186 lines
10 KiB
Markdown
186 lines
10 KiB
Markdown
---
|
||||
|
|
tags: [数学一, 在学练习, 概率论, 中心极限定理, 泊松近似, 知识点盘点]
|
|||
|
|
专题: 概率论 第5讲下 · 中心极限定理
|
|||
|
|
日期: 2026-11-07
|
|||
|
|
状态: 知识点盘点(三节 + 覆盖对照表),配套 3 个点分册共 7 题
|
|||
|
|
关联笔记: ["[[README]]", "[[05-速查卡]]"]
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
# 第5讲下 · 中心极限定理:知识点盘点
|
|||
|
|
|
|||
|
|
真题库第 19 章的后半。近十年 **3 题 14 分**里,有 **2020·8(4 分)与 2025·9(5 分)** 落在本册——**9 分**,比上册多。
|
|||
|
|
|
|||
|
|
**与上册的分界**:上册说"$\bar X$ **会靠近** $\mu$ "(只说方向),本册说"$\bar X$ 靠近 $\mu$ 时**误差长什么样**"(给出形状——正态)。所以上册的工具是**不等式**,本册的工具是**分布函数 $\Phi$ 与查表**。
|
|||
|
|
|
|||
|
|
**一句话定性**:中心极限定理 = **"大量独立小随机因素叠加,结果近似正态"**。它把"求和的分布"这个原本做不动的难题,换成了"标准化 + 查 $\Phi$ "这个三十秒的流程。
|
|||
|
|
|
|||
|
|
## 0 三张表
|
|||
|
|
|
|||
|
|
### 0.1 按分值排(时间紧就照这个顺序)
|
|||
|
|
|
|||
|
|
| 优先 | 点 | 真题锚点 | 分值 | 文件 |
|
|||
|
|
|---|---|---|---|---|
|
|||
|
|
| 1 | 三种近似辨析(判据 + 泊松近似) | **2025·9** | **5** | `04` |
|
|||
|
|
| 2 | 列维-林德伯格定理(含标准化四步、反解 $n$ ) | **2020·8** | **4** $+$ 大题常用 | `02` |
|
|||
|
|
| 3 | 棣莫弗-拉普拉斯定理(二项的正态近似) | 十年未单考 | — | `03` |
|
|||
|
|
|
|||
|
|
**注意**:`04` 排第一不是因为"更重要",而是因为**2025·9 那道题形式固定**——$B(n,p)$ 配小 $p$ ,一眼就该想到泊松。这种题不拿分纯属可惜。
|
|||
|
|
|
|||
|
|
### 0.2 按依赖链排(文件顺序,也就是建议的阅读顺序)
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
02 列维-林德伯格 ← 一切的地基:标准化 + 查 Φ
|
|||
|
|
↓
|
|||
|
|
03 棣莫弗-拉普拉斯 ← 同一件事,只是对象换成二项
|
|||
|
|
↓
|
|||
|
|
04 三种近似辨析 ← 什么时候用正态、什么时候用泊松
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
**为什么 03 必须排在 02 之后**:棣莫弗-拉普拉斯就是列维-林德伯格在 $0$ -$1$ 变量上的特例($X_i\sim B(1,p)$ 时 $\sum X_i\sim B(n,p)$ )。先有一般的"和",才有特殊的"二项"。
|
|||
|
|
|
|||
|
|
### 0.3 符号约定
|
|||
|
|
|
|||
|
|
| 记号 | 含义 |
|
|||
|
|
|---|---|
|
|||
|
|
| $\Phi(x)$ | 标准正态分布函数,$\Phi(-x)=1-\Phi(x)$ |
|
|||
|
|
| $\overset{d}{\longrightarrow}$ | 依分布收敛 |
|
|||
|
|
| $\dot\sim$ | "近似服从" |
|
|||
|
|
| $z_\alpha$ | 上 $\alpha$ 分位点($z_{0.05}=1.645$ 、$z_{0.025}=1.96$ ) |
