中心极限定理

玻尔百科

定义

中心极限定理 是概率论与统计学中的一个核心原理，指出大量相互独立且具有相同分布的随机变量之和在样本量增加时趋向于高斯分布，而与原始分布的形式无关。该定理说明了宏观测量的不确定性如何随样本量增加而降低，并为连接微观随机波动与宏观耗散力的涨落-耗散定理奠定了数学基础。

关键要点

中心极限定理指出，大量独立随机变量之和的分布普遍趋向于高斯（正态）分布，构建了从微观随机到宏观规律的桥梁。
通过“averaging”的力量，测量或模拟的平均值不确定性随样本量 N 的平方根成反比减小（ $1/\sqrt{N}$ 法则），这是提高精度的核心。
该定理是统计力学的基石，解释了为何由海量随机运动粒子构成的宏观系统能表现出稳定的压强、温度等性质。
中心极限定理的应用横跨物理、工程与数据科学等领域，但其成立有边界，例如在无限方差情况下可能导致列维稳定分布。

引言

在纷繁芜杂的随机现象背后，是否存在某种普适的秩序？从沙粒汇集成沙丘，到分子碰撞产生稳定的气体压强，无数微观的、不可预测的事件似乎总能共同谱写出宏观的、确定性的规律。这背后隐藏的“指挥家”，正是科学中最深刻的原理之一——中心极限定理（Central Limit Theorem, CLT）。它解决了从微观随机性如何涌现出宏观稳定性的核心问题。本文将带领你深入探索这一定理的魔力。我们将首先揭示其核心概念，理解为何混乱的累加可以导向精确的高斯分布，以及 $1/\sqrt{N}$ 法则如何成为科学家信心的基石。随后，我们将穿越物理学、工程学乃至宇宙学的广阔疆域，见证这一定理在解释噪声、波的干涉、宇宙微波背景辐射等现象中的惊人力量，并最终探讨其适用性的边界，一窥超越高斯分布的奇特世界。

原理与机制

想象一下，你站在海边，看着一粒粒沙子被风吹拂，堆积成一座巨大的沙丘。每一粒沙子的运动轨迹都是随机的、不可预测的。然而，当无数沙粒汇集在一起时，它们却形成了一座形态稳定、轮廓优美的沙丘，其整体行为似乎遵循着某种宏伟的规律。这背后隐藏的，正是我们即将探讨的物理学乃至整个科学中最深刻、最普适的原理之一：中心极限定理（Central Limit Theorem, CLT）。

这个定理讲述了一个关于“聚合”的魔幻故事：大量微小、独立的随机事件累积起来，其总和的效应会呈现出一种惊人的规律性。无论这些微小事件本身遵循何种千奇百怪的概率规则，只要它们数量足够多，它们的总和——无论是总位移、总能量还是总误差——的概率分布都会趋向于一个特定的、无处不在的形状。这个形状就是著名的“高斯分布”（Gaussian distribution），也就是我们常说的“正态分布”或钟形曲线。

P(x) = \frac{1}{\sigma\sqrt{2\pi}} e^{-\frac{(x-\mu)^2}{2\sigma^2}}

这条优雅的曲线，由其平均值 $\mu$ （决定了曲线的中心位置）和标准差 $\sigma$ （决定了曲线的“胖瘦”程度）完全确定。它的美在于，它能从最混乱的随机性中，提炼出最简洁的确定性。中心极限定理就是连接微观随机性与宏观规律性的桥梁。

从混乱到精确： averaging 的力量

让我们从一个非常实际的场景开始。一位实验物理学家正在测量一束能量本应完全相同的μ子，但探测器每次的读数都有细微的随机误差。假设这个误差的来源很“奇特”，它不是钟形的，而是均匀分布在一个区间内——也就是说，落在区间内任何一点的概率都完全相同。单看一次测量，我们能得到的信息似乎很有限，结果有很大的不确定性。

但如果我们进行成百上千次独立的测量，然后取所有读数的算术平均值，奇迹就发生了。中心极限定理告诉我们，这个平均值的分布将不再是那个平坦的“均匀分布”，而是会惊人地收敛到一个高斯分布。这个新的高斯分布的中心，就是那个我们梦寐以求的“真实能量值”，而它的宽度（标准差）则会随着测量次数 $N$ 的增加而减小。

