新增 - 在学练习/概率论-第5讲-大数定律与中心极限定理/:README + 01考点手册 + 02试题(16题) + 03解析 + PDF×3 - 在学练习/概率论-第6讲-数理统计/:README + 01考点手册 + 02试题(18题) + 03解析 + PDF×3 - 在学练习/概率论-第3讲.../05-试题-中高难度.md、06-解析-中高难度.md + 平板版 PDF×6(四件套 + 中高难度) - .workbuddy/tools/md2pdf/:md2pdf.js(Markdown→KaTeX→Edge 无头打印 A4,含 answer 留白模式)、shot.js(渲染验收截图) - .workbuddy/memory/:2026-10-14.md、2026-10-16.md、MEMORY.md 更新 - .gitignore:新增忽略 md2pdf/build/(HTML 内联字体,体积大) - 总览.md:目录树同步(第5/6讲、第3讲中高难度卷、PDF 清单) - 第3讲 01-考点手册/02-试题/README:中高难度卷接入与索引回填 说明:PDF 为 KaTeX 矢量公式渲染的平板书写版(试题逐题留白),由 md2pdf.js 从 .md 可重建。
17 KiB
tags, 专题, 日期, 来源, 关联
| tags | 专题 | 日期 | 来源 | 关联 | ||||||
|---|---|---|---|---|---|---|---|---|---|---|
|
概率论 第5讲 · 大数定律与中心极限定理(真题库第 19 章) | 2026-10-16 | 🟦视频 第5讲(4 讲次) · 🟨真题库第 19 章 · 🟩参考仓库 knowledge/4 + exercise/4、knowledge/3 §切比雪夫 | README · 02-试题 · 03-解析 · 概率论-第3讲-多维随机变量及其分布/01-考点手册 |
概率论 第5讲 · 大数定律与中心极限定理 · 考点手册
定位:这一讲是概率论 → 数理统计的过渡,也是"极限行为"的收束。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,属"低投入、必拿分"板块。 用法:先通读本手册建立框架 → 做 02-试题(16 题,约 70 分钟)→ 对 03-解析。 来源记号:🟦 视频讲次 · 🟨 真题库 · 🟩 参考仓库。
0. 本讲定位与学习地图
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。
三条主线(对应视频 4 个讲次)
| 讲次 | 主题 | 核心产出 |
|---|---|---|
| 01 | 基础知识结构 | 三条条件主线:独立 · 期望存在 · 方差存在 |
| 02 | 依概率收敛 | 极限的"概率语言" |
| 03 | 大数定律 | 切比雪夫 / 伯努利 / 辛钦 |
| 04 | 中心极限定理 | 列维–林德伯格 / 棣莫弗–拉普拉斯 + 泊松近似 |
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:正态近似 / 泊松近似
⚠️ 全讲的三个"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就藏在这三点里。
1. 依概率收敛 🟦02 🟩
1.1 定义
设随机变量 X 与随机变量序列 ${X_n}\ (n=1,2,\cdots)$。若对任意 $\varepsilon>0$,
\lim_{n\to\infty}P\{\lvert X_n-X\rvert\ge\varepsilon\}=0\qquad\Longleftrightarrow\qquad \lim_{n\to\infty}P\{\lvert X_n-X\rvert<\varepsilon\}=1,
则称 \{X_n\} 依概率收敛于 $X$,记作
X_n\overset{P}{\longrightarrow}X\quad(n\to\infty).
