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/01-知识点盘点.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

218 lines
13 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, 依概率收敛, 切比雪夫, 知识点盘点]
专题: 概率论 第5讲上 · 大数定律
日期: 2026-11-07
状态: 知识点盘点(三节 + 覆盖对照表),配套 3 个点分册共 14 题
关联笔记: ["[[README]]", "[[05-速查卡]]"]
---
# 第5讲上 · 大数定律:知识点盘点
真题库第 19 章。近十年 **3 题 14 分**,**全部是单选**:2020·8(中心极限定理 4 分)、2022·9(切比雪夫不等式 5 分)、2025·9(泊松近似 5 分)。
**上下两册怎么切**:**上册只谈"趋于一个数"**(依概率收敛、切比雪夫不等式、三条大数定律),**下册只谈"趋于一个分布"**(中心极限定理、两种近似)。分界点是**收敛的强弱**——依分布收敛比依概率收敛强,但考场上用得更多的反而是弱的那个,因为它的条件好验(只要方差存在)。
**一句话定性**:大数定律回答"**为什么能用频率代替概率、用样本均值代替总体均值**"。三条定律的差别只在**要什么条件**,结论长得一模一样。
## 0 三张表
### 0.1 按分值排(时间紧就照这个顺序)
| 优先 | 点 | 真题锚点 | 分值 | 文件 |
|---|---|---|---|---|
| 1 | 切比雪夫不等式 | **2022·9** | **5** | `03` |
| 2 | 三条大数定律 | 2022·9 的前置、十年未单独考 | — | `04` |
| 3 | 依概率收敛 | 大纲要求、作为工具嵌在各题 | — | `02` |
**注意**:只有 5 分直接落在上册,但这 5 分是**纯套公式**就能拿的,性价比最高。真正费时间的是"三条定律的条件辨析"——它不直接考,却决定你能否判断一道题"该用哪条定律"。
### 0.2 按依赖链排(文件顺序,也就是建议的阅读顺序)
```
02 依概率收敛 ← 先把"趋于"这个词定义清楚
↓
03 切比雪夫不等式 ← 唯一的定量工具:把"偏差"翻译成"概率上界"
↓
04 三条大数定律 ← 用切比雪夫去证,得到"频率 → 概率"
```
**为什么切比雪夫必须在前**:三条定律里唯一需要证明的(切比雪夫大数定律)就是"对 $\bar X$ 用一次切比雪夫不等式"。不等式不会用,定律就只能背结论。
### 0.3 符号约定
| 记号 | 含义 |
|---|---|
| $X_n\overset{P}{\longrightarrow}X$ | 依概率收敛 |
| $\bar X=\dfrac1n\sum_{i=1}^nX_i$ | 样本均值 |
| $\nu_n$ | $n$ 重伯努利试验中 $A$ 发生的次数 |
| $\dfrac{\nu_n}{n}$ | 频率 |
| $\varepsilon$ | 任意给定的小正数("允许的偏差") |
| $C$ | 方差的一致上界,$DX_i\le C$ |
### 0.4 知识点与练习文件对照(按知识点粒度)
<!-- AUTO:KP -->
| 盘点章节(知识点) | 对应题目 |
|---|---|
| §1.1 定义 | [点 1 题 1](02-点1-依概率收敛.md#user-content-题-1--11按定义验证依概率收敛) |
| §1.2 与数列极限的三条区别 | [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) |
| §1.3 常用推论 | [点 1 题 3](02-点1-依概率收敛.md#user-content-题-3--13四则运算与连续映射) |
| §2.1 不等式与变形表 | [点 2 题 1](03-点2-切比雪夫不等式.md#user-content-题-1--21直接套式与两个方向)、[点 2 题 2](03-点2-切比雪夫不等式.md#user-content-题-2--21二项分布上的估计) |
