178 lines
9.3 KiB
Markdown
178 lines
9.3 KiB
Markdown
---
|
||||
|
|
tags: [数学一, 在学练习, 概率论, 中心极限定理, 列维-林德伯格]
|
|||
|
|
专题: 概率论 第5讲下 · 点1 列维-林德伯格定理
|
|||
|
|
日期: 2026-11-07
|
|||
|
|
状态: 知识点带题(1.1 定理、1.2 标准化四步、1.3 反解 n,共 3 题)
|
|||
|
|
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
# 点 1 列维-林德伯格定理
|
|||
|
|
|
|||
|
|
> **2020·8 单选 4 分**,而且是所有大题最后一问的通用工具|重要度 ★★★
|
|||
|
|
> 依赖:第 4 讲的 $EX$ 、$DX$ 、$D\bar X$ ,以及上册的依概率收敛。盘点对应:§1 全节。
|
|||
|
|
|
|||
|
|
**组织原则**:这一点只有一个动作——**标准化**。三题分别对应"顺着算(给 $n$ 求概率)"、"两个方向都算(双侧与单侧)"、"倒着算(给概率求 $n$ )"。**把第 2 题的四个步骤练成肌肉记忆,第 1、3 题就都是它的变形。** 难度标准:★☆☆ 一题、★★☆ 一题、★★★ 一题。
|
|||
|
|
|
|||
|
|
## 知识点 1.1 定理(出处:[知识章 §3.1](../../../../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 $X_1,X_2,\cdots$ 独立同分布,$EX_i=\mu$ 、$DX_i=\sigma^2\in(0,+\infty)$ ,则
|
|||
|
|
|
|||
|
|
$$\lim_{n\to\infty}P\left\{\frac{\sum_{i=1}^{n}X_i-n\mu}{\sqrt n\,\sigma}\le x\right\}=\Phi(x).$$
|
|||
|
|
|
|||
|
|
**三种等价写法**(考场上挑顺手的用):
|
|||
|
|
|
|||
|
|
$$\frac{\bar X-\mu}{\sigma/\sqrt n}\ \dot\sim\ N(0,1);\qquad \sum_{i=1}^{n}X_i\ \dot\sim\ N\left(n\mu,\ n\sigma^2\right);\qquad \bar X\ \dot\sim\ N\left(\mu,\ \frac{\sigma^2}{n}\right).$$
|
|||
|
|
|
|||
|
|
**三个高频错点**:
|
|||
|
|
|
|||
|
|
1. 分子里减的是**期望**($n\mu$ 或 $\mu$ ),不是 $0$ ;
|
|||
|
|
2. 分母是**标准差** $\sqrt n\,\sigma$ ,不是方差 $n\sigma^2$ ;
|
|||
|
|
3. 结论是**近似**,写"$=$ "严格来说算错,写"$\approx$ "或"$\dot\sim$ "。
|
|||
|
|
|
|||
|
|
## 知识点 1.2 标准化四步模板(出处:[知识章 §3.1](../../../../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))
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
① 写出单个变量的 μ 与 σ²(不是和的)
|
|||
|
|
② EΣ = nμ,DΣ = nσ²,σ_Σ = √n·σ
|
|||
|
|
③ 标准化 z = (端点 − nμ) / (√n·σ)
|
|||
|
|
④ 查 Φ:≤ 用 Φ;≥ 用 1−Φ;对称区间用 2Φ−1
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
| 问法 | 近似式 |
|
|||
|
|
|---|---|
|
|||
|
|
| $P\left\{\sum\le a\right\}$ | $\Phi\left(\dfrac{a-n\mu}{\sqrt n\sigma}\right)$ |
|
|||
|
|
| $P\left\{\sum\ge a\right\}$ | $1-\Phi\left(\dfrac{a-n\mu}{\sqrt n\sigma}\right)$ |
