Files
2026-10-04 11:44:56 +08:00

22 KiB
Raw Permalink Blame History

📌 第五章 大数定律与中心极限定理 考研核心通关笔记

概率论的"极限理论"——揭示大量随机现象的统计规律性,是联系概率论与数理统计的桥梁


① 本章核心知识框架 (Core Concept Map)

5.1 切比雪夫不等式(Chebyshev's Inequality)⭐⭐

一、概率不等式的地位

切比雪夫不等式是用方差估计概率的核心工具,无需知道分布的具体形式,只需知道均值 \mu 和方差 $\sigma^2$。

极简例子: 任何方差有限的随机变量,距离均值超过 k 倍标准差的概率不超过 $1/k^2$——这是**"方差的概率意义"**。

二、切比雪夫不等式

设随机变量 X 的期望 $E(X) = \mu$,方差 D(X) = \sigma^2 存在,则对任意 $\varepsilon > 0$:


P(|X - \mu| \ge \varepsilon) \le \frac{\sigma^2}{\varepsilon^2}

等价形式(取补集):


P(|X - \mu| < \varepsilon) \ge 1 - \frac{\sigma^2}{\varepsilon^2}

极简例子: 若 $E(X) = 0, D(X) = 1$,则 $P(|X| \ge 3) \le 1/9$;$P(|X| < 2) \ge 3/4$。

🔑 核心解读:

  • 不等式只与 \mu 和 \sigma^2 有关,与 X 的具体分布无关
  • \varepsilon 越大,P(|X-\mu|\ge\varepsilon) 上界越小
  • \sigma^2 越大,分布越分散,超过 \varepsilon 的可能性越大

三、推导思想(截尾法 / 单调收敛)


\begin{aligned}
\sigma^2 &= E[(X-\mu)^2] = \int_{-\infty}^{+\infty}(x-\mu)^2 f(x)\,dx \\
&\ge \int_{|x-\mu|\ge\varepsilon}(x-\mu)^2 f(x)\,dx \\
&\ge \varepsilon^2 \int_{|x-\mu|\ge\varepsilon} f(x)\,dx = \varepsilon^2 P(|X-\mu|\ge\varepsilon)
\end{aligned}

整理即得。

四、重要特例

情况 结论
E(X) = \mu, D(X) = 0 $P(X = \mu) = 1$(退化分布)
\mu = 0, \varepsilon = k\sigma $P(|X| \ge k\sigma) \le 1/k^2$(" 3\sigma 原则" 的理论依据)

5.2 大数定律(Law of Large Numbers, LLN)

一、依概率收敛

设 \{X_n\} 是一随机变量序列,X 是随机变量,若对任意 $\varepsilon > 0$:


\lim_{n\to\infty} P(|X_n - X| \ge \varepsilon) = 0

则称 \{X_n\} 依概率收敛于 $X$,记作 $X_n \xrightarrow{P} X$。

极简例子: 频率 $f_n(A) \xrightarrow{P} P(A)$——这是"频率稳定于概率"的严格化。

🔑 注意:依概率收敛 \neq 几乎必然收敛(后者要求更强的 $P(\lim X_n = X) = 1$)。

二、切比雪夫大数定律 ⭐

设 \{X_n\} 两两不相关,$E(X_n) = \mu_n, D(X_n) = \sigma_n^2$,且 \sigma_n^2 一致有上界($\exists C, \sigma_n^2 \le C$),则


\frac{1}{n}\sum_{i=1}^n (X_i - \mu_i) \xrightarrow{P} 0

特例:若 \{X_n\} 独立同分布(i.i.d.),$E(X_i) = \mu, D(X_i) = \sigma^2$,则


\bar{X} = \frac{1}{n}\sum_{i=1}^n X_i \xrightarrow{P} \mu

极简例子: 独立掷 10000 次骰子,平均点数 \bar{X} 几乎肯定接近 3.5。

🔑 条件对比:

  • 切比雪夫 LLN:只要求两两不相关 + 方差有界(比独立弱)
  • 辛钦 LLN:要求独立同分布 + 期望存在
  • 伯努利 LLN:要求独立 + 同 $0$-1 分布

三、伯努利大数定律(Bernoulli LLN)⭐

设 n_A 是 n 次独立重复试验中事件 A 发生的次数,$p = P(A)$,则对任意 $\varepsilon > 0$:


