22 KiB
📌 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"
- 求和:明确
\sum X_i的均值 $n\mu$、方差n\sigma^2 - 标准化:$\dfrac{\sum X_i - n\mu}{\sigma\sqrt{n}} = Z \sim N(0,1)$(
n大时) - 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:
- $\mu = E(X)$(题目给出或能求出)
- $\sigma^2 = D(X)$(题目给出或能求出)
- $\varepsilon$(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_ni.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。