124 lines
13 KiB
Markdown
124 lines
13 KiB
Markdown
---
|
||||
|
|
tags: [数学一, 知识点构建, 背诵版, 概率论, 大数定律, 中心极限定理]
|
|||
|
|
专题: 概率论 第5讲 · 大数定律与中心极限定理 · 背诵版
|
|||
|
|
日期: 2026-10-27
|
|||
|
|
状态: 背诵版 v1(考点完整呈现 + 16 题清单,无解答)
|
|||
|
|
来源: 在学练习/概率论-第5讲-大数定律与中心极限定理 | 参考仓库 Math/probability-theory-and-mathematical-statistics
|
|||
|
|
关联笔记: ["[[README]]", "[[../在学练习/概率论-第5讲-大数定律与中心极限定理/README]]"]
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
# 概率论 第5讲 · 大数定律与中心极限定理 · 背诵版
|
|||
|
|
|
|||
|
|
> **用法**:① 看 §0 骨架搭体系;② 逐节闭卷回忆考点正文;③ 用题目清单自测(只列题干不给解,卡住回查在学练习对应文件)。
|
|||
|
|
> **题源**:在学练习 `02-试题`(16 题:A 组 1–6 / B 组 7–12 / C 组 13–16),编号沿用原题号;考点出处标注参考仓库 `knowledge/4`、`exercise/4`、`knowledge/3 §切比雪夫不等式`。难度与真题锚点一并保留。
|
|||
|
|
|
|||
|
|
## 0. 本讲骨架(先背这张图)
|
|||
|
|
|
|||
|
|
**一句话概括全讲**:**大数定律管「均值稳定」,中心极限定理管「和的分布趋正态」**,而**切比雪夫不等式**是证明前者的工具。
|
|||
|
|
|
|||
|
|
**学习地图(依赖链)**:依概率收敛(语言)→ 切比雪夫不等式(工具)→ 大数定律(均值→期望)+ 中心极限定理(和→正态)→ 三种近似(正态 / 泊松)。
|
|||
|
|
|
|||
|
|
**全讲三个「开关」**:① 是否**独立**(或两两不相关);② **期望**是否存在;③ **方差**是否存在(辛钦不要求)。绝大多数概念题的答案藏在这三点里。
|
|||
|
|
|
|||
|
|
**真题地位**:真题库第 19 章,近十年 **3 题**(2020·8 中心极限、2022·9 切比雪夫、2025·9 泊松近似),标注「冷门」但**几乎年年有选填**,且**只出单选(4–5 分)、每 4–5 年一轮**。**大数定律考条件、中心极限定理考计算。**
|
|||
|
|
|
|||
|
|
**考点树**
|
|||
|
|
|
|||
|
|
| 节 | 考点(对应题目) |
|
|||
|
|
|---|---|
|
|||
|
|
| §1 依概率收敛 | 定义、与数列极限区别(题1) |
|
|||
|
|
| §2 切比雪夫不等式 ★ | 不等式与变形表(题2、3、7、8、12)· 使用三步 |
|
|||
|
|
| §3 大数定律 | 切比雪夫 / 伯努利 / 辛钦 三定律对照(题4、5、13、14、16) |
|
|||
|
|
| §4 中心极限定理 | 列维–林德伯格 / 棣莫弗–拉普拉斯、标准化四步(题6、9、10、15、16) |
|
|||
|
|
| §5 三种近似 | 正态近似 vs 泊松近似(题11) |
|
|||
|
|
|
|||
|
|
## 1. §1 依概率收敛
|
|||
|
|
|
|||
|
|
