大数定律与中心极限定理例题详解：从理论到实战的深度攻略

题目：已知随机变量序列 相互独立，且均服从参数为 的泊松分布。记 。利用切比雪夫不等式，估计 的下界。

解析步骤：

1. 确定期望与方差： 由于 ，故 。
2. 计算 的期望与方差：

   E(Y_n) = E(frac{1}{n} sum X_i) = frac{1}{n} sum E(X_i) = lambda

   D(Y_n) = D(frac{1}{n} sum X_i) = frac{1}{n^2} sum D(X_i) = frac{nlambda}{n^2} = frac{lambda}{n}

3. 应用切比雪夫不等式： 切比雪夫不等式指出 。
4. 代入数据：

   P(|Y_n - lambda| < epsilon) ge 1 - frac{lambda/n}{epsilon^2} = 1 - frac{lambda}{nepsilon^2}

结论： 随着样本量 的增大，该概率的下界趋近于1，验证了大数定律的收敛性。

题目：某保险公司有10000人参加保险，每人每年付12元保险费，遇险时获赔3000元。已知每人每年遇险概率为0.002。求保险公司一年内的利润不少于60000元的概率。

解析步骤：

1. 建立模型： 设 为一年内遇险人数，则 。
2. 计算参数： 。
3. 转化利润条件： 设保费总收入为 元。赔付总额为 元。 利润 。
4. 应用中心极限定理： 由于 很大， 很小，可用正态分布近似。 。
5. 标准化计算：

   P(X le 20) = P(frac{X - 20}{sqrt{19.96}} le frac{20 - 20}{sqrt{19.96}}) = P(Z le 0) = 0.5

结论： 保险公司利润不少于60000元的概率约为0.5。此题展示了中心极限定理在风险评估中的巨大威力。

关联点： 在利用大数定律证明估计量的相合性时，经常用到样本矩依概率收敛于总体矩的概念。而中心极限定理则用于推导估计量的渐近分布，从而构建置信区间。

示例： 样本均值 是总体均值 的矩估计，根据辛钦大数定律， 是 的相合估计。

关联点： Z检验（U检验）的理论基础正是中心极限定理。当样本量足够大时，即使总体非正态，样本均值的标准化变量近似服从标准正态分布，从而可以使用Z统计量进行假设检验。

公式：

关联点： 蒙特卡洛方法的核心思想是利用大数定律。通过大量随机抽样，用样本均值来近似积分值或期望值。抽样次数越多，结果越精确。

应用场景： 计算复杂积分、金融衍生品定价、物理系统模拟。

关联点： 许多测量误差是由大量微小的、独立的随机因素叠加而成。根据中心极限定理，这些误差的和近似服从正态分布。这解释了为什么正态分布在自然界和工程中如此普遍。