大数定律与中心极限定理-大数定律中心极限定理

在数学的深处，有一个现象像空气一样存有，却总被我们当成空气所忽略。大数定律告诉我们，要是你往口袋里扔硬币，扔得越多，正面和反面出现的比例越接近 50%。
这不是魔法，而是概率在疯狂撞向平均值的必然结局。当样本量变得庞大，那些细小的随机起伏会像涟漪一样扩散开来，最终汇聚成一条贼光滑的直线。
这就是大数定律，它安抚了我们那颗不安的直觉，告诉我们在独立同分布的情况下，极端值简直是个笑话，绝大多数次数的表现都不离均值忒远。 这听起来挺玄，但背后是无数粒子的集体行为。想象你有一百次投掷均匀的硬币，前四下时常是正正正正，后六下全是反面，你认定特倒霉吗？在统计学眼里，这是彻底正常的。
这时候抛一百次，你会发现中间那条线稳稳地住在那儿，根本不会跑到 100% 或 0% 的极端里去，哪怕中间有 2% 的偏差，那也是概率准的跳舞。 这种“跳舞”在中心极限定理里拿到了更精确的描写。甭管你扔的是啥事件——是抛硬币，还是抛掷质量均匀的球，就连是对成百上千个不同来源的数据进行平均，只要这些项彼此独立，不管原始数据是个啥形状（正态的、分形的、怪的），把你加起来要么求平均之后，最终结局会自动变成高斯分布。 举个具体的例子，假设你有一万个游客，每个人都独立地随机买一张彩票，每张票中奖概率是 1%，那这张彩票的中奖概率就是 1% 加上 1% 加上 1%，也就是 2%。公式上写起来挺枯燥，$P(X > E + sigma) approx 2.37 times 10^{-5}$。但在现实中，我们不会去算一万次，而是看一眼模拟出来的数据图。你会看到左边那个柱子（极端的大头）简直消亡了，画面中央是一条平滑、厚实、像烟圈一样的钟形曲线。
这条曲线就是高斯分布，它って言事不偏袒任何一个人，出于它是所有可能结局的“大平手”。 再看另一个例子，假设你有一个三管齐下的投币机，每次投币，正面、反面、要么是两块硬币合计值 1 元。理论上，投 100 次，正面、反面、合计 1 元的概率各占 1/27；投 200 次，各占 1/1350；投 300 次，各占 1/45500。
要是一直这样投，你会看到结局呈指数级衰减，对吗？这就是大数定律的侧翼——在连续独立同分布的序列下，极限分布收敛到柯西分布，没有尾部，没有高峰，Bell 曲线在那边一辈子找不见。 但要是这一投一投之间有某种关联呢？比如每次投币，正面或反面都更可能靠在旁边，要么这种倾向随工夫衰减，最终趋向于某种更复杂的结构，比如“锯齿状”要么“跳跃型”。
这时候，中心极限定理依然适用，只要分布是“非负”且“独立同分布”的。你会发现，甭管底层过程多么怪异，经过极大值或极大值的统计平均处理之后，结局依然会平滑下来。 这个原理之故此在金融界如此关键，是出于它解释了为啥看起来乱七八糟的市场数据，在长期看实际上是稳定的。股票价格每天涨跌都是随机的，有人涨有人跌，但要是你盯着一个特定股票一年后的走势，你会发现它服从高斯分布。回测数据图里，那些看似大大的红柱子（大涨），别看每一根都挺高，但只要根数够多，就一定会堆叠成一条平滑的钟线。
这就是为啥在统计模型里，我们默认使用正态分布，哪怕现实世界充满了噪声。 你有没有想过，为啥开车的时候，两辆车之间的距离看起来那么关键？出于在高速公路上，两辆车会越跑越近。
要是两辆车初始速度不同，距离就会慢慢拉开；要是初始距离相同，速度差就会慢慢缩小。
突然有一天，两辆车之间突然拉开了一大截，像"A 车突然加速，B 车突然减速”——这时候，车与车之间的相对距离不再服从好办的对称分布。它可能变成了某种不对称的、尖底的分布。
可是，要是你把这辆车和另外 988 辆车一起扔进一个更广阔的统计池子里，然后求平均，最终结局又会重新回到那条漂亮的钟形曲线。 这就是大数定律与中心极限定理的魔力。它们告诉我们，世界的本质是平均值的统治。就算是充满离弦之箭的随机过程，在数学的大视野下，它们也会自我净化，最终指向那个唯一的、完美的、高斯状的归宿。
没有绝对的极端，只有概率的边界；没有永恒的噪音，只有统计的均值。 故此，下次当你看到那些在新闻里呈现的、高耸入云的股价柱状图时，别被那一点点尖角吓倒。
那是数学的谦逊，也是概率的忠诚。
那并不是说这数据本身坏了，而是说，只要样本充足多，任何看似离群的故事，最终都会变成一条光滑的线。
这条线告诉你：别慌，大局部时候，一切都在平均值的轨道上正常运行。
这就是统计学的温柔，也是它最强大的力量。