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

5.0 KiB
Raw Permalink Blame History

tags, 专题, 日期, 关联笔记
tags 专题 日期 关联笔记
数学一
在学练习
概率论
中心极限定理
速查卡
概率论 第5讲下 · 中心极限定理(速查) 2026-11-07
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

\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

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

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

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

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

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

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

想查什么 对应题目
一 列维-林德伯格定理 点 1 题 1
二 标准化四步 点 1 题 2
三 反解样本量 点 1 题 3
四 棣莫弗-拉普拉斯定理 点 2 题 1
五 连续性修正 点 2 题 2
六 三种近似的判据 点 3 题 1
七 泊松近似的计算 点 3 题 2

整册入口:知识点盘点、点 1、点 2、点 3、第5讲上。