概率论背诵版 16–20 重构:分块排版、题单对齐点分册、sqlite 真题地图

- 统一模板:§0 骨架(真题地图+考点树)→ 分块正文(单节≤12行)→ B 题型考点 → 纯题干题单
- 题单按真库在学练习重出:第3讲 27 题、第4讲 19 题、第5讲上/下 14+7 题、第6讲 26 题
- 18 号补 §4.4 条件期望与重期望、§4.5 线性组合与最值
- 用 sqlite 校正 4 处真题事实(2020·8 n=100、2025·9 λ=2、17 号 10题86分、20 号 8道解答5道 MLE)
- 修参考仓库 F(ax) 推导之误;表格内数学式统一 \\vert
This commit is contained in:
2026-11-08 20:18:17 +08:00
parent caa1743128
commit e6711c9bb1
6 changed files with 1502 additions and 482 deletions
@@ -1,123 +1,233 @@
---
tags: [数学一, 知识点构建, 背诵版, 概率论, 大数定律, 中心极限定理]
专题: 概率论 第5讲 · 大数定律与中心极限定理 · 背诵版
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]]"]
更新: 2026-11-08(v2 重构:分块排版 + 真题数字按 sqlite 校正 + 纯题干题单)
状态: 背诵版 v2(考点分块完整呈现 + B 题型考点 + 21 题纯题干清单;题单已对齐在学练习上/下两讲分册)
来源: 在学练习/概率论-第5讲上-大数定律(14 题)+ 第5讲下-中心极限定理(7 题)|参考仓库 knowledge/4 + exercise/4 + knowledge/3 §切比雪夫|真题库 kaoyan_math1.db(chapter 19)
关联笔记: ["[[README]]", "[[18-背诵版-概率论-第4讲-数字特征]]", "[[../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
# 概率论 · 第5讲 大数定律与中心极限定理 · 背诵版
> **用法**:① 看 §0 骨架搭体系;② 逐节闭卷回忆考点正文;③ 用题目清单自测(只列题干不给解,卡住回查在学练习对应文件)。
> **题源**:在学练习 `02-试题`(16 题:A 组 1–6 / B 组 7–12 / C 组 13–16),编号沿用原题号;考点出处标注参考仓库 `knowledge/4`、`exercise/4`、`knowledge/3 §切比雪夫不等式`。难度与真题锚点一并保留。
> **范围**:参考仓库 `knowledge/4-law-of-large-numbers-and-central-limit-theorem` + `exercise/4`;切比雪夫不等式见 [[18-背诵版-概率论-第4讲-数字特征|第4讲 §6]]。
> **用法**:§0 搭骨架 → 逐节闭卷回忆 → §B 过题型 → 题单自测(只有题干)。
## 0. 本讲骨架(先背这张图)
## 0 骨架(先背这张图)
**一句话概括全讲**:**大数定律管「均值稳定」,中心极限定理管「和的分布趋正态」**,而**切比雪夫不等式**是证明前者的工具。
### 0.1 一句话与三个开关
**学习地图(依赖链)**:依概率收敛(语言)→ 切比雪夫不等式(工具)→ 大数定律(均值→期望)+ 中心极限定理(和→正态)→ 三种近似(正态 / 泊松)。
**一句话**:**大数定律管"均值稳定",中心极限定理管"和的分布趋正态",切比雪夫不等式是证明前者的工具。**
**全讲三个「开关」**:① 是否**独立**(或两两不相关);② **期望**是否存在;③ **方差**是否存在(辛钦不要求)。绝大多数概念题的答案藏在这三点里。
**依赖链**:依概率收敛(语言)→ 切比雪夫不等式(工具)→ 大数定律(均值 → 期望)+ 中心极限定理(和 → 正态)→ 三种近似(正态 / 泊松)。
**真题地位**:真题库第 19 章,近十年 **3 题**(2020·8 中心极限、2022·9 切比雪夫、2025·9 泊松近似),标注「冷门」但**几乎年年有选填**,且**只出单选(4–5 分)、每 4–5 年一轮**。**大数定律考条件、中心极限定理考计算。**
**三个开关**(绝大多数概念题的答案藏在里头):
**考点树**
| 开关 | 问什么 | 影响哪条定律 |
