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

19 KiB
Raw Blame History

tags, 专题, 日期, 状态, 关联笔记
tags 专题 日期 状态 关联笔记
数学一
在学练习
概率论
大数定律
辛钦
伯努利
切比雪夫
概率论 第5讲上 · 点3 三条大数定律 2026-11-07 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)
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)

\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)

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)

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)

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)

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 | 上游 — | 下游 — | 速查 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 | 上游 — | 下游 点 3 题 3 | 速查 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 | 上游 点 3 题 2 | 下游 — | 速查 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),\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 | 上游 — | 下游 — | 速查 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 | 上游 — | 下游 — | 速查 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 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) | 上游 — | 下游 — | 速查 十 三条定律对照