diff --git a/基于考研的学习/总览.md b/基于考研的学习/总览.md
index 32a002d..02ee75f 100644
--- a/基于考研的学习/总览.md
+++ b/基于考研的学习/总览.md
@@ -46,31 +46,41 @@ tags:
│ ├── 02-数列-知识点复习.md ✓ 数列与极限复习手册
│ └── 02-数列-质量审计.md ✓ 命题依据审计
│ └── 做题本.md ✓ 错题记录
- ├── 在学练习/ ← 正在学的章节:考点/试题/解析 三件分离,按讲次建文件夹
- │ ├── 概率论-第3讲-多维随机变量及其分布/ ✓ 已出(2026-10-13)
- │ │ ├── README.md ✓ 文件夹索引与规划
- │ │ ├── 01-考点手册.md ✓ 全考点 + 雅可比行列式变换法
- │ │ ├── 02-试题.md ✓ 19 题(A/B/C 分层,不含答案)
- │ │ ├── 03-解析.md ✓ 19 题详解
- │ │ ├── 04-答疑笔记.md ✓ 卡壳题逐步答疑
- │ │ ├── 05-试题-中高难度.md ✓ 12 题(B 中等 7 / C 拔高 5)
- │ │ ├── 06-解析-中高难度.md ✓ 强化卷详解 + 缺口覆盖表
- │ │ └── PDF/ ✓ 平板书写版(KaTeX 渲染,试题逐题留白)
- │ │ ├── 概率论第3讲-试题-答题版.pdf(17 页,A 半页 / B·C 整页留白)
- │ │ ├── 概率论第3讲-试题-中高难度-答题版.pdf(13 页,全部整页留白)
- │ │ ├── 概率论第3讲-解析-中高难度.pdf(9 页)
- │ │ ├── 概率论第3讲-考点手册.pdf(10 页)
- │ │ ├── 概率论第3讲-解析.pdf(7 页)
- │ │ └── 概率论第3讲-答疑笔记.pdf(9 页)
- │ ├── 概率论-第5讲-大数定律与中心极限定理/ ✓ 已出(2026-10-16,真题库第 19 章)
- │ │ ├── README.md ✓ 文件夹索引与规划
- │ │ ├── 01-考点手册.md ✓ 依概率收敛 / 切比雪夫 / 三大数定律 / 两 CLT / 泊松近似
- │ │ ├── 02-试题.md ✓ 16 题(A 基础 6 / B 中等 6 / C 拔高 4,不含答案)
- │ │ ├── 03-解析.md ✓ 16 题详解 + 命题质量报告
- │ │ └── PDF/ ✓ 平板书写版(KaTeX 渲染,试题逐题留白)
- │ │ ├── 概率论第5讲-试题-答题版.pdf(14 页,A 半页 / B·C 整页留白)
- │ │ ├── 概率论第5讲-解析.pdf(9 页)
- │ │ └── 概率论第5讲-考点手册.pdf(8 页)
+ ├── 在学练习/ ← 正在学的章节:按「知识点盘点 + 逐点分册(知识点带题)+ 速查卡」组织,按讲次建文件夹
+ │ ├── 概率论-第3讲-多维随机变量及其分布/ ✓ 已重构(2026-11-07,真题库第 17 章,11 题 105 分)
+ │ │ ├── README.md ✓ 索引、三轮读法、锚点规则
+ │ │ ├── 01-知识点盘点.md ✓ 七节 + 按分值/依赖链两张表 + §0.4 反查 + 覆盖对照 + 相邻讲接口
+ │ │ ├── 02-点1-联合分布与边缘分布.md
+ │ │ ├── 03-点2-二维离散型.md
+ │ │ ├── 04-点3-二维连续型与两类分布.md
+ │ │ ├── 05-点4-独立性.md
+ │ │ ├── 06-点5-函数分布两条路.md
+ │ │ ├── 07-点6-四则运算与最值.md
+ │ │ ├── 08-点7-混合型与全概率.md
+ │ │ └── 09-速查卡.md ✓ 十四组结论 + 六处丢分点 + AUTO 回查(共 27 题)
+ │ ├── 概率论-第4讲-随机变量的数字特征/ ✓ 新建(2026-11-07,真题库第 18 章,7 题 32 分,全为选填)
+ │ │ ├── README.md
+ │ │ ├── 01-知识点盘点.md
+ │ │ ├── 02-点1-数学期望.md
+ │ │ ├── 03-点2-方差与矩.md
+ │ │ ├── 04-点3-协方差与相关系数.md
+ │ │ ├── 05-点4-条件期望与重期望.md
+ │ │ ├── 06-点5-线性组合与最值.md
+ │ │ └── 07-速查卡.md ✓ 九组结论 + 六处丢分点(共 19 题)
+ │ ├── 概率论-第5讲上-大数定律/ ✓ 由原第 5 讲拆出(2026-11-07,真题库第 19 章前半)
+ │ │ ├── README.md
+ │ │ ├── 01-知识点盘点.md
+ │ │ ├── 02-点1-依概率收敛.md
+ │ │ ├── 03-点2-切比雪夫不等式.md
+ │ │ ├── 04-点3-三条大数定律.md
+ │ │ └── 05-速查卡.md ✓ 十组结论 + 六处丢分点(共 14 题)
+ │ ├── 概率论-第5讲下-中心极限定理/ ✓ 由原第 5 讲拆出(2026-11-07,真题库第 19 章后半)
+ │ │ ├── README.md
+ │ │ ├── 01-知识点盘点.md
+ │ │ ├── 02-点1-列维-林德伯格定理.md
+ │ │ ├── 03-点2-棣莫弗-拉普拉斯定理.md
+ │ │ ├── 04-点3-三种近似辨析.md
+ │ │ └── 05-速查卡.md ✓ 七组结论 + 六处丢分点(共 7 题)
│ └── 概率论-第6讲-数理统计/ ✓ 已出(2026-10-16,真题库第 20/21/22 章,15 题 116 分)
│ ├── README.md ✓ 文件夹索引与规划
│ ├── 01-考点手册.md ✓ 总体与样本 / 统计量及其分布 / 点估计(含 MLE 不变性)/ 区间估计(单+两总体)/ 假设检验(单+两总体)/ 两类错误
diff --git a/基于考研的学习/数学一/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.md b/基于考研的学习/数学一/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.md
deleted file mode 100644
index 9ffb74a..0000000
--- a/基于考研的学习/数学一/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.md
+++ /dev/null
@@ -1,307 +0,0 @@
----
-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 $p$ ,$0
**意义**:这是"**频率稳定于概率**"的严格表述,也是概率的频率定义的依据。
-
-### 3.4 辛钦大数定律
-
-**条件**:$\{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**:$Y_n\sim B(n,p)$ ($0
即**二项分布的正态近似**:$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]]。
diff --git a/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/02-试题.md b/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/02-试题.md
deleted file mode 100644
index 0c8564f..0000000
--- a/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/02-试题.md
+++ /dev/null
@@ -1,97 +0,0 @@
----
-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 $P\{4500$ ,
-
-$$\lim_{n\to\infty}P\left\{\left\lvert\frac1n\sum_{i=1}^nX_i-\frac1n\sum_{i=1}^nE X_i\right\rvert\ge\varepsilon\right\}=0 .$$
-
-**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]]。
diff --git a/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/03-解析.md b/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/03-解析.md
deleted file mode 100644
index 05c7042..0000000
--- a/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/03-解析.md
+++ /dev/null
@@ -1,327 +0,0 @@
----
-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**:$E X=np=500$ ,$D X=np(1-p)=1000\times0.25=250$ 。
-$4500.977=\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-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。
diff --git a/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/PDF/概率论第5讲-考点手册.pdf b/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/PDF/概率论第5讲-考点手册.pdf
deleted file mode 100644
index 7788ab7..0000000
Binary files a/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/PDF/概率论第5讲-考点手册.pdf and /dev/null differ
diff --git a/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/PDF/概率论第5讲-解析.pdf b/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/PDF/概率论第5讲-解析.pdf
deleted file mode 100644
index e1fefc8..0000000
Binary files a/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/PDF/概率论第5讲-解析.pdf and /dev/null differ
diff --git a/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/PDF/概率论第5讲-试题-答题版.pdf b/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/PDF/概率论第5讲-试题-答题版.pdf
deleted file mode 100644
index c0eca9a..0000000
Binary files a/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/PDF/概率论第5讲-试题-答题版.pdf and /dev/null differ
diff --git a/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/README.md b/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/README.md
deleted file mode 100644
index 100d2e2..0000000
--- a/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/README.md
+++ /dev/null
@@ -1,72 +0,0 @@
----
-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]]
diff --git a/基于考研的学习/数学一/在学练习/概率论-第5讲上-大数定律/01-知识点盘点.md b/基于考研的学习/数学一/在学练习/概率论-第5讲上-大数定律/01-知识点盘点.md
new file mode 100644
index 0000000..4b91d4d
--- /dev/null
+++ b/基于考研的学习/数学一/在学练习/概率论-第5讲上-大数定律/01-知识点盘点.md
@@ -0,0 +1,217 @@
+---
+tags: [数学一, 在学练习, 概率论, 大数定律, 依概率收敛, 切比雪夫, 知识点盘点]
+专题: 概率论 第5讲上 · 大数定律
+日期: 2026-11-07
+状态: 知识点盘点(三节 + 覆盖对照表),配套 3 个点分册共 14 题
+关联笔记: ["[[README]]", "[[05-速查卡]]"]
+---
+
+# 第5讲上 · 大数定律:知识点盘点
+
+真题库第 19 章。近十年 **3 题 14 分**,**全部是单选**:2020·8(中心极限定理 4 分)、2022·9(切比雪夫不等式 5 分)、2025·9(泊松近似 5 分)。
+
+**上下两册怎么切**:**上册只谈"趋于一个数"**(依概率收敛、切比雪夫不等式、三条大数定律),**下册只谈"趋于一个分布"**(中心极限定理、两种近似)。分界点是**收敛的强弱**——依分布收敛比依概率收敛强,但考场上用得更多的反而是弱的那个,因为它的条件好验(只要方差存在)。
+
+**一句话定性**:大数定律回答"**为什么能用频率代替概率、用样本均值代替总体均值**"。三条定律的差别只在**要什么条件**,结论长得一模一样。
+
+## 0 三张表
+
+### 0.1 按分值排(时间紧就照这个顺序)
+
+| 优先 | 点 | 真题锚点 | 分值 | 文件 |
+|---|---|---|---|---|
+| 1 | 切比雪夫不等式 | **2022·9** | **5** | `03` |
+| 2 | 三条大数定律 | 2022·9 的前置、十年未单独考 | — | `04` |
+| 3 | 依概率收敛 | 大纲要求、作为工具嵌在各题 | — | `02` |
+
+**注意**:只有 5 分直接落在上册,但这 5 分是**纯套公式**就能拿的,性价比最高。真正费时间的是"三条定律的条件辨析"——它不直接考,却决定你能否判断一道题"该用哪条定律"。
+
+### 0.2 按依赖链排(文件顺序,也就是建议的阅读顺序)
+
+```
+02 依概率收敛 ← 先把"趋于"这个词定义清楚
+ ↓
+03 切比雪夫不等式 ← 唯一的定量工具:把"偏差"翻译成"概率上界"
+ ↓
+04 三条大数定律 ← 用切比雪夫去证,得到"频率 → 概率"
+```
+
+**为什么切比雪夫必须在前**:三条定律里唯一需要证明的(切比雪夫大数定律)就是"对 $\bar X$ 用一次切比雪夫不等式"。不等式不会用,定律就只能背结论。
+
+### 0.3 符号约定
+
+| 记号 | 含义 |
+|---|---|
+| $X_n\overset{P}{\longrightarrow}X$ | 依概率收敛 |
+| $\bar X=\dfrac1n\sum_{i=1}^nX_i$ | 样本均值 |
+| $\nu_n$ | $n$ 重伯努利试验中 $A$ 发生的次数 |
+| $\dfrac{\nu_n}{n}$ | 频率 |
+| $\varepsilon$ | 任意给定的小正数("允许的偏差") |
+| $C$ | 方差的一致上界,$DX_i\le C$ |
+
+### 0.4 知识点与练习文件对照(按知识点粒度)
+
+
+| 盘点章节(知识点) | 对应题目 |
+|---|---|
+| §1.1 定义 | [点 1 题 1](02-点1-依概率收敛.md#user-content-题-1--11按定义验证依概率收敛) |
+| §1.2 与数列极限的三条区别 | [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) |
+| §1.3 常用推论 | [点 1 题 3](02-点1-依概率收敛.md#user-content-题-3--13四则运算与连续映射) |
+| §2.1 不等式与变形表 | [点 2 题 1](03-点2-切比雪夫不等式.md#user-content-题-1--21直接套式与两个方向)、[点 2 题 2](03-点2-切比雪夫不等式.md#user-content-题-2--21二项分布上的估计) |
+| §2.2 使用三步与四个陷阱 | [点 2 题 3](03-点2-切比雪夫不等式.md#user-content-题-3--22反解样本量)、[点 2 题 4](03-点2-切比雪夫不等式.md#user-content-题-4--22平方和的均值也要用切比雪夫)、[点 2 题 5](03-点2-切比雪夫不等式.md#user-content-题-5--22两个变量的差) |
+| §3.1 共同形式 | [点 3 题 1](04-点3-三条大数定律.md#user-content-题-1--31三个平均值都收敛到自己的期望) |
+| §3.2 切比雪夫大数定律 | [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)、[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) |
+| §3.3 伯努利大数定律 | [点 3 题 4](04-点3-三条大数定律.md#user-content-题-4--33用伯努利定律反解试验次数) |
+| §3.4 辛钦大数定律 | [点 3 题 5](04-点3-三条大数定律.md#user-content-题-5--34辛钦定律的条件够不够) |
+| §3.5 三条定律对照(高频辨析) | [点 3 题 6](04-点3-三条大数定律.md#user-content-题-6--35三条定律的条件对照) |
+
+
+## 1 依概率收敛
+
+### 1.1 定义
+
+$$X_n\overset{P}{\longrightarrow}X\quad\iff\quad\forall\varepsilon>0,\ \lim_{n\to\infty}P\left\{\lvert X_n-X\rvert\ge\varepsilon\right\}=0 .$$
+
+等价写法(把"$\ge$ "换成"$<$ "的补):$\lim\limits_{n\to\infty}P\{\lvert X_n-X\rvert<\varepsilon\}=1$ 。
+
+**逐字读法**:先固定 $\varepsilon$ ,再看"偏差超过 $\varepsilon$ "这件坏事的概率,最后让 $n\to\infty$ 。**$\varepsilon$ 在前、$n$ 在后,顺序不能换**(换了就成了"对每个 $n$ 都存在 $\varepsilon$ ",是废话)。
+
+### 1.2 与数列极限的三条区别
+
+| 对比项 | 数列极限 $\lim a_n=a$ | 依概率收敛 $X_n\overset{P}{\to}a$ |
+|---|---|---|
+| 对象 | 确定的数 | 随机变量(有分布) |
+| "接近"的含义 | 从某项起**每个**都接近 | 接近的**概率**趋于 $1$ ,个别项可以离谱 |
+| 是否要求 $EX_n\to EX$ | — | **不要求**(这是最大的坑) |
+
+**第三条必须记住**:依概率收敛是"**大概率落在附近**",它对"偶尔跑得很远的那些情形"毫无约束,而那些情形正是期望的贡献者。所以 $X_n\overset{P}{\to}0$ 完全可以配 $EX_n\to\infty$ 。
+
+### 1.3 常用推论