|---|---|---|
| ① 独立? | 相互独立 / 两两不相关 / 不要求 | 三条定律都要 |
| ② 期望存在? | $\lvert E X\rvert<\infty$ | 辛钦**必需要**;切比雪夫也要 |
| ③ 方差存在且一致有界? | $\sup DX_i<\infty$ | **只有切比雪夫要求**,辛钦不要求 |
| 节 | 考点(对应题目) |
|---|---|
| §1 依概率收敛 | 定义、与数列极限区别(题1) |
| §2 切比雪夫不等式 ★ | 不等式与变形表(题2、3、7、8、12)· 使用三步 |
| §3 大数定律 | 切比雪夫 / 伯努利 / 辛钦 三定律对照(题4、5、13、14、16) |
| §4 中心极限定理 | 列维–林德伯格 / 棣莫弗–拉普拉斯、标准化四步(题6、9、10、15、16) |
| §5 三种近似 | 正态近似 vs 泊松近似(题11) |
### 0.2 十年真题地图(sqlite,2016–2025)
## 1. §1 依概率收敛
| 年份·题号 | 考点 | 分值 | 关键一步 |
|---|---|---|---|
| 2025·9 | 泊松近似:$X_i\sim B(1,0.1)$,$T=\sum_{1}^{20}X_i$ | 5 | $\lambda=np=2$,$P\{T\le1\}=\mathrm e^{-2}(1+2)$ |
| 2022·9 | 切比雪夫:$Y_i=X_i^2$,已知 $\mu_2,\mu_4$ | 5 | $DY_i=\mu_4-\mu_2^2$,界 $=\frac{\mu_4-\mu_2^2}{n\varepsilon^2}$ |
| 2020·8 | 中心极限:$n=100$,$P\{X=0\}=P\{X=1\}=\frac12$ | 4 | $ET=50$、$DT=25$,$P\{\sum\le55\}\approx\varPhi(1)$ |
$X_n\overset{P}{\longrightarrow}X$:对**任意** $\varepsilon>0$,$\lim_{n\to\infty}P\{|X_n-X|\ge\varepsilon\}=0$(等价 $\lim P\{|X_n-X|<\varepsilon\}=1$)。**与数列极限的区别**:数列极限要求「从某一项起每一项都落在邻域内」;依概率收敛只要求「落在邻域外的概率趋于 0」——**允许个别项「跑飞」,只要它们出现的概率越来越小**。⚠️ **依概率收敛 ⇏ 期望收敛**(经典反例:$P\{X_n=\frac1n\}=1-\frac1n$、$P\{X_n=n\}=\frac1n$,则 $X_n\overset{P}{\longrightarrow}0$ 但 $EX_n\to1$)。推论:$X_n\overset{P}{\longrightarrow}c$(常数)则 $X_n^2\overset{P}{\longrightarrow}c^2$、连续 $g$ 有 $g(X_n)\overset{P}{\longrightarrow}g(c)$;依概率收敛是**一致性**的统一语言。
> **命题规律**:**冷门但几乎年年有选填**(4–5 分,只出单选)。考法极窄:① **切比雪夫估算**(换变量 $Y=X^2$ 是唯一变化);② **中心极限标准化**(算 $ET,DT$ 后查 $\varPhi$);③ **泊松近似**($\lambda=np$ 算 $P\{T\le1\}$)。**大数定律本身只考"条件对不对"**,从不要求证明。
## 2. §2 切比雪夫不等式(核心工具)
### 0.3 考点树(与在学练习上/下两讲分册一一对应)
$EX=\mu$、$DX=\sigma^2$ **存在**时,对任意 $\varepsilon>0$:
| 节 | 考点 | 在学练习 | 题数 |
|---|---|---|---|
| §1 | 依概率收敛的定义、与数列极限的区别 | 第5讲上·点 1 | 3 |
| §2 | 切比雪夫不等式与四种变形 | 第5讲上·点 2 | 5 |
| §3 | 切比雪夫 / 伯努利 / 辛钦三条定律 | 第5讲上·点 3 | 6 |
| §4 | 列维–林德伯格、棣莫弗–拉普拉斯、标准化四步 | 第5讲下·点 1–2 | 5 |
