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

7.8 KiB
Raw Permalink Blame History

题型四:二项分布的正态近似(棣莫弗-拉普拉斯定理)

识别特征

  • 题干出现 B(n, p) 或"n 次独立试验""成功次数"
  • n 较大,求 P(a \le X \le b) 或 P(X = k)
  • 题目明确"用正态近似"或"近似计算"
  • np \ge 5 且 $n(1-p) \ge 5$(必要条件)

解题流程

flowchart TD
    A[识别:二项分布近似题] --> B[确认 X ~ B n p]
    B --> C{np ≥ 5 且 n(1-p) ≥ 5?}
    C -->|否| D[改用泊松近似]
    C -->|是| E[E X = np, D X = np 1-p]
    E --> F[标准化 Z = X - np / √np(1-p)]
    F --> G{是 P(a ≤ X ≤ b) 还是 P(X = k)?}
    G -->|区间| H[查 Φ 表: 连续校正]
    G -->|单点| I[用局部极限定理或校正]
    H --> J[最终答案]
    I --> J

通法步骤

一、棣莫弗-拉普拉斯定理

设 $\eta_n \sim B(n, p)$(n 次独立试验中成功次数),$0 < p < 1$,则当 n 充分大时:


\frac{\eta_n - np}{\sqrt{np(1-p)}} \xrightarrow{d} N(0,1)

即 B(n, p) 近似 $N(np, np(1-p))$。

二、连续性校正(Continuity Correction)

二项分布是离散分布,正态分布是连续分布,直接近似有误差。校正方法:


P(a \le X \le b) \approx \Phi\left(\frac{b + 0.5 - np}{\sqrt{np(1-p)}}\right) - \Phi\left(\frac{a - 0.5 - np}{\sqrt{np(1-p)}}\right)

校正含义:$P(X = k) \approx P(k - 0.5 < Y \le k + 0.5)$,其中 Y 是连续正态变量。

三、应用步骤(五步法)

步骤 操作 关键点
1. 定分布 明确 $X \sim B(n, p)$,求 E(X) = np, D(X) = np(1-p) 套公式
2. 验条件 检查 np \ge 5, n(1-p) \ge 5 不满足则改用泊松近似
3. 标准化 Z = \dfrac{X - np}{\sqrt{np(1-p)}} \sim N(0,1) np(1-p) 是方差
4. 转换 P(a \le X \le b) = \Phi\left(\dfrac{b + 0.5 - np}{\sqrt{np(1-p)}}\right) - \Phi\left(\dfrac{a - 0.5 - np}{\sqrt{np(1-p)}}\right) 用 \pm 0.5 校正
5. 查表 查 \Phi 表 注意 \Phi(-x) = 1 - \Phi(x)

四、典型公式表

设 $X \sim B(n, p)$,Y 近似 $N(np, np(1-p))$,$\sigma = \sqrt{np(1-p)}$:

概率 近似公式
P(X \le k) \Phi\left(\dfrac{k + 0.5 - np}{\sigma}\right)
P(X \ge k) 1 - \Phi\left(\dfrac{k - 0.5 - np}{\sigma}\right) = \Phi\left(\dfrac{np - k + 0.5}{\sigma}\right)
P(a \le X \le b) \Phi\left(\dfrac{b + 0.5 - np}{\sigma}\right) - \Phi\left(\dfrac{a - 0.5 - np}{\sigma}\right)
P(\|X - np\| \le \varepsilon) 2\Phi\left(\dfrac{\varepsilon + 0.5}{\sigma}\right) - 1

五、适用条件

条件 用途
np \ge 5, n(1-p) \ge 5 经验法则(较宽松)
np \ge 10, n(1-p) \ge 10 更严格(精度更好)
n \ge 30 一般法则
p 接近 0 或 1 用泊松近似 \lambda = np

六、与其他近似的对比

方法 适用条件 近似分布
棣莫弗-拉普拉斯(正态) np, n(1-p) \ge 5 N(np, np(1-p))
泊松近似 n 大,p 小(np 中等) P(np)
精确计算 n 小(如 $n \le 30$) B(n, p)

常见陷阱

  • 陷阱 1:np 或 n(1-p) 太小(如 B(5, 0.1) 的 $np = 0.5$)→ 不能用正态近似
  • 陷阱 2:忘记连续性校正——直接 P(a \le X \le b) = \Phi(b) - \Phi(a) 会偏低
  • 陷阱 3:混淆 P(X \ge k) 与 $P(X > k)$:前者含 $k$,后者不含
  • 陷阱 4:求 P(X = k) 时:直接用 $P(X = k) \approx \Phi\left(\dfrac{k + 0.5 - np}{\sigma}\right) - \Phi\left(\dfrac{k - 0.5 - np}{\sigma}\right)$,不要直接用泊松公式或局部 CLT
  • 陷阱 5:p = 0 或 $p = 1$(退化情形)不能近似
  • 陷阱 6:标准化时漏掉 $\sqrt{np(1-p)}$,只除以 np

经典母题

题目 1:设 $X \sim B(100, 0.5)$,求 $P(40 \le X \le 60)$。

解析:

  • E(X) = 100 \times 0.5 = 50
  • D(X) = 100 \times 0.5 \times 0.5 = 25
  • \sqrt{D(X)} = 5

由棣莫弗-拉普拉斯定理,X 近似 $N(50, 25)$,用连续性校正:


P(40 \le X \le 60) \approx \Phi\left(\frac{60.5 - 50}{5}\right) - \Phi\left(\frac{40 - 0.5 - 50}{5}\right) = \Phi(2.1) - \Phi(-2.1) = 2\Phi(2.1) - 1

查表:$\Phi(2.1) = 0.9821$,所以 $P \approx 2 \times 0.9821 - 1 = 0.9642$。

复盘:

  • $np = 50 \ge 5$,$n(1-p) = 50 \ge 5$,条件满足
  • 校正值 \pm 0.5 是关键
  • 不校正的近似:$\Phi(2) - \Phi(-2) = 0.9544$(略低)

题目 2:某厂产品次品率 $p = 0.05$,现抽 1000 件检验。求次品数 X 在 40 到 60 之间的概率。

解析:

  • X \sim B(1000, 0.05)
  • E(X) = 50, D(X) = 1000 \times 0.05 \times 0.95 = 47.5
  • \sqrt{D(X)} \approx 6.89

由 CLT(棣莫弗-拉普拉斯):


P(40 \le X \le 60) \approx \Phi\left(\frac{60.5 - 50}{6.89}\right) - \Phi\left(\frac{40 - 0.5 - 50}{6.89}\right) = \Phi(1.524) - \Phi(-1.524) = 2\Phi(1.524) - 1

查表:$\Phi(1.524) \approx 0.9362$,所以 $P \approx 0.8724$。

复盘:

  • $np = 50 \ge 5$,$n(1-p) = 950 \ge 5$,条件满足
  • 这是典型的质检问题——次品率 p 小但 n 大,可用正态近似

题目 3:设 $X \sim B(100, 0.2)$。求 $P(X = 20)$。

解析:

  • E(X) = 20, D(X) = 100 \times 0.2 \times 0.8 = 16, \sqrt{D} = 4

由连续性校正:


P(X = 20) \approx \Phi\left(\frac{20.5 - 20}{4}\right) - \Phi\left(\frac{20 - 0.5 - 20}{4}\right) = \Phi(0.125) - \Phi(-0.125) = 2\Phi(0.125) - 1

查表:$\Phi(0.125) \approx 0.5497$,所以 $P \approx 0.0994$。

复盘:

  • 求单点概率的特殊方法:用连续性校正
  • 精确值:$P(X = 20) = \binom{100}{20} \times 0.2^{20} \times 0.8^{80} \approx 0.0993$(近似非常准确)
  • 另一种方法:局部极限定理(超纲)P(X = k) \approx \dfrac{1}{\sqrt{2\pi np(1-p)}} e^{-\frac{(k-np)^2}{2np(1-p)}}

题目 4(综合):某保险公司有 10000 名保单持有人,每人出险概率 $p = 0.001$。设出险次数 $X \sim B(10000, 0.001)$。问: (1) $P(X \ge 15)$; (2) 至少需要多少保单持有人才能使 $P(X \ge 15) \ge 0.95$?

解析 (1):

  • E(X) = 10, D(X) = 9.99 \approx 10, \sqrt{D} \approx 3.16

$np = 10 \ge 5$,$n(1-p) = 9990 \ge 5$,可正态近似:


P(X \ge 15) \approx 1 - \Phi\left(\frac{15 - 0.5 - 10}{3.16}\right) = 1 - \Phi(1.42) = 1 - 0.9222 = 0.0778

解析 (2):

设 n 个保单持有人,$X \sim B(n, 0.001)$,$E(X) = 0.001n, D(X) \approx 0.001n$。

$P(X \ge 15) \ge 0.95 \Leftrightarrow P(X \le 14) \le 0.05$。

由 CLT:


P(X \le 14) \approx \Phi\left(\frac{14.5 - 0.001n}{\sqrt{0.001n}}\right) = 0.05

反查 \Phi 表:\dfrac{14.5 - 0.001n}{\sqrt{0.001n}} = -1.645

设 $u = \sqrt{0.001n}$,则 $14.5 - u^2 = -1.645u$,即 $u^2 - 1.645u - 14.5 = 0$。

解得 $u = \dfrac{1.645 + \sqrt{1.645^2 + 58}}{2} = \dfrac{1.645 + 7.764}{2} \approx 4.705$。

所以 $n = u^2/0.001 \approx 22137$。取 $n \ge 22137$。

复盘:

  • 这是保险精算的经典应用——估计"小概率大数"事件
  • 第一问直接查 \Phi 表,第二问反查 \Phi 表
  • 体现了**"小 p 大 $n$"** 的标准应用

题目 5(极小 p 改用泊松近似):设 $X \sim B(100, 0.01)$。用泊松近似求 $P(X = 2)$。

解析:

$np = 1$,远小于 5,正态近似不适用。改用泊松近似 $\lambda = np = 1$:


P(X = 2) \approx \frac{\lambda^2 e^{-\lambda}}{2!} = \frac{1 \times e^{-1}}{2} \approx \frac{0.3679}{2} = 0.1839

复盘:

  • p 很小且 n 不大时(如 $B(100, 0.01)$),泊松近似 比正态近似更准确
  • 判断标准:np < 5 时,优先用泊松近似

口诀速记:

  • "$np, n(1-p) \ge 5$" → 正态近似
  • "p 小 n 中" → 泊松近似
  • "n 小直接算" → 二项分布精确公式
  • "连续性校正 $\pm 0.5$":求单点概率必备