解释钟形曲线无处不在的数学原理

中心极限定理最初只是18世纪赌徒们的小窍门，如今却成为科学家们日常研究的必备工具。

正是中心极限定理，让钟形分布在各个领域随处可见。

图源：Irene Pérez

作者：Joseph Howlett（量子杂志特约撰稿人）2026-3-16

译者：zzllrr小乐（数学科普公众号）2026-3-26

引言

无论放眼何处，钟形曲线总在身边。

每次下雨时在院子里放一个量杯，记录雨停时的水位高度，所得数据会符合钟形曲线；收集 100 个人对罐中软心糖豆数量的猜测，结果也会呈现钟形曲线；测量足够多女性的身高、男性的体重，统计 SAT 考试分数、马拉松完赛时间 —— 你总会得到那条边缘逐渐收窄、中间圆润隆起的平滑曲线。

为何钟形曲线会出现在如此多的数据集中？

答案归根结底是中心极限定理（central limit theorem）。这一强大的数学规律在初学者眼中往往不可思议，如同大自然的魔术。华盛顿大学的生物统计学家 Daniela Witten 表示：“中心极限定理极为神奇，因为它完全违背直觉、出人意料。” 借助这一定理，看似最随机、最无法捉摸的混沌现象，也能展现出极具规律性的可预测性。

如今，它已是现代实证科学的重要支柱。科学家几乎每次通过观测数据推导世界规律时，研究方法中都暗藏中心极限定理的身影。没有它，科学便难以满怀信心地对任何事物下结论。

卡内基梅隆大学的统计学家 Larry Wasserman 称：“没有中心极限定理，统计学领域恐怕都无法存在，它就是一切。”

从博弈中诞生的科学规律

人类对随机现象中规律性的探索始于赌博研究，这或许并不令人意外。

18 世纪初的伦敦咖啡馆里，亚伯拉罕・棣莫弗（Abraham de Moivre）的数学天赋早已显露无遗，艾萨克・牛顿（Isaac Newton）、爱德蒙・哈雷（Edmond Halley）等同时代学者都认可他的才华。

亚伯拉罕・棣莫弗（Abraham de Moivre，1667 - 1754）

图源：Joseph Highmore (1736)

De Moivre 是英国皇家学会会员，却也是一名难民 —— 年轻时因法国的反新教迫害，他被迫逃离故土。作为外来者，他始终无法获得与才华匹配的稳定学术职位，为了糊口，他成为赌徒们的数学顾问，为他们寻找博弈中的数学优势。

抛硬币、掷骰子、抽扑克牌，这些都是随机行为，每种结果出现的概率均等。而 De Moivre 发现，将大量随机行为结合起来，最终结果会呈现出稳定的规律。

将一枚硬币抛掷 100 次，统计正面朝上的次数，结果大概在 50 次左右，却并非精准的 50 次；重复 10 次这个实验，可能会得到 10 个不同的数值。

但如果将这个实验重复 100 万次，绝大多数结果都会接近 50 次，几乎不会出现少于 10 次或多于 90 次的情况。若把 0 到 100 之间每个数值出现的次数绘制成图，你会看到经典的钟形曲线，50 次正是曲线的中心。实验重复的次数越多，钟形曲线就会越平滑、越清晰。

De Moivre 推导出了这条钟形曲线的精确形态，这一分布后来被命名为正态分布（normal distribution）。借助正态分布，无需实际进行实验，就能推算出不同结果出现的概率。例如，抛 100 次硬币，正面朝上次数在 45 到 55 次之间的概率约为 68%。

De Moivre 带着近乎虔诚的心情，惊叹于这种 “宇宙中永恒的秩序”—— 它最终能克服一切偏离钟形曲线的不规则现象。他写道：“假以时日，这些不规则现象与这种源于固有设计的秩序的反复出现相比，便会显得微不足道。”

1718 年首次出版的《机会论》The Doctrine of Chances是概率论领域的第一本教科书，1738 年的第二版中，收录了为中心极限定理奠定基础的研究成果。

De Moivre 凭借这些研究成果在伦敦勉强维持生计：他撰写的《机会论》成了赌徒们的 “圣经”，还在著名的老斯劳特咖啡馆开设了非正式的咨询时段。但即便如此，De Moivre 也未能意识到自己发现的全部价值。直到他去世数十年后，皮埃尔-西蒙·拉普拉斯（Pierre-Simon Laplace，1749 - 1827）在 1810 年进一步发展了这一思想，中心极限定理的完整内涵才得以被揭示。

