- 说明极限定理要解决的问题——单次试验不可预测而大量重复呈现稳定性，并解释概率的频率解释为何必须以大数定律为理论根基；
- 区分两类极限定理的分工：大数定律刻画样本均值（频率）"收敛到哪里"，中心极限定理刻画独立和"以什么形状波动"；
- 应用方差的可加性导出 \(\mathrm{Var}(\bar X_n)=\sigma^2/n\)，并用尺度 \(\sigma/\sqrt n\) 估计均值与频率的典型波动；
- 初步辨析依概率收敛与几乎必然收敛的强弱差别，说出模拟（蒙特卡洛）方法的合法性来源；
- 按顺序说出本章路线：切比雪夫不等式 → 弱大数定律 → 中心极限定理 → 强大数定律 → 其他不等式。
1. 从一次抛掷到一万次：为什么需要极限定理
2.1 节曾留下一句承诺：频率解释 \(P(E)=\lim_{n\to\infty}n(E)/n\) 的严格含义，要等到大数定律才能阐明。从本节起，我们兑现这个承诺。先回到最原始的经验事实：抛一枚硬币，下一次是正是反，谁也无法预先断言；然而把同一枚硬币抛成千上万次，正面出现的比率却几乎总是接近 \(1/2\)。个别结果不可预言、整体呈现稳定的比率，这就是第 2 章所说的统计规律性(statistical regularity)。全书此前建立的公理与计算，描述的是"单次试验"的概率结构；而要把"大量重复下的稳定性"变成可以证明的命题，需要一类以 \(n\to\infty\) 的极限行为为对象的定理——统称极限定理(limit theorems)。本章是全书最后一章，主题正是它们。
要把"大量重复"数学化，需要一个贯穿全章的记号。设想在完全相同的条件下重复一项试验，把每次试验关心的数量记录为一个随机变量，就得到一列相互独立、同分布的随机变量 \(X_1,X_2,\ldots\)，称为独立同分布(independent and identically distributed, i.i.d.)序列（独立性的含义见第 3、6 章）。我们最关心的统计量是它们的算术平均。
设 \(X_1,X_2,\ldots,X_n\) 独立同分布，称 \[ \bar X_n=\frac{X_1+X_2+\cdots+X_n}{n} \] 为前 \(n\) 次观测的样本均值(sample mean)。
一个关键观察：若 \(X_i\) 是第 \(i\) 次试验中事件 \(E\) 的示性随机变量(indicator random variable)——\(E\) 发生时取 \(1\)、否则取 \(0\)——则 \(X_1,\ldots,X_n\) 独立同分布于 \(\mathrm{Bernoulli}(p)\)，且 \(\bar X_n=n(E)/n=f_n(E)\) 恰是 \(E\) 的频率，期望为 \(p\)。于是"频率稳定于概率"只是"样本均值稳定于期望"的特例：极限定理把两类稳定性统一处理。
将一枚均匀硬币分三组各抛 \(n=10\)、\(100\)、\(10000\) 次，正面出现的频率依次为 \(0.6\)、\(0.52\)、\(0.5008\)（假想的模拟数据）。求各组的正面次数与频率对 \(0.5\) 的偏差，并描述随 \(n\) 增大呈现的规律。
| 抛掷次数 \(n\) | 正面次数 \(n(E)\) | 频率 \(f_n(E)\) | 偏差 \(|f_n-0.5|\) |
|---|---|---|---|
| 10 | 6 | 0.6000 | 0.1000 |
| 100 | 52 | 0.5200 | 0.0200 |
| 10000 | 5008 | 0.5008 | 0.0008 |
为什么必须把这一印象变成定理？因为频率解释本身站立不住。其一，任何实际的试验序列都是有限次的，"极限值"永远无法被直接观察到；其二，若把"频率会趋于稳定"仅仅当作经验归纳，就无法回答"凭什么下一段实验也稳定""凭什么不同的人做实验会稳定到同一个数"；其三，用频率定义概率、又用概率（独立、同分布）去描述产生频率的试验，隐含循环论证的危险。大数定律的作用，是在公理体系内部、仅从"独立同分布 + 期望存在"这样的前提出发，演绎地证明频率（以及一般的样本均值）确实收敛。频率解释由此从一条信念变成一个定理，第 2 章搭建的公理世界与经验世界自此接通。
2. 两大类极限定理：均值去哪里，和以什么形状波动
极限定理按所回答的问题分成两大族。第一族问题：\(\bar X_n\) 收敛到哪里？大数定律(law of large numbers, LLN)断言：只要期望存在，样本均值收敛于期望 \(\mu\)，从而频率收敛于概率 \(p\)。它刻画的是"信号"——平均值的位置。第二族问题：样本均值（或独立和 \(X_1+\cdots+X_n\)）围绕极限如何波动、波动的分布是什么形状？中心极限定理(central limit theorem, CLT)断言：把独立和标准化之后，其分布趋于标准正态分布——而且不论 \(X_i\) 原来服从什么分布。它刻画的是"噪声"——波动的形状。一条定量的线索先把两者的舞台搭好。