|
|||
|
|
| $P\left\{\left\lvert\sum-n\mu\right\rvert\le\varepsilon\right\}$ | $2\Phi\left(\dfrac{\varepsilon}{\sqrt n\sigma}\right)-1$ |
|
|||
|
|
| $P\left\{\bar X\le a\right\}$ | $\Phi\left(\dfrac{a-\mu}{\sigma/\sqrt n}\right)$ |
|
|||
|
|
|
|||
|
|
**必背分位数**:$\Phi(1)=0.8413$ 、$\Phi(1.645)=0.95$ 、$\Phi(1.96)=0.975$ 、$\Phi(2)=0.9772$ 、$\Phi(3)=0.9987$ 。
|
|||
|
|
|
|||
|
|
## 知识点 1.3 反解样本量(出处:[知识章 §3.1](../../../../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))
|
|||
|
|
|
|||
|
|
三步:**化成 $\Phi(z)\ge\alpha$ → 把 $\Phi(z)$ 换成 $\alpha$ 对应的分位数 → 解出 $n$ 并向上取整**。
|
|||
|
|
|
|||
|
|
> **开根号的那一步最易错**:$z$ 里含 $\sqrt n$ ,解方程时会得到一个关于 $\sqrt n$ 的二次不等式。先把 $t=\sqrt n$ 换元,解出 $t$ 再平方,比直接硬解稳。
|
|||
|
|
>
|
|||
|
|
> **解完必须回验 $n-1$ 才作数** :问的是"至少",差一就是错。
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## 题目(按知识点顺序对应)
|
|||
|
|
|
|||
|
|
### 题 1 · 1.1:和的正态近似(★☆☆)
|
|||
|
|
|
|||
|
|
> 设 $X_1,X_2,\cdots,X_{900}$ 独立同分布,$P\{X_i=0\}=P\{X_i=1\}=\dfrac12$ 。用中心极限定理求 $P\left\{\sum\limits_{i=1}^{900}X_i\le465\right\}$ 的近似值(用 $\Phi$ 表示)。
|
|||
|
|
|
|||
|
|
**怎么想**:$0$ -$1$ 变量的和就是二项分布,但本题给的是"独立同分布",所以直接按列维-林德伯格走四步即可。**尤其注意方差取 $\frac14$ 而不是 $\frac12$ 这一点**。
|
|||
|
|
|
|||
|
|
**解**:
|
|||
|
|
|
|||
|
|
单个变量:$\mu=EX_i=\dfrac12$ ,$DX_i=\dfrac12\cdot\dfrac12=\dfrac14$ 。
|
|||
|
|
|
|||
|
|
和:$n=900$ ,
|
|||
|
|
|
|||
|
|
$$E\sum=900\times\frac12=450,\qquad D\sum=900\times\frac14=225,\qquad \sigma_{\sum}=\sqrt{225}=15 .$$
|
|||
|
|
|
|||
|
|
标准化(端点 $465$ ):
|
|||
|
|
|
|||
|
|
$$z=\frac{465-450}{15}=1 .$$
|
|||
|
|
|
|||
|
|
故
|
|||
|
|
|
|||
|
|
$$P\left\{\sum_{i=1}^{900}X_i\le465\right\}\approx\Phi(1)=0.8413 .$$
|
|||
|
|
|
|||
|
|
**验算**:用二项写法核对——$\sum\sim B(900,0.5)$ ,$np=450$ 、$np(1-p)=225$ ,与上面一致 ✓。再核 $\sigma$ :$\sqrt{225}=15$ ,而 $\frac{465-450}{15}=1$ ,正好一个标准差,覆盖率约 $0.841$ ,合理。
|
|||
|
|
|
|||
|
|
**带走结论**:**$0$ -$1$ 变量两条路都通**——写二项用棣莫弗-拉普拉斯,或用列维-林德伯格。两条路的 $\mu$ 与 $\sigma^2$ 必须一致($p$ 与 $p(1-p)$ ),**只要这里对得上,后面就不会错**。
|