\lim_{n\to\infty} P\left(\left|\frac{n_A}{n} - p\right| \ge \varepsilon\right) = 0

即频率 $f_n(A) = n_A/n \xrightarrow{P} p$。

极简例子: 抛 10000 次硬币,正面频率几乎肯定接近 0.5。

🔑 统计意义:为频率稳定于概率提供了严格的数学证明。

四、辛钦大数定律(Khinchin LLN)⭐

设 \{X_n\} 独立同分布,且 E(X_n) = \mu 存在,则


\bar{X} = \frac{1}{n}\sum_{i=1}^n X_i \xrightarrow{P} \mu

极简例子: 某厂生产零件,尺寸独立同分布 $X_i \sim N(10, 0.1^2)$,则 10000 件平均尺寸几乎肯定接近 10mm。

🔑 三定律条件强度对比:

辛钦 LLN:i.i.d. + E(X) 存在
   ↓ (减弱 i.i.d. 假设)
切比雪夫 LLN:两两不相关 + D(X) 一致有界
   ↓ (减弱到 0-1 分布)
伯努利 LLN:独立 + 0-1 分布

5.3 中心极限定理(Central Limit Theorem, CLT)⭐⭐⭐

一、问题的提出

大数定律说明 $\bar{X} \xrightarrow{P} \mu$,但未给出 \bar{X} 的近似分布。中心极限定理回答:当 n 充分大时,$\bar{X}$(或 $\sum X_i$)的精确分布近似什么?

二、独立同分布的中心极限定理(林德伯格-莱维 Lindeberg-Lévy)⭐⭐⭐

设 \{X_n\} 独立同分布,$E(X_i) = \mu, D(X_i) = \sigma^2 > 0$,则当 n \to \infty 时:


\frac{\sum_{i=1}^n X_i - n\mu}{\sigma\sqrt{n}} = \frac{\bar{X} - \mu}{\sigma/\sqrt{n}} \xrightarrow{d} N(0,1)

即当 n 充分大时,\sum X_i 近似 $N(n\mu, n\sigma^2)$,\bar{X} 近似 $N(\mu, \sigma^2/n)$。

极简例子: 100 件零件重量 i.i.d. $X_i \sim U(0, 1)$(均值 0.5,方差 1/12),总重 Y = \sum X_i 近似 $N(50, 100/12) = N(50, 25/3)$。

🔑 核心结论:

  • 不管 X_i 是什么分布(只要方差有限),标准化和都趋向标准正态
  • 这就是"正态分布是概率论极限分布"的根本原因
  • 经验法则:n \ge 30 即可使用近似;n \ge 50 近似效果良好

三、李雅普诺夫(Lyapunov)定理

设 \{X_n\} 独立,$E(X_i) = \mu_i, D(X_i) = \sigma_i^2$,记 $B_n^2 = \sum_{i=1}^n \sigma_i^2$。若存在 \delta > 0 使得


\frac{1}{B_n^{2+\delta}} \sum_{i=1}^n E(|X_i - \mu_i|^{2+\delta}) \to 0

则


\frac{\sum_{i=1}^n X_i - \sum_{i=1}^n \mu_i}{B_n} \xrightarrow{d} N(0,1)

极简例子: 各 X_i 不同分布但独立、方差有限,李雅普诺夫条件保证标准化和仍近似标准正态。

🔑 李雅普诺夫 vs 林德伯格-莱维:

  • 前者适用于独立但不同分布情形
  • 后者适用于独立同分布情形
  • 林德伯格条件是李雅普诺夫条件的充分条件(更精细)

四、棣莫弗-拉普拉斯(De Moivre-Laplace)定理 ⭐⭐

设 $\eta_n \sim B(n, p)$(n 次独立试验中成功次数),则当 n 充分大时:


\frac{\eta_n - np}{\sqrt{np(1-p)}} \xrightarrow{d} N(0,1)

即 B(n, p) 近似 $N(np, np(1-p))$。

极简例子: 抛 10000 次硬币,正面次数 \eta \sim B(10000, 0.5) 近似 $N(5000, 2500)$。

🔑 这是 i.i.d. CLT 的特例:将 $X_i \sim B(1, p)$(0-1 分布)求和即得 $\eta_n \sim B(n, p)$。

  • 适用条件:np \ge 5 且 $n(1-p) \ge 5$(或更宽松的 $np, n(1-p) \ge 10$)
  • 修正(continuity correction):P(a < \eta_n \le b) \approx \Phi\left(\dfrac{b+0.5 - np}{\sqrt{np(1-p)}}\right) - \Phi\left(\dfrac{a-0.5 - np}{\sqrt{np(1-p)}}\right)