$X_n\overset{P}{\longrightarrow}X$:对**任意** $\varepsilon>0$,$\lim_{n\to\infty}P\{|X_n-X|\ge\varepsilon\}=0$(等价 $\lim P\{|X_n-X|<\varepsilon\}=1$)。**与数列极限的区别**:数列极限要求「从某一项起每一项都落在邻域内」;依概率收敛只要求「落在邻域外的概率趋于 0」——**允许个别项「跑飞」,只要它们出现的概率越来越小**。⚠️ **依概率收敛 ⇏ 期望收敛**(经典反例:$P\{X_n=\frac1n\}=1-\frac1n$、$P\{X_n=n\}=\frac1n$,则 $X_n\overset{P}{\longrightarrow}0$ 但 $EX_n\to1$)。推论:$X_n\overset{P}{\longrightarrow}c$(常数)则 $X_n^2\overset{P}{\longrightarrow}c^2$、连续 $g$ 有 $g(X_n)\overset{P}{\longrightarrow}g(c)$;依概率收敛是**一致性**的统一语言。
|
|||
|
|
|
|||
|
|
## 2. §2 切比雪夫不等式(核心工具)
|
|||
|
|
|
|||
|
|
$EX=\mu$、$DX=\sigma^2$ **存在**时,对任意 $\varepsilon>0$:
|
|||
|
|
|
|||
|
|
$$P\{|X-\mu|\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2}\qquad\text{等价}\qquad P\{|X-\mu|<\varepsilon\}\ge1-\frac{\sigma^2}{\varepsilon^2}.$$
|
|||
|
|
|
|||
|
|
**读法**:方差越小越「集中」在期望附近;$\varepsilon$ 越大界越紧。**只给界、不给精确值**,优点是不依赖具体分布。
|
|||
|
|
|
|||
|
|
**常用变形表**
|
|||
|
|
|
|||
|
|
| 场景 | 结论 |
|
|||
|
|
|---|---|
|
|||
|
|
| 取 $\varepsilon=k\sigma$($k>0$) | $P\{|X-\mu|\ge k\sigma\}\le\frac1{k^2}$ |
|
|||
|
|
| 样本均值 $\bar X$ | $D\bar X=\frac{\sigma^2}{n}\ \Rightarrow\ P\{|\bar X-\mu|\ge\varepsilon\}\le\frac{\sigma^2}{n\varepsilon^2}$ |
|
|||
|
|
| 二项 $X\sim B(n,p)$ | $P\{|\frac Xn-p|\ge\varepsilon\}\le\frac{p(1-p)}{n\varepsilon^2}$(**方差是 $np(1-p)$ 不是 $np$**) |
|
|||
|
|
| 线性组合 $Z=X-Y$ | 先算 $EZ,DZ$(要用 $\operatorname{Cov}$)再代 |
|
|||
|
|
|
|||
|
|
**使用三步**:① 锁定被估计的 $Y$,算 $EY,DY$(不给就自己求);② 目标概率写成 $P\{|Y-EY|\ge\varepsilon\}$(偏离大→上界)或 $P\{|Y-EY|<\varepsilon\}$(落在附近→下界);③ 代入。「至少」写下界 $1-\cdots$,「至多」写上界。**方向搞反是头号陷阱**;$\frac1n\sum Y_i$ 的方差 = $\frac1{n^2}\sum DY_i$(独立/不相关时才可加),漏除 $n^2$ 必错。
|
|||
|
|
|
|||
|
|
## 3. §3 大数定律
|
|||
|
|
|
|||
|
|
**共同形式**:在一定条件下 $\frac1n\sum X_i\overset{P}{\longrightarrow}\frac1n\sum EX_i$(即 $\bar X\overset{P}{\longrightarrow}E\bar X$)。**几乎不考计算,只考「定律成立的条件」与「结论是否正确」**。
|
|||
|
|
|
|||
|
|
### 三条定律对照(高频辨析,背表)
|
|||
|
|
|
|||
|
|
| 定律 | 独立/相关 | 同分布 | 期望 | 方差 |
|
|||
|
|
|---|---|---|---|---|
|
|||
|
|
| **切比雪夫** | 相互独立(或两两不相关) | **不要求** | 存在 | **存在且一致有界**($\exists C$ 使 $DX_i\le C$) |
