1. 引言：赌场的期望收益与波动

短期内玩家也可能赢得大笔金钱。在规则固定的模型下，汇集大量独立的押注，可以让平均收益接近期望值。大数定律支持这种思路，但不保证赌场在有限期间内获利，也不保证其经营成功。

本文将全面解析概率论中最基本且最重要的定理“大数定律”，从直观理解到严格的数学定义。此外，我们还将深入探讨日常中的误解以及它在社会中的应用。

2. 什么是大数定律？

大数定律（LLN）指出：对于满足 \(E[|X_1|]<\infty\) 的独立同分布随机变量，样本均值收敛于其期望。对于事件的0–1指示变量，观测到的相对频率趋近事件的概率。并不是事件本身的概率随着试验而改变。

想象一下抛硬币。正面朝上的概率是 \(1/2\)（\(50\%\)）。但是，仅仅抛10次，并不意味着一定会有5次正面、5次反面。有时可能会有7次正面，或者只有2次。 对于独立的公平硬币投掷，正面比例以概率1收敛到50%。这不保证有限次投掷后恰好达到50%，也不保证误差每一步都减小。

  graph TD
    A["试验次数少"] -->|"结果高度分散"| B["偏离理论值"]
    C["试验次数多"] -->|"结果收敛"| D["趋近理论值"]
    B --> E["短期运气（赌徒视角）"]
    D --> F["满足条件时的长期稳定"]

这种“短期波动”与“长期稳定”之间的差距正是概率的本质，也是人类直觉上容易误解的地方。

3. 赌场优势与平均收益

赌场优势（House Edge）是赌场的期望利润占押注金额的比例。这里考虑理想的美式轮盘：1至36、0和00共38个槽，每个槽出现的概率相同。

如果你押注“红色或黑色”，中奖的概率是 \(18/38\)（约 \(47.37\%\)）。虽然赔率是1赔1（赢了得2倍），但由于胜率低于 \(50\%\)，单次押注的期望值为负。

也就是说，平均每押注1美元，玩家将损失约 \(5.26\) 美分。 在各次旋转独立、每次以相同金额押红色的模型下，赌场每次押注的平均利润以概率1收敛到押注金额的 \(1/19\approx5.26\%\)。这不表示总利润收敛，也不保证有限次押注后盈利。经营费用、金额差异和资金约束需要另行考虑。

  sequenceDiagram
    participant P as "玩家"
    participant C as "赌场"
    P->>C: "单次押注（运气成分大）"
    C-->>P: "输赢的波动（短期）"
    loop "数万次试验"
        P->>C: "持续押注"
        C-->>C: "每次押注的平均利润趋近期望"
    end
    C-->>C: "有限期间仍可能亏损"

4. 大数定律的数学定义

根据收敛强度的不同，大数定律分为 大数弱定律 （Weak Law of Large Numbers, WLLN）和 大数强定律 （Strong Law of Large Numbers, SLLN）两种。其严格的数学表述如下。

4.1. 大数弱定律 (WLLN)

弱定律基于“依概率收敛”的概念。 设 \(X_1,X_2,\dots\) 独立同分布（i.i.d.），满足 \(E[|X_1|]<\infty\)，且 \(E[X_1]=\mu\)。对样本均值 \(\bar{X}_n=\frac{1}{n}\sum_{i=1}^n X_i\)，任意 \(\epsilon>0\) 都有：

这意味着“随着样本量 \(n\) 的增大，样本均值偏离真实期望值超过 \(\epsilon\) 的概率趋近于 \(0\)”。

4.2. 大数强定律 (SLLN)

强定律基于更强的“几乎处处收敛（以概率1收敛）”的概念。

弱定律指出，对足够大的各个n，误差超过固定容限的概率趋小。在相同的独立同分布与可积条件下，强定律指出，整列样本均值收敛于期望的事件具有概率1。概率为0的例外仍可能存在；两者均不保证有限次试验后恰好等于理论值，或此后一直盈利。

4.3. 利用切比雪夫不等式证明弱定律

这里额外假设方差有限，即 \(\sigma^2<\infty\)，再用切比雪夫不等式证明弱定律。独立同分布情形下，弱定律本身并不要求方差有限。 设随机变量 \(Y\) 的期望值为 \(\mu_Y\)，方差为 \(\sigma_Y^2\)，则切比雪夫不等式表示为：

