中心极限定理：正态的普适性
本文基于模型知识整理（生成时未联网核对），条件与误差阶建议对照 Durrett 或 Wasserman §5.3 复核。
一句话定义
中心极限定理（CLT）：独立同分布、方差有限的随机变量之和（或样本均值）在 n 大时近似正态——$\bar X_n\approx N(\mu,\sigma^2/n)$，等价地 $\frac{\bar X_n-\mu}{\sigma/\sqrt n}\xrightarrow{d}N(0,1)$。无论个体是什么分布，大量相加后都长成钟形——正态分布统治统计的根本原因。
为什么重要
它是统计推断的发动机：置信区间（kp-020）、假设检验（kp-021）、AB 实验分析全部建立在"样本均值近似正态"上；测量误差、生物变异、民意调查的钟形现象都由它解释。可以说：LLN 告诉你均值会到 μ（kp-014），CLT 告诉你"怎么没到"（波动形态）——两个定理合起来才是完整的长程行为理论。
前置知识
kp-007（期望方差）、kp-009（正态分布）、kp-014（LLN）。
核心概念
- 经典 CLT：$X_1,\dots,X_n$ i.i.d.、均值 μ、方差 σ²<∞ ⇒
$$Z_n=\frac{\bar X_n-\mu}{\sigma/\sqrt n}\xrightarrow{d}N(0,1)\quad(n\to\infty)$$ （依分布收敛）。
- 标准误（SE）：$\sigma/\sqrt n$——样本均值的标准差，"均值估计的天然精度"；它随 √n 衰减（精度翻倍要 4 倍样本！）。
- 实践形态：$\bar X_n\approx N(\mu,\sigma^2/n)$；σ 未知时用样本标准差 s 代替（大 n 下无害，小 n 转入 t 分布 kp-017）。
- 二项的正态近似：Bin(n,p) ≈ N(np, np(1−p))（np、n(1−p) 都 ≥5~10 时够用；连续性校正 ±0.5 提升精度）——kp-008 桥接 kp-021。
- 常见经验阈值：n≥30 常被引用（粗糙）；真正的门槛看分布形状——对称/轻尾可更小、重尾需更大甚至失效（kp-030 的边界专篇）。
原理与机制
为什么是正态（MGF 视角一行）：标准化部分和的 MGF 展开为 $(1+\frac{t^2\sigma^2+o(t^2)}{n})^{n/2}\to e^{t^2/2}$——N(0,1) 的 MGF（kp-013 的生成函数引擎）。一阶项被中心化消掉、二阶项幸存、高阶被 n 除掉——正态是"只剩二阶"的极限形态，这就是"任何分布的和殊途同归于钟形"的代数机制。
为什么是 √n 而不是 n：n 个独立波动相加，方差 σ² 相加得 nσ²（kp-007 独立可加），标准差 σ√n——波动按 √n 增长而均值按 n 增长，相除得 σ/√n。"精度翻倍要四倍样本"的工业定律由此而来（蒙特卡洛 kp-026 同款）。
CLT 与 LLN 的分工：LLN 说 $\bar X_n\to\mu$（波动消失）；CLT 量化"消失得多快"——波动幅度 √n·(X̄ₙ−μ) 不消失而收敛到正态。LLN 是方向，CLT 是速度计；置信区间（kp-020）= CLT 速度计的直接产品。
图示
X̄ₙ ≈ N(μ, σ²/n) ; Zₙ=(X̄ₙ−μ)/(σ/√n) →d N(0,1)
标准误 SE = σ/√n (精度∝√n: 翻倍精度=4倍样本)
二项近似: Bin(n,p)≈N(np,np(1−p)) (n·p 均够大 + 连续性校正)
经验: n≥30 起步 ; 对称轻尾可小 ; 重尾失效 (kp-030)
LLN 给方向(→μ), CLT 给速度(波动=σ/√n)直观类比
亿万人各掷一枚硬币：单次结果五花八门，但"正面比例"的分布随人数增长收紧成钟形（宽度 ∝1/√n）——CLT 说不管每个人的硬币多古怪（只要方差有限），比例的集体行为都会标准化成同一座钟。这就是"个体混沌、集体规律"的精确含义。
实例或案例
- 民调 ±3%：n≈1000 时 SE=√(0.25/1000)≈1.6%，95% 区间 ±3%——CLT 的每日新闻形态（kp-020 置信区间的构造材料）。
- AB 实验：两转化率之差的检验统计量在 H₀ 下近似正态——z 检验的全部依据（kp-021）。
- 物理测量：多次读数取平均并报 ±标准误——测量学的 CLT 化。
常见误区
- 误区一："原始数据要正态才能用 CLT"。恰恰相反——个体任意（方差有限即可），收敛的是样本均值；把 CLT 误读为"数据分布变正态"是根本性错误（kp-030）。
- 误区二："n 大就无限近似"。重尾（方差不存在如柯西）CLT 前提破坏；强偏斜小样本下近似差（需要更多 n 或换方法）。
- 误区三："CLT 保证单次样本 behaved"。CLT 是分布级陈述；对特定一次抽样没有保证——它校准的是"长期使用此方法的频率"。
与其他知识点的关系
自测题
- X̄ₙ 来自 Var=16 的分布，n=100：SE 多少？P(|X̄ₙ−μ|>1)≈？
答：SE=0.4；正态近似 P(|Z|>2.5)≈1.2%。
- 为什么精度翻倍要 4 倍样本？
答：SE∝1/√n——SE 减半需 n 增 4 倍（平方关系）。
- 掷骰子 100 次求点数总和的近似分布。
答：单次 μ=3.5、σ²=35/12；总和 ≈ N(350, 3500/12)——个体离散、总和正态（CLT 实战）。
延伸阅读
- Blitzstein & Hwang 第 10 章（LLN/CLT 双章）。
- Wasserman《All of Statistics》§5.3–5.4。
- Schervish《Theory of Statistics》CLT 严格条件（进阶）。