五、CLT 的"标准化变换"模板

对任意 i.i.d. 求和问题,标准做法:


P(a \le \sum X_i \le b) \approx \Phi\left(\frac{b - n\mu}{\sigma\sqrt{n}}\right) - \Phi\left(\frac{a - n\mu}{\sigma\sqrt{n}}\right)

极简例子: 36 件独立产品,每件次品率 0.1,求"次品数 $\le 4$"的概率:$\sum X_i \sim B(36, 0.1)$,用 CLT 标准化。


② 必考题型分类索引

每个题型独立成文,包含完整 mermaid 解题流程图、通法步骤、常见陷阱、经典母题。

# 题型 核心判据 详细笔记
1 切比雪夫不等式 方差估计概率,无需具体分布 题型1_切比雪夫不等式
2 大数定律判定与计算 三大定律的条件识别 + 依概率收敛 题型2_大数定律的判定与计算
3 中心极限定理的应用 i.i.d. 求和 → 标准化 → 查 \Phi 题型3_中心极限定理的应用
4 二项分布的正态近似 B(n,p) 近似 N(np, np(1-p)) 题型4_二项分布的正态近似
5 综合应用题 LLN + CLT 串联 + 反常积分极限定理 题型5_综合应用题

③ 高频考点与多维变换

Top 5 高频考点

排名 考点 近15年考频 典型分值
1 中心极限定理的近似计算 12次 4-6分
2 切比雪夫不等式 8次 4分
3 棣莫弗-拉普拉斯定理 5次 4分
4 辛钦大数定律(依概率收敛) 4次 4分
5 切比雪夫 / 伯努利 / 辛钦三定律辨析 3次 4分

【示例:一题多角度】

核心概念:同一个"独立同分布"情境,三种考法层次

同一情境:设 X_1, X_2, \ldots, X_{100} 独立同分布,$E(X_i) = 2, D(X_i) = 0.04$,$Y = \sum_{i=1}^{100} X_i$。

角度一:选择题(概念辨析)

下列结论正确的是?

  • (A) Y 服从 N(200, 4) ✓
  • (B) \bar{X} 依概率收敛到 2 ✓
  • (C) $P(|Y - 200| \ge 2) \le 0.01$(切比雪夫)
  • (D) $P(Y \le 205) \approx \Phi(2.5)$(CLT)

答案:A、B、C、D 均正确(不同定理的不同应用)。

角度二:填空题(直接计算)

  • 用切比雪夫:P(|Y - 200| \ge 3) \le 4/9
  • 用 CLT:P(Y \le 210) \approx \Phi(10/2) = \Phi(5) \approx 1

角度三:解答题(综合应用)

  • 第一步:识别"i.i.d. + 期望方差已知"→ 可用切比雪夫 / LLN / CLT
  • 第二步:判断问题类型
    • "估计概率上界" → 切比雪夫
    • "n 很大求概率" → CLT
    • "证明依概率收敛" → LLN

启示:

  • 同一情境可同时用三大工具
  • 切比雪夫给"上界",CLT 给"近似值"——二者互补
  • LLN 是定性描述,CLT 是定量描述——LLN 答"是否收敛",CLT 答"收敛到什么分布"

核心公式速记:

  • 切比雪夫:P(|X - \mu| \ge \varepsilon) \le \sigma^2/\varepsilon^2
  • 辛钦 LLN:\bar{X} \xrightarrow{P} \mu
  • CLT:\dfrac{\bar{X} - \mu}{\sigma/\sqrt{n}} \xrightarrow{d} N(0,1)
  • 棣莫弗-拉普拉斯:B(n,p) \approx N(np, np(1-p))

④ 方法论与解题通法 (Methodology)

