--- tags: [数学一, 知识点构建, 背诵版, 概率论, 大数定律, 中心极限定理] 专题: 概率论 · 第5讲 大数定律与中心极限定理 · 背诵版 日期: 2026-10-27 更新: 2026-11-08(v2 重构:分块排版 + 真题数字按 sqlite 校正 + 纯题干题单) 状态: 背诵版 v2(考点分块完整呈现 + B 题型考点 + 21 题纯题干清单;题单已对齐在学练习上/下两讲分册) 来源: 在学练习/概率论-第5讲上-大数定律(14 题)+ 第5讲下-中心极限定理(7 题)|参考仓库 knowledge/4 + exercise/4 + knowledge/3 §切比雪夫|真题库 kaoyan_math1.db(chapter 19) 关联笔记: ["[[README]]", "[[18-背诵版-概率论-第4讲-数字特征]]", "[[../在学练习/概率论-第5讲上-大数定律/README]]", "[[../在学练习/概率论-第5讲下-中心极限定理/README]]"] --- # 概率论 · 第5讲 大数定律与中心极限定理 · 背诵版 > **范围**:参考仓库 `knowledge/4-law-of-large-numbers-and-central-limit-theorem` + `exercise/4`;切比雪夫不等式见 [[18-背诵版-概率论-第4讲-数字特征|第4讲 §6]]。 > **用法**:§0 搭骨架 → 逐节闭卷回忆 → §B 过题型 → 题单自测(只有题干)。 ## 0 骨架(先背这张图) ### 0.1 一句话与三个开关 **一句话**:**大数定律管"均值稳定",中心极限定理管"和的分布趋正态",切比雪夫不等式是证明前者的工具。** **依赖链**:依概率收敛(语言)→ 切比雪夫不等式(工具)→ 大数定律(均值 → 期望)+ 中心极限定理(和 → 正态)→ 三种近似(正态 / 泊松)。 **三个开关**(绝大多数概念题的答案藏在里头): | 开关 | 问什么 | 影响哪条定律 | |---|---|---| | ① 独立? | 相互独立 / 两两不相关 / 不要求 | 三条定律都要 | | ② 期望存在? | $\lvert E X\rvert<\infty$ | 辛钦**必需要**;切比雪夫也要 | | ③ 方差存在且一致有界? | $\sup DX_i<\infty$ | **只有切比雪夫要求**,辛钦不要求 | ### 0.2 十年真题地图(sqlite,2016–2025) | 年份·题号 | 考点 | 分值 | 关键一步 | |---|---|---|---| | 2025·9 | 泊松近似:$X_i\sim B(1,0.1)$ ,$T=\sum_{1}^{20}X_i$ | 5 | $\lambda=np=2$ ,$P\{T\le1\}=\mathrm e^{-2}(1+2)$ | | 2022·9 | 切比雪夫:$Y_i=X_i^2$ ,已知 $\mu_2,\mu_4$ | 5 | $DY_i=\mu_4-\mu_2^2$ ,界 $=\frac{\mu_4-\mu_2^2}{n\varepsilon^2}$ | | 2020·8 | 中心极限:$n=100$ ,$P\{X=0\}=P\{X=1\}=\frac12$ | 4 | $ET=50$ 、$DT=25$ ,$P\{\sum\le55\}\approx\varPhi(1)$ | > **命题规律**:**冷门但几乎年年有选填**(4–5 分,只出单选)。考法极窄:① **切比雪夫估算**(换变量 $Y=X^2$ 是唯一变化);② **中心极限标准化**(算 $ET,DT$ 后查 $\varPhi$ );③ **泊松近似**($\lambda=np$ 算 $P\{T\le1\}$ )。**大数定律本身只考"条件对不对"**,从不要求证明。 ### 0.3 考点树(与在学练习上/下两讲分册一一对应) | 节 | 考点 | 在学练习 | 题数 | |---|---|---|---| | §1 | 依概率收敛的定义、与数列极限的区别 | 第5讲上·点 1 | 3 | | §2 | 切比雪夫不等式与四种变形 | 第5讲上·点 2 | 5 | | §3 | 切比雪夫 / 伯努利 / 辛钦三条定律 | 第5讲上·点 3 | 6 | | §4 | 列维–林德伯格、棣莫弗–拉普拉斯、标准化四步 | 第5讲下·点 1–2 | 5 | | §5 | 正态近似 vs 泊松近似 | 第5讲下·点 3 | 2 | ## 1 依概率收敛 ### 1.1 定义 $$X_n\xrightarrow{P}X\iff\forall\varepsilon>0,\ \lim_{n\to\infty}P\{\lvert X_n-X\rvert\ge\varepsilon\}=0 .$$ 等价写法:$\lim_{n\to\infty}P\{\lvert X_n-X\rvert<\varepsilon\}=1$ 。 ### 1.2 与数列极限的区别 | | 数列极限 | 依概率收敛 | |---|---|---| | 要求 | 从某一项起,**每一项**都落在邻域内 | 落在邻域外的**概率**趋于 0 | | 允许 | 无例外 | **允许个别项"跑飞"**,只要它们出现的概率越来越小 | ### 1.3 三条运算性质 ① 若 $X_n\xrightarrow{P}a$ (常数),则 $X_n^2\xrightarrow{P}a^2$ ; ② 若 $g$ 在 $a$ 处连续,则 $g(X_n)\xrightarrow{P}g(a)$ ; ③ 若 $X_n\xrightarrow{P}a$ 、$Y_n\xrightarrow{P}b$ ,则 $X_n\pm Y_n\xrightarrow{P}a\pm b$ 、$X_nY_n\xrightarrow{P}ab$ 。 > ⚠️ **依概率收敛 ⇏ 期望收敛**。标准反例:$P\{X_n=\frac1n\}=1-\frac1n$ 、$P\{X_n=n\}=\frac1n$ ,则 $X_n\xrightarrow{P}0$ ,但 $EX_n=\frac1n\left(1-\frac1n\right)+n\cdot\frac1n\to1\ne0$ 。 ## 2 切比雪夫不等式 $EX=\mu$ 、$DX=\sigma^2$ 存在,则对任意 $\varepsilon>0$ : $$P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2}\quad\Longleftrightarrow\quad P\{\lvert X-\mu\rvert<\varepsilon\}\ge1-\frac{\sigma^2}{\varepsilon^2}.$$ **只对"构造出来的那个变量"成立**——所以用之前先明确"要估计的是谁",算出它的 $E$ 与 $D$ 。 ### 2.1 四种变形 | 场景 | 结论 | |---|---| | $\varepsilon=k\sigma$ | $P\{\lvert X-\mu\rvert\ge k\sigma\}\le\frac1{k^2}$ | | 样本均值 | $P\{\lvert\overline X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{n\varepsilon^2}$ | | 二项 | $P\left\{\left\lvert\frac Xn-p\right\rvert\ge\varepsilon\right\}\le\frac{p(1-p)}{n\varepsilon^2}$ | | 线性组合 | 先算 $EZ,DZ$ (含 $\operatorname{Cov}$ )再代 | ### 2.2 使用三步 ① 锁定被估计的变量 $Y$ ,算出 $EY,DY$ (题目不给就自己求); ② 把目标概率写成 $P\{\lvert Y-EY\rvert\ge\varepsilon\}$ (要**上界**)或 $P\{\lvert Y-EY\rvert<\varepsilon\}$ (要**下界**); ③ 代入不等式。 > **两个致命错**:① "至少"要下界 $1-\frac{\sigma^2}{\varepsilon^2}$ 、"至多"要上界 $\frac{\sigma^2}{\varepsilon^2}$ ——**写反了等于答错**;② $D\left(\frac1n\sum Y_i\right)=\frac1{n^2}\sum DY_i$ ,**漏 $n^2$ 必错**。 ## 3 大数定律 ### 3.1 共同形式 在一定条件下 $$\frac1n\sum_{i=1}^nX_i\xrightarrow{P}\frac1n\sum_{i=1}^nEX_i\quad\left(\text{即 }\overline X\xrightarrow{P}E\overline X\right).$$ **只考"定律成立的条件",不考计算**。 ### 3.2 三条定律对照(高频辨析,背表) | 定律 | 独立性要求 | 同分布要求 | 期望 | 方差 | |---|---|---|---|---| | **切比雪夫** | 相互独立(或两两不相关) | **不要求** | 存在 | **存在且一致有界** $\exists C,\ DX_i\le C$ | | **伯努利** | 伯努利试验(自然独立) | 是(0-1 分布) | 存在 | 存在($p(1-p)$ ) | | **辛钦** | 相互独立 | **要求同分布** | **存在** | **不要求** | **三条结论**: - **切比雪夫大数定律**:$\lim_{n\to\infty}P\left\{\left\lvert\frac1n\sum X_i-\frac1n\sum EX_i\right\rvert<\varepsilon\right\}=1$ 。证明靠 $\frac1{n^2}\sum DX_i\le\frac Cn\to0$ ; - **伯努利大数定律**:$\frac{\mu_n}{n}\xrightarrow{P}p$ ——"**频率稳定于概率**"的严格表述($\mu_n$ 为 $n$ 次试验中成功的次数); - **辛钦大数定律**:$\frac1n\sum X_i\xrightarrow{P}\mu$ ($\mu$ 为公共期望)。 > **互补关系**:「**切比雪夫看方差,辛钦看分布**」。辛钦不要求方差,所以**不能用切比雪夫不等式证明**;这也解释了为什么辛钦的证明在考纲外。 ### 3.3 条件辨析的三个陷阱 ① "期望相同"**不保证同分布**(A 选项陷阱); ② "服从同一类型分布"(如都是正态但参数不同)**不保证方差一致有界**(B/D 陷阱); ③ 只有"**服从同一分布且期望存在**"才满足辛钦——"同一泊松分布"是标准正确项。 ## 4 中心极限定理 ### 4.1 两条定理 | 定理 | 条件 | 结论 | |---|---|---| | **列维–林德伯格** | $X_i$ 独立同分布,$EX_i=\mu$ ,$DX_i=\sigma^2\in(0,\infty)$ | $\dfrac{\sum X_i-n\mu}{\sqrt n\sigma}\xrightarrow{\text{近似}}N(0,1)$ | | **棣莫弗–拉普拉斯** | $Y_n\sim B(n,p)$ | $\dfrac{Y_n-np}{\sqrt{np(1-p)}}\xrightarrow{\text{近似}}N(0,1)$ ,即 $Y_n\approx N(np,\ np(1-p))$ | **与两大数定律的分工**:大数定律说"**均值趋于常数**",中心极限定理说"**围绕常数的波动趋于正态**"。 ### 4.2 标准化四步(考场流程) ① 定 $T=\sum X_i$ (或 $Y_n$ ); ② 算 $ET=n\mu$ 、$DT=n\sigma^2$ (二项:$np$ 、$np(1-p)$ ); ③ 标准化 $\dfrac{T-ET}{\sqrt{DT}}\approx N(0,1)$ ,不等式两边同减 $ET$ 、同除 $\sqrt{DT}$ ; ④ 查 $\varPhi$ :$P\{Z\le z\}=\varPhi(z)$ ,$P\{Z>z\}=1-\varPhi(z)$ ,$P\{\lvert Z\rvert\le z\}=2\varPhi(z)-1$ 。 > **两个必错点**:① $D(\sum X_i)=n\sigma^2$ ,**标准差是 $\sqrt n\sigma$ 而不是** $n\sigma$ ;② 连续性修正($\pm\frac12$ )考研**不需要**,用了反而多算。 ## 5 三种"近似"的辨析 二项分布 $B(n,p)$ 有两种近似,**用哪个取决于** $p$ : | 近似 | 适用条件 | 结果 | 真题 | |---|---|---|---| | **正态近似**(棣莫弗–拉普拉斯) | $n$ 大且 $p$ 不极端(经验 $np\ge5$ 、$n(1-p)\ge5$ ) | $\frac{Y_n-np}{\sqrt{np(1-p)}}\approx N(0,1)$ | 2020·8 | | **泊松近似** | $n$ 大、$p$ 很小、$np=\lambda$ 适中 | $Y_n\approx P(\lambda)$ ,$\lambda=np$ | 2025·9 | **口诀**:**$n$ 大 $p$ 不极端 → 正态;$n$ 大 $p$ 很小 → 泊松。** **两个模板**: $$P\{T\le1\}\approx\mathrm e^{-\lambda}(1+\lambda)\qquad(\text{泊松,}\lambda=np);$$ $$P\left\{\sum X_i\le c\right\}\approx\varPhi\left(\frac{c-n\mu}{\sqrt n\sigma}\right)\qquad(\text{中心极限}).$$ > **$\lambda$ 的取值**:$2025\cdot9$ 的 $20\times0.1=2$ (**不是 $20$ ,也不是** $0.1$ )。同理 $2020\cdot8$ 的 $n=100$ 、$p=\frac12$ ⟹ $ET=50$ 、$DT=25$ 、$\sqrt{DT}=5$ 。 ## B 题型考点(怎么想到、为什么、坑在哪) - **B1 依概率收敛题的唯一动作**:验证 $\forall\varepsilon$ ,$P\{\lvert X_n-X\rvert\ge\varepsilon\}\to0$ ;**不要**用"$EX_n\to EX$ "代替。 - **B2 切比雪夫的方向**:先问"题目要上界还是下界"——"至多/不小于某数"⟹ 上界;"至少"⟹ 下界。**方向反了整题反**。 - **B3 换变量再切比雪夫**:$2022\cdot9$ 型——目标量是 $\frac1n\sum X_i^2$ ,令 $Y_i=X_i^2$ ,则 $EY_i=\mu_2$ 、$DY_i=\mu_4-\mu_2^2$ 。**为什么**:切比雪夫只认"被估计变量的期望方差"。 - **B4 样本均值的方差**:$D\overline X=\frac{\sigma^2}{n}$ ,代进切比雪夫时分母是 $n\varepsilon^2$ 。**坑**:漏 $n$ ,或把 $D\overline X$ 写成 $\sigma^2$ 。 - **B5 反解样本量**:由 $1-\frac{\sigma^2}{n\varepsilon^2}\ge$ 目标值反解 $n\ge\frac{\sigma^2}{\varepsilon^2(1-\text{目标})}$ ,**上取整**。 - **B6 三大定律的条件辨析**:逐条核对"独立?同分布?期望存在?方差有界?"四格表,缺一不可。**坑**:把"独立"当成"同分布"。 - **B7 切比雪夫大数定律的证明模板**:不相关 ⟹ $D\left(\frac1n\sum X_i\right)=\frac1{n^2}\sum DX_i\le\frac Cn\to0$ ,再套不等式 + 夹逼。**这是唯一可能考证明的地方**。 - **B8 中心极限的"和"与"均值"互化**:$\overline X=\frac1n\sum X_i$ ,$\overline X\approx N\left(\mu,\frac{\sigma^2}{n}\right)$ ——题目问 $\overline X$ 时别忘除 $n$ 。 - **B9 $\varPhi$ 的三条恒等式**:$\varPhi(-z)=1-\varPhi(z)$ ,$P\{Z>z\}=1-\varPhi(z)$ ,$P\{\lvert Z\rvert\le z\}=2\varPhi(z)-1$ 。**查表题几乎全靠这三条**。 - **B10 正态近似 vs 泊松近似的选择**:先看 $p$ ——$p\le0.1$ 且 $np$ 适中选泊松;$p$ 居中选正态。**选错方向会算出一个"看起来对"的错答案**。 ## 6 题目清单(21 题,纯题干,按在学练习上/下两讲分册) > 编号沿用「在学练习」:第5讲上(`02`–`04` 对应点 1–3,14 题)与第5讲下(`02`–`04` 对应点 1–3,7 题)。**只列题干,不给答案**。 ### 上篇 · 大数定律(14 题) #### 点 1 依概率收敛(题 1–3) - **题 1 · 1.1:按定义验证依概率收敛(★☆☆)**:设随机变量序列 $\{X_n\}$ 满足$P\left\{X_n=\frac1n\right\}=1-\frac1n,\qquad P\{X_n=n\}=\frac1n\quad(n=1,2,\cdots).$ (Ⅰ)证明 $X_n\overset{P}{\longrightarrow}0$ ;(Ⅱ)求 $EX_n$ ,判断它是否趋于 $0$ ;(Ⅲ)由(Ⅰ)(Ⅱ)能得出什么结论? - **题 2 · 1.2:只控制概率、不控制数值(★★☆)**:设随机变量序列 $\{X_n\}$ 满足$P\left\{X_n=n^2\right\}=\frac1n,\qquad P\{X_n=0\}=1-\frac1n\quad(n=1,2,\cdots).$ (Ⅰ)证明 $X_n\overset{P}{\longrightarrow}0$ ;(Ⅱ)求 $EX_n$ ,判断它是否收敛;(Ⅲ)把 $n^2$ 换成 $n$ 后 $EX_n$ 又如何?据此说明依概率收敛"管得住什么、管不住什么"。 - **题 3 · 1.3:四则运算与连续映射(★★☆)**:设 $X_n\overset{P}{\longrightarrow}2$ 、$Y_n\overset{P}{\longrightarrow}-1$ 。写出下列各式依概率收敛的极限,并指出哪些需要额外条件才成立:(Ⅰ)$X_n+Y_n$ ;(Ⅱ)$X_nY_n$ ;(Ⅲ)$\dfrac{X_n}{Y_n}$ ;(Ⅳ)$\sqrt{X_n}$ ;(Ⅴ)$\ln X_n$ 。 #### 点 2 切比雪夫不等式(题 1–5) - **题 1 · 2.1:直接套式与两个方向(★☆☆)**:设随机变量 $X$ 满足 $EX=5$ 、$DX=2$ 。用切比雪夫不等式估计:(Ⅰ)$P\{\lvert X-5\rvert\ge4\}$ 的上界;(Ⅱ)$P\{\lvert X-5\rvert<4\}$ 的下界;(Ⅲ)若想使 $P\{\lvert X-5\rvert\ge\varepsilon\}\le0.05$ ,$\varepsilon$ 至少取多少? - **题 2 · 2.1:二项分布上的估计(★★☆)**:设 $X\sim B(1000,\ 0.5)$ 。用切比雪夫不等式估计 $P\{4500$ ,用切比雪夫不等式给出$P\left\{\left\lvert\frac1n\sum_{i=1}^{n}X_i^2-\mu_2\right\rvert\ge\varepsilon\right\}$ 的上界。 - **题 5 · 2.2:两个变量的差(★★☆)**:设 $X,Y$ 满足 $EX=EY$ 、$DX=DY=1$ 、$\rho_{XY}=\dfrac12$ 。用切比雪夫不等式估计 $P\{\lvert X-Y\rvert\ge4\}$ 的上界。 #### 点 3 三条大数定律(题 1–6) - **题 1 · 3.1:三个平均值都收敛到自己的期望(★☆☆)**:设 $X_1,X_2,\cdots,X_n$ 独立同分布,$EX_i=\mu$ 、$DX_i=\sigma^2$ 。又设 $A$ 在每次试验中发生的概率为 $p$ ,$\nu_n$ 为 $n$ 次试验中 $A$ 发生的次数。写出下列三个量的依概率极限,并各自说明依据:(Ⅰ)$\dfrac1n\sum\limits_{i=1}^{n}X_i$ ;(Ⅱ)$\dfrac1n\sum\limits_{i=1}^{n}(X_i-\mu)^2$ ;(Ⅲ)$\dfrac{\nu_n}{n}$ 。 - **题 2 · 3.2:切比雪夫大数定律的证明(★★★)**:设随机变量序列 $X_1,X_2,\cdots$ **两两不相关**,且存在常数 $C$ ,使 $DX_i\le C$ ($i=1,2,\cdots$ )。