feat(在学练习): 概率论第5讲(大数定律与CLT)+第6讲(数理统计) 整套;第3讲中高难度卷;md2pdf 工具链

新增
- 在学练习/概率论-第5讲-大数定律与中心极限定理/:README + 01考点手册 + 02试题(16题) + 03解析 + PDF×3
- 在学练习/概率论-第6讲-数理统计/:README + 01考点手册 + 02试题(18题) + 03解析 + PDF×3
- 在学练习/概率论-第3讲.../05-试题-中高难度.md、06-解析-中高难度.md + 平板版 PDF×6(四件套 + 中高难度)
- .workbuddy/tools/md2pdf/:md2pdf.js(Markdown→KaTeX→Edge 无头打印 A4,含 answer 留白模式)、shot.js(渲染验收截图)
- .workbuddy/memory/:2026-10-14.md、2026-10-16.md、MEMORY.md

更新
- .gitignore:新增忽略 md2pdf/build/(HTML 内联字体,体积大)
- 总览.md:目录树同步(第5/6讲、第3讲中高难度卷、PDF 清单)
- 第3讲 01-考点手册/02-试题/README:中高难度卷接入与索引回填

说明:PDF 为 KaTeX 矢量公式渲染的平板书写版(试题逐题留白),由 md2pdf.js 从 .md 可重建。
This commit is contained in:
2026-10-16 14:17:28 +08:00
parent 82f15e18d9
commit 31fe3da11f
31 changed files with 3114 additions and 7 deletions
@@ -0,0 +1,307 @@
---
tags:
- 数学一
- 在学练习
- 概率论
- 大数定律
- 中心极限定理
- 考点
专题: 概率论 第5讲 · 大数定律与中心极限定理(真题库第 19 章)
日期: 2026-10-16
来源: 🟦视频 第5讲(4 讲次) · 🟨真题库第 19 章 · 🟩参考仓库 knowledge/4 + exercise/4、knowledge/3 §切比雪夫
关联: "[[README]] · [[02-试题]] · [[03-解析]] · [[概率论-第3讲-多维随机变量及其分布/01-考点手册]]"
---
# 概率论 第5讲 · 大数定律与中心极限定理 · 考点手册
> **定位**:这一讲是**概率论 → 数理统计的过渡**,也是"极限行为"的收束。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**,属"低投入、必拿分"板块。
> **用法**:先通读本手册建立框架 → 做 [[02-试题]](16 题,约 70 分钟)→ 对 [[03-解析]]。
> **来源记号**:🟦 视频讲次 · 🟨 真题库 · 🟩 参考仓库。
---
## 0. 本讲定位与学习地图
**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。
**三条主线(对应视频 4 个讲次)**
| 讲次 | 主题 | 核心产出 |
|---|---|---|
| 01 | 基础知识结构 | 三条条件主线:**独立** · **期望存在** · **方差存在** |
| 02 | 依概率收敛 | 极限的"概率语言" |
| 03 | 大数定律 | 切比雪夫 / 伯努利 / 辛钦 |
| 04 | 中心极限定理 | 列维–林德伯格 / 棣莫弗–拉普拉斯 + 泊松近似 |
**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:正态近似 / 泊松近似
```
> ⚠️ **全讲的三个"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就藏在这三点里。
---
## 1. 依概率收敛 🟦02 🟩
### 1.1 定义
设随机变量 $X$ 与随机变量序列 $\{X_n\}\ (n=1,2,\cdots)$。若对**任意** $\varepsilon>0$,
$$\lim_{n\to\infty}P\{\lvert X_n-X\rvert\ge\varepsilon\}=0\qquad\Longleftrightarrow\qquad \lim_{n\to\infty}P\{\lvert X_n-X\rvert<\varepsilon\}=1,$$
则称 $\{X_n\}$ **依概率收敛**于 $X$,记作
$$X_n\overset{P}{\longrightarrow}X\quad(n\to\infty).$$
### 1.2 为什么叫"依概率"(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**。
> **经典反例**(必看):设
> $$P\left\{X_n=\frac1n\right\}=1-\frac1n,\qquad P\{X_n=n\}=\frac1n .$$
> 则对任意 $\varepsilon>0$,当 $n>\dfrac1\varepsilon$ 时 $\lvert X_n\rvert\ge\varepsilon$ 只在 $X_n=n$ 时发生,故
> $$P\{\lvert X_n\rvert\ge\varepsilon\}=\frac1n\longrightarrow0,$$
> 即 $X_n\overset{P}{\longrightarrow}0$。但 $E X_n=\dfrac1n\left(1-\dfrac1n\right)+n\cdot\dfrac1n\to1\ne0$。
> **结论**:**依概率收敛 ⇏ 期望收敛**。这是本讲最容易被忽略的一点。
### 1.3 常用推论
- 若 $X_n\overset{P}{\longrightarrow}X$,则 $X_n-X\overset{P}{\longrightarrow}0$;
- 若 $X_n\overset{P}{\longrightarrow}c$(**常数**),则 $X_n^2\overset{P}{\longrightarrow}c^2$、$g(X_n)\overset{P}{\longrightarrow}g(c)$($g$ 连续);
- 依概率收敛是**大数定律、数理统计中"一致性"**的统一语言。
---
## 2. 切比雪夫不等式(核心工具)🟨2022·9 🟩
### 2.1 不等式
设随机变量 $X$ 的 $E X=\mu$、$D X=\sigma^2$ **存在**,则对**任意** $\varepsilon>0$,
$$\boxed{\ P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2}\ }\qquad\text{等价于}\qquad P\{\lvert X-\mu\rvert<\varepsilon\}\ge1-\frac{\sigma^2}{\varepsilon^2}.$$
**读法**:**方差越小(波动越小),$X$ 就越"集中"在期望附近**;$\varepsilon$ 越大,$\dfrac{\sigma^2}{\varepsilon^2}$ 越小、界越紧。
### 2.2 由来(理解即可,不必背证明)
设 $X$ 连续、密度 $f$,记 $D=\{\lvert x-\mu\rvert\ge\varepsilon\}$。由"在 $D$ 上 $\dfrac{(x-\mu)^2}{\varepsilon^2}\ge1$":
$$\sigma^2=\int_{-\infty}^{+\infty}(x-\mu)^2f(x)\,\mathrm dx\ \ge\ \int_{D}(x-\mu)^2f(x)\,\mathrm dx\ \ge\ \varepsilon^2\!\!\int_{D}f(x)\,\mathrm dx=\varepsilon^2P\{\lvert X-\mu\rvert\ge\varepsilon\}.$$
两边除以 $\varepsilon^2$ 即得。
### 2.3 常用变形表
| 场景 | 结论 |
|---|---|
| 一般形式 | $P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\dfrac{\sigma^2}{\varepsilon^2}$ |
