中心极限定理

中心极限定理指出，许多独立随机变量之和，在经过中心化和重新缩放后，无论单个变量的分布形状如何，都近似服从正态分布，这就是为什么钟形曲线在科学中随处可见。

Definition

中心极限定理指出，对于具有有限均值和方差的独立同分布随机变量，当项数增加时，标准化和的分布收敛于标准正态分布。

Scope

本主题涵盖了具有有限方差的独立同分布变量的经典中心极限定理、独立变量三角阵列的Lindeberg和Lyapunov条件、特征函数证明方法、Berry-Esseen收敛速度界限，以及当方差为无穷大时扩展到非高斯稳定极限。

Core questions

• 为什么正态分布是标准化和的普遍极限？
• 当求和项非同分布时，需要哪些条件，例如Lindeberg条件？
• 标准化和的分布以多快的速度趋近于正态分布？
• 当方差为无穷大时，什么取代了正态极限？

Key concepts

• 依分布收敛
• Lindeberg条件
• Lyapunov条件
• Berry-Esseen界
• 稳定极限

Key theories

经典中心极限定理

对于具有有限方差的独立同分布变量，其和减去均值再除以项数平方根乘以标准差，依分布收敛于标准正态分布，这可以通过特征函数清晰地证明。

Lindeberg-Feller定理

对于独立变量的三角阵列，Lindeberg条件（即没有单个项对总方差贡献可忽略不计的份额）是渐近正态性的充分且本质上必要的条件，这赋予了该定理最一般化的经典形式。

Berry-Esseen界

当存在有限的三阶矩时，标准化和分布的正态近似的最大误差由一个常数乘以三阶绝对矩除以方差的1.5次方和样本量平方根的乘积所限制。

Clinical relevance

中心极限定理是统计推断的基石：它为置信区间、z检验和t检验背后的正态近似以及估计量的渐近分布提供了依据，并解释了为什么科学中的测量误差和聚合量通常近似服从高斯分布。

History

德莫弗和拉普拉斯在18世纪发现了二项分布的正态近似。李雅普诺夫首次使用矩给出了严格的一般证明，林德伯格提供了决定性条件，费勒表明该条件本质上是必要的，而贝里和埃森量化了收敛速度。

Key figures

• Abraham de Moivre
• Pierre-Simon Laplace
• Aleksandr Lyapunov
• Jarl Waldemar Lindeberg

Seminal works

• billingsley1995

Frequently asked questions

中心极限定理是否要求求和项服从正态分布？

不；其非凡之处在于，单个变量可以具有几乎任何具有有限方差的分布，并且它们的标准化和仍然随着项数的增加而趋向于正态分布。

样本量需要多大才能使正态近似效果良好？

没有普遍的答案；Berry-Esseen界表明误差取决于三阶矩，并以样本量平方根的倒数衰减，因此偏斜或重尾的求和项需要更大的样本量才能获得良好的近似效果。