+
+**四则运算**(与数列极限同形):$X_n\overset{P}{\to}a$ 、$Y_n\overset{P}{\to}b$ ,则
+
+$$X_n\pm Y_n\overset{P}{\longrightarrow}a\pm b,\qquad X_nY_n\overset{P}{\longrightarrow}ab,\qquad \frac{X_n}{Y_n}\overset{P}{\longrightarrow}\frac{a}{b}\ (b\ne0).$$
+
+**连续映射**:若 $g$ 在 $a$ 处连续,则 $g(X_n)\overset{P}{\longrightarrow}g(a)$ 。
+
+特例:$X_n^k\overset{P}{\to}a^k$ 、$\sqrt{X_n}\overset{P}{\to}\sqrt a$ ($a>0$ )、$\dfrac{1}{X_n}\overset{P}{\to}\dfrac1a$ ($a\ne0$ )。
+
+> **用之前先看 $a$ 的取值**:$\frac1{X_n}$ 的结论里带着"$a\ne0$ ",$\sqrt{X_n}$ 带着"$a>0$ "。条件不满足时结论可能直接崩($a=0$ 时 $\frac1{X_n}$ 根本没有极限)。
+
+## 2 切比雪夫不等式
+
+### 2.1 不等式与变形表
+
+$$P\left\{\lvert X-EX\rvert\ge\varepsilon\right\}\le\frac{DX}{\varepsilon^2},\qquad P\left\{\lvert X-EX\rvert<\varepsilon\right\}\ge1-\frac{DX}{\varepsilon^2}.$$
+
+**只说三件事**:中心是 $EX$ 、尺度是 $\sqrt{DX}$ 、衰减是 $\frac1{\varepsilon^2}$ 。它不需要知道分布,这是它唯一的、也是最大的优点。
+
+| 问法 | 写法 |
+|---|---|
+| $P\{\lvert X-EX\rvert\ge\varepsilon\}$ 的**上界** | $\dfrac{DX}{\varepsilon^2}$ |
+| $P\{\lvert X-EX\rvert<\varepsilon\}$ 的**下界** | $1-\dfrac{DX}{\varepsilon^2}$ |
+| $X$ 落在 $(EX-\varepsilon,EX+\varepsilon)$ 外的上界 | $\dfrac{DX}{\varepsilon^2}$ |
+| 已知上界 $\alpha$ 反解 $\varepsilon$ | $\varepsilon\ge\sqrt{DX/\alpha}$ |
+| 涉及 $\bar X$ | 先换成 $D\bar X=\sigma^2/n$ 再套 |
+| 涉及 $\lvert X-Y\rvert$ | 先算 $E(X-Y)$ 与 $D(X-Y)=DX+DY-2\operatorname{Cov}$ |
+
+**标准差写法最好用**:取 $\varepsilon=k\sqrt{DX}$ ,则上界就是 $\dfrac{1}{k^2}$ 。所以"偏离 2 个标准差"的概率不超过 $\frac14$ ,"3 个标准差"不超过 $\frac19$ 。
+
+### 2.2 使用三步与四个陷阱
+
+**三步**:
+
+1. 认出形状——题里出现"偏差""不少于""不小于"配一个概率;
+2. 算**被控变量**的 $E$ 与 $D$ (是 $\bar X$ 就算 $D\bar X=\frac{\sigma^2}{n}$ ,是 $\sum X_i^2$ 就先求 $E X^2$ 与 $E X^4$ );
+3. 套表,注意"$\ge$ 给上界、$<$ 给下界",方向不能反。
+
+**四个陷阱**:
+
+- 它给的是**界**不是**值**,题目问"估计"才用它,问"求"就是别的方法;
+- 上界算出大于 $1$ 时**并不算错**,只说明这个界太粗(真实概率当然 $\le1$ );
+- $\varepsilon$ 与 $DX$ 必须同量纲:$\varepsilon$ 是"元"、$DX$ 是"元的平方"才对得上;
+- **绝不能**用它求"$\ge$ "的下界或"$<$ "的上界——那是另一个方向的估计,切比雪夫给不出来。
+
+## 3 三条大数定律
+
+### 3.1 共同形式
+
+三条定律的结论都是同一句话:
+
+$$\frac1n\sum_{i=1}^{n}X_i-\frac1n\sum_{i=1}^{n}EX_i\overset{P}{\longrightarrow}0 .$$
+
+同分布时右半截就是常数 $\mu$ ,于是简写成 $\bar X\overset{P}{\longrightarrow}\mu$ 。**所以背定律只要背"条件",结论是共享的。**
+
+### 3.2 切比雪夫大数定律
+
+**条件**:$X_1,X_2,\cdots$ **两两不相关**,且存在常数 $C$ 使 $DX_i\le C$ 。
+
+**结论**:$\dfrac1n\sum X_i-\dfrac1n\sum EX_i\overset{P}{\longrightarrow}0$ 。
+
+**证明主线**(一行都不能省):
+
+$$D\left(\frac1n\sum_{i=1}^{n}X_i\right)=\frac{1}{n^2}\sum_{i=1}^{n}DX_i\le\frac{nC}{n^2}=\frac{C}{n}\to0,$$
+
+再对 $\frac1n\sum X_i$ 用切比雪夫不等式,令 $n\to\infty$ 即得。
+
+> **"两两不相关"这个条件就为了这一步**:不相关才能让 $D(\sum)=\sum D$ 。若只给"独立",当然更强,也照样成立。
+
+### 3.3 伯努利大数定律
+
+**条件**:$n$ 重伯努利试验,$A$ 每次发生的概率为 $p$ ,$\nu_n$ 为发生次数。
+
+**结论**:
+
+$$\frac{\nu_n}{n}\overset{P}{\longrightarrow}p .$$
+
+它是切比雪夫定律在 $0$ -$1$ 变量上的特例:$X_i\sim B(1,p)$ ,$EX_i=p$ 、$DX_i=p(1-p)\le\frac14$ ,方差一致有界这件事自动成立。
+
+**意义**:这是"**用频率估计概率**"的全部理论依据——第 6 讲参数估计的相合性就建立在这上面。
+
+### 3.4 辛钦大数定律
+
+**条件**:$X_1,X_2,\cdots$ **独立同分布**,且**期望存在**($EX_i=\mu$ )。
+
+**结论**:$\bar X\overset{P}{\longrightarrow}\mu$ 。
+
+**它和切比雪夫定律的关键差别**:辛钦**不要方差存在**,但要**同分布**。所以柯西分布这类"期望都不存在"的分布用不了;而"期望存在、方差不存在"的分布(如某些重尾分布)恰恰只有辛钦能管。
+
+### 3.5 三条定律对照(高频辨析)
+
+| 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) | 自动满足 | 自动满足 | 自动满足 | $\frac{\nu_n}{n}\overset{P}{\to}p$ |
+| 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。**
+
+## 4 覆盖对照(大纲 vs 真题 vs 参考仓库)
+
+| 知识点 | 大纲要求 | 十年真题 | 参考仓库 | 处置 |
+|---|---|---|---|---|
+| 依概率收敛的定义 | **理解** | 嵌在各题 | 有 | 点 1,1 题 |
+| 与数列极限的区别 | 了解 | 未考 | 有 | 点 1,1 题 |
+| 四则运算与连续映射 | **掌握** | 嵌在别处 | 有 | 点 1,1 题 |
+| 切比雪夫不等式 | **掌握** | 2022·9 | 有 | 点 2,2 题 |
+| 变形表与使用陷阱 | **掌握** | 2022·9 | 部分 | 点 2,3 题 |
+| 大数定律的共同形式 | 理解 | 未单考 | 有 | 点 3,1 题 |
+| 切比雪夫大数定律 | **掌握** | 2022·9 前置 | 有 | 点 3,2 题 |
+| 伯努利大数定律 | **掌握** | 未单考 | 有 | 点 3,1 题 |
+| 辛钦大数定律 | **掌握** | 未单考 | 有 | 点 3,1 题 |
+| 三条定律的条件对照 | **掌握** | 未单考 | 有 | 点 3,1 题 |
+
+**判断**:10 个知识点里,大纲"掌握"的 7 个全部配题。"切比雪夫不等式"是唯一直接落在卷面上的(2022·9 五分),所以点 2 给了 5 题——**它必须练到不假思索**。
+
+## 5 与相邻讲的接口
+
+| 本讲内容 | 来源 / 去向 | 用法 |
+|---|---|---|
+| $EX$ 、$DX$ 、$\operatorname{Cov}$ | [第4讲](../概率论-第4讲-随机变量的数字特征/README.md) | 切比雪夫不等式的分子就是 $DX$ |
+| $D\bar X=\sigma^2/n$ | [第4讲点5 题4](../概率论-第4讲-随机变量的数字特征/06-点5-线性组合与最值.md) | 所有"反解 $n$ "的题都从它出发 |
+| $D(X-Y)=DX+DY-2\operatorname{Cov}$ | [第4讲点5](../概率论-第4讲-随机变量的数字特征/06-点5-线性组合与最值.md) | 点 2 题 5 直接用它 |
+| 依概率收敛 → 依分布收敛 | [第5讲下](../概率论-第5讲下-中心极限定理/README.md) | 中心极限定理给的是更强的收敛 |
+| 频率 → 概率(伯努利定律) | 第 6 讲(数理统计) | 矩估计的相合性、大样本区间估计的根据 |
+| $\bar X$ 的分布 | 第 6 讲(数理统计) | 正态总体下 $\bar X\sim N(\mu,\sigma^2/n)$ 是精确版 |
+
+> **跨讲一句话**:上册说"$\bar X$ 会**靠近** $\mu$ ",下册说"$\bar X$ 靠近 $\mu$ 时**误差长什么样**"。前者只给方向,后者给形状。
diff --git a/基于考研的学习/数学一/在学练习/概率论-第5讲上-大数定律/02-点1-依概率收敛.md b/基于考研的学习/数学一/在学练习/概率论-第5讲上-大数定律/02-点1-依概率收敛.md
new file mode 100644
index 0000000..a137e02
--- /dev/null
+++ b/基于考研的学习/数学一/在学练习/概率论-第5讲上-大数定律/02-点1-依概率收敛.md
@@ -0,0 +1,162 @@
+---
+tags: [数学一, 在学练习, 概率论, 大数定律, 依概率收敛]
+专题: 概率论 第5讲上 · 点1 依概率收敛
+日期: 2026-11-07
+状态: 知识点带题(1.1 定义、1.2 与数列极限的区别、1.3 常用推论,共 3 题)
+关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
+---
+
+# 点 1 依概率收敛
+
+> 大纲"理解"层次、十年未单独出题,但**它就是大数定律和中心极限定理里那个"趋于"的定义**|重要度 ★★★
+> 依赖:第 4 讲的期望与方差。盘点对应:§1 全节。
+
+**组织原则**:这一点只解决一个词——"**趋于**"在概率里是什么意思。三题按"验证定义 → 看清它管不住什么 → 学会用它做四则运算"递进。第 2 题是全讲最重要的**反例**:它证明依概率收敛**推不出**期望收敛,这个反例一立,后面"为什么切比雪夫要单独证"就顺理成章了。难度标准:★☆☆ 一题、★★☆ 两题。
+
+## 知识点 1.1 定义(出处:[知识章 §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))
+
+$$X_n\overset{P}{\longrightarrow}X\quad\iff\quad\forall\varepsilon>0,\ \lim_{n\to\infty}P\left\{\lvert X_n-X\rvert\ge\varepsilon\right\}=0 .$$
+
+等价说法:$\lim\limits_{n\to\infty}P\{\lvert X_n-X\rvert<\varepsilon\}=1$ 。
+
+**逐字读法(顺序不能换)**:
+
+1. 先固定一个 $\varepsilon$ ——"允许的偏差";
+2. 再看"实际偏差**超过** $\varepsilon$ "这件坏事的概率;
+3. 最后让 $n\to\infty$ 。
+
+若把 $\varepsilon$ 与 $n$ 的顺序对调("对每个 $n$ 存在 $\varepsilon$ "),命题就成了废话。**这就是它与数列极限"$\forall\varepsilon\exists N$ "表面相似、实质不同的地方。**
+
+> **注意 $\ge$ 与 $<$ 这两个符号**:定义里用"$\ge\varepsilon$ ",所以它的补是"$<\varepsilon$ "。写成"$\le\varepsilon$ "也对,只要前后一致;但把"$\ge$ "的上界和"$<$ "的下界混着用,就会写出不成立的式子。
+
+## 知识点 1.2 与数列极限的三条区别(出处:[知识章 §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))
+
+| 对比项 | $\lim a_n=a$ | $X_n\overset{P}{\to}a$ |
+|---|---|---|
+| 对象 | 确定的数列 | 随机变量序列 |
+| "接近"的含义 | 从某项起**每一项**都接近 | **概率**趋于 $1$ ,允许个别项离谱 |
+| 是否要求 $EX_n\to EX$ | — | **不要求** |
+
+**第三条是全部误区的根源**:依概率收敛只保证"大概率落在附近",而对"小概率跑得很远"的那部分**只要求概率趋于零,不要求数值有界**。期望恰恰是"数值 × 概率"的和——小概率配大数值,乘起来照样能剩下一块。
+
+## 知识点 1.3 常用推论(出处:[知识章 §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))
+
+**四则运算**:$X_n\overset{P}{\to}a$ 、$Y_n\overset{P}{\to}b$ ,则
+
+$$X_n\pm Y_n\overset{P}{\longrightarrow}a\pm b;\qquad X_nY_n\overset{P}{\longrightarrow}ab;\qquad \frac{X_n}{Y_n}\overset{P}{\longrightarrow}\frac ab\ (b\ne0).$$
+
+**连续映射**:$g$ 在 $a$ 处连续 $\Rightarrow g(X_n)\overset{P}{\longrightarrow}g(a)$ 。
+
+**三条常用特例**:$X_n^k\overset{P}{\to}a^k$ ;$\sqrt{X_n}\overset{P}{\to}\sqrt a$ (需 $a>0$ );$\dfrac{1}{X_n}\overset{P}{\to}\dfrac1a$ (需 $a\ne0$ )。
+
+> **用之前先检查极限值是否落在定义域内**:$\ln X_n$ 要求 $a>0$ ,$\frac1{X_n}$ 要求 $a\ne0$ ,$\sqrt{X_n}$ 要求 $a\ge0$ 。条件不满足时,结论不是"趋于无穷",而是"根本没有极限"。
+
+---
+
+## 题目(按知识点顺序对应)
+
+### 题 1 · 1.1:按定义验证依概率收敛(★☆☆)
+
+> 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 $EX_n$ ,判断它是否趋于 $0$ ;
+> (Ⅲ)由(Ⅰ)(Ⅱ)能得出什么结论?
+
+**怎么想**:验证依概率收敛只有一条路——**写出事件 $\{\lvert X_n\rvert\ge\varepsilon\}$ 到底是什么**。本题只有两个取值,所以这个事件必是其中之一,比较 $\frac1n$ 与 $\varepsilon$ 的大小即可。
+
+**解**:
+
+**(Ⅰ)** 任给 $\varepsilon>0$ 。取 $N>\max\left\{\dfrac1\varepsilon,\ \varepsilon\right\}$ ,则当 $n>N$ 时同时有 $\dfrac1n<\varepsilon$ 与 $n\ge\varepsilon$ ,于是
+
+$$\left\{\lvert X_n-0\rvert\ge\varepsilon\right\}=\{X_n=n\},\qquad P\left\{\lvert X_n\rvert\ge\varepsilon\right\}=\frac1n\longrightarrow0 .$$
+
+故 $X_n\overset{P}{\longrightarrow}0$ 。
+
+**(Ⅱ)**
+
+$$EX_n=\frac1n\left(1-\frac1n\right)+n\cdot\frac1n=\frac1n-\frac1{n^2}+1\longrightarrow1 .$$
+
+$EX_n\to1\ne0$ ,**并不趋于零** 。
+
+**(Ⅲ)** 结论:**依概率收敛推不出"期望收敛"**。本题 $X_n\overset{P}{\to}0$ 而 $EX_n\to1$ 。
+
+原因就在那条尾巴:$X_n$ 以 $\frac1n$ 的概率取到 $n$ ,这一项给期望贡献了 $n\cdot\frac1n=1$ ,且这个贡献**不随 $n$ 衰减**。而依概率收敛只要求"$1/n$ 趋于零",对这个"$1$ "毫无意见。
+
+**带走结论**:**看到"$X_n$ 以 $\frac1n$ 的概率取一个很大的值"这种构造,第一反应就该是"期望会出问题"**。这是命题人最爱的反例模板,本讲与第 6 讲(相合但不相容的估计量)都会用到。
+
+> **关联** · 盘点 [§1.1 定义](01-知识点盘点.md#user-content-11-定义) | 上游 — | 下游 — | 速查 [一 依概率收敛的定义](05-速查卡.md#user-content-一-依概率收敛的定义)
+
+---
+
+### 题 2 · 1.2:只控制概率、不控制数值(★★☆)
+
+> 设随机变量序列 $\{X_n\}$ 满足
+>
+> $$P\left\{X_n=n^2\right\}=\frac1n,\qquad P\{X_n=0\}=1-\frac1n\quad(n=1,2,\cdots).$$
+>
+> (Ⅰ)证明 $X_n\overset{P}{\longrightarrow}0$ ;
+> (Ⅱ)求 $EX_n$ ,判断它是否收敛;
+> (Ⅲ)把 $n^2$ 换成 $n$ 后 $EX_n$ 又如何?据此说明依概率收敛"管得住什么、管不住什么"。
+
+**怎么想**:与题 1 同构,但把"离谱值"从 $n$ 加到 $n^2$ 。目的很明确——**看依概率收敛会不会因为尾部更离谱而失效**。答案是"不会",这正说明它对尾部数值完全不设防。
+
+**解**:
+
+**(Ⅰ)** 任给 $\varepsilon>0$ ,当 $n^2\ge\varepsilon$ (即 $n\ge\sqrt\varepsilon$ )时 $\{X_n=n^2\}\subseteq\{\lvert X_n\rvert\ge\varepsilon\}$ ,而 $\{X_n=0\}$ 不含于其中,故
+
+$$P\left\{\lvert X_n\rvert\ge\varepsilon\right\}=P\{X_n=n^2\}=\frac1n\longrightarrow0 .$$
+
+所以 $X_n\overset{P}{\longrightarrow}0$ 。
+
+**(Ⅱ)**
+
+$$EX_n=n^2\cdot\frac1n+0\cdot\left(1-\frac1n\right)=n\longrightarrow+\infty,$$
+