| 取 $\varepsilon=k\sigma$($k>0$) | $P\{\lvert X-\mu\rvert\ge k\sigma\}\le\dfrac{1}{k^2}$ |
| **样本均值** $\bar X$ | $E\bar X=\mu,\ D\bar X=\dfrac{\sigma^2}{n}\ \Rightarrow\ P\{\lvert\bar X-\mu\rvert\ge\varepsilon\}\le\dfrac{\sigma^2}{n\varepsilon^2}$ |
| 二项 $X\sim B(n,p)$ | $P\left\{\left\lvert\dfrac Xn-p\right\rvert\ge\varepsilon\right\}\le\dfrac{p(1-p)}{n\varepsilon^2}$ |
| 线性组合 $Z=X-Y$ | 先算 $EZ,\ DZ$,再代公式(要用 $\operatorname{Cov}$) |
### 2.4 使用三步
1. **锁定**被估计的随机变量 $Y$,算出 $EY,\ DY$(**不给就自己求**);
2. 目标概率写成 $P\{\lvert Y-EY\rvert\ge\varepsilon\}$(**偏离大 → 上界**)或 $P\{\lvert Y-EY\rvert<\varepsilon\}$(**落在附近 → 下界**),定出 $\varepsilon$;
3. 代入。要"至少"写下界($1-\cdots$),要"至多"写上界。
### 2.5 陷阱清单
| 陷阱 | 正确做法 |
|---|---|
| 方向搞反 | $\ge\varepsilon$ 用 $\dfrac{\sigma^2}{\varepsilon^2}$;$<\varepsilon$ 用 $1-\dfrac{\sigma^2}{\varepsilon^2}$(**对立事件**) |
| 以为能求精确值 | 只给**界**,通常**很宽松**;优点是**不依赖具体分布** |
| $\bar X$ 的方差写成 $\sigma^2$ | 是 $\dfrac{\sigma^2}{n}$ |
| $\frac1n\sum Y_i$ 漏除 $n^2$ | $D\!\left(\frac1n\sum Y_i\right)=\dfrac{1}{n^2}\sum DY_i$(独立/不相关时才可加) |
| 不检查矩存在 | 必须 $EY,DY$ **存在** |
| 二项方差写成 $np$ | 是 $np(1-p)$ |
---
## 3. 大数定律 🟦03 🟩
### 3.1 共同形式
在满足一定条件下,**样本均值依概率收敛于期望的均值**:
$$\frac1n\sum_{i=1}^nX_i\ \overset{P}{\longrightarrow}\ \frac1n\sum_{i=1}^nE X_i\qquad(\text{即}\ \bar X\overset{P}{\longrightarrow}E\bar X).$$
> **考法**:大数定律**几乎不考计算**,只考「**定律成立的条件**」与「**结论是否正确**」——即判断某个序列是否满足独立/不相关、期望是否存在、方差是否有界。
### 3.2 切比雪夫大数定律
**条件**:$\{X_n\}$ **相互独立**(不要求同分布);$E X_i$ 存在,且 $D X_i$ **存在且一致有上界**($\exists C$,使 $D X_i\le C$ 对一切 $i$ 成立)。
**结论**:$\forall\varepsilon>0$,$\lim\limits_{n\to\infty}P\left\{\left\lvert\dfrac1n\sum\limits_{i=1}^nX_i-\dfrac1n\sum\limits_{i=1}^nE X_i\right\rvert<\varepsilon\right\}=1$。
**证明**(用切比雪夫不等式 + 夹逼):
$$E\!\left(\frac1n\sum X_i\right)=\frac1n\sum E X_i,\qquad D\!\left(\frac1n\sum X_i\right)=\frac{1}{n^2}\sum D X_i\le\frac{nC}{n^2}=\frac Cn .$$
$$1\ \ge\ P\left\{\left\lvert\frac1n\sum X_i-\frac1n\sum EX_i\right\rvert<\varepsilon\right\}\ \ge\ 1-\frac{C}{n\varepsilon^2}\ \xrightarrow{\ n\to\infty\ }\ 1 .$$
由**夹逼定理**得结论。$\blacksquare$
> **证明的钥匙**:**「不相关」用来消掉协方差项**,使 $D\!\left(\sum X_i\right)=\sum DX_i$;再除以 $n^2$ 得 $\dfrac Cn\to0$。
**例题**(🟩 仓库):设 $\{X_n\}$ 相互独立,$X_n\sim E(n)$(参数为 $n$ 的指数分布),则下列序列中**不**服从切比雪夫大数定律的是( )。
(A)$X_1,\frac12X_2,\cdots,\frac1nX_n,\cdots$ (B)$X_1,X_2,\cdots,X_n,\cdots$ (C)$X_1,2X_2,\cdots,nX_n,\cdots$ (D)$X_1,2^2X_2,\cdots,n^2X_n,\cdots$ → **D**。
(因 $X_n\sim E(n)$ 时 $DX_n=\frac1{n^2}$,四个选项的方差依次为 $\frac1{n^4},\frac1{n^2},1,n^2$,只有 D 无界。)
### 3.3 伯努利大数定律
**条件**:$\mu_n$ 为 $n$ 重伯努利试验中事件 $A$(每次概率 $p$,$0<p<1$)发生的次数。
**结论**:$\dfrac{\mu_n}{n}\overset{P}{\longrightarrow}p$。
**证明**:$\mu_n\sim B(n,p)$,$E\!\left(\dfrac{\mu_n}{n}\right)=p$,$D\!\left(\dfrac{\mu_n}{n}\right)=\dfrac{p(1-p)}{n}$,切比雪夫 + 夹逼即得。
> **意义**:这是"**频率稳定于概率**"的严格表述,也是概率的频率定义的依据。
### 3.4 辛钦大数定律
**条件**:$\{X_n\}$ **相互独立**且**同分布**;$E X_i=\mu$ **存在**(**不要求方差存在**)。
**结论**:$\dfrac1n\sum\limits_{i=1}^nX_i\overset{P}{\longrightarrow}\mu$。
> **与切比雪夫的区别**:辛钦要求**同分布**但**不要求方差**;切比雪夫**不要求同分布**但要求**方差一致有界**。因为不要求方差,辛钦**不能**用切比雪夫不等式证明。
**例题**(🟩 仓库):设 $X_1,X_2,\cdots$ 相互独立,根据辛钦大数定律,当 $n\to\infty$ 时 $\dfrac1n\sum X_i$ 依概率收敛于数学期望,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 → **C**。
(辛钦要**同分布 + 期望存在**。B、D 只说"同一类型分布"不保证期望存在;A 只是"期望相同"不保证同分布;C 既同分布(泊松)又期望存在。)
**例题**:将一枚骰子重复投掷 $n$ 次,$\bar X$ 为点数的算术平均,则 $\bar X\overset{P}{\longrightarrow}?$
(独立、同分布、期望存在 $\mu=\frac16\sum_{i=1}^6i=3.5$ ⟹ 由辛钦,$\bar X\overset{P}{\longrightarrow}3.5$。)
### 3.5 三条定律对照(高频辨析)
| 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** |
| **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** |
> **记忆**:**"切比雪夫看方差、辛钦看分布"**——两者都不要同分布/不要方差,正好互补;伯努利是二项的特例。