这个现象的背后，是一个极其重要的数学关系。如果单次测量的标准差是 $\sigma_{single}$ ，那么 $N$ 次测量平均值的标准差 $\sigma_{average}$ 将会是：

\sigma_{average} = \frac{\sigma_{single}}{\sqrt{N}}

这个简单的 $\frac{1}{\sqrt{N}}$ 关系，是科学家们信心的基石！它意味着，只要我们有足够的耐心，通过增加测量次数，我们就可以将平均结果的“不确定性”压缩到任意小的范围，从而无限逼近真实值。这就是为什么在计算物理学中，研究者们可以通过增加蒙特卡洛模拟的步数来获得更精确的物理量估计，其统计误差的估计正是基于这一定理。

这个原理的应用无处不在。想象一个微小的花粉颗粒在水中跳着“醉汉之舞”——布朗运动。它的运动轨迹，是无数水分子从四面八方随机碰撞的结果。我们可能永远无法知道每一次碰撞的细节，但中心极限定理允许我们做出精确的预测。经过足够长的时间，粒子总的位移分布，将近似为一个高斯分布。即使存在一个微弱的、持续的外力（比如光学捕获）给这个随机行走带来一点“偏向”，这个结论依然成立。这就像我们在沙丘模型中看到的那样，即使每次事件是离散的“侵蚀”或“沉积”（一个双峰分布），经过成千上万次事件的累积，沙丘总高度的变化也遵循着一个近乎完美的高斯分布。

从微观到宏观：为何世界如此稳定？

中心极限定理最深刻的体现，或许是在统计力学领域。我们身边的宏观世界，如一杯水、一块金属，都是由数量巨大（约 $10^{23}$ 个）的原子或分子组成的。在微观尺度上，每个原子的能量、速度都在剧烈地、随机地涨落。那么，为什么我们感受到的“温度”、“压强”这些宏观量却是如此稳定和确定呢？

答案，正是中心极限定理与 $1/\sqrt{N}$ 法则。一个晶体中的总能量，是其内部所有原子振动能量的总和。单个原子的能量可能遵循某种复杂的分布，有着相当大的标准差 $\sigma_{\epsilon}$ 。但是，当我们考虑整个晶体的“平均每个原子的能量” $\bar{\epsilon}$ 时，它的标准差 $\sigma_{\bar{\epsilon}}$ 就变成了 $\frac{\sigma_{\epsilon}}{\sqrt{N}}$ 。

对于一个宏观物体， $N$ 是一个天文数字。这意味着 $\sigma_{\bar{\epsilon}}$ 小到了几乎可以忽略不计的程度！单个原子的能量在疯狂涨落，但它们的平均能量却被“锁定”在一个极其狭窄的范围内。这正是宏观世界确定性的来源。它解释了为什么一个系统的总磁化强度可以被精确预测，也解释了为何热力学定律如此可靠。这种从微观涨落中涌现出的宏观稳定性，是自然界最壮丽的景象之一。

更进一步，中心极限定理的思想甚至帮助我们理解了涨落与耗散这对看似矛盾的概念之间的深刻联系。在描述布朗运动的郎之万方程中，粒子受到的力有两个部分：一个是来自流体分子的、快速涨落的随机力 $\eta(t)$ ，另一个是与其速度成正比的、平滑的阻力 $-\gamma v(t)$ 。随机力 $\eta(t)$ 本身就是无数次分子碰撞的净效应，根据中心极限定理，我们可以合理地将其模型化为“高斯白噪声”。而通过精妙的推导，物理学家发现，这个噪声的“强度” $\sigma^2$ 与阻力系数 $\gamma$ 以及温度 $T$ 之间存在一个精确的关系： $\sigma^2 = 2 \gamma k_B T$ 。这便是著名的“涨落-耗散定理”。它告诉我们，那个让粒子随机“涨落”的微观机制，与那个使其运动“耗散”掉能量的宏观机制，实际上是同一枚硬币的两面。

规则的边界：当中心极限定理失效时

到目前为止，中心极限定理似乎是无所不能的。但正如所有深刻的物理定律一样，它的伟大之处不仅在于它能解释什么，更在于它的适用边界揭示了更奇特的物理现象。CLT生效的一个关键前提是：构成总和的每一个随机变量，其方差（variance，即标准差的平方）必须是有限的。方差衡量了一个变量偏离其平均值的典型程度。如果方差是无限的，意味着极端“离群值”出现的概率相当高，高到足以破坏中心极限定理的美好秩序。