| §5 | 正态近似 vs 泊松近似 | 第5讲下·点 3 | 2 |
$$P\{|X-\mu|\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2}\qquad\text{等价}\qquad P\{|X-\mu|<\varepsilon\}\ge1-\frac{\sigma^2}{\varepsilon^2}.$$
## 1 依概率收敛
**读法**:方差越小越「集中」在期望附近;$\varepsilon$ 越大界越紧。**只给界、不给精确值**,优点是不依赖具体分布。
### 1.1 定义
**常用变形表**
$$X_n\xrightarrow{P}X\iff\forall\varepsilon>0,\ \lim_{n\to\infty}P\{\lvert X_n-X\rvert\ge\varepsilon\}=0 .$$
等价写法:$\lim_{n\to\infty}P\{\lvert X_n-X\rvert<\varepsilon\}=1$。
### 1.2 与数列极限的区别
| | 数列极限 | 依概率收敛 |
|---|---|---|
| 要求 | 从某一项起,**每一项**都落在邻域内 | 落在邻域外的**概率**趋于 0 |
| 允许 | 无例外 | **允许个别项"跑飞"**,只要它们出现的概率越来越小 |
### 1.3 三条运算性质
① 若 $X_n\xrightarrow{P}a$(常数),则 $X_n^2\xrightarrow{P}a^2$;
② 若 $g$ 在 $a$ 处连续,则 $g(X_n)\xrightarrow{P}g(a)$;
③ 若 $X_n\xrightarrow{P}a$、$Y_n\xrightarrow{P}b$,则 $X_n\pm Y_n\xrightarrow{P}a\pm b$、$X_nY_n\xrightarrow{P}ab$。
> ⚠️ **依概率收敛 ⇏ 期望收敛**。标准反例:$P\{X_n=\frac1n\}=1-\frac1n$、$P\{X_n=n\}=\frac1n$,则 $X_n\xrightarrow{P}0$,但 $EX_n=\frac1n\left(1-\frac1n\right)+n\cdot\frac1n\to1\ne0$。
## 2 切比雪夫不等式
$EX=\mu$、$DX=\sigma^2$ 存在,则对任意 $\varepsilon>0$:
$$P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2}\quad\Longleftrightarrow\quad P\{\lvert X-\mu\rvert<\varepsilon\}\ge1-\frac{\sigma^2}{\varepsilon^2}.$$
**只对"构造出来的那个变量"成立**——所以用之前先明确"要估计的是谁",算出它的 $E$ 与 $D$。
### 2.1 四种变形
| 场景 | 结论 |
|---|---|
| 取 $\varepsilon=k\sigma$($k>0$) | $P\{|X-\mu|\ge k\sigma\}\le\frac1{k^2}$ |
| 样本均值 $\bar X$ | $D\bar X=\frac{\sigma^2}{n}\ \Rightarrow\ P\{|\bar X-\mu|\ge\varepsilon\}\le\frac{\sigma^2}{n\varepsilon^2}$ |
| 二项 $X\sim B(n,p)$ | $P\{|\frac Xn-p|\ge\varepsilon\}\le\frac{p(1-p)}{n\varepsilon^2}$(**方差是 $np(1-p)$ 不是 $np$**) |
| 线性组合 $Z=X-Y$ | 先算 $EZ,DZ$(要用 $\operatorname{Cov}$)再代 |
| $\varepsilon=k\sigma$ | $P\{\lvert X-\mu\rvert\ge k\sigma\}\le\frac1{k^2}$ |
| 样本均值 | $P\{\lvert\overline X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{n\varepsilon^2}$ |