1.2 为什么叫"依概率"(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。
经典反例(必看):设
P\left\{X_n=\frac1n\right\}=1-\frac1n,\qquad P\{X_n=n\}=\frac1n .则对任意 $\varepsilon>0$,当
n>\dfrac1\varepsilon时\lvert X_n\rvert\ge\varepsilon只在X_n=n时发生,故P\{\lvert X_n\rvert\ge\varepsilon\}=\frac1n\longrightarrow0,即 $X_n\overset{P}{\longrightarrow}0$。但 $E X_n=\dfrac1n\left(1-\dfrac1n\right)+n\cdot\dfrac1n\to1\ne0$。 结论:依概率收敛 ⇏ 期望收敛。这是本讲最容易被忽略的一点。
1.3 常用推论
- 若 $X_n\overset{P}{\longrightarrow}X$,则 $X_n-X\overset{P}{\longrightarrow}0$;
- 若 $X_n\overset{P}{\longrightarrow}c$(常数),则 $X_n^2\overset{P}{\longrightarrow}c^2$、$g(X_n)\overset{P}{\longrightarrow}g(c)$(
g连续); - 依概率收敛是**大数定律、数理统计中"一致性"**的统一语言。
2. 切比雪夫不等式(核心工具)🟨2022·9 🟩
2.1 不等式
设随机变量 X 的 $E X=\mu$、D X=\sigma^2 存在,则对任意 $\varepsilon>0$,
\boxed{\ P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2}\ }\qquad\text{等价于}\qquad P\{\lvert X-\mu\rvert<\varepsilon\}\ge1-\frac{\sigma^2}{\varepsilon^2}.
读法:方差越小(波动越小),X 就越"集中"在期望附近;\varepsilon 越大,\dfrac{\sigma^2}{\varepsilon^2} 越小、界越紧。
2.2 由来(理解即可,不必背证明)
设 X 连续、密度 $f$,记 $D={\lvert x-\mu\rvert\ge\varepsilon}$。由"在 D 上 $\dfrac{(x-\mu)^2}{\varepsilon^2}\ge1$":
\sigma^2=\int_{-\infty}^{+\infty}(x-\mu)^2f(x)\,\mathrm dx\ \ge\ \int_{D}(x-\mu)^2f(x)\,\mathrm dx\ \ge\ \varepsilon^2\!\!\int_{D}f(x)\,\mathrm dx=\varepsilon^2P\{\lvert X-\mu\rvert\ge\varepsilon\}.
两边除以 \varepsilon^2 即得。
2.3 常用变形表
| 场景 | 结论 |
|---|---|
| 一般形式 | P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\dfrac{\sigma^2}{\varepsilon^2} |
| 取 $\varepsilon=k\sigma$($k>0$) | P\{\lvert X-\mu\rvert\ge k\sigma\}\le\dfrac{1}{k^2} |
样本均值 \bar X |
E\bar X=\mu,\ D\bar X=\dfrac{\sigma^2}{n}\ \Rightarrow\ P\{\lvert\bar X-\mu\rvert\ge\varepsilon\}\le\dfrac{\sigma^2}{n\varepsilon^2} |
二项 X\sim B(n,p) |
P\left\{\left\lvert\dfrac Xn-p\right\rvert\ge\varepsilon\right\}\le\dfrac{p(1-p)}{n\varepsilon^2} |
线性组合 Z=X-Y |
先算 $EZ,\ DZ$,再代公式(要用 $\operatorname{Cov}$) |
2.4 使用三步
- 锁定被估计的随机变量 $Y$,算出 $EY,\ DY$(不给就自己求);
- 目标概率写成 $P{\lvert Y-EY\rvert\ge\varepsilon}$(偏离大 → 上界)或 $P{\lvert Y-EY\rvert<\varepsilon}$(落在附近 → 下界),定出 $\varepsilon$;
- 代入。要"至少"写下界($1-\cdots$),要"至多"写上界。
2.5 陷阱清单
| 陷阱 | 正确做法 |
|---|---|
| 方向搞反 | \ge\varepsilon 用 $\dfrac{\sigma^2}{\varepsilon^2}$;<\varepsilon 用 $1-\dfrac{\sigma^2}{\varepsilon^2}$(对立事件) |
| 以为能求精确值 | 只给界,通常很宽松;优点是不依赖具体分布 |
\bar X 的方差写成 \sigma^2 |
是 \dfrac{\sigma^2}{n} |
\frac1n\sum Y_i 漏除 n^2 |
$D!\left(\frac1n\sum Y_i\right)=\dfrac{1}{n^2}\sum DY_i$(独立/不相关时才可加) |
| 不检查矩存在 | 必须 EY,DY 存在 |
二项方差写成 np |
是 np(1-p) |
3. 大数定律 🟦03 🟩
3.1 共同形式
在满足一定条件下,样本均值依概率收敛于期望的均值:
\frac1n\sum_{i=1}^nX_i\ \overset{P}{\longrightarrow}\ \frac1n\sum_{i=1}^nE X_i\qquad(\text{即}\ \bar X\overset{P}{\longrightarrow}E\bar X).
