refactor(概率论第5讲): 拆为上册「大数定律」+ 下册「中心极限定理」,各按知识点带题重写

上册 14 题(3 点):
- 点1 依概率收敛:定义、与数列极限的三条区别、四则运算与连续映射
- 点2 切比雪夫不等式:变形表、三步四陷阱、换元(含 2022·9 骨架)
- 点3 三条大数定律:共同形式、切比雪夫(含证明与条件辨析)、伯努利、辛钦、对照

下册 7 题(3 点):
- 点1 列维-林德伯格:定理、标准化四步、反解 n(含 2020·8 骨架)
- 点2 棣莫弗-拉普拉斯:二项的正态近似、连续性修正
- 点3 三种近似辨析:判据表、泊松近似(含 2025·9 骨架)

同步:总览目录树、第6讲相邻讲次、第一次模拟卷入口、知识点构建索引与第19背诵版回查入口;
删除旧「概率论-第5讲-大数定律与中心极限定理」三件套目录。全部数值经 python 复核。
This commit is contained in:
2026-11-07 12:50:44 +08:00
parent 1315716436
commit 60dfb19579
25 changed files with 2041 additions and 836 deletions
@@ -0,0 +1,185 @@
---
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)。
@@ -0,0 +1,177 @@
---
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)
---
@@ -0,0 +1,124 @@
---
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)
---
@@ -0,0 +1,128 @@
---
tags: [数学一, 在学练习, 概率论, 中心极限定理, 泊松近似, 二项分布]
专题: 概率论 第5讲下 · 点3 三种近似辨析
日期: 2026-11-07
状态: 知识点带题(3.1 判据表、3.2 泊松近似的计算,共 2 题)
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
---
# 点 3 三种近似辨析
> **2025·9 单选 5 分**,而且是"认出编号就得分"的送分题;但选错方向就一分不得|重要度 ★★★
> 依赖:点 1、点 2 的标准化。盘点对应:§3 全节。
**组织原则**:本点考的不是计算,是**判断**——"这道题该用正态还是泊松"。两题分工明确:第 1 题只做判断(四个场景,不动手算),第 2 题只做计算(2025·9 的原型)。**先把判据背成条件反射,再练那三步算术。** 难度标准:两题都是 ★★☆。
## 知识点 3.1 判据表(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))
| 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** | $p\le0.05$ 且 $np$ 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 $p$ 不能太靠近 $0$ 或 $1$ ;
- 泊松近似要的是"**稀有事件、次数可数**",所以 $p$ 很小而 $np$ 稳定在有限值。
> **一句口诀**:**$np$ 大而 $p$ 居中 $\to$ 正态;$np$ 小或 $p$ 极小 $\to$ 泊松;只有一个变量 $\to$ 谁也别用。**
## 知识点 3.2 泊松近似的计算套路(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))
$X\sim B(n,p)$ ,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)**:
$$P\{X=0\}=e^{-\lambda};\qquad P\{X\le1\}=e^{-\lambda}(1+\lambda);\qquad P\{X\ge3\}=1-e^{-\lambda}\left(1+\lambda+\frac{\lambda^2}{2}\right).$$
**用正算还是补事件**:$m<\lambda$ 时直接算 $P\{X\le m\}$ ;$m$ 比 $\lambda$ 大很多时改成 $1-P\{X\le m'\}$ ,让加法项变少。
---
## 题目(按知识点顺序对应)
### 题 1 · 3.1:四个场景,各选一种近似(★★☆)
> 下列四个问题,分别指出该用哪一种近似(正态 / 泊松 / 都不适用),并写出判据:
>
> (Ⅰ)$X\sim B(600,\ 0.4)$ ,求 $P\{X\le252\}$ ;
> (Ⅱ)$T\sim B(20,\ 0.1)$ ,求 $P\{T\le1\}$ ;
> (Ⅲ)$T\sim B(200,\ 0.02)$ ,求 $P\{T\ge3\}$ ;
> (Ⅳ)$X\sim E(1)$ ,求 $P\{X>5\}$ 。
