Files
MathNotesVersion2/基于考研的学习/数学一/在学练习/概率论-第5讲上-大数定律/04-点3-三条大数定律.md
T
Yimu 60dfb19579 refactor(概率论第5讲): 拆为上册「大数定律」+ 下册「中心极限定理」,各按知识点带题重写
上册 14 题(3 点):
- 点1 依概率收敛:定义、与数列极限的三条区别、四则运算与连续映射
- 点2 切比雪夫不等式:变形表、三步四陷阱、换元(含 2022·9 骨架)
- 点3 三条大数定律:共同形式、切比雪夫(含证明与条件辨析)、伯努利、辛钦、对照

下册 7 题(3 点):
- 点1 列维-林德伯格:定理、标准化四步、反解 n(含 2020·8 骨架)
- 点2 棣莫弗-拉普拉斯:二项的正态近似、连续性修正
- 点3 三种近似辨析:判据表、泊松近似(含 2025·9 骨架)

同步:总览目录树、第6讲相邻讲次、第一次模拟卷入口、知识点构建索引与第19背诵版回查入口;
删除旧「概率论-第5讲-大数定律与中心极限定理」三件套目录。全部数值经 python 复核。
2026-11-07 12:50:44 +08:00

317 lines
19 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, 辛钦, 伯努利, 切比雪夫]
专题: 概率论 第5讲上 · 点3 三条大数定律
日期: 2026-11-07
状态: 知识点带题(3.1 共同形式、3.2 切比雪夫、3.3 伯努利、3.4 辛钦、3.5 对照,共 6 题)
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
---
# 点 3 三条大数定律
> 2022·9 的前置、十年未单独出题,但**"该用哪条定律"是选择题的固定考法**|重要度 ★★★
> 依赖:点 1 的依概率收敛、点 2 的切比雪夫不等式。盘点对应:§3 全节。
**组织原则**:三条定律的**结论完全一样**,差别只在条件,所以本点的核心是"**条件对照**"而不是"背三条结论"。六题按"共同形式 → 切比雪夫的证明 → 切比雪夫的条件辨析 → 伯努利的应用 → 辛钦的条件 → 三条对照"递进,第 3 题与第 6 题是两种典型的选择题形态。难度标准:★☆☆ 两题、★★☆ 两题、★★★ 两题。
## 知识点 3.1 三条定律的共同形式(出处:[知识章 §2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/law-of-large-numbers-and-central-limit-theorem.tex))
$$\frac1n\sum_{i=1}^{n}X_i-\frac1n\sum_{i=1}^{n}EX_i\overset{P}{\longrightarrow}0 .$$
同分布时右半截就是常数 $\mu$ ,简写为 $\bar X\overset{P}{\longrightarrow}\mu$ 。
**所以要背的只有条件**:
| 定律 | 条件 |
|---|---|
| 切比雪夫 | 两两不相关,$DX_i\le C$ |
| 伯努利 | $n$ 重伯努利试验 |
| 辛钦 | 独立同分布,期望存在 |
## 知识点 3.2 切比雪夫大数定律(出处:[知识章 §2.1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/law-of-large-numbers-and-central-limit-theorem.tex))
**条件**:$X_1,X_2,\cdots$ **两两不相关**,存在常数 $C$ 使 $DX_i\le C$ 。
**结论**:$\dfrac1n\sum X_i-\dfrac1n\sum EX_i\overset{P}{\longrightarrow}0$ 。
**证明主线(两行都不能省)**:
$$D\left(\frac1n\sum_{i=1}^{n}X_i\right)=\frac{1}{n^2}\sum_{i=1}^{n}DX_i\le\frac{nC}{n^2}=\frac{C}{n}\longrightarrow0,$$
再对 $\frac1n\sum X_i$ 用切比雪夫不等式,令 $n\to\infty$ 即得结论。
