Python实战：用NumPy模拟大数定律与中心极限定理（附代码）
Python实战：用NumPy模拟大数定律与中心极限定理（附代码）
概率论中的大数定律和中心极限定理是数据分析的基石，但很多初学者往往被抽象的数学公式劝退。今天我们将用Python和NumPy，通过代码实验让这两个重要概念变得直观可见。不需要复杂的数学推导，只需跟着代码一步步操作，你就能亲眼见证这些统计规律如何在数据中显现。
1. 实验环境搭建与基础概念
在开始实验前，我们需要确保环境配置正确。推荐使用Jupyter Notebook进行交互式操作，它能实时显示图表和计算结果。
首先安装必要的库：
pip install numpy matplotlib大数定律告诉我们，当实验次数足够多时，事件发生的频率会趋近于其理论概率。而中心极限定理则指出，无论原始数据分布如何，样本均值的分布都会趋近于正态分布。这两个定理为统计学中的参数估计和假设检验提供了理论基础。
让我们先定义几个关键术语：
- 样本均值：一组数据的平均值
- 总体均值：理论上的期望值
- 收敛：随着样本量增大，统计量接近某个固定值的过程
2. 模拟大数定律：硬币投掷实验
我们从一个简单的硬币投掷实验开始。理论上，公平硬币出现正面的概率是0.5。让我们用代码模拟这一过程。
import numpy as np import matplotlib.pyplot as plt # 设置随机种子保证结果可复现 np.random.seed(42) # 模拟从1次到10000次投掷 max_trials = 10000 trials = np.arange(1, max_trials+1) results = np.random.binomial(1, 0.5, max_trials) cumulative_means = np.cumsum(results) / trials # 绘制结果 plt.figure(figsize=(10, 6)) plt.plot(trials, cumulative_means, label='实际频率') plt.axhline(0.5, color='red', linestyle='--', label='理论概率') plt.xlabel('试验次数') plt.ylabel('正面出现频率') plt.title('大数定律演示：硬币投掷实验') plt.legend() plt.grid(True) plt.show()这段代码会生成一个图表，展示随着试验次数增加，正面出现的频率如何逐渐稳定在0.5附近。你会注意到：
- 在小样本量时（前几百次），频率波动很大
- 随着试验次数增加，波动逐渐减小
- 最终频率收敛到理论概率0.5
常见问题排查：
- 如果图表没有显示，确保已安装matplotlib并调用了
plt.show() - 结果看起来不够平滑？尝试增加
max_trials到更大的值 - 想模拟不公平硬币？修改
np.random.binomial中的概率参数
3. 中心极限定理的数值验证
中心极限定理更为神奇，它告诉我们无论原始数据分布如何，样本均值的分布都会趋近于正态分布。让我们用三种不同分布来验证这一点。
3.1 均匀分布的例子
def demonstrate_clt(sample_size=30, num_experiments=1000, distribution='uniform'): plt.figure(figsize=(12, 5)) # 原始分布 plt.subplot(1, 2, 1) if distribution == 'uniform': data = np.random.uniform(0, 1, 10000) plt.hist(data, bins=30, density=True, alpha=0.7) plt.title('原始均匀分布') elif distribution == 'exponential': data = np.random.exponential(1, 10000) plt.hist(data, bins=30, density=True, alpha=0.7) plt.title('原始指数分布') else: # binomial data = np.random.binomial(10, 0.3, 10000) plt.hist(data, bins=30, density=True, alpha=0.7) plt.title('原始二项分布') # 样本均值分布 plt.subplot(1, 2, 2) sample_means = [] for _ in range(num_experiments): samples = np.random.choice(data, size=sample_size) sample_means.append(np.mean(samples)) plt.hist(sample_means, bins=30, density=True, alpha=0.7) plt.title(f'样本均值分布 (n={sample_size})') plt.tight_layout() plt.show() # 演示均匀分布的情况 demonstrate_clt(distribution='uniform')3.2 指数分布的例子
# 演示指数分布的情况 demonstrate_clt(distribution='exponential')3.3 二项分布的例子
# 演示二项分布的情况 demonstrate_clt(distribution='binomial')这三个例子展示了无论原始数据是均匀分布、指数分布还是二项分布，样本均值的分布都会随着样本量增大而趋近于正态分布。你可以尝试：
- 修改
sample_size参数，观察不同样本量下的分布形态 - 增加
num_experiments使结果更平滑 - 尝试其他分布类型
4. 进阶应用：置信区间的模拟
理解了中心极限定理后，我们可以用它来构建置信区间。让我们模拟95%置信区间的计算过程。
def simulate_confidence_intervals(population_mean=5, population_std=2, sample_size=30, num_simulations=100): # 生成正态分布的总体数据 population = np.random.normal(population_mean, population_std, 10000) # 存储每次模拟的置信区间 intervals = [] contains_mean = [] for _ in range(num_simulations): # 从总体中抽样 sample = np.random.choice(population, size=sample_size) sample_mean = np.mean(sample) sample_std = np.std(sample, ddof=1) # 使用无偏估计 # 计算95%置信区间 margin_of_error = 1.96 * (sample_std / np.sqrt(sample_size)) ci_lower = sample_mean - margin_of_error ci_upper = sample_mean + margin_of_error intervals.append((ci_lower, ci_upper)) contains_mean.append(ci_lower <= population_mean <= ci_upper) # 绘制结果 plt.figure(figsize=(10, 6)) for i, (lower, upper) in enumerate(intervals): plt.plot([lower, upper], [i, i], color='blue' if contains_mean[i] else 'red') plt.axvline(population_mean, color='black', linestyle='--') plt.xlabel('数值') plt.ylabel('模拟次数') plt.title('95%置信区间模拟 (黑色虚线为真实均值)') plt.show() # 计算包含真实均值的比例 coverage_rate = np.mean(contains_mean) print(f"置信区间包含真实均值的比例: {coverage_rate:.2%}") # 运行模拟 simulate_confidence_intervals()这个模拟展示了：
- 如何从样本数据构建置信区间
- 为什么95%的置信区间大约有95%的概率包含真实均值
- 当置信区间不包含真实均值时（红色线段），发生了什么
5. 实际应用中的注意事项
虽然这些定理非常强大，但在实际应用中仍需注意以下几点：
样本量要求：
- 大数定律需要足够多的观测才能显现
- 中心极限定理通常要求样本量n≥30才能较好近似
数据独立性：
- 定理假设样本是独立同分布的
- 现实中很多数据存在自相关（如时间序列数据），这会破坏假设
极端分布：
- 对于极端偏态或重尾分布，可能需要更大样本量
- 下表比较了不同分布对中心极限定理收敛速度的影响：
| 分布类型 | 收敛速度 | 建议最小样本量 |
|---|---|---|
| 对称分布（如正态） | 快 | 15-20 |
| 中等偏态 | 中等 | 30-50 |
| 极端偏态 | 慢 | 50+ |
- 常见误区：
- 误认为大数定律保证短期结果会"平衡"（赌徒谬误）
- 忽视中心极限定理对样本量的要求
- 在明显非独立数据中错误应用这些定理
# 展示样本量不足时的风险 demonstrate_clt(sample_size=5, num_experiments=1000, distribution='exponential')这个小样本例子清楚地展示了当样本量不足时，样本均值的分布可能还远未接近正态分布。