| §2.2 使用三步与四个陷阱 | [点 2 题 3](03-点2-切比雪夫不等式.md#user-content-题-3--22反解样本量)、[点 2 题 4](03-点2-切比雪夫不等式.md#user-content-题-4--22平方和的均值也要用切比雪夫)、[点 2 题 5](03-点2-切比雪夫不等式.md#user-content-题-5--22两个变量的差) |
| §3.1 共同形式 | [点 3 题 1](04-点3-三条大数定律.md#user-content-题-1--31三个平均值都收敛到自己的期望) |
| §3.2 切比雪夫大数定律 | [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)、[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) |
| §3.3 伯努利大数定律 | [点 3 题 4](04-点3-三条大数定律.md#user-content-题-4--33用伯努利定律反解试验次数) |
| §3.4 辛钦大数定律 | [点 3 题 5](04-点3-三条大数定律.md#user-content-题-5--34辛钦定律的条件够不够) |
| §3.5 三条定律对照(高频辨析) | [点 3 题 6](04-点3-三条大数定律.md#user-content-题-6--35三条定律的条件对照) |
<!-- /AUTO:KP -->
## 1 依概率收敛
### 1.1 定义
$$X_n\overset{P}{\longrightarrow}X\quad\iff\quad\forall\varepsilon>0,\ \lim_{n\to\infty}P\left\{\lvert X_n-X\rvert\ge\varepsilon\right\}=0 .$$
等价写法(把"$\ge$ "换成"$<$ "的补):$\lim\limits_{n\to\infty}P\{\lvert X_n-X\rvert<\varepsilon\}=1$ 。
**逐字读法**:先固定 $\varepsilon$ ,再看"偏差超过 $\varepsilon$ "这件坏事的概率,最后让 $n\to\infty$ 。**$\varepsilon$ 在前、$n$ 在后,顺序不能换**(换了就成了"对每个 $n$ 都存在 $\varepsilon$ ",是废话)。
### 1.2 与数列极限的三条区别
| 对比项 | 数列极限 $\lim a_n=a$ | 依概率收敛 $X_n\overset{P}{\to}a$ |
|---|---|---|
| 对象 | 确定的数 | 随机变量(有分布) |
| "接近"的含义 | 从某项起**每个**都接近 | 接近的**概率**趋于 $1$ ,个别项可以离谱 |
| 是否要求 $EX_n\to EX$ | — | **不要求**(这是最大的坑) |
**第三条必须记住**:依概率收敛是"**大概率落在附近**",它对"偶尔跑得很远的那些情形"毫无约束,而那些情形正是期望的贡献者。所以 $X_n\overset{P}{\to}0$ 完全可以配 $EX_n\to\infty$ 。
### 1.3 常用推论
**四则运算**(与数列极限同形):$X_n\overset{P}{\to}a$ 、$Y_n\overset{P}{\to}b$ ,则
$$X_n\pm Y_n\overset{P}{\longrightarrow}a\pm b,\qquad X_nY_n\overset{P}{\longrightarrow}ab,\qquad \frac{X_n}{Y_n}\overset{P}{\longrightarrow}\frac{a}{b}\ (b\ne0).$$
**连续映射**:若 $g$ 在 $a$ 处连续,则 $g(X_n)\overset{P}{\longrightarrow}g(a)$ 。
特例:$X_n^k\overset{P}{\to}a^k$ 、$\sqrt{X_n}\overset{P}{\to}\sqrt a$ ($a>0$ )、$\dfrac{1}{X_n}\overset{P}{\to}\dfrac1a$ ($a\ne0$ )。
> **用之前先看 $a$ 的取值**:$\frac1{X_n}$ 的结论里带着"$a\ne0$ ",$\sqrt{X_n}$ 带着"$a>0$ "。条件不满足时结论可能直接崩($a=0$ 时 $\frac1{X_n}$ 根本没有极限)。
