一、考纲考试要求（逐条对照）
| # | 考试要求 | 对应考点 |
|---|
| 1 | 了解切比雪夫大数定律、伯努利大数定律和辛钦大数定律（独立同分布随机变量序列的大数定律） | 3.2 |
| 2 | 了解随机变量序列的依概率收敛的概念 | 3.3 |
| 3 | 了解棣莫弗-拉普拉斯定理（二项分布以正态分布为极限）和列维-林德伯格定理（独立同分布随机变量序列的中心极限定理），并会用相关定理近似计算有关随机事件的概率 | 3.4 / 3.5 / 3.6 |
二、知识框架图
第五章 大数定律和中心极限定理
├─ 依概率收敛：Xₙ →(P) a ⟺ P{|Xₙ−a|≥ε}→0（n→∞）
├─ 大数定律（平均值稳定性）：
│ 切比雪夫：独立 + 方差一致有界 → (1/n)ΣXᵢ 依概率收敛于 (1/n)ΣEXᵢ
│ 伯努利：频率依概率收敛于概率 p
│ 辛钦：独立同分布 → (1/n)ΣXᵢ 依概率收敛于 μ
├─ 中心极限定理（和的分布稳定性）：
│ 列维-林德伯格：i.i.d. → ΣXᵢ 标准化后近似 N(0,1)
│ 棣莫弗-拉普拉斯：B(n,p) → 近似 N(np, np(1−p))
└─ 应用：近似计算概率（标准化 → 查 Φ 表）
主线提示：大数定律回答"平均值收敛到哪里"（样本均值→总体均值），中心极限定理回答"和的分布长什么样"（近似正态）。近似计算题的固定套路：求 EX、DX → 标准化 → 用 Φ 查表。独立同分布 + 方差存在 → 列维-林德伯格；二项分布 → 棣莫弗-拉普拉斯。
三、依概率收敛
设 X₁,X₂,… 为随机变量序列，a 为常数。若对任意 ε>0：
lim(n→∞) P{|Xₙ − a| ≥ ε} = 0
则称 Xₙ 依概率收敛于 a，记 Xₙ →(P) a。
- 含义：偏差超过 ε 的概率趋于 0，不是"几乎必然相等"。
- 性质：若 Xₙ→(P)a，g 连续，则 g(Xₙ)→(P)g(a)。
注意：依概率收敛弱于几乎处处收敛（以概率 1 收敛）。考研只要求了解概念：理解"概率意义下的极限"。大数定律的结论正是"样本均值依概率收敛于期望"。
四、大数定律 必考（条件辨析）
1. 切比雪夫大数定律
设 X₁,X₂,… 两两不相关（或相互独立），DXᵢ ≤ C（方差一致有界，C 为常数），则对任意 ε>0：
lim P{|(1/n)ΣXᵢ − (1/n)ΣEXᵢ| ≥ ε} = 0
证明思路：利用切比雪夫不等式：D((1/n)ΣXᵢ)=(1/n²)ΣDXᵢ ≤ C/n → 0。
2. 伯努利大数定律
n 重伯努利试验中 A 发生 n_A 次，P(A)=p，则对任意 ε>0：
lim P{|n_A/n − p| ≥ ε} = 0
含义：频率依概率收敛于概率——"频率的稳定性"的数学表述，是统计中"用频率估计概率"的依据。
3. 辛钦大数定律
设 X₁,X₂,… 独立同分布，EXᵢ = μ 存在，则对任意 ε>0：
lim P{|(1/n)ΣXᵢ − μ| ≥ ε} = 0
含义：样本均值依概率收敛于总体均值 μ（不需要方差存在），是矩估计法"用样本均值估计总体均值"的理论依据。
| 定律 | 条件 | 结论 |
|---|
| 切比雪夫 | 独立/不相关，方差一致有界 | (1/n)ΣXᵢ − (1/n)ΣEXᵢ →(P) 0 |
| 伯努利 | n 重伯努利 | 频率 →(P) 概率 p |
| 辛钦 | 独立同分布，EX=μ 存在 | (1/n)ΣXᵢ →(P) μ |
易错：① 切比雪夫要求"方差一致有界"，辛钦要求"同分布且期望存在"——按条件选定律；② 伯努利定律是"频率→概率"；③ 大数定律说的是"平均"，不是"单个 Xₙ→μ"。
五、中心极限定理（列维-林德伯格） 必考
设 X₁,X₂,… 独立同分布，EXᵢ=μ，DXᵢ=σ²（0<σ²<∞），则对任意 x：
lim P{ (ΣXᵢ − nμ) / (√n·σ) ≤ x } = Φ(x)
即 n 大时：ΣXᵢ 近似服从 N(nμ, nσ²)
样本均值形式：X̄ 近似服从 N(μ, σ²/n)
使用条件：① 独立；② 同分布；③ 方差存在（EX、DX 有限）。三个条件缺一不可。n 大时（一般 n≥30）近似效果良好。
