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。
13 KiB
tags, 专题, 日期, 状态, 来源, 关联笔记
| tags | 专题 | 日期 | 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 | 背诵版 v1(考点完整呈现 + 16 题清单,无解答) | 在学练习/概率论-第5讲上-大数定律、概率论-第5讲下-中心极限定理 | 参考仓库 Math/probability-theory-and-mathematical-statistics |
|
概率论 第5讲 · 大数定律与中心极限定理 · 背诵版
用法:① 看 §0 骨架搭体系;② 逐节闭卷回忆考点正文;③ 用题目清单自测(只列题干不给解,卡住回查在学练习对应文件)。 题源:在学练习
02-试题(16 题:A 组 1–6 / B 组 7–12 / C 组 13–16),编号沿用原题号;考点出处标注参考仓库knowledge/4、exercise/4、knowledge/3 §切比雪夫不等式。难度与真题锚点一并保留。
0. 本讲骨架(先背这张图)
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。
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 / 泊松)。
全讲三个「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藏在这三点里。
真题地位: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,且只出单选(4–5 分)、每 4–5 年一轮。大数定律考条件、中心极限定理考计算。
考点树
| 节 | 考点(对应题目) |
|---|---|
| §1 依概率收敛 | 定义、与数列极限区别(题1) |
| §2 切比雪夫不等式 ★ | 不等式与变形表(题2、3、7、8、12)· 使用三步 |
| §3 大数定律 | 切比雪夫 / 伯努利 / 辛钦 三定律对照(题4、5、13、14、16) |
| §4 中心极限定理 | 列维–林德伯格 / 棣莫弗–拉普拉斯、标准化四步(题6、9、10、15、16) |
| §5 三种近似 | 正态近似 vs 泊松近似(题11) |
1. §1 依概率收敛
$X_n\overset{P}{\longrightarrow}X$:对任意 $\varepsilon>0$,$\lim_{n\to\infty}P{|X_n-X|\ge\varepsilon}=0$(等价 $\lim P{|X_n-X|<\varepsilon}=1$)。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。⚠️ 依概率收敛 ⇏ 期望收敛(经典反例:$P{X_n=\frac1n}=1-\frac1n$、$P{X_n=n}=\frac1n$,则 X_n\overset{P}{\longrightarrow}0 但 $EX_n\to1$)。推论:$X_n\overset{P}{\longrightarrow}c$(常数)则 $X_n^2\overset{P}{\longrightarrow}c^2$、连续 g 有 $g(X_n)\overset{P}{\longrightarrow}g(c)$;依概率收敛是一致性的统一语言。
2. §2 切比雪夫不等式(核心工具)
$EX=\mu$、DX=\sigma^2 存在时,对任意 $\varepsilon>0$:
P\{|X-\mu|\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2}\qquad\text{等价}\qquad P\{|X-\mu|<\varepsilon\}\ge1-\frac{\sigma^2}{\varepsilon^2}.
读法:方差越小越「集中」在期望附近;\varepsilon 越大界越紧。只给界、不给精确值,优点是不依赖具体分布。
常用变形表
| 场景 | 结论 |
|---|---|
| 取 $\varepsilon=k\sigma$($k>0$) | $P{ |
样本均值 \bar X |
$D\bar X=\frac{\sigma^2}{n}\ \Rightarrow\ P{ |
二项 X\sim B(n,p) |
$P{ |
线性组合 Z=X-Y |
先算 $EZ,DZ$(要用 $\operatorname{Cov}$)再代 |
使用三步:① 锁定被估计的 $Y$,算 $EY,DY$(不给就自己求);② 目标概率写成 $P{|Y-EY|\ge\varepsilon}$(偏离大→上界)或 $P{|Y-EY|<\varepsilon}$(落在附近→下界);③ 代入。「至少」写下界 $1-\cdots$,「至多」写上界。方向搞反是头号陷阱;\frac1n\sum Y_i 的方差 = $\frac1{n^2}\sum DY_i$(独立/不相关时才可加),漏除 n^2 必错。
