中心极限定理与大样本理论

中心极限定理与大样本理论 (Central Limit Theorem and Large Sample Theory)

中心极限定理 (Central Limit Theorem, CLT) 与 大样本理论 (Large Sample Theory)，亦称 渐近理论 (Asymptotic Theory)，是概率论与数理统计的基石。它们为基于大样本数据的统计推断提供了理论基础。

CLT揭示：大量独立随机变量之和（或均值），无论其原始分布形态如何，其分布均近似于正态分布。大样本理论则系统性研究当样本量 $n$ 趋于无穷大时统计量与估计量的性质。

中心极限定理 (CLT) 的核心内容

最经典的 林德伯格-莱维 (Lindeberg-Lévy) 中心极限定理 陈述如下：设 $X_1, X_2, \dots, X_n$ 为独立同分布的随机变量，具有有限期望 $\mu$ 和有限方差 $\sigma^2 > 0$。令样本均值 $\bar{X}_n = \frac{1}{n}\sum_{i=1}^n X_i$。当 $n \to \infty$ 时，标准化后的样本均值依分布收敛于标准正态分布：

其中 $\sigma/\sqrt{n}$ 称为样本均值的标准误，度量了 $\bar{X}_n$ 与 $\mu$ 的平均偏离程度。CLT的核心意义在于：无论原始数据来自伯努利分布、均匀分布还是指数分布，其样本均值的分布在 $n$ 足够大时总趋于正态。这为构建置信区间和进行假设检验提供了理论基础。

大数定律 (Law of Large Numbers, LLN)

大数定律是另一基本定理。弱大数定律指出样本均值依概率收敛于总体均值：

这一性质称为相合性。LLN回答"样本均值收敛到哪里"，而CLT回答"如何收敛"——围绕 $\mu$ 的波动呈正态分布，幅度由 $\sqrt{n}$ 决定。

估计量的渐近性质

在大样本理论框架下，关注三个关键性质：

1. 相合性：$n \to \infty$ 时估计量收敛于真值，由LLN保证。
2. 渐近正态性：标准化后估计量趋近于正态分布，由CLT保证，是假设检验和置信区间的前提。
3. 渐近有效性：拥有最小渐近方差的估计量效率最高，与克拉默-拉奥下界相关。

理论延伸

经典CLT要求独立同分布。Lyapunov CLT 和 Lindeberg-Feller CLT 放宽了同分布假设。在时间序列分析中，对于平稳遍历过程，若序列依赖性随滞后衰减，CLT变体依然适用。实践中，"样本量足够大"并无绝对标准——分布接近对称时 $n \ge 15$ 可能足够，高度偏态时则需数百乃至数千。

中心极限定理与大样本理论是连接理论概率与应用统计的桥梁，赋予研究者从有限数据中提取可靠结论的能力。