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
T

124 lines
13 KiB
Markdown
Raw Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
---
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
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]]"]
---
# 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。
## 0. 本讲骨架(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。
**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)。
**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。
**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。**
**考点树**
| 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) |
## 1. §1 依概率收敛
$X_n\overset{P}{\longrightarrow}X$: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。
## 2. §2 切比雪夫不等式(核心工具)
$EX=\mu$、$DX=\sigma^2$ **存在**时,对任意 $\varepsilon>0$:
$$P\{|X-\mu|\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2}\qquad\text{等价}\qquad P\{|X-\mu|<\varepsilon\}\ge1-\frac{\sigma^2}{\varepsilon^2}.$$
**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。
**常用变形表**
| 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 |
**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。
## 3. §3 大数定律
**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」**。
### 三条定律对照(高频辨析,背表)
| 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**($\exists C$ 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。
## 4. §4 中心极限定理
**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」。
- **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)。
**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 $\sqrt n\sigma$。
## 5. §5 三种「近似」辨析(正态近似 / 泊松近似)
二项分布 $B(n,p)$ 两种近似,**用哪个取决于 $p$**:
| 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(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 $p$)**。
**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($P\{T\le1\}=e^{-\lambda}(1+\lambda)$)。
## 6. 题目清单(16 题)
### 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($\Phi(\frac{20}{\sqrt{400}})=\Phi(1)$)。
### 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($D(X-Y)=1$,$\frac{1}{16}$)。
### 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)。
---
> **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`。