六、棣莫弗-拉普拉斯定理（二项分布正态近似） 必考
设 X ~ B(n,p)，则当 n 充分大时：
X 近似服从 N(np, np(1−p))
标准化：P{a ≤ X ≤ b} ≈ Φ((b−np)/√(np(1−p))) − Φ((a−np)/√(np(1−p)))
- 适用：n 大且 p 不太接近 0 或 1（一般 np≥5 且 n(1−p)≥5）。若 n 大 p 小则用泊松近似（第二章泊松定理）。
- 连续性修正（了解）：P{X=k} ≈ Φ((k+0.5−np)/√(npq)) − Φ((k−0.5−np)/√(npq))，q=1−p。考研多数题不强制修正，但修正后更准。
注意：二项分布近似两个方向——n 大 p 小用泊松 P(np)；n 大 p 适中用正态 N(np,npq)。中心极限定理是"二项→正态"的理论来源（二项可看作 n 个独立 0-1 变量之和）。
七、近似计算的通用流程 必考（小题）
步骤：① 识别模型：ΣXᵢ（i.i.d.）或 B(n,p）
② 求期望与方差：E(ΣXᵢ)=nμ，D(ΣXᵢ)=nσ²（或 np、npq）
③ 标准化：Z = (ΣXᵢ − nμ)/(√n·σ) ~近似 N(0,1)
④ 查 Φ 表：P{事件} = Φ(上界标准化值) − Φ(下界标准化值)
典型题：① 5000 个元件寿命、每台售出商品返修费总和超过某值；② 保险公司赔付总额超准备金概率；③ 抽样平均体重/长度超过界限；④ 掷硬币正面次数在某区间。
易错：① 标准化分母是 √(nσ²)=√n·σ，不要丢 √n；② 二项近似中分母是 √(np(1−p))；③ 不等号方向与 Φ 的对应：P{X≤a}→Φ((a−nμ)/(√nσ))，P{X≥a}→1−Φ(...)；④ 题目给 Φ 表时可能只给 Φ(1)=0.8413 等典型值，要会用对称性 Φ(−x)=1−Φ(x)。
八、高频考点与易错点
考点 1：大数定律条件辨析
切比雪夫（方差有界）、辛钦（i.i.d.+期望）、伯努利（频率→概率）。
考点 2：依概率收敛概念
P{|Xₙ−a|≥ε}→0；与几乎处处收敛区分。
考点 3：列维-林德伯格应用
i.i.d. 变量和近似正态；标准化 (ΣXᵢ−nμ)/(√nσ)。
考点 4：棣莫弗-拉普拉斯
B(n,p)≈N(np,npq)；与泊松近似（大 n 小 p）区分使用。
考点 5：近似概率计算
保险赔付、设备寿命、抽样均值类应用题；标准化查表。
考点 6：频率稳定性解释
"试验次数越多频率越接近概率"用伯努利大数定律解释。
易错点清单（考前必看）
- 标准化分母是 √n·σ（σ 是单次标准差），不是 σ²。
- 二项近似分母是 √(np(1−p))，忘记乘 p(1−p) 是头号错误。
- P{X≥a} ≈ 1−Φ((a−nμ)/(√nσ))，方向别反。
- 大数定律条件：辛钦要"同分布+期望存在"，切比雪夫要"方差一致有界"，按条件选。
- 大数定律结论是"平均值"，不是"单个变量"收敛。
- 依概率收敛 ≠ 以概率 1 收敛，两者不等价。
- 中心极限定理的近似前提是 n 足够大；小 n 不要硬套。
- 二项近似选型：p 小用泊松，p 适中用正态。
- Φ(−x)=1−Φ(x)；查表注意题目给的是 Φ(x) 还是其他变体。
- 多步应用题先算清 nμ 与 nσ² 再标准化，别在中间数值上出错。
九、常用结论速记表
| 结论 | 记忆要点 |
|---|
| Xₙ→(P)a | P{|Xₙ−a|≥ε}→0，依概率收敛 |
| 切比雪夫大数定律 | 独立 + 方差一致有界 ⇒ 均值收敛于期望均值 |
| 伯努利大数定律 | 频率 →(P) 概率 p |
| 辛钦大数定律 | i.i.d. + EX=μ ⇒ X̄ →(P) μ |
| 列维-林德伯格 | i.i.d. ⇒ ΣXᵢ ≈ N(nμ, nσ²) |
| 棣莫弗-拉普拉斯 | B(n,p) ≈ N(np, np(1−p)) |
| 标准化公式 | Z=(ΣXᵢ−nμ)/(√n·σ) |
| X̄ 的近似分布 | X̄ ≈ N(μ, σ²/n) |
| Φ(−x)=1−Φ(x) | 正态分布对称性 |
| 近似选型 | 大 n 小 p→泊松；大 n 中 p→正态 |