**怎么想**:每题先算 $np$ 和 $n(1-p)$ 两个数——它们是判据的全部。**要注意(Ⅱ)与(Ⅲ)的 $n$ 差十倍,但结论一样,因为它们坏在同一个地方:$np$ 太小。**
**解**:
**(Ⅰ)** $np=600\times0.4=240\ge5$ ,$n(1-p)=600\times0.6=360\ge5$ 。**用正态(棣莫弗-拉普拉斯)**。
标准化:$\mu=240$ ,$\sigma=\sqrt{240\times0.6}=\sqrt{144}=12$ ,$z=\dfrac{252-240}{12}=1$ 。
**(Ⅱ)** $np=20\times0.1=2<5$ 。**不满足正态近似的门槛,用泊松**,$\lambda=np=2$ 。
$$P\{T\le1\}\approx e^{-2}(1+2)=3e^{-2}\approx0.406 .$$
**(Ⅲ)** $np=200\times0.02=4<5$ ,且 $p=0.02\le0.05$ 。**用泊松**,$\lambda=4$ 。这里 $m=3$ 接近 $\lambda$ ,直接算与补事件都行;用补事件项更少:
$$P\{T\ge3\}=1-P\{T\le2\}\approx1-e^{-4}\left(1+4+\frac{16}{2}\right)=1-13e^{-4}\approx0.762 .$$
**(Ⅳ)** 只有一个变量,$n=1$ 。**两种近似都不适用**,直接积分:
$$P\{X>5\}=\int_{5}^{+\infty}e^{-x}\,\mathrm{d}x=e^{-5}\approx0.0067 .$$
**对照一下(Ⅰ)与(Ⅲ)为什么不能互换**:若把(Ⅲ)硬套正态,$\mu=4$ 、$\sigma=\sqrt{200\times0.02\times0.98}=\sqrt{3.92}\approx1.98$ ,修正后得 $1-\Phi\left(\frac{2.5-4}{1.98}\right)=\Phi(0.758)\approx0.776$ ,与精确值 $0.7649$ 差 $0.011$ ;而泊松给的 $0.762$ 只差 $0.003$ ✓。反之把(Ⅰ)套泊松,$\lambda=240$ 时 $P\{X\le252\}$ 要加 $253$ 项,根本算不出来。
**带走结论**:**判据只有一行:$np$ 与 $n(1-p)$ 是否都 $\ge5$ ,就这一条** 。都满足 $\to$ 正态;有一个不满足 $\to$ 看 $p$ 是否很小,是则泊松;$n=1$ $\to$ 老实积分。**2025·9 那一类题($B(1,0.1)$ 求和 $20$ 次)属于"$np$ 小"这一类,答案是泊松。**
> **关联** · 盘点 [§3.1 判据表](01-知识点盘点.md#user-content-31-判据表) | 上游 — | 下游 — | 速查 [六 三种近似的判据](05-速查卡.md#user-content-六-三种近似的判据)
---
### 题 2 · 3.2:泊松近似与正态近似的正面比较(★★☆)
> 设 $X_1,X_2,\cdots,X_{20}$ 独立同分布,均服从 $B(1,\ 0.1)$ ,令 $T=\sum\limits_{i=1}^{20}X_i$ 。
>
> (Ⅰ)用泊松近似求 $P\{T\le1\}$ ;
> (Ⅱ)若改用正态近似(作连续性修正),结果是多少?
> (Ⅲ)已知精确值 $P\{T\le1\}=0.3917$ ,比较两者并说明原因。
**怎么想**:$T\sim B(20,0.1)$ ,$np=2$ 太小,正态的门槛没过,所以泊松才是正解。第(Ⅱ)问是"故意用错方法",目的是看清错在哪。
**解**:
**(Ⅰ)** $\lambda=np=20\times0.1=2$ ,
$$P\{T\le1\}\approx e^{-2}\left(1+2\right)=3e^{-2}=\frac{3}{e^2}\approx0.406 .$$
**(Ⅱ)** $\mu=2$ ,$\sigma=\sqrt{20\times0.1\times0.9}=\sqrt{1.8}\approx1.3416$ 。作修正($k=1$ 改成 $1.5$ ):
$$P\{T\le1\}\approx\Phi\left(\frac{1.5-2}{1.3416}\right)=\Phi(-0.373)\approx0.354 .$$
若**不**修正($k=1$ 直接用):
$$\Phi\left(\frac{1-2}{1.3416}\right)=\Phi(-0.745)\approx0.228,$$
偏差到 $0.16$ ,错得离谱。
**(Ⅲ)比较**:
| 算法 | 结果 | 与精确值之差 |
|---|---|---|
| 精确 | $0.3917$ | — |
| 泊松 | $0.406$ | $+0.014$ |
| 正态(修正) | $0.354$ | $-0.038$ |
| 正态(不修正) | $0.228$ | $-0.164$ |