| 二项 | $P\left\{\left\lvert\frac Xn-p\right\rvert\ge\varepsilon\right\}\le\frac{p(1-p)}{n\varepsilon^2}$ |
| 线性组合 | 先算 $EZ,DZ$(含 $\operatorname{Cov}$)再代 |
**使用三步**:① 锁定被估计的 $Y$,算 $EY,DY$(不给就自己求);② 目标概率写成 $P\{|Y-EY|\ge\varepsilon\}$(偏离大→上界)或 $P\{|Y-EY|<\varepsilon\}$(落在附近→下界);③ 代入。「至少」写下界 $1-\cdots$,「至多」写上界。**方向搞反是头号陷阱**;$\frac1n\sum Y_i$ 的方差 = $\frac1{n^2}\sum DY_i$(独立/不相关时才可加),漏除 $n^2$ 必错。
### 2.2 使用三步
## 3. §3 大数定律
① 锁定被估计的变量 $Y$,算出 $EY,DY$(题目不给就自己求);
② 把目标概率写成 $P\{\lvert Y-EY\rvert\ge\varepsilon\}$(要**上界**)或 $P\{\lvert Y-EY\rvert<\varepsilon\}$(要**下界**);
③ 代入不等式。
**共同形式**:在一定条件下 $\frac1n\sum X_i\overset{P}{\longrightarrow}\frac1n\sum EX_i$(即 $\bar X\overset{P}{\longrightarrow}E\bar X$)。**几乎不考计算,只考「定律成立的条件」与「结论是否正确」**。
> **两个致命错**:① "至少"要下界 $1-\frac{\sigma^2}{\varepsilon^2}$、"至多"要上界 $\frac{\sigma^2}{\varepsilon^2}$——**写反了等于答错**;② $D\left(\frac1n\sum Y_i\right)=\frac1{n^2}\sum DY_i$,**漏 $n^2$ 必错**。
### 三条定律对照(高频辨析,背表)
## 3 大数定律
| 定律 | 独立/相关 | 同分布 | 期望 | 方差 |
### 3.1 共同形式
在一定条件下
$$\frac1n\sum_{i=1}^nX_i\xrightarrow{P}\frac1n\sum_{i=1}^nEX_i\quad\left(\text{即 }\overline X\xrightarrow{P}E\overline X\right).$$
**只考"定律成立的条件",不考计算**。
### 3.2 三条定律对照(高频辨析,背表)
| 定律 | 独立性要求 | 同分布要求 | 期望 | 方差 |
|---|---|---|---|---|
| **切比雪夫** | 相互独立(或两两不相关) | **不要求** | 存在 | **存在且一致有界**($\exists C$ 使 $DX_i\le C$) |
| **伯努利** | 伯努利试验(天然独立) | 是(0–1 分布) | 存在 | 存在($p(1-p)$) |
| **辛钦** | 相互独立 | **要求** | **存在** | **不要求** |
| **切比雪夫** | 相互独立(或两两不相关) | **不要求** | 存在 | **存在且一致有界** $\exists C,\ DX_i\le C$ |
| **伯努利** | 伯努利试验(自然独立) | 是(0-1 分布) | 存在 | 存在($p(1-p)$) |
| **辛钦** | 相互独立 | **要求同分布** | **存在** | **不要求** |
- **切比雪夫大数定律**结论:$\lim P\{|\frac1n\sum X_i-\frac1n\sum EX_i|<\varepsilon\}=1$;证明用切比雪夫 + 夹逼($D(\frac1n\sum X_i)=\frac1{n^2}\sum DX_i\le\frac Cn\to0$)。
- **伯努利大数定律**:$\frac{\mu_n}{n}\overset{P}{\longrightarrow}p$——「**频率稳定于概率**」的严格表述。
- **辛钦大数定律**:$\frac1n\sum X_i\overset{P}{\longrightarrow}\mu$。**与切比雪夫互补**:「切比雪夫看方差、辛钦看分布」——辛钦要求同分布但不要求方差,因此**不能用切比雪夫不等式证明**。
