Files
MathNotesVersion2/基于考研的学习/数学一/知识点构建/19-背诵版-概率论-第5讲-大数定律与中心极限定理.md
T
Yimu e6711c9bb1 概率论背诵版 16–20 重构:分块排版、题单对齐点分册、sqlite 真题地图
- 统一模板:§0 骨架(真题地图+考点树)→ 分块正文(单节≤12行)→ B 题型考点 → 纯题干题单
- 题单按真库在学练习重出:第3讲 27 题、第4讲 19 题、第5讲上/下 14+7 题、第6讲 26 题
- 18 号补 §4.4 条件期望与重期望、§4.5 线性组合与最值
- 用 sqlite 校正 4 处真题事实(2020·8 n=100、2025·9 λ=2、17 号 10题86分、20 号 8道解答5道 MLE)
- 修参考仓库 F(ax) 推导之误;表格内数学式统一 \\vert
2026-11-08 20:18:17 +08:00

234 lines
20 KiB
Markdown
Raw 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, 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 $P\{450<X<550\}$ 的下界,并说明这个界为什么这么松。
- **题 3 · 2.2:反解样本量(★★☆)**:某试验中随机变量 $X$ 满足 $EX=20$ 、$DX=9$ 。独立重复观测 $n$ 次得 $\bar X$ 。问 $n$ **至少**取多少,才能保证$P\{\lvert\bar X-20\rvert<1\}\ge0.9\ ?$
- **题 4 · 2.2:平方和的均值也要用切比雪夫(★★☆)**:设 $X_1,X_2,\cdots,X_n$ 独立同分布,$E\left(X_1^k\right)=\mu_k$ ($k=1,2,3,4$ 均存在)。令 $Y_i=X_i^2$ 。(Ⅰ)求 $EY_i$ 与 $DY_i$ ;(Ⅱ)对任意 $\varepsilon>0$ ,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`。