> **"两两不相关"就为了第一行**:不相关才允许把"和的方差"拆成"方差的和"。若条件给的是"独立",更强,当然也成立。
>
> **实际用到的是更弱的条件**:证明里只用到 $\dfrac{1}{n^2}\sum\limits_{i=1}^{n}DX_i\to0$ ,"一致有界"只是它的一个充分条件。所以判断某个序列"是否满足切比雪夫大数定律"时,**直接算 $\frac{1}{n^2}\sum DX_i$ 的极限**最保险。
## 知识点 3.3 伯努利大数定律(出处:[知识章 §2.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/law-of-large-numbers-and-central-limit-theorem.tex))
**条件**:$n$ 重伯努利试验,每次 $A$ 发生概率为 $p$ ,$\nu_n$ 为 $A$ 发生的次数。
**结论**:
$$\frac{\nu_n}{n}\overset{P}{\longrightarrow}p .$$
**它是切比雪夫定律的特例**:$X_i\sim B(1,p)$ ,$EX_i=p$ 、$DX_i=p(1-p)\le\frac14$ ,方差一致有界自动成立。
**意义**:这是"**用频率估计概率**"的全部依据,也是第 6 讲"矩估计相合性"的出发点。
## 知识点 3.4 辛钦大数定律(出处:[知识章 §2.3](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/law-of-large-numbers-and-central-limit-theorem.tex))
**条件**:$X_1,X_2,\cdots$ **独立同分布**,且**期望存在**($EX_i=\mu$ )。
**结论**:$\bar X\overset{P}{\longrightarrow}\mu$ 。
**与切比雪夫的关键差别**:辛钦**不要方差存在**,但要**同分布**。
- 柯西分布(期望不存在)用不了辛钦;
- "期望存在但方差不存在"的重尾分布,只有辛钦能管;
- 分布不同(但期望相同)时,切比雪夫可以、辛钦不行。
## 知识点 3.5 三条定律的对照(出处:[知识章 §2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/law-of-large-numbers-and-central-limit-theorem.tex))
| 定律 | 独立要求 | 同分布 | 方差要求 | 期望要求 | 结论 |
|---|---|---|---|---|---|
| 切比雪夫 | 两两**不相关** | 不要求 | $DX_i\le C$ | 存在 | $\bar X-E\bar X\overset{P}{\to}0$ |
| 伯努利 | 独立($0$ -$1$ 试验) | 自动 | 自动 | 自动 | $\frac{\nu_n}{n}\overset{P}{\to}p$ |
| 辛钦 | **独立** | **要求** | **不要求** | 存在 | $\bar X\overset{P}{\to}\mu$ |
**一句话记法**:**切比雪夫管"方差有界",辛钦管"同分布",伯努利是二者的交集特例。**
---
## 题目(按知识点顺序对应)
### 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)$\dfrac{\nu_n}{n}$ 。
**怎么想**:三条定律的"共同形式"就是"**平均值 → 期望**"。所以第(Ⅱ)问的关键是认出"$Y_i=(X_i-\mu)^2$ 也是一个独立同分布序列,它的期望是 $\sigma^2$ "。
**解**:
**(Ⅰ)** 由辛钦大数定律(独立同分布、期望存在),
$$\frac1n\sum_{i=1}^{n}X_i\overset{P}{\longrightarrow}\mu .$$
**(Ⅱ)** 令 $Y_i=(X_i-\mu)^2$ 。$Y_i$ 独立同分布,且
$$EY_i=E(X_i-\mu)^2=DX_i=\sigma^2 .$$
对 $\{Y_i\}$ 用辛钦大数定律:
$$\frac1n\sum_{i=1}^{n}(X_i-\mu)^2\overset{P}{\longrightarrow}\sigma^2 .$$
**(Ⅲ)** 令 $X_i=\begin{cases}1,&A\text{ 发生}\\0,&A\text{ 不发生}\end{cases}$ ,则 $\nu_n=\sum X_i$ ,且 $X_i$ 独立同分布、$EX_i=p$ 。由伯努利大数定律(或直接对 $\{X_i\}$ 用辛钦定律),
$$\frac{\nu_n}{n}\overset{P}{\longrightarrow}p .$$
**带走结论**:**"平均值的极限 = 期望"是全讲唯一的句式**。看到 $\frac1n\sum(\text{某个函数})$ 就问一句:"这个函数的期望是多少?"——答案就是极限。第(Ⅱ)问的 $\sigma^2$ 与第(Ⅲ)问的 $p$ ,都是这样"读"出来的,而不是算出来的。
> **关联** · 盘点 [§3.1 共同形式](01-知识点盘点.md#user-content-31-共同形式) | 上游 — | 下游 — | 速查 [六 三条定律的共同形式](05-速查卡.md#user-content-六-三条定律的共同形式)
---
### 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 $\varepsilon>0$ ,
>
> $$\lim_{n\to\infty}P\left\{\left\lvert\frac1n\sum_{i=1}^{n}X_i-\frac1n\sum_{i=1}^{n}EX_i\right\rvert\ge\varepsilon\right\}=0 .$$
**怎么想**:这是"用切比雪夫不等式证依概率收敛"的标准三步——**算期望 → 算方差 → 套不等式 → 让 $n\to\infty$ 这四步** 。注意被控变量是 $\frac1n\sum X_i$ 减自己的期望,所以中心就是 $0$ 。
**证**:
记 $\bar X=\dfrac1n\sum\limits_{i=1}^{n}X_i$ 。先算它的期望与方差。
**期望**(线性,不要求独立):
$$E\bar X=\frac1n\sum_{i=1}^{n}EX_i .$$
**方差**(这里用到"两两不相关",交叉项才全为 $0$ ):
$$D\bar X=D\left(\frac1n\sum_{i=1}^{n}X_i\right)=\frac{1}{n^2}\left[\sum_{i=1}^{n}DX_i+2\sum_{i<j}\operatorname{Cov}(X_i,X_j)\right]=\frac{1}{n^2}\sum_{i=1}^{n}DX_i .$$
代入 $DX_i\le C$ :
$$D\bar X\le\frac{nC}{n^2}=\frac{C}{n}.$$
**套切比雪夫不等式**:对 $\bar X$ 用不等式,取 $\varepsilon>0$ ,
$$0\le P\left\{\left\lvert\bar X-E\bar X\right\rvert\ge\varepsilon\right\}\le\frac{D\bar X}{\varepsilon^2}\le\frac{C}{n\varepsilon^2}.$$
令 $n\to\infty$ ,右端趋于 $0$ ,由夹逼得
$$\lim_{n\to\infty}P\left\{\left\lvert\bar X-E\bar X\right\rvert\ge\varepsilon\right\}=0 . \qquad\blacksquare$$
**验算**:把证明里的两个条件各去掉一条,看哪里断——若去掉"不相关",$\operatorname{Cov}$ 项留不下来,$D\bar X$ 的上界不成立;若去掉"$DX_i\le C$ "而改成一列方差 $DX_i=i^2$ ,则 $D\bar X=\frac{1}{n^2}\cdot\frac{n(n+1)(2n+1)}{6}\sim\frac{n}{3}\to\infty$ ,结论崩。
**带走结论**:**证明题的四个得分点**:写出 $\bar X$ 的定义、算 $E\bar X$ 、算 $D\bar X$ 时点明"不相关所以交叉项为零"、最后夹逼。少任何一个都要扣分。**"两两不相关"这句话必须写出来并说明用途**,只写结论不给分。
> **关联** · 盘点 [§3.2 切比雪夫大数定律](01-知识点盘点.md#user-content-32-切比雪夫大数定律) | 上游 — | 下游 [点 3 题 3](04-点3-三条大数定律.md#user-content-题-3--32条件辨析谁不满足) | 速查 [七 切比雪夫大数定律](05-速查卡.md#user-content-七-切比雪夫大数定律)