- **陷阱**:B/D 选项「服从同一类型分布」不保证期望存在;A「期望相同」不保证同分布;只有「同一泊松分布」既同分布又期望存在。
**三条结论**:
## 4. §4 中心极限定理
- **切比雪夫大数定律**:$\lim_{n\to\infty}P\left\{\left\lvert\frac1n\sum X_i-\frac1n\sum EX_i\right\rvert<\varepsilon\right\}=1$。证明靠 $\frac1{n^2}\sum DX_i\le\frac Cn\to0$;
- **伯努利大数定律**:$\frac{\mu_n}{n}\xrightarrow{P}p$——"**频率稳定于概率**"的严格表述($\mu_n$ 为 $n$ 次试验中成功的次数);
- **辛钦大数定律**:$\frac1n\sum X_i\xrightarrow{P}\mu$($\mu$ 为公共期望)。
**共同形式**:$X_i$ 独立同分布(或近似)时,**和**的分布趋于正态:$\sum X_i\overset{\text{近似}}{\sim}N(n\mu,\ n\sigma^2)$($n$ 充分大,一般 $n\ge30$)。与两大数定律的分工:大数定律说「均值趋于常数」,中心极限定理说「围绕常数的波动趋于正态」。
> **互补关系**:「**切比雪夫看方差,辛钦看分布**」。辛钦不要求方差,所以**不能用切比雪夫不等式证明**;这也解释了为什么辛钦的证明在考纲外。
- **列维–林德伯格**(独立同分布版):$EX_i=\mu$、$DX_i=\sigma^2>0$ 存在,则 $\frac{\sum X_i-n\mu}{\sqrt n\sigma}\overset{\text{近似}}{\sim}N(0,1)$。
- **棣莫弗–拉普拉斯**(二项版):$Y_n\sim B(n,p)$,$\frac{Y_n-np}{\sqrt{np(1-p)}}\overset{\text{近似}}{\sim}N(0,1)$,$Y_n\overset{\text{近似}}{\sim}N(np,np(1-p))$($n$ 大且 $np$、$n(1-p)$ 都不太小)。
### 3.3 条件辨析的三个陷阱
**标准化四步模板(考场流程)**:① 定 $T=\sum X_i$(或 $Y_n$);② 算 $ET=n\mu$、$DT=n\sigma^2$(二项:$np$、$np(1-p)$);③ 标准化 $\frac{T-ET}{\sqrt{DT}}\approx N(0,1)$,不等式两边同减同除;④ 查 $\Phi$:$P\{Z\le z\}=\Phi(z)$、$P\{Z>z\}=1-\Phi(z)$、$P\{|Z|\le z\}=2\Phi(z)-1$。**方差别忘 $n$ 倍**:$D(\sum X_i)=n\sigma^2$,标准差 $\sqrt n\sigma$。
① "期望相同"**不保证同分布**(A 选项陷阱);
② "服从同一类型分布"(如都是正态但参数不同)**不保证方差一致有界**(B/D 陷阱);
③ 只有"**服从同一分布且期望存在**"才满足辛钦——"同一泊松分布"是标准正确项。
## 5. §5 三种「近似」辨析(正态近似 / 泊松近似)
## 4 中心极限定理
二项分布 $B(n,p)$ 两种近似,**用哪个取决于 $p$**:
### 4.1 两条定理
| 近似 | 适用条件 | 结果 | 典型题 |
| 定理 | 条件 | 结论 |
|---|---|---|
| **列维–林德伯格** | $X_i$ 独立同分布,$EX_i=\mu$,$DX_i=\sigma^2\in(0,\infty)$ | $\dfrac{\sum X_i-n\mu}{\sqrt n\sigma}\xrightarrow{\text{近似}}N(0,1)$ |
| **棣莫弗–拉普拉斯** | $Y_n\sim B(n,p)$ | $\dfrac{Y_n-np}{\sqrt{np(1-p)}}\xrightarrow{\text{近似}}N(0,1)$,即 $Y_n\approx N(np,\ np(1-p))$ |
**与两大数定律的分工**:大数定律说"**均值趋于常数**",中心极限定理说"**围绕常数的波动趋于正态**"。
### 4.2 标准化四步(考场流程)
① 定 $T=\sum X_i$(或 $Y_n$);