+**发散到无穷**。
+
+**(Ⅲ)** 换成 $n$ 时 $EX_n=n\cdot\dfrac1n=1$ ,恒等于 $1$ ,仍不趋于 $0$ (只是不发散而已)。
+
+**结论**:依概率收敛管住的是"**坏事件的概率**",管不住"**坏事件里的数值**",更管不住"数值与概率的乘积"。前者只要 $\frac1n\to0$ 就够,后者却可以是 $\frac{n^2}{n}=n$ 。
+
+**验算**:把三组数据摆在一起看更清楚——取值 $n$ 时 $EX_n\to1$ ;取值 $n^2$ 时 $EX_n=n\to\infty$ ;取值 $\sqrt n$ 时 $EX_n=\frac{1}{\sqrt n}\to0$ 。**只有"离谱程度低于 $\frac1p$ "时,期望才跟着收敛。**
+
+**带走结论**:判断"能否由 $X_n\overset{P}{\to}0$ 推出 $EX_n\to0$ ",只看两点——**尾部取值的增长速度**是否低于概率衰减速度,以及**是否一致可积**(考研不考这个名字,但考这个判断)。考场上遇到,一律回到定义算 $EX_n$ ,不要想当然。
+
+> **关联** · 盘点 [§1.2 与数列极限的三条区别](01-知识点盘点.md#user-content-12-与数列极限的三条区别) | 上游 — | 下游 — | 速查 [二 与数列极限的三条区别](05-速查卡.md#user-content-二-与数列极限的三条区别)
+
+---
+
+### 题 3 · 1.3:四则运算与连续映射(★★☆)
+
+> 设 $X_n\overset{P}{\longrightarrow}2$ 、$Y_n\overset{P}{\longrightarrow}-1$ 。写出下列各式依概率收敛的极限,并指出哪些需要额外条件才成立:
+>
+> (Ⅰ)$X_n+Y_n$ ;(Ⅱ)$X_nY_n$ ;(Ⅲ)$\dfrac{X_n}{Y_n}$ ;(Ⅳ)$\sqrt{X_n}$ ;(Ⅴ)$\ln X_n$ 。
+
+**怎么想**:四则运算直接套;连续映射要先看**极限值是否落在函数的定义域内**。本题 $a=2$ 、$b=-1$ ,五个都合规,所以全部直接代入。
+
+**解**:
+
+| 小题 | 极限 | 依据 | 额外条件 |
+|---|---|---|---|
+| (Ⅰ) | $2+(-1)=1$ | 加法 | 无 |
+| (Ⅱ) | $2\times(-1)=-2$ | 乘法 | 无 |
+| (Ⅲ) | $\dfrac{2}{-1}=-2$ | 除法 | $b\ne0$ ,本题满足 |
+| (Ⅳ) | $\sqrt2$ | $g(x)=\sqrt x$ 在 $2$ 处连续 | $a>0$ ,本题满足 |
+| (Ⅴ) | $\ln2$ | $g(x)=\ln x$ 在 $2$ 处连续 | $a>0$ ,本题满足 |
+
+**(Ⅲ)(Ⅳ)(Ⅴ)的额外条件各自是什么**:
+
+- 若 $b=0$ ,$\dfrac{X_n}{Y_n}$ 可能根本没有极限($Y_n\to0$ 时商可以发散);
+- 若 $a<0$ ,$\sqrt{X_n}$ 在实数范围内无意义(此时 $\sqrt{X_n}$ 本身就没定义,谈不上收敛);
+- 若 $a=0$ ,$\ln X_n\to-\infty$ ,不是有限极限,因而不满足定义。
+
+**一个容易漏的细节**:即使 $P\{X_n>0\}=1$ 对所有 $n$ 成立,也只能推出 $\lim a\ge0$ ,推不出 $a>0$ 。例:$X_n=1+\dfrac1n$ 恒大于 $1$ ,极限却是 $1$ ;$X_n=\dfrac1n$ 恒大于 $0$ ,极限是 $0$ 。**严格不等式在取极限时会退化成非严格**——这正是上面 $\sqrt{\ }$ 、$\ln$ 的条件必须写"$a>0$ "而不是"$X_n>0$ "的原因。
+
+**带走结论**:**先算极限值,再检查定义域**。考场上写"由连续映射得 $g(X_n)\to g(a)$ "之前,务必确认 $a$ 在 $g$ 的定义域**内部**(不是边界)。这一步不写,过程分就丢在这里。
+
+> **关联** · 盘点 [§1.3 常用推论](01-知识点盘点.md#user-content-13-常用推论) | 上游 — | 下游 — | 速查 [三 四则运算与连续映射](05-速查卡.md#user-content-三-四则运算与连续映射)
+
+---
diff --git a/基于考研的学习/数学一/在学练习/概率论-第5讲上-大数定律/03-点2-切比雪夫不等式.md b/基于考研的学习/数学一/在学练习/概率论-第5讲上-大数定律/03-点2-切比雪夫不等式.md
new file mode 100644
index 0000000..8f2826a
--- /dev/null
+++ b/基于考研的学习/数学一/在学练习/概率论-第5讲上-大数定律/03-点2-切比雪夫不等式.md
@@ -0,0 +1,201 @@
+---
+tags: [数学一, 在学练习, 概率论, 大数定律, 切比雪夫不等式]
+专题: 概率论 第5讲上 · 点2 切比雪夫不等式
+日期: 2026-11-07
+状态: 知识点带题(2.1 不等式与变形表、2.2 使用三步与陷阱,共 5 题)
+关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
+---
+
+# 点 2 切比雪夫不等式
+
+> **2022·9 单选 5 分**,近十年唯一直接落在上册的分数;而且是"会套公式就得分"的那种|重要度 ★★★
+> 依赖:第 4 讲的 $EX$ 、$DX$ 、$\operatorname{Cov}$ 与 $D\bar X=\sigma^2/n$ 。盘点对应:§2 全节。
+
+**组织原则**:这一点是全讲唯一需要"算"的地方。五题按"最直接的估计 → 换成 $\bar X$ 或 $\sum X_i^2$ → 反解 $n$ → 真题 → 带协方差的两个变量"递进,其中第 4 题是 2022·9 的真题骨架。难度标准:★☆☆ 一题、★★☆ 四题。
+
+## 知识点 2.1 不等式与变形表(出处:[知识章 §1.3](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/3-digital-features/digital-features.tex))
+
+$$P\left\{\lvert X-EX\rvert\ge\varepsilon\right\}\le\frac{DX}{\varepsilon^2},\qquad P\left\{\lvert X-EX\rvert<\varepsilon\right\}\ge1-\frac{DX}{\varepsilon^2}.$$
+
+**它只说三件事**:中心是 $EX$ 、尺度是 $\sqrt{DX}$ 、概率按 $\frac{1}{\varepsilon^2}$ 衰减。**不要求知道分布**——这是它唯一的、也是最大的优点。
+
+**标准差写法(最好用)**:取 $\varepsilon=k\sqrt{DX}$ ,则上界化为 $\dfrac{1}{k^2}$ 。于是"偏离 $2$ 个标准差"的概率不超过 $\frac14$ ,"$3$ 个标准差"不超过 $\frac19$ 。
+
+| 问法 | 写法 |
+|---|---|
+| $\lvert X-EX\rvert\ge\varepsilon$ 的**上界** | $\dfrac{DX}{\varepsilon^2}$ |
+| $\lvert X-EX\rvert<\varepsilon$ 的**下界** | $1-\dfrac{DX}{\varepsilon^2}$ |
+| 落在 $(EX-\varepsilon,\ EX+\varepsilon)$ 外的上界 | $\dfrac{DX}{\varepsilon^2}$ |
+| 已知上界 $\alpha$ 反解 $\varepsilon$ | $\varepsilon\ge\sqrt{DX/\alpha}$ |
+| 涉及 $\bar X$ | 换成 $D\bar X=\dfrac{\sigma^2}{n}$ 再套 |
+| 涉及 $\lvert X-Y\rvert$ | 先算 $E(X-Y)$ 与 $D(X-Y)=DX+DY-2\operatorname{Cov}(X,Y)$ |
+
+## 知识点 2.2 使用三步与四个陷阱(出处:[知识章 §1.3](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/3-digital-features/digital-features.tex))
+
+**三步**:
+
+1. **认形状**:题里出现"偏差""不少于""不小于"配一个概率;
+2. **要算的是被控变量的 $E$ 与 $D$ 这两项**——注意是"被控的那个",不是"原来那个":控 $\bar X$ 就用 $\frac{\sigma^2}{n}$ ,控 $\frac1n\sum X_i^2$ 就先求 $EX^2$ 与 $EX^4$ ;
+3. **套表**,方向不能反:**"$\ge$ "给上界,"$<$ "给下界**。
+
+**四个陷阱**:
+
+- 它给的是**界**,不是值。题目问"估计"才用它;
+- 上界算出 $>1$ 不算错,只说明界太粗(真实概率当然不超过 $1$ );
+- $\varepsilon$ 与 $DX$ 必须同量纲:$\varepsilon$ 是"元",$DX$ 就得是"元的平方";
+- **绝不能**用它求"$\ge$ "的下界或"$<$ "的上界,那个方向它给不出来。
+
+---
+
+## 题目(按知识点顺序对应)
+
+### 题 1 · 2.1:直接套式与两个方向(★☆☆)
+
+> 设随机变量 $X$ 满足 $EX=5$ 、$DX=2$ 。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;
+> (Ⅲ)若想使 $P\{\lvert X-5\rvert\ge\varepsilon\}\le0.05$ ,$\varepsilon$ 至少取多少?
+
+**怎么想**:中心 $5$ 、尺度 $\sqrt2$ 、偏差 $4$ ,全部对上号,直接套。第(Ⅲ)问是唯一需要动一下的:把 $\varepsilon$ 当未知数解出来。
+
+**解**:
+
+**(Ⅰ)**
+
+$$P\{\lvert X-5\rvert\ge4\}\le\frac{DX}{4^2}=\frac{2}{16}=\frac18=0.125 .$$
+
+**(Ⅱ)** 取补事件:
+
+$$P\{\lvert X-5\rvert<4\}=1-P\{\lvert X-5\rvert\ge4\}\ge1-\frac18=\frac78=0.875 .$$
+
+**(Ⅲ)** 要求
+
+$$\frac{2}{\varepsilon^2}\le0.05\quad\Longrightarrow\quad\varepsilon^2\ge\frac{2}{0.05}=40\quad\Longrightarrow\quad\varepsilon\ge\sqrt{40}=2\sqrt{10}\approx6.325 .$$
+
+**验算**:$\dfrac{4}{\sqrt2}=2\sqrt2\approx2.83$ ,即偏差约为 $2.83$ 倍标准差,界应为 $\dfrac{1}{2.83^2}\approx0.125$ ✓,与(Ⅰ)一致。第(Ⅲ)问 $6.325/\sqrt2=4.47$ 倍标准差,界 $\dfrac{1}{4.47^2}=0.05$ ✓。
+
+**带走结论**:**"$\ge$ 给上界、$<$ 给下界"是这一点的铁律**。题干问"不超过/至少"时,先判断它落在哪个方向上,再决定是 $\frac{DX}{\varepsilon^2}$ 还是 $1-\frac{DX}{\varepsilon^2}$ 。
+
+> **关联** · 盘点 [§2.1 不等式与变形表](01-知识点盘点.md#user-content-21-不等式与变形表) | 上游 — | 下游 [点 2 题 2](03-点2-切比雪夫不等式.md#user-content-题-2--21二项分布上的估计) | 速查 [四 切比雪夫不等式](05-速查卡.md#user-content-四-切比雪夫不等式)
+
+---
+
+### 题 2 · 2.1:二项分布上的估计(★★☆)
+
+> 设 $X\sim B(1000,\ 0.5)$ 。用切比雪夫不等式估计 $P\{450 **关联** · 盘点 [§2.1 不等式与变形表](01-知识点盘点.md#user-content-21-不等式与变形表) | 上游 [点 2 题 1](03-点2-切比雪夫不等式.md#user-content-题-1--21直接套式与两个方向) | 下游 — | 速查 [四 切比雪夫不等式](05-速查卡.md#user-content-四-切比雪夫不等式)
+
+---
+
+### 题 3 · 2.2:反解样本量(★★☆)
+
+> 某试验中随机变量 $X$ 满足 $EX=20$ 、$DX=9$ 。独立重复观测 $n$ 次得 $\bar X$ 。问 $n$ **至少**取多少,才能保证
+>
+> $$P\{\lvert\bar X-20\rvert<1\}\ge0.9\ ?$$
+
+**怎么想**:被控变量不是 $X$ 而是 $\bar X$ ,所以第 2 步必须先把 $D\bar X$ 算出来。这是本点最容易漏的一步——直接拿 $DX=9$ 去套会得到一个荒谬的小 $n$ 。
+
+**解**:
+
+$\bar X$ 的期望与方差:
+
+$$E\bar X=20,\qquad D\bar X=\frac{DX}{n}=\frac{9}{n}.$$
+
+套切比雪夫不等式的下界形式,取 $\varepsilon=1$ :
+
+$$P\{\lvert\bar X-20\rvert<1\}\ge1-\frac{D\bar X}{1^2}=1-\frac9n .$$
+
+要求 $1-\dfrac9n\ge0.9$ ,即 $\dfrac9n\le0.1$ ,故
+
+$$n\ge90 .$$
+
+**至少取 $90$ 次**。
+
+**验算**:$n=90$ 时界恰为 $1-0.1=0.9$ ,取等;$n=89$ 时 $1-\frac{9}{89}=0.899<0.9$ ,不满足。所以 $90$ 确实是最小值 ✓。
+
+**对比一下真实需要**:若 $X$ 近似正态,$\lvert\bar X-20\rvert<1$ 即 $\lvert Z\rvert<\sqrt{n}/3$ ,要求 $2\Phi(\sqrt n/3)-1\ge0.9$ ,得 $\sqrt n/3\ge1.645$ ,$n\ge25$ 。**切比雪夫要 $90$ 次,正态只要 $25$ 次**——差了 $3.6$ 倍,这是"通用界"的代价。
+
+**带走结论**:**凡"反解 $n$ ",分母永远是 $D\bar X=\frac{\sigma^2}{n}$ 这一点不能错**。看到 $\sigma^2$ 直接当成 $DX$ 套进去,答案会小 $n$ 倍,是这类题最常见的错。另外答案要**向上取整**并验证 $n-1$ 不满足。
+
+> **关联** · 盘点 [§2.2 使用三步与四个陷阱](01-知识点盘点.md#user-content-22-使用三步与四个陷阱) | 上游 — | 下游 [点 2 题 4](03-点2-切比雪夫不等式.md#user-content-题-4--22平方和的均值也要用切比雪夫)、[点 2 题 5](03-点2-切比雪夫不等式.md#user-content-题-5--22两个变量的差) | 速查 [五 使用三步与四个陷阱](05-速查卡.md#user-content-五-使用三步与四个陷阱)
+
+---
+
+### 题 4 · 2.2:平方和的均值也要用切比雪夫(★★☆)
+
+> 设 $X_1,X_2,\cdots,X_n$ 独立同分布,$E\left(X_1^k\right)=\mu_k$ ($k=1,2,3,4$ 均存在)。令 $Y_i=X_i^2$ 。
+>
+> (Ⅰ)求 $EY_i$ 与 $DY_i$ ;
+> (Ⅱ)对任意 $\varepsilon>0$ ,用切比雪夫不等式给出
+>
+> $$P\left\{\left\lvert\frac1n\sum_{i=1}^{n}X_i^2-\mu_2\right\rvert\ge\varepsilon\right\}$$
+>
+> 的上界。
+
+**怎么想**:被控变量是 $\frac1n\sum X_i^2$ ,它的中心恰好是 $\mu_2$ (这正是题目写成 $\mu_2$ 的原因),所以只需算 $Y_i=X_i^2$ 的方差。**先换元再套式**,这是 2022·9 的核心动作。
+
+**解**:
+
+**(Ⅰ)**
+
+$$EY_i=E X_i^2=\mu_2,\qquad DY_i=E X_i^4-\left(E X_i^2\right)^2=\mu_4-\mu_2^2 .$$
+
+**(Ⅱ)** 记 $\bar Y=\dfrac1n\sum\limits_{i=1}^{n}X_i^2=\dfrac1n\sum\limits_{i=1}^{n}Y_i$ 。由 $X_i$ 独立知 $Y_i$ 独立,故
+
+$$E\bar Y=\mu_2,\qquad D\bar Y=\frac{DY_1}{n}=\frac{\mu_4-\mu_2^2}{n}.$$
+
+套切比雪夫不等式:
+
+$$P\left\{\left\lvert\frac1n\sum_{i=1}^{n}X_i^2-\mu_2\right\rvert\ge\varepsilon\right\}\le\frac{\mu_4-\mu_2^2}{n\,\varepsilon^2} .$$
+
+**验算**:取 $X_i\sim N(0,1)$ ,则 $\mu_2=1$ 、$\mu_4=3$ ,上界化为 $\frac{2}{n\varepsilon^2}$ 。而 $\sum X_i^2\sim\chi^2(n)$ ,$D(\chi^2(n))=2n$ ,$D\left(\frac1n\chi^2(n)\right)=\frac{2n}{n^2}=\frac2n$ ✓,与公式一致。
+
+**带走结论**:**2022·9 考的就是"换元 + 套式"两步**。看到"$\frac1n\sum X_i^2$ "要立刻想到:这不是 $\bar X$ ,它的方差分母也是 $n$ ,但分子是 $\mu_4-\mu_2^2$ 而不是 $\mu_2-\mu_1^2$ 。选项里凡是出现 $\mu_1$ 或 $n^2$ 的,直接排除。
+
+> **关联** · 盘点 [§2.2 使用三步与四个陷阱](01-知识点盘点.md#user-content-22-使用三步与四个陷阱) | 上游 [点 2 题 3](03-点2-切比雪夫不等式.md#user-content-题-3--22反解样本量) | 下游 [点 2 题 5](03-点2-切比雪夫不等式.md#user-content-题-5--22两个变量的差) | 速查 [五 使用三步与四个陷阱](05-速查卡.md#user-content-五-使用三步与四个陷阱)
+
+---
+
+### 题 5 · 2.2:两个变量的差(★★☆)
+
+> 设 $X,Y$ 满足 $EX=EY$ 、$DX=DY=1$ 、$\rho_{XY}=\dfrac12$ 。用切比雪夫不等式估计 $P\{\lvert X-Y\rvert\ge4\}$ 的上界。
+
+**怎么想**:被控变量是 $X-Y$ ,所以先把它的期望和方差算出来。期望用线性,方差**必须带协方差**——这一步用第 4 讲的双线性。
+
+**解**:
+
+$$E(X-Y)=EX-EY=0,$$
+
+$$D(X-Y)=DX+DY-2\operatorname{Cov}(X,Y)=1+1-2\cdot\frac12\cdot1\cdot1=2-1=1 .$$
+
+中心是 $0$ 、方差是 $1$ ,取 $\varepsilon=4$ :
+
+$$P\{\lvert X-Y\rvert\ge4\}\le\frac{D(X-Y)}{4^2}=\frac{1}{16} .$$
+
+**验算**:若误写成 $D(X-Y)=DX-DY=0$ ,就会得出"$P=0$ "这个荒谬结论(方差为 $0$ 意味着 $X-Y$ 恒为常数)。$D(X-Y)=DX+DY-2\operatorname{Cov}$ 里的**加号**是唯一不能记错的地方。