---
### 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)$X_1,\ 2^2X_2,\ \cdots,\ n^2X_n,\ \cdots$
**怎么想**:切比雪夫大数定律真正用到的条件是 $\dfrac{1}{n^2}\sum\limits_{i=1}^{n}DX_i\to0$ ,不要只盯着"一致有界"。$E(n)$ 的方差是 $\frac{1}{n^2}$ ,乘上系数 $c_n$ 后方差变成 $\frac{c_n^2}{n^2}$ ,逐个算一遍即可。
**解**:
先记基本量:$X_n\sim E(n)$ ,故 $EX_n=\dfrac1n$ 、$DX_n=\dfrac{1}{n^2}$ 。
依次算"和的方差 / $n^2$ ":
**(A)** 第 $k$ 项为 $\frac1kX_k$ ,$D\left(\frac1kX_k\right)=\frac{1}{k^2}\cdot\frac{1}{k^2}=\frac{1}{k^4}$ ,
$$\frac{1}{n^2}\sum_{k=1}^{n}\frac{1}{k^4}\le\frac{1}{n^2}\cdot\frac{\pi^4}{90}\longrightarrow0\ ✓$$
**(B)** $D X_k=\dfrac{1}{k^2}$ ,
$$\frac{1}{n^2}\sum_{k=1}^{n}\frac{1}{k^2}\le\frac{1}{n^2}\cdot\frac{\pi^2}{6}\longrightarrow0\ ✓$$
**(C)** 第 $k$ 项为 $kX_k$ ,$D(kX_k)=k^2\cdot\dfrac{1}{k^2}=1$ ,
$$\frac{1}{n^2}\sum_{k=1}^{n}1=\frac{n}{n^2}=\frac1n\longrightarrow0\ ✓$$
**(D)** 第 $k$ 项为 $k^2X_k$ ,$D\left(k^2X_k\right)=k^4\cdot\dfrac{1}{k^2}=k^2$ ,
$$\frac{1}{n^2}\sum_{k=1}^{n}k^2=\frac{1}{n^2}\cdot\frac{n(n+1)(2n+1)}{6}\sim\frac{n}{3}\longrightarrow+\infty\ \times$$
所以 **(D)** 不满足。
**验算**:(C)这一项最容易误判——直觉上"系数乘 $n$ 一定发散",但 $E(n)$ 的方差本来就按 $\frac{1}{n^2}$ 衰减,乘 $n$ 之后恰好抵消成一个常数 $1$ 。**"方差一致有界"是充分条件而不是必要条件**,(C)的方差恒为 $1$ (确实一致有界),(A)(B)的方差趋于 $0$ 但不一致有下界(无所谓),三者都合格;只有(D)的方差按 $k^2$ 增长,把 $\frac{1}{n^2}$ 的平滑吃光了。
**带走结论**:**判断这类题只做一件事:算 $\dfrac{1}{n^2}\sum\limits_{k=1}^{n}DX_k$ 的阶**。它是 $O(1/n)$ 或更快就满足,是 $O(n)$ 就崩。别去背"一致有界",那个条件会骗人。
> **关联** · 盘点 [§3.2 切比雪夫大数定律](01-知识点盘点.md#user-content-32-切比雪夫大数定律) | 上游 [点 3 题 2](04-点3-三条大数定律.md#user-content-题-2--32切比雪夫大数定律的证明) | 下游 — | 速查 [七 切比雪夫大数定律](05-速查卡.md#user-content-七-切比雪夫大数定律)
---
### 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
>
