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。
10 KiB
tags, 专题, 日期, 状态, 关联笔记
| tags | 专题 | 日期 | 状态 | 关联笔记 | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
|
概率论 第5讲下 · 中心极限定理 | 2026-11-07 | 知识点盘点(三节 + 覆盖对照表),配套 3 个点分册共 7 题 |
|
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)
| 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 |
| §1.2 标准化四步模板(考场流程) | 点 1 题 2 |
| §1.3 反解样本量 | 点 1 题 3 |
| §2.1 定理(二项的正态近似) | 点 2 题 1 |
| §2.2 连续性修正 | 点 2 题 2 |
| §3.1 判据表 | 点 3 题 1 |
| §3.2 泊松近似的计算套路 | 点 3 题 2 |
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:
- 分子是"和减和的期望"(或"均值减均值的期望"),两者不能混;
- 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; - 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 | 标准化四步的第 ② 步 |
| 依概率收敛(上册) | 第5讲上 | CLT 比它强:依分布收敛 |
| 切比雪夫给的"粗界" | 第5讲上 点2 | 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)。