什么是方向图乘积定理_【伪科普向】万物趋向于正态分布——玩坏中心极限定理（内有大量动图）...-CSDN博客

本文链接：https://blog.csdn.net/weixin_28849929/article/details/112733488

0、引言

冯诺依曼曾说过：

用四个参数我可以拟合出一头大象，用五个参数我可以让大象的鼻子晃一晃

通常而言，相对本质的东西，形式常常比较简洁，它们通常根据相对容易满足、常见的前提假设，推出一个很普适的结论。换言之，相对本质的东西通常对于许多情形都适用^[1]。例如有名的熵增原理：

孤立系统中，熵总是会趋向于增加

在熵增原理中，我们前提是比较常见的——孤立系统，却推出来了熵增这样的比较普适的结论。

而概率的本质则是人的无知，因此，我们期望知道尽可能少的东西，就能获得相对普适的估计。例如大数定理揭示了：

我们做有限次实验，只要次数充分多，其频率就能趋近于概率

大数定理里面对你的对象究竟是什么样子没有要求，所以相对普适。

而中心极限定理则是一个更加神奇，它说明了——

个
独立同分布 ^[2]的随机变量
，如果他们的均值和方差均相同且有限
^[3]，那么当
充分大时，那么
它们的平均值的概率分布趋向于 正态分布

高中数学课上，我们将

服从均值为0，方差为

的正态分布记为

。回忆一下高中课上讲的：若

，则概率密度函数为

对于刚才中心极限定理的描述，我们只进行了一个定性的描述，下面我们来定量地描述中心极限定理——

不妨假设
个
独立随机变量
的均值为0
^[4]，令
，方差

，则当

充分大时，随机变量

的概率分布趋向于正态分布

这是一个神奇的现象，用人话说，就是——随便你是啥分布，只要你们独立，加起来就得服从正态分布。

这一点就与熵增原理有一些类似，它没有要求你是什么系统，不管什么系统，熵都会自己增加。而中心极限定理也是类似的，不管是什么分布，加起来都会自动趋向于正态分布。就仿佛冥冥之中有一双手一般，无论你是什么，都会被引导走向正态分布的终点。

为了直观地显示这一点，下面我以

取值为1、-1的概率均为0.5

为例子，用MATLAB做了关于

的概率分布的两个动图——

当试验次数充分多（取100000次），增大独立随机变量数目

（

用于说明中心极限定理）

MATLAB代码如下：

N = 100000;  % 100000次试验
f = zeros(1,N);  % 随机变量
M_array=[1,2,3,4,5,...
    6,7,8,9,10,...
    15,20,25,30,40,...
    50,60,70,80,90,100];
for i=M_array
    x = -i:2:i;  % 横坐标
    y = zeros(1,i+1);  % 随机变量
    for j=1:N  % 生成100000次试验
        temp=rand(1,i);  % 0-1均匀分布
        % 大于0.5视为1，小于0.5视为-1.求和
        f(j)=sum(temp>0.5)-sum(temp<0.5);
        y((f(j)+i)/2+1) = y((f(j)+i)/2+1)+1;
    end
    stem(x,y);title(['独立随机变量数为',num2str(i)]);
    I=frame2im(getframe(gcf));
    [I,map]=rgb2ind(I,256);
    if i == M_array(1)
        imwrite(I,map,'充分多试验_增大独立随机变量数.gif','gif', 'Loopcount',inf,'DelayTime',0.3);
    else
        imwrite(I,map,'充分多试验_增大独立随机变量数.gif','gif','WriteMode','append','DelayTime',0.3);
    end
end

固定增大独立随机变量数目

，逐渐增大试验次数（

用于说明大数定理）