起因:01 重排时核验发现线上残留 $ 243 个,追查后确认 10-27/11-17 写的这批文件
都有同样问题——收尾 $ 后面紧跟中文标点,Gitea 整对不渲染,正文里直接露出
$\lim_{x\to0}...$ 源码,所以整页看着糊成一团。
- 02—20(背诵版)共插入 2550 处空格,逐文件二次运行均插入 0(幂等)
- 21—27(专背清单)另修 24 处「加粗以公式收尾」:公式被移出加粗范围
(`**…$f$ **` → `**…** $f$ `),否则补的空格落在 `**` 内侧,星号会原样露出
- 09/11 等 4 处一个加粗里连着两个公式,迭代剥两次才对
- 01 已在上一提交(da4c938)单独处理,网页残留 0
全部经 fix_text 幂等核验;链接 28 文件 0 异常。
20 KiB
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 | ||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
|
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) |
|
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;②D\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。