一个绝佳的例子来自天体物理学。想象一个星团中心的恒星，它受到的总引力是周围所有其他恒星引力的矢量和。引力遵循平方反比定律，即 $F \propto 1/r^2$ 。这意味着，如果有一颗恒星碰巧离中心恒星非常非常近（ $r \to 0$ ），它产生的引力会变得极其巨大。这种“近距离接触”的可能性，导致了单颗恒星引力贡献的方差是无限的！

在这种情况下，总引力的分布不再是高斯分布。偶尔一次的“亲密接触”所产生的巨大引力，会完全主导总和，使得分布出现长长的“重尾”（heavy tails）。这意味着，远超平均值的巨大引力事件发生的概率，比高斯分布预测的要高得多。这种分布被称为“列维稳定分布”（Lévy stable distribution）。有趣的是，其分布宽度的标度行为也变了，它不再随粒子数 $N$ 以 $N^{1/2}$ （即 $\sqrt{N}$ ）增长，而是以 $N^{2/3}$ 的方式增长。

另一个纯粹的数学例子是柯西分布（Cauchy distribution），它的钟形外观很容易与高斯分布混淆，但它天生就具有无限方差。如果你将两个服从标准柯西分布的独立随机变量相加，你得到的不会是更接近高斯分布的“新”变量，而是一个与原来一模一样的标准柯西分布！无论你加多少个，它都“顽固地”保持原样。在这种情况下，要让分布保持不变，其总和的缩放因子不再是 $\sqrt{n}$ ，而是 $n$ 。

这些“失败”的案例，恰恰彰显了科学的严谨与美妙。它们提醒我们，每一个强大的理论都有其边界，而探索这些边界，往往会引导我们发现全新的、更广义的物理和数学结构。中心极限定理的适用范围其实比我们讨论的还要广，例如，它甚至可以放宽到随机变量不完全同分布的情况，只要满足某些条件（如Lindeberg条件），保证没有“单个巨头”能够主宰整个总和即可。

总而言之，中心极限定理是自然界的一条“秩序法则”。它解释了为何在无数混乱的微观事件之上，能够建立起一个可预测、可描述的宏观世界。它既是实验科学家手中的利器，也是理论物理学家洞察自然的慧眼。它展示了简单规则的重复如何能产生复杂的结构，以及普适的规律如何从多样的细节中涌现——这正是物理学最迷人的地方。

应用与跨学科连接

我们刚刚领略了中心极限定理 (Central Limit Theorem) 的数学原理——一个关于大量独立随机变量之和趋向于一种普适形态的惊人论断。但这个定理的真正魅力，远不止于抽象的公式。它像一位隐形的建筑师，在自然界和人类社会的各个角落，用同样的蓝图构建了无数看似迥异的现象。它并非物理学或任何特定学科的“定律”，而是概率本身的内在逻辑，是所有随机过程都必须遵循的“交通规则”。

弱大数定律 (Weak Law of Large Numbers) 告诉我们，随着样本量的增加，平均值会趋于稳定。这很棒，但它只描述了故事的结局。而中心极限定理则向我们揭示了整个故事的情节：它描述了这些平均值在稳定下来之前，是如何围绕着它们的最终归宿——期望值——进行波动的。它描绘了这些波动的“形状”，也就是那条无处不在的钟形曲线，即高斯分布。现在，让我们踏上一段旅程，去看看这位建筑师的杰作。

从随机游走到物理现实

想象一个醉汉在广场上踉踉跄跄地行走。他每一步的方向和长度都毫无规律可言。我们无法预测他下一步会迈向何方，但我们能预测他走了成千上万步之后，离起点有多远吗？出人意料的是，答案是肯定的。中心极限定理告诉我们，尽管每一步都不可预测，但他最终位置的概率分布却会呈现一个清晰的高斯形态。

这个“醉汉游走”模型，看似滑稽，却是理解许多物理现象的钥匙。例如，一个长链高分子，就像一条微观的项链，由成千上万个化学键连接而成。每个化学键的朝向都是随机的，就像醉汉迈出的每一步。那么，这条“项链”的两端相距多远呢？尽管分子链本身在不停地扭动和变化，其端到端距离的概率分布，尤其是在投影到某个坐标轴上时，也精确地遵循高斯分布。正是中心极限定理，将微观层面单个化学键的随机指向，转化为了宏观层面聚合物尺寸的统计规律。这一定理成为了高分子物理学的基石之一。

