first commit

This commit is contained in:
2026-10-04 11:44:56 +08:00
commit e7cbe2cdae
265 changed files with 52919 additions and 0 deletions
@@ -0,0 +1,200 @@
# 题型三:中心极限定理的应用
## 识别特征
- 题干出现"近似服从""渐近分布""当 $n$ 充分大时"
- 大量独立同分布随机变量 $X_1, \ldots, X_n$ 求和或求平均
- 已知 $E(X_i) = \mu, D(X_i) = \sigma^2$,求 $\sum X_i$ 或 $\bar{X}$ 的概率
- 需要**标准化**后查 $\Phi$ 表
## 解题流程
```mermaid
flowchart TD
A[识别:CLT 应用题] --> B[求和 S = ΣXᵢ]
B --> C[求 E(S) = nμ, D(S) = nσ²]
C --> D[标准化 Z = S - nμ / σ√n]
D --> E{求 P 类型?}
E -->|近似值| F[查 Φ 表: P ≈ Φ(b) - Φ(a)]
E -->|求未知量| G[反查 Φ 表求阈值]
F --> H[最终答案]
G --> H
```
## 通法步骤
### 一、中心极限定理(林德伯格-莱维)
设 $\{X_n\}$ 独立同分布,$E(X_i) = \mu, D(X_i) = \sigma^2 > 0$,则当 $n \to \infty$ 时:
$$
\frac{\sum_{i=1}^n X_i - n\mu}{\sigma\sqrt{n}} = \frac{\bar{X} - \mu}{\sigma/\sqrt{n}} \xrightarrow{d} N(0,1)
$$
即 $\sum X_i$ 近似 $N(n\mu, n\sigma^2)$,$\bar{X}$ 近似 $N(\mu, \sigma^2/n)$。
### 二、应用步骤(五步法)
| 步骤 | 操作 | 关键点 |
|------|------|--------|
| **1. 算 $E, D$** | 求 $E(X_i) = \mu, D(X_i) = \sigma^2$ | 套分布公式 |
| **2. 求和 $S$** | 明确 $S = \sum X_i$,$E(S) = n\mu, D(S) = n\sigma^2$ | 独立和方差可加 |
| **3. 标准化** | $Z = \dfrac{S - n\mu}{\sigma\sqrt{n}}$ | $Z \sim N(0,1)$(近似)|
| **4. 转换** | $P(a \le S \le b) = P\left(\dfrac{a - n\mu}{\sigma\sqrt{n}} \le Z \le \dfrac{b - n\mu}{\sigma\sqrt{n}}\right)$ | 化为标准正态 |
| **5. 查表** | 用 $\Phi$ 表计算 | 注意 $\Phi(-x) = 1 - \Phi(x)$ |
### 三、典型概率变换公式
设 $Y = \sum_{i=1}^n X_i \approx N(n\mu, n\sigma^2)$:
| 题目类型 | 公式 |
|---------|------|
| $P(a \le Y \le b)$ | $\Phi\left(\dfrac{b - n\mu}{\sigma\sqrt{n}}\right) - \Phi\left(\dfrac{a - n\mu}{\sigma\sqrt{n}}\right)$ |
| $P(Y \le b)$ | $\Phi\left(\dfrac{b - n\mu}{\sigma\sqrt{n}}\right)$ |
| $P(Y \ge a)$ | $1 - \Phi\left(\dfrac{a - n\mu}{\sigma\sqrt{n}}\right) = \Phi\left(\dfrac{-a + n\mu}{\sigma\sqrt{n}}\right)$ |
| $P(\|Y - n\mu\| < \varepsilon)$ | $2\Phi\left(\dfrac{\varepsilon}{\sigma\sqrt{n}}\right) - 1$ |
### 四、$n$ 充分大的标准
- 一般 $n \ge 30$ 即可使用 CLT
- $n \ge 50$ 近似效果良好
- $n \ge 100$ 近似几乎完美
### 五、李雅普诺夫 CLT(不同分布)
设 $\{X_n\}$ **独立**(可不同分布),$E(X_i) = \mu_i, D(X_i) = \sigma_i^2$,$B_n^2 = \sum \sigma_i^2$。
若存在 $\delta > 0$ 使 $\dfrac{1}{B_n^{2+\delta}}\sum E|X_i - \mu_i|^{2+\delta} \to 0$,则:
$$
\frac{\sum X_i - \sum \mu_i}{B_n} \xrightarrow{d} N(0,1)
$$
*适用场景*:各 $X_i$ 独立不同分布,求和后近似正态。
## 常见陷阱
- **陷阱 1**:$X_i$ 不满足 i.i.d. 但误用 CLT(如有相关性、有不同分布)
- **陷阱 2**:$D(X_i) = 0$ 或 $D(X_i) = \infty$ 时不能用 CLT
- **陷阱 3**:标准化时**漏掉 $\sqrt{n}$**:分母应为 $\sigma\sqrt{n}$,不是 $\sigma n$
- **陷阱 4**:$\varepsilon$ 单位与 $X$ 不同(如 $X$ 是克,$\varepsilon$ 是千克)需先换算
- **陷阱 5**:题目求"$P(|Y| \le \varepsilon)$"但写成"$P(|Y| \le \varepsilon) = 1 - 2\Phi(\cdot)$"(错!)