方法一:工具选择决策树

随机变量 X 求概率或估计
    │
    ├── 只知道 E(X), D(X) → 切比雪夫不等式
    │       P(|X-μ|≥ε) ≤ σ²/ε²  (上界)
    │
    ├── 大量独立同分布 X_i 求和
    │       │
    │       ├── 问"n→∞ 时 X̄ → ?" → 辛钦大数定律
    │       │       X̄ →ᵖ μ
    │       │
    │       └── 问"n 较大时 X̄ 的概率" → 中心极限定理
    │               P(a≤ΣX≤b) ≈ Φ(b-...) - Φ(a-...)
    │
    └── 大量 0-1 分布求和 (二项分布)
            │
            ├── 问"频率 → ?" → 伯努利大数定律
            │       n_A/n →ᵖ p
            │
            └── 问"B(n,p) 概率近似值" → 棣莫弗-拉普拉斯
                    η_n ≈ N(np, np(1-p))

方法二:CLT 标准化的"三步法"

  1. 求和:明确 \sum X_i 的均值 $n\mu$、方差 n\sigma^2
  2. 标准化:$\dfrac{\sum X_i - n\mu}{\sigma\sqrt{n}} = Z \sim N(0,1)$(n 大时)
  3. 查表:P(a \le \sum X_i \le b) = \Phi\left(\dfrac{b - n\mu}{\sigma\sqrt{n}}\right) - \Phi\left(\dfrac{a - n\mu}{\sigma\sqrt{n}}\right)

【口诀速记】:"求和 → 标准化 → 查 $\Phi$"

方法三:切比雪夫的"三要素法"

应用切比雪夫必须找齐三要素:

  1. $\mu = E(X)$(题目给出或能求出)
  2. $\sigma^2 = D(X)$(题目给出或能求出)
  3. $\varepsilon$(题目明确给出)

写出 P(|X - \mu| \ge \varepsilon) \le \sigma^2/\varepsilon^2 即可。

⚠️ 注意:\varepsilon 必须为正,且与 X 同量纲。

方法四:三大定律条件辨析口诀

定律 条件 结论 关键标志
切比雪夫 两两不相关 + 方差一致有界 \bar{X} \xrightarrow{P} \mu "不相关"或"独立且同分布"
辛钦 独立同分布 + 期望存在 \bar{X} \xrightarrow{P} \mu "i.i.d. + E 存在"
伯努利 独立 + 0-1 分布 f_n \xrightarrow{P} p "频率逼近概率"
CLT(林德伯格) i.i.d. + 方差有限 \frac{\sum X_i - n\mu}{\sigma\sqrt{n}} \xrightarrow{d} N(0,1) "i.i.d. + D 存在"
CLT(李雅普诺夫) 独立 + 矩条件 同上 "独立 + 不同分布"
棣莫弗-拉普拉斯 B(n,p) + n 大 B(n,p) \approx N(np, np(1-p)) "n 次独立 0-1 试验"

🔑 条件强度对比(由强到弱): 辛钦 LLN \supset 切比雪夫 LLN \supset 伯努利 LLN

方法五:跨章节通法速查表

通用技法 本章出现场景 后续章节升级 判断依据
标准化变换 CLT 标准化 Ch06 抽样分布、Ch07 区间估计 求和转标准正态
不等式估计 切比雪夫 Ch07 置信区间(双侧 $\varepsilon$) 只有期望方差
依概率收敛 LLN Ch07 矩估计相合性 n \to \infty 的定性极限
近似计算 棣莫弗-拉普拉斯 Ch06 二项分布 → 正态 B(n,p) 的 n 大情形
大数定律 频率稳定 Ch08 假设检验(H_0 下极限) 统计推断的极限基础

方法六:CLT 与 LLN 的本质区别

        LLN(定性)              CLT(定量)
      X̄ →ᵖ μ              X̄ 的标准化 →ᵈ N(0,1)
          │                       │
    只答"是否收敛"            答"收敛到什么分布"
          │                       │
  概率的极限行为              概率的精确极限分布

核心联系:LLN 给出"集中趋势",CLT 给出"中心附近的具体形态"。


⑤ 易错点红黑榜 (The Pitfall List)

❌ 错误 1:把"切比雪夫"当作精确概率

  • 错误表现:直接用切比雪夫算 P(|X-\mu|<\varepsilon) = 1 - \sigma^2/\varepsilon^2
  • 正确理解:切比雪夫只给上界,不是精确概率;用切比雪夫估计的概率偏大

【对比示例】:

❌ 某厂灯泡寿命 X ~ U(0, 10), 则 P(|X-5|≥3) = 9/25(精确计算 36/100 = 0.36)
✅ P(|X-5|≥3) ≤ 25/9 / 9 = 25/81 ≈ 0.309(切比雪夫上界)
   实际 0.36 > 0.309,符合"切比雪夫是上界"的结论