② 算 $ET=n\mu$、$DT=n\sigma^2$(二项:$np$、$np(1-p)$);
③ 标准化 $\dfrac{T-ET}{\sqrt{DT}}\approx N(0,1)$,不等式两边同减 $ET$、同除 $\sqrt{DT}$;
④ 查 $\varPhi$:$P\{Z\le z\}=\varPhi(z)$,$P\{Z>z\}=1-\varPhi(z)$,$P\{\lvert Z\rvert\le z\}=2\varPhi(z)-1$。
> **两个必错点**:① $D(\sum X_i)=n\sigma^2$,**标准差是 $\sqrt n\sigma$ 而不是 $n\sigma$**;② 连续性修正($\pm\frac12$)考研**不需要**,用了反而多算。
## 5 三种"近似"的辨析
二项分布 $B(n,p)$ 有两种近似,**用哪个取决于 $p$**:
| 近似 | 适用条件 | 结果 | 真题 |
|---|---|---|---|
| **正态近似**(棣莫弗–拉普拉斯) | $n$ 大,$p$ 不太小也不太大(经验 $np\ge5,\ n(1-p)\ge5$) | $\frac{Y_n-np}{\sqrt{np(1-p)}}\approx N(0,1)$ | 2020·8 |
| **泊松近似** | $n$ 大,$p$ 很小($np=\lambda$ 适中) | $Y_n\approx P(\lambda)$,$\lambda=np$ | 2025·9 |
| **正态近似**(棣莫弗–拉普拉斯) | $n$ 大且 $p$ 不极端(经验 $np\ge5$、$n(1-p)\ge5$) | $\frac{Y_n-np}{\sqrt{np(1-p)}}\approx N(0,1)$ | 2020·8 |
| **泊松近似** | $n$ 大、$p$ 很小、$np=\lambda$ 适中 | $Y_n\approx P(\lambda)$,$\lambda=np$ | 2025·9 |
**判别口诀**:「**$n$ 大 $p$ 不极端 → 正态;$n$ 大 $p$ 很小 → 泊松**」。泊松近似模板:$P\{T\le1\}\approx P\{T=0\}+P\{T=1\}=e^{-\lambda}(1+\lambda)$。**$\lambda=np$(不是 $n$ 也不是 $p$)**。
**口诀**:**$n$ 大 $p$ 不极端 → 正态;$n$ 大 $p$ 很小 → 泊松。**
**十年真题地图**:2020·8 中心极限(0–1 变量求和,标准化+查 $\Phi$);2022·9 切比雪夫(换 $Y_i=X_i^2$,$DY_i=\mu_4-\mu_2^2$);2025·9 泊松近似($P\{T\le1\}=e^{-\lambda}(1+\lambda)$)。
**两个模板**:
## 6. 题目清单(16 题)
$$P\{T\le1\}\approx\mathrm e^{-\lambda}(1+\lambda)\qquad(\text{泊松,}\lambda=np);$$
### A 组 · 基础(★☆☆)
- **题 1 · 依概率收敛(A)**:$P\{X_n=\frac1n\}=1-\frac1n$、$P\{X_n=n\}=\frac1n$。(Ⅰ)证明 $X_n\overset{P}{\longrightarrow}0$;(Ⅱ)求 $EX_n$ 并说明是否收敛于 0,由此得什么结论(**依概率收敛 ⇏ 期望收敛**)。
- **题 2 · 切比雪夫不等式(A)**:$EX=5$、$DX=2$。(Ⅰ)估计 $P\{|X-5|\ge4\}$ 的上界($\frac{2}{16}=\frac18$);(Ⅱ)估计 $P\{|X-5|<4\}$ 的下界($\frac78$)。
- **题 3 · 二项+切比雪夫(A)**:$X\sim B(1000,0.5)$,估计 $P\{450<X<550\}$ 的下界($\sigma^2=250$,$\varepsilon=50$,下界 $1-\frac{250}{2500}=\frac9{10}$)。
- **题 4 · 辛钦大数定律的应用(A)**:掷骰子 $n$ 次,$\bar X$ 为点数平均,当 $n\to\infty$ 时依概率收敛于何值($\mu=3.5$;独立同分布+期望存在,用辛钦)?
