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

201 lines
7.6 KiB
Markdown
Raw Permalink Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
# 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:$Z = (S - n\mu)/(\sigma\sqrt{n})$**"
> - "**$P = \Phi(\text{上限}) - \Phi(\text{下限})$**"