❌ 错误 2:大数定律 vs 中心极限定理混用

  • 错误表现:用 LLN 算具体概率(如 $P(\bar{X} > 5)$);用 CLT 证明 \bar{X} \xrightarrow{P} \mu
  • 正确理解:
    • LLN:$\bar{X} \xrightarrow{P} \mu$(依概率收敛,不涉及具体分布)
    • CLT:\bar{X} 标准化后 $\xrightarrow{d} N(0,1)$(精确极限分布)

【对比示例】:

❌ 问"P(X̄ > μ + 0.1)" 答 "由辛钦 LLN 知 P→0"    (错误!LLN 只能定性)
✅ 问"P(X̄ > μ + 0.1)" 答 "由 CLT 知 ≈ 1-Φ(0.1√n/σ)" (正确!CLT 定量)

❌ 错误 3:CLT 条件 "独立同分布"漏掉方差要求

  • 错误表现:X_i 独立同分布但 $D(X_i) = \infty$(如柯西分布)→ 误用 CLT
  • 正确理解:CLT 要求 D(X_i) = \sigma^2 > 0 有限且为正。柯西分布无期望方差,不能用 CLT

【对比示例】:

❌ 柯西分布 X_i 的均值仍近似正态     (错!柯西分布无矩)
✅ 0-1 分布求和大 n 时近似正态        (对!二项分布 → 正态)

❌ 错误 4:二项分布正态近似条件不满足

  • 错误表现:B(5, 0.01) 强行用正态近似(np = 0.05 远小于 5)
  • 正确理解:np \ge 5 且 n(1-p) \ge 5 才能用;否则用泊松近似 P(\lambda = np)

【对比示例】:

❌ B(5, 0.01) → 近似 N(0.05, 0.0495)     (错!np 太小)
✅ B(5, 0.01) → 近似 P(λ=0.05)            (对!泊松近似)

❌ 错误 5:依概率收敛与"必然收敛"混淆

  • 错误表现:X_n \xrightarrow{P} X 推出 X_n \xrightarrow{a.s.} X
  • 正确理解:依概率收敛 \Leftarrow 几乎必然收敛(后者强于前者,反之不成立)

【对比示例】:

❌ 频率 f_n(A) →ᵖ P(A) 推出"几乎每次 f_n(A) → P(A)"
✅ 频率 f_n(A) →ᵖ P(A) 仅保证"大偏差概率 → 0"

❌ 错误 6:切比雪夫不等式分子分母颠倒

  • 错误表现:P(|X - \mu| \ge \varepsilon) \le \varepsilon^2/\sigma^2
  • 正确理解:分子是方差 $\sigma^2$,分母是**\varepsilon 的平方**

【对比示例】:

❌ P(|X-μ|≥3) ≤ 9/σ²                  (颠倒)
✅ P(|X-μ|≥3) ≤ σ²/9                  (正确)

⑥ 考研导向复习策略 (Exam Strategy)

优先级与建议题量

子专题 优先级 建议刷题量 说明
中心极限定理的应用 高 20+ 道 每年 1-2 题(填空/选择/解答)
切比雪夫不等式 高 15+ 道 容易出小题
棣莫弗-拉普拉斯定理 中 8 道 概率近似计算
三大定律判定 中 6 道 概念辨析
李雅普诺夫定理 低 3 道 了解即可,超纲概率低

📊 本章分值定位:数一考纲,每年 4-8 分,集中在填空题和解答题第 22-23 题(与 Ch06 数理统计串联)。

跨章节连接

                        ┌─────────────────────────────────┐
                        │  本章 (Ch05) 大数定律与中心极限  │
                        │  · 切比雪夫不等式(概率上界)   │
                        │  · 三大 LLN(依概率收敛)        │
                        │  · 中心极限定理(标准化 → N(0,1))│
                        │  · 棣莫弗-拉普拉斯(B(n,p)→正态)│
                        └───────────────┬─────────────────┘
                                        │
        ┌───────────────┬───────────────┼───────────────┬───────────────┐
        ↓               ↓               ↓               ↓               ↓
    Ch03 多维分布    Ch04 数字特征    Ch06 数理统计    Ch07 参数估计    Ch08 假设检验
    独立性的极限    期望/方差的       抽样分布         矩估计相合性     检验统计量
    平均收敛        切比雪夫依据      三大分布         置信区间极限     大样本理论
                                    (χ²/t/F)
                          ↑
                          │
                    本章与 Ch04 期望方差
                    关系最密切:
                    · 切比雪夫用到 D(X)
                    · LLN/CLN 依赖 E(X)、D(X)