设 \(X_1,\ldots,X_n\) 相互独立，\(E[X_i]=\mu\)，\(\mathrm{Var}(X_i)=\sigma^2<\infty\)。则 \[ E[X_1+\cdots+X_n]=n\mu,\qquad \mathrm{Var}(X_1+\cdots+X_n)=n\sigma^2, \] 从而样本均值满足 \[ E[\bar X_n]=\mu,\qquad \mathrm{Var}(\bar X_n)=\frac{\sigma^2}{n},\qquad \mathrm{sd}(\bar X_n)=\frac{\sigma}{\sqrt n}. \]
\(\sigma/\sqrt n\) 这个量值得反复咀嚼：样本量增至 \(100\) 倍，精度只提高 \(10\) 倍——统计学中著名的平方根律(square-root law)。它说明均值型的统计量"天然会稳定"，并预告了频率偏离的典型幅度（例 2）。至于"任给 \(\varepsilon>0\)，偏差超过 \(\varepsilon\) 的概率随 \(n\) 趋于 \(0\)"（弱大数定律，8.2 节）与"标准化偏差的分布趋于正态"（中心极限定理，8.3 节），则是本章的主菜；三大定理之间的逻辑关系见图 1。
沿用例 1 的硬币模型：\(X_i\sim\mathrm{Bernoulli}(0.5)\)，频率即 \(\bar X_n\)。由定理 1，\(\mathrm{sd}(f_n)=\sqrt{p(1-p)/n}=0.5/\sqrt n\)。对 \(n=10\)、\(100\)、\(10000\) 计算这一典型波动尺度，与例 1 观察到的偏差比较，并说明规律。
3. 收敛有多稳：两种方式的预告与模拟的合法性
"\(\bar X_n\) 收敛于 \(\mu\)"这句话，其实有强弱不同的两种讲法：弱的说法只对"大偏差的概率"发问，强的说法对每一条样本轨道发问。它们的正式定义分别见于 8.2 节与 8.4 节，这里先作非正式的预告。
设 \(X_1,X_2,\ldots\) 为随机变量序列，\(\mu\) 为常数。(a) 称 \(X_n\) 依概率收敛(convergence in probability)于 \(\mu\)，若对任意 \(\varepsilon>0\)， \[ P\{|X_n-\mu|>\varepsilon\}\to 0\qquad (n\to\infty); \] 它只要求"大偏差"的概率越来越小，容许零星的反弹偶尔出现。(b) 称 \(X_n\) 几乎必然收敛(convergence almost surely)于 \(\mu\)，若 \[ P\{\lim_{n\to\infty}X_n=\mu\}=1, \] 即除去一个概率为 \(0\) 的例外集，每条样本轨道 \(X_n(\omega)\) 作为普通数列都收敛于 \(\mu\)，偏差"最终不再发生"。
可以证明：几乎必然收敛蕴含依概率收敛（强 ⇒ 弱），反之不成立。弱大数定律采用 (a)，强大数定律采用 (b)——这正是"弱""强"二字的由来。图 2 的频率轨迹直观展示了"越来越稳"的过程。
本节最后一个问题：计算机里跑的随机模拟，凭什么可信？现代统计与计算中广泛使用的蒙特卡洛方法(Monte Carlo method)——用大量随机样本的平均去估计概率、期望或积分——其合法性完全来自大数定律：估计量恰是被估计量的样本均值，定理保证它收敛到真值；而误差的量级（\(1/\sqrt n\) 速率）与误差分布的形状，则由中心极限定理给出。换言之，模拟不是碰运气的把戏，而是把极限定理当作引擎的算法。8.4 节将给出用蒙特卡洛方法估计 \(\pi\) 的完整例子，这里先用一个积分问题感受它的逻辑。
为估计 \(\int_0^1 x^2\,dx\)，生成 \(n\) 个独立同分布的随机数 \(U_1,\ldots,U_n\sim U(0,1)\)，以 \(\bar Y_n=\frac{1}{n}(U_1^2+\cdots+U_n^2)\) 作为估计。(a) 该方法估计的目标是什么值？(b) \(n=10000\) 时估计的典型误差约多大？
历史上第一个极限定理由雅各布·伯努利(Jacob Bernoulli)在《猜度术》(Ars Conjectandi, 1713, 身后出版)中给出——抛硬币情形的大数定律，他为之酝酿了约二十年，并自称为"黄金定理"。1733 年棣莫弗(de Moivre)在同一情形得到正态近似，一个多世纪后由拉普拉斯(Laplace)推广，是为中心极限定理的源头；1909 年波莱尔(Borel)证明了抛硬币情形的强大数定律，一般形式由柯尔莫哥洛夫(Kolmogorov, 1933)完成。"蒙特卡洛"之名则来自二战时期乌拉姆(Ulam)与冯·诺依曼(von Neumann)以随机模拟计算核反应的方法，因摩纳哥的赌场而得名——以赌桌命名的技术，恰恰以"赌桌长期必败/必胜"的数学定理为根基。