---
## 4. 中心极限定理 🟦04 🟨2020·8 🟩
### 4.1 共同形式
若 $X_i$ 独立同分布(或"近似"),则**和**的分布趋于正态:
$$\sum_{i=1}^nX_i\ \overset{\text{近似}}{\sim}\ N(n\mu,\ n\sigma^2)\qquad(n\ \text{充分大}).$$
> **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"**围绕该常数的波动趋于正态**"——后者信息更细。
> **实用门槛**:$n$ 一般 **≥ 30**(若接近对称,$n\ge10$ 也可)即可使用。
### 4.2 列维–林德伯格定理(独立同分布版)
**条件**:$\{X_n\}$ **独立同分布**,$E X_i=\mu$、$D X_i=\sigma^2>0$(**存在**)。
**结论**:对任意实数 $x$,
$$\lim_{n\to\infty}P\left\{\frac{\sum\limits_{i=1}^nX_i-n\mu}{\sqrt n\,\sigma}\le x\right\}=\Phi(x),$$
即
$$\frac{\sum_{i=1}^nX_i-n\mu}{\sqrt n\,\sigma}\ \overset{\text{近似}}{\sim}\ N(0,1),\qquad \sum_{i=1}^nX_i\ \overset{\text{近似}}{\sim}\ N(n\mu,\ n\sigma^2).$$
### 4.3 棣莫弗–拉普拉斯定理(二项版)
**条件**:$Y_n\sim B(n,p)$($0<p<1$)。
**结论**:
$$\frac{Y_n-np}{\sqrt{np(1-p)}}\ \overset{\text{近似}}{\sim}\ N(0,1),\qquad Y_n\ \overset{\text{近似}}{\sim}\ N\big(np,\ np(1-p)\big).$$
> 即**二项分布的正态近似**:$n$ 大、且 $np$ 与 $n(1-p)$ 都不太小时使用。
### 4.4 标准化四步模板(考场流程)
1. **定 $T$**:把要求的概率写成"**和**"的形式 $T=\sum X_i$(或 $Y_n$);
2. **算 $ET,\ DT$**:$ET=n\mu$,$DT=n\sigma^2$(二项:$np$、$np(1-p)$);
3. **标准化**:$\dfrac{T-ET}{\sqrt{DT}}\approx N(0,1)$,把不等式两边同减同除;
4. **查 $\Phi$**:$P\{Z\le z\}=\Phi(z)$、$P\{Z>z\}=1-\Phi(z)$、$P\{\lvert Z\rvert\le z\}=2\Phi(z)-1$。
> ⚠️ **连续性修正**一般不要求(考研多数不修正);若题目给的 $\Phi$ 值与"严格/非严格不等号"有关,按 $P\{T\le k\}\approx\Phi\!\left(\dfrac{k-ET}{\sqrt{DT}}\right)$ 处理。
### 4.5 例题(🟩 仓库)
某生产线每件产品重量随机,平均 $50$ kg、标准差 $5$ kg。载重 $5$ 吨的汽车承运,问**最多**装多少箱可保证**不超载**的概率大于 $0.977$?($\Phi(2)=0.977$)
设第 $i$ 箱重量 $X_i$,$E X_i=50$、$D X_i=25$。记 $T_n=\sum_{i=1}^nX_i$,则 $ET_n=50n$、$DT_n=25n$、$\sqrt{DT_n}=5\sqrt n$。
$$P\{T_n\le5000\}\approx\Phi\!\left(\frac{5000-50n}{5\sqrt n}\right)>0.977=\Phi(2)\ \Longrightarrow\ \frac{5000-50n}{5\sqrt n}\ge2\ \Longrightarrow\ n\le98 .$$
---
## 5. 三种「近似」辨析(正态近似 / 泊松近似)🟨2025·9
二项分布 $B(n,p)$ 有**两种**近似,**用哪个取决于 $p$ 的大小**:
| 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**($np(1-p)$ 较大,经验 $np\ge5,n(1-p)\ge5$) | $\dfrac{Y_n-np}{\sqrt{np(1-p)}}\approx N(0,1)$ | 🟨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。"**
**例题**(🟨 2025·9 骨架):$X_i\sim B(1,0.01)$($i=1,\cdots,300$),$T=\sum X_i$,求 $P\{T\le1\}$ 的近似值。
$T\sim B(300,0.01)$,$p$ 很小,取 $\lambda=np=3$,$T\approx P(3)$:
$$P\{T\le1\}\approx P\{T=0\}+P\{T=1\}=e^{-3}(1+3)=4e^{-3}.$$
**对照**(🟨 2025·9 原题):$X_i\sim B(1,0.1)$,$n=20$,$\lambda=2$,$P\{T\le1\}\approx e^{-2}(1+2)=3e^{-2}$。
---
## 6. 十年真题落点地图(🟨 第 19 章 3 题)
| 年份·题号 | 分值 | 考法 | 关键动作 | 本手册节 |
|---|---|---|---|---|
| **2020·8** | 4 | 中心极限定理(0–1 变量求和) | 标准化 + 查 $\Phi$ | §4.4 |
| **2022·9** | 5 | 大数定律(切比雪夫不等式) | 换 $Y_i=X_i^2$,$D Y_i=\mu_4-\mu_2^2$ | §2.3 |
| **2025·9** | 5 | 泊松近似(二项分布) | $\lambda=np$,$P\{T\le1\}=e^{-\lambda}(1+\lambda)$ | §5 |
**跨章牵连**(数字特征):2017·14(期望)、2020·14(协方差)、2022·8(方差)、2025·8(线性组合方差最值)——本讲所有计算都建立在这些之上。
> **规律**:本讲**只出选填**(4–5 分),十年 3 题全部是**单选**,且**每 4–5 年一轮**(2020、2022、2025)。属于"**背条件 + 套模板**"就能拿分的题型。
---
## 7. 速查卡 · 陷阱清单
### 7.1 速记八条
1. **依概率收敛**:$\forall\varepsilon>0$,$P\{\lvert X_n-X\rvert\ge\varepsilon\}\to0$;**允许个别项跑飞**;
2. **依概率收敛 ⇏ 期望收敛**($X_n=\frac1n$ 概率 $1-\frac1n$、$=n$ 概率 $\frac1n$);
3. **切比雪夫不等式**:$\ge\varepsilon$ 给上界 $\frac{\sigma^2}{\varepsilon^2}$,$<\varepsilon$ 给下界 $1-\frac{\sigma^2}{\varepsilon^2}$,**只给界不给精确值**;
4. **切比雪夫大数定律**:不相关 + 方差**一致有界**;**辛钦**:独立同分布 + 期望存在(**不要方差**);
5. **伯努利大数定律** = "频率稳定于概率";
6. **中心极限定理**:$\dfrac{\sum X_i-n\mu}{\sqrt n\sigma}\approx N(0,1)$,$n\ge30$ 可用;
7. **二项近似二选一**:$p$ 不极端 → **正态**;$p$ 很小 → **泊松**($\lambda=np$);
8. **大数定律考条件、中心极限定理考计算**。
### 7.2 高频陷阱
| 陷阱 | 正确做法 |
|---|---|
| 把"依概率收敛"当"处处收敛" | 是**概率**趋于 0,不是每一项都收敛 |
| 用依概率收敛推期望收敛 | **不成立**(见速记 2) |
| 切比雪夫不等式方向搞反 | 要"$\ge\varepsilon$"写上界;要"$<\varepsilon$"写 $1-$ |
