#大数定律与中心极限定理

#考点定位

• 大纲位置：概率论与数理统计 · 大数定律和中心极限定理（数一、数三公共考点；数二不考概率论）
• 常见题型：切比雪夫不等式估计概率界；依概率收敛的判定与辨析；三个大数定律的条件辨析（选择题高频）；中心极限定理近似计算（二项分布概率、供电/抽检类应用）；由频率估计概率时确定样本量
• 考查频率：中。以选择、填空为主，大数定律条件辨析与切比雪夫不等式是选择题常客；中心极限定理偶与统计应用结合出解答题
• 前置知识：随机变量的数字特征（期望、方差、协方差）；随机变量及其分布（二项分布、正态分布、分布函数）；极限语言可回看函数、极限与连续
• 定位：本章是概率论的"收官定理群"——大数定律把"频率稳定于概率"这句直觉严格化，是第 7 章参数估计中矩估计合法性的理论依据；中心极限定理回答"为什么正态分布无处不在"，是第 6 章数理统计的基本概念中默认正态近似的来源。用工程师的话说：大数定律是"均值收敛"，中心极限定理是"误差的分布形状"。

#核心讲解

#依概率收敛

定义（依概率收敛）：设 $X_1, X_2, \dots$ 是一个随机变量序列，$X$ 是一个随机变量（可为常数）。若对任意 $\varepsilon > 0$，都有

$\lim_{n \to \infty} P\left\{ \left| X_n - X \right| \ge \varepsilon \right\} = 0,$

则称序列 $\{X_n\}$ 依概率收敛于 $X$，记作 $X_n \xrightarrow{P} X$。

与微积分中普通收敛 $x_n \to x$ 的本质区别：普通收敛要求 $n$ 充分大后每个 $x_n$ 都接近 $x$；依概率收敛只要求"偏离超过 $\varepsilon$"这一事件的概率趋于 0，允许个别 $X_n$ 大幅偏离，只要偏离的发生概率越来越小。这正是"随机版极限"的合理定义。

运算性质（与普通极限类似，考试可直接使用）：若 $X_n \xrightarrow{P} a$，$Y_n \xrightarrow{P} b$，则

$X_n \pm Y_n \xrightarrow{P} a \pm b, \qquad X_n Y_n \xrightarrow{P} ab, \qquad \frac{X_n}{Y_n} \xrightarrow{P} \frac{a}{b} \ (b \ne 0).$

#切比雪夫不等式

定理（切比雪夫不等式）：设随机变量 $X$ 的数学期望 $E(X) = \mu$ 与方差 $D(X) = \sigma^2$ 存在，则对任意 $\varepsilon > 0$，

$P\left\{ \left| X - \mu \right| \ge \varepsilon \right\} \le \frac{\sigma^2}{\varepsilon^2}, \qquad \text{等价地} \qquad P\left\{ \left| X - \mu \right| < \varepsilon \right\} \ge 1 - \frac{\sigma^2}{\varepsilon^2}.$

证明思路（以连续型为例）：设 $X$ 的密度为 $f(x)$，则

$P\{|X - \mu| \ge \varepsilon\} = \int_{|x - \mu| \ge \varepsilon} f(x)\, dx \le \int_{|x - \mu| \ge \varepsilon} \frac{(x - \mu)^2}{\varepsilon^2} f(x)\, dx \le \frac{1}{\varepsilon^2}\int_{-\infty}^{+\infty}(x - \mu)^2 f(x)\, dx = \frac{\sigma^2}{\varepsilon^2}.$

第二步放大用了在积分区域上 $(x-\mu)^2 \ge \varepsilon^2$；离散型把积分换成求和，完全同理。

意义：只知道期望和方差（甚至不必知道具体分布），就能给出"偏离中心"概率的上界。它是证明切比雪夫大数定律的工具，也是"估计概率界"类题的直接考点。

#三个大数定律

三个大数定律的统一框架：研究"算术平均 $\dfrac{1}{n}\sum\limits_{i=1}^{n} X_i$"在什么条件下依概率收敛到"期望的平均"。

定理（切比雪夫大数定律）：设 $X_1, X_2, \dots$ 相互独立，各自的期望 $E(X_i) = \mu_i$ 与方差 $D(X_i) = \sigma_i^2$ 存在，且方差一致有界（存在常数 $C$，使 $\sigma_i^2 \le C$ 对一切 $i$ 成立），则对任意 $\varepsilon > 0$，

