中心极限定理
概述
中心极限定理（Central Limit Theorem，CLT）是概率论中最深刻、应用最广泛的定理之一：大量独立同分布的随机变量之和（或均值），无论原始分布形状如何，其分布都趋向正态分布。这解释了为何正态分布在自然界和社会现象中无处不在。最早的版本由亚伯拉罕·德莫弗于1733年在二项分布特殊情形中推导，后经皮埃尔-西蒙·拉普拉斯推广，再经切比雪夫、Lindeberg、Feller 等人逐步一般化。
关键内容
定理陈述（现代形式）
设 X₁, X₂, ..., Xₙ 为独立同分布随机变量，均值为 μ，方差为 σ²（有限）。令：
$$Z_n = \frac{\sum_{i=1}^n X_i - n\mu}{\sigma\sqrt{n}}$$
则当 n → ∞ 时，Zₙ 的分布趋近标准正态分布 N(0,1)：
$$P(a \le Z_n \le b) \to \frac{1}{\sqrt{2\pi}} \int_a^b e^{-x^2/2} dx$$
关键：不要求 Xᵢ 本身服从正态分布，只需独立同分布且有有限方差。
历史发展：从特殊到一般
| 年份 | 人物 | 版本 | 条件 | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| 1733 | 亚伯拉罕·德莫弗 | De Moivre-Laplace 定理（雏形） | 仅限 p=1/2 的二项分布 | ||||||||
| 1812 | 皮埃尔-西蒙·拉普拉斯 | De Moivre-Laplace 定理 | 一般 p 的二项分布 | ||||||||
| 1867 | 帕夫努季·利沃维奇·切比雪夫</td> <td>切比雪夫 | 矩方法 | |||||||||
| 1901 | 李雅普诺夫</td> <td>Lyapunov | 伯努利试验（成功概率 p）中成功次数，则：
$$P!\left(a \le \frac{S_n - np}{\sqrt{np(1-p)}} \le b\right) \to \frac{1}{\sqrt{2\pi}} \int_a^b e^{-x^2/2} dx$$ De Moivre 只证明了 p = 1/2 的情形；拉普拉斯推广到任意 p。 直觉理解：为何正态分布普遍存在投掷 n 个骰子，求总点数的分布。每个骰子的点数分布是均匀分布（1到6各1/6），但当 n 增大时，总点数的分布趋近钟形曲线。 这是 CLT 的核心直觉：任何量，只要是由大量独立的微小随机扰动叠加而成，其分布就趋近正态。身高（基因×环境×营养×……）、测量误差（仪器误差×操作误差×……）都满足这个条件。 与大数定律的关系大数定律和 CLT 回答了两个层次的问题：
CLT 是 LLN 的"精细化"——不仅知道极限，还知道收敛速度和误差分布。 应用举例统计推断：样本均值 X̄ ~ N(μ, σ²/n)（近似），因此可以构造置信区间： $$P!\left(\mu \in \left[\bar{X} - z_{\alpha/2}\frac{\sigma}{\sqrt{n}},\ \bar{X} + z_{\alpha/2}\frac{\sigma}{\sqrt{n}}\right]\right) \approx 1-\alpha$$ 民意调查误差：n=1000 人样本，误差棒 ≈ ±1/√1000 ≈ ±3.2%（正是常见的"±3%误差"的来源） 意义
来源
相关 |