|||
|
|
|
|||
|
|
> **关联** · 盘点 [§1.1 定理(独立同分布版)](01-知识点盘点.md#user-content-11-定理独立同分布版) | 上游 — | 下游 — | 速查 [一 列维-林德伯格定理](05-速查卡.md#user-content-一-列维林德伯格定理)
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
### 题 2 · 1.2:四个步骤与两个方向(★★☆)
|
|||
|
|
|
|||
|
|
> 设 $X_1,X_2,\cdots,X_{48}$ 独立同分布,均服从 $U(0,1)$ 。
|
|||
|
|
>
|
|||
|
|
> (Ⅰ)求 $E\left(\sum X_i\right)$ 、$D\left(\sum X_i\right)$ 与 $\sigma_{\sum}$ ;
|
|||
|
|
> (Ⅱ)用中心极限定理求 $P\left\{22<\sum\limits_{i=1}^{48}X_i<26\right\}$ 的近似值;
|
|||
|
|
> (Ⅲ)求 $P\left\{\sum\limits_{i=1}^{48}X_i>27\right\}$ 的近似值。
|
|||
|
|
|
|||
|
|
**怎么想**:$U(0,1)$ 的 $\mu=\frac12$ 、$\sigma^2=\frac{1}{12}$ ,两问都是"端点减均值除以标准差",区别只在于(Ⅲ)是**单侧**,要用 $1-\Phi$ 。
|
|||
|
|
|
|||
|
|
**解**:
|
|||
|
|
|
|||
|
|
**(Ⅰ)** 单个变量 $\mu=\dfrac12$ 、$\sigma^2=\dfrac{1}{12}$ 。$n=48$ :
|
|||
|
|
|
|||
|
|
$$E\sum=48\times\frac12=24,\qquad D\sum=48\times\frac{1}{12}=4,\qquad \sigma_{\sum}=2 .$$
|
|||
|
|
|
|||
|
|
**(Ⅱ)** 两端标准化:
|
|||
|
|
|
|||
|
|
$$z_1=\frac{22-24}{2}=-1,\qquad z_2=\frac{26-24}{2}=1 .$$
|
|||
|
|
|
|||
|
|
$$P\left\{22<\sum<26\right\}\approx\Phi(1)-\Phi(-1)=2\Phi(1)-1=2(0.8413)-1=0.6826 .$$
|
|||
|
|
|
|||
|
|
**(Ⅲ)** 单侧,注意用 $1-\Phi$ :
|
|||
|
|
|
|||
|
|
$$z=\frac{27-24}{2}=1.5,$$
|
|||
|
|
|
|||
|
|
$$P\left\{\sum>27\right\}\approx1-\Phi(1.5)=1-0.9332=0.0668 .$$
|
|||
|
|
|
|||
|
|
**验算**:(Ⅱ)得到的 $0.6826$ 正好是"一个标准差区间"的覆盖率,与正态的 $68.3\%$ 对上;(Ⅲ)的 $6.68\%$ 约等于单侧 $1.5$ 个标准差的尾部,与 $\Phi(1.5)=0.9332$ 互补 ✓。
|
|||
|
|
|
|||
|
|
**一个容易漏的细节**:$\sum X_i$ 的支撑是 $(0,48)$ ,本题的三个端点($22$ 、$26$ 、$27$ )都离边界很远,近似才可靠。**若问 $P\{\sum<1\}$ 或 $P\{\sum>47\}$ ,CLT 会给出严重错误的结果**——那里是分布尾部,正态近似不适用(这时应该回到 $U(0,1)$ 求和的精确公式)。
|
|||
|
|
|
|||
|
|
**带走结论**:**单侧一律 $1-\Phi$ 、双侧一律 $2\Phi-1$ 这两条** ,且双侧要用"对称性"把两个 $\Phi$ 合成一个。另外**近似只在"中间段"可靠**,题干给的端点若是极端值,就要怀疑出题人想考的是精确算法。
|
|||
|
|
|
|||
|
|
> **关联** · 盘点 [§1.2 标准化四步模板(考场流程)](01-知识点盘点.md#user-content-12-标准化四步模板考场流程) | 上游 — | 下游 — | 速查 [二 标准化四步](05-速查卡.md#user-content-二-标准化四步)
