50大数定律与中心极限定理（LLN & CLT）

LLN & CLT通用性 4 · 解释力 4 · 决策价值 3 · 总分 11证据硬

费曼学习法：讲给十二岁的孩子听

抛一次硬币，正面朝上——你不会觉得这枚硬币有问题。

抛十次，七次正面——你可能开始怀疑了。

抛一千次，结果会怎样？正面朝上的比例，会非常接近 50%。 抛得越多，越接近。

这就是大数定律：样本越多，频率越接近真实概率。

再看另一件事。你去测全班同学的身高，把结果画成图：矮的少、高的少、中间的多——一条钟形曲线。

为什么？因为身高是几百个因素叠加的结果：几十个基因、营养、睡眠、运动……每个因素影响一点，加起来就成了中间高、两头低的形状。

这就是中心极限定理：大量独立的随机因素相加，结果会趋近正态分布——不管那些因素本身是什么分布。

这两条定理合在一起，撑起了整个统计推断：前者保证"多试几次就能看到真相"，后者保证"加总起来的东西可以预测"。

但它们有一个共同的前提：独立、可加。 一旦这个前提被破坏（相乘、传染、正反馈），两条定理同时失效。→ 见 #17 正态分布与幂律分布

大数定律（Law of Large Numbers）：在独立重复试验中，随着试验次数增加，样本均值收敛于期望值。小样本的频率不可靠，大样本的频率才稳定。

中心极限定理（Central Limit Theorem）：大量独立同分布的随机变量之和（或均值），其分布趋近正态分布——无论原始变量服从什么分布。

这两个定理共同构成了统计推断的地基，也解释了几件事：

关键约束（也是最容易出错的地方）：它们要求独立、可加、方差有限。

三条中任何一条破坏，大数定律要么失效，要么收敛得极慢。→ 见 #21 肥尾风险

样本越多，频率越接近真实概率；大量独立因素相加，结果趋近钟形曲线——但这两个定理都要求"独立、可加、方差有限"，一旦出现相乘、传染或正反馈，它们同时失效，小样本和大样本都救不了你。

为什么"再试一次"在有些领域有效，在有些领域是灾难？

在赌场里，再玩一万次是安全的——对赌场而言。因为每一局的期望值是确定的，玩得越多，实际结果越接近期望值。这就是赌场永远不拒绝你继续玩的原因。

但对你个人而言，同样的"多玩几次"是通往破产的路——因为你只有有限的本金，而破产是吸收壁：一旦归零，就没有"下一次"了。大数定律在集合层面成立，在个体时间序列层面可能永远无法兑现。 → 见 #60 遍历性

另一类失效来自分布的形状。如果收益是相乘的（今年赚 50%、明年亏 40%），那么"平均收益率"就不是一个有意义的量：

50% 和 −40% 的算术平均是 +5%，但实际结果是 1.5 × 0.6 = 0.9，亏了 10%。

这就是为什么投资界必须用几何平均（对数收益）而不是算术平均。当变量是相乘而非相加时，中心极限定理作用于对数，而不是原值。

不要把"大数"理解成"几十个"。 需要的样本量取决于方差大小。方差越大，收敛越慢；在肥尾分布里，可能需要几万甚至更多样本才能让均值稳定。→ 见 #21 肥尾风险
小样本结论不可信，但大样本也不自动可信。 如果抽样有偏（样本不是随机的），再大的样本也只是在精确地测量一个错误的群体。样本量解决的是随机误差，不解决系统偏差。 → 见 #33 幸存者偏差
赌徒谬误是最常见的误读。 大数定律不意味着"开了五次红，下次该开黑"，也不意味着"运气会自我修正"。它的机制是稀释——随着次数增加，早期的偏差被摊薄，而不是被抵消。硬币没有记忆。 → 见 #34 回归均值
别在相关事件上套用。 金融危机时，所有资产同时下跌，相关性趋近于 1——此时分散化失效，大数定律的前提（独立性）被破坏。 这正是"平时看着很分散、危机时一起跌"的原因。
中心极限定理描述的是"和"，不是"最大值"。 极端值（最大单日跌幅、最高的那栋楼）不服从正态分布，而服从极值分布。用正态分布去估计极端事件，是风险管理里最经典的致命错误。 → 见 #21 肥尾风险