+
+**带走结论**:**"$\lvert X-Y\rvert$ 型"三步**:算 $E(X-Y)$ → 算 $D(X-Y)$ (带 $-2\operatorname{Cov}$ )→ 套式。$\rho>0$ 时 $D(X-Y)$ 变小、界变紧;$\rho=1$ 且同方差时 $D(X-Y)=0$ ,此时 $\lvert X-Y\rvert$ 恒等于 $0$ ,概率当然为 $0$ 。
+
+> **关联** · 盘点 [§2.2 使用三步与四个陷阱](01-知识点盘点.md#user-content-22-使用三步与四个陷阱) | 上游 [点 2 题 3](03-点2-切比雪夫不等式.md#user-content-题-3--22反解样本量)、[点 2 题 4](03-点2-切比雪夫不等式.md#user-content-题-4--22平方和的均值也要用切比雪夫) | 下游 — | 速查 [五 使用三步与四个陷阱](05-速查卡.md#user-content-五-使用三步与四个陷阱)
+
+---
diff --git a/基于考研的学习/数学一/在学练习/概率论-第5讲上-大数定律/04-点3-三条大数定律.md b/基于考研的学习/数学一/在学练习/概率论-第5讲上-大数定律/04-点3-三条大数定律.md
new file mode 100644
index 0000000..8feed09
--- /dev/null
+++ b/基于考研的学习/数学一/在学练习/概率论-第5讲上-大数定律/04-点3-三条大数定律.md
@@ -0,0 +1,316 @@
+---
+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 $0$ ):
+
+$$D\bar X=D\left(\frac1n\sum_{i=1}^{n}X_i\right)=\frac{1}{n^2}\left[\sum_{i=1}^{n}DX_i+2\sum_{i0$ ,
+
+$$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,$$
+
+期望**不存在**,辛钦定律同样用不了。
+
+**验算**:(B)与(D)是同一个毛病的两种写法——**密度/概率只要求"可积到 $1$ ",期望却要求"乘上 $\lvert x\rvert$ 之后仍可积"**。$\frac{1}{x^2}$ 型尾部的和(积分)收敛,但乘上 $x$ 之后变成 $\frac1x$ 型,就发散了。所以"分布合法"与"期望存在"之间隔着整整一阶。
+
+**带走结论**:**看到"根据辛钦大数定律……只要"这类题,一律按三步筛选项**:先删"只同期望不同分布"(A),再删"同分布但不保证期望存在"(B)(D),剩下那个"参数本身就等于期望"的具体分布(C)就是答案。这个套路在选择题里反复出现。
+
+> **关联** · 盘点 [§3.5 三条定律对照(高频辨析)](01-知识点盘点.md#user-content-35-三条定律对照高频辨析) | 上游 — | 下游 — | 速查 [十 三条定律对照](05-速查卡.md#user-content-十-三条定律对照)
+
+---
diff --git a/基于考研的学习/数学一/在学练习/概率论-第5讲上-大数定律/05-速查卡.md b/基于考研的学习/数学一/在学练习/概率论-第5讲上-大数定律/05-速查卡.md
new file mode 100644
index 0000000..be313f4
--- /dev/null
+++ b/基于考研的学习/数学一/在学练习/概率论-第5讲上-大数定律/05-速查卡.md
@@ -0,0 +1,161 @@
+---
+tags: [数学一, 在学练习, 概率论, 大数定律, 速查卡]
+专题: 概率论 第5讲上 · 大数定律(速查)
+日期: 2026-11-07
+关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
+---
+
+# 第5讲上 · 大数定律:速查卡
+
+考前十分钟只看这一页。
+
+## 一 依概率收敛的定义
+
+
+
+$$X_n\overset{P}{\longrightarrow}X\iff\forall\varepsilon>0,\ \lim_{n\to\infty}P\left\{\lvert X_n-X\rvert\ge\varepsilon\right\}=0 .$$
+
+读法:**先固定 $\varepsilon$ ,再让 $n\to\infty$ ,顺序不能换** 。顺序反过来就成了废话。
+
+等价写法:$\lim P\{\lvert X_n-X\rvert<\varepsilon\}=1$ 。定义里用"$\ge$ ",补事件就用"$<$ ",前后要一致。
+
+## 二 与数列极限的三条区别
+
+
+
+- 对象:确定数列 **vs** 随机变量序列;
+- "接近":每项都接近 **vs** 概率趋于 $1$ ,个别项可以离谱;
+- 是否要求 $EX_n\to EX$ :**不要求**。
+
+**反例模板(必背)**:$P\{X_n=n^2\}=\frac1n$ 、$P\{X_n=0\}=1-\frac1n$ 。则 $X_n\overset{P}{\to}0$ 而 $EX_n=n\to\infty$ 。
+
+口诀:**依概率收敛只控制"坏事件的概率",不控制"坏事件里的数值"**。
+
+## 三 四则运算与连续映射
+
+
+
+$$X_n\overset{P}{\to}a,\ Y_n\overset{P}{\to}b\ \Longrightarrow\ X_n\pm Y_n\overset{P}{\to}a\pm b,\ X_nY_n\overset{P}{\to}ab,\ \frac{X_n}{Y_n}\overset{P}{\to}\frac ab\ (b\ne0).$$
+
+连续映射:$g$ 在 $a$ 处连续 $\Rightarrow g(X_n)\overset{P}{\to}g(a)$ 。
+
+**三个定义域条件**:$\frac1{X_n}$ 需 $a\ne0$ ;$\sqrt{X_n}$ 需 $a>0$ ;$\ln X_n$ 需 $a>0$ 。
+
+**注意**:$X_n>0$ 恒成立只能推出 $a\ge0$ ,推不出 $a>0$ (严格不等式取极限会退化)。
+
+## 四 切比雪夫不等式
+
+
+
+$$P\left\{\lvert X-EX\rvert\ge\varepsilon\right\}\le\frac{DX}{\varepsilon^2},\qquad P\left\{\lvert X-EX\rvert<\varepsilon\right\}\ge1-\frac{DX}{\varepsilon^2}.$$
+
+| 问法 | 写法 |
+|---|---|
+| $\ge\varepsilon$ 上界 | $\dfrac{DX}{\varepsilon^2}$ |
+| $<\varepsilon$ 下界 | $1-\dfrac{DX}{\varepsilon^2}$ |
+| 反解 $\varepsilon$ | $\varepsilon\ge\sqrt{DX/\alpha}$ |
+| 反解 $n$ | 用 $D\bar X=\dfrac{\sigma^2}{n}$ |
+| 涉及 $\lvert X-Y\rvert$ | 先算 $D(X-Y)=DX+DY-2\operatorname{Cov}$ |
+
+标准差写法:$\varepsilon=k\sqrt{DX}$ 时上界就是 $\dfrac{1}{k^2}$ ($2$ 倍标准差 $\le\frac14$ ,$3$ 倍 $\le\frac19$ )。
+
+## 五 使用三步与四个陷阱
+
+
+
+```
+① 认形状:偏差 + 概率
+② 算"被控变量"的 E 与 D(不是原变量)
+③ 套表:≥ 给上界,< 给下界
+```
+
+- 它是**界**不是值,题目问"估计"才用;
+- 界算出来 $>1$ 不算错,只说明太粗;
+- $\varepsilon$ 与 $DX$ 必须同量纲;
+- **不能**求"$\ge$ "的下界或"$<$ "的上界。
+
+**换元提示**:控 $\frac1n\sum X_i^2$ 时先令 $Y_i=X_i^2$ ,$DY_i=\mu_4-\mu_2^2$ (2022·9 就是这一步)。
+
+## 六 三条定律的共同形式
+
+
+
+$$\frac1n\sum_{i=1}^{n}X_i-\frac1n\sum_{i=1}^{n}EX_i\overset{P}{\longrightarrow}0 .$$
+
+同分布时简写为 $\bar X\overset{P}{\to}\mu$ 。**结论共享,只有条件不同——所以只背条件。**
+
+推广句式:$\frac1n\sum g(X_i)$ 收敛到 $E\,g(X_1)$ (对 $\{g(X_i)\}$ 再用一次)。
+
+## 七 切比雪夫大数定律
+
+
+
+**条件**:两两不相关,$DX_i\le C$ 。**证明两行**:
+
+$$D\left(\frac1n\sum X_i\right)=\frac{1}{n^2}\sum DX_i\le\frac{C}{n}\to0,$$
+
+再对 $\bar X$ 用切比雪夫不等式,夹逼。
+
+**实际判据比"一致有界"更弱**:只要 $\dfrac{1}{n^2}\sum\limits_{k=1}^{n}DX_k\to0$ 即可。做题时直接算这个阶,别盯着"有界"。
+
+## 八 伯努利大数定律
+
+
+
+$$\frac{\nu_n}{n}\overset{P}{\longrightarrow}p .$$
+
+**意义**:频率估计概率的合法依据,第 6 讲相合性的源头。
+
+$D\left(\frac{\nu_n}{n}\right)=\dfrac{p(1-p)}{n}\le\dfrac{1}{4n}$ ,所以反解 $n$ 时分子最大是 $\frac14$ 。
+
+## 九 辛钦大数定律
+
+
+
+**条件**:独立、**同分布**、**期望存在**。结论:$\bar X\overset{P}{\to}\mu$ 。
+
+**不要方差**——这是与切比雪夫定律最大的反差。柯西分布(期望不存在)用不了;重尾分布(方差不存在)只有它能管。
+
+## 十 三条定律对照
+
+
+
+| 定律 | 独立 | 同分布 | 方差 | 期望 |
+|---|---|---|---|---|
+| 切比雪夫 | 两两不相关 | 不要求 | $DX_i\le C$ | 存在 |
+| 伯努利 | 独立($0$ -$1$ ) | 自动 | 自动 | 自动 |
+| 辛钦 | 独立 | **要求** | **不要求** | 存在 |
+
+**一句话**: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。
+
+**选择题筛选项套路**:只同期望不同分布 $\to$ 删;同分布但不保证期望存在(如 $P\{X=k\}\propto\frac{1}{k^2}$ 、柯西) $\to$ 删;剩下"参数即期望"的具体分布(泊松)$\to$ 选它。
+
+## 十一 最容易丢分的六处
+
+1. **反解 $n$ 时把 $DX$ 当成 $D\bar X$ 是错的** :分母必须是 $\frac{\sigma^2}{n}$ 。
+2. **"$\ge$ "与"$<$ "的方向用反**:前者只能给上界。
+3. **以为依概率收敛能推出期望收敛**:反例模板见第二节。
+4. **判断定律时不看同分布**:辛钦要同分布,切比雪夫不要,两者常被互换。
+5. **忽略 $\frac{1}{n^2}\sum DX_k$ 的阶**:只盯着"方差是否一致有界",会误判(系数乘 $n$ 的序列可能仍满足)。
+6. **答案不向上取整、不回验 $n-1$ 都不行** :反解出的 $n$ 必须是整数且验证边界。
+
+---
+
+## 回查
+
+
+| 想查什么 | 对应题目 |
+|---|---|
+| 一 依概率收敛的定义 | [点 1 题 1](02-点1-依概率收敛.md#user-content-题-1--11按定义验证依概率收敛) |
+| 二 与数列极限的三条区别 | [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) |
+| 三 四则运算与连续映射 | [点 1 题 3](02-点1-依概率收敛.md#user-content-题-3--13四则运算与连续映射) |
+| 四 切比雪夫不等式 | [点 2 题 1](03-点2-切比雪夫不等式.md#user-content-题-1--21直接套式与两个方向)、[点 2 题 2](03-点2-切比雪夫不等式.md#user-content-题-2--21二项分布上的估计) |
+| 五 使用三步与四个陷阱 | [点 2 题 3](03-点2-切比雪夫不等式.md#user-content-题-3--22反解样本量)、[点 2 题 4](03-点2-切比雪夫不等式.md#user-content-题-4--22平方和的均值也要用切比雪夫)、[点 2 题 5](03-点2-切比雪夫不等式.md#user-content-题-5--22两个变量的差) |
+| 六 三条定律的共同形式 | [点 3 题 1](04-点3-三条大数定律.md#user-content-题-1--31三个平均值都收敛到自己的期望) |
+| 七 切比雪夫大数定律 | [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)、[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) |
+| 八 伯努利大数定律 | [点 3 题 4](04-点3-三条大数定律.md#user-content-题-4--33用伯努利定律反解试验次数) |
+| 九 辛钦大数定律 | [点 3 题 5](04-点3-三条大数定律.md#user-content-题-5--34辛钦定律的条件够不够) |
+| 十 三条定律对照 | [点 3 题 6](04-点3-三条大数定律.md#user-content-题-6--35三条定律的条件对照) |
+
+
+整册入口:[知识点盘点](01-知识点盘点.md)、[点 1](02-点1-依概率收敛.md)、[点 2](03-点2-切比雪夫不等式.md)、[点 3](04-点3-三条大数定律.md)。
diff --git a/基于考研的学习/数学一/在学练习/概率论-第5讲上-大数定律/README.md b/基于考研的学习/数学一/在学练习/概率论-第5讲上-大数定律/README.md
new file mode 100644
index 0000000..1697166
--- /dev/null
+++ b/基于考研的学习/数学一/在学练习/概率论-第5讲上-大数定律/README.md
@@ -0,0 +1,102 @@
+---
+tags: [数学一, 在学练习, 概率论, 大数定律, README]
+专题: 概率论 第5讲上 · 大数定律
+日期: 2026-11-07
+状态: 知识点盘点 + 三点分册(知识点带题,14 题)
+关联笔记: ["[[01-知识点盘点]]", "[[05-速查卡]]"]
+---
+
+# 概率论 第5讲上 · 大数定律
+
+真题库第 19 章的前半。近十年 **3 题 14 分**里,只有 **2022·9 的 5 分**落在本册,但这一册是下册的地基:不理解"依概率收敛",中心极限定理的结论就只剩一个背不下来的公式。
+
+**为什么把第 5 讲拆成两册**:这一讲原本有三件事——**依概率收敛**(定义)、**大数定律**(趋于常数)、**中心极限定理**(趋于分布)。前两件是"收敛",第三件是"分布的极限",考法完全不同:上册全是"条件辨析 + 套不等式",下册全是"标准化 + 查表 + 反解 $n$ "。混在一册里,精力会被中间那堆定律的条件吃掉。
+
+## 这一版的结构
+
+| 层 | 文件 | 作用 | 读法 |
+|---|---|---|---|
+| **地图** | `01-知识点盘点.md` | 三节知识点 $+$ 覆盖对照 $+$ 相邻讲接口 | 先通读,之后只查不读 |
+| **练** | `02`—`04` 三个点 | 每点先列知识点(含参考仓库出处),再按知识点内部条目逐一对应出题,共 14 题 | 一天一个点,动手做 |
+| **查** | `05-速查卡.md` | 十组结论 $+$ 六处丢分点 $+$ 回查表 | 考前十分钟 |
+
+## 文件清单
+
+| 文件 | 内容 | 真题锚点 | 分值 | 题量 |
+|---|---|---|---|---|
+| `01-知识点盘点.md` | 三节盘点 $+$ 覆盖对照表 $+$ 相邻讲接口 | — | — | 0 |
+| `02-点1-依概率收敛.md` | 定义、与数列极限的三条区别、四则运算与连续映射 | 嵌在各题 | — | 3 |
+| `03-点2-切比雪夫不等式.md` | 不等式与变形表、三步与四陷阱、换元、反解 $n$ | **2022·9** | **5** | 5 |
+| `04-点3-三条大数定律.md` | 共同形式、切比雪夫、伯努利、辛钦、条件对照 | 2022·9 前置 | — | 6 |
+| `05-速查卡.md` | 十组结论 $+$ 六处丢分点 | — | — | 0 |
+
+合计 **14 题**。难度标准:★☆☆ 配 2—3 题,★★☆ 配 2—3 题,★★★ 配 1—2 题。
+
+## 建议的三轮读法
+
+**第一轮(30 分钟)**:`01` 通读 $+$ `02`。点 1 只解决一个词——"趋于"在概率里是什么意思。**第 2 题那个反例($X_n\overset{P}{\to}0$ 但 $EX_n\to\infty$ )必须亲手推一遍**,它是整讲的钥匙。
+
+**第二轮(1 小时)**:`03` 全做。这是唯一直接得分的部分,五道题要练到"读完题干就知道 $\varepsilon$ 取几、分母是 $DX$ 还是 $D\bar X$ "。
+
+**第三轮(1 小时)**:`04`。重点不是三条结论(它们完全一样),而是**三条条件**。第 3 题(系数序列辨析)与第 6 题(辛钦条件筛选)是两种固定的选择题形态,各刷一遍。
+
+时间不够时按这个顺序砍:`04` 题 2 的证明 $\to$ `02` 题 3 。**`03` 一道都不能砍**。
+
+## 双向链接怎么用
+
+| 粒度 | 在哪儿 | 什么时候用 |
+|---|---|---|
+| **册** | 本文件「文件清单」 | 决定今天做哪一个点 |
+| **知识点** | 各点文件开头的知识点标题(含参考仓库出处) | 做题卡住时回看判据 |
+| **题** | 每题末尾的「关联」行 $+$ 盘点 §0.4 $+$ 速查回查表 | 从知识点反查"它在哪几道题里练过" |
+
+每道题末尾固定一行:
+
+```
+> **关联** · 盘点 §X.Y | 上游 | 下游 | 速查
+```
+
+四个方向全部指向**具体题目的锚点**。
+
+## 锚点怎么写(Gitea 两条方向相反的规则)
+
+标题 id $=$ `user-content-` $+$ 标题原文小写化(保留字母数字汉字与下划线,空格变 `-`,**其余标点全部删除**)。
+
+| 链接类型 | 写法 |
+|---|---|
+| 同文件 | `#题-1--11按定义验证依概率收敛` |
+| 跨文件 | `03-点2-切比雪夫不等式.md#user-content-题-4--22平方和的均值也要用切比雪夫` |
+
+**标题里不许出现公式**:行内公式会让锚点漂移,脚本算不出来(本册所有题目标题已改为纯文字)。
+
+写完校验:
+
+```bash
+python .workbuddy/tools/md2pdf/gen_crosslinks.py 概率论-第5讲上-大数定律
+python .workbuddy/tools/md2pdf/check_md_links.py 概率论-第5讲上-大数定律
+python .workbuddy/tools/md2pdf/fix_gitea_math.py --check --scope=概率论-第5讲上-大数定律
+```
+
+## 与相邻讲的接口
+
+| 本讲内容 | 来源 / 去向 | 用法 |
+|---|---|---|