- **题 5 · 辛钦大数定律的条件(A)**:$\{X_n\}$ 独立,则 $\frac1n\sum X_i$ 依概率收敛于数学期望,只要 $\{X_n\}$( )。(A)有相同数学期望(B)服从同一离散型分布(C)**服从同一泊松分布**(D)服从同一连续型分布 → C。
- **题 6 · 中心极限定理(A)**:$X_1,\dots,X_{100}$ 独立同分布,$EX_i=1$、$DX_i=4$,用中心极限定理求 $P\{\sum_{i=1}^{100}X_i\le120\}$ 的近似值($\Phi(\frac{20}{\sqrt{400}})=\Phi(1)$)。
$$P\left\{\sum X_i\le c\right\}\approx\varPhi\left(\frac{c-n\mu}{\sqrt n\sigma}\right)\qquad(\text{中心极限}).$$
### B 组 · 中等(★★☆)
- **题 7 · 切比雪夫【真题骨架 2022·9】(B)**:$X_i$ 独立同分布,$EX_1=0$、$EX_1^2=1$、$EX_1^4=5$,$Y_i=X_i^2$。(Ⅰ)求 $EY_i$ 与 $DY_i$($1$ 与 $\mu_4-\mu_2^2=4$);(Ⅱ)用切比雪夫估计 $P\{|\frac1n\sum X_i^2-1|\ge\varepsilon\}$ 的上界($\frac{4}{n\varepsilon^2}$)。
- **题 8 · 反解样本量(B)**:$EX=20$、$DX=9$,使 $n$ 次独立观测的 $\bar X$ 满足 $P\{|\bar X-20|<1\}\ge0.9$,估计 $n$ 至少取多少($\frac9{n\cdot1}\le0.1\Rightarrow n\ge90$)。
- **题 9 · 中心极限定理·应用(B)**:产品平均 10 kg、标准差 0.5 kg,载重 1000 kg,最多装多少件保证不超载概率 >0.977($\Phi(2)=0.977$;$\frac{1000-10n}{0.5\sqrt n}\ge2\Rightarrow n\approx$ 约 98)。
- **题 10 · 中心极限【真题骨架 2020·8】(B)**:$X_1,\dots,X_{400}$ 独立同分布,$P\{X_i=0\}=P\{X_i=1\}=\frac12$,求 $P\{\sum X_i\le210\}$ 的近似值($ET=200$、$DT=100$,$\Phi(1)$)。
- **题 11 · 泊松近似【真题骨架 2025·9】(B)**:$X_1,\dots,X_{300}\sim B(1,0.01)$,$T=\sum X_i$,用泊松近似求 $P\{T\le1\}$($\lambda=3$,$4e^{-3}$)。
- **题 12 · 切比雪夫+协方差(B)**:$EX=EY$,$DX=DY=1$,$\rho=\frac12$,估计 $P\{|X-Y|\ge4\}$ 的上界($D(X-Y)=1$,$\frac{1}{16}$)。
> **$\lambda$ 的取值**:$2025\cdot9$ 的 $20\times0.1=2$(**不是 $20$,也不是 $0.1$**)。同理 $2020\cdot8$ 的 $n=100$、$p=\frac12$ ⟹ $ET=50$、$DT=25$、$\sqrt{DT}=5$。
### C 组 · 拔高(★★★)
- **题 13 · 切比雪夫大数定律的条件辨析(C)**:$\{X_n\}$ 独立,$X_n\sim E(n)$,下列**不**服从切比雪夫大数定律的是( )。(A)$X_1,\frac12X_2,\dots,\frac1nX_n$(B)$X_1,X_2,\dots$(C)$X_1,2X_2,\dots,nX_n$(D)$X_1,2^2X_2,\dots,n^2X_n$ → **D**($DX_n=\frac1{n^2}$,四项方差 $\frac1{n^4},\frac1{n^2},1,n^2$,仅 D 无界)。
- **题 14 · 切比雪夫大数定律的证明(C)**:$\{X_n\}$ 两两不相关,$DX_i\le C$,证明 $\lim P\{|\frac1n\sum X_i-\frac1n\sum EX_i|\ge\varepsilon\}=0$(不相关消协方差 → $D\le\frac Cn\to0$ → 切比雪夫+夹逼)。
- **题 15 · 中心极限·反解 $n$(C)**:零件寿命平均 100 小时、标准差 10 小时,求最小 $n$ 使 $P\{\sum_{i=1}^nX_i\ge10000\}\ge0.95$($\Phi(1.645)=0.95$;$-\frac{0.1n}{10\sqrt n}\ge-1.645$ 或等价反解)。
- **题 16 · 综合辨析(C)**:$X_i$ 独立同分布,$EX_i=\mu$、$DX_i=\sigma^2$,$\bar X=\frac1n\sum X_i$。(Ⅰ)用切比雪夫证 $\bar X\overset{P}{\longrightarrow}\mu$;(Ⅱ)用中心极限写 $P\{|\bar X-\mu|<\varepsilon\}$ 的近似($\Phi$ 表示),并说明 $n\to\infty$ 趋于 1;(Ⅲ)比较两种估计谁更精确、各需什么条件(中心极限精确、需方差存在;切比雪夫只需方差存在给界)。
## B 题型考点(怎么想到、为什么、坑在哪)
- **B1 依概率收敛题的唯一动作**:验证 $\forall\varepsilon$,$P\{\lvert X_n-X\rvert\ge\varepsilon\}\to0$;**不要**用"$EX_n\to EX$"代替。
- **B2 切比雪夫的方向**:先问"题目要上界还是下界"——"至多/不小于某数"⟹ 上界;"至少"⟹ 下界。**方向反了整题反**。
- **B3 换变量再切比雪夫**:$2022\cdot9$ 型——目标量是 $\frac1n\sum X_i^2$,令 $Y_i=X_i^2$,则 $EY_i=\mu_2$、$DY_i=\mu_4-\mu_2^2$。**为什么**:切比雪夫只认"被估计变量的期望方差"。
- **B4 样本均值的方差**:$D\overline X=\frac{\sigma^2}{n}$,代进切比雪夫时分母是 $n\varepsilon^2$。**坑**:漏 $n$,或把 $D\overline X$ 写成 $\sigma^2$。
