Files
MathNotesVersion2/基于考研的学习/数学一/在学练习/概率论-第5讲下-中心极限定理/03-点2-棣莫弗-拉普拉斯定理.md
T

125 lines
7.2 KiB
Markdown
Raw Normal View History

---
tags: [数学一, 在学练习, 概率论, 中心极限定理, 棣莫弗-拉普拉斯, 连续性修正]
专题: 概率论 第5讲下 · 点2 棣莫弗-拉普拉斯定理
日期: 2026-11-07
状态: 知识点带题(2.1 二项的正态近似、2.2 连续性修正,共 2 题)
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
---
# 点 2 棣莫弗-拉普拉斯定理
> 大纲"掌握"、十年未单独出题,但**它是列维-林德伯格在 $0$ -$1$ 变量上的特例,也是第 6 讲比例检验的雏形**|重要度 ★★☆
> 依赖:点 1 的标准化四步。盘点对应:§2 全节。
**组织原则**:本点只有两件事——**把二项当成"$n$ 个 $0$ -$1$ 之和"来标准化**(2.1),以及**离散与连续对不齐时怎么补半步**(2.2)。第 2 题的"修正前后对比"是本点唯一需要动脑的地方,但它能一次性解释清楚"为什么二项需要修正、而列维-林德伯格不需要"。难度标准:两题都是 ★★☆。
## 知识点 2.1 定理(出处:[知识章 §3.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/law-of-large-numbers-and-central-limit-theorem.tex))
设 $X\sim B(n,p)$ ,当 $np\ge5$ 且 $n(1-p)\ge5$ 时,
$$\frac{X-np}{\sqrt{np(1-p)}}\ \dot\sim\ N(0,1),$$
即
$$P\{X\le k\}\approx\Phi\left(\frac{k-np}{\sqrt{np(1-p)}}\right).$$
**它就是列维-林德伯格**:把 $X$ 拆成 $n$ 个 $B(1,p)$ 之和,则 $\mu=p$ 、$\sigma^2=p(1-p)$ 、$n\mu=np$ 、$n\sigma^2=np(1-p)$ ,代入即得。**所以不需要单独背,只要记住"$\mu=p$ 、$\sigma^2=p(1-p)$ "这条对应。**
**适用范围**:$np\ge5$ 且 $n(1-p)\ge5$ 。$p$ 太靠近 $0$ 或 $1$ 时分布严重偏斜,正态近似会明显失真——这时改用泊松([点 3](04-点3-三种近似辨析.md))。
## 知识点 2.2 连续性修正(出处:参考仓库未单列,按二项与正态"离散 vs 连续"的差异补写)
二项是**离散**的,正态是**连续**的。$P\{X\le k\}$ 在二项里是"$k$ 这一点的全部质量"也算进去,而在正态里"$\le k$ "只到 $k$ 这一条线,**两者差了半格**。所以端点要各让半步:
$$P\{a\le X\le b\}\approx\Phi\left(\frac{b+0.5-np}{\sqrt{np(1-p)}}\right)-\Phi\left(\frac{a-0.5-np}{\sqrt{np(1-p)}}\right);$$
$$P\{X\le k\}\approx\Phi\left(\frac{k+0.5-np}{\sqrt{np(1-p)}}\right);\qquad P\{X\ge k\}\approx1-\Phi\left(\frac{k-0.5-np}{\sqrt{np(1-p)}}\right).$$
**让半步的方向**:永远朝"**把区间放大**"的方向让——$\le k$ 就把 $k$ 改成 $k+0.5$ ,$\ge k$ 就把 $k$ 改成 $k-0.5$ 。这样误差才不系统性偏一边。
**什么时候必须修正**:$np<10$ 左右时必须(能把误差从 $0.03$ 量级降到 $0.001$ 量级);$np>50$ 时可以不写(只影响第三位小数)。
---
## 题目(按知识点顺序对应)
### 题 1 · 2.1:把二项装进四步模板(★★☆)
> 设 $X\sim B(600,\ 0.4)$ 。用棣莫弗-拉普拉斯定理求:
>
> (Ⅰ)$P\{X\le252\}$ 的近似值;
> (Ⅱ)$P\{228\le X\le252\}$ 的近似值;
> (Ⅲ)说明 $P\{X\le252\}$ 与"$600$ 个 $B(1,0.4)$ 之和 $\le252$ "的列维-林德伯格近似为什么必然相同。
**怎么想**:先算 $np$ 、$np(1-p)$ 、$\sqrt{np(1-p)}$ 三个量,之后都是减法除法。(Ⅱ)是双侧对称区间($228$ 与 $252$ 关于 $240$ 对称),可以用 $2\Phi-1$ 。
**解**:
三个基本量:
$$np=600\times0.4=240,\qquad np(1-p)=240\times0.6=144,\qquad \sqrt{144}=12 .$$
**(Ⅰ)**
$$z=\frac{252-240}{12}=1\quad\Longrightarrow\quad P\{X\le252\}\approx\Phi(1)=0.8413 .$$