+| $EX$ 、$DX$ 、$\operatorname{Cov}$ 、$D\bar X$ | [第4讲](../概率论-第4讲-随机变量的数字特征/README.md) | 切比雪夫不等式的分子就是 $DX$ |
+| $D(X-Y)=DX+DY-2\operatorname{Cov}$ | [第4讲点5](../概率论-第4讲-随机变量的数字特征/06-点5-线性组合与最值.md) | 点 2 题 5 直接用它 |
+| 依概率收敛 → 依分布收敛 | [第5讲下](../概率论-第5讲下-中心极限定理/README.md) | 下册给的是更强的收敛,也是"切比雪夫界太粗"的解药 |
+| 频率 $\to$ 概率 | 第 6 讲(数理统计) | 矩估计的相合性、大样本区间估计的根据 |
+| 正态总体下 $\bar X$ 的精确分布 | 第 6 讲(数理统计) | $N(\mu,\sigma^2/n)$ 是下册 CLT 的精确版 |
+
+## 版本记录
+
+| 日期 | 变更 |
+|---|---|
+| 2026-10-16 | 建文件夹,按「考点手册 $+$ 试题 $+$ 解析」三件套共 4 个文件、16 题 |
+| 2026-11-07 | **拆为上下两册并整体重构**:本册只保留"依概率收敛 $+$ 切比雪夫 $+$ 三条大数定律",按线性代数第 6 讲的「知识点带题」格式重写为「盘点 $+$ 三点分册 $+$ 速查卡」共 5 个文件、14 题;CLT 与三种近似移到[第5讲下](../概率论-第5讲下-中心极限定理/README.md) |
+
+## 两条写作约定
+
+1. **不生成 PDF**。只出 Markdown,在网页端或 App 里看。
+2. **单个文件不超过 1.3 万字符**,超了就拆。
+
+题面数据除标注「真题骨架」外均为另设,只对齐考法。参考 `参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/` 与 `knowledge/3-digital-features/`(切比雪夫不等式在后者 §1.3)。
diff --git a/基于考研的学习/数学一/在学练习/概率论-第5讲下-中心极限定理/01-知识点盘点.md b/基于考研的学习/数学一/在学练习/概率论-第5讲下-中心极限定理/01-知识点盘点.md
new file mode 100644
index 0000000..d7e550d
--- /dev/null
+++ b/基于考研的学习/数学一/在学练习/概率论-第5讲下-中心极限定理/01-知识点盘点.md
@@ -0,0 +1,185 @@
+---
+tags: [数学一, 在学练习, 概率论, 中心极限定理, 泊松近似, 知识点盘点]
+专题: 概率论 第5讲下 · 中心极限定理
+日期: 2026-11-07
+状态: 知识点盘点(三节 + 覆盖对照表),配套 3 个点分册共 7 题
+关联笔记: ["[[README]]", "[[05-速查卡]]"]
+---
+
+# 第5讲下 · 中心极限定理:知识点盘点
+
+真题库第 19 章的后半。近十年 **3 题 14 分**里,有 **2020·8(4 分)与 2025·9(5 分)** 落在本册——**9 分**,比上册多。
+
+**与上册的分界**:上册说"$\bar X$ **会靠近** $\mu$ "(只说方向),本册说"$\bar X$ 靠近 $\mu$ 时**误差长什么样**"(给出形状——正态)。所以上册的工具是**不等式**,本册的工具是**分布函数 $\Phi$ 与查表**。
+
+**一句话定性**:中心极限定理 = **"大量独立小随机因素叠加,结果近似正态"**。它把"求和的分布"这个原本做不动的难题,换成了"标准化 + 查 $\Phi$ "这个三十秒的流程。
+
+## 0 三张表
+
+### 0.1 按分值排(时间紧就照这个顺序)
+
+| 优先 | 点 | 真题锚点 | 分值 | 文件 |
+|---|---|---|---|---|
+| 1 | 三种近似辨析(判据 + 泊松近似) | **2025·9** | **5** | `04` |
+| 2 | 列维-林德伯格定理(含标准化四步、反解 $n$ ) | **2020·8** | **4** $+$ 大题常用 | `02` |
+| 3 | 棣莫弗-拉普拉斯定理(二项的正态近似) | 十年未单考 | — | `03` |
+
+**注意**:`04` 排第一不是因为"更重要",而是因为**2025·9 那道题形式固定**——$B(n,p)$ 配小 $p$ ,一眼就该想到泊松。这种题不拿分纯属可惜。
+
+### 0.2 按依赖链排(文件顺序,也就是建议的阅读顺序)
+
+```
+02 列维-林德伯格 ← 一切的地基:标准化 + 查 Φ
+ ↓
+03 棣莫弗-拉普拉斯 ← 同一件事,只是对象换成二项
+ ↓
+04 三种近似辨析 ← 什么时候用正态、什么时候用泊松
+```
+
+**为什么 03 必须排在 02 之后**:棣莫弗-拉普拉斯就是列维-林德伯格在 $0$ -$1$ 变量上的特例($X_i\sim B(1,p)$ 时 $\sum X_i\sim B(n,p)$ )。先有一般的"和",才有特殊的"二项"。
+
+### 0.3 符号约定
+
+| 记号 | 含义 |
+|---|---|
+| $\Phi(x)$ | 标准正态分布函数,$\Phi(-x)=1-\Phi(x)$ |
+| $\overset{d}{\longrightarrow}$ | 依分布收敛 |
+| $\dot\sim$ | "近似服从" |
+| $z_\alpha$ | 上 $\alpha$ 分位点($z_{0.05}=1.645$ 、$z_{0.025}=1.96$ ) |
+| $\lambda$ | 泊松近似的参数,取 $\lambda=np$ |
+
+### 0.4 知识点与练习文件对照(按知识点粒度)
+
+
+| 盘点章节(知识点) | 对应题目 |
+|---|---|
+| §1.1 定理(独立同分布版) | [点 1 题 1](02-点1-列维-林德伯格定理.md#user-content-题-1--11和的正态近似) |
+| §1.2 标准化四步模板(考场流程) | [点 1 题 2](02-点1-列维-林德伯格定理.md#user-content-题-2--12四个步骤与两个方向) |
+| §1.3 反解样本量 | [点 1 题 3](02-点1-列维-林德伯格定理.md#user-content-题-3--13反解样本量) |
+| §2.1 定理(二项的正态近似) | [点 2 题 1](03-点2-棣莫弗-拉普拉斯定理.md#user-content-题-1--21把二项装进四步模板) |
+| §2.2 连续性修正 | [点 2 题 2](03-点2-棣莫弗-拉普拉斯定理.md#user-content-题-2--22修正前后差多少) |
+| §3.1 判据表 | [点 3 题 1](04-点3-三种近似辨析.md#user-content-题-1--31四个场景各选一种近似) |
+| §3.2 泊松近似的计算套路 | [点 3 题 2](04-点3-三种近似辨析.md#user-content-题-2--32泊松近似与正态近似的正面比较) |
+
+
+## 1 列维-林德伯格定理
+
+### 1.1 定理(独立同分布版)
+
+设 $X_1,X_2,\cdots$ 独立同分布,$EX_i=\mu$ 、$DX_i=\sigma^2\in(0,+\infty)$ ,则对任意实数 $x$ ,
+
+$$\lim_{n\to\infty}P\left\{\frac{\sum_{i=1}^{n}X_i-n\mu}{\sqrt n\,\sigma}\le x\right\}=\Phi(x).$$
+
+**四种等价写法**(考场上任选一种):
+
+$$\frac{\bar X-\mu}{\sigma/\sqrt n}\ \dot\sim\ N(0,1);\qquad \sum_{i=1}^{n}X_i\ \dot\sim\ N\left(n\mu,\ n\sigma^2\right);\qquad \bar X\ \dot\sim\ N\left(\mu,\ \frac{\sigma^2}{n}\right).$$
+
+**三个必须做对的地方**:
+
+1. 分子是"**和**减**和的期望**"(或"均值减均值的期望"),两者不能混;
+2. 分母是**标准差** $\sqrt n\sigma$ ,**不是方差** $n\sigma^2$ ——这是最高频的失分点;
+3. 结论是**近似**,$n$ 越大越准,但**永远不是精确等式**。
+
+> **与上册的关系**:大数定律说 $\bar X\to_P\mu$ ;CLT 说 $\bar X-\mu$ 的**量级是 $\frac{\sigma}{\sqrt n}$ 这一点** ,且这个缩放后的量近似正态。**大数定律管"会不会靠近",CLT 管"靠近得多快、误差多大"。**
+
+### 1.2 标准化四步模板(考场流程)
+
+```
+① 写出单个变量的 μ 与 σ²(不是和的!)
+② 算:EΣ = nμ,DΣ = nσ²,σ_Σ = √n·σ
+③ 标准化:z = (端点 − nμ) / (√n·σ)
+④ 查 Φ,注意单侧要 1−Φ
+```
+
+**单双侧的两种写法**:
+
+$$P\left\{\sum_{i=1}^{n}X_i\le a\right\}\approx\Phi(z_a),\qquad P\left\{\sum_{i=1}^{n}X_i\ge a\right\}\approx1-\Phi(z_a),\qquad z_a=\frac{a-n\mu}{\sqrt n\,\sigma}.$$
+
+对称区间:$P\left\{\left\lvert\sum-n\mu\right\rvert\le\varepsilon\right\}\approx2\Phi\left(\dfrac{\varepsilon}{\sqrt n\sigma}\right)-1$ 。
+
+### 1.3 反解样本量
+
+三步:**先化成 $\Phi(z)\ge\alpha$ 的形状 → 用分位数替换 $\Phi(z)$ → 解出 $n$ 并向上取整**。
+
+常用分位数(必须背):$\Phi(1)=0.8413$ 、$\Phi(1.645)=0.95$ 、$\Phi(1.96)=0.975$ 、$\Phi(2)=0.9772$ 、$\Phi(3)=0.9987$ 。
+
+> **解出的 $n$ 一定要回验 $n-1$ 对不对** 。因为"至少取多少"问的是整数,而开方运算容易在边界上差一。
+
+## 2 棣莫弗-拉普拉斯定理
+
+### 2.1 定理(二项的正态近似)
+
+设 $X\sim B(n,p)$ ,当 $np\ge5$ 且 $n(1-p)\ge5$ 时,
+
+$$\frac{X-np}{\sqrt{np(1-p)}}\ \dot\sim\ N(0,1),$$
+
+即
+
+$$P\{X\le k\}\approx\Phi\left(\frac{k-np}{\sqrt{np(1-p)}}\right).$$
+
+**它是列维-林德伯格的特例**:把 $X$ 看成 $n$ 个 $B(1,p)$ 之和,则 $\mu=p$ 、$\sigma^2=p(1-p)$ ,代入即得。
+
+### 2.2 连续性修正
+
+二项是**离散**的,正态是**连续**的,所以端点要"各让半步":
+
+$$P\{a\le X\le b\}\approx\Phi\left(\frac{b+0.5-np}{\sqrt{np(1-p)}}\right)-\Phi\left(\frac{a-0.5-np}{\sqrt{np(1-p)}}\right).$$
+
+**什么时候必须修正**:
+
+- $n$ 不够大($np<10$ 左右)时,修正能把误差从 $0.03$ 量级降到 $0.001$ 量级;
+- $n$ 很大($np>50$ )时,修正只影响第三位小数,可以不写。
+
+**"让半步"的方向**:求 $P\{X\le k\}$ 时把 $k$ 改成 $k+0.5$ ;求 $P\{X\ge k\}$ 时把 $k$ 改成 $k-0.5$ 。**永远朝"把区间放大"的方向让**,这样近似的误差才不会系统性偏一边。
+
+## 3 三种近似辨析
+
+### 3.1 判据表
+
+| 场景 | 用哪种 | 判据 | 典型长相 |
+|---|---|---|---|
+| 二项 $n$ 大、$p$ 居中 | **正态**(棣莫弗-拉普拉斯) | $np\ge5$ 且 $n(1-p)\ge5$ | $B(600,0.4)$ 求 $P\{X\le252\}$ |
+| 二项 $n$ 大、$p$ 很小 | **泊松** | $p\le0.05$ ,$np$ 适中 | $B(20,0.1)$ 、$B(200,0.02)$ |
+| 独立同分布求和、$n$ 大 | **列维-林德伯格** | $\mu$ 与 $\sigma^2$ 都存在 | 寿命、重量、误差累加 |
+| 单个变量求概率 | **都不用** | 样本量只有 $1$ | $X\sim E(1)$ 求 $P\{X>5\}$ |
+
+**两条判据的实质**:正态近似要的是"**对称、中间厚**",所以要求 $p$ 不能太靠近 $0$ 或 $1$ ;泊松近似要的是"**稀有事件**",所以要求 $p$ 很小而 $np$ 稳定。
+
+### 3.2 泊松近似的计算套路
+
+$X\sim B(n,p)$ ,取 $\lambda=np$ ,则
+
+$$P\{X=k\}\approx\frac{\lambda^k}{k!}e^{-\lambda},\qquad P\{X\le m\}\approx e^{-\lambda}\sum_{k=0}^{m}\frac{\lambda^k}{k!}.$$
+
+**三个现成结果($m$ 小时直接写)**:
+
+$$P\{X\le1\}=e^{-\lambda}(1+\lambda);\qquad P\{X\ge3\}=1-e^{-\lambda}\left(1+\lambda+\frac{\lambda^2}{2}\right);\qquad P\{X=0\}=e^{-\lambda}.$$
+
+> **用补事件的判据**:$m$ 比 $\lambda$ 小就用 $P\{X\le m\}$ 直接算;$m$ 比 $\lambda$ 大很多就用 $1-P\{X\le m'\}$ ,其中 $m'$ 反过来取小。这样加法项最少。
+
+## 4 覆盖对照(大纲 vs 真题 vs 参考仓库)
+
+| 知识点 | 大纲要求 | 十年真题 | 参考仓库 | 处置 |
+|---|---|---|---|---|
+| 列维-林德伯格定理 | **掌握** | 2020·8 | 有 | 点 1,1 题 |
+| 标准化四步与单双侧 | **掌握** | 2020·8 | 部分 | 点 1,1 题 |
+| 反解样本量 $n$ | **掌握** | 未单独考 | 有 | 点 1,1 题 |
+| 棣莫弗-拉普拉斯定理 | **掌握** | 未单考 | 有 | 点 2,1 题 |
+| 连续性修正 | 了解 | 未考 | 无(自编) | 点 2,1 题 |
+| 正态与泊松的判据 | **掌握** | 2025·9 | 有 | 点 3,1 题 |
+| 泊松近似的计算 | **掌握** | 2025·9 | 有 | 点 3,1 题 |
+
+**判断**:7 个知识点里,大纲"掌握"的 6 个全部配题。"连续性修正"参考仓库未涉及,属自编题——但它是理解"二项与正态差在哪"的最好切口,值得一练。
+
+## 5 与相邻讲的接口
+
+| 本讲内容 | 来源 / 去向 | 用法 |
+|---|---|---|
+| $EX$ 、$DX$ 、$D\bar X=\sigma^2/n$ | [第4讲](../概率论-第4讲-随机变量的数字特征/README.md) | 标准化四步的第 ② 步 |
+| 依概率收敛(上册) | [第5讲上](../概率论-第5讲上-大数定律/README.md) | CLT 比它强:依分布收敛 |
+| 切比雪夫给的"粗界" | [第5讲上 点2](../概率论-第5讲上-大数定律/03-点2-切比雪夫不等式.md) | 同一道题用 CLT 能省 5 倍样本量 |
+| $\Phi$ 的查表与分位数 | 第 6 讲(数理统计) | 区间估计、假设检验的临界值全从这里来 |
+| 正态总体下 $\bar X$ 的精确分布 | 第 6 讲(数理统计) | $N(\mu,\sigma^2/n)$ 是 CLT 的精确版(仅正态总体成立) |
+| 二项的正态近似 | 第 6 讲(数理统计) | 比例的假设检验用同一套标准化 |
+
+> **跨讲一句话**:本册把"求和"变成了"正态",第 6 讲则反过来——**已知正态,去反推参数落在哪儿**(区间估计)或**参数该不该被否定**(假设检验)。
diff --git a/基于考研的学习/数学一/在学练习/概率论-第5讲下-中心极限定理/02-点1-列维-林德伯格定理.md b/基于考研的学习/数学一/在学练习/概率论-第5讲下-中心极限定理/02-点1-列维-林德伯格定理.md
new file mode 100644
index 0000000..81f4677
--- /dev/null
+++ b/基于考研的学习/数学一/在学练习/概率论-第5讲下-中心极限定理/02-点1-列维-林德伯格定理.md
@@ -0,0 +1,177 @@
+---
+tags: [数学一, 在学练习, 概率论, 中心极限定理, 列维-林德伯格]
+专题: 概率论 第5讲下 · 点1 列维-林德伯格定理
+日期: 2026-11-07
+状态: 知识点带题(1.1 定理、1.2 标准化四步、1.3 反解 n,共 3 题)
+关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
+---
+
+# 点 1 列维-林德伯格定理
+
+> **2020·8 单选 4 分**,而且是所有大题最后一问的通用工具|重要度 ★★★
+> 依赖:第 4 讲的 $EX$ 、$DX$ 、$D\bar X$ ,以及上册的依概率收敛。盘点对应:§1 全节。
+
+**组织原则**:这一点只有一个动作——**标准化**。三题分别对应"顺着算(给 $n$ 求概率)"、"两个方向都算(双侧与单侧)"、"倒着算(给概率求 $n$ )"。**把第 2 题的四个步骤练成肌肉记忆,第 1、3 题就都是它的变形。** 难度标准:★☆☆ 一题、★★☆ 一题、★★★ 一题。
+
+## 知识点 1.1 定理(出处:[知识章 §3.1](../../../../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))
+
+设 $X_1,X_2,\cdots$ 独立同分布,$EX_i=\mu$ 、$DX_i=\sigma^2\in(0,+\infty)$ ,则
+
+$$\lim_{n\to\infty}P\left\{\frac{\sum_{i=1}^{n}X_i-n\mu}{\sqrt n\,\sigma}\le x\right\}=\Phi(x).$$
+
+**三种等价写法**(考场上挑顺手的用):
+
+$$\frac{\bar X-\mu}{\sigma/\sqrt n}\ \dot\sim\ N(0,1);\qquad \sum_{i=1}^{n}X_i\ \dot\sim\ N\left(n\mu,\ n\sigma^2\right);\qquad \bar X\ \dot\sim\ N\left(\mu,\ \frac{\sigma^2}{n}\right).$$
+
+**三个高频错点**:
+
+1. 分子里减的是**期望**($n\mu$ 或 $\mu$ ),不是 $0$ ;
+2. 分母是**标准差** $\sqrt n\,\sigma$ ,不是方差 $n\sigma^2$ ;
+3. 结论是**近似**,写"$=$ "严格来说算错,写"$\approx$ "或"$\dot\sim$ "。
+
+## 知识点 1.2 标准化四步模板(出处:[知识章 §3.1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/law-of-large-numbers-and-central-limit-theorem.tex))
+
+```
+① 写出单个变量的 μ 与 σ²(不是和的)
+② EΣ = nμ,DΣ = nσ²,σ_Σ = √n·σ
+③ 标准化 z = (端点 − nμ) / (√n·σ)