**泊松胜,而且赢得不多不少正好一档。** 原因是 $B(20,0.1)$ 严重**右偏**:$P\{T=0\}=0.9^{20}=0.1216$ 这一根柱子特别高,而正态是对称的,无论如何调不正。
**为什么泊松能行**:泊松分布 $\lambda=2$ 也是右偏的,而且偏的方向、幅度与 $B(20,0.1)$ 几乎一样——$P\{T=0\}=0.9^{20}=0.1216$ 对 $e^{-2}=0.1353$ ,同一量级。**泊松近似不是"用另一个分布凑",而是"用同一个极限形状"**(二项在 $n\to\infty$ 、$np\to\lambda$ 时本来就有这个极限)。
**带走结论**:**看到 $np<5$ 的二项,一律泊松,别犹豫**。而且**泊松近似不需要连续性修正**——它本身就是离散分布,与二项的格子天然对齐。这条结论能省掉考场上一半的犹豫。
> **关联** · 盘点 [§3.2 泊松近似的计算套路](01-知识点盘点.md#user-content-32-泊松近似的计算套路) | 上游 — | 下游 — | 速查 [七 泊松近似的计算](05-速查卡.md#user-content-七-泊松近似的计算)
---
@@ -0,0 +1,120 @@
---
tags: [数学一, 在学练习, 概率论, 中心极限定理, 速查卡]
专题: 概率论 第5讲下 · 中心极限定理(速查)
日期: 2026-11-07
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
---
# 第5讲下 · 中心极限定理:速查卡
考前十分钟只看这一页。
## 一 列维-林德伯格定理
<!-- KP: 1.1 -->
$$\frac{\sum_{i=1}^{n}X_i-n\mu}{\sqrt n\,\sigma}\ \dot\sim\ N(0,1).$$
三种等价写法:$\dfrac{\bar X-\mu}{\sigma/\sqrt n}$ 标准化;$\sum\dot\sim N(n\mu,\ n\sigma^2)$ ;$\bar X\dot\sim N\left(\mu,\ \dfrac{\sigma^2}{n}\right)$ 。
**两个必错点**:分子减的是**期望**;分母是**标准差** $\sqrt n\sigma$ ,不是方差。
## 二 标准化四步
<!-- KP: 1.2 -->
```
① 单个变量的 μ 与 σ²(不是和的)
② EΣ = nμ,DΣ = nσ²,σ_Σ = √n·σ
③ z = (端点 − nμ) / (√n·σ)
④ ≤ 用 Φ;≥ 用 1−Φ;对称区间用 2Φ−1
```
**分位数必背**:$\Phi(1)=0.8413$ 、$\Phi(1.645)=0.95$ 、$\Phi(1.96)=0.975$ 、$\Phi(2)=0.9772$ 、$\Phi(3)=0.9987$ 。
**只在中间段可靠**:端点落在分布的极端尾部时(如 $U(0,1)$ 求和的 $P\{\sum<1\}$ ),CLT 会给出严重错误的结果。
## 三 反解样本量
<!-- KP: 1.3 -->
```
① 把概率写成 Φ(z) 的形状(注意 1−Φ 要翻方向)
② Φ(z) ≥ α → z ≥ 分位数
③ 换元 t = √n,解二次不等式
④ 向上取整,回验 n−1
```
**最易漏的一步**:$P\{\sum\ge a\}=1-\Phi(z)=\Phi(-z)$ ,**先把"$\ge$ "翻成"$\le$ "再解**,否则不等号方向反了。
## 四 棣莫弗-拉普拉斯定理
<!-- KP: 2.1 -->
$$X\sim B(n,p),\ np\ge5,\ n(1-p)\ge5\ \Longrightarrow\ \frac{X-np}{\sqrt{np(1-p)}}\ \dot\sim\ N(0,1).$$
**它就是列维-林德伯格**,只要记住对应关系:$\mu=p$ 、$\sigma^2=p(1-p)$ 。
**别把方差写成 $np$ 那一个** :$np$ 是**泊松**的方差,二项的方差是 $np(1-p)$ ,两者差一个 $(1-p)$ ,足以让答案整体走偏。
## 五 连续性修正
<!-- KP: 2.2 -->
$$P\{X\le k\}\approx\Phi\left(\frac{k+0.5-np}{\sqrt{np(1-p)}}\right);\qquad P\{X\ge k\}\approx1-\Phi\left(\frac{k-0.5-np}{\sqrt{np(1-p)}}\right).$$
**永远朝放大区间的方向让半步**。判据看 $\dfrac{0.5}{\sqrt{np(1-p)}}$ :$>0.1$ 必须修正,$<0.05$ 可省(即 $np(1-p)>50$ )。
**泊松近似不需要修正**——它本身是离散的,与二项的格子天然对齐。
## 六 三种近似的判据
<!-- KP: 3.1 -->
| 场景 | 用哪种 | 判据 |
|---|---|---|
| 二项、$p$ 居中 | **正态** | $np\ge5$ 且 $n(1-p)\ge5$ |