**(Ⅱ)** $228$ 与 $252$ 关于均值 $240$ 对称(各差 $12$ ,即各差一个标准差),故
$$P\{228\le X\le252\}\approx\Phi(1)-\Phi(-1)=2\Phi(1)-1=0.6826 .$$
**(Ⅲ)** 因为 $X=\sum\limits_{i=1}^{600}X_i$ 其中 $X_i\sim B(1,0.4)$ 独立。对 $X_i$ :$\mu=0.4$ 、$\sigma^2=0.4\times0.6=0.24$ 。于是
$$n\mu=600\times0.4=240,\qquad n\sigma^2=600\times0.24=144,\qquad \sqrt{n\sigma^2}=12,$$
与(Ⅰ)里的三个量**逐个相同**。两条定理是同一件事的两种写法。
**验算**:$\sqrt{600\times0.24}=\sqrt{144}=12$ ✓;与 $np(1-p)=240\times0.6=144$ 一致 ✓。
**带走结论**:**二项题先算 $np$ 与 $np(1-p)$ ,其余全是除法**。另外记牢"$B(n,p)$ 的均值是 $np$ 、方差是 $np(1-p)$ "——这里如果把方差写成 $np$ (那是泊松),后面所有 $z$ 都会错得离谱(本题分母会变成 $\sqrt{240}\approx15.5$ ,$z$ 变成 $0.775$ ,答案从 $0.841$ 变成 $0.781$ )。
> **关联** · 盘点 [§2.1 定理(二项的正态近似)](01-知识点盘点.md#user-content-21-定理二项的正态近似) | 上游 — | 下游 — | 速查 [四 棣莫弗-拉普拉斯定理](05-速查卡.md#user-content-四-棣莫弗拉普拉斯定理)
---
### 题 2 · 2.2:修正前后差多少(★★☆)
> 设 $X\sim B(30,\ 0.4)$ 。
>
> (Ⅰ)不作连续性修正,用棣莫弗-拉普拉斯定理估计 $P\{X\le15\}$ ;
> (Ⅱ)作连续性修正后重新估计;
> (Ⅲ)已知精确值 $P\{X\le15\}=0.9029$ ,比较两种近似,并说明 $n$ 多大时可以不修正。
**怎么想**:三个基本量:$np=12$ 、$np(1-p)=7.2$ 、$\sqrt{7.2}\approx2.683$ 。修正的关键就是把端点 $15$ 改成 $15.5$ 。
**解**:
$$np=30\times0.4=12,\qquad np(1-p)=12\times0.6=7.2,\qquad \sqrt{7.2}\approx2.6833 .$$
**(Ⅰ)不修正**:
$$z=\frac{15-12}{2.6833}=1.118\quad\Longrightarrow\quad P\{X\le15\}\approx\Phi(1.118)\approx0.868 .$$
**(Ⅱ)修正**($k=15$ 改成 $15.5$ ):
$$z=\frac{15.5-12}{2.6833}=1.305\quad\Longrightarrow\quad P\{X\le15\}\approx\Phi(1.305)\approx0.904 .$$
**(Ⅲ)比较**:
| 算法 | 结果 | 与精确值之差 |
|---|---|---|
| 精确 | $0.9029$ | — |
| 不修正 | $0.868$ | $-0.035$ |
| 修正后 | $0.904$ | $+0.001$ |
**修正把误差缩小了 $35$ 倍**。原因很直观:二项分布的每一根柱子宽 $1$ 、中心在整数上,而正态密度是连续的;把 $15$ 换成 $15.5$ 相当于把"$15$ 这根柱子的右半边"也划进区域,正好补齐了那半格。
**$n$ 多大可以不修正**:判据是 $\dfrac{0.5}{\sqrt{np(1-p)}}$ 足够小。本题 $\dfrac{0.5}{2.683}=0.186$ ,占了整整 $0.19$ 个标准差,影响巨大;若换成 $B(600,0.4)$ ($\sqrt{np(1-p)}=12$ ),$\dfrac{0.5}{12}=0.042$ 个标准差,只改变 $z$ 的第二位小数,概率差约 $1\%$ 。经验线:$np(1-p)>50$ (即 $\sqrt{np(1-p)}>7$ )时可省。
**验算**:用修正公式算另一侧 $P\{X\ge16\}$ 应为 $1-0.904=0.096$ ,而精确值 $1-0.9029=0.0971$ ✓,仍在千分位内。
**带走结论**:**修正不是"更精确的公式",而是"把离散的质量对齐到连续区间"** 。判断要不要修正只看 $\frac{0.5}{\sqrt{np(1-p)}}$ 的大小:超过 $0.1$ 就必须修正,小于 $0.05$ 可以不管。**列维-林德伯格不需要修正**,因为它的对象本来就是连续型之和。
> **关联** · 盘点 [§2.2 连续性修正](01-知识点盘点.md#user-content-22-连续性修正) | 上游 — | 下游 — | 速查 [五 连续性修正](05-速查卡.md#user-content-五-连续性修正)
---