refactor(概率论第5讲): 拆为上册「大数定律」+ 下册「中心极限定理」,各按知识点带题重写

上册 14 题(3 点):
- 点1 依概率收敛:定义、与数列极限的三条区别、四则运算与连续映射
- 点2 切比雪夫不等式:变形表、三步四陷阱、换元(含 2022·9 骨架)
- 点3 三条大数定律:共同形式、切比雪夫(含证明与条件辨析)、伯努利、辛钦、对照

下册 7 题(3 点):
- 点1 列维-林德伯格:定理、标准化四步、反解 n(含 2020·8 骨架)
- 点2 棣莫弗-拉普拉斯:二项的正态近似、连续性修正
- 点3 三种近似辨析:判据表、泊松近似(含 2025·9 骨架)

同步:总览目录树、第6讲相邻讲次、第一次模拟卷入口、知识点构建索引与第19背诵版回查入口;
删除旧「概率论-第5讲-大数定律与中心极限定理」三件套目录。全部数值经 python 复核。
This commit is contained in:
2026-11-07 12:50:44 +08:00
parent 1315716436
commit 60dfb19579
25 changed files with 2041 additions and 836 deletions
@@ -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)
<!-- AUTO:KP -->
| 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) |
<!-- /AUTO:KP -->
## 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。
@@ -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)
---
@@ -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 $P\{450<X<550\}$ 的下界,并说明这个界为什么这么松。
**怎么想**:先把 $450<X<550$ 改写成"$\lvert X-EX\rvert<\varepsilon$ "的形状,才好看清 $\varepsilon$ 是多少。二项分布的 $EX$ 与 $DX$ 都是现成的。
**解**:
$EX=1000\times0.5=500$ ,$DX=1000\times0.5\times0.5=250$ 。而
$$450<X<550\iff\lvert X-500\rvert<50,$$
故取 $\varepsilon=50$ :
$$P\{450<X<550\}=P\{\lvert X-500\rvert<50\}\ge1-\frac{250}{50^2}=1-\frac{250}{2500}=1-0.1=0.9 .$$
下界为 $0.9$ 。
**为什么这么松**:$\varepsilon=50$ 约等于 $3.16$ 个标准差($\sqrt{250}\approx15.81$ ),而正态分布下 $3.16$ 个标准差的覆盖率约 $0.998$ ,切比雪夫只敢说 $0.9$ 。**原因是完全不使用"二项分布接近正态"这个信息**——它必须对**所有**方差为 $250$ 的分布成立,包括那些把质量堆在两端、中间空心的分布。要想估得更准,只能换工具(第 5 讲下的中心极限定理)。
**带走结论**:**切比雪夫给的是"万能的坏界"**。选择题里出现"用切比雪夫估计得"就问三件事:中心对不对、$\varepsilon$ 取对没有、上下界方向对不对。算出来的数比直觉小很多是**正常的**,不必怀疑。
> **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)
---
@@ -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 $0$ ):
$$D\bar X=D\left(\frac1n\sum_{i=1}^{n}X_i\right)=\frac{1}{n^2}\left[\sum_{i=1}^{n}DX_i+2\sum_{i<j}\operatorname{Cov}(X_i,X_j)\right]=\frac{1}{n^2}\sum_{i=1}^{n}DX_i .$$
代入 $DX_i\le C$ :
$$D\bar X\le\frac{nC}{n^2}=\frac{C}{n}.$$
**套切比雪夫不等式**:对 $\bar X$ 用不等式,取 $\varepsilon>0$ ,
$$0\le P\left\{\left\lvert\bar X-E\bar X\right\rvert\ge\varepsilon\right\}\le\frac{D\bar X}{\varepsilon^2}\le\frac{C}{n\varepsilon^2}.$$
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)
---
@@ -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
<!-- KP: 1.1 -->
$$X_n\overset{P}{\longrightarrow}X\iff\forall\varepsilon>0,\ \lim_{n\to\infty}P\left\{\lvert X_n-X\rvert\ge\varepsilon\right\}=0 .$$
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
<!-- KP: 1.2 -->
- 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
<!-- KP: 1.3 -->
$$X_n\overset{P}{\to}a,\ Y_n\overset{P}{\to}b\ \Longrightarrow\ X_n\pm Y_n\overset{P}{\to}a\pm b,\ X_nY_n\overset{P}{\to}ab,\ \frac{X_n}{Y_n}\overset{P}{\to}\frac ab\ (b\ne0).$$
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
<!-- KP: 2.1 -->
$$P\left\{\lvert X-EX\rvert\ge\varepsilon\right\}\le\frac{DX}{\varepsilon^2},\qquad P\left\{\lvert X-EX\rvert<\varepsilon\right\}\ge1-\frac{DX}{\varepsilon^2}.$$
| 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
<!-- KP: 2.2 -->
```
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
<!-- KP: 3.1 -->
$$\frac1n\sum_{i=1}^{n}X_i-\frac1n\sum_{i=1}^{n}EX_i\overset{P}{\longrightarrow}0 .$$
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
<!-- KP: 3.2 -->
**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
<!-- KP: 3.3 -->
$$\frac{\nu_n}{n}\overset{P}{\longrightarrow}p .$$
**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
<!-- KP: 3.4 -->
**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
<!-- KP: 3.5 -->
| 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
<!-- AUTO: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) |
<!-- /AUTO:回查 -->
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)。
@@ -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)。