+④ 查 Φ:≤ 用 Φ;≥ 用 1−Φ;对称区间用 2Φ−1
+```
+
+| 问法 | 近似式 |
+|---|---|
+| $P\left\{\sum\le a\right\}$ | $\Phi\left(\dfrac{a-n\mu}{\sqrt n\sigma}\right)$ |
+| $P\left\{\sum\ge a\right\}$ | $1-\Phi\left(\dfrac{a-n\mu}{\sqrt n\sigma}\right)$ |
+| $P\left\{\left\lvert\sum-n\mu\right\rvert\le\varepsilon\right\}$ | $2\Phi\left(\dfrac{\varepsilon}{\sqrt n\sigma}\right)-1$ |
+| $P\left\{\bar X\le a\right\}$ | $\Phi\left(\dfrac{a-\mu}{\sigma/\sqrt n}\right)$ |
+
+**必背分位数**:$\Phi(1)=0.8413$ 、$\Phi(1.645)=0.95$ 、$\Phi(1.96)=0.975$ 、$\Phi(2)=0.9772$ 、$\Phi(3)=0.9987$ 。
+
+## 知识点 1.3 反解样本量(出处:[知识章 §3.1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/law-of-large-numbers-and-central-limit-theorem.tex))
+
+三步:**化成 $\Phi(z)\ge\alpha$ → 把 $\Phi(z)$ 换成 $\alpha$ 对应的分位数 → 解出 $n$ 并向上取整**。
+
+> **开根号的那一步最易错**:$z$ 里含 $\sqrt n$ ,解方程时会得到一个关于 $\sqrt n$ 的二次不等式。先把 $t=\sqrt n$ 换元,解出 $t$ 再平方,比直接硬解稳。
+>
+> **解完必须回验 $n-1$ 才作数** :问的是"至少",差一就是错。
+
+---
+
+## 题目(按知识点顺序对应)
+
+### 题 1 · 1.1:和的正态近似(★☆☆)
+
+> 设 $X_1,X_2,\cdots,X_{900}$ 独立同分布,$P\{X_i=0\}=P\{X_i=1\}=\dfrac12$ 。用中心极限定理求 $P\left\{\sum\limits_{i=1}^{900}X_i\le465\right\}$ 的近似值(用 $\Phi$ 表示)。
+
+**怎么想**:$0$ -$1$ 变量的和就是二项分布,但本题给的是"独立同分布",所以直接按列维-林德伯格走四步即可。**尤其注意方差取 $\frac14$ 而不是 $\frac12$ 这一点**。
+
+**解**:
+
+单个变量:$\mu=EX_i=\dfrac12$ ,$DX_i=\dfrac12\cdot\dfrac12=\dfrac14$ 。
+
+和:$n=900$ ,
+
+$$E\sum=900\times\frac12=450,\qquad D\sum=900\times\frac14=225,\qquad \sigma_{\sum}=\sqrt{225}=15 .$$
+
+标准化(端点 $465$ ):
+
+$$z=\frac{465-450}{15}=1 .$$
+
+故
+
+$$P\left\{\sum_{i=1}^{900}X_i\le465\right\}\approx\Phi(1)=0.8413 .$$
+
+**验算**:用二项写法核对——$\sum\sim B(900,0.5)$ ,$np=450$ 、$np(1-p)=225$ ,与上面一致 ✓。再核 $\sigma$ :$\sqrt{225}=15$ ,而 $\frac{465-450}{15}=1$ ,正好一个标准差,覆盖率约 $0.841$ ,合理。
+
+**带走结论**:**$0$ -$1$ 变量两条路都通**——写二项用棣莫弗-拉普拉斯,或用列维-林德伯格。两条路的 $\mu$ 与 $\sigma^2$ 必须一致($p$ 与 $p(1-p)$ ),**只要这里对得上,后面就不会错**。
+
+> **关联** · 盘点 [§1.1 定理(独立同分布版)](01-知识点盘点.md#user-content-11-定理独立同分布版) | 上游 — | 下游 — | 速查 [一 列维-林德伯格定理](05-速查卡.md#user-content-一-列维林德伯格定理)
+
+---
+
+### 题 2 · 1.2:四个步骤与两个方向(★★☆)
+
+> 设 $X_1,X_2,\cdots,X_{48}$ 独立同分布,均服从 $U(0,1)$ 。
+>
+> (Ⅰ)求 $E\left(\sum X_i\right)$ 、$D\left(\sum X_i\right)$ 与 $\sigma_{\sum}$ ;
+> (Ⅱ)用中心极限定理求 $P\left\{22<\sum\limits_{i=1}^{48}X_i<26\right\}$ 的近似值;
+> (Ⅲ)求 $P\left\{\sum\limits_{i=1}^{48}X_i>27\right\}$ 的近似值。
+
+**怎么想**:$U(0,1)$ 的 $\mu=\frac12$ 、$\sigma^2=\frac{1}{12}$ ,两问都是"端点减均值除以标准差",区别只在于(Ⅲ)是**单侧**,要用 $1-\Phi$ 。
+
+**解**:
+
+**(Ⅰ)** 单个变量 $\mu=\dfrac12$ 、$\sigma^2=\dfrac{1}{12}$ 。$n=48$ :
+
+$$E\sum=48\times\frac12=24,\qquad D\sum=48\times\frac{1}{12}=4,\qquad \sigma_{\sum}=2 .$$
+
+**(Ⅱ)** 两端标准化:
+
+$$z_1=\frac{22-24}{2}=-1,\qquad z_2=\frac{26-24}{2}=1 .$$
+
+$$P\left\{22<\sum<26\right\}\approx\Phi(1)-\Phi(-1)=2\Phi(1)-1=2(0.8413)-1=0.6826 .$$
+
+**(Ⅲ)** 单侧,注意用 $1-\Phi$ :
+
+$$z=\frac{27-24}{2}=1.5,$$
+
+$$P\left\{\sum>27\right\}\approx1-\Phi(1.5)=1-0.9332=0.0668 .$$
+
+**验算**:(Ⅱ)得到的 $0.6826$ 正好是"一个标准差区间"的覆盖率,与正态的 $68.3\%$ 对上;(Ⅲ)的 $6.68\%$ 约等于单侧 $1.5$ 个标准差的尾部,与 $\Phi(1.5)=0.9332$ 互补 ✓。
+
+**一个容易漏的细节**:$\sum X_i$ 的支撑是 $(0,48)$ ,本题的三个端点($22$ 、$26$ 、$27$ )都离边界很远,近似才可靠。**若问 $P\{\sum<1\}$ 或 $P\{\sum>47\}$ ,CLT 会给出严重错误的结果**——那里是分布尾部,正态近似不适用(这时应该回到 $U(0,1)$ 求和的精确公式)。
+
+**带走结论**:**单侧一律 $1-\Phi$ 、双侧一律 $2\Phi-1$ 这两条** ,且双侧要用"对称性"把两个 $\Phi$ 合成一个。另外**近似只在"中间段"可靠**,题干给的端点若是极端值,就要怀疑出题人想考的是精确算法。
+
+> **关联** · 盘点 [§1.2 标准化四步模板(考场流程)](01-知识点盘点.md#user-content-12-标准化四步模板考场流程) | 上游 — | 下游 — | 速查 [二 标准化四步](05-速查卡.md#user-content-二-标准化四步)
+
+---
+
+### 题 3 · 1.3:反解样本量(★★★)
+
+> 某型号零件的寿命 $X_i$ 独立同分布,平均寿命 $100$ 小时、标准差 $10$ 小时。求最小的 $n$ ,使
+>
+> $$P\left\{\sum_{i=1}^{n}X_i\ge10000\right\}\ge0.95 .$$
+>
+> (已知 $\Phi(1.645)=0.95$ )
+
+**怎么想**:这是"倒着算"。先把概率写成 $\Phi(z)$ 的形状,再把 $\Phi(z)\ge0.95$ 换成 $z\ge1.645$ ,最后解关于 $\sqrt n$ 的二次不等式。**注意不等号方向:$\sum$ 越大越容易超过 $10000$ ,所以 $n$ 增大时概率上升。**
+
+**解**:
+
+$n$ 个零件的总寿命:$E\sum=100n$ ,$D\sum=100n$ ,$\sigma_{\sum}=10\sqrt n$ 。
+
+先写成标准形状:
+
+$$P\left\{\sum_{i=1}^{n}X_i\ge10000\right\}=1-\Phi\left(\frac{10000-100n}{10\sqrt n}\right)=\Phi\left(\frac{100n-10000}{10\sqrt n}\right).$$
+
+(最后一步用了 $\Phi(-x)=1-\Phi(x)$ ,**这一步是本类题的关键**:把"$\ge$ "翻成"$\le$ "才能直接用 $\Phi$ 。)
+
+要求它 $\ge0.95$ ,等价于
+
+$$\frac{100n-10000}{10\sqrt n}\ge1.645\quad\Longrightarrow\quad\frac{10(n-100)}{\sqrt n}\ge1.645 .$$
+
+令 $t=\sqrt n>0$ ,得二次不等式
+
+$$10t^2-1.645t-1000\ge0,$$
+
+解得
+
+$$t\ge\frac{1.645+\sqrt{1.645^2+40000}}{20}=\frac{1.645+\sqrt{40002.71}}{20}=\frac{1.645+200.007}{20}=10.083 .$$
+
+故 $n\ge t^2=101.66$ ,取整数
+
+$$n=102 .$$
+
+**回验**:
+
+- $n=102$ :$z=\dfrac{100\times102-10000}{10\sqrt{102}}=\dfrac{200}{100.995}=1.980$ ,$\Phi(1.980)=0.976\ge0.95$ ✓;
+- $n=101$ :$z=\dfrac{100}{100.499}=0.995$ ,$\Phi(0.995)=0.840<0.95$ ✗。
+
+所以 $n=102$ 确实是最小值。
+
+**带走结论**:**三个动作一个都不能少**——翻方向($1-\Phi$ 变 $\Phi$ )、换元 $t=\sqrt n$ 、回验 $n-1$ 。另外注意在 $n=100$ 附近 $z$ 几乎是线性增长的(每多一件零件,$z$ 约涨 $1$ ),所以**差一件就差出 $0.14$ 的概率**,边界必须一次算准。
+
+> **关联** · 盘点 [§1.3 反解样本量](01-知识点盘点.md#user-content-13-反解样本量) | 上游 — | 下游 — | 速查 [三 反解样本量](05-速查卡.md#user-content-三-反解样本量)
+
+---
diff --git a/基于考研的学习/数学一/在学练习/概率论-第5讲下-中心极限定理/03-点2-棣莫弗-拉普拉斯定理.md b/基于考研的学习/数学一/在学练习/概率论-第5讲下-中心极限定理/03-点2-棣莫弗-拉普拉斯定理.md
new file mode 100644
index 0000000..cd5fdee
--- /dev/null
+++ b/基于考研的学习/数学一/在学练习/概率论-第5讲下-中心极限定理/03-点2-棣莫弗-拉普拉斯定理.md
@@ -0,0 +1,124 @@
+---
+tags: [数学一, 在学练习, 概率论, 中心极限定理, 棣莫弗-拉普拉斯, 连续性修正]
+专题: 概率论 第5讲下 · 点2 棣莫弗-拉普拉斯定理
+日期: 2026-11-07
+状态: 知识点带题(2.1 二项的正态近似、2.2 连续性修正,共 2 题)
+关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
+---
+
+# 点 2 棣莫弗-拉普拉斯定理
+
+> 大纲"掌握"、十年未单独出题,但**它是列维-林德伯格在 $0$ -$1$ 变量上的特例,也是第 6 讲比例检验的雏形**|重要度 ★★☆
+> 依赖:点 1 的标准化四步。盘点对应:§2 全节。
+
+**组织原则**:本点只有两件事——**把二项当成"$n$ 个 $0$ -$1$ 之和"来标准化**(2.1),以及**离散与连续对不齐时怎么补半步**(2.2)。第 2 题的"修正前后对比"是本点唯一需要动脑的地方,但它能一次性解释清楚"为什么二项需要修正、而列维-林德伯格不需要"。难度标准:两题都是 ★★☆。
+
+## 知识点 2.1 定理(出处:[知识章 §3.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/law-of-large-numbers-and-central-limit-theorem.tex))
+
+设 $X\sim B(n,p)$ ,当 $np\ge5$ 且 $n(1-p)\ge5$ 时,
+
+$$\frac{X-np}{\sqrt{np(1-p)}}\ \dot\sim\ N(0,1),$$
+
+即
+
+$$P\{X\le k\}\approx\Phi\left(\frac{k-np}{\sqrt{np(1-p)}}\right).$$
+
+**它就是列维-林德伯格**:把 $X$ 拆成 $n$ 个 $B(1,p)$ 之和,则 $\mu=p$ 、$\sigma^2=p(1-p)$ 、$n\mu=np$ 、$n\sigma^2=np(1-p)$ ,代入即得。**所以不需要单独背,只要记住"$\mu=p$ 、$\sigma^2=p(1-p)$ "这条对应。**
+
+**适用范围**:$np\ge5$ 且 $n(1-p)\ge5$ 。$p$ 太靠近 $0$ 或 $1$ 时分布严重偏斜,正态近似会明显失真——这时改用泊松([点 3](04-点3-三种近似辨析.md))。
+
+## 知识点 2.2 连续性修正(出处:参考仓库未单列,按二项与正态"离散 vs 连续"的差异补写)
+
+二项是**离散**的,正态是**连续**的。$P\{X\le k\}$ 在二项里是"$k$ 这一点的全部质量"也算进去,而在正态里"$\le k$ "只到 $k$ 这一条线,**两者差了半格**。所以端点要各让半步:
+
+$$P\{a\le X\le b\}\approx\Phi\left(\frac{b+0.5-np}{\sqrt{np(1-p)}}\right)-\Phi\left(\frac{a-0.5-np}{\sqrt{np(1-p)}}\right);$$
+
+$$P\{X\le k\}\approx\Phi\left(\frac{k+0.5-np}{\sqrt{np(1-p)}}\right);\qquad P\{X\ge k\}\approx1-\Phi\left(\frac{k-0.5-np}{\sqrt{np(1-p)}}\right).$$
+
+**让半步的方向**:永远朝"**把区间放大**"的方向让——$\le k$ 就把 $k$ 改成 $k+0.5$ ,$\ge k$ 就把 $k$ 改成 $k-0.5$ 。这样误差才不系统性偏一边。
+
+**什么时候必须修正**:$np<10$ 左右时必须(能把误差从 $0.03$ 量级降到 $0.001$ 量级);$np>50$ 时可以不写(只影响第三位小数)。
+
+---
+
+## 题目(按知识点顺序对应)
+
+### 题 1 · 2.1:把二项装进四步模板(★★☆)
+
+> 设 $X\sim B(600,\ 0.4)$ 。用棣莫弗-拉普拉斯定理求:
+>
+> (Ⅰ)$P\{X\le252\}$ 的近似值;
+> (Ⅱ)$P\{228\le X\le252\}$ 的近似值;
+> (Ⅲ)说明 $P\{X\le252\}$ 与"$600$ 个 $B(1,0.4)$ 之和 $\le252$ "的列维-林德伯格近似为什么必然相同。
+
+**怎么想**:先算 $np$ 、$np(1-p)$ 、$\sqrt{np(1-p)}$ 三个量,之后都是减法除法。(Ⅱ)是双侧对称区间($228$ 与 $252$ 关于 $240$ 对称),可以用 $2\Phi-1$ 。
+
+**解**:
+
+三个基本量:
+
+$$np=600\times0.4=240,\qquad np(1-p)=240\times0.6=144,\qquad \sqrt{144}=12 .$$
+
+**(Ⅰ)**
+
+$$z=\frac{252-240}{12}=1\quad\Longrightarrow\quad P\{X\le252\}\approx\Phi(1)=0.8413 .$$
+
+**(Ⅱ)** $228$ 与 $252$ 关于均值 $240$ 对称(各差 $12$ ,即各差一个标准差),故
+
+$$P\{228\le X\le252\}\approx\Phi(1)-\Phi(-1)=2\Phi(1)-1=0.6826 .$$
+
+**(Ⅲ)** 因为 $X=\sum\limits_{i=1}^{600}X_i$ 其中 $X_i\sim B(1,0.4)$ 独立。对 $X_i$ :$\mu=0.4$ 、$\sigma^2=0.4\times0.6=0.24$ 。于是
+
+$$n\mu=600\times0.4=240,\qquad n\sigma^2=600\times0.24=144,\qquad \sqrt{n\sigma^2}=12,$$
+
+与(Ⅰ)里的三个量**逐个相同**。两条定理是同一件事的两种写法。
+
+**验算**:$\sqrt{600\times0.24}=\sqrt{144}=12$ ✓;与 $np(1-p)=240\times0.6=144$ 一致 ✓。
+
+**带走结论**:**二项题先算 $np$ 与 $np(1-p)$ ,其余全是除法**。另外记牢"$B(n,p)$ 的均值是 $np$ 、方差是 $np(1-p)$ "——这里如果把方差写成 $np$ (那是泊松),后面所有 $z$ 都会错得离谱(本题分母会变成 $\sqrt{240}\approx15.5$ ,$z$ 变成 $0.775$ ,答案从 $0.841$ 变成 $0.781$ )。
+
+> **关联** · 盘点 [§2.1 定理(二项的正态近似)](01-知识点盘点.md#user-content-21-定理二项的正态近似) | 上游 — | 下游 — | 速查 [四 棣莫弗-拉普拉斯定理](05-速查卡.md#user-content-四-棣莫弗拉普拉斯定理)
+
+---
+
+### 题 2 · 2.2:修正前后差多少(★★☆)
+
+> 设 $X\sim B(30,\ 0.4)$ 。
+>
+> (Ⅰ)不作连续性修正,用棣莫弗-拉普拉斯定理估计 $P\{X\le15\}$ ;
+> (Ⅱ)作连续性修正后重新估计;
+> (Ⅲ)已知精确值 $P\{X\le15\}=0.9029$ ,比较两种近似,并说明 $n$ 多大时可以不修正。
+
+**怎么想**:三个基本量:$np=12$ 、$np(1-p)=7.2$ 、$\sqrt{7.2}\approx2.683$ 。修正的关键就是把端点 $15$ 改成 $15.5$ 。
+
+**解**:
+
+$$np=30\times0.4=12,\qquad np(1-p)=12\times0.6=7.2,\qquad \sqrt{7.2}\approx2.6833 .$$
+
+**(Ⅰ)不修正**:
+
+$$z=\frac{15-12}{2.6833}=1.118\quad\Longrightarrow\quad P\{X\le15\}\approx\Phi(1.118)\approx0.868 .$$
+
+**(Ⅱ)修正**($k=15$ 改成 $15.5$ ):
+
+$$z=\frac{15.5-12}{2.6833}=1.305\quad\Longrightarrow\quad P\{X\le15\}\approx\Phi(1.305)\approx0.904 .$$
+
+**(Ⅲ)比较**:
+
+| 算法 | 结果 | 与精确值之差 |
+|---|---|---|
+| 精确 | $0.9029$ | — |