宇宙的嗡鸣：噪声与涨落

我们生活在一个充满“噪声”的世界里。这里的噪声，不仅仅指声音，而是泛指一切源于大量微观事件叠加而成的随机涨落。中心极限定理正是这些噪声的“谱写者”，它规定了这些涨落的统计“旋律”。

气体的压力与传感器的“呼吸”：你是否想过，房间里空气平稳、均匀的压力，是如何从无数个气体分子狂乱、无序的碰撞中产生的？想象一个极其灵敏的压力传感器，它感受到的力，正是单位时间内无数分子撞击其表面的总冲量。每一次撞击都是一个微小的、随机的事件。中心极限定理告诉我们，这些海量冲量的总和——也就是我们测量的力——将非常接近一个稳定的平均值，这便是我们熟悉的“压力”。但故事并未结束，定理还预言，这个力总会在平均值附近有微小的、高斯形式的涨落。正是这种涨落，揭示了压力背后那个喧闹的微观世界。
电阻的“心跳”：一个普通的电阻，即使在没有外加电流时，其两端也存在着微弱的随机电压。这就是所谓的约翰逊-奈奎斯特噪声 (Johnson-Nyquist noise)。这股“电流”从何而来？它来源于电阻内部无数个电荷载流子（如电子）在热运动中与晶格碰撞，每一次碰撞都会产生一个微乎其微的电压脉冲。这些数不尽的、方向随机的电压脉冲叠加在一起，就形成了我们测量到的宏观电压噪声。中心极限定理再一次登场，它断言这个总电压的分布必然是高斯分布。这可不是什么无关紧要的细节，它是电子学中最基本的噪声来源，决定了所有精密电子仪器（从射电望远镜到手机）的性能极限。
星光的展宽：遥远恒星发出的光，在经过光谱仪分析后，我们看到的并非一条绝对锐利的谱线。由于恒星大气中的原子在做剧烈的热运动，它们相对于我们的视线方向，有的朝我们飞来，有的离我们远去。根据多普勒效应，每个原子发出的光的频率都会有微小的偏移。我们接收到的谱线，正是无数个原子发出的、频率各异的光的叠加。即使我们简化模型，假设每个原子只有两种沿视线方向的速度（向前或向后），中心极限定理也足以告诉我们，大量原子多普勒频移的总和将塑造出一个高斯形状的谱线轮廓。谱线的“宽度”直接反映了恒星大气的温度——这正是天体物理学家测量遥远星辰温度的有力工具。

波的交响：从干涉到斑图

中心极限定理的力量不止于标量的求和。当大量具有随机相位的波叠加时，它同样能够谱写出秩序。此时，“求和”发生在复数平面上，每个波是一个具有随机方向的相量（phasor）。

回声的交响曲：在一个高度混响的房间里（比如浴室或音乐厅），一个单一频率的声音源会产生无数个回声。这些回声经由墙壁、天花板、地板等不同路径的反射，最终汇聚到你的耳朵里。每一束回声的振幅可能相近，但它们的相位却因路径不同而变得随机。在任一时刻，你听到的总声压，就是所有这些回声的叠加。中心极限定理预言，这个叠加波的两个正交分量（可以理解为实部和虚部）将分别服从独立的高斯分布。这直接导致了一个美妙的推论：总声波的振幅大小将遵循一种特定的分布——瑞利分布 (Rayleigh distribution)。这一结论是声学工程和建筑声学设计中的基本常识。
激光的“雀斑”：一束相干性极好的激光，照在粗糙的表面上，反射光会形成一种颗粒状的、随机的亮暗斑点图案，我们称之为“激光散斑”(laser speckle)。这看似“弄脏”了激光的完美，实则是蕴含深刻物理的干涉图样。观察点感受到的总电场，是来自粗糙表面上成千上万个微观散射点的子波的矢量和。每个子波的相位都是随机的。与回声的例子一样，中心极限定理支配着这个矢量和，使得总电场的统计特性变得可知。通过分析散斑图案的统计性质（例如对比度），我们甚至可以反推出关于粗糙表面的信息，或用于高精度的位移测量。