$\lim_{n \to \infty} P\left\{ \left| \frac{1}{n}\sum_{i=1}^{n} X_i - \frac{1}{n}\sum_{i=1}^{n} \mu_i \right| \ge \varepsilon \right\} = 0.$

证明思路：记 $Y_n = \dfrac{1}{n}\sum\limits_{i=1}^n X_i$，则 $E(Y_n) = \dfrac{1}{n}\sum \mu_i$，由独立性 $D(Y_n) = \dfrac{1}{n^2}\sum \sigma_i^2 \le \dfrac{C}{n}$，再用切比雪夫不等式：

$P\{|Y_n - E(Y_n)| \ge \varepsilon\} \le \frac{C/n}{\varepsilon^2} \to 0.$

定理（辛钦大数定律）：设 $X_1, X_2, \dots$ 独立同分布，且期望存在 $E(X_i) = \mu$，则对任意 $\varepsilon > 0$，

$\lim_{n \to \infty} P\left\{ \left| \frac{1}{n}\sum_{i=1}^{n} X_i - \mu \right| \ge \varepsilon \right\} = 0.$

注意：辛钦大数定律不要求方差存在（这是它与切比雪夫路线的本质差异——它不是用切比雪夫不等式证明的，而是用特征函数/截尾方法证明的）。它也不要求同分布的方差一致有界这一类条件，代价是要求同分布。

定理（伯努利大数定律）：设 $n_A$ 为 $n$ 重伯努利试验中事件 $A$ 发生的次数，$p = P(A)$，则对任意 $\varepsilon > 0$，

$\lim_{n \to \infty} P\left\{ \left| \frac{n_A}{n} - p \right| \ge \varepsilon \right\} = 0.$

伯努利大数定律是辛钦大数定律的特例：令 $X_i$ 为第 $i$ 次试验中 $A$ 是否发生的 0-1 变量，则 $X_i$ 独立同分布、$E(X_i) = p$，且 $\dfrac{n_A}{n} = \dfrac{1}{n}\sum X_i$。

三大定律条件差异对比表（选择题的命题富矿）：

各自的意义：

1. 切比雪夫：不要求同分布，说明大数定律的力量来自"独立性 + 方差不爆炸"，算术平均把方差压缩到 $\dfrac{1}{n}$ 量级；
2. 辛钦：这是算术平均稳定于期望的最常用版本，是第 7 章矩估计法合法性的理论依据（样本矩依概率收敛于总体矩），也是 $\bar X$ 作为 $\mu$ 的相合估计的依据；
3. 伯努利："频率稳定于概率"的严格表述，是"用频率估计概率"（如蒙特卡洛方法、A/B 测试）的理论基础。

#依分布收敛与中心极限定理

定义（依分布收敛）：若在 $F(x)$ 的连续点处都有 $\lim\limits_{n\to\infty} F_n(x) = F(x)$，则称 $X_n$ 依分布收敛于 $X$，记 $X_n \xrightarrow{L} X$。依概率收敛强于依分布收敛（$X_n \xrightarrow{P} X \Rightarrow X_n \xrightarrow{L} X$，反之不真），了解该关系即可，考试不深究。

定理（列维-林德伯格定理，独立同分布中心极限定理）：设 $X_1, X_2, \dots$ 独立同分布，$E(X_i) = \mu$，$D(X_i) = \sigma^2 > 0$，则对任意实数 $x$，

$\lim_{n \to \infty} P\left\{ \frac{\sum_{i=1}^{n} X_i - n\mu}{\sqrt{n}\,\sigma} \le x \right\} = \Phi(x) = \frac{1}{\sqrt{2\pi}}\int_{-\infty}^{x} e^{-\frac{t^2}{2}}\, dt.$

即：无论 $X_i$ 本身服从什么分布（均匀、指数、两点……），只要独立同分布、方差有限，其和的标准化在 $n$ 较大时都近似服从标准正态分布。工程上这就是"大量独立微小噪声叠加呈高斯"的数学根据。

定理（棣莫弗-拉普拉斯定理）：设 $X_n \sim B(n, p)$（$0 < p < 1$），$n$ 充分大时，近似地有

$\frac{X_n - np}{\sqrt{np(1-p)}} \sim N(0, 1), \quad \text{即} \quad P\{X_n \le k\} \approx \Phi\left( \frac{k - np}{\sqrt{np(1-p)}} \right).$