- **B5 反解样本量**:由 $1-\frac{\sigma^2}{n\varepsilon^2}\ge$ 目标值反解 $n\ge\frac{\sigma^2}{\varepsilon^2(1-\text{目标})}$,**上取整**。
- **B6 三大定律的条件辨析**:逐条核对"独立?同分布?期望存在?方差有界?"四格表,缺一不可。**坑**:把"独立"当成"同分布"。
- **B7 切比雪夫大数定律的证明模板**:不相关 ⟹ $D\left(\frac1n\sum X_i\right)=\frac1{n^2}\sum DX_i\le\frac Cn\to0$,再套不等式 + 夹逼。**这是唯一可能考证明的地方**。
- **B8 中心极限的"和"与"均值"互化**:$\overline X=\frac1n\sum X_i$,$\overline X\approx N\left(\mu,\frac{\sigma^2}{n}\right)$——题目问 $\overline X$ 时别忘除 $n$。
- **B9 $\varPhi$ 的三条恒等式**:$\varPhi(-z)=1-\varPhi(z)$,$P\{Z>z\}=1-\varPhi(z)$,$P\{\lvert Z\rvert\le z\}=2\varPhi(z)-1$。**查表题几乎全靠这三条**。
- **B10 正态近似 vs 泊松近似的选择**:先看 $p$——$p\le0.1$ 且 $np$ 适中选泊松;$p$ 居中选正态。**选错方向会算出一个"看起来对"的错答案**。
## 6 题目清单(21 题,纯题干,按在学练习上/下两讲分册)
> 编号沿用「在学练习」:第5讲上(`02`–`04` 对应点 1–3,14 题)与第5讲下(`02`–`04` 对应点 1–3,7 题)。**只列题干,不给答案**。
### 上篇 · 大数定律(14 题)
#### 点 1 依概率收敛(题 1–3)
- **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?
- **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"。
- **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)$\ln X_n$ 。
#### 点 2 切比雪夫不等式(题 1–5)
- **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?
- **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。
- **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$P\{\lvert\bar X-20\rvert<1\}\ge0.9\ ?$
- **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。
- **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。
#### 点 3 三条大数定律(题 1–6)
- **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)$\dfrac{\nu_n}{n}$ 。
- **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 $\varepsilon>0$ ,$\lim_{n\to\infty}P\left\{\left\lvert\frac1n\sum_{i=1}^{n}X_i-\frac1n\sum_{i=1}^{n}EX_i\right\rvert\ge\varepsilon\right\}=0 .$
- **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)$X_1,\ 2^2X_2,\ \cdots,\ n^2X_n,\ \cdots$
- **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$P\left\{\left\lvert\frac{\nu_n}{n}-0.5\right\rvert<0.01\right\}\ge0.95\ ?$
- **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?
- **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。
### 下篇 · 中心极限定理(7 题)
#### 点 1 列维-林德伯格定理(题 1–3)
- **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)。
- **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。
- **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 $\Phi(1.645)=0.95$ )
#### 点 2 棣莫弗-拉普拉斯定理(题 1–2)
- **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。
- **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。
#### 点 3 三种近似辨析(题 1–2)
- **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 $P\{X>5\}$ 。
- **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。
---
> **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`。
> **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 `knowledge/4-law-of-large-numbers-and-central-limit-theorem`、`exercise/4`、`knowledge/3 §切比雪夫不等式`。