大数定律与中心极限定理

2026-05-05

大数定律与中心极限定理

核心定义

大数定律研究样本均值在样本量增大时是否稳定靠近总体均值，关键词是 收敛到真值。

中心极限定理（CLT）研究独立同分布随机变量的和在标准化后是否趋近正态分布，关键词是 分布近似为正态。

大数定律回答”平均值会不会稳定”，中心极限定理回答”和的分布像什么”。前者是依概率收敛的典型，后者是分布收敛的典型。

大数定律依赖三个条件：独立性、同分布与 有限期望。

中心极限定理在此基础上还要求 有限方差，并对和进行 标准化。

辛钦大数定律： $\overline{X}_n=\dfrac{1}{n}\sum_{i=1}^n X_i \xrightarrow{P}$ $\mu$ （ $X_i$ 独立同分布， $E(X_i)=\mu$ ）。

CLT 标准化形式： $\dfrac{\sum_{i=1}^n X_i - n\mu}{\sigma\sqrt{n}}\Rightarrow$ $N(0,1)$ ，等价地 $\dfrac{\overline{X}_n-\mu}{\sigma/\sqrt{n}}\Rightarrow$ $N(0,1)$ 。

关键细节 / 操作步骤

第一步：先判断题目对象是 样本均值 还是 随机变量和。
第二步：若问”趋于多少”，优先检查 大数定律；若问”近似什么分布”，优先检查中心极限定理。
第三步：若是求和，先转成 标准化形式，把均值与方差写清。
第四步：若是样本均值 $\overline{X}_n$ ，记得把和除以 $n$ ，再用 $\dfrac{\overline{X}_n-\mu}{\sigma/\sqrt{n}}$ 做 标准化。
第五步：若是二项分布 $B(n,p)$ 的大样本近似（棣莫弗-拉普拉斯定理），检查 $np$ 与 $n(1-p)$ 是否 足够大（通常 $\ge 5$ ），再近似为 $N(np,np(1-p))$ 。
第六步：若题目只要求定性判断，直接抓 极限方向 即可，不必硬算积分。
第七步：若题目出现”独立同分布""有限方差”同时出现，立刻联想到 中心极限定理。
第八步：若题目出现”长期平均""稳定""收敛到总体均值”，立刻联想到 大数定律。
第九步：写标准化式时，先算 $\sum X_i$ 的期望 $=$ $n\mu$ ，方差 $=$ $n\sigma^2$ ，再代入通式。
第十步：最后检查是否漏掉 $\sqrt{n}$ 或 $\sigma$ ，这是最常见的失分点。

⚠️ 易错辨析

大数定律不是”样本一大就等于真值”，它只说明平均结果 依概率收敛，非逐点收敛。

中心极限定理不是”原变量本身变正态”，而是 标准化后的和 趋近正态——单个 $X_i$ 的分布不变。

把”样本均值收敛”误写成”每个样本都收敛”是典型错误——大数定律讨论的是 整体行为 而非个体。

有些题只给”独立”不给”同分布”或”有限方差”，不能直接套 CLT，要先 检查条件是否够。

二项分布近似正态时，若 $np$ 或 $n(1-p)$ 过小，近似效果差，需用 连续性修正。

💡 技巧与口诀 口诀：大数看平均，中心看标准化；大数求稳定，中心看钟形。

应用场景：适用于求大样本近似概率、判断极限、估计总体参数的题目。

看到”样本多、平均值、接近某常数” $\to$ 优先往 大数定律 靠。

看到”和、近似、正态、概率估计” $\to$ 优先往 中心极限定理 靠。

若只要长期平均，不必硬套 CLT，直接用大数定律更稳。

📝 真题闭环 设 $X_1,\dots,X_{100}$ 独立同分布， $E(X_i)=\mu=3$ ， $\operatorname{Var}(X_i)=\sigma^2=4$ 。求 $P(\overline{X}_{100}>3.5)$ 的近似值。

解题思路：审题抓”大样本""概率估计”，切入点是中心极限定理； $\overline{X}_{100}\approx N(\mu,\sigma^2/n)=N($ $3$ $,$ $4/100$ $)$ ；标准化 $Z=\dfrac{\overline{X}_{100}-3}{2/10}=$ $\dfrac{\overline{X}_{100}-3}{0.2}$ ； $P(\overline{X}_{100}>3.5)=P(Z>\dfrac{3.5-3}{0.2})=P(Z>$ $2.5$ $)=$ $1-\Phi(2.5)\approx0.0062$ 。

答案： $\approx 0.0062$ 。

cd ..