## 2 切比雪夫不等式
### 2.1 不等式与变形表
$$P\left\{\lvert X-EX\rvert\ge\varepsilon\right\}\le\frac{DX}{\varepsilon^2},\qquad P\left\{\lvert X-EX\rvert<\varepsilon\right\}\ge1-\frac{DX}{\varepsilon^2}.$$
**只说三件事**:中心是 $EX$ 、尺度是 $\sqrt{DX}$ 、衰减是 $\frac1{\varepsilon^2}$ 。它不需要知道分布,这是它唯一的、也是最大的优点。
| 问法 | 写法 |
|---|---|
| $P\{\lvert X-EX\rvert\ge\varepsilon\}$ 的**上界** | $\dfrac{DX}{\varepsilon^2}$ |
| $P\{\lvert X-EX\rvert<\varepsilon\}$ 的**下界** | $1-\dfrac{DX}{\varepsilon^2}$ |
| $X$ 落在 $(EX-\varepsilon,EX+\varepsilon)$ 外的上界 | $\dfrac{DX}{\varepsilon^2}$ |
| 已知上界 $\alpha$ 反解 $\varepsilon$ | $\varepsilon\ge\sqrt{DX/\alpha}$ |
| 涉及 $\bar X$ | 先换成 $D\bar X=\sigma^2/n$ 再套 |
| 涉及 $\lvert X-Y\rvert$ | 先算 $E(X-Y)$ 与 $D(X-Y)=DX+DY-2\operatorname{Cov}$ |
**标准差写法最好用**:取 $\varepsilon=k\sqrt{DX}$ ,则上界就是 $\dfrac{1}{k^2}$ 。所以"偏离 2 个标准差"的概率不超过 $\frac14$ ,"3 个标准差"不超过 $\frac19$ 。
### 2.2 使用三步与四个陷阱
**三步**:
1. 认出形状——题里出现"偏差""不少于""不小于"配一个概率;
2. 算**被控变量**的 $E$ 与 $D$ (是 $\bar X$ 就算 $D\bar X=\frac{\sigma^2}{n}$ ,是 $\sum X_i^2$ 就先求 $E X^2$ 与 $E X^4$ );
3. 套表,注意"$\ge$ 给上界、$<$ 给下界",方向不能反。
**四个陷阱**:
- 它给的是**界**不是**值**,题目问"估计"才用它,问"求"就是别的方法;
- 上界算出大于 $1$ 时**并不算错**,只说明这个界太粗(真实概率当然 $\le1$ );
- $\varepsilon$ 与 $DX$ 必须同量纲:$\varepsilon$ 是"元"、$DX$ 是"元的平方"才对得上;
- **绝不能**用它求"$\ge$ "的下界或"$<$ "的上界——那是另一个方向的估计,切比雪夫给不出来。
## 3 三条大数定律
### 3.1 共同形式
三条定律的结论都是同一句话:
$$\frac1n\sum_{i=1}^{n}X_i-\frac1n\sum_{i=1}^{n}EX_i\overset{P}{\longrightarrow}0 .$$
同分布时右半截就是常数 $\mu$ ,于是简写成 $\bar X\overset{P}{\longrightarrow}\mu$ 。**所以背定律只要背"条件",结论是共享的。**
### 3.2 切比雪夫大数定律
**条件**:$X_1,X_2,\cdots$ **两两不相关**,且存在常数 $C$ 使 $DX_i\le C$ 。
**结论**:$\dfrac1n\sum X_i-\dfrac1n\sum EX_i\overset{P}{\longrightarrow}0$ 。
**证明主线**(一行都不能省):
$$D\left(\frac1n\sum_{i=1}^{n}X_i\right)=\frac{1}{n^2}\sum_{i=1}^{n}DX_i\le\frac{nC}{n^2}=\frac{C}{n}\to0,$$
再对 $\frac1n\sum X_i$ 用切比雪夫不等式,令 $n\to\infty$ 即得。
> **"两两不相关"这个条件就为了这一步**:不相关才能让 $D(\sum)=\sum D$ 。若只给"独立",当然更强,也照样成立。