|
|||
|
|
| **伯努利** | 伯努利试验(天然独立) | 是(0–1 分布) | 存在 | 存在($p(1-p)$) |
|
|||
|
|
| **辛钦** | 相互独立 | **要求** | **存在** | **不要求** |
|
|||
|
|
|
|||
|
|
- **切比雪夫大数定律**结论:$\lim P\{|\frac1n\sum X_i-\frac1n\sum EX_i|<\varepsilon\}=1$;证明用切比雪夫 + 夹逼($D(\frac1n\sum X_i)=\frac1{n^2}\sum DX_i\le\frac Cn\to0$)。
|
|||
|
|
- **伯努利大数定律**:$\frac{\mu_n}{n}\overset{P}{\longrightarrow}p$——「**频率稳定于概率**」的严格表述。
|
|||
|
|
- **辛钦大数定律**:$\frac1n\sum X_i\overset{P}{\longrightarrow}\mu$。**与切比雪夫互补**:「切比雪夫看方差、辛钦看分布」——辛钦要求同分布但不要求方差,因此**不能用切比雪夫不等式证明**。
|
|||
|
|
- **陷阱**:B/D 选项「服从同一类型分布」不保证期望存在;A「期望相同」不保证同分布;只有「同一泊松分布」既同分布又期望存在。
|
|||
|
|
|
|||
|
|
## 4. §4 中心极限定理
|
|||
|
|
|
|||
|
|
**共同形式**:$X_i$ 独立同分布(或近似)时,**和**的分布趋于正态:$\sum X_i\overset{\text{近似}}{\sim}N(n\mu,\ n\sigma^2)$($n$ 充分大,一般 $n\ge30$)。与两大数定律的分工:大数定律说「均值趋于常数」,中心极限定理说「围绕常数的波动趋于正态」。
|
|||
|
|
|
|||
|
|
- **列维–林德伯格**(独立同分布版):$EX_i=\mu$、$DX_i=\sigma^2>0$ 存在,则 $\frac{\sum X_i-n\mu}{\sqrt n\sigma}\overset{\text{近似}}{\sim}N(0,1)$。
|
|||
|
|
- **棣莫弗–拉普拉斯**(二项版):$Y_n\sim B(n,p)$,$\frac{Y_n-np}{\sqrt{np(1-p)}}\overset{\text{近似}}{\sim}N(0,1)$,$Y_n\overset{\text{近似}}{\sim}N(np,np(1-p))$($n$ 大且 $np$、$n(1-p)$ 都不太小)。
|
|||
|
|
|
|||
|
|
**标准化四步模板(考场流程)**:① 定 $T=\sum X_i$(或 $Y_n$);② 算 $ET=n\mu$、$DT=n\sigma^2$(二项:$np$、$np(1-p)$);③ 标准化 $\frac{T-ET}{\sqrt{DT}}\approx N(0,1)$,不等式两边同减同除;④ 查 $\Phi$:$P\{Z\le z\}=\Phi(z)$、$P\{Z>z\}=1-\Phi(z)$、$P\{|Z|\le z\}=2\Phi(z)-1$。**方差别忘 $n$ 倍**:$D(\sum X_i)=n\sigma^2$,标准差 $\sqrt n\sigma$。
|
|||
|
|
|
|||
|
|
## 5. §5 三种「近似」辨析(正态近似 / 泊松近似)
|
|||
|
|
|
|||
|
|
二项分布 $B(n,p)$ 两种近似,**用哪个取决于 $p$**:
|
|||
|
|
|
|||
|
|
| 近似 | 适用条件 | 结果 | 典型题 |
|
|||
|
|
|---|---|---|---|
|
|||
|
|
| **正态近似**(棣莫弗–拉普拉斯) | $n$ 大,$p$ 不太小也不太大(经验 $np\ge5,\ n(1-p)\ge5$) | $\frac{Y_n-np}{\sqrt{np(1-p)}}\approx N(0,1)$ | 2020·8 |
|
|||
|
|