考法:大数定律几乎不考计算,只考「定律成立的条件」与「结论是否正确」——即判断某个序列是否满足独立/不相关、期望是否存在、方差是否有界。
3.2 切比雪夫大数定律
条件:\{X_n\} 相互独立(不要求同分布);E X_i 存在,且 D X_i 存在且一致有上界($\exists C$,使 D X_i\le C 对一切 i 成立)。
结论:$\forall\varepsilon>0$,$\lim\limits_{n\to\infty}P\left{\left\lvert\dfrac1n\sum\limits_{i=1}^nX_i-\dfrac1n\sum\limits_{i=1}^nE X_i\right\rvert<\varepsilon\right}=1$。
证明(用切比雪夫不等式 + 夹逼):
E\!\left(\frac1n\sum X_i\right)=\frac1n\sum E X_i,\qquad D\!\left(\frac1n\sum X_i\right)=\frac{1}{n^2}\sum D X_i\le\frac{nC}{n^2}=\frac Cn .
1\ \ge\ P\left\{\left\lvert\frac1n\sum X_i-\frac1n\sum EX_i\right\rvert<\varepsilon\right\}\ \ge\ 1-\frac{C}{n\varepsilon^2}\ \xrightarrow{\ n\to\infty\ }\ 1 .
由夹逼定理得结论。\blacksquare
证明的钥匙:「不相关」用来消掉协方差项,使 $D!\left(\sum X_i\right)=\sum DX_i$;再除以
n^2得 $\dfrac Cn\to0$。
例题(🟩 仓库):设 \{X_n\} 相互独立,$X_n\sim E(n)$(参数为 n 的指数分布),则下列序列中不服从切比雪夫大数定律的是( )。
(A)$X_1,\frac12X_2,\cdots,\frac1nX_n,\cdots$ (B)$X_1,X_2,\cdots,X_n,\cdots$ (C)$X_1,2X_2,\cdots,nX_n,\cdots$ (D)$X_1,2^2X_2,\cdots,n^2X_n,\cdots$ → D。
(因 X_n\sim E(n) 时 $DX_n=\frac1{n^2}$,四个选项的方差依次为 $\frac1{n^4},\frac1{n^2},1,n^2$,只有 D 无界。)
3.3 伯努利大数定律
条件:\mu_n 为 n 重伯努利试验中事件 $A$(每次概率 $p$,$0<p<1$)发生的次数。
结论:$\dfrac{\mu_n}{n}\overset{P}{\longrightarrow}p$。
证明:$\mu_n\sim B(n,p)$,$E!\left(\dfrac{\mu_n}{n}\right)=p$,$D!\left(\dfrac{\mu_n}{n}\right)=\dfrac{p(1-p)}{n}$,切比雪夫 + 夹逼即得。
意义:这是"频率稳定于概率"的严格表述,也是概率的频率定义的依据。
3.4 辛钦大数定律
条件:\{X_n\} 相互独立且同分布;E X_i=\mu 存在(不要求方差存在)。
结论:$\dfrac1n\sum\limits_{i=1}^nX_i\overset{P}{\longrightarrow}\mu$。
与切比雪夫的区别:辛钦要求同分布但不要求方差;切比雪夫不要求同分布但要求方差一致有界。因为不要求方差,辛钦不能用切比雪夫不等式证明。
例题(🟩 仓库):设 X_1,X_2,\cdots 相互独立,根据辛钦大数定律,当 n\to\infty 时 \dfrac1n\sum X_i 依概率收敛于数学期望,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 → C。
(辛钦要同分布 + 期望存在。B、D 只说"同一类型分布"不保证期望存在;A 只是"期望相同"不保证同分布;C 既同分布(泊松)又期望存在。)
例题:将一枚骰子重复投掷 n 次,\bar X 为点数的算术平均,则 \bar X\overset{P}{\longrightarrow}?
