Files
Yimu 60dfb19579 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。
2026-11-07 12:50:44 +08:00

186 lines
10 KiB
Markdown
Raw Permalink Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
---
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)。