跨越物理学的藩篱：一个普适的组织原则

中心极限定理的惊人之处在于它的“普适性”——它不关心那些随机变量到底是什么。它们可以是原子的速度、光子的相位、也可以是股票的回报率或是算法的误差。

工程、技术与可靠性
- 在无线通信中，一个基站会接收到大量用户手机发出的信号，这些信号对目标通信构成了干扰。工程师如何设计一个能够在“信号的海洋”中可靠工作的系统？他们将总干扰功率建模为所有干扰用户功率的总和。由于用户数量众多且行为独立，中心极限定理使得总干扰功率近似于一个高斯变量，从而让工程师能够精确计算通信中断的概率，并设定合理的系统参数。
- 当效应是相乘而非相加时，CLT是否就无能为力了？例如，光信号穿过一根由 $N$ 段独立光纤熔接而成的长光缆，总的透射率是每一段透射率的乘积。这里有一个绝妙的技巧：取对数！总透射率的对数，变成了每一段透射率对数的和。既然是和，中心极限定理便可大显身手。它告诉我们，总透射率的对数将服从高斯分布。这意味着，总透射率本身服从一种新的、同样重要的分布——对数正态分布 (log-normal distribution)。这极大地扩展了中心极限定理的应用疆域。
预测、金融与数据科学
- 现代机器学习中强大的随机森林（Random Forest）模型，其智慧源于“集体决策”。它通过平均数百棵独立“决策树”的预测结果来得到最终输出。为何这种方法如此有效？模型的总误差，正是所有单个决策树误差的平均值。中心极限定理的核心思想告诉我们，求平均的过程会显著减小误差的方差（其减小的速度与树的数量的平方根成正比）。这使得集成模型的预测远比任何单一成员更稳定、更可靠。
- 在金融领域，“不要把所有鸡蛋放在同一个篮子里”这句古老智慧，其数学基础正是中心极限定理。一个多样化的投资组合，其总回报率是许多不同资产回报率的平均。即使单个资产风险很高（回报率方差大），中心极限定理也表明，一个包含大量独立资产的投资组合的平均回报率，其方差会小得多，从而有效分散了风险。
- 即使是像图像处理这样看似直观的领域，也离不开中心极限定理。当我们从一张照片的某个区域随机抽取一些像素点，来估计这片区域的平均亮度时，我们之所以能信任这个估计值，正是因为中心极限定理保证了样本均值的稳定性。

宇宙大爆炸的回响

现在，让我们把中心极限定理带到它所能想象的最宏大的舞台——宇宙学。

宇宙微波背景辐射 (Cosmic Microwave Background, CMB) 是宇宙大爆炸留下的“余晖”，其温度在整个天空中惊人地均匀。然而，其中存在的亿万分之一量级的微小涨落，却包含了宇宙起源的秘密，是今天所有星系和星系团的“种子”。一个主流的宇宙学模型（暴胀理论）认为，这些温度涨落源于宇宙极早期大量独立的量子涨落的叠加。为什么最终观测到的CMB温度涨落分布图谱如此接近一个完美的高斯分布？中心极限定理在这里扮演了核心角色。它将概率论的基本法则与宇宙最本初的结构联系在了一起，我们的宇宙本身，似乎就是中心极限定理的一个宏伟例证。

一个有边界的定律：近似有多好？

最后，让我们以一种真正科学的精神来审视中心极限定理本身。它是一个“渐近”定理，意思是它只在随机变量数量趋于无穷大时才严格成立。那么在现实世界中，当我们处理的是有限个、哪怕是数量庞大的变量时，高斯近似的精度究竟如何？

这时，一个更精细的定理——贝里-埃森定理 (Berry-Esseen theorem)——为我们提供了答案。它给出了真实分布的累积分布函数与标准正态分布函数之间差异的“误差上限”。这个上限告诉我们，中心极限定理的近似误差，会随着样本量的平方根（ $1/\sqrt{n}$ ）而减小。同时，误差还取决于单个随机变量分布的“偏斜”或“不对称”程度（用三阶矩来衡量）。贝里-埃森定理将中心极限定理从一个定性的哲学描述，提升为了一个可用于工程计算的定量工具。它让我们不仅知道定律在说什么，更让我们知道了在多大程度上可以信赖这个定律。

从醉汉的脚步到宇宙的诞生，从电阻的噪声到算法的智慧，中心极限定理如同一根金线，将这些看似无关的珍珠串联在一起，向我们展示了深藏在随机性之下的、令人惊叹的秩序与和谐。