| 反解 $n$ 时忘记 $\bar X$ 方差是 $\sigma^2/n$ | $D\bar X=\dfrac{\sigma^2}{n}$ |
| 辛钦大数定律要求方差 | **不要求**,只要求独立同分布 + 期望存在 |
| 二项用泊松近似时 $\lambda$ 取错 | $\lambda=np$(不是 $n$ 也不是 $p$) |
| 正态近似时方差用 $\sigma^2$ 而非 $n\sigma^2$ | $D\!\left(\sum X_i\right)=n\sigma^2$,标准差是 $\sqrt n\,\sigma$ |
| 样本均值型题忘记 $D\bar X=\frac{\sigma^2}{n}$ | 先除 $n^{2}$:$D\!\left(\frac1n\sum Y_i\right)=\frac{1}{n^2}\sum DY_i$ |
---
> **下一步**:开做 [[02-试题]](16 题,约 70 分钟)。做完对 [[03-解析]],错题回挂 [[做题本]]。
@@ -0,0 +1,97 @@
---
tags:
- 数学一
- 在学练习
- 概率论
- 大数定律
- 中心极限定理
- 切比雪夫不等式
- 试题
专题: 概率论 第5讲 · 大数定律与中心极限定理 · 试题(16 题)
日期: 2026-10-16
题量: 16 题(A 基础 6 / B 中等 6 / C 拔高 4)
建议用时: 70 分钟(可拆两天)
关联: "[[01-考点手册]] · [[03-解析]]"
---
# 概率论 第5讲 · 大数定律与中心极限定理 · 试题
> **用法**:先过 [[01-考点手册]],再限时 70 分钟做本卷,最后对 [[03-解析]]。
> **来源记号**:🟨 真题库第 19 章 · 🟩 参考仓库 · 🟦 视频讲次。标「真题骨架」的题与真题同结构,**数字全部原创**,做完可直接回刷真题原题。
> **难度**:A ★☆☆ · B ★★☆ · C ★★★。
---
## A 组 · 基础(直接套用,★☆☆)
**1.** 【依概率收敛】设随机变量序列 $\{X_n\}$ 满足
$$P\left\{X_n=\frac1n\right\}=1-\frac1n,\qquad P\{X_n=n\}=\frac1n\quad(n=1,2,\cdots).$$
(Ⅰ)证明 $X_n\overset{P}{\longrightarrow}0$;
(Ⅱ)求 $E X_n$,并说明它是否收敛于 $0$。由此可得什么结论?
**2.** 【切比雪夫不等式】设随机变量 $X$ 的 $E X=5$,$D X=2$。用切比雪夫不等式估计:
(Ⅰ)$P\{\lvert X-5\rvert\ge4\}$ 的上界;
(Ⅱ)$P\{\lvert X-5\rvert<4\}$ 的下界。
**3.** 【二项 + 切比雪夫】设 $X\sim B(1000,0.5)$。用切比雪夫不等式估计 $P\{450<X<550\}$ 的下界。
**4.** 【辛钦大数定律的应用】将一枚均匀骰子重复投掷 $n$ 次,$X_i$ 表示第 $i$ 次掷出的点数,$\bar X=\dfrac1n\sum\limits_{i=1}^nX_i$。当 $n\to\infty$ 时,$\bar X$ 依概率收敛于何值?说明依据。
**5.** 【辛钦大数定律的条件】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 $\dfrac1n\sum\limits_{i=1}^nX_i$ 依概率收敛于数学期望,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
**6.** 【中心极限定理】设 $X_1,X_2,\cdots,X_{100}$ 相互独立同分布,$E X_i=1$,$D X_i=4$。用中心极限定理求 $P\left\{\sum\limits_{i=1}^{100}X_i\le120\right\}$ 的近似值(用 $\Phi$ 表示)。
## B 组 · 中等(多步计算,★★☆)
**7.** 【真题骨架 **2022·9** 🟨】设 $X_1,X_2,\cdots,X_n$ 独立同分布,$E X_1=0$,$E X_1^2=1$,$E X_1^4=5$。令 $Y_i=X_i^2$。
(Ⅰ)求 $E Y_i$ 与 $D Y_i$;
(Ⅱ)用切比雪夫不等式估计 $P\left\{\left\lvert\dfrac1n\sum\limits_{i=1}^nX_i^2-1\right\rvert\ge\varepsilon\right\}$ 的上界。
**8.** 【反解样本量】某试验中随机变量 $X$ 的 $E X=20$,$D X=9$。欲使 $n$ 次独立重复观测的样本均值 $\bar X$ 满足
$$P\{\lvert\bar X-20\rvert<1\}\ge0.9,$$
用切比雪夫不等式估计 $n$ **至少**应取多少。
**9.** 【中心极限定理 · 应用】某生产线每件产品重量随机,平均 $10$ kg、标准差 $0.5$ kg。一辆载重 $1000$ kg 的货车承运,问**最多**装多少件可保证**不超载**的概率大于 $0.977$?($\Phi(2)=0.977$)
**10.** 【真题骨架 **2020·8** 🟨】设 $X_1,X_2,\cdots,X_{400}$ 独立同分布,且 $P\{X_i=0\}=P\{X_i=1\}=\dfrac12$。用中心极限定理求 $P\left\{\sum\limits_{i=1}^{400}X_i\le210\right\}$ 的近似值(用 $\Phi$ 表示)。
**11.** 【真题骨架 **2025·9** 🟨】设 $X_1,X_2,\cdots,X_{300}$ 相互独立,均服从 $B(1,0.01)$,令 $T=\sum\limits_{i=1}^{300}X_i$。利用泊松近似求 $P\{T\le1\}$ 的近似值。
**12.** 【切比雪夫 + 协方差】设 $X,Y$ 满足 $E X=E Y$,$D X=D Y=1$,相关系数 $\rho_{XY}=\dfrac12$。用切比雪夫不等式估计 $P\{\lvert X-Y\rvert\ge4\}$ 的上界。
## C 组 · 拔高(综合与证明,★★★)
**13.** 【切比雪夫大数定律的条件辨析】设 $\{X_n\}$ 相互独立,$X_n$ 服从参数为 $n$ 的指数分布(记为 $X_n\sim E(n)$)。下列随机变量序列中,**不**服从切比雪夫大数定律的是( )。
(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)$X_1,2^2X_2,\cdots,n^2X_n,\cdots$
**14.** 【切比雪夫大数定律的证明】设随机变量序列 $X_1,X_2,\cdots,X_n,\cdots$ **两两不相关**,且存在常数 $C$ 使 $D X_i\le C\ (i=1,2,\cdots)$。证明:对任意 $\varepsilon>0$,
$$\lim_{n\to\infty}P\left\{\left\lvert\frac1n\sum_{i=1}^nX_i-\frac1n\sum_{i=1}^nE X_i\right\rvert\ge\varepsilon\right\}=0 .$$
**15.** 【中心极限定理 · 反解 $n$】某型号零件寿命 $X_i$ 独立同分布,平均寿命 $100$ 小时、标准差 $10$ 小时。求最小的 $n$,使 $P\left\{\sum\limits_{i=1}^nX_i\ge10000\right\}\ge0.95$。($\Phi(1.645)=0.95$)
**16.** 【综合辨析】设 $X_1,X_2,\cdots,X_n$ 独立同分布,$E X_i=\mu$、$D X_i=\sigma^2\in(0,+\infty)$,$\bar X=\dfrac1n\sum\limits_{i=1}^nX_i$。
(Ⅰ)用切比雪夫不等式证明 $\bar X\overset{P}{\longrightarrow}\mu$;
(Ⅱ)用中心极限定理写出 $P\{\lvert\bar X-\mu\rvert<\varepsilon\}$ 的近似表达式(用 $\Phi$ 表示),并说明当 $n\to\infty$ 时它趋于 $1$;
(Ⅲ)比较(Ⅰ)(Ⅱ)两种估计:哪一个更精确?各自需要什么条件?
