Files
MathNotesVersion2/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
Yimu e6711c9bb1 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
2026-11-08 20:18:17 +08:00

20 KiB
Raw Permalink Blame History

tags, 专题, 日期, 更新, 状态, 来源, 关联笔记
tags 专题 日期 更新 状态 来源 关联笔记
数学一
知识点构建
背诵版
概率论
大数定律
中心极限定理
概率论 · 第5讲 大数定律与中心极限定理 · 背诵版 2026-10-27 2026-11-08(v2 重构:分块排版 + 真题数字按 sqlite 校正 + 纯题干题单) 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) 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)
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

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。 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 骨架(先背这张图)

0.1 一句话与三个开关

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。

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)。

三个开关(绝大多数概念题的答案藏在里头):

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

0.2 十年真题地图(sqlite,2016–2025)

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)

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。

0.3 考点树(与在学练习上/下两讲分册一一对应)

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

1 依概率收敛

1.1 定义

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
\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

2.2 使用三步

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。

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。

3 大数定律

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,\ 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

三条结论:

  • 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)。

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。

3.3 条件辨析的三个陷阱

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。

4 中心极限定理

4.1 两条定理

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

口诀:n 大 p 不极端 → 正态;n 大 p 很小 → 泊松。

两个模板:

P\{T\le1\}\approx\mathrm e^{-\lambda}(1+\lambda)\qquad(\text{泊松,}\lambda=np); 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}).

\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 ⟹ $ET=50$、$DT=25$、$\sqrt{DT}=5$。

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(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(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。