也不要求有相同的期望和方差，关键是要求方差存在（内含期望存在），且一致有界。因此，选择$(D)$。（这道题主要利用了切比雪夫大数定律的条件求解）

$B$组

6.一本书共有$100$万个印刷符号，在排版时每个符号被排错的概率为$0.0001$，校对时每个排版错误被改正的概率为$0.9$，则校对后错误不超过$15$个的概率为______。（$\Phi (x)=0.9429$）

解  依题设，校对后出现错误的概率应为$p=0.0001\times 0.1=0.00001$，记$100$万个印刷符号经校对后出错数为$\xi$，则$\xi$服从参数为$1000000,p$的二项分布，且$E(\xi )=1000000\times 0.00001=10,D(\xi )=1000000\times 0.00001\times 0.99999=9.9999$，根据定理，$\xi$近似服从正态分布$N(10,9.9999)$，则 P { ξ ⩽ 15 } ≈ Φ ( 1.58 ) = 0.9429 P\{\xi\leqslant15\}\approx\varPhi(1.58)=0.9429 P{ξ⩽15}≈Φ(1.58)=0.9429。（这道题主要利用了二项分布求解）

$C$组

2.设随机变量序列$X_1,X_2,\cdots ,X_n,\cdots$相互独立同分布，且$E(X_i^k)={\mu }_k,D(X_i)={\sigma }^2(i,k=1,2,\cdots )$，记$A_1=\overline{X}=\frac{1}{n}\sum _{i=1}^n{X}_i$表示随机变量序列的一阶原点矩，$A_2=\frac{1}{n}\sum _{i=1}^n{X}_i^2$表示随机变量序列的二阶原点矩，$B_2=\frac{1}{n}\sum _{i=1}^n(X_i-\overline{X}{)}^2$表示随机变量序列的二阶中心矩，则当$n\to \infty$时，（  ）。
$(A)$由大数定律，依概率，$A_2=\frac{1}{n}\sum _{i=1}^n{X}_i^2$趋于${\mu }_2$且$B_2=\frac{1}{n}\sum _{i=1}^n(X_i-\overline{X}{)}^2$趋于${\sigma }^2$；
$(B)$由大数定律，依概率，$A_2=\frac{1}{n}\sum _{i=1}^n{X}_i^2$趋于${\mu }_2$，但$B_2=\frac{1}{n}\sum _{i=1}^n(X_i-\overline{X}{)}^2$不趋于${\sigma }^2$；
$(C)$由大数定律，依概率，$B_2=\frac{1}{n}\sum _{i=1}^n(X_i-\overline{X}{)}^2$趋于${\sigma }^2$，但$A_2=\frac{1}{n}\sum _{i=1}^n{X}_i^2$不趋于${\mu }_2$；
$(D)$由大数定律，依概率，$A_2=\frac{1}{n}\sum _{i=1}^n{X}_i^2$趋于${\mu }_2$且$B_2=\frac{1}{n}\sum _{i=1}^n(X_i-\overline{X}{)}^2$趋于${\sigma }^2$。

解  在随机变量序列$X_1,X_2,\cdots ,X_n,\cdots$相互独立同分布的条件下，若$X_i^k$期望存在，即$E(X_i^k)={\mu }_k,k=1,2,\cdots$，则由大数定律，有$A_k=\frac{1}{n}\sum _{i=1}^n{X}_i^k\stackrel{P}{\to }{\mu }_k(k=1,2,\cdots )$，即有$A_1=\frac{1}{n}\sum _{i=1}^n{X}_i\stackrel{P}{\to }{\mu }_1,A_2=\frac{1}{n}\sum _{i=1}^n{X}_i^2\stackrel{P}{\to }{\mu }_2$，同时有$B_2=\frac{1}{n}\sum _{i=1}^n(X_i-\overline{X}{)}^2=\frac{1}{n}\sum _{i=1}^n{X}_i^2-{\overline{X}}^2\stackrel{P}{\to }{\mu }_2-{\mu }_1^2={\sigma }^2$，故选择$(A)$。（这道题主要利用了大数定律求解）

4.设$X_1,X_2,\cdots ,X_n$是独立同分布的随机变量序列，$E(X_i)=\mu ,D(X_i)={\sigma }^2,i=1,2,\cdots ,n$，令$Y_n=\frac{2}{n(n+1)}\sum _{i=1}^{n}i{X}_i$。证明：随机变量序列 { Y n } \{Y_n\} {Yn​}依概率收敛于$\mu$。