|
|||
|
|
| $\lambda$ | 泊松近似的参数,取 $\lambda=np$ |
|
|||
|
|
|
|||
|
|
### 0.4 知识点与练习文件对照(按知识点粒度)
|
|||
|
|
|
|||
|
|
<!-- AUTO:KP -->
|
|||
|
|
| 盘点章节(知识点) | 对应题目 |
|
|||
|
|
|---|---|
|
|||
|
|
| §1.1 定理(独立同分布版) | [点 1 题 1](02-点1-列维-林德伯格定理.md#user-content-题-1--11和的正态近似) |
|
|||
|
|
| §1.2 标准化四步模板(考场流程) | [点 1 题 2](02-点1-列维-林德伯格定理.md#user-content-题-2--12四个步骤与两个方向) |
|
|||
|
|
| §1.3 反解样本量 | [点 1 题 3](02-点1-列维-林德伯格定理.md#user-content-题-3--13反解样本量) |
|
|||
|
|
| §2.1 定理(二项的正态近似) | [点 2 题 1](03-点2-棣莫弗-拉普拉斯定理.md#user-content-题-1--21把二项装进四步模板) |
|
|||
|
|
| §2.2 连续性修正 | [点 2 题 2](03-点2-棣莫弗-拉普拉斯定理.md#user-content-题-2--22修正前后差多少) |
|
|||
|
|
| §3.1 判据表 | [点 3 题 1](04-点3-三种近似辨析.md#user-content-题-1--31四个场景各选一种近似) |
|
|||
|
|
| §3.2 泊松近似的计算套路 | [点 3 题 2](04-点3-三种近似辨析.md#user-content-题-2--32泊松近似与正态近似的正面比较) |
|
|||
|
|
<!-- /AUTO:KP -->
|
|||
|
|
|
|||
|
|
## 1 列维-林德伯格定理
|
|||
|
|
|
|||
|
|
### 1.1 定理(独立同分布版)
|
|||
|
|
|
|||
|
|
设 $X_1,X_2,\cdots$ 独立同分布,$EX_i=\mu$ 、$DX_i=\sigma^2\in(0,+\infty)$ ,则对任意实数 $x$ ,
|
|||
|
|
|
|||
|
|
$$\lim_{n\to\infty}P\left\{\frac{\sum_{i=1}^{n}X_i-n\mu}{\sqrt n\,\sigma}\le x\right\}=\Phi(x).$$
|
|||
|
|
|
|||
|
|
**四种等价写法**(考场上任选一种):
|
|||
|
|
|
|||
|
|
$$\frac{\bar X-\mu}{\sigma/\sqrt n}\ \dot\sim\ N(0,1);\qquad \sum_{i=1}^{n}X_i\ \dot\sim\ N\left(n\mu,\ n\sigma^2\right);\qquad \bar X\ \dot\sim\ N\left(\mu,\ \frac{\sigma^2}{n}\right).$$
|
|||
|
|
|
|||
|
|
**三个必须做对的地方**:
|
|||
|
|
|
|||
|
|
1. 分子是"**和**减**和的期望**"(或"均值减均值的期望"),两者不能混;
|
|||
|
|
2. 分母是**标准差** $\sqrt n\sigma$ ,**不是方差** $n\sigma^2$ ——这是最高频的失分点;
|
|||
|
|
3. 结论是**近似**,$n$ 越大越准,但**永远不是精确等式**。
|
|||
|
|
|
|||
|
|
> **与上册的关系**:大数定律说 $\bar X\to_P\mu$ ;CLT 说 $\bar X-\mu$ 的**量级是 $\frac{\sigma}{\sqrt n}$ 这一点** ,且这个缩放后的量近似正态。**大数定律管"会不会靠近",CLT 管"靠近得多快、误差多大"。**
|
|||
|
|
|
|||
|
|
### 1.2 标准化四步模板(考场流程)
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
① 写出单个变量的 μ 与 σ²(不是和的!)
