独立均匀分布变量和的概率估算求助：P{S>20}与P{|S|>20}

没问题，我来一步步帮你拆解这个问题～因为样本量特别大（1200个独立变量），我们可以用**中心极限定理（CLT）**来做近似估算，这是这类大样本求和概率问题的常用方法。

首先，每个$X_i$服从区间$(-1/2, 1/2)$上的均匀分布，回忆均匀分布$U(a,b)$的核心公式：

• 期望：$E[X_i] = \frac{a + b}{2}$
• 方差：$Var(X_i) = \frac{(b - a)^2}{12}$

代入$a=-1/2$，$b=1/2$：

• 期望：$E[X_i] = \frac{(-1/2) + 1/2}{2} = 0$（毕竟分布关于0对称，期望在中心很合理）
• 方差：$Var(X_i) = \frac{(1/2 - (-1/2))^2}{12} = \frac{1}{12}$

因为所有$X_i$是独立同分布的，所以求和后的期望和方差可以直接线性叠加：

• 和的期望：$E[S] = E[X_1 + X_2 + ... + X_{1200}] = 1200 \times E[X_i] = 1200 \times 0 = 0$
• 和的方差：$Var(S) = Var(X_1 + X_2 + ... + X_{1200}) = 1200 \times Var(X_i) = 1200 \times \frac{1}{12} = 100$
• 对应的标准差：$\sigma_S = \sqrt{Var(S)} = \sqrt{100} = 10$

中心极限定理的核心结论是：当样本量n足够大时，独立同分布变量的和会近似服从正态分布。这里n=1200，属于超大样本，近似效果非常好。

所以我们可以认为：
$$S \sim N(E[S], Var(S)) = N(0, 10^2)$$

接下来把S标准化为标准正态变量Z（即$Z \sim N(0,1)$），标准化公式是：
$$Z = \frac{S - E[S]}{\sigma_S} = \frac{S}{10}$$

先把原概率转化为Z的不等式：
$$P{S > 20} = P\left{ \frac{S}{10} > \frac{20}{10} \right} = P{Z > 2}$$

对于标准正态分布，我们知道$P{Z > z} = 1 - \Phi(z)$，其中$\Phi(z)$是标准正态分布的累积分布函数（表示$Z \leq z$的概率）。查标准正态分布表或者用统计工具可得$\Phi(2) \approx 0.9772$，所以：
$$P{Z > 2} = 1 - 0.9772 = 0.0228$$
也就是大约2.28%的概率。

$|S| > 20$等价于$S > 20$ 或者 $S < -20$。因为正态分布是关于0对称的，所以$P{S < -20} = P{S > 20}$，因此：
$$P{|S| > 20} = P{S > 20} + P{S < -20} = 2 \times 0.0228 = 0.0456$$
也就是大约4.56%的概率。

这里用中心极限定理的合理性：1200的样本量远大于一般要求的n≥30，即使原分布是均匀分布，正态近似的误差也可以完全忽略。如果样本量较小，可能需要用卷积或者其他方法计算精确分布，但这里完全不需要。

内容的提问来源于stack exchange，提问作者Rebellos