Files
Yimu 31fe3da11f feat(在学练习): 概率论第5讲(大数定律与CLT)+第6讲(数理统计) 整套;第3讲中高难度卷;md2pdf 工具链
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。
2026-10-16 14:17:28 +08:00

308 lines
17 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
- 在学练习
- 概率论
- 大数定律
- 中心极限定理
- 考点
专题: 概率论 第5讲 · 大数定律与中心极限定理(真题库第 19 章)
日期: 2026-10-16
来源: 🟦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
关联: "[[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
1. **锁定**被估计的随机变量 $Y$,算出 $EY,\ DY$(**不给就自己求**);
2. 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 $\varepsilon$;
3. 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)
1. **定 $T$**:把要求的概率写成"**和**"的形式 $T=\sum X_i$(或 $Y_n$);
2. **算 $ET,\ DT$**:$ET=n\mu$,$DT=n\sigma^2$(二项:$np$、$np(1-p)$);
3. **标准化**:$\dfrac{T-ET}{\sqrt{DT}}\approx N(0,1)$,把不等式两边同减同除;
4. **查 $\Phi$**:$P\{Z\le z\}=\Phi(z)$、$P\{Z>z\}=1-\Phi(z)$、$P\{\lvert Z\rvert\le z\}=2\Phi(z)-1$。
> ⚠️ **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
1. **依概率收敛**:$\forall\varepsilon>0$,$P\{\lvert X_n-X\rvert\ge\varepsilon\}\to0$;**允许个别项跑飞**;
2. **依概率收敛 ⇏ 期望收敛**($X_n=\frac1n$ 概率 $1-\frac1n$、$=n$ 概率 $\frac1n$);
3. **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**;
4. **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**);
5. **伯努利大数定律** = "频率稳定于概率";
6. **中心极限定理**:$\dfrac{\sum X_i-n\mu}{\sqrt n\sigma}\approx N(0,1)$,$n\ge30$ 可用;
7. **二项近似二选一**:$p$ 不极端 → **正态**;$p$ 很小 → **泊松**($\lambda=np$);
8. **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 $n^{2}$:$D\!\left(\frac1n\sum Y_i\right)=\frac{1}{n^2}\sum DY_i$ |
---
> **下一步**:开做 [[02-试题]](16 题,约 70 分钟)。做完对 [[03-解析]],错题回挂 [[做题本]]。