大数定律

🏠 第20章概念导航

核心问题

为什么可以用”算术平均”去估计”期望”？

这是整个统计学的地基。我们从来看不到 ，只看得到 。大数定律保证：样本越多，样本均值就越贴近总体期望——概率论第一次为”经验”背书。

核心定义 / 定理 / 结论

一、三个版本

名称	条件	结论
切比雪夫	相互独立，方差一致有界 ；不要求同分布
辛钦	独立同分布， 存在；不要求方差存在
伯努利	重伯努利试验， 为 发生的次数

三者的关系：

• 伯努利是辛钦的特例：取 （指示变量），，立得。
• 切比雪夫与辛钦互不包含：前者放松”同分布”、收紧”方差有界”；后者放松”方差存在”、收紧”同分布”。不是强弱关系，是两个方向的推广。

二、真正的考法：先套函数

第一个箭头是独立性对函数的保持性，第二个是辛钦。只要 存在， 可以任意。

是绝对主力，结论：

极限是二阶原点矩，不是方差。 这是本章第一失分点。

三、切比雪夫大数定律的证明（默写模板）

上一章反复算的 ，在这里从一道计算题升格成一条定理的心脏。

四、失效的边界：三个反例

1. 柯西分布——期望不存在，定理彻底失效。

，。更惊人的是

平均了 次，分布一点没变。 这是”重尾”最直观的画面。（见截断与混合型的期望、绝对值的数字特征。）

2. 方差不一致有界——切比雪夫版失效。

若 ，则 。每个方差都有限，却没有公共上界，照样不行。

3. 分布随 漂移——“同分布”名存实亡。

若总体密度本身含 （如 ，而样本量也是 ），则不存在固定的总体，辛钦定理无从谈起， 会直接发散。见 定理前提的辨析。

五、弱大数定律与强大数定律

考纲只要求弱大数定律（依概率收敛）。强大数定律（几乎必然收敛）结论更强，考研不考，知道有这个区分即可。

典型题型

1. 填空：” 依概率收敛于 ____” —— 退化成一道 的 LOTUS 计算题。
2. 选择：判断哪个极限式成立 —— 考定义式的” 配 、 配 ”。
3. 证明：给出分布律证 —— 先算 验证一致有界，再默写三行模板。
4. 辨析：是否存在常数 使…… —— 检查前提有没有崩。

图示 / 直觉

的分布随 增大的演化：

一座位置固定、不断变窄变高的山，最终塌缩成 处的一根针。 大数定律就是这句话。

至于”塌缩得多快”、“塌缩过程中形状像什么”——那是中心极限定理的事：把针按 重新拉开，看到的是钟形。

常见误用

1. 极限写成 或 。 的极限是 。
2. 不同分布还用辛钦。 下标 钻进分布里（参数含 ）就必须改用切比雪夫版，且要先验证方差一致有界。
3. “方差有限”当成”方差一致有界”。 必须存在与 无关的上界 。
4. 同期望同方差当成同分布。 前者推不出后者。
5. 写证明时省略""或省略方差上界的验证。 都是评分点。
6. 忘记柯西这个反例。 “只要独立同分布就有大数定律”是错的，还需要期望存在。

与旧知识的连接

• 第16章的频率与概率：伯努利大数定律正是”频率稳定于概率”这条经验事实的严格版本，回答了概率公理化时悬而未决的问题。
• 第19章的 ：当时是一道计算题（协方差的双线性展开），现在是定理的引擎。
• 第21–22章：矩估计的合理性、估计量的相合性，全部建立在大数定律 连续映射定理之上。

题型训练

• 依概率收敛与辛钦大数定律（4 题）
• 非同分布场合的大数定律（3 题）
• 定理前提的辨析（2 题）

链接

• 依概率收敛
• 切比雪夫不等式
• 中心极限定理
• 指示变量法
• 数学期望与 LOTUS