---
> **做完对答案** → [[03-解析]]。
@@ -0,0 +1,327 @@
---
tags:
- 数学一
- 在学练习
- 概率论
- 大数定律
- 中心极限定理
- 解析
专题: 概率论 第5讲 · 大数定律与中心极限定理 · 解析(16 题)
日期: 2026-10-16
关联: "[[02-试题]] · [[01-考点手册]]"
---
# 概率论 第5讲 · 大数定律与中心极限定理 · 解析
> 对应 [[02-试题]]。每题给「**答案 / 思路 / 易错点 / 真题骨架**」。
**核心公式(贴在眼前)**
$$P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2},\qquad \frac{\sum X_i-n\mu}{\sqrt n\,\sigma}\approx N(0,1),\qquad Y_n\sim B(n,p)\Rightarrow Y_n\approx N\!\big(np,\,np(1-p)\big).$$
---
## A 组 · 基础
### 第 1 题
**答案**:(Ⅰ)见证明;(Ⅱ)$E X_n=1+\dfrac1n-\dfrac1{n^2}\to1\ne0$,**依概率收敛 ⇏ 期望收敛**。
**思路**:
(Ⅰ)对任意 $\varepsilon>0$,取 $n>\dfrac1\varepsilon$,则 $\dfrac1n<\varepsilon$。此时 $\lvert X_n\rvert\ge\varepsilon$ **只可能在** $X_n=n$ 时发生($\lvert X_n\rvert=n$),故
$$P\{\lvert X_n-0\rvert\ge\varepsilon\}=P\{X_n=n\}=\frac1n\longrightarrow0 .$$
所以 $X_n\overset{P}{\longrightarrow}0$。
(Ⅱ)$$E X_n=\frac1n\left(1-\frac1n\right)+n\cdot\frac1n=1+\frac1n-\frac1{n^2}\ \xrightarrow{\ n\to\infty\ }\ 1\ne0 .$$
**结论**:**依概率收敛不能推出期望收敛**。(一般地,需要"一致可积"或"有界"等额外条件。)
**易错点**:不要因为 $P\{X_n=n\}=\frac1n$ 很小就忽略它——**期望是"值 × 概率"**,$n\cdot\frac1n=1$ 恰好贡献了一个常数,这正是反例的精妙处。
---
### 第 2 题
**答案**:(Ⅰ)$\le\dfrac18$;(Ⅱ)$\ge\dfrac78$。
**思路**:$\varepsilon=4$,
$$P\{\lvert X-5\rvert\ge4\}\le\frac{D X}{\varepsilon^2}=\frac{2}{16}=\frac18,\qquad P\{\lvert X-5\rvert<4\}=1-P\{\lvert X-5\rvert\ge4\}\ge1-\frac18=\frac78 .$$
**易错点**:**方向**——"$\ge$"用上界 $\frac{DX}{\varepsilon^2}$;"$<$"用 $1-\frac{DX}{\varepsilon^2}$(对立事件)。
---
### 第 3 题
**答案**:$\ge0.9$。
**思路**:$E X=np=500$,$D X=np(1-p)=1000\times0.25=250$。
$450<X<550\iff\lvert X-500\rvert<50$,取 $\varepsilon=50$:
$$P\{\lvert X-500\rvert\ge50\}\le\frac{250}{50^2}=0.1\ \Longrightarrow\ P\{450<X<550\}\ge1-0.1=0.9 .$$
**易错点**:二项方差是 $np(1-p)=250$,**不是** $np=500$。
---
### 第 4 题
**答案**:$\bar X\overset{P}{\longrightarrow}3.5$。
**思路**:各次投掷**相互独立**;$X_i$ **同分布**(都在 $\{1,2,\cdots,6\}$ 上等可能);期望
$$E X_i=\frac16(1+2+3+4+5+6)=\frac{21}{6}=3.5$$
**存在**。三点齐备,由**辛钦大数定律**得 $\bar X\overset{P}{\longrightarrow}E X_i=3.5$。
**易错点**:骰子的期望是 $3.5$(**不是** $3$ 或 $4$);本题**用不着方差**,所以只能用辛钦(不是切比雪夫)。
---
### 第 5 题
**答案**:**C**。
**思路**:辛钦大数定律的三个条件——**相互独立**、**同分布**、**期望存在**。题干已给"相互独立",只需再满足"同分布 + 期望存在"。
- (A)只说"期望相同",**不保证同分布**(如一个取 $\pm1$、一个取 $\pm2$),✗;
- (B)(D)只说"同一**类型**分布"(离散型/连续型 ≠ 同一个分布),且**不保证期望存在**(如柯西分布连续但期望不存在),✗;
- (C)**同一泊松分布**:既同分布,期望 $=\lambda$ 又存在,✓。
**易错点**:「同一**类型**分布」≠「**同一个**分布」——这是本题最核心的文字陷阱。
---
### 第 6 题
**答案**:$\approx\Phi(1)$。
**思路**:$E\!\left(\sum X_i\right)=100\times1=100$,$D\!\left(\sum X_i\right)=100\times4=400$,标准差 $=\sqrt{400}=20$。由中心极限定理
$$P\left\{\sum_{i=1}^{100}X_i\le120\right\}\approx\Phi\!\left(\frac{120-100}{20}\right)=\Phi(1).$$
**易错点**:**标准差**是 $\sqrt{n\sigma^2}=20$(不是 $n\sigma^2=400$,也不是 $\sigma^2=4$)——标准化时除的是**标准差**。
---
## B 组 · 中等
### 第 7 题 【真题骨架 2022·9】
**答案**:(Ⅰ)$E Y_i=1$,$D Y_i=4$;(Ⅱ)$\le\dfrac{4}{n\varepsilon^2}$。
**思路**:
(Ⅰ)$E Y_i=E X_i^2=1$;
$$D Y_i=E Y_i^2-(E Y_i)^2=E X_i^4-1^2=5-1=4 .$$
(Ⅱ)$\bar Y=\dfrac1n\sum Y_i=\dfrac1n\sum X_i^2$,因 $X_i$ 独立同分布 ⟹ $Y_i$ 独立同分布:
$$E\bar Y=1,\qquad D\bar Y=\frac{1}{n^2}\sum_{i=1}^nD Y_i=\frac{n\cdot4}{n^2}=\frac4n .$$
由切比雪夫不等式
