中心极限定理

概述

中心极限定理（Central Limit Theorem, CLT）是概率论最核心的定理之一。它指出：大量独立随机变量的和（适当标准化后）趋向于服从正态分布，无论各个变量本身是什么分布。这是正态分布在自然界中普遍存在的理论依据。

---

一、中心极限定理概述

核心思想

设 $X_1,X_2,\cdots ,X_n$ 为独立同分布的随机变量，$E(X_i)=\mu$，$\mathrm{Var}(X_i)={\sigma }^2<\infty$。令

$S_n={\sum }_{i=1}^n{X}_i,{\bar{X}}_n=\frac{S_n}{n}$

则：

$\frac{S_n-n\mu }{\sqrt{n}\sigma }=\sqrt{n}({\bar{X}}_n-\mu )\stackrel{d}{\to }N(0,1)$

核心结论：无论 $X_i$ 本身是什么分布，只要满足一定条件，其和（或均值）的标准化量都趋向标准正态分布。

---

二、发展脉络

时期	人物	贡献
1718	棣莫弗	棣莫弗-拉普拉斯定理（二项分布的正态近似）
1810	拉普拉斯	早期CLT的一般化尝试
1901	李雅普诺夫	李雅普诺夫CLT（随机变量不同分布）
1920s	林德伯格	林德伯格条件（最一般的独立不同分布CLT）
1935	费勒	林德伯格-费勒CLT（最终一般形式）

---

三、几种主要形式

1. 棣莫弗-拉普拉斯中心极限定理

棣莫弗-拉普拉斯CLT

设 $X_n\sim b(n,p)$，则对任意 $a<b$： ${\lim }_{n\to \infty }P\left(a⩽\frac{X_n-np}{\sqrt{np(1-p)}}⩽b\right)={\int }_a^b\frac{1}{\sqrt{2\pi }}{e}^{-t^2/2}dt$

意义：给出了二项分布的正态近似公式，是CLT的最早形式。

---

2. 林德伯格-列维中心极限定理（独立同分布CLT）

林德伯格-列维CLT

设 $\{X_n\}$ 为独立同分布的随机变量序列，$E(X_i)=\mu$，$\mathrm{Var}(X_i)={\sigma }^2$ 存在有限，则： $\sqrt{n}\left(\frac{{\bar{X}}_n-\mu }{\sigma }\right)\stackrel{d}{\to }N(0,1)$

条件：独立同分布 + 方差存在（最常用的CLT形式）。

---

3. 林德伯格中心极限定理（独立不同分布CLT）

林德伯格条件

设 $\{X_n\}$ 为独立随机变量序列，$E(X_i)={\mu }_i$，$\mathrm{Var}(X_i)={\sigma }_i^2$。记 $B_n^2={\sum }_{i=1}^n{\sigma }_i^2$。若对任意 $\epsilon >0$： ${\lim }_{n\to \infty }\frac{1}{B_n^2}{\sum }_{i=1}^{n}E\left[(X_i-{\mu }_i{)}^2\cdot 1_{|X_i-{\mu }_i|>\epsilon B_n}\right]=0$ 则 $\frac{{\sum }_{i=1}^n(X_i-{\mu }_i)}{B_n}\stackrel{d}{\to }N(0,1)$。

意义：允许每个 $X_i$ 有不同分布，是CLT的一般形式。

---

4. 李雅普诺夫中心极限定理

李雅普诺夫CLT

设 $\{X_n\}$ 为独立随机变量序列，$E(X_i)={\mu }_i$，$\mathrm{Var}(X_i)={\sigma }_i^2$。若存在 $\delta >0$ 使得： ${\lim }_{n\to \infty }\frac{1}{B_n^{2+\delta }}{\sum }_{i=1}^{n}E(|X_i-{\mu }_i{|}^{2+\delta })=0$ 则 $\frac{{\sum }_{i=1}^n(X_i-{\mu }_i)}{B_n}\stackrel{d}{\to }N(0,1)$。

特点：用矩条件验证，比林德伯格条件更易检验。

---

四、正态近似与连续性修正

正态近似

CLT最重要的应用是用正态分布近似复杂分布：

$X\approx N\left(n\mu ,n{\sigma }^2\right)$

近似误差：Berry-Esseen不等式给出： $\left|F_n(x)-\Phi (x)\right|⩽\frac{C\cdot E|X_i-\mu {|}^3}{n^{1/2}{\sigma }^3}$

连续性修正

对于离散分布（如二项分布），正态近似时可加 $\pm \frac{1}{2}$ 的修正：

$P(X=k)\approx \frac{1}{\sqrt{2\pi npq}}{e}^{-\frac{(k-np{)}^2}{2npq}}$

---

五、大数定律与CLT的对比

	大数定律（LLN）	中心极限定理（CLT）
研究对象	${\bar{X}}_n$	$\sqrt{n}({\bar{X}}_n-\mu )$
收敛目标	常数（期望值）	标准正态分布
条件	弱	中等
应用	估计、模拟	区间估计、假设检验

---

六、相关章节

• 第四章 随机变量序列的极限定理 — 章节汇总
• 大数定律 — CLT的互补定理
• 正态分布 — CLT收敛的目标分布
• 4.2 特征函数 — CLT证明的核心工具
• 第七章 假设检验 — 章节汇总 — CLT在检验中的应用