### 3.3 伯努利大数定律
**条件**:$n$ 重伯努利试验,$A$ 每次发生的概率为 $p$ ,$\nu_n$ 为发生次数。
**结论**:
$$\frac{\nu_n}{n}\overset{P}{\longrightarrow}p .$$
它是切比雪夫定律在 $0$ -$1$ 变量上的特例:$X_i\sim B(1,p)$ ,$EX_i=p$ 、$DX_i=p(1-p)\le\frac14$ ,方差一致有界这件事自动成立。
**意义**:这是"**用频率估计概率**"的全部理论依据——第 6 讲参数估计的相合性就建立在这上面。
### 3.4 辛钦大数定律
**条件**:$X_1,X_2,\cdots$ **独立同分布**,且**期望存在**($EX_i=\mu$ )。
**结论**:$\bar X\overset{P}{\longrightarrow}\mu$ 。
**它和切比雪夫定律的关键差别**:辛钦**不要方差存在**,但要**同分布**。所以柯西分布这类"期望都不存在"的分布用不了;而"期望存在、方差不存在"的分布(如某些重尾分布)恰恰只有辛钦能管。
### 3.5 三条定律对照(高频辨析)
| 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) | 自动满足 | 自动满足 | 自动满足 | $\frac{\nu_n}{n}\overset{P}{\to}p$ |
| 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。**
## 4 覆盖对照(大纲 vs 真题 vs 参考仓库)
| 知识点 | 大纲要求 | 十年真题 | 参考仓库 | 处置 |
|---|---|---|---|---|
| 依概率收敛的定义 | **理解** | 嵌在各题 | 有 | 点 1,1 题 |
| 与数列极限的区别 | 了解 | 未考 | 有 | 点 1,1 题 |
| 四则运算与连续映射 | **掌握** | 嵌在别处 | 有 | 点 1,1 题 |
| 切比雪夫不等式 | **掌握** | 2022·9 | 有 | 点 2,2 题 |
| 变形表与使用陷阱 | **掌握** | 2022·9 | 部分 | 点 2,3 题 |
| 大数定律的共同形式 | 理解 | 未单考 | 有 | 点 3,1 题 |
| 切比雪夫大数定律 | **掌握** | 2022·9 前置 | 有 | 点 3,2 题 |
| 伯努利大数定律 | **掌握** | 未单考 | 有 | 点 3,1 题 |
| 辛钦大数定律 | **掌握** | 未单考 | 有 | 点 3,1 题 |
| 三条定律的条件对照 | **掌握** | 未单考 | 有 | 点 3,1 题 |
**判断**:10 个知识点里,大纲"掌握"的 7 个全部配题。"切比雪夫不等式"是唯一直接落在卷面上的(2022·9 五分),所以点 2 给了 5 题——**它必须练到不假思索**。
## 5 与相邻讲的接口
| 本讲内容 | 来源 / 去向 | 用法 |
|---|---|---|
| $EX$ 、$DX$ 、$\operatorname{Cov}$ | [第4讲](../概率论-第4讲-随机变量的数字特征/README.md) | 切比雪夫不等式的分子就是 $DX$ |
| $D\bar X=\sigma^2/n$ | [第4讲点5 题4](../概率论-第4讲-随机变量的数字特征/06-点5-线性组合与最值.md) | 所有"反解 $n$ "的题都从它出发 |
| $D(X-Y)=DX+DY-2\operatorname{Cov}$ | [第4讲点5](../概率论-第4讲-随机变量的数字特征/06-点5-线性组合与最值.md) | 点 2 题 5 直接用它 |
| 依概率收敛 → 依分布收敛 | [第5讲下](../概率论-第5讲下-中心极限定理/README.md) | 中心极限定理给的是更强的收敛 |
| 频率 → 概率(伯努利定律) | 第 6 讲(数理统计) | 矩估计的相合性、大样本区间估计的根据 |
| $\bar X$ 的分布 | 第 6 讲(数理统计) | 正态总体下 $\bar X\sim N(\mu,\sigma^2/n)$ 是精确版 |
> **跨讲一句话**:上册说"$\bar X$ 会**靠近** $\mu$ ",下册说"$\bar X$ 靠近 $\mu$ 时**误差长什么样**"。前者只给方向,后者给形状。