| **泊松近似** | $n$ 大,$p$ 很小($np=\lambda$ 适中) | $Y_n\approx P(\lambda)$,$\lambda=np$ | 2025·9 |
|
|||
|
|
|
|||
|
|
**判别口诀**:「**$n$ 大 $p$ 不极端 → 正态;$n$ 大 $p$ 很小 → 泊松**」。泊松近似模板:$P\{T\le1\}\approx P\{T=0\}+P\{T=1\}=e^{-\lambda}(1+\lambda)$。**$\lambda=np$(不是 $n$ 也不是 $p$)**。
|
|||
|
|
|
|||
|
|
**十年真题地图**:2020·8 中心极限(0–1 变量求和,标准化+查 $\Phi$);2022·9 切比雪夫(换 $Y_i=X_i^2$,$DY_i=\mu_4-\mu_2^2$);2025·9 泊松近似($P\{T\le1\}=e^{-\lambda}(1+\lambda)$)。
|
|||
|
|
|
|||
|
|
## 6. 题目清单(16 题)
|
|||
|
|
|
|||
|
|
### A 组 · 基础(★☆☆)
|
|||
|
|
- **题 1 · 依概率收敛(A)**:$P\{X_n=\frac1n\}=1-\frac1n$、$P\{X_n=n\}=\frac1n$。(Ⅰ)证明 $X_n\overset{P}{\longrightarrow}0$;(Ⅱ)求 $EX_n$ 并说明是否收敛于 0,由此得什么结论(**依概率收敛 ⇏ 期望收敛**)。
|
|||
|
|
- **题 2 · 切比雪夫不等式(A)**:$EX=5$、$DX=2$。(Ⅰ)估计 $P\{|X-5|\ge4\}$ 的上界($\frac{2}{16}=\frac18$);(Ⅱ)估计 $P\{|X-5|<4\}$ 的下界($\frac78$)。
|
|||
|
|
- **题 3 · 二项+切比雪夫(A)**:$X\sim B(1000,0.5)$,估计 $P\{450<X<550\}$ 的下界($\sigma^2=250$,$\varepsilon=50$,下界 $1-\frac{250}{2500}=\frac9{10}$)。
|
|||
|
|
- **题 4 · 辛钦大数定律的应用(A)**:掷骰子 $n$ 次,$\bar X$ 为点数平均,当 $n\to\infty$ 时依概率收敛于何值($\mu=3.5$;独立同分布+期望存在,用辛钦)?
|
|||
|
|
- **题 5 · 辛钦大数定律的条件(A)**:$\{X_n\}$ 独立,则 $\frac1n\sum X_i$ 依概率收敛于数学期望,只要 $\{X_n\}$( )。(A)有相同数学期望(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 → C。
|
|||
|
|
- **题 6 · 中心极限定理(A)**:$X_1,\dots,X_{100}$ 独立同分布,$EX_i=1$、$DX_i=4$,用中心极限定理求 $P\{\sum_{i=1}^{100}X_i\le120\}$ 的近似值($\Phi(\frac{20}{\sqrt{400}})=\Phi(1)$)。
|
|||
|
|
|
|||
|
|
### B 组 · 中等(★★☆)
|
|||
|
|
- **题 7 · 切比雪夫【真题骨架 2022·9】(B)**:$X_i$ 独立同分布,$EX_1=0$、$EX_1^2=1$、$EX_1^4=5$,$Y_i=X_i^2$。(Ⅰ)求 $EY_i$ 与 $DY_i$($1$ 与 $\mu_4-\mu_2^2=4$);(Ⅱ)用切比雪夫估计 $P\{|\frac1n\sum X_i^2-1|\ge\varepsilon\}$ 的上界($\frac{4}{n\varepsilon^2}$)。
|
|||
|
|
- **题 8 · 反解样本量(B)**:$EX=20$、$DX=9$,使 $n$ 次独立观测的 $\bar X$ 满足 $P\{|\bar X-20|<1\}\ge0.9$,估计 $n$ 至少取多少($\frac9{n\cdot1}\le0.1\Rightarrow n\ge90$)。