- 正确:$P(|Y| \le \varepsilon) = 2\Phi(\dfrac{\varepsilon - n\mu}{\sigma\sqrt{n}}) - 1$(**注意均值的偏移**)
- **陷阱 6**:CLT 给出**近似**,不是精确——选择题/填空题近似,解答题需说明 $n$ 充分大
## 经典母题
> **题目 1**:设 $X_1, X_2, \ldots, X_{100}$ 独立同分布,$E(X_i) = 2, D(X_i) = 0.04$,$Y = \sum_{i=1}^{100} X_i$。用 CLT 求 $P(196 \le Y \le 204)$。
**解析**:
- $E(Y) = 100 \times 2 = 200$
- $D(Y) = 100 \times 0.04 = 4$
- $\sqrt{D(Y)} = 2$
由 CLT,$Y$ 近似 $N(200, 4)$,标准化 $Z = \dfrac{Y - 200}{2} \sim N(0,1)$(近似)。
$$
P(196 \le Y \le 204) = P\left(\frac{196 - 200}{2} \le Z \le \frac{204 - 200}{2}\right) = P(-2 \le Z \le 2) = 2\Phi(2) - 1
$$
查表:$\Phi(2) = 0.9772$,所以 $P \approx 2 \times 0.9772 - 1 = 0.9544$。
**复盘**:
- **CLT 标准化三部曲**:$E(Y), D(Y), \sqrt{D(Y)}$
- 关键数字 $1.96, 2.58$:$P(-1.96 < Z < 1.96) = 0.95$,$P(-2.58 < Z < 2.58) = 0.99$
---
> **题目 2**:某厂生产零件,每件重量 $X_i \sim N(50, 0.4^2)$(单位:克),$n = 100$ 件装一箱。求一箱总重 $Y$ 在 4990 到 5010 克之间的概率。
**解析**:
虽然 $X_i$ 本身是正态的(已经精确正态),但用 CLT 也能解:
- $E(Y) = 100 \times 50 = 5000$
- $D(Y) = 100 \times 0.4^2 = 16$
- $\sqrt{D(Y)} = 4$
由 CLT(实际是精确正态),$Y \sim N(5000, 16)$:
$$
P(4990 \le Y \le 5010) = P\left(\frac{-10}{4} \le Z \le \frac{10}{4}\right) = P(-2.5 \le Z \le 2.5) = 2\Phi(2.5) - 1
$$
查表:$\Phi(2.5) = 0.9938$,所以 $P \approx 0.9876$。
**复盘**:
- 当 $X_i$ **本身就是正态**时,$\sum X_i$ 是**精确正态**(不是近似)——这是"独立正态和的分布"
- CLT 在 $X_i$ 非正态时才发挥真正威力
- 这道题是为了展示 CLT 标准化方法
---
> **题目 3**:设 $X_1, \ldots, X_n$ i.i.d.,$E(X_i) = 0, D(X_i) = \sigma^2$。试估计 $n$ 多大时才能使 $P(|\bar{X}| \ge \varepsilon) \le 0.05$($\varepsilon = 0.1, \sigma = 1$)。
**解析**:
由 CLT,$\bar{X}$ 近似 $N(0, \sigma^2/n)$,标准化 $Z = \dfrac{\bar{X}}{\sigma/\sqrt{n}} \sim N(0,1)$(近似)。
$$
P(|\bar{X}| \ge \varepsilon) \approx 2\left[1 - \Phi\left(\frac{\varepsilon\sqrt{n}}{\sigma}\right)\right] = 0.05