$$P\left\{\left\lvert\frac1n\sum_{i=1}^nX_i^2-1\right\rvert\ge\varepsilon\right\}\le\frac{D\bar Y}{\varepsilon^2}=\frac{4}{n\varepsilon^2}.$$
**易错点**:
1. $D\bar Y$ 的 $\dfrac{1}{n^2}$ **不能丢**,否则会错答成 $\dfrac4{\varepsilon^2}$;
2. $D(X_i^2)=E X_i^4-(E X_i^2)^2$,用到**四阶矩** $\mu_4=5$。
**真题**:2022·9(单选 5 分)考的正是此结构($D X_i^2=\mu_4-\mu_2^2$,界为 $\dfrac{\mu_4-\mu_2^2}{n\varepsilon^2}$)。
---
### 第 8 题
**答案**:$n\ge90$。
**思路**:$E\bar X=20$,$D\bar X=\dfrac{D X}{n}=\dfrac9n$。要求"落在附近",取下界:
$$P\{\lvert\bar X-20\rvert<1\}\ge1-\frac{9/n}{1^2}=1-\frac9n\ge0.9\ \Longrightarrow\ \frac9n\le0.1\ \Longrightarrow\ n\ge90 .$$
**易错点**:$\bar X$ 的方差是 $\dfrac{\sigma^2}{n}=\dfrac9n$(**不是** $9$);"至少"故**向上取整**(本题恰为整数 $90$)。
---
### 第 9 题
**答案**:最多装 **99** 件。
**思路**:设第 $i$ 件重量 $X_i$,$E X_i=10$,$D X_i=0.25$。记 $T_n=\sum_{i=1}^nX_i$。由中心极限定理
$$E T_n=10n,\qquad D T_n=0.25n,\qquad \sqrt{D T_n}=0.5\sqrt n,$$
$$P\{T_n\le1000\}\approx\Phi\!\left(\frac{1000-10n}{0.5\sqrt n}\right)>0.977=\Phi(2)$$
$$\Longrightarrow\ \frac{1000-10n}{0.5\sqrt n}\ge2\ \Longrightarrow\ 1000-10n\ge\sqrt n .$$
解不等式:令 $t=\sqrt n$,得 $10t^2+t-1000\le0$,$t\le\dfrac{-1+\sqrt{40001}}{20}\approx9.95$,故 $n\le99.0$,即**最多 99 件**。
**验证**:$n=99$:$\dfrac{1000-990}{0.5\sqrt{99}}\approx\dfrac{10}{4.975}\approx2.01>2$ ✓;$n=100$:$\dfrac{0}{5}=0$ ✗。
**易错点**:
- 标准差是 $\sqrt{n}\cdot0.5$,**不是** $n\cdot0.5$;方差是 $n\cdot0.25$;
- $\Phi(2)=0.977$ 给出的是**关于 $z$ 的单调性**:$\Phi(z)>0.977\iff z>2$,方向别反;
- 答案是"最多"故**向下取整**($99$,不是 $100$)。
---
### 第 10 题 【真题骨架 2020·8】
**答案**:$\approx\Phi(1)$。
**思路**:$\sum X_i\sim B(400,0.5)$,$E=400\times0.5=200$,$D=400\times0.5\times0.5=100$,标准差 $=10$。由棣莫弗–拉普拉斯定理
$$P\left\{\sum_{i=1}^{400}X_i\le210\right\}\approx\Phi\!\left(\frac{210-200}{10}\right)=\Phi(1).$$
**易错点**:二项的正态近似用**二项自己的期望方差**($np$、$np(1-p)$),不要另算。
**真题**:2020·8(单选 4 分)结构完全一致($n=100$、阈值 $55$,答案 $\Phi(1)$)。
---
### 第 11 题 【真题骨架 2025·9】
**答案**:$\approx4e^{-3}\approx0.199$。
**思路**:$T\sim B(300,0.01)$。$n=300$ 大、$p=0.01$ 很小,用**泊松近似**,$\lambda=np=3$,$T\approx P(3)$:
$$P\{T\le1\}\approx P\{T=0\}+P\{T=1\}=e^{-3}\cdot\frac{3^0}{0!}+e^{-3}\cdot\frac{3^1}{1!}=e^{-3}(1+3)=4e^{-3}.$$
**易错点**:$\lambda=np=300\times0.01=3$(**不是** $n=300$,也**不是** $p=0.01$);$P\{T\le1\}$ 是"$0$ 或 $1$",别只算一项。
**真题**:2025·9(单选 5 分)同结构($n=20,p=0.1,\lambda=2$,答案 $3e^{-2}$,即选项 C)。
---
### 第 12 题
**答案**:$\le\dfrac{1}{16}$。
**思路**:令 $Z=X-Y$。由 $E X=E Y$ 得 $E Z=0$。
$$\operatorname{Cov}(X,Y)=\rho_{XY}\sqrt{D X}\sqrt{D Y}=\frac12\cdot1\cdot1=\frac12,$$
$$D Z=D(X-Y)=D X+D Y-2\operatorname{Cov}(X,Y)=1+1-2\times\frac12=1 .$$
取 $\varepsilon=4$:
$$P\{\lvert X-Y\rvert\ge4\}=P\{\lvert Z-E Z\rvert\ge4\}\le\frac{D Z}{16}=\frac1{16}.$$
**易错点**:
- 方差**不能**直接相加($DX+DY=2$),必须**减去** $2\operatorname{Cov}$;
- $\operatorname{Cov}=\rho\sqrt{DX}\sqrt{DY}$,分母是**标准差之积**。
---
## C 组 · 拔高
### 第 13 题
**答案**:**D**。
**思路**:$X_n\sim E(n)$ ⟹ $E X_n=\dfrac1n$(存在),$D X_n=\dfrac1{n^2}$。切比雪夫大数定律只差"**方差一致有界**"这一条(独立性题干已给)。逐项算方差:
| 选项 | 序列 | $D(\cdot)$ | 是否有界 |
|---|---|---|---|
| A | $\dfrac1nX_n$ | $\dfrac{1}{n^2}\cdot\dfrac1{n^2}=\dfrac{1}{n^4}$ | ✓ $\le1$ |
| B | $X_n$ | $\dfrac1{n^2}$ | ✓ $\le1$ |
| C | $nX_n$ | $n^2\cdot\dfrac1{n^2}=1$ | ✓ $=1$ |
| D | $n^2X_n$ | $n^4\cdot\dfrac1{n^2}=n^2$ | ✗ $\to\infty$ |