它是列维-林德伯格定理的特例（$X_n$ 是 $n$ 个 0-1 变量之和），专用于二项分布的近似计算。适用条件经验值：$np \ge 5$ 且 $n(1-p) \ge 5$。

使用流程（近似计算题的固定套路）：

1. 判断总量 $X$ 是"独立同分布之和"或二项分布；
2. 计算 $E(X) = n\mu$（或 $np$）、$\sqrt{D(X)} = \sqrt{n}\sigma$（或 $\sqrt{np(1-p)}$）；
3. 标准化，把所求概率化为 $\Phi$ 在若干点的值，查表（常用值：$\Phi(1.645) \approx 0.95$，$\Phi(1.96) \approx 0.975$，$\Phi(2.33) \approx 0.99$，$\Phi(2.58) \approx 0.995$）。

#例题

例 1（切比雪夫不等式估计概率界，模拟题）：已知随机变量 $X$ 的期望 $E(X) = 1$，方差 $D(X) = 0.04$，用切比雪夫不等式估计 $P\{0.5 < X < 1.5\}$ 的下界。

解析：$\{0.5 < X < 1.5\} = \{|X - E(X)| < 0.5\}$，取 $\varepsilon = 0.5$，由切比雪夫不等式

$P\{0.5 < X < 1.5\} \ge 1 - \frac{0.04}{0.5^2} = 1 - 0.16 = 0.84.$

要点：先把事件改写成"$|X - E(X)| < \varepsilon$"的形式再套公式，$\varepsilon$ 是区间半径而不是区间长度。

例 2（中心极限定理近似计算，模拟题）：某车间有 100 台机床，彼此独立工作，每台开工概率为 $0.6$，开工时每台耗电 $1$ 千瓦。问至少供电多少千瓦，才能以 $99\%$ 以上的概率保证不超载？

解析：设同时开工的机床数为 $X$，则 $X \sim B(100,\ 0.6)$，需找最小整数 $x$ 使 $P\{X \le x\} \ge 0.99$。

$np = 60$，$np(1-p) = 24$，$\sqrt{24} \approx 4.899$。由棣莫弗-拉普拉斯定理：

$P\{X \le x\} \approx \Phi\left( \frac{x - 60}{4.899} \right) \ge 0.99.$

查表 $\Phi(2.33) = 0.9901 \ge 0.99$，故需 $\dfrac{x - 60}{4.899} \ge 2.33$，即 $x \ge 60 + 2.33 \times 4.899 \approx 71.4$。取整数得 $x = 72$，即至少供电 72 千瓦。

要点：这是"已知概率反求临界值"型，方向是"标准化量 $\ge$ 分位点"，注意向上取整。

例 3（频率估计概率、两种方法对比，模拟题）：某厂产品次品率 $p$ 未知。独立有放回抽取 $n$ 件，以次品频率 $\dfrac{n_A}{n}$ 估计 $p$。欲使 $P\left\{ \left| \dfrac{n_A}{n} - p \right| < 0.05 \right\} \ge 0.95$：

（1）用切比雪夫不等式估计所需样本量 $n$；

（2）用中心极限定理估计所需样本量 $n$，并比较两种结果。

解析：$\dfrac{n_A}{n}$ 的期望为 $p$，方差为 $\dfrac{p(1-p)}{n} \le \dfrac{1}{4n}$（因 $p(1-p) \le \tfrac14$，$p$ 未知时必须用此上界）。

（1）切比雪夫不等式：

$P\left\{ \left| \frac{n_A}{n} - p \right| < 0.05 \right\} \ge 1 - \frac{p(1-p)/n}{0.05^2} \ge 1 - \frac{1}{4n \times 0.0025}.$

要求右端 $\ge 0.95$，即 $\dfrac{1}{0.01 n} \le 0.05$，解得 $n \ge \dfrac{1}{0.01 \times 0.05} = 2000$。

（2）中心极限定理（$n$ 大时 $\dfrac{n_A}{n}$ 近似正态）：

$P\left\{ \left| \frac{n_A}{n} - p \right| < 0.05 \right\} \approx 2\Phi\left( \frac{0.05\sqrt{n}}{\sqrt{p(1-p)}} \right) - 1 \ge 2\Phi(0.1\sqrt{n}) - 1.$

要求 $\Phi(0.1\sqrt{n}) \ge 0.975$，即 $0.1\sqrt{n} \ge 1.96$，$n \ge 384.16$，取 $n = 385$。