3. §3 大数定律
共同形式:在一定条件下 $\frac1n\sum X_i\overset{P}{\longrightarrow}\frac1n\sum EX_i$(即 $\bar X\overset{P}{\longrightarrow}E\bar X$)。几乎不考计算,只考「定律成立的条件」与「结论是否正确」。
三条定律对照(高频辨析,背表)
| 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(\exists C 使 $DX_i\le C$) |
| 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 |
- 切比雪夫大数定律结论:$\lim P{|\frac1n\sum X_i-\frac1n\sum EX_i|<\varepsilon}=1$;证明用切比雪夫 + 夹逼($D(\frac1n\sum X_i)=\frac1{n^2}\sum DX_i\le\frac Cn\to0$)。
- 伯努利大数定律:$\frac{\mu_n}{n}\overset{P}{\longrightarrow}p$——「频率稳定于概率」的严格表述。
- 辛钦大数定律:$\frac1n\sum X_i\overset{P}{\longrightarrow}\mu$。与切比雪夫互补:「切比雪夫看方差、辛钦看分布」——辛钦要求同分布但不要求方差,因此不能用切比雪夫不等式证明。
- 陷阱:B/D 选项「服从同一类型分布」不保证期望存在;A「期望相同」不保证同分布;只有「同一泊松分布」既同分布又期望存在。
4. §4 中心极限定理
共同形式:X_i 独立同分布(或近似)时,和的分布趋于正态:$\sum X_i\overset{\text{近似}}{\sim}N(n\mu,\ n\sigma^2)$(n 充分大,一般 $n\ge30$)。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」。
- 列维–林德伯格(独立同分布版):$EX_i=\mu$、
DX_i=\sigma^2>0存在,则 $\frac{\sum X_i-n\mu}{\sqrt n\sigma}\overset{\text{近似}}{\sim}N(0,1)$。 - 棣莫弗–拉普拉斯(二项版):$Y_n\sim B(n,p)$,$\frac{Y_n-np}{\sqrt{np(1-p)}}\overset{\text{近似}}{\sim}N(0,1)$,$Y_n\overset{\text{近似}}{\sim}N(np,np(1-p))$(
n大且 $np$、n(1-p)都不太小)。
标准化四步模板(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 $\frac{T-ET}{\sqrt{DT}}\approx N(0,1)$,不等式两边同减同除;④ 查 $\Phi$:$P{Z\le z}=\Phi(z)$、$P{Z>z}=1-\Phi(z)$、$P{|Z|\le z}=2\Phi(z)-1$。方差别忘 n 倍:$D(\sum X_i)=n\sigma^2$,标准差 $\sqrt n\sigma$。
5. §5 三种「近似」辨析(正态近似 / 泊松近似)
二项分布 B(n,p) 两种近似,用哪个取决于 $p$:
| 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(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 |
判别口诀:「n 大 p 不极端 → 正态;n 大 p 很小 → 泊松」。泊松近似模板:$P{T\le1}\approx P{T=0}+P{T=1}=e^{-\lambda}(1+\lambda)$。$\lambda=np$(不是 n 也不是 $p$)。
十年真题地图:2020·8 中心极限(0–1 变量求和,标准化+查 $\Phi$);2022·9 切比雪夫(换 $Y_i=X_i^2$,$DY_i=\mu_4-\mu_2^2$);2025·9 泊松近似($P{T\le1}=e^{-\lambda}(1+\lambda)$)。
6. 题目清单(16 题)
A 组 · 基础(★☆☆)
- 题 1 · 依概率收敛(A):$P{X_n=\frac1n}=1-\frac1n$、$P{X_n=n}=\frac1n$。(Ⅰ)证明 $X_n\overset{P}{\longrightarrow}0$;(Ⅱ)求
EX_n并说明是否收敛于 0,由此得什么结论(依概率收敛 ⇏ 期望收敛)。 - 题 2 · 切比雪夫不等式(A):$EX=5$、$DX=2$。(Ⅰ)估计
P\{|X-5|\ge4\}的上界($\frac{2}{16}=\frac18$);(Ⅱ)估计P\{|X-5|<4\}的下界($\frac78$)。 - 题 3 · 二项+切比雪夫(A):$X\sim B(1000,0.5)$,估计