|
|||
|
|
② 算:EΣ = nμ,DΣ = nσ²,σ_Σ = √n·σ
|
|||
|
|
③ 标准化:z = (端点 − nμ) / (√n·σ)
|
|||
|
|
④ 查 Φ,注意单侧要 1−Φ
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
**单双侧的两种写法**:
|
|||
|
|
|
|||
|
|
$$P\left\{\sum_{i=1}^{n}X_i\le a\right\}\approx\Phi(z_a),\qquad P\left\{\sum_{i=1}^{n}X_i\ge a\right\}\approx1-\Phi(z_a),\qquad z_a=\frac{a-n\mu}{\sqrt n\,\sigma}.$$
|
|||
|
|
|
|||
|
|
对称区间:$P\left\{\left\lvert\sum-n\mu\right\rvert\le\varepsilon\right\}\approx2\Phi\left(\dfrac{\varepsilon}{\sqrt n\sigma}\right)-1$ 。
|
|||
|
|
|
|||
|
|
### 1.3 反解样本量
|
|||
|
|
|
|||
|
|
三步:**先化成 $\Phi(z)\ge\alpha$ 的形状 → 用分位数替换 $\Phi(z)$ → 解出 $n$ 并向上取整**。
|
|||
|
|
|
|||
|
|
常用分位数(必须背):$\Phi(1)=0.8413$ 、$\Phi(1.645)=0.95$ 、$\Phi(1.96)=0.975$ 、$\Phi(2)=0.9772$ 、$\Phi(3)=0.9987$ 。
|
|||
|
|
|
|||
|
|
> **解出的 $n$ 一定要回验 $n-1$ 对不对** 。因为"至少取多少"问的是整数,而开方运算容易在边界上差一。
|
|||
|
|
|
|||
|
|
## 2 棣莫弗-拉普拉斯定理
|
|||
|
|
|
|||
|
|
### 2.1 定理(二项的正态近似)
|
|||
|
|
|
|||
|
|
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
|
|||
|
|
|
|||
|
|
$$P\{X\le k\}\approx\Phi\left(\frac{k-np}{\sqrt{np(1-p)}}\right).$$
|
|||
|
|
|
|||
|
|
**它是列维-林德伯格的特例**:把 $X$ 看成 $n$ 个 $B(1,p)$ 之和,则 $\mu=p$ 、$\sigma^2=p(1-p)$ ,代入即得。
|
|||
|
|
|
|||
|
|
### 2.2 连续性修正
|
|||
|
|
|
|||
|
|
二项是**离散**的,正态是**连续**的,所以端点要"各让半步":
|
|||
|
|
|
|||
|
|
$$P\{a\le X\le b\}\approx\Phi\left(\frac{b+0.5-np}{\sqrt{np(1-p)}}\right)-\Phi\left(\frac{a-0.5-np}{\sqrt{np(1-p)}}\right).$$
|
|||
|
|
|
|||
|
|
**什么时候必须修正**:
|
|||
|
|
|
|||
|
|
- $n$ 不够大($np<10$ 左右)时,修正能把误差从 $0.03$ 量级降到 $0.001$ 量级;
|
|||
|
|
- $n$ 很大($np>50$ )时,修正只影响第三位小数,可以不写。
|
|||
|
|
|
|||
|
|
**"让半步"的方向**:求 $P\{X\le k\}$ 时把 $k$ 改成 $k+0.5$ ;求 $P\{X\ge k\}$ 时把 $k$ 改成 $k-0.5$ 。**永远朝"把区间放大"的方向让**,这样近似的误差才不会系统性偏一边。
|
|||
|
|
|
|||
|
|
## 3 三种近似辨析
|
|||
|
|
|
|||
|
|
### 3.1 判据表
|
|||
|
|
|
|||
|
|
| 场景 | 用哪种 | 判据 | 典型长相 |
|
|||
|
|
|---|---|---|---|
|
|||
|
|
| 二项 $n$ 大、$p$ 居中 | **正态**(棣莫弗-拉普拉斯) | $np\ge5$ 且 $n(1-p)\ge5$ | $B(600,0.4)$ 求 $P\{X\le252\}$ |
|
|||
|
|
| 二项 $n$ 大、$p$ 很小 | **泊松** | $p\le0.05$ ,$np$ 适中 | $B(20,0.1)$ 、$B(200,0.02)$ |
|
|||
|
|
| 独立同分布求和、$n$ 大 | **列维-林德伯格** | $\mu$ 与 $\sigma^2$ 都存在 | 寿命、重量、误差累加 |
