7.6 KiB
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 = 200D(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 = 5000D(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_ni.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^2/4E(S_n) = \sum i/2 = n(n+1)/4D(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:$Z = (S - n\mu)/(\sigma\sqrt{n})$"
- "$P = \Phi(\text{上限}) - \Phi(\text{下限})$"