P\{450<X<550\}的下界($\sigma^2=250$,$\varepsilon=50$,下界 $1-\frac{250}{2500}=\frac9{10}$)。 - 题 4 · 辛钦大数定律的应用(A):掷骰子
n次,\bar X为点数平均,当n\to\infty时依概率收敛于何值($\mu=3.5$;独立同分布+期望存在,用辛钦)? - 题 5 · 辛钦大数定律的条件(A):
\{X_n\}独立,则\frac1n\sum X_i依概率收敛于数学期望,只要 ${X_n}$( )。(A)有相同数学期望(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。 - 题 6 · 中心极限定理(A):
X_1,\dots,X_{100}独立同分布,$EX_i=1$、$DX_i=4$,用中心极限定理求P\{\sum_{i=1}^{100}X_i\le120\}的近似值($\Phi(\frac{20}{\sqrt{400}})=\Phi(1)$)。
B 组 · 中等(★★☆)
- 题 7 · 切比雪夫【真题骨架 2022·9】(B):
X_i独立同分布,$EX_1=0$、$EX_1^2=1$、$EX_1^4=5$,$Y_i=X_i^2$。(Ⅰ)求EY_i与 $DY_i$(1与 $\mu_4-\mu_2^2=4$);(Ⅱ)用切比雪夫估计P\{|\frac1n\sum X_i^2-1|\ge\varepsilon\}的上界($\frac{4}{n\varepsilon^2}$)。 - 题 8 · 反解样本量(B):$EX=20$、$DX=9$,使
n次独立观测的\bar X满足 $P{|\bar X-20|<1}\ge0.9$,估计n至少取多少($\frac9{n\cdot1}\le0.1\Rightarrow n\ge90$)。 - 题 9 · 中心极限定理·应用(B):产品平均 10 kg、标准差 0.5 kg,载重 1000 kg,最多装多少件保证不超载概率 >0.977($\Phi(2)=0.977$;
\frac{1000-10n}{0.5\sqrt n}\ge2\Rightarrow n\approx约 98)。 - 题 10 · 中心极限【真题骨架 2020·8】(B):
X_1,\dots,X_{400}独立同分布,$P{X_i=0}=P{X_i=1}=\frac12$,求P\{\sum X_i\le210\}的近似值($ET=200$、$DT=100$,$\Phi(1)$)。 - 题 11 · 泊松近似【真题骨架 2025·9】(B):$X_1,\dots,X_{300}\sim B(1,0.01)$,$T=\sum X_i$,用泊松近似求 $P{T\le1}$($\lambda=3$,$4e^{-3}$)。
- 题 12 · 切比雪夫+协方差(B):$EX=EY$,$DX=DY=1$,$\rho=\frac12$,估计
P\{|X-Y|\ge4\}的上界($D(X-Y)=1$,$\frac{1}{16}$)。
C 组 · 拔高(★★★)
- 题 13 · 切比雪夫大数定律的条件辨析(C):
\{X_n\}独立,$X_n\sim E(n)$,下列不服从切比雪夫大数定律的是( )。(A)$X_1,\frac12X_2,\dots,\frac1nX_n$(B)$X_1,X_2,\dots$(C)$X_1,2X_2,\dots,nX_n$(D)X_1,2^2X_2,\dots,n^2X_n→ D($DX_n=\frac1{n^2}$,四项方差 $\frac1{n^4},\frac1{n^2},1,n^2$,仅 D 无界)。 - 题 14 · 切比雪夫大数定律的证明(C):
\{X_n\}两两不相关,$DX_i\le C$,证明 $\lim P{|\frac1n\sum X_i-\frac1n\sum EX_i|\ge\varepsilon}=0$(不相关消协方差 →D\le\frac Cn\to0→ 切比雪夫+夹逼)。 - 题 15 · 中心极限·反解 $n$(C):零件寿命平均 100 小时、标准差 10 小时,求最小
n使 $P{\sum_{i=1}^nX_i\ge10000}\ge0.95$($\Phi(1.645)=0.95$;-\frac{0.1n}{10\sqrt n}\ge-1.645或等价反解)。 - 题 16 · 综合辨析(C):
X_i独立同分布,$EX_i=\mu$、$DX_i=\sigma^2$,$\bar X=\frac1n\sum X_i$。(Ⅰ)用切比雪夫证 $\bar X\overset{P}{\longrightarrow}\mu$;(Ⅱ)用中心极限写P\{|\bar X-\mu|<\varepsilon\}的近似(\Phi表示),并说明n\to\infty趋于 1;(Ⅲ)比较两种估计谁更精确、各需什么条件(中心极限精确、需方差存在;切比雪夫只需方差存在给界)。
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
参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4、exercise/4、knowledge/3 §切比雪夫不等式。