4. 全书的收束与本章路线
作为全书最后一章的开篇，值得把来路清点一遍：极限定理要用到的每一件工具，都出自前面的章节。
- 第 1 章的组合计数，服务于等可能模型的精确概率计算；
- 第 2 章建立公理：频率的非负、规范、可加三条性质正是公理的原型（2.1 节），而本章的定理把"频率趋于概率"从经验归纳变成演绎结论——公理体系与经验世界自此闭环；
- 第 3 章的条件概率与独立性，提供了极限定理的前提"独立同分布"；
- 第 4、5 章的随机变量、期望与方差，正是定理陈述中的 \(\mu\) 与 \(\sigma^2\)；
- 第 6 章的联合分布与独立性（独立 ⇒ 协方差为 0），是定理 1 证明的关键一步；
- 第 7 章的期望运算性质（含 7.8 节期望的一般定义），是本章每个证明的日常工具。
本章自身的路线则一步一个定理：先用只依赖期望与方差的切比雪夫不等式(Chebyshev's inequality)控制尾概率，配上定理 1 的 \(\sigma^2/n\) 立刻得到弱大数定律（8.2 节）；再让标准化独立和的分布走向正态（8.3 节）；然后换用几乎必然收敛，得到结论更强的强大数定律，并把频率解释与蒙特卡洛方法落到实处（8.4 节）；最后收拢一批现代应用广泛的不等式（8.5 节），作为通向高等概率论、统计学习与机器学习的门口。全书从赌桌上的计数问题出发，至此抵达概率论的第一批高峰。
5. 本节小结
- 单次试验不可预测，大量重复却呈现稳定性；极限定理把这种统计规律性从经验事实提升为公理体系内的定理，也为频率解释提供理论根基。
- 两大类定理分工：大数定律——样本均值（频率）收敛于期望（概率），回答"去哪里"；中心极限定理——标准化独立和的分布趋于标准正态，回答"以什么形状波动"。
- \(E[\bar X_n]=\mu\)，\(\mathrm{Var}(\bar X_n)=\sigma^2/n\)：典型波动按 \(\sigma/\sqrt n\) 收缩（平方根律）。
- 收敛方式有强弱：依概率收敛（只保证大偏差的概率趋于 0）弱于几乎必然收敛（每条轨道最终收敛）；强蕴含弱。
- 模拟/蒙特卡洛方法的合法性来自大数定律，误差量级与分布来自中心极限定理。
- 本章路线：切比雪夫不等式 → 弱大数定律 → 中心极限定理 → 强大数定律 → 其他不等式。
练习
练习 8-1-1
概率的频率解释把 \(P(E)\) 定义为频率 \(f_n(E)\) 的极限。如果没有大数定律，这一定义面临哪些困难？大数定律如何化解？它为什么不构成循环论证？
答案与提示困难有三：(1) 实际试验只能有限次，极限值无法直接观察；(2) "频率会稳定"若只是经验归纳，便无法保证另一批样本、另一位实验者稳定到同一个数值；(3) 用频率定义概率、又用概率（独立、同分布）描述产生频率的试验，有循环之嫌。化解：大数定律以柯氏公理为出发点，仅由"独立同分布 + 期望存在"演绎地证明频率（依概率、甚至几乎必然）收敛于 \(p\)，"稳定"由经验公设变为定理。不循环的原因：公理体系本身不依赖频率解释（它同样服务古典解释与主观解释），频率解释只是公理的一个模型，大数定律在该模型中兑现了承诺。
练习 8-1-2
掷一枚均匀骰子 \(n\) 次，以样本均值 \(\bar X_n\) 估计平均点数。已知单次方差 \(\sigma^2=35/12\)。(a) 求 \(n=3600\) 时 \(\bar X_n\) 的典型波动尺度；(b) 若要典型波动不超过 \(0.01\)，\(n\) 至少约需多少？
答案与提示由定理 1，\(\mathrm{sd}(\bar X_n)=\sigma/\sqrt n=\sqrt{35/12}/\sqrt n\approx 1.708/\sqrt n\)。(a) \(n=3600\) 时 \(\sqrt n=60\)，典型波动约 \(1.708/60\approx 0.028\)，即典型地落在 \(3.5\pm 0.028\) 内。(b) 令 \(1.708/\sqrt n\le 0.01\)，得 \(n\ge (170.8)^2\approx 2.9\times 10^4\)，即约二万九千次。注意：精度提高 10 倍，样本量要增加 100 倍——平方根律的代价。
练习 8-1-3
为什么对赌场和保险公司来说"短期靠运气，长期靠定理"？请用本章预告的两大定律说明。
答案与提示单局赌戏、单张保单的结果固然随机，但赌场规则与保费定价使每局的期望收益对庄家一方微正。由大数定律，大量独立局之后，平均收益收敛于期望收益，且相对波动按 \(1/\sqrt n\) 缩小；由强大数定律（8.4 节），这一收敛几乎必然成立——只要业务量足够大、单笔风险有界，长期结果近乎确定。保险公司同理：用大数定律把个体的不确定性转化为总体的可计算性，这正是"长期赌徒必输"的数学版本。