我们再举一个比抛硬币稍复杂的例子：掷骰子。单次掷骰子有 6 种等概率的结果，若反复掷骰子并统计结果，会得到一条平坦的分布图 —— 点数 1、2、4、6 出现的次数大致相等。

但如果将骰子掷 10 次并计算平均值，结果大概率在 3.5 左右；多次重复这一实验并将所有结果绘制成图，会得到一条以 3.5 为峰值的钟形曲线，曲线两侧的形态也有着精确的规律。

这就是中心极限定理的魔力：从毫无规律的随机结果分布（掷出 1 到 6 点的概率均等）出发，通过对多次观测结果取平均值，并反复进行这一过程，就能得到精准、可预测的数学形态 —— 钟形曲线。

Laplace 将这一规律提炼为一个简洁的公式，这便是后来的中心极限定理。无论随机过程多么无规律，即便根本无法建立模型，大量结果的平均值都会遵循这一定理所描述的分布。Witten 说：“这一定理的强大之处在于，我们无需关注被取平均值的变量本身遵循何种分布，唯一关键的是，平均值本身会服从正态分布。”

无处不在的实用工具

取平均值看似是人类主动进行的计算行为，但中心极限定理却会无形地作用于世间所有可观测的现象，比如人类的身高。多伦多大学的统计学家 Jeffrey Rosenthal 解释道：“一个人的身高可能受父亲身高、母亲身高、基因、营养状况等诸多微小因素的共同影响，而这些因素彼此独立 —— 通常来说，父亲的身高和一个人摄入的食物毫无关联。这就相当于对一系列微小影响取平均值，这也是身高大致遵循正态分布的原因。”

这也是各类数据集会自发呈现出这一优美形态的根源。Witten 表示：“只要背后存在取平均值的过程，且参与平均的变量足够多，最终结果就会服从正态分布。”

华盛顿大学生物统计学家丹妮拉・威滕（Daniela Witten）

图源：Elizar Mercado

中心极限定理还能让统计学家发现异常现象。试想，你正在老斯劳特咖啡馆喝咖啡，一位客人递给你一枚硬币，打赌你抛 100 次硬币正面朝上的次数达不到 45 次。你尝试后，只得到了 20 次正面朝上的结果。如何判断对方给的是一枚做了手脚的硬币，且整个过程并非真正的随机？借助中心极限定理可知，20 次及以下的结果仅占钟形曲线下面积的 0.15%，也就是说，一枚公平的硬币出现这样结果的概率只有 0.15%，你几乎肯定被算计了。

这正是 Laplace 提出的公式的真正威力：他发现，对任意过程取平均值都会得到钟形曲线，即便不深入了解过程本身的运作原理，也能借助这一规律对过程做出判断。

谨慎使用

尽管中心极限定理是现代科学的核心，但它也有自身的局限性。它仅适用于大量独立样本的组合分析，若样本不独立 —— 例如，仅在缅因州的一个小镇开展全国总统大选民意调查 —— 即便重复实验，结果也无法接近预期的钟形曲线。

在科学研究中，有时异常值比平均值更重要。威廉姆斯学院的应用统计学家 Richard D. De Veaux 表示：“原本百年一遇的洪水，如今发生的频率越来越高。如今，对极端事件的建模可能和对平均值的建模同等重要。”

幸运的是，中心极限定理背后的核心思想 —— 平均值的有效性和稳定性 —— 已被广泛应用，极大拓展了统计学的应用范围。统计学家会针对研究中遇到的具体问题，构建适用于该场景的中心极限定理变体。Wasserman 说：“许多复杂问题，只要思路巧妙，都能转化为样本均值加误差的形式，这时就能借助定理的变体简化问题。”

中心极限定理最终能成为现代科学的支柱，本质上是因为它本身就是我们所处世界的支柱。当我们整合大量独立的观测数据时，数据会呈现出聚集性规律；只要善于运用这一规律，我们就能从这些规律中，探寻到产生这些数据的背后过程的奥秘。

参考资料

https://www.quantamagazine.org/the-math-that-explains-why-bell-curves-are-everywhere-20260316/