|
|||
|
|
| 单个变量求概率 | **都不用** | 样本量只有 $1$ | $X\sim E(1)$ 求 $P\{X>5\}$ |
|
|||
|
|
|
|||
|
|
**两条判据的实质**:正态近似要的是"**对称、中间厚**",所以要求 $p$ 不能太靠近 $0$ 或 $1$ ;泊松近似要的是"**稀有事件**",所以要求 $p$ 很小而 $np$ 稳定。
|
|||
|
|
|
|||
|
|
### 3.2 泊松近似的计算套路
|
|||
|
|
|
|||
|
|
$X\sim B(n,p)$ ,取 $\lambda=np$ ,则
|
|||
|
|
|
|||
|
|
$$P\{X=k\}\approx\frac{\lambda^k}{k!}e^{-\lambda},\qquad P\{X\le m\}\approx e^{-\lambda}\sum_{k=0}^{m}\frac{\lambda^k}{k!}.$$
|
|||
|
|
|
|||
|
|
**三个现成结果($m$ 小时直接写)**:
|
|||
|
|
|
|||
|
|
$$P\{X\le1\}=e^{-\lambda}(1+\lambda);\qquad P\{X\ge3\}=1-e^{-\lambda}\left(1+\lambda+\frac{\lambda^2}{2}\right);\qquad P\{X=0\}=e^{-\lambda}.$$
|
|||
|
|
|
|||
|
|
> **用补事件的判据**:$m$ 比 $\lambda$ 小就用 $P\{X\le m\}$ 直接算;$m$ 比 $\lambda$ 大很多就用 $1-P\{X\le m'\}$ ,其中 $m'$ 反过来取小。这样加法项最少。
|
|||
|
|
|
|||
|
|
## 4 覆盖对照(大纲 vs 真题 vs 参考仓库)
|
|||
|
|
|
|||
|
|
| 知识点 | 大纲要求 | 十年真题 | 参考仓库 | 处置 |
|
|||
|
|
|---|---|---|---|---|
|
|||
|
|
| 列维-林德伯格定理 | **掌握** | 2020·8 | 有 | 点 1,1 题 |
|
|||
|
|
| 标准化四步与单双侧 | **掌握** | 2020·8 | 部分 | 点 1,1 题 |
|
|||
|
|
| 反解样本量 $n$ | **掌握** | 未单独考 | 有 | 点 1,1 题 |
|
|||
|
|
| 棣莫弗-拉普拉斯定理 | **掌握** | 未单考 | 有 | 点 2,1 题 |
|
|||
|
|
| 连续性修正 | 了解 | 未考 | 无(自编) | 点 2,1 题 |
|
|||
|
|
| 正态与泊松的判据 | **掌握** | 2025·9 | 有 | 点 3,1 题 |
|
|||
|
|
| 泊松近似的计算 | **掌握** | 2025·9 | 有 | 点 3,1 题 |
|
|||
|
|
|
|||
|
|
**判断**:7 个知识点里,大纲"掌握"的 6 个全部配题。"连续性修正"参考仓库未涉及,属自编题——但它是理解"二项与正态差在哪"的最好切口,值得一练。
|
|||
|
|
|
|||
|
|
## 5 与相邻讲的接口
|
|||
|
|
|
|||
|
|
| 本讲内容 | 来源 / 去向 | 用法 |
|
|||
|
|
|---|---|---|
|
|||
|
|
| $EX$ 、$DX$ 、$D\bar X=\sigma^2/n$ | [第4讲](../概率论-第4讲-随机变量的数字特征/README.md) | 标准化四步的第 ② 步 |
|
|||
|
|
| 依概率收敛(上册) | [第5讲上](../概率论-第5讲上-大数定律/README.md) | CLT 比它强:依分布收敛 |
|
|||
|
|
| 切比雪夫给的"粗界" | [第5讲上 点2](../概率论-第5讲上-大数定律/03-点2-切比雪夫不等式.md) | 同一道题用 CLT 能省 5 倍样本量 |
|
|||
|
|
| $\Phi$ 的查表与分位数 | 第 6 讲(数理统计) | 区间估计、假设检验的临界值全从这里来 |
|
|||
|
|
| 正态总体下 $\bar X$ 的精确分布 | 第 6 讲(数理统计) | $N(\mu,\sigma^2/n)$ 是 CLT 的精确版(仅正态总体成立) |
|
|||
|
|
| 二项的正态近似 | 第 6 讲(数理统计) | 比例的假设检验用同一套标准化 |
|
|||
|
|
|
|||
|
|
> **跨讲一句话**:本册把"求和"变成了"正态",第 6 讲则反过来——**已知正态,去反推参数落在哪儿**(区间估计)或**参数该不该被否定**(假设检验)。
|