(独立、同分布、期望存在 \mu=\frac16\sum_{i=1}^6i=3.5 ⟹ 由辛钦,$\bar X\overset{P}{\longrightarrow}3.5$。)
3.5 三条定律对照(高频辨析)
| 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 |
| 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 |
记忆:"切比雪夫看方差、辛钦看分布"——两者都不要同分布/不要方差,正好互补;伯努利是二项的特例。
4. 中心极限定理 🟦04 🟨2020·8 🟩
4.1 共同形式
若 X_i 独立同分布(或"近似"),则和的分布趋于正态:
\sum_{i=1}^nX_i\ \overset{\text{近似}}{\sim}\ N(n\mu,\ n\sigma^2)\qquad(n\ \text{充分大}).
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"围绕该常数的波动趋于正态"——后者信息更细。 实用门槛:
n一般 ≥ 30(若接近对称,n\ge10也可)即可使用。
4.2 列维–林德伯格定理(独立同分布版)
条件:\{X_n\} 独立同分布,$E X_i=\mu$、$D X_i=\sigma^2>0$(存在)。
结论:对任意实数 $x$,
\lim_{n\to\infty}P\left\{\frac{\sum\limits_{i=1}^nX_i-n\mu}{\sqrt n\,\sigma}\le x\right\}=\Phi(x),
即
\frac{\sum_{i=1}^nX_i-n\mu}{\sqrt n\,\sigma}\ \overset{\text{近似}}{\sim}\ N(0,1),\qquad \sum_{i=1}^nX_i\ \overset{\text{近似}}{\sim}\ N(n\mu,\ n\sigma^2).
4.3 棣莫弗–拉普拉斯定理(二项版)
条件:$Y_n\sim B(n,p)$($0<p<1$)。
结论:
\frac{Y_n-np}{\sqrt{np(1-p)}}\ \overset{\text{近似}}{\sim}\ N(0,1),\qquad Y_n\ \overset{\text{近似}}{\sim}\ N\big(np,\ np(1-p)\big).
即二项分布的正态近似:
n大、且np与n(1-p)都不太小时使用。
4.4 标准化四步模板(考场流程)
- 定 $T$:把要求的概率写成"和"的形式 $T=\sum X_i$(或 $Y_n$);
- 算 $ET,\ DT$:$ET=n\mu$,$DT=n\sigma^2$(二项:$np$、$np(1-p)$);
- 标准化:$\dfrac{T-ET}{\sqrt{DT}}\approx N(0,1)$,把不等式两边同减同除;
- 查 $\Phi$:$P{Z\le z}=\Phi(z)$、$P{Z>z}=1-\Phi(z)$、$P{\lvert Z\rvert\le z}=2\Phi(z)-1$。
⚠️ 连续性修正一般不要求(考研多数不修正);若题目给的
\Phi值与"严格/非严格不等号"有关,按P\{T\le k\}\approx\Phi\!\left(\dfrac{k-ET}{\sqrt{DT}}\right)处理。
4.5 例题(🟩 仓库)
某生产线每件产品重量随机,平均 50 kg、标准差 5 kg。载重 5 吨的汽车承运,问最多装多少箱可保证不超载的概率大于 $0.977$?($\Phi(2)=0.977$)
设第 i 箱重量 $X_i$,$E X_i=50$、$D X_i=25$。记 $T_n=\sum_{i=1}^nX_i$,则 $ET_n=50n$、$DT_n=25n$、$\sqrt{DT_n}=5\sqrt n$。
P\{T_n\le5000\}\approx\Phi\!\left(\frac{5000-50n}{5\sqrt n}\right)>0.977=\Phi(2)\ \Longrightarrow\ \frac{5000-50n}{5\sqrt n}\ge2\ \Longrightarrow\ n\le98 .