🔥 跨章节综合题命题模式(高频!必须掌握)

模式 1:切比雪夫 + 一维分布

例题:X \sim 某分布,$E(X) = \mu, D(X) = \sigma^2$,求 $P(|X - \mu| \ge 3\sigma)$。

解:直接 $P \le 1/9$。

考点:切比雪夫不等式直接应用。

模式 2:CLT + 二项分布

例题:$B(10000, 0.5)$,求 $P(4900 < X < 5100)$。

解:$X \approx N(5000, 2500)$,标准化 $Z = (X-5000)/50$,$P \approx 2\Phi(2) - 1 = 2 \times 0.9772 - 1 = 0.9544$。

考点:棣莫弗-拉普拉斯 + 标准化。

模式 3:CLT + 切比雪夫对比

例题:X_i 独立同分布,$E(X_i) = \mu, D(X_i) = 4$。分别用切比雪夫和 CLT 求 $P(|\bar{X} - \mu| \ge 0.1)$。

解:

  • 切比雪夫:P \le 4/(n \times 0.01) = 400/n
  • CLT:P \approx 2[1 - \Phi(0.1\sqrt{n}/2)] = 2[1 - \Phi(0.05\sqrt{n})]

考点:两套工具的对比——切比雪夫给保守上界,CLT 给精确近似。

模式 4:LLN + 矩估计(Ch07 衔接)

例题:X_1, \ldots, X_n i.i.d.,证明 \hat{\theta} = \frac{1}{n}\sum X_i^2 是 \theta = E(X^2) 的相合估计。

解:X_i^2 独立同分布,由辛钦 LLN,$\hat{\theta} \xrightarrow{P} E(X^2) = \theta$。

考点:LLN 在 Ch07 矩估计中的应用。

🔗 与 Ch04 数字特征的衔接(关键依赖!)

本章工具 Ch04 基础 关系
切比雪夫 E(X), D(X) 必须已知 \mu, \sigma^2
LLN E(X_i) 存在 期望是 LLN 的前提
CLT D(X_i) < \infty 方差有限是 CLT 的前提
棣莫弗-拉普拉斯 B(n, p) 的 E, D 期望 $np$,方差 np(1-p)

【终极母题推荐】

题目:设 X_1, X_2, \ldots, X_n 独立同分布,$E(X_i) = \mu, D(X_i) = \sigma^2$,$\bar{X} = \frac{1}{n}\sum X_i$。求证:

(1) 对任意 $\varepsilon > 0$,$P(|\bar{X} - \mu| \ge \varepsilon) \le \sigma^2/(n\varepsilon^2)$(切比雪夫);

(2) 当 n \to \infty 时,$\bar{X} \xrightarrow{P} \mu$(辛钦 LLN);

(3) 当 n 充分大时,\dfrac{\bar{X} - \mu}{\sigma/\sqrt{n}} 近似服从 $N(0,1)$(CLT)。

此题融合:

  • 切比雪夫不等式(基础工具)
  • 辛钦大数定律(定性极限)
  • 中心极限定理(定量极限)
  • 标准化变换(贯穿三大工具)

为什么这是"终极母题": ✅ 一题融合本章三大核心工具——切比雪夫、LLN、CLT ✅ 体现了**"独立同分布"这一核心前提的多种应用 ✅ 揭示了三者的递进关系**:上界 → 定性 → 定量 ✅ 与 Ch04 期望方差、Ch07 矩估计、Ch08 大样本理论直接相连

🔗 这道题的 Ch06 升级版(提前预告):

条件不变,设 $X_i \sim N(\mu, \sigma^2)$,则 $\dfrac{\bar{X} - \mu}{\sigma/\sqrt{n}} \sim t(n-1)$(精确分布)——这就是抽样分布,会出现在 Ch06 中。

→ 本章的 CLT 是"近似 $N(0,1)$",Ch06 的精确分布是"任何 n 都成立"。

这道题做完且理解透彻 → 本章"通关"。


下一步:完成后可进入 Ch06_数理统计的基本概念,抽样分布与本章的 CLT 直接衔接。