Files
MathNotesVersion2/基于考研的学习/数学一/在学练习/概率论-第5讲下-中心极限定理/01-知识点盘点.md
T
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

10 KiB
Raw Blame History

tags, 专题, 日期, 状态, 关联笔记
tags 专题 日期 状态 关联笔记
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
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
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)

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:

  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 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)。