Files
2026-10-04 11:44:56 +08:00

7.6 KiB
Raw Permalink Blame History

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

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:$Z = (S - n\mu)/(\sigma\sqrt{n})$"
  • "$P = \Phi(\text{上限}) - \Phi(\text{下限})$"