概念

中心极限定理

独立同分布变量之和标准化后趋于标准正态，解释了正态分布在自然界中的普遍性。

阅读路径

参考可汗学院 Get ready 机制：先修概念 → 当前概念 → 进阶概念，✓ 表示已读。

中心极限定理概率论

01定义

独立同分布变量之和标准化后趋于标准正态：

\frac{\sum X_i-n\mu}{\sigma\sqrt{n}}\Rightarrow N(0,1)

。无论原始分布如何（只要有方差），大量独立小因素的叠加都产生钟形曲线——正态分布普遍性的终极解释。

求和魔法：任何形状叠加后都趋向钟形

减均值除标准差使和的分布「对焦」：位置与尺度归一后，形状收敛到 $\Phi$ ；林德伯格-莱维版本只需有限方差。

特征函数法： $\varphi_{\bar{S}_n}(t)=[\varphi((t)/\sqrt{n})]^n\to e^{-t^2/2}$ ——泰勒展开二阶项主导，高阶被 $n$ 淹没。连续性定理把逐点收敛翻译回分布收敛。

林德伯格条件允许不同分布；多元 CLT 给出协方差矩阵；重尾分布（无方差）则收敛到稳定律而非正态——CLT 划定了正态王国的疆界。

\frac{\sum_{i=1}^{n}X_i-n\mu}{\sigma\sqrt{n}}\ \xrightarrow{d}\ N(0,1)

棣莫弗 1733 年对二项分布给出首个版本；拉普拉斯 1810 年推广；林德伯格 1922 年给出充分条件的现代形式；费勒完善必要性。

统计推断的置信区间与检验、误差理论（测量误差的正态性）、金融风险模型（及其重尾失效的教训）、深度学习初始化理论。

均匀分布之和 → 钟形曲线n=1 时还是方形：随着 n 增大，标准化和的直方图被「吸」向标准正态

n 求和个数1