> $$P\left\{\left\lvert\frac{\nu_n}{n}-0.5\right\rvert<0.01\right\}\ge0.95\ ?$$
**怎么想**:$\frac{\nu_n}{n}$ 就是 $0$ -$1$ 变量的样本均值,所以 $D\left(\frac{\nu_n}{n}\right)=\frac{p(1-p)}{n}$ 。套点 2 的反解套路即可。
**解**:
令 $X_i$ 为第 $i$ 次的结果(正面记 $1$ 、反面记 $0$ ),则 $X_i\sim B(1,0.5)$ ,$EX_i=0.5$ 、$DX_i=0.25$ ,且 $\frac{\nu_n}{n}=\bar X$ 。于是
$$D\left(\frac{\nu_n}{n}\right)=\frac{0.25}{n}.$$
套切比雪夫不等式的下界形式,取 $\varepsilon=0.01$ :
$$P\left\{\left\lvert\frac{\nu_n}{n}-0.5\right\rvert<0.01\right\}\ge1-\frac{0.25}{n\times10^{-4}}=1-\frac{2500}{n}.$$
要求 $1-\dfrac{2500}{n}\ge0.95$ ,即 $\dfrac{2500}{n}\le0.05$ ,故
$$n\ge\frac{2500}{0.05}=50000 .$$
**至少抛 $50000$ 次**。
**这个数为什么这么夸张**:真正需要多少次?由中心极限定理([第5讲下](../概率论-第5讲下-中心极限定理/README.md)),$\frac{\nu_n}{n}$ 近似 $N\!\left(0.5,\frac{0.25}{n}\right)$ ,要求
$$2\Phi\left(\frac{0.01\sqrt n}{0.5}\right)-1\ge0.95\ \Longrightarrow\ 0.02\sqrt n\ge1.96\ \Longrightarrow\ n\ge9604 .$$
**切比雪夫要 $50000$ 次,中心极限定理只要 $9604$ 次**,差 $5$ 倍多。原因是切比雪夫对分布形状一无所知,只能按最坏情形估。
**验算**:$n=50000$ 时 $\frac{2500}{50000}=0.05$ ,界恰为 $0.95$ ✓;$n=49999$ 时界为 $0.9499<0.95$ ,不满足。
**带走结论**:**"切比雪夫给的 $n$ 一定是偏大的、但一定够用"**。考试若同时允许两种方法,题目会明确说"用切比雪夫不等式估计";不说而只要一个"近似值"时,用中心极限定理。**两者不能混用**——用 CLT 算出的 $9604$ 代入切比雪夫不等式是不成立的。
> **关联** · 盘点 [§3.3 伯努利大数定律](01-知识点盘点.md#user-content-33-伯努利大数定律) | 上游 — | 下游 — | 速查 [八 伯努利大数定律](05-速查卡.md#user-content-八-伯努利大数定律)
---
### 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?
**怎么想**:辛钦定律三条件——独立、同分布、期望存在——本题全部满足,所以直接算期望即可。
**解**:
**(Ⅰ)** $X_i$ 独立同分布,且
$$EX_i=\frac{1+2+3+4+5+6}{6}=\frac{21}{6}=3.5 .$$
由辛钦大数定律,
$$\bar X\overset{P}{\longrightarrow}3.5 .$$
三条条件逐一核对:独立性(各次投掷互不影响)、同分布(每次都是 $1$ 到 $6$ 等可能)、期望存在(有限个取值,期望必存在)。**注意不需要方差**——虽然本题方差当然存在($DX_i=\frac{35}{12}$ ),但辛钦定律用不到它。
**(Ⅱ)** 令 $Y_i=X_i^2$ 。$Y_i$ 独立同分布,且
$$EY_i=EX_i^2=\frac{1+4+9+16+25+36}{6}=\frac{91}{6}\approx15.17 .$$
由辛钦大数定律,
$$\frac1n\sum_{i=1}^{n}X_i^2\overset{P}{\longrightarrow}\frac{91}{6} .$$