| 二项、$p$ 极小 | **泊松** | $p\le0.05$ 且 $np$ 适中 |
| 独立同分布求和 | **列维-林德伯格** | $\mu,\sigma^2$ 都存在 |
| 单个变量 | **都不用** | $n=1$ ,老实积分 |
**口诀**:$np$ 大而 $p$ 居中 $\to$ 正态;$np$ 小或 $p$ 极小 $\to$ 泊松;只有一个变量 $\to$ 谁也别用。
## 七 泊松近似的计算
<!-- KP: 3.2 -->
$$P\{X=k\}\approx\frac{\lambda^k}{k!}e^{-\lambda},\qquad \lambda=np .$$
**三个现成结果**:
$$P\{X=0\}=e^{-\lambda};\qquad P\{X\le1\}=e^{-\lambda}(1+\lambda);\qquad P\{X\ge3\}=1-e^{-\lambda}\left(1+\lambda+\frac{\lambda^2}{2}\right).$$
**正算还是补事件**:$m<\lambda$ 直接算;$m$ 远大于 $\lambda$ 用 $1-P\{X\le m'\}$ ,让加法项最少。
## 八 最容易丢分的六处
1. **分母误用方差 $n\sigma^2$ 这一项** :应为标准差 $\sqrt n\,\sigma$ 。
2. **单侧忘写 $1-\Phi$ 的补偿** :$P\{\sum\ge a\}$ 一律 $1-\Phi$ 。
3. **把二项的方差写成 $np$ 是错的** :应为 $np(1-p)$ 。
4. **$np<5$ 还硬套正态**:$B(20,0.1)$ 这类必须泊松(2025·9)。
5. **修正方向让反**:$\le k$ 要加 $0.5$ ,不是减。
6. **反解 $n$ 不回验 $n-1$ 就会错一格** :边界差一件就差 $0.14$ 的概率。
---
## 回查
<!-- AUTO:回查 -->
| 想查什么 | 对应题目 |
|---|---|
| 一 列维-林德伯格定理 | [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) |
| 二 标准化四步 | [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) |
| 三 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) |
| 四 棣莫弗-拉普拉斯定理 | [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) |
| 五 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) |
| 六 三种近似的判据 | [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) |
| 七 泊松近似的计算 | [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:回查 -->
整册入口:[知识点盘点](01-知识点盘点.md)、[点 1](02-点1-列维-林德伯格定理.md)、[点 2](03-点2-棣莫弗-拉普拉斯定理.md)、[点 3](04-点3-三种近似辨析.md)、[第5讲上](../概率论-第5讲上-大数定律/README.md)。
@@ -0,0 +1,105 @@
---
tags: [数学一, 在学练习, 概率论, 中心极限定理, README]
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 + 三点分册(知识点带题,7 题)
关联笔记: ["[[01-知识点盘点]]", "[[05-速查卡]]"]
---
# 概率论 第5讲下 · 中心极限定理
真题库第 19 章的后半。近十年 **3 题 14 分**里有 **9 分**落在本册:**2020·8(列维-林德伯格,4 分)$+$ 2025·9(泊松近似,5 分)**。
**与上册的分界**:上册说"$\bar X$ **会靠近** $\mu$ "(只给方向),本册说"$\bar X$ 靠近 $\mu$ 时**误差长什么样**"(给出形状——正态)。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"求和分布"这个原本做不动的难题,换成"标准化 $+$ 查 $\Phi$ "这个三十秒流程。
## 这一版的结构
| 层 | 文件 | 作用 | 读法 |
|---|---|---|---|
| **地图** | `01-知识点盘点.md` | 三节知识点 $+$ 覆盖对照 $+$ 相邻讲接口 | 先通读,之后只查不读 |
| **练** | `02`—`04` 三个点 | 每点先列知识点(含参考仓库出处),再按知识点内部条目逐一对应出题,共 7 题 | 一天一个点,动手做 |