**故 D 不服从切比雪夫大数定律。**
**易错点**:$D(aX_n)=a^2D X_n$——**系数要平方**;本题 D 项系数 $n^2$ 平方后是 $n^4$,恰好把 $DX_n=\frac1{n^2}$ 抵消成 $n^2$(发散)。这是本类题的标准设计手法。
---
### 第 14 题 【切比雪夫大数定律】
**证明**:记 $\bar X=\dfrac1n\sum\limits_{i=1}^nX_i$。由期望的线性性 $E\bar X=\dfrac1n\sum E X_i$。由**两两不相关**($\operatorname{Cov}(X_i,X_j)=0,\ i\ne j$):
$$D\bar X=\frac{1}{n^2}D\!\left(\sum_{i=1}^nX_i\right)=\frac{1}{n^2}\left[\sum_{i=1}^nD X_i+2\!\!\sum_{i<j}\!\operatorname{Cov}(X_i,X_j)\right]=\frac{1}{n^2}\sum_{i=1}^nD X_i\le\frac{nC}{n^2}=\frac Cn .$$
对 $\bar X$ 用切比雪夫不等式:
$$P\left\{\left\lvert\frac1n\sum X_i-\frac1n\sum E X_i\right\rvert\ge\varepsilon\right\}=P\{\lvert\bar X-E\bar X\rvert\ge\varepsilon\}\le\frac{D\bar X}{\varepsilon^2}\le\frac{C}{n\varepsilon^2}\ \xrightarrow{\ n\to\infty\ }\ 0 .\qquad\blacksquare$$
**要点**:
1. **「两两不相关」是用来消协方差项的**——没有它,$\sum DX_i$ 这一步不成立;
2. 「方差有界」保证 $\dfrac Cn\to0$,这就是"**平均值稳定**"的来源;
3. 结论即 $\bar X\overset{P}{\longrightarrow}\overline{E X}$,是**大数定律的原始形式**;伯努利、辛钦都是它的特例或并列版本。
**易错点**:把"不相关"误当"独立"——不相关只要求 $\operatorname{Cov}=0$(比独立弱),但**已足够**。
---
### 第 15 题
**答案**:$n_{\min}=102$。
**思路**:由中心极限定理
$$\sum_{i=1}^nX_i\ \overset{\text{近似}}{\sim}\ N(100n,\ 100n),\qquad \sqrt{D}=10\sqrt n .$$
要求
$$P\left\{\sum_{i=1}^nX_i\ge10000\right\}\approx1-\Phi\!\left(\frac{10000-100n}{10\sqrt n}\right)\ge0.95 .$$
即 $\Phi\!\left(\dfrac{10000-100n}{10\sqrt n}\right)\le0.05=\Phi(-1.645)$,故
$$\frac{10000-100n}{10\sqrt n}\le-1.645\ \Longrightarrow\ 10000-100n\le-16.45\sqrt n\ \Longrightarrow\ 100n-16.45\sqrt n-10000\ge0 .$$
令 $t=\sqrt n$:$100t^2-16.45t-10000\ge0$,解得
$$t\ge\frac{16.45+\sqrt{16.45^2+4\,000\,000}}{200}\approx10.082\ \Longrightarrow\ n\ge101.6 .$$
故 $n_{\min}=102$。
**验证**:$n=101$:$z=\dfrac{10000-10100}{10\sqrt{101}}\approx-0.995>-1.645$ ✗;$n=102$:$z\approx-1.98\le-1.645$ ✓。
**易错点**:
- 是"**和 ≥ 10000**",故用**右尾** $1-\Phi(\cdot)$,**不要**错写成 $\Phi$;
- $\Phi(z)\le0.05\iff z\le-1.645$(**负号**易漏);
- 标准差 $\sqrt{n\sigma^2}=\sigma\sqrt n$,**不是** $\sigma n$。
---
### 第 16 题 【综合辨析】
**答案**:
(Ⅰ)$D\bar X=\dfrac{1}{n^2}\sum D X_i=\dfrac{\sigma^2}{n}$,由切比雪夫不等式
$$P\{\lvert\bar X-\mu\rvert\ge\varepsilon\}\le\frac{D\bar X}{\varepsilon^2}=\frac{\sigma^2}{n\varepsilon^2}\ \xrightarrow{\ n\to\infty\ }\ 0,$$
即 $\bar X\overset{P}{\longrightarrow}\mu$。(这是**辛钦大数定律**的一个特例——多了"方差存在"的条件。)
(Ⅱ)由中心极限定理 $\dfrac{\bar X-\mu}{\sigma/\sqrt n}\overset{\text{近似}}{\sim}N(0,1)$,故
$$P\{\lvert\bar X-\mu\rvert<\varepsilon\}=P\left\{\left\lvert\frac{\bar X-\mu}{\sigma/\sqrt n}\right\rvert<\frac{\varepsilon\sqrt n}{\sigma}\right\}\approx2\Phi\!\left(\frac{\varepsilon\sqrt n}{\sigma}\right)-1 .$$
当 $n\to\infty$ 时 $\dfrac{\varepsilon\sqrt n}{\sigma}\to+\infty$,$\Phi\to1$,故该概率 $\to1$。
(Ⅲ)**中心极限定理更精确**:
- **(Ⅱ)**利用"和的分布趋正态"这一**更深**的信息,给出的是**近似值**(可以很接近真值),但要求 $n$ **充分大**、且 $\sigma^2$ **有限存在**;
- **(Ⅰ)**只用到期望与方差,**对任意 $n$ 都能用、无条件普适**,但只能给**宽松的上界**(界 $\dfrac{\sigma^2}{n\varepsilon^2}$ 往往远大于真值),**给不出近似值**。
> **一句话**:**切比雪夫"普适但粗糙",中心极限定理"精确但要求高"。** 前者证明"收敛",后者刻画"收敛的速度与形态"。
**易错点**:$\Phi$ 的变量是 $\dfrac{\varepsilon\sqrt n}{\sigma}$(**除以标准差 $\sigma$**,不是 $\sigma^2$)。
---
## 命题质量报告
### 一、考点覆盖
| 考点 | 题号 | 覆盖 |
|---|---|---|
| 依概率收敛的定义与反例 | 1 | ✅ |