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
### 题 3 · 1.3:反解样本量(★★★)
|
|||
|
|
|
|||
|
|
> 某型号零件的寿命 $X_i$ 独立同分布,平均寿命 $100$ 小时、标准差 $10$ 小时。求最小的 $n$ ,使
|
|||
|
|
>
|
|||
|
|
> $$P\left\{\sum_{i=1}^{n}X_i\ge10000\right\}\ge0.95 .$$
|
|||
|
|
>
|
|||
|
|
> (已知 $\Phi(1.645)=0.95$ )
|
|||
|
|
|
|||
|
|
**怎么想**:这是"倒着算"。先把概率写成 $\Phi(z)$ 的形状,再把 $\Phi(z)\ge0.95$ 换成 $z\ge1.645$ ,最后解关于 $\sqrt n$ 的二次不等式。**注意不等号方向:$\sum$ 越大越容易超过 $10000$ ,所以 $n$ 增大时概率上升。**
|
|||
|
|
|
|||
|
|
**解**:
|
|||
|
|
|
|||
|
|
$n$ 个零件的总寿命:$E\sum=100n$ ,$D\sum=100n$ ,$\sigma_{\sum}=10\sqrt n$ 。
|
|||
|
|
|
|||
|
|
先写成标准形状:
|
|||
|
|
|
|||
|
|
$$P\left\{\sum_{i=1}^{n}X_i\ge10000\right\}=1-\Phi\left(\frac{10000-100n}{10\sqrt n}\right)=\Phi\left(\frac{100n-10000}{10\sqrt n}\right).$$
|
|||
|
|
|
|||
|
|
(最后一步用了 $\Phi(-x)=1-\Phi(x)$ ,**这一步是本类题的关键**:把"$\ge$ "翻成"$\le$ "才能直接用 $\Phi$ 。)
|
|||
|
|
|
|||
|
|
要求它 $\ge0.95$ ,等价于
|
|||
|
|
|
|||
|
|
$$\frac{100n-10000}{10\sqrt n}\ge1.645\quad\Longrightarrow\quad\frac{10(n-100)}{\sqrt n}\ge1.645 .$$
|
|||
|
|
|
|||
|
|
令 $t=\sqrt n>0$ ,得二次不等式
|
|||
|
|
|
|||
|
|
$$10t^2-1.645t-1000\ge0,$$
|
|||
|
|
|
|||
|
|
解得
|
|||
|
|
|
|||
|
|
$$t\ge\frac{1.645+\sqrt{1.645^2+40000}}{20}=\frac{1.645+\sqrt{40002.71}}{20}=\frac{1.645+200.007}{20}=10.083 .$$
|
|||
|
|
|
|||
|
|
故 $n\ge t^2=101.66$ ,取整数
|
|||
|
|
|
|||
|
|
$$n=102 .$$
|
|||
|
|
|
|||
|
|
**回验**:
|
|||
|
|
|
|||
|
|
- $n=102$ :$z=\dfrac{100\times102-10000}{10\sqrt{102}}=\dfrac{200}{100.995}=1.980$ ,$\Phi(1.980)=0.976\ge0.95$ ✓;
|
|||
|
|
- $n=101$ :$z=\dfrac{100}{100.499}=0.995$ ,$\Phi(0.995)=0.840<0.95$ ✗。
|
|||
|
|
|
|||
|
|
所以 $n=102$ 确实是最小值。
|
|||
|
|
|
|||
|
|
**带走结论**:**三个动作一个都不能少**——翻方向($1-\Phi$ 变 $\Phi$ )、换元 $t=\sqrt n$ 、回验 $n-1$ 。另外注意在 $n=100$ 附近 $z$ 几乎是线性增长的(每多一件零件,$z$ 约涨 $1$ ),所以**差一件就差出 $0.14$ 的概率**,边界必须一次算准。
|
|||
|
|
|
|||
|
|
> **关联** · 盘点 [§1.3 反解样本量](01-知识点盘点.md#user-content-13-反解样本量) | 上游 — | 下游 — | 速查 [三 反解样本量](05-速查卡.md#user-content-三-反解样本量)
|
|||
|
|
|
|||
|
|
---
|