+| 不修正 | $0.868$ | $-0.035$ |
+| 修正后 | $0.904$ | $+0.001$ |
+
+**修正把误差缩小了 $35$ 倍**。原因很直观:二项分布的每一根柱子宽 $1$ 、中心在整数上,而正态密度是连续的;把 $15$ 换成 $15.5$ 相当于把"$15$ 这根柱子的右半边"也划进区域,正好补齐了那半格。
+
+**$n$ 多大可以不修正**:判据是 $\dfrac{0.5}{\sqrt{np(1-p)}}$ 足够小。本题 $\dfrac{0.5}{2.683}=0.186$ ,占了整整 $0.19$ 个标准差,影响巨大;若换成 $B(600,0.4)$ ($\sqrt{np(1-p)}=12$ ),$\dfrac{0.5}{12}=0.042$ 个标准差,只改变 $z$ 的第二位小数,概率差约 $1\%$ 。经验线:$np(1-p)>50$ (即 $\sqrt{np(1-p)}>7$ )时可省。
+
+**验算**:用修正公式算另一侧 $P\{X\ge16\}$ 应为 $1-0.904=0.096$ ,而精确值 $1-0.9029=0.0971$ ✓,仍在千分位内。
+
+**带走结论**:**修正不是"更精确的公式",而是"把离散的质量对齐到连续区间"** 。判断要不要修正只看 $\frac{0.5}{\sqrt{np(1-p)}}$ 的大小:超过 $0.1$ 就必须修正,小于 $0.05$ 可以不管。**列维-林德伯格不需要修正**,因为它的对象本来就是连续型之和。
+
+> **关联** · 盘点 [§2.2 连续性修正](01-知识点盘点.md#user-content-22-连续性修正) | 上游 — | 下游 — | 速查 [五 连续性修正](05-速查卡.md#user-content-五-连续性修正)
+
+---
diff --git a/基于考研的学习/数学一/在学练习/概率论-第5讲下-中心极限定理/04-点3-三种近似辨析.md b/基于考研的学习/数学一/在学练习/概率论-第5讲下-中心极限定理/04-点3-三种近似辨析.md
new file mode 100644
index 0000000..921dcd8
--- /dev/null
+++ b/基于考研的学习/数学一/在学练习/概率论-第5讲下-中心极限定理/04-点3-三种近似辨析.md
@@ -0,0 +1,128 @@
+---
+tags: [数学一, 在学练习, 概率论, 中心极限定理, 泊松近似, 二项分布]
+专题: 概率论 第5讲下 · 点3 三种近似辨析
+日期: 2026-11-07
+状态: 知识点带题(3.1 判据表、3.2 泊松近似的计算,共 2 题)
+关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
+---
+
+# 点 3 三种近似辨析
+
+> **2025·9 单选 5 分**,而且是"认出编号就得分"的送分题;但选错方向就一分不得|重要度 ★★★
+> 依赖:点 1、点 2 的标准化。盘点对应:§3 全节。
+
+**组织原则**:本点考的不是计算,是**判断**——"这道题该用正态还是泊松"。两题分工明确:第 1 题只做判断(四个场景,不动手算),第 2 题只做计算(2025·9 的原型)。**先把判据背成条件反射,再练那三步算术。** 难度标准:两题都是 ★★☆。
+
+## 知识点 3.1 判据表(出处:[知识章 §3.2](../../../../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))
+
+| 场景 | 用哪种 | 判据 | 典型长相 |
+|---|---|---|---|
+| 二项、$n$ 大、$p$ 居中 | **正态**(棣莫弗-拉普拉斯) | $np\ge5$ **且** $n(1-p)\ge5$ | $B(600,0.4)$ 求 $P\{X\le252\}$ |
+| 二项、$n$ 大、$p$ 很小 | **泊松** | $p\le0.05$ 且 $np$ 适中 | $B(20,0.1)$ 、$B(200,0.02)$ |
+| 独立同分布求和、$n$ 大 | **列维-林德伯格** | $\mu$ 与 $\sigma^2$ 都存在 | 寿命、重量、误差累加 |
+| 单个变量求概率 | **都不用** | 样本量只有 $1$ | $X\sim E(1)$ 求 $P\{X>5\}$ |
+
+**两条判据的实质**:
+
+- 正态近似要的是"**对称、中间厚**",所以 $p$ 不能太靠近 $0$ 或 $1$ ;
+- 泊松近似要的是"**稀有事件、次数可数**",所以 $p$ 很小而 $np$ 稳定在有限值。
+
+> **一句口诀**:**$np$ 大而 $p$ 居中 $\to$ 正态;$np$ 小或 $p$ 极小 $\to$ 泊松;只有一个变量 $\to$ 谁也别用。**
+
+## 知识点 3.2 泊松近似的计算套路(出处:[知识章 §3.2](../../../../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))
+
+$X\sim B(n,p)$ ,取 $\lambda=np$ ,则
+
+$$P\{X=k\}\approx\frac{\lambda^k}{k!}e^{-\lambda},\qquad P\{X\le m\}\approx e^{-\lambda}\sum_{k=0}^{m}\frac{\lambda^k}{k!}.$$
+
+**三个现成结果($m$ 小时直接写)**:
+
+$$P\{X=0\}=e^{-\lambda};\qquad P\{X\le1\}=e^{-\lambda}(1+\lambda);\qquad P\{X\ge3\}=1-e^{-\lambda}\left(1+\lambda+\frac{\lambda^2}{2}\right).$$
+
+**用正算还是补事件**:$m<\lambda$ 时直接算 $P\{X\le m\}$ ;$m$ 比 $\lambda$ 大很多时改成 $1-P\{X\le m'\}$ ,让加法项变少。
+
+---
+
+## 题目(按知识点顺序对应)
+
+### 题 1 · 3.1:四个场景,各选一种近似(★★☆)
+
+> 下列四个问题,分别指出该用哪一种近似(正态 / 泊松 / 都不适用),并写出判据:
+>
+> (Ⅰ)$X\sim B(600,\ 0.4)$ ,求 $P\{X\le252\}$ ;
+> (Ⅱ)$T\sim B(20,\ 0.1)$ ,求 $P\{T\le1\}$ ;
+> (Ⅲ)$T\sim B(200,\ 0.02)$ ,求 $P\{T\ge3\}$ ;
+> (Ⅳ)$X\sim E(1)$ ,求 $P\{X>5\}$ 。
+
+**怎么想**:每题先算 $np$ 和 $n(1-p)$ 两个数——它们是判据的全部。**要注意(Ⅱ)与(Ⅲ)的 $n$ 差十倍,但结论一样,因为它们坏在同一个地方:$np$ 太小。**
+
+**解**:
+
+**(Ⅰ)** $np=600\times0.4=240\ge5$ ,$n(1-p)=600\times0.6=360\ge5$ 。**用正态(棣莫弗-拉普拉斯)**。
+
+标准化:$\mu=240$ ,$\sigma=\sqrt{240\times0.6}=\sqrt{144}=12$ ,$z=\dfrac{252-240}{12}=1$ 。
+
+**(Ⅱ)** $np=20\times0.1=2<5$ 。**不满足正态近似的门槛,用泊松**,$\lambda=np=2$ 。
+
+$$P\{T\le1\}\approx e^{-2}(1+2)=3e^{-2}\approx0.406 .$$
+
+**(Ⅲ)** $np=200\times0.02=4<5$ ,且 $p=0.02\le0.05$ 。**用泊松**,$\lambda=4$ 。这里 $m=3$ 接近 $\lambda$ ,直接算与补事件都行;用补事件项更少:
+
+$$P\{T\ge3\}=1-P\{T\le2\}\approx1-e^{-4}\left(1+4+\frac{16}{2}\right)=1-13e^{-4}\approx0.762 .$$
+
+**(Ⅳ)** 只有一个变量,$n=1$ 。**两种近似都不适用**,直接积分:
+
+$$P\{X>5\}=\int_{5}^{+\infty}e^{-x}\,\mathrm{d}x=e^{-5}\approx0.0067 .$$
+
+**对照一下(Ⅰ)与(Ⅲ)为什么不能互换**:若把(Ⅲ)硬套正态,$\mu=4$ 、$\sigma=\sqrt{200\times0.02\times0.98}=\sqrt{3.92}\approx1.98$ ,修正后得 $1-\Phi\left(\frac{2.5-4}{1.98}\right)=\Phi(0.758)\approx0.776$ ,与精确值 $0.7649$ 差 $0.011$ ;而泊松给的 $0.762$ 只差 $0.003$ ✓。反之把(Ⅰ)套泊松,$\lambda=240$ 时 $P\{X\le252\}$ 要加 $253$ 项,根本算不出来。
+
+**带走结论**:**判据只有一行:$np$ 与 $n(1-p)$ 是否都 $\ge5$ ,就这一条** 。都满足 $\to$ 正态;有一个不满足 $\to$ 看 $p$ 是否很小,是则泊松;$n=1$ $\to$ 老实积分。**2025·9 那一类题($B(1,0.1)$ 求和 $20$ 次)属于"$np$ 小"这一类,答案是泊松。**
+
+> **关联** · 盘点 [§3.1 判据表](01-知识点盘点.md#user-content-31-判据表) | 上游 — | 下游 — | 速查 [六 三种近似的判据](05-速查卡.md#user-content-六-三种近似的判据)
+
+---
+
+### 题 2 · 3.2:泊松近似与正态近似的正面比较(★★☆)
+
+> 设 $X_1,X_2,\cdots,X_{20}$ 独立同分布,均服从 $B(1,\ 0.1)$ ,令 $T=\sum\limits_{i=1}^{20}X_i$ 。
+>
+> (Ⅰ)用泊松近似求 $P\{T\le1\}$ ;
+> (Ⅱ)若改用正态近似(作连续性修正),结果是多少?
+> (Ⅲ)已知精确值 $P\{T\le1\}=0.3917$ ,比较两者并说明原因。
+
+**怎么想**:$T\sim B(20,0.1)$ ,$np=2$ 太小,正态的门槛没过,所以泊松才是正解。第(Ⅱ)问是"故意用错方法",目的是看清错在哪。
+
+**解**:
+
+**(Ⅰ)** $\lambda=np=20\times0.1=2$ ,
+
+$$P\{T\le1\}\approx e^{-2}\left(1+2\right)=3e^{-2}=\frac{3}{e^2}\approx0.406 .$$
+
+**(Ⅱ)** $\mu=2$ ,$\sigma=\sqrt{20\times0.1\times0.9}=\sqrt{1.8}\approx1.3416$ 。作修正($k=1$ 改成 $1.5$ ):
+
+$$P\{T\le1\}\approx\Phi\left(\frac{1.5-2}{1.3416}\right)=\Phi(-0.373)\approx0.354 .$$
+
+若**不**修正($k=1$ 直接用):
+
+$$\Phi\left(\frac{1-2}{1.3416}\right)=\Phi(-0.745)\approx0.228,$$
+
+偏差到 $0.16$ ,错得离谱。
+
+**(Ⅲ)比较**:
+
+| 算法 | 结果 | 与精确值之差 |
+|---|---|---|
+| 精确 | $0.3917$ | — |
+| 泊松 | $0.406$ | $+0.014$ |
+| 正态(修正) | $0.354$ | $-0.038$ |
+| 正态(不修正) | $0.228$ | $-0.164$ |
+
+**泊松胜,而且赢得不多不少正好一档。** 原因是 $B(20,0.1)$ 严重**右偏**:$P\{T=0\}=0.9^{20}=0.1216$ 这一根柱子特别高,而正态是对称的,无论如何调不正。
+
+**为什么泊松能行**:泊松分布 $\lambda=2$ 也是右偏的,而且偏的方向、幅度与 $B(20,0.1)$ 几乎一样——$P\{T=0\}=0.9^{20}=0.1216$ 对 $e^{-2}=0.1353$ ,同一量级。**泊松近似不是"用另一个分布凑",而是"用同一个极限形状"**(二项在 $n\to\infty$ 、$np\to\lambda$ 时本来就有这个极限)。
+
+**带走结论**:**看到 $np<5$ 的二项,一律泊松,别犹豫**。而且**泊松近似不需要连续性修正**——它本身就是离散分布,与二项的格子天然对齐。这条结论能省掉考场上一半的犹豫。
+
+> **关联** · 盘点 [§3.2 泊松近似的计算套路](01-知识点盘点.md#user-content-32-泊松近似的计算套路) | 上游 — | 下游 — | 速查 [七 泊松近似的计算](05-速查卡.md#user-content-七-泊松近似的计算)
+
+---
diff --git a/基于考研的学习/数学一/在学练习/概率论-第5讲下-中心极限定理/05-速查卡.md b/基于考研的学习/数学一/在学练习/概率论-第5讲下-中心极限定理/05-速查卡.md
new file mode 100644
index 0000000..a4c2e54
--- /dev/null
+++ b/基于考研的学习/数学一/在学练习/概率论-第5讲下-中心极限定理/05-速查卡.md
@@ -0,0 +1,120 @@
+---
+tags: [数学一, 在学练习, 概率论, 中心极限定理, 速查卡]
+专题: 概率论 第5讲下 · 中心极限定理(速查)
+日期: 2026-11-07
+关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
+---
+
+# 第5讲下 · 中心极限定理:速查卡
+
+考前十分钟只看这一页。
+
+## 一 列维-林德伯格定理
+
+
+
+$$\frac{\sum_{i=1}^{n}X_i-n\mu}{\sqrt n\,\sigma}\ \dot\sim\ N(0,1).$$
+
+三种等价写法:$\dfrac{\bar X-\mu}{\sigma/\sqrt n}$ 标准化;$\sum\dot\sim N(n\mu,\ n\sigma^2)$ ;$\bar X\dot\sim N\left(\mu,\ \dfrac{\sigma^2}{n}\right)$ 。
+
+**两个必错点**:分子减的是**期望**;分母是**标准差** $\sqrt n\sigma$ ,不是方差。
+
+## 二 标准化四步
+
+
+
+```
+① 单个变量的 μ 与 σ²(不是和的)
+② EΣ = nμ,DΣ = nσ²,σ_Σ = √n·σ
+③ z = (端点 − nμ) / (√n·σ)
+④ ≤ 用 Φ;≥ 用 1−Φ;对称区间用 2Φ−1
+```
+
+**分位数必背**:$\Phi(1)=0.8413$ 、$\Phi(1.645)=0.95$ 、$\Phi(1.96)=0.975$ 、$\Phi(2)=0.9772$ 、$\Phi(3)=0.9987$ 。
+
+**只在中间段可靠**:端点落在分布的极端尾部时(如 $U(0,1)$ 求和的 $P\{\sum<1\}$ ),CLT 会给出严重错误的结果。
+
+## 三 反解样本量
+
+
+
+```
+① 把概率写成 Φ(z) 的形状(注意 1−Φ 要翻方向)
+② Φ(z) ≥ α → z ≥ 分位数
+③ 换元 t = √n,解二次不等式
+④ 向上取整,回验 n−1
+```
+
+**最易漏的一步**:$P\{\sum\ge a\}=1-\Phi(z)=\Phi(-z)$ ,**先把"$\ge$ "翻成"$\le$ "再解**,否则不等号方向反了。
+
+## 四 棣莫弗-拉普拉斯定理
+
+
+
+$$X\sim B(n,p),\ np\ge5,\ n(1-p)\ge5\ \Longrightarrow\ \frac{X-np}{\sqrt{np(1-p)}}\ \dot\sim\ N(0,1).$$
+
+**它就是列维-林德伯格**,只要记住对应关系:$\mu=p$ 、$\sigma^2=p(1-p)$ 。
+
+**别把方差写成 $np$ 那一个** :$np$ 是**泊松**的方差,二项的方差是 $np(1-p)$ ,两者差一个 $(1-p)$ ,足以让答案整体走偏。
+
+## 五 连续性修正
+
+
+
+$$P\{X\le k\}\approx\Phi\left(\frac{k+0.5-np}{\sqrt{np(1-p)}}\right);\qquad P\{X\ge k\}\approx1-\Phi\left(\frac{k-0.5-np}{\sqrt{np(1-p)}}\right).$$
+
+**永远朝放大区间的方向让半步**。判据看 $\dfrac{0.5}{\sqrt{np(1-p)}}$ :$>0.1$ 必须修正,$<0.05$ 可省(即 $np(1-p)>50$ )。
+
+**泊松近似不需要修正**——它本身是离散的,与二项的格子天然对齐。
+
+## 六 三种近似的判据
+
+
+
+| 场景 | 用哪种 | 判据 |
+|---|---|---|
+| 二项、$p$ 居中 | **正态** | $np\ge5$ 且 $n(1-p)\ge5$ |
+| 二项、$p$ 极小 | **泊松** | $p\le0.05$ 且 $np$ 适中 |
+| 独立同分布求和 | **列维-林德伯格** | $\mu,\sigma^2$ 都存在 |
+| 单个变量 | **都不用** | $n=1$ ,老实积分 |
+
+**口诀**:$np$ 大而 $p$ 居中 $\to$ 正态;$np$ 小或 $p$ 极小 $\to$ 泊松;只有一个变量 $\to$ 谁也别用。
+
+## 七 泊松近似的计算
+
+
+
+$$P\{X=k\}\approx\frac{\lambda^k}{k!}e^{-\lambda},\qquad \lambda=np .$$
+
+**三个现成结果**:
+
+$$P\{X=0\}=e^{-\lambda};\qquad P\{X\le1\}=e^{-\lambda}(1+\lambda);\qquad P\{X\ge3\}=1-e^{-\lambda}\left(1+\lambda+\frac{\lambda^2}{2}\right).$$
+
+**正算还是补事件**:$m<\lambda$ 直接算;$m$ 远大于 $\lambda$ 用 $1-P\{X\le m'\}$ ,让加法项最少。
+
+## 八 最容易丢分的六处
+
+1. **分母误用方差 $n\sigma^2$ 这一项** :应为标准差 $\sqrt n\,\sigma$ 。
+2. **单侧忘写 $1-\Phi$ 的补偿** :$P\{\sum\ge a\}$ 一律 $1-\Phi$ 。
+3. **把二项的方差写成 $np$ 是错的** :应为 $np(1-p)$ 。
+4. **$np<5$ 还硬套正态**:$B(20,0.1)$ 这类必须泊松(2025·9)。
+5. **修正方向让反**:$\le k$ 要加 $0.5$ ,不是减。
+6. **反解 $n$ 不回验 $n-1$ 就会错一格** :边界差一件就差 $0.14$ 的概率。
+
+---
+
+## 回查
+
+
+| 想查什么 | 对应题目 |
+|---|---|
+| 一 列维-林德伯格定理 | [点 1 题 1](02-点1-列维-林德伯格定理.md#user-content-题-1--11和的正态近似) |
+| 二 标准化四步 | [点 1 题 2](02-点1-列维-林德伯格定理.md#user-content-题-2--12四个步骤与两个方向) |
+| 三 反解样本量 | [点 1 题 3](02-点1-列维-林德伯格定理.md#user-content-题-3--13反解样本量) |
+| 四 棣莫弗-拉普拉斯定理 | [点 2 题 1](03-点2-棣莫弗-拉普拉斯定理.md#user-content-题-1--21把二项装进四步模板) |
+| 五 连续性修正 | [点 2 题 2](03-点2-棣莫弗-拉普拉斯定理.md#user-content-题-2--22修正前后差多少) |