| **查** | `05-速查卡.md` | 七组结论 $+$ 六处丢分点 $+$ 回查表 | 考前十分钟 |
## 文件清单
| 文件 | 内容 | 真题锚点 | 分值 | 题量 |
|---|---|---|---|---|
| `01-知识点盘点.md` | 三节盘点 $+$ 覆盖对照表 $+$ 相邻讲接口 | — | — | 0 |
| `02-点1-列维-林德伯格定理.md` | 定理、标准化四步、单双侧、反解 $n$ | **2020·8** | **4** | 3 |
| `03-点2-棣莫弗-拉普拉斯定理.md` | 二项的正态近似、连续性修正 | 十年未单考 | — | 2 |
| `04-点3-三种近似辨析.md` | 判据表、泊松近似的计算与比较 | **2025·9** | **5** | 2 |
| `05-速查卡.md` | 七组结论 $+$ 六处丢分点 | — | — | 0 |
合计 **7 题**。难度标准:★☆☆ 一题、★★☆ 五题、★★★ 一题。
## 建议的三轮读法
**第一轮(40 分钟)**:`01` 通读 $+$ `02` 题 1、题 2。**标准化四步必须写到不用想**——$\mu$ 与 $\sigma^2$ 取单个的还是和的、分母开不开根,这两处一旦错,后面每题都错。
**第二轮(40 分钟)**:`02` 题 3 $+$ `03`。反解题与二项近似是同一套动作的两种外壳;`03` 的题 2(修正前后对比)会顺带解释清楚"为什么二项要修正、列维-林德伯格不用"。
**第三轮(30 分钟)**:`04`。这是本册唯一"纯判断"的点,2025·9 就是它。**判据记成一句话:$np$ 与 $n(1-p)$ 是否都 $\ge5$ ,仅此一条** 。
时间不够时按这个顺序砍:`03` 题 2 $\to$ `02` 题 3 。**`04` 与 `02` 题 1 不能砍**。
## 双向链接怎么用
| 粒度 | 在哪儿 | 什么时候用 |
|---|---|---|
| **册** | 本文件「文件清单」 | 决定今天做哪一个点 |
| **知识点** | 各点文件开头的知识点标题(含参考仓库出处) | 做题卡住时回看判据 |
| **题** | 每题末尾的「关联」行 $+$ 盘点 §0.4 $+$ 速查回查表 | 从知识点反查"它在哪几道题里练过" |
每道题末尾固定一行:
```
> **关联** · 盘点 §X.Y | 上游 | 下游 | 速查
```
四个方向全部指向**具体题目的锚点**。
## 锚点怎么写(Gitea 两条方向相反的规则)
标题 id $=$ `user-content-` $+$ 标题原文小写化(保留字母数字汉字与下划线,空格变 `-`,**其余标点全部删除**)。
| 链接类型 | 写法 |
|---|---|
| 同文件 | `#题-1--11和的正态近似` |
| 跨文件 | `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` |
**标题里不许出现公式**:行内公式会让锚点漂移,脚本算不出来(本册所有题目标题已改为纯文字)。
写完校验:
```bash
python .workbuddy/tools/md2pdf/gen_crosslinks.py 概率论-第5讲下-中心极限定理
python .workbuddy/tools/md2pdf/check_md_links.py 概率论-第5讲下-中心极限定理
python .workbuddy/tools/md2pdf/fix_gitea_math.py --check --scope=概率论-第5讲下-中心极限定理
```
## 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 | [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($50000$ vs $9604$ ) |
| $\Phi$ 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 |
## 版本记录
| 日期 | 变更 |
|---|---|
| 2026-10-16 | 与上册合并在「概率论-第5讲-大数定律与中心极限定理」,按三件套共 4 个文件、16 题 |
| 2026-11-07 | **从原第 5 讲拆出并整体重构**:本册只保留"中心极限定理 $+$ 棣莫弗-拉普拉斯 $+$ 三种近似",按线性代数第 6 讲的「知识点带题」格式重写为「盘点 $+$ 三点分册 $+$ 速查卡」共 5 个文件、7 题;依概率收敛与三条大数定律留在[第5讲上](../概率论-第5讲上-大数定律/README.md) |
## 两条写作约定
1. **不生成 PDF**。只出 Markdown,在网页端或 App 里看。
2. **单个文件不超过 1.3 万字符**,超了就拆。
题面数据除标注「真题骨架」外均为另设,只对齐考法。参考 `参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/` 。