|
|||
|
|
- **题 9 · 中心极限定理·应用(B)**:产品平均 10 kg、标准差 0.5 kg,载重 1000 kg,最多装多少件保证不超载概率 >0.977($\Phi(2)=0.977$;$\frac{1000-10n}{0.5\sqrt n}\ge2\Rightarrow n\approx$ 约 98)。
|
|||
|
|
- **题 10 · 中心极限【真题骨架 2020·8】(B)**:$X_1,\dots,X_{400}$ 独立同分布,$P\{X_i=0\}=P\{X_i=1\}=\frac12$,求 $P\{\sum X_i\le210\}$ 的近似值($ET=200$、$DT=100$,$\Phi(1)$)。
|
|||
|
|
- **题 11 · 泊松近似【真题骨架 2025·9】(B)**:$X_1,\dots,X_{300}\sim B(1,0.01)$,$T=\sum X_i$,用泊松近似求 $P\{T\le1\}$($\lambda=3$,$4e^{-3}$)。
|
|||
|
|
- **题 12 · 切比雪夫+协方差(B)**:$EX=EY$,$DX=DY=1$,$\rho=\frac12$,估计 $P\{|X-Y|\ge4\}$ 的上界($D(X-Y)=1$,$\frac{1}{16}$)。
|
|||
|
|
|
|||
|
|
### C 组 · 拔高(★★★)
|
|||
|
|
- **题 13 · 切比雪夫大数定律的条件辨析(C)**:$\{X_n\}$ 独立,$X_n\sim E(n)$,下列**不**服从切比雪夫大数定律的是( )。(A)$X_1,\frac12X_2,\dots,\frac1nX_n$(B)$X_1,X_2,\dots$(C)$X_1,2X_2,\dots,nX_n$(D)$X_1,2^2X_2,\dots,n^2X_n$ → **D**($DX_n=\frac1{n^2}$,四项方差 $\frac1{n^4},\frac1{n^2},1,n^2$,仅 D 无界)。
|
|||
|
|
- **题 14 · 切比雪夫大数定律的证明(C)**:$\{X_n\}$ 两两不相关,$DX_i\le C$,证明 $\lim P\{|\frac1n\sum X_i-\frac1n\sum EX_i|\ge\varepsilon\}=0$(不相关消协方差 → $D\le\frac Cn\to0$ → 切比雪夫+夹逼)。
|
|||
|
|
- **题 15 · 中心极限·反解 $n$(C)**:零件寿命平均 100 小时、标准差 10 小时,求最小 $n$ 使 $P\{\sum_{i=1}^nX_i\ge10000\}\ge0.95$($\Phi(1.645)=0.95$;$-\frac{0.1n}{10\sqrt n}\ge-1.645$ 或等价反解)。
|
|||
|
|
- **题 16 · 综合辨析(C)**:$X_i$ 独立同分布,$EX_i=\mu$、$DX_i=\sigma^2$,$\bar X=\frac1n\sum X_i$。(Ⅰ)用切比雪夫证 $\bar X\overset{P}{\longrightarrow}\mu$;(Ⅱ)用中心极限写 $P\{|\bar X-\mu|<\varepsilon\}$ 的近似($\Phi$ 表示),并说明 $n\to\infty$ 趋于 1;(Ⅲ)比较两种估计谁更精确、各需什么条件(中心极限精确、需方差存在;切比雪夫只需方差存在给界)。
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
> **回查入口**:在学练习 [[../在学练习/概率论-第5讲-大数定律与中心极限定理/01-考点手册|01-考点手册]]、[[../在学练习/概率论-第5讲-大数定律与中心极限定理/02-试题|02-试题]]、[[../在学练习/概率论-第5讲-大数定律与中心极限定理/03-解析|03-解析]];参考仓库 `参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4`、`exercise/4`、`knowledge/3 §切比雪夫不等式`。
|