+| 六 三种近似的判据 | [点 3 题 1](04-点3-三种近似辨析.md#user-content-题-1--31四个场景各选一种近似) |
+| 七 泊松近似的计算 | [点 3 题 2](04-点3-三种近似辨析.md#user-content-题-2--32泊松近似与正态近似的正面比较) |
+
+
+整册入口:[知识点盘点](01-知识点盘点.md)、[点 1](02-点1-列维-林德伯格定理.md)、[点 2](03-点2-棣莫弗-拉普拉斯定理.md)、[点 3](04-点3-三种近似辨析.md)、[第5讲上](../概率论-第5讲上-大数定律/README.md)。
diff --git a/基于考研的学习/数学一/在学练习/概率论-第5讲下-中心极限定理/README.md b/基于考研的学习/数学一/在学练习/概率论-第5讲下-中心极限定理/README.md
new file mode 100644
index 0000000..fadf30c
--- /dev/null
+++ b/基于考研的学习/数学一/在学练习/概率论-第5讲下-中心极限定理/README.md
@@ -0,0 +1,105 @@
+---
+tags: [数学一, 在学练习, 概率论, 中心极限定理, README]
+专题: 概率论 第5讲下 · 中心极限定理
+日期: 2026-11-07
+状态: 知识点盘点 + 三点分册(知识点带题,7 题)
+关联笔记: ["[[01-知识点盘点]]", "[[05-速查卡]]"]
+---
+
+# 概率论 第5讲下 · 中心极限定理
+
+真题库第 19 章的后半。近十年 **3 题 14 分**里有 **9 分**落在本册:**2020·8(列维-林德伯格,4 分)$+$ 2025·9(泊松近似,5 分)**。
+
+**与上册的分界**:上册说"$\bar X$ **会靠近** $\mu$ "(只给方向),本册说"$\bar X$ 靠近 $\mu$ 时**误差长什么样**"(给出形状——正态)。上册的工具是**不等式**,本册的工具是**分布函数 $\Phi$ 与查表**。
+
+**一句话定性**:中心极限定理 = **"大量独立小随机因素叠加,结果近似正态"**。它把"求和分布"这个原本做不动的难题,换成"标准化 $+$ 查 $\Phi$ "这个三十秒流程。
+
+## 这一版的结构
+
+| 层 | 文件 | 作用 | 读法 |
+|---|---|---|---|
+| **地图** | `01-知识点盘点.md` | 三节知识点 $+$ 覆盖对照 $+$ 相邻讲接口 | 先通读,之后只查不读 |
+| **练** | `02`—`04` 三个点 | 每点先列知识点(含参考仓库出处),再按知识点内部条目逐一对应出题,共 7 题 | 一天一个点,动手做 |
+| **查** | `05-速查卡.md` | 七组结论 $+$ 六处丢分点 $+$ 回查表 | 考前十分钟 |
+
+## 文件清单
+
+| 文件 | 内容 | 真题锚点 | 分值 | 题量 |
+|---|---|---|---|---|
+| `01-知识点盘点.md` | 三节盘点 $+$ 覆盖对照表 $+$ 相邻讲接口 | — | — | 0 |
+| `02-点1-列维-林德伯格定理.md` | 定理、标准化四步、单双侧、反解 $n$ | **2020·8** | **4** | 3 |
+| `03-点2-棣莫弗-拉普拉斯定理.md` | 二项的正态近似、连续性修正 | 十年未单考 | — | 2 |
+| `04-点3-三种近似辨析.md` | 判据表、泊松近似的计算与比较 | **2025·9** | **5** | 2 |
+| `05-速查卡.md` | 七组结论 $+$ 六处丢分点 | — | — | 0 |
+
+合计 **7 题**。难度标准:★☆☆ 一题、★★☆ 五题、★★★ 一题。
+
+## 建议的三轮读法
+
+**第一轮(40 分钟)**:`01` 通读 $+$ `02` 题 1、题 2。**标准化四步必须写到不用想**——$\mu$ 与 $\sigma^2$ 取单个的还是和的、分母开不开根,这两处一旦错,后面每题都错。
+
+**第二轮(40 分钟)**:`02` 题 3 $+$ `03`。反解题与二项近似是同一套动作的两种外壳;`03` 的题 2(修正前后对比)会顺带解释清楚"为什么二项要修正、列维-林德伯格不用"。
+
+**第三轮(30 分钟)**:`04`。这是本册唯一"纯判断"的点,2025·9 就是它。**判据记成一句话:$np$ 与 $n(1-p)$ 是否都 $\ge5$ ,仅此一条** 。
+
+时间不够时按这个顺序砍:`03` 题 2 $\to$ `02` 题 3 。**`04` 与 `02` 题 1 不能砍**。
+
+## 双向链接怎么用
+
+| 粒度 | 在哪儿 | 什么时候用 |
+|---|---|---|
+| **册** | 本文件「文件清单」 | 决定今天做哪一个点 |
+| **知识点** | 各点文件开头的知识点标题(含参考仓库出处) | 做题卡住时回看判据 |
+| **题** | 每题末尾的「关联」行 $+$ 盘点 §0.4 $+$ 速查回查表 | 从知识点反查"它在哪几道题里练过" |
+
+每道题末尾固定一行:
+
+```
+> **关联** · 盘点 §X.Y | 上游 | 下游 | 速查
+```
+
+四个方向全部指向**具体题目的锚点**。
+
+## 锚点怎么写(Gitea 两条方向相反的规则)
+
+标题 id $=$ `user-content-` $+$ 标题原文小写化(保留字母数字汉字与下划线,空格变 `-`,**其余标点全部删除**)。
+
+| 链接类型 | 写法 |
+|---|---|
+| 同文件 | `#题-1--11和的正态近似` |
+| 跨文件 | `04-点3-三种近似辨析.md#user-content-题-2--32泊松近似与正态近似的正面比较` |
+
+**标题里不许出现公式**:行内公式会让锚点漂移,脚本算不出来(本册所有题目标题已改为纯文字)。
+
+写完校验:
+
+```bash
+python .workbuddy/tools/md2pdf/gen_crosslinks.py 概率论-第5讲下-中心极限定理
+python .workbuddy/tools/md2pdf/check_md_links.py 概率论-第5讲下-中心极限定理
+python .workbuddy/tools/md2pdf/fix_gitea_math.py --check --scope=概率论-第5讲下-中心极限定理
+```
+
+## 与相邻讲的接口
+
+| 本讲内容 | 来源 / 去向 | 用法 |
+|---|---|---|
+| $EX$ 、$DX$ 、$D\bar X=\sigma^2/n$ | [第4讲](../概率论-第4讲-随机变量的数字特征/README.md) | 标准化四步的第 ② 步 |
+| 依概率收敛 | [第5讲上](../概率论-第5讲上-大数定律/README.md) | CLT 比它强:依分布收敛 |
+| 切比雪夫给的"粗界" | [第5讲上 点2](../概率论-第5讲上-大数定律/03-点2-切比雪夫不等式.md) | 同一道题用 CLT 能省 $5$ 倍样本量($50000$ vs $9604$ ) |
+| $\Phi$ 的查表与分位数 | 第 6 讲(数理统计) | 区间估计、假设检验的临界值全从这里来 |
+| 正态总体下 $\bar X$ 的精确分布 | 第 6 讲(数理统计) | $N(\mu,\sigma^2/n)$ 是 CLT 的精确版(仅正态总体成立) |
+| 二项的正态近似 | 第 6 讲(数理统计) | 比例的假设检验用同一套标准化 |
+
+## 版本记录
+
+| 日期 | 变更 |
+|---|---|
+| 2026-10-16 | 与上册合并在「概率论-第5讲-大数定律与中心极限定理」,按三件套共 4 个文件、16 题 |
+| 2026-11-07 | **从原第 5 讲拆出并整体重构**:本册只保留"中心极限定理 $+$ 棣莫弗-拉普拉斯 $+$ 三种近似",按线性代数第 6 讲的「知识点带题」格式重写为「盘点 $+$ 三点分册 $+$ 速查卡」共 5 个文件、7 题;依概率收敛与三条大数定律留在[第5讲上](../概率论-第5讲上-大数定律/README.md) |
+
+## 两条写作约定
+
+1. **不生成 PDF**。只出 Markdown,在网页端或 App 里看。
+2. **单个文件不超过 1.3 万字符**,超了就拆。
+
+题面数据除标注「真题骨架」外均为另设,只对齐考法。参考 `参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/` 。
diff --git a/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/01-考点手册.md b/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/01-考点手册.md
index 123b204..f4eeecc 100644
--- a/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/01-考点手册.md
+++ b/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/01-考点手册.md
@@ -857,4 +857,4 @@ $$\beta=\Phi(-0.04)-\Phi(-3.96)\approx(1-\Phi(0.04))-0\approx1-0.516=0.484.$$
---
> **下一步**:开做 [[02-试题]](18 题,约 80 分钟)。做完对 [[03-解析]],把错题回挂 [[做题本]]。
-> **跨讲关联**:本讲的**切比雪夫不等式与三大数定律**在第 5 讲 [[概率论-第5讲-大数定律与中心极限定理/01-考点手册|第5讲考点手册]];**数字特征($E,D,\operatorname{Cov}$ )** 见第 4 讲(待补)。
+> **跨讲关联**:本讲的**切比雪夫不等式与三大数定律**见 [第5讲上 大数定律](../概率论-第5讲上-大数定律/README.md),**中心极限定理与泊松近似**见 [第5讲下](../概率论-第5讲下-中心极限定理/README.md);**数字特征($E,D,\operatorname{Cov}$ )** 见 [第4讲](../概率论-第4讲-随机变量的数字特征/README.md)。
diff --git a/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/README.md b/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/README.md
index e2d5a2a..7a12afa 100644
--- a/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/README.md
+++ b/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/README.md
@@ -74,6 +74,6 @@ Markdown 内的 LaTeX 公式经 **KaTeX 服务端渲染**后打印为 A4 PDF,
## 六、关联
- 上层:[[总览]]
-- 相邻讲次:[[概率论-第5讲-大数定律与中心极限定理/README]](大数定律与中心极限定理)
+- 相邻讲次:[第5讲上 大数定律](../概率论-第5讲上-大数定律/README.md)(依概率收敛 / 切比雪夫 / 三条大数定律)、[第5讲下 中心极限定理](../概率论-第5讲下-中心极限定理/README.md)(CLT / 三种近似)
- 上游待补:数字特征(第 4 讲,**尚未建文件夹**)——本讲的切比雪夫、$\chi^2$ 、方差性质都依赖它
- 错题:[[做题本]]
diff --git a/基于考研的学习/数学一/模拟卷/第一次模拟-数学一/README.md b/基于考研的学习/数学一/模拟卷/第一次模拟-数学一/README.md
index 8786825..a02e53e 100644
--- a/基于考研的学习/数学一/模拟卷/第一次模拟-数学一/README.md
+++ b/基于考研的学习/数学一/模拟卷/第一次模拟-数学一/README.md
@@ -58,7 +58,7 @@ tags: [数学一, 模拟卷, 说明]
- 级数 → [高等数学-无穷级数](../../在学练习/高等数学-无穷级数/README.md)(8 个考点、42 题)
- 线代 → [第 2 讲 矩阵](../../在学练习/线性代数-第2讲-矩阵/README.md) | [第 3 讲 向量](../../在学练习/线性代数-第3讲-向量/README.md) | [第 4 讲 方程组](../../在学练习/线性代数-第4讲-线性方程组/README.md) | [第 5 讲 特征值](../../在学练习/线性代数-第5讲-特征值与特征向量/README.md) | [第 6 讲 二次型](../../在学练习/线性代数-第6讲-二次型/README.md)
-- 概率 → [第 3 讲 多维随机变量](../../在学练习/概率论-第3讲-多维随机变量及其分布/README.md) | [第 5 讲 大数定律](../../在学练习/概率论-第5讲-大数定律与中心极限定理/README.md) | [第 6 讲 数理统计](../../在学练习/概率论-第6讲-数理统计/README.md)
+- 概率 → [第 3 讲 多维随机变量](../../在学练习/概率论-第3讲-多维随机变量及其分布/README.md) | [第 4 讲 数字特征](../../在学练习/概率论-第4讲-随机变量的数字特征/README.md) | [第 5 讲上 大数定律](../../在学练习/概率论-第5讲上-大数定律/README.md) | [第 5 讲下 中心极限定理](../../在学练习/概率论-第5讲下-中心极限定理/README.md) | [第 6 讲 数理统计](../../在学练习/概率论-第6讲-数理统计/README.md)
## 命题来源声明
diff --git a/基于考研的学习/数学一/知识点构建/19-背诵版-概率论-第5讲-大数定律与中心极限定理.md b/基于考研的学习/数学一/知识点构建/19-背诵版-概率论-第5讲-大数定律与中心极限定理.md
index 6540b53..6a2e503 100644
--- a/基于考研的学习/数学一/知识点构建/19-背诵版-概率论-第5讲-大数定律与中心极限定理.md
+++ b/基于考研的学习/数学一/知识点构建/19-背诵版-概率论-第5讲-大数定律与中心极限定理.md
@@ -3,8 +3,8 @@ tags: [数学一, 知识点构建, 背诵版, 概率论, 大数定律, 中心极
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]]"]
+来源: 在学练习/概率论-第5讲上-大数定律、概率论-第5讲下-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讲上-大数定律/README]]", "[[../在学练习/概率论-第5讲下-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
@@ -120,4 +120,4 @@ $$P\{|X-\mu|\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2}\qquad\text{等价}
---
-> **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`。
+> **回查入口**:在学练习 [第5讲上 大数定律](../在学练习/概率论-第5讲上-大数定律/README.md)(依概率收敛 / 切比雪夫 / 三条大数定律)、[第5讲下 中心极限定理](../在学练习/概率论-第5讲下-中心极限定理/README.md)(CLT / 棣莫弗-拉普拉斯 / 三种近似);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`。
diff --git a/基于考研的学习/数学一/知识点构建/README.md b/基于考研的学习/数学一/知识点构建/README.md
index 68e6f57..60e934a 100644
--- a/基于考研的学习/数学一/知识点构建/README.md
+++ b/基于考研的学习/数学一/知识点构建/README.md
@@ -57,8 +57,8 @@ tags: [数学一, 知识点构建, 背诵版, README, MOC]
| 15 | [[15-背诵版-线性代数-第6讲-二次型]] | [[../在学练习/线性代数-第6讲-二次型/README\|线性代数-第6讲-二次型]] | `linear-algebra/knowledge+exercise/6-quadratic-form` | 30 | ✅ 已出 |
| 16 | [[16-背诵版-概率论-第1-2讲-随机事件与一维随机变量]] | 暂无(概率补全,第1+2讲合并) | `probability-theory-and-mathematical-statistics/knowledge+exercise/1-random-events-and-probability` + `2-random-variables-and-distribution(一维部分)` | 31 | ✅ 已出 |
| 17 | [[17-背诵版-概率论-第3讲-多维随机变量及其分布]] | [[../在学练习/概率论-第3讲-多维随机变量及其分布/README\|概率论-第3讲-多维随机变量及其分布]] | `probability-theory-and-mathematical-statistics/knowledge+exercise/2、3` | 19 | ✅ 已出 |
-| 18 | [[18-背诵版-概率论-第4讲-数字特征]] | 暂无(概率补全) | `probability-theory-and-mathematical-statistics/knowledge+exercise/3-digital-features` | 13 | ✅ 已出 |
-| 19 | [[19-背诵版-概率论-第5讲-大数定律与中心极限定理]] | [[../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]] | `probability-theory-and-mathematical-statistics/knowledge+exercise/4、knowledge/3§切比雪夫` | 16 | ✅ 已出 |
+| 18 | [[18-背诵版-概率论-第4讲-数字特征]] | [[../在学练习/概率论-第4讲-随机变量的数字特征/README\|概率论-第4讲-随机变量的数字特征]] | `probability-theory-and-mathematical-statistics/knowledge+exercise/3-digital-features` | 13 | ✅ 已出 |
+| 19 | [[19-背诵版-概率论-第5讲-大数定律与中心极限定理]] | [[../在学练习/概率论-第5讲上-大数定律/README\|第5讲上 大数定律]]、[[../在学练习/概率论-第5讲下-中心极限定理/README\|第5讲下 中心极限定理]] | `probability-theory-and-mathematical-statistics/knowledge+exercise/4、knowledge/3§切比雪夫` | 16 | ✅ 已出 |
| 20 | [[20-背诵版-概率论-第6讲-数理统计]] | [[../在学练习/概率论-第6讲-数理统计/README\|概率论-第6讲-数理统计]] | `probability-theory-and-mathematical-statistics/knowledge+exercise/5-mathematical-statistics` | 18 | ✅ 已出 |
> 题量合计:**20 份 · 739 题**(高数 300、线代 238、概率 97;其余按各文件标注)。