解
$$\begin{gathered} E(Y_n)=\frac{2}{n(n+1)}\sum _{i=1}^{n}iE(X_i)=\frac{2\mu }{n(n+1)}\sum _{i=1}^{n}i=\mu , \\ \begin{array}{rl}D(Y_n)& =\frac{4}{n^2(n+1{)}^2}\sum _{i=1}^n{i}^{2}D(X_i)=\frac{4{\sigma }^2}{n^2(n+1{)}^2}\sum _{i=1}^n{i}^2\\ & =\frac{4{\sigma }^2}{n^2(n+1{)}^2}\cdot \frac{n(n+1)(2n+1)}{6}=\frac{2(2n+1){\sigma }^2}{3n(n+1)}.\end{array} \end{gathered}$$
  由切比雪夫不等式得 P { ∣ Y n − E ( Y n ) ∣ ⩾ ϵ } = P { ∣ Y n − μ ∣ ⩾ ϵ } ⩽ D ( Y n ) ϵ 2 = 2 ( 2 n + 1 ) σ 2 3 n ( n + 1 ) → n → ∞ 0 P\{|Y_n-E(Y_n)|\geqslant\epsilon\}=P\{|Y_n-\mu|\geqslant\epsilon\}\leqslant\cfrac{D(Y_n)}{\epsilon^2}=\cfrac{2(2n+1)\sigma^2}{3n(n+1)}\xrightarrow{n\to\infty}0 P{∣Yn​−E(Yn​)∣⩾ϵ}=P{∣Yn​−μ∣⩾ϵ}⩽ϵ2D(Yn​)​=3n(n+1)2(2n+1)σ2​n→∞ ​0，所以$Y_n\stackrel{P}{\to }\mu$。（这道题主要利用了期望方差变换求解）

8.设随机变量$X$的概率密度为$f(x)$，已知方差$D(X)=1$，而随机变量$Y$的概率密度为$f(-y)$，且$X$与$Y$的相关系数为$-\frac{1}{4}$。记$Z=X+Y$。

（1）求$E(Z),D(Z)$；

解
$$\begin{gathered} \begin{array}{rl}E(Z)=E(X+Y)& =E(X)+E(Y)={\int }_{-\infty }^{+\infty }xf(x)\mathrm{d}x+{\int }_{-\infty }^{+\infty }yf(-y)\mathrm{d}y\\ & \stackrel{u=-y}{=}{\int }_{-\infty }^{+\infty }xf(x)\mathrm{d}x+{\int }_{-\infty }^{+\infty }(-u)f(u)\mathrm{d}(-u)\\ & ={\int }_{-\infty }^{+\infty }xf(x)\mathrm{d}x-{\int }_{-\infty }^{+\infty }uf(u)\mathrm{d}u=0,\end{array} \\ \begin{array}{rl}D(Z)& =D(X+Y)=D(X)+D(Y)+2\mathrm{C}\mathrm{o}\mathrm{v}(X,Y)\\ & =D(X)+D(Y)+2{\rho }_{XY}\sqrt{D(X)}\cdot \sqrt{D(Y)}.\end{array} \end{gathered}$$
  又$D(Y)=E(Y^2)-[E(Y){]}^2$，其中$E(Y)=-E(X),E(Y^2)={\int }_{-\infty }^{+\infty }{y}^{2}f(-y)\mathrm{d}y={\int }_{+\infty }^{-\infty }(-u{)}^{2}f(u)(-\mathrm{d}u)={\int }_{-\infty }^{+\infty }{u}^{2}f(u)\mathrm{d}u=E(X^2)$，所以$D(Y)=E(X^2)-[-E(X){]}^2=E(X^2)-[E(X){]}^2=D(X)=1$，故$D(Z)=1+1+2\times \left(-\frac{1}{4}\right)\times 1\times 1=\frac{3}{2}$。

（2）用切比雪夫不等式估计 P { ∣ Z ∣ ⩾ 2 } P\{|Z|\geqslant2\} P{∣Z∣⩾2}。

解  由切比雪夫不等式得 P { ∣ Z ∣ ⩾ 2 } = P { ∣ Z − E ( Z ) ∣ ⩾ 2 } ⩽ D ( Z ) 2 2 = 3 8 P\{|Z|\geqslant2\}=P\{|Z-E(Z)|\geqslant2\}\leqslant\cfrac{D(Z)}{2^2}=\cfrac{3}{8} P{∣Z∣⩾2}=P{∣Z−E(Z)∣⩾2}⩽22D(Z)​=83​。（这道题主要利用了积分变换求解）

写在最后

  如果觉得文章不错就点个赞吧。另外，如果有不同的观点，欢迎留言或私信。
  欢迎非商业转载，转载请注明出处。