5. 三种「近似」辨析(正态近似 / 泊松近似)🟨2025·9
二项分布 B(n,p) 有两种近似,用哪个取决于 p 的大小:
| 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(np(1-p) 较大,经验 $np\ge5,n(1-p)\ge5$) |
\dfrac{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。"
例题(🟨 2025·9 骨架):$X_i\sim B(1,0.01)$($i=1,\cdots,300$),$T=\sum X_i$,求 P\{T\le1\} 的近似值。
$T\sim B(300,0.01)$,p 很小,取 $\lambda=np=3$,$T\approx P(3)$:
P\{T\le1\}\approx P\{T=0\}+P\{T=1\}=e^{-3}(1+3)=4e^{-3}.
对照(🟨 2025·9 原题):$X_i\sim B(1,0.1)$,$n=20$,$\lambda=2$,$P{T\le1}\approx e^{-2}(1+2)=3e^{-2}$。
6. 十年真题落点地图(🟨 第 19 章 3 题)
| 年份·题号 | 分值 | 考法 | 关键动作 | 本手册节 |
|---|---|---|---|---|
| 2020·8 | 4 | 中心极限定理(0–1 变量求和) | 标准化 + 查 \Phi |
§4.4 |
| 2022·9 | 5 | 大数定律(切比雪夫不等式) | 换 $Y_i=X_i^2$,D Y_i=\mu_4-\mu_2^2 |
§2.3 |
| 2025·9 | 5 | 泊松近似(二项分布) | $\lambda=np$,P\{T\le1\}=e^{-\lambda}(1+\lambda) |
§5 |
跨章牵连(数字特征):2017·14(期望)、2020·14(协方差)、2022·8(方差)、2025·8(线性组合方差最值)——本讲所有计算都建立在这些之上。
规律:本讲只出选填(4–5 分),十年 3 题全部是单选,且每 4–5 年一轮(2020、2022、2025)。属于"背条件 + 套模板"就能拿分的题型。
7. 速查卡 · 陷阱清单
7.1 速记八条
- 依概率收敛:$\forall\varepsilon>0$,$P{\lvert X_n-X\rvert\ge\varepsilon}\to0$;允许个别项跑飞;
- 依概率收敛 ⇏ 期望收敛(
X_n=\frac1n概率 $1-\frac1n$、=n概率 $\frac1n$); - 切比雪夫不等式:
\ge\varepsilon给上界 $\frac{\sigma^2}{\varepsilon^2}$,<\varepsilon给下界 $1-\frac{\sigma^2}{\varepsilon^2}$,只给界不给精确值; - 切比雪夫大数定律:不相关 + 方差一致有界;辛钦:独立同分布 + 期望存在(不要方差);
- 伯努利大数定律 = "频率稳定于概率";
- 中心极限定理:$\dfrac{\sum X_i-n\mu}{\sqrt n\sigma}\approx N(0,1)$,
n\ge30可用; - 二项近似二选一:
p不极端 → 正态;p很小 → 泊松($\lambda=np$); - 大数定律考条件、中心极限定理考计算。
7.2 高频陷阱
| 陷阱 | 正确做法 |
|---|---|
| 把"依概率收敛"当"处处收敛" | 是概率趋于 0,不是每一项都收敛 |
| 用依概率收敛推期望收敛 | 不成立(见速记 2) |
| 切比雪夫不等式方向搞反 | 要"$\ge\varepsilon$"写上界;要"$<\varepsilon$"写 1- |
反解 n 时忘记 \bar X 方差是 \sigma^2/n |
D\bar X=\dfrac{\sigma^2}{n} |
| 辛钦大数定律要求方差 | 不要求,只要求独立同分布 + 期望存在 |
二项用泊松近似时 \lambda 取错 |
$\lambda=np$(不是 n 也不是 $p$) |
正态近似时方差用 \sigma^2 而非 n\sigma^2 |
$D!\left(\sum X_i\right)=n\sigma^2$,标准差是 \sqrt n\,\sigma |
样本均值型题忘记 D\bar X=\frac{\sigma^2}{n} |
先除 $n^{2}$:D\!\left(\frac1n\sum Y_i\right)=\frac{1}{n^2}\sum DY_i |