中心极限定理证明过程｜严谨推导与直观理解

设 X₁, X₂, ..., Xₙ 为独立同分布（i.i.d.）的随机变量，满足：

• 数学期望：E[Xᵢ] = μ（有限）
• 方差：Var(Xᵢ) = σ²（有限且 σ > 0）

定义样本均值：

中心极限定理关注的是标准化后的样本均值：

核心结论：当 n → ∞ 时，Zₙ 的分布函数收敛于标准正态分布 N(0,1)。

采用特征函数（Characteristic Function）作为核心工具，利用其与分布的一一对应性：

• 任一随机变量 X 的特征函数定义为：φ_X(t) = E[e^{itX}]
• 独立变量和的特征函数等于特征函数的乘积
• Lévy 连续性定理：若特征函数逐点收敛于某连续函数，则对应分布收敛

证明步骤：

1. 对标准化变量 Zₙ 构造特征函数 φ_{Zₙ}(t)
2. 利用泰勒展开：φ_{Xᵢ}(t) = 1 + iμt − (σ² + μ²)t²/2 + o(t²)
3. 代入并化简得：φ_{Zₙ}(t) = [φ_X(t/(σ√n)) · e^{-itμ/(σ√n)}]^n
4. 取极限：lim_{n→∞} φ_{Zₙ}(t) = e^{-t²/2}
5. 即标准正态分布特征函数 ⇒ 证毕

中心极限定理中的“中心”并非指空间位置，而是指：

• 分布中心：无论原始分布如何偏斜，其和的分布峰值始终围绕 nμ 附近
• 渐近中心：大量独立微小扰动的叠加效应，最终由中心区域主导
• 稳定性中心：正态分布是独立和分布族中的唯一稳定分布（除退化情形）

问题：抛掷公平硬币100次，求正面出现次数在45~55之间的概率。

解：令 X ~ Binomial(n=100, p=0.5)，则 μ=50, σ=5

查标准正态表：Φ(1) − Φ(−1) = 0.8413 − 0.1587 = 0.6826

验证：精确二项计算得 0.7287，近似值误差约6.3%——说明n=100时近似尚可但非完美。

问题：银行窗口服务时间服从指数分布（均值5分钟），100位客户平均等待时间超过5.5分钟的概率？

解：指数分布均值μ=5，方差σ²=25

P(̄X > 5.5) = P(Z > 1) = 1 − 0.8413 = 0.1587

关键：尽管服务时间右偏，但n=100时样本均值已近似正态。

问题：用随机投点法估算π值，估计10000次时的标准误差？

解：每次投点成功（落于单位圆内）概率p=π/4≈0.7854

样本比例的方差：p(1−p)/n ≈ 0.7854×0.2146/10000 ≈ 1.685×10⁻⁵

标准误差 ≈ √(1.685×10⁻⁵) ≈ 0.0041

结论：π的估计值95%置信区间宽度约2×1.96×0.0041≈0.016——即精度达小数点后2位。