$$
即 $\Phi\left(\dfrac{0.1\sqrt{n}}{1}\right) = 0.975$,反查 $\Phi$ 表:$\dfrac{0.1\sqrt{n}}{1} = 1.96$。
解得 $\sqrt{n} = 19.6$,$n \ge 384.16$,取 $n \ge 385$。
**复盘**:
- 这道题是**逆向题型**:从概率要求反推 $n$
- 关键步骤:反查 $\Phi$ 表($\Phi(1.96) = 0.975$)
- $\varepsilon\sqrt{n}/\sigma = 1.96$ 是核心等式
---
> **题目 4(综合)**:设 $X_i$ 独立同分布,$P(X_i = 1) = P(X_i = -1) = 1/2$。用 CLT 求 $P\left(\left|\sum_{i=1}^{100} X_i\right| \le 10\right)$。
**解析**:
- $E(X_i) = 0, D(X_i) = 1$(因为 $E(X_i^2) = 1$)
- $S = \sum X_i$, $E(S) = 0, D(S) = 100$
由 CLT,$S$ 近似 $N(0, 100)$,$\sqrt{D(S)} = 10$:
$$
P(|S| \le 10) = P\left(\frac{-10}{10} \le Z \le \frac{10}{10}\right) = P(-1 \le Z \le 1) = 2\Phi(1) - 1
$$
查表:$\Phi(1) = 0.8413$,所以 $P \approx 0.6826$。
**复盘**:
- $X_i$ 是**对称 0-1 分布**(取值 $\pm 1$)
- $D(X_i) = 1$(不是 $1/4$!)——因为 $E(X_i^2) = 1$
- 这就是著名的**"随机游走"模型**——CLT 给出正态近似
---
> **题目 5(不同分布,李雅普诺夫)**:设 $X_1, X_2, \ldots$ 独立,$X_i$ 分布律为 $P(X_i = i) = 1/2, P(X_i = 0) = 1/2$。求 $n$ 大时 $P(|\sum X_i| \le 100)$。
**解析**:
- $E(X_i) = i/2, D(X_i) = i^2/4$
- $E(S_n) = \sum i/2 = n(n+1)/4$
- $D(S_n) = \sum i^2/4 = n(n+1)(2n+1)/24$
由李雅普诺夫 CLT,$S_n$ 近似 $N(E(S_n), D(S_n))$。
对于大 $n$:$E(S_n) \approx n^2/4$,$D(S_n) \approx n^3/12$,$\sqrt{D} \approx n^{3/2}/\sqrt{12}$。
标准化:$Z = \dfrac{S_n - n^2/4}{n^{3/2}/\sqrt{12}}$。
$P(|S_n| \le 100)$:当 $n$ 较大时,$E(S_n) = n^2/4$ 远大于 100,所以 $P \approx 0$(因为 $S_n$ 集中在 $E(S_n)$ 附近)。
**复盘**:
- **关键洞察**:当 $E(S_n) \to \infty$ 时,$P(|S_n| \le 100) \to 0$
- 这道题展示**不同分布的 CLT**——只要方差有限且不太小即可
- 李雅普诺夫条件是工程上"常用"的(不同元件的误差求和)
---
> **口诀速记**:
> - "**算 E, 算 D, 求和 S**"
> - "**$E(S) = n\mu$, $D(S) = n\sigma^2$**"
> - "**标准化:$Z = (S - n\mu)/(\sigma\sqrt{n})$**"
> - "**$P = \Phi(\text{上限}) - \Phi(\text{下限})$**"