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, 关联笔记
| tags | 专题 | 日期 | 状态 | 关联笔记 | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
|
概率论 第5讲上 · 大数定律 | 2026-11-07 | 知识点盘点(三节 + 覆盖对照表),配套 3 个点分册共 14 题 |
|
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)
| 盘点章节(知识点) | 对应题目 |
|---|---|
| §1.1 定义 | 点 1 题 1 |
| §1.2 与数列极限的三条区别 | 点 1 题 2 |
| §1.3 常用推论 | 点 1 题 3 |
| §2.1 不等式与变形表 | 点 2 题 1、点 2 题 2 |
| §2.2 使用三步与四个陷阱 | 点 2 题 3、点 2 题 4、点 2 题 5 |
| §3.1 共同形式 | 点 3 题 1 |
| §3.2 切比雪夫大数定律 | 点 3 题 2、点 3 题 3 |
| §3.3 伯努利大数定律 | 点 3 题 4 |
| §3.4 辛钦大数定律 | 点 3 题 5 |
| §3.5 三条定律对照(高频辨析) | 点 3 题 6 |
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:
- 认出形状——题里出现"偏差""不少于""不小于"配一个概率;
- 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); - 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 | 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 | 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 | 点 2 题 5 直接用它 |
| 依概率收敛 → 依分布收敛 | 第5讲下 | 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。