--- tags: [数学一, 知识点构建, 专背清单, 概率论, 大数定律, 中心极限定理] 专题: 概率论 · 第5讲 极限定理 · 专背清单 日期: 2026-11-17 状态: 25 条(式 9 / 表 3 / 判 6 / 模 2 / 反 5) 来源: 知识点构建 19 背诵版;在学练习第5讲上/下;真题库 chapter 19—20 关联笔记: ["[[21-专背清单-概率论-00-总纲与跨讲对照]]", "[[19-背诵版-概率论-第5讲-大数定律与中心极限定理]]"] --- # 第 5 讲 极限定理 · 专背清单 > 25 条,是六册里最短的一册。**本讲只考"条件",不考计算**。所以背诵重心是一张表(三定律的条件差别)和一条顺序(标准化四步)。 ## 一、依概率收敛(5 条) **L5-01** `式` 定义:$X_n\xrightarrow{P}X$ 指 $\forall\varepsilon>0$ ,有 $\lim_{n\to\infty}P\{\lvert X_n-X\rvert\ge\varepsilon\}=0$ 。  └ **$\varepsilon$ 任意、极限为零**,两个条件缺一不可。 **L5-02** `判` 验证依概率收敛的唯一动作:写出 $P\{\lvert X_n-X\rvert\ge\varepsilon\}$ 并证明它趋于 0。  └ **不能**用"$EX_n\to EX$ "或"$DX_n\to0$ "来代替(后者只在大数定律的特定条件下够用)。 **L5-03** `式` 三条运算性质:若 $X_n\xrightarrow{P}a$ 、$Y_n\xrightarrow{P}b$ ($a,b$ 为常数),则 $$X_n\pm Y_n\xrightarrow{P}a\pm b,\qquad X_nY_n\xrightarrow{P}ab,\qquad \frac{X_n}{Y_n}\xrightarrow{P}\frac ab\ (b\ne0).$$ **L5-04** `反` 依概率收敛 **不推出** 期望收敛。  └ 反例:$X_n$ 以概率 $\frac1n$ 取 $n$ ,以 $1-\frac1n$ 取 0。$X_n\xrightarrow{P}0$ 但 $EX_n=1\ne0$ 。 **L5-05** `判` 与数列极限的区别:数列极限要求"$n$ 足够大后**必然**接近",依概率收敛只要求"**大概率**接近"。  └ 所以随机变量序列可以"偶尔跳出去一次",只要越跳越少。 ## 二、切比雪夫与马尔可夫(4 条) **L5-06** `式` 切比雪夫不等式:$EX=\mu$ 、$DX=\sigma^2$ 存在时,$\forall\varepsilon>0$ , $$P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2}.$$ **L5-07** `式` 四种变形(背能对应场景的那一个): | 场景 | 结论 | |---|---| | 取 $\varepsilon=k\sigma$ | $P\{\lvert X-\mu\rvert\ge k\sigma\}\le\dfrac{1}{k^2}$ | | 样本均值 | $P\{\lvert\overline X-\mu\rvert\ge\varepsilon\}\le\dfrac{\sigma^2}{n\varepsilon^2}$ | | 二项频率 | $P\left\{\left\lvert\dfrac Xn-p\right\rvert\ge\varepsilon\right\}\le\dfrac{p(1-p)}{n\varepsilon^2}$ | | 线性组合 | 先算 $EZ$ 、$DZ$ 再代 | **L5-08** `坑` "至少"要下界 $1-\frac{\sigma^2}{\varepsilon^2}$ ,"至多"要上界 $\frac{\sigma^2}{\varepsilon^2}$ 。**方向反了整题反**。 **L5-09** `坑` $\frac1n\sum Y_i$ 的方差是 $\frac{1}{n^2}\sum DY_i$ ,**漏掉 $n^2$ 必错**。 ## 三、三条大数定律(7 条) **L5-10** `表` 三定律条件对照(**本册最该背的一张**): | 定律 | 独立性 | 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(自然独立) | 是(0-1 分布) | 存在 | 存在 | | **辛钦** | 相互独立 | **要求同分布** | **存在** | **不要求** |  └ 一句话对立:**切比雪夫看方差,辛钦看分布**。 **L5-11** `式` 切比雪夫大数定律:$\dfrac1n\sum X_i-\dfrac1n\sum EX_i\xrightarrow{P}0$ 。  └ 证明只用 $\frac{1}{n^2}\sum DX_i\le\frac Cn\to0$ 加切比雪夫不等式。 **L5-12** `式` 伯努利大数定律:$\dfrac{\mu_n}{n}\xrightarrow{P}p$ ,$\mu_n$ 为 $n$ 次试验的成功次数。  └ 这就是"**频率稳定于概率**"的严格表述。 **L5-13** `式` 辛钦大数定律:$X_i$ 独立同分布、$EX_i=\mu$ 存在,则 $\dfrac1n\sum X_i\xrightarrow{P}\mu$ 。 **L5-14** `反` 辛钦大数定律 **不能用切比雪夫不等式证明**(它不要求方差)。  └ 所以它的证明在考纲之外。这一点本身就是考点——"下列哪个可用切比雪夫证明"。 **L5-15** `反` "期望相同"**不保证同分布**。  └ 这是辛钦辨析题的第一号错项。同分布是更强的要求。 **L5-16** `反` "服从同一**类型**的分布"(如都是正态但参数不同)**不保证方差一致有界**。  └ 所以不满足切比雪夫的条件。这是第二号错项。 ## 四、中心极限定理(5 条) **L5-17** `表` 两条定理: | 定理 | 条件 | 结论 | |---|---|---| | **列维–林德伯格** | 独立同分布,$EX=\mu$ ,$DX=\sigma^2\in(0,\infty)$ | $\dfrac{\sum X_i-n\mu}{\sqrt n\,\sigma}\approx N(0,1)$ | | **棣莫弗–拉普拉斯** | $Y_n\sim B(n,p)$ | $\dfrac{Y_n-np}{\sqrt{np(1-p)}}\approx N(0,1)$ |  └ 后者是前者在 0-1 分布上的特例,但**单独考的频率很高**。 **L5-18** `判` 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"**。 **L5-19** `模` 标准化四步:① 定 $T=\sum X_i$ ;② 算 $ET=n\mu$ 、$DT=n\sigma^2$ ;③ $\dfrac{T-ET}{\sqrt{DT}}\approx N(0,1)$ 并把不等式两边同步变换;④ 查 $\Phi$ 。  └ 第③步是唯一的技术活:**两边同减 $ET$ 、同除 $\sqrt{DT}$ **,不等号方向不变。 **L5-20** `坑` 标准差是 $\sqrt n\,\sigma$ ,**不是 $n\sigma$ ** 。  └ $D(\sum X_i)=n\sigma^2$ 是对的,但公式里用的是**标准差**。这是本讲第一号失分点。 **L5-21** `坑` **连续性修正($\pm\frac12$ )考研不需要**,加了反而算错。  └ 直接按 $N(np,np(1-p))$ 算,不要自作聪明。 ## 五、三近似与查表(4 条) **L5-22** `表` 二项的两种近似(**看 $p$ 选**): | 近似 | 条件 | 结果 | |---|---|---| | 正态(棣莫弗–拉普拉斯) | $n$ 大、$p$ 不极端($np\ge5$ 、$n(1-p)\ge5$ ) | $Y_n\approx N(np,np(1-p))$ | | 泊松 | $n$ 大、$p$ 很小、$\lambda=np$ 适中 | $Y_n\approx P(\lambda)$ |  └ 口诀:**$p$ 不极端走正态,$p$ 很小走泊松**。$\lambda$ 取 $np$ ,不是 $n$ 也不是 $p$ 。 **L5-23** `式` 两个常用模板:$P\{T\le1\}\approx\mathrm e^{-\lambda}(1+\lambda)$ (泊松);$P\left\{\sum X_i\le c\right\}\approx\Phi\!\left(\dfrac{c-n\mu}{\sqrt n\sigma}\right)$ 。 **L5-24** `式` $\Phi$ 两恒等式:$P\{Z>z\}=1-\Phi(z)$ ;$P\{\lvert Z\rvert\le z\}=2\Phi(z)-1$ 。  └ 与第 2 讲 L2-24 是同一组,本讲只是换个场合用。 **L5-25** `判` 何时用不等式(切比雪夫)而非正态近似:题目**只给 $EX,DX$ 不给分布**,或者要求"对任意分布都成立"。  └ 给了具体分布(二项、独立同分布)才走 CLT。切比雪夫的界比 CLT 松得多,但**不需要分布信息**。 ## 十秒自检 1. 三定律的条件差别,一句话说出来(切比雪夫看方差,辛钦看分布)。 2. 切比雪夫与辛钦分别"要不要"方差?伯努利定律说的是什么事? 3. 标准化四步,第几步最容易错,为什么是 $\sqrt n\sigma$ 。 4. $n$ 大 $p$ 小用哪个近似,$\lambda$ 等于什么。 5. 依概率收敛为什么不推期望收敛。 五条全过,本讲过关。