结论：中心极限定理给出 $n = 385$，远小于切比雪夫的 $2000$。原因：切比雪夫只用方差信息，给出的界非常保守；中心极限定理利用了完整分布形状，界紧得多。这也是"切比雪夫不等式只能用于定性/保守估计"的直观体验。

#常见坑

1. 辛钦与切比雪夫的条件张冠李戴：辛钦要求同分布但不要求方差存在；切比雪夫不要求同分布但要求方差一致有界。"独立同分布 + 方差有界"则两者都适用（此时结论一致）。
2. 依概率收敛 ≠ 普通收敛：$X_n \xrightarrow{P} X$ 允许 $X_n$ 个别取值大幅偏离，只要偏离概率趋于 0。判断"$X_n$ 是否必然接近 $X$"是错误理解，依概率收敛不排除"偶尔很远"。
3. 切比雪夫不等式给的是界不是精确值：题目问"估计 $P\{\cdots\}$"且只给期望方差时才用它；若给出了具体分布（如正态），应精确计算而非套不等式。
4. 二项近似中的标准化量写错：$B(n,p)$ 的标准差是 $\sqrt{np(1-p)}$，不是 $\sqrt{np}$，也不是 $np(1-p)$ 本身。
5. $\Phi$ 值方向搞反：$P\{X > x\} \approx 1 - \Phi\left(\dfrac{x - np}{\sqrt{np(1-p)}}\right)$；"至少""超过"类事件记得取 $1-\Phi$，负号入内时用 $\Phi(-a) = 1 - \Phi(a)$。
6. 大数定律与中心极限定理的区别：大数定律只说"均值收敛到哪里"（一阶信息），中心极限定理进一步给出"偏差的分布形状是正态"（二阶及以上信息）。考试问"$\dfrac{1}{n}\sum X_i$ 依概率收敛于什么"答大数定律，问"近似服从什么分布"答中心极限定理。

#自测

1. 设 $D(X) = 2$，用切比雪夫不等式估计 $P\{|X - E(X)| \ge 4\}$ 的上界。
2. 判断：若 $X_1, X_2, \dots$ 独立同分布且 $E(X_i) = \mu$ 存在但方差不存在，则 $\dfrac{1}{n}\sum\limits_{i=1}^n X_i \xrightarrow{P} \mu$ 是否成立？依据是哪个定律？
3. 设各 $X_i$ 独立同分布于 $U(-0.5, 0.5)$，计算 100 个数舍入误差之和 $S = \sum_{i=1}^{100} X_i$ 的近似分布，并求 $P\{|S| > 5\}$（已知 $\Phi(1.73) = 0.9582$）。
4. 设 $X_1, X_2, \dots$ 相互独立，$P\{X_n = \pm 1\} = \dfrac{1}{2}\left(1 - \dfrac{1}{n}\right)$，$P\{X_n = \pm \sqrt{n}\} = \dfrac{1}{2n}$。判断 $\dfrac{1}{n}\sum\limits_{i=1}^{n} X_i$ 是否依概率收敛于 0（提示：检查期望与方差）。

#自测答案

1. $P\{|X - E(X)| \ge 4\} \le \dfrac{D(X)}{4^2} = \dfrac{2}{16} = \dfrac{1}{8}$。切比雪夫不等式，方差除以 $\varepsilon^2$。
2. 成立，依据辛钦大数定律——它只要求独立同分布且期望存在，不要求方差存在。这正是辛钦强于切比雪夫路线之处。
3. $E(X_i) = 0$，$D(X_i) = \dfrac{1}{12}$，故 $E(S) = 0$，$D(S) = \dfrac{100}{12} = \dfrac{25}{3}$，$\sqrt{D(S)} = \dfrac{5}{\sqrt 3} \approx 2.887$。由列维-林德伯格定理 $S$ 近似 $\sim N\left(0, \dfrac{25}{3}\right)$，$P\{|S| > 5\} \approx 2\left[1 - \Phi\left(\dfrac{5}{2.887}\right)\right] = 2[1 - \Phi(1.73)] = 2 \times 0.0418 = 0.0836$。
4. $E(X_n) = 0$；$E(X_n^2) = \dfrac{1}{n} \cdot n + \left(1 - \dfrac{1}{n}\right) \cdot 1 = 2 - \dfrac{1}{n}$，故 $D(X_n) = E(X_n^2) < 2$ 一致有界。由切比雪夫大数定律，$\dfrac{1}{n}\sum X_i \xrightarrow{P} 0$，收敛成立。（此题方差不趋于 0，但一致有界即足够。）