| 切比雪夫不等式:直接套 + 方向 | 2 | ✅ |
| 切比雪夫不等式:二项分布 | 3 | ✅ |
| 辛钦大数定律:应用(求极限值) | 4 | ✅ |
| 辛钦大数定律:**条件辨析** | 5 | ✅ |
| 中心极限定理:iid 求和标准化 | 6 | ✅ |
| **2022·9 骨架**(样本均值 + 四阶矩) | 7 | ✅ |
| 反解样本量 $n$(切比雪夫) | 8 | ✅ |
| 中心极限定理:应用建模(装箱) | 9 | ✅ |
| **2020·8 骨架**(0–1 变量求和) | 10 | ✅ |
| **2025·9 骨架**(泊松近似) | 11 | ✅ |
| 切比雪夫 + 协方差($Z=X-Y$) | 12 | ✅ |
| 切比雪夫大数定律:**条件辨析** | 13 | ✅ |
| 切比雪夫大数定律:**证明** | 14 | ✅ |
| 中心极限定理:反解 $n$ | 15 | ✅ |
| 切比雪夫 vs 中心极限定理:精度/条件对比 | 16 | ✅ |
### 二、难度与用时
| 组 | 题量 | 难度 | 建议用时 |
|---|---|---|---|
| A 基础 | 6(1–6) | ★☆☆ | 22 分钟 |
| B 中等 | 6(7–12) | ★★☆ | 28 分钟 |
| C 拔高 | 4(13–16) | ★★★ | 20 分钟 |
| **合计** | **16** | | **70 分钟** |
### 三、真题使用情况
- **骨架题**:
- 第 7 题 ← **2022·9**(单选 5 分,「大数定律(切比雪夫不等式)」),数字原创;
- 第 10 题 ← **2020·8**(单选 4 分,「中心极限定理」),数字原创;
- 第 11 题 ← **2025·9**(单选 5 分,「泊松近似(二项分布)」),数字原创。
- **仓库例题改编**:第 4、5、9、13 题(`knowledge/4`、`exercise/4`、`knowledge/3 §切比雪夫`)。
- **本章十年 3 题全覆盖**(2020·8、2022·9、2025·9)。
### 四、仍未覆盖方向(诚实列出)
1. **依概率收敛的运算性质**(如 $X_n\overset{P}{\to}a,\ Y_n\overset{P}{\to}b\Rightarrow X_nY_n\overset{P}{\to}ab$)——考研几乎不单独考;
2. **李雅普诺夫中心极限定理**(不要求同分布,只要求某阶矩有界)——边缘内容,本讲未涉及;
3. **用切比雪夫不等式讨论估计量的"一致性"**——会在第 21 章(参数估计)中用到,届时回看 §2 即可;
4. **大数定律的建模应用**(如用频率估计概率、保险定价)——属应用题,非本讲主线。
@@ -0,0 +1,72 @@
---
tags:
- 数学一
- 在学练习
- 概率论
- 大数定律
- 中心极限定理
- MOC
专题: 概率论 第5讲 · 大数定律与中心极限定理(真题库第 19 章)
日期: 2026-10-16
状态: 已出(考点 + 试题 + 解析 三件分离)
对应视频:
- 01 一、基础知识结构
- 02 二、依概率收敛
- 03 三、大数定律
- 04 四、中心极限定理
---
# 概率论 第5讲 · 大数定律与中心极限定理
> 学习阶段用「考点 / 试题 / 解析」三件分离管理:先看 `01-考点手册` 建立框架 → 做 `02-试题` 限时练 → 对 `03-解析` 复盘。
## 一、本文件夹文件
| 文件 | 用途 | 打开时机 |
|---|---|---|
| **[[01-考点手册]]** | 全考点:依概率收敛 / **切比雪夫不等式** / 三大数定律 / 两大中心极限定理 / 泊松近似 | 学之前/复习时 |
| **[[02-试题]]** | 16 题分层练习(A 基础 6 / B 中等 6 / C 拔高 4),**不含答案** | 限时自测 |
| **[[03-解析]]** | 16 题详解 + 思路 + 易错点 + 真题骨架 + 命题质量报告 | 做完对答案 |
## 二、训练目标
- 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**。
- 这一讲是**概率论 → 数理统计的过渡**,也是"极限行为"的收束:**大数定律管"均值稳定",中心极限定理管"和趋正态"**。
- 三个"开关"贯穿全讲:**是否独立** · **期望是否存在** · **方差是否存在**。
## 三、难度与用时
| 组 | 题量 | 对应 | 建议用时 | 难度 |
|---|---|---|---|---|
| A 基础 | 6(1–6) | 定义与直接套用 | 22 分钟 | ★☆☆ |
| B 中等 | 6(7–12) | 多步计算 | 28 分钟 | ★★☆ |
| C 拔高 | 4(13–16) | 条件辨析与证明 | 20 分钟 | ★★★ |
| **合计** | **16** | | **约 70 分钟** | 可拆两天 |
## 四、命题依据与来源记号
- 🟨 **真题库**:`试卷/Kaoyan-Math1-Papers/papers/近十年真题题库/kaoyan_math1.db` 第 19 章(2020·8、2022·9、2025·9,**十年仅此 3 题,全为单选**)。
- 🟩 **参考仓库**:`参考仓库/Math/probability-theory-and-mathematical-statistics/`(`knowledge/4` 大数定律与中心极限定理、`exercise/4`、`knowledge/3 §切比雪夫不等式`)。
- 🟦 **视频**:第 5 讲 4 个讲次(见 frontmatter)。
- **防过拟合**:试题数字全部原创,仅考法结构对齐真题;标「真题骨架」的题可直接回刷真题原题。
## 五、平板书写版(PDF)
Markdown 内的 LaTeX 公式经 **KaTeX 服务端渲染**后打印为 A4 PDF,公式为矢量文本(可缩放、不失真),适合 iPad / 安卓平板用触控笔直接批注。产物在 **`PDF/`** 子目录:
| 文件 | 页数 | 用途 |
|---|---|---|
| `概率论第5讲-试题-答题版.pdf` | 14 | **主用**:16 题逐题留白(A 组半页 / B·C 组整页,带浅色虚框与横线格) |
| `概率论第5讲-解析.pdf` | 9 | 答案与详解 |
| `概率论第5讲-考点手册.pdf` | 8 | 复习查阅 |
> **重新生成**:改完 `.md` 后运行
> `node .workbuddy/tools/md2pdf/md2pdf.js --in 02-试题.md --out PDF/概率论第5讲-试题-答题版.pdf --mode answer`
> (去掉 `--mode answer` 即为普通版。)
## 六、关联
- 上层:[[总览]]
- 相邻讲次:[[概率论-第3讲-多维随机变量及其分布/README]](多维随机变量)
- 后续:数字特征(第 4 讲)、数理统计(第 6 讲起)
- 错题:[[做题本]]