这里令 \(Y = \bar{X}_n\)。若每个 \(X_i\) 的方差为 \(\sigma^2\)，则样本均值 \(\bar{X}_n\) 的方差为 \(\sigma^2 / n\)。 将其代入切比雪夫不等式：

当 \(n \to \infty\) 时，右边趋近于 \(0\)。因此，左边的概率也收敛于 \(0\)，从而证明了弱定律。

5. 赌徒谬误（Gambler’s Fallacy）

由于对大数定律的误解，产生了一个著名的心理偏差，即 赌徒谬误 。

当在轮盘赌中看到“红色”连续出现10次时，许多人会想“接下来该出黑色了”。这种错误推理基于“根据大数定律，红黑的比例应该收敛于 \(50\%\)，因此为了抵消之前的偏差，黑色出现的概率会增加”。

对旋转相互独立的理想38槽轮盘，无论过去结果如何，下次出现红色和黑色的概率各为 \(18/38\)。由于存在0和00，两者的极限比例都不是50%。大数定律不意味着有某种力量抵消过去的偏差，也不会改变下一次结果的概率。

6. 使用Python进行模拟

让我们实际使用编程来可视化大数定律。我们将模拟掷骰子，观察掷出的点数平均值如何收敛于期望值3.5。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

import numpy as np
import matplotlib.pyplot as plt

# 模拟参数
n_trials = 10000  # 试验次数
expected_value = 3.5  # 骰子点数的期望值

# 随机生成1到6的点数
np.random.seed(42)
rolls = np.random.randint(1, 7, size=n_trials)

# 计算累计平均值
cumulative_average = np.cumsum(rolls) / np.arange(1, n_trials + 1)

# 绘制结果
plt.figure(figsize=(10, 6))
plt.plot(cumulative_average, label=r"$\bar{X}_n$", color="blue", alpha=0.7)
plt.axhline(y=expected_value, color="red", linestyle="--", label=r"$E[X]=3.5$")
plt.title(r"$\bar{X}_n$")
plt.xlabel(r"n")
plt.ylabel(r"$\bar{X}_n$")
plt.legend()
plt.grid(True)
plt.show()

此示例展示累积均值在3.5附近波动。有限次模拟可帮助形成直觉，但不是定理的证明。均值在过程中也可能远离期望，并不一定恰好等于3.5。

7. 大数定律不成立的情况：柯西分布

大数定律并非万能。它的一个前提条件是“期望值（均值）必须是有限的”。 柯西分布没有有限的绝对期望，均值未定义；这并不等于均值是正无穷大。它的二阶矩为无穷大，也没有通常意义下的有限方差。

独立标准柯西变量的样本均值对每个 \(n\) 仍服从标准柯西分布，因此不依概率收敛到常数。对真实数据，不能仅凭重尾就断言大数定律失效，应检查可积性、依赖关系等模型条件。

8. 在现实社会中的应用实例

大数定律不仅用于赌场，还被广泛应用于支撑我们社会根基的各种系统中。

8.1. 保险业务

保险中，多份合同的平均损失有助于预测总体风险。但合同数量本身不保证高精度；模型还需考虑共同灾害、损失之间的相关性、群体差异，以及损失分布或制度的变化。

8.2. 统计质量控制

在工厂的产品制造中，从成本和时间的角度来看，对所有产品进行全数检查往往是不可能的。因此，会随机抽取一部分产品（样本）进行检验，并根据结果推算整体的不良品率。在这里，大数定律同样是根据样本推断总体性质的强有力依据。

8.3. 机器学习与大数据

机器学习中，对于固定模型，如果损失独立同分布且可积，大数定律可以支持观测平均损失趋近期望损失。从训练数据中选择模型后的泛化还需要额外论证。增加数据量本身不能消除抽样偏差、分布变化或模型设定错误。

9. 结语

大数定律是我们理解高度不确定性世界、做出合理决策的强大工具。从赌场的盈利结构，到保险、AI技术，这一定律在现代社会的各个角落都在安静而确实地发挥着作用。

下次再掷硬币或掷骰子时，不妨想想每一次偶然背后隐藏的宏大而美丽的数学定律。不再因短期的运气而患得患失，拥有长远的眼光，或许会让这个世界在你眼中变得有些不同。

参考资料

• MIT 18.05: Central Limit Theorem and the Law of Large Numbers
• Mathlib: The strong law of large numbers
• MIT: Cauchy Distribution