**验算**:用 $DX=EX^2-(EX)^2$ 反查:$\frac{91}{6}-\left(\frac72\right)^2=\frac{91}{6}-\frac{49}{4}=\frac{182-147}{12}=\frac{35}{12}$ ,正是均匀骰子的方差 ✓。
**带走结论**:**辛钦定律只要求"独立同分布 + 期望存在"**,方差有无完全不影响。这一点与切比雪夫定律恰好相反,是两条定律最容易考的反差。凡是题目给的是"独立同分布"而没有提方差,就用辛钦。
> **关联** · 盘点 [§3.4 辛钦大数定律](01-知识点盘点.md#user-content-34-辛钦大数定律) | 上游 — | 下游 — | 速查 [九 辛钦大数定律](05-速查卡.md#user-content-九-辛钦大数定律)
---
### 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。
**怎么想**:辛钦定律要三条:**独立、同分布、期望存在**。选项必须**同时**满足后两条。逐个检验"期望是否存在"是关键——同分布不等于期望存在。
**解**:
**(Ⅰ)选(C)**。
**(Ⅱ)逐项反驳**:
**(A)有相同的数学期望**:不同分布也能有相同的期望。例如 $X_n$ 取 $n$ 的概率为 $\frac{1}{2n}$ 、取 $-n$ 的概率为 $\frac{1}{2n}$ 、取 $0$ 的概率为 $1-\frac1n$ ,则 $EX_n=0$ 恒成立,但 $\frac1n\sum X_i$ 并不依概率收敛于 $0$ (尾部贡献不可控,与 [点 1 题 2](02-点1-依概率收敛.md#user-content-题-2--12只控制概率不控制数值) 同型)。**同分布这一条不能被"同期望"替代。**
**(B)服从同一离散型分布**:取同一个分布
$$P\{X=k\}=\frac{6}{\pi^2k^2}\quad(k=1,2,3,\cdots),$$
它是合法的离散型分布($\sum\frac{6}{\pi^2k^2}=1$ ),所有 $X_n$ 都服从它,**同分布成立**。但
$$E\lvert X\rvert=\sum_{k=1}^{\infty}\frac{6}{\pi^2k^2}\cdot k=\frac{6}{\pi^2}\sum_{k=1}^{\infty}\frac1k=+\infty,$$
期望**不存在**,辛钦定律用不了。**"同一离散型分布"根本不保证期望存在**——只要尾部按 $\frac{1}{k^2}$ 衰减,概率和收敛而期望和发散,这正是"期望存在"比"分布合法"严格得多的地方。
**(C)服从同一泊松分布**:泊松分布 $P(\lambda)$ 的期望就是 $\lambda$ ,有限,一定存在。**它是四个选项里唯一能保证"同分布 + 期望存在"的。**
**(D)服从同一连续型分布**:标准柯西分布 $f(x)=\dfrac{1}{\pi(1+x^2)}$ 是同一连续型分布,但
$$\int_{-\infty}^{+\infty}\frac{\lvert x\rvert}{\pi(1+x^2)}\,\mathrm dx=+\infty,$$
期望**不存在**,辛钦定律同样用不了。
**验算**:(B)与(D)是同一个毛病的两种写法——**密度/概率只要求"可积到 $1$ ",期望却要求"乘上 $\lvert x\rvert$ 之后仍可积"**。$\frac{1}{x^2}$ 型尾部的和(积分)收敛,但乘上 $x$ 之后变成 $\frac1x$ 型,就发散了。所以"分布合法"与"期望存在"之间隔着整整一阶。
**带走结论**:**看到"根据辛钦大数定律……只要"这类题,一律按三步筛选项**:先删"只同期望不同分布"(A),再删"同分布但不保证期望存在"(B)(D),剩下那个"参数本身就等于期望"的具体分布(C)就是答案。这个套路在选择题里反复出现。
> **关联** · 盘点 [§3.5 三条定律对照(高频辨析)](01-知识点盘点.md#user-content-35-三条定律对照高频辨析) | 上游 — | 下游 — | 速查 [十 三条定律对照](05-速查卡.md#user-content-十-三条定律对照)
---