核心要点
样本均值 x̄ₙ 随 n 增大收敛到总体均值 μ：弱大数定律是依概率收敛，强大数定律是几乎必然收敛
区分 LLN 与 CLT：LLN 说 x̄ₙ 收敛到哪（中心），CLT 说 x̄ₙ 的波动分布（√n 标准化后近正态）
是频率解释概率（频率≈概率）与点估计一致性的理论基础
能举蒙特卡洛：用样本均值估计期望/积分，误差按 O(1/√n) 下降
标准回答
弱大数定律（WLLN）：设 X₁,...,Xₙ i.i.d.，E[Xᵢ]=μ，则对任意 ε>0，P(|X̄ₙ − μ| > ε) → 0 当 n→∞
强大数定律（SLLN）：X̄ₙ → μ 几乎必然（a.s.）
统计意义：
- 频率 ≈ 概率：重复试验中事件频率稳定于真实概率
- 点估计一致性：
X̄ₙ是 μ 的一致估计量 - 蒙特卡洛：用样本均值估计期望（如 π 的随机投点法）
与 CLT 区别：
- LLN：
X̄ₙ收敛到 μ（说中心在哪） - CLT：
X̄ₙ的分布近似正态（说波动多快）
二者互补，共同支撑经典推断。见 概率论基础。
常见误区
⚠️ 常见踩坑
赌徒谬误：以为独立试验中「连续多次反面后该出正面了」——LLN 说的是长期频率趋于 0.5，每次抛掷仍独立且各 50%，不存在短期补偿。另一误区：混淆 LLN 与 CLT——LLN 给收敛点、不给波动幅度；要描述 x̄ 的分布形状与标准误，必须用 CLT。
追问
追问 1：大数定律需要方差有限吗？
弱大数定律通常要求方差有限（或至少 E|X|<∞）。柯尔莫哥洛夫强大数定律条件为 E|X|<∞。重尾分布收敛慢或需更强条件。
追问 2：赌徒谬误和大数定律有关吗？
赌徒谬误误以为独立试验中「该出正面了」——大数定律说的是长期频率，不是短期补偿。每次硬币仍 50%。
追问 3：蒙特卡洛积分误差如何随 n 下降？
标准误通常 O(1/√n)，与 CLT 一致。方差缩减技术（重要性采样、控制变量）可加速收敛，但不改变基本 1/√n 阶（除非用 QMC 等特殊方法）。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。