证明:对任意 $\varepsilon>0$ ,$\lim_{n\to\infty}P\left\{\left\lvert\frac1n\sum_{i=1}^{n}X_i-\frac1n\sum_{i=1}^{n}EX_i\right\rvert\ge\varepsilon\right\}=0 .$ - **题 3 · 3.2:条件辨析,谁不满足(★★★)**:设 $X_1,X_2,\cdots,X_n,\cdots$ 相互独立,且 $X_n\sim E(n)$ (参数为 $n$ 的指数分布)。下列随机变量序列中,**不**满足切比雪夫大数定律条件的是( )。(A)$X_1,\ \dfrac12X_2,\ \cdots,\ \dfrac1nX_n,\ \cdots$ (B)$X_1,\ X_2,\ \cdots,\ X_n,\ \cdots$ (C)$X_1,\ 2X_2,\ \cdots,\ nX_n,\ \cdots$ (D)$X_1,\ 2^2X_2,\ \cdots,\ n^2X_n,\ \cdots$ - **题 4 · 3.3:用伯努利定律反解试验次数(★★☆)**:反复抛一枚均匀硬币,记 $\nu_n$ 为 $n$ 次中出现正面的次数。问 $n$ **至少**取多少,才能用切比雪夫不等式保证$P\left\{\left\lvert\frac{\nu_n}{n}-0.5\right\rvert<0.01\right\}\ge0.95\ ?$ - **题 5 · 3.4:辛钦定律的条件够不够(★☆☆)**:将一枚均匀骰子独立重复投掷 $n$ 次,$X_i$ 表示第 $i$ 次掷出的点数,$\bar X=\dfrac1n\sum\limits_{i=1}^{n}X_i$ 。(Ⅰ)$\bar X$ 依概率收敛于何值?依据哪条定律?条件是否满足?(Ⅱ)若改为考察 $\dfrac1n\sum\limits_{i=1}^{n}X_i^2$ ,它收敛于何值? - **题 6 · 3.5:三条定律的条件对照(★★☆)**:(Ⅰ)设 $X_1,X_2,\cdots,X_n,\cdots$ 相互独立。根据辛钦大数定律,当 $n\to\infty$ 时 $\dfrac1n\sum\limits_{i=1}^{n}X_i$ 依概率收敛于其数学期望,只要 $\{X_n\}$ ( )。(A)有相同的数学期望 (B)服从同一离散型分布 (C)服从同一泊松分布 (D)服从同一连续型分布(Ⅱ)说明(A)(B)(D)为什么都不够,各举一个反例。 ### 下篇 · 中心极限定理(7 题) #### 点 1 列维-林德伯格定理(题 1–3) - **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)。 - **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。 - **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 $\Phi(1.645)=0.95$ ) #### 点 2 棣莫弗-拉普拉斯定理(题 1–2) - **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。 - **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。 #### 点 3 三种近似辨析(题 1–2) - **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 $P\{X>5\}$ 。 - **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。 --- > **回查入口**:在学练习 [第5讲上 大数定律](../在学练习/概率论-第5讲上-大数定律/README.md)(依概率收敛 / 切比雪夫 / 三条大数定律)、[第5讲下 中心极限定理](../在学练习/概率论-第5讲下-中心极限定理/README.md)(CLT / 棣莫弗-拉普拉斯 / 三种近似);参考仓库 `knowledge/4-law-of-large-numbers-and-central-limit-theorem`、`exercise/4`、`knowledge/3 §切比雪夫不等式`。