动手实践

练习 1

中心极限定理的一个最直观的应用，是连接微观世界的随机性与宏观世界的确定性。考虑一个装满气体分子的容器：虽然我们无法预测单个分子的确切位置，但中心极限定理使我们能够精确地预测大量分子在宏观尺度上的集体行为。这个练习将通过一个理想气体模型，让你亲手计算这种由微观随机性涌现出的宏观稳定性。

问题: 一个密封的微腔室包含大量无相互作用的气体分子， $N = 1.60 \times 10^{7}$ ，处于热平衡状态。一个隔板在概念上将腔室分成相等的两半，左半部分和右半部分。我们关心的是任意时刻位于腔室左半部分的分子数 $n_L$ 。

估计在左半部分发现的分子数在 $8,002,000$ 到 $8,004,000$ 之间（含两端）的概率。

给定标准正态分布 $\mathcal{N}(0,1)$ 的累积分布函数 (CDF) 的以下值，记为 $\Phi(z) = P(Z \le z)$ ： $\Phi(1.00) = 0.8413$ $\Phi(2.00) = 0.9772$

将您的数值答案表示为保留三位有效数字的小数。

显示求解过程

练习 2

中心极限定理的威力远不止于处理类似抛硬币的简单二项分布。事实上，只要满足某些条件，即使单个随机事件本身不服从正态分布，它们的总和也趋向于正态分布。本练习将带你分析宇宙射线μ子的到达时间，该时间间隔遵循指数分布，通过这个例子，你将看到中心极限定理如何应用于非高斯随机过程的求和问题，这在粒子物理和核衰变等领域非常常见。

问题: 一位天体物理学家正在分析来自一个深地μ子探测器的数据。μ子的到达被建模为一系列随机、独立的事件。任意两次连续μ子探测之间的时间间隔是一个随机变量，服从平均时间为 $\tau = 2.00$ 秒的指数分布。

实验设定为一直运行，直到总共探测到 $N=144$ 个μ子为止。计算记录所有 $N$ 个事件所经过的总时间大于300秒的概率。

为了方便您的计算，现给出一个关于标准正态变量 $Z \sim \mathcal{N}(0, 1)$ 的累积分布函数的关系式。概率 $P(Z \le z)$ 可以通过公式 $P(Z \le z) = \frac{1}{2}(1 + \text{erf}(z/\sqrt{2}))$ 与误差函数 $\text{erf}(x)$ 联系起来。您可以使用近似值 $\text{erf}(1/(2\sqrt{2})) \approx 0.3829$ 。

将您的答案表示为小数形式，并四舍五入到四位有效数字。

显示求解过程

练习 3

深刻理解一个科学定律，不仅要知其然，还要知其所以然，更要了解其局限性。标准的中心极限定理在什么情况下会失效？本练习将引导你探索这个问题，通过一个被称为“反常扩散”的物理模型，其中单个事件（位移）由一个具有“重尾”的Lévy稳定分布描述。你将发现，即使总和不收敛于正态分布，它仍然可能收敛到其他稳定的形式，这揭示了广义中心极限定理的重要性。

问题: 一位物理学家正在为一个表现出异常扩散（通常称为“超扩散”）的一维输运过程建模。在这个模型中，一个粒子经历一系列独立同分布的随机位移。每次独立位移的长度 $X_i$ 均从一个对称 Lévy α-稳定分布中抽取。这种分布的一个关键特征是其“重尾”，这意味着虽然大位移很罕见，但其发生的概率比在高斯过程中要显著得多。

对于大多数 $\alpha$ 值，单步位移 $X$ 的概率分布无法用简单的闭合形式表示，但它由其特征函数 $\phi_X(k) = E[\exp(ikX)]$ 唯一确定，其形式为： $\phi_X(k) = \exp(-c|k|^{\alpha})$ 在此， $k$ 是傅里叶空间变量， $c$ 是一个代表位移尺度的正常数， $\alpha$ 是稳定性参数，其范围限制在 $0 < \alpha < 2$ 。 $\alpha=2$ 的情况对应于高斯分布，但我们这里严格关注的是 $\alpha < 2$ 的情况。

考虑粒子在 $N$ 步后的总位移 $S_N = \sum_{i=1}^{N} X_i$ 。根据广义中心极限定理，在 $N \to \infty$ 时，适当缩放后的和会收敛到一个特定的极限分布。在步数非常大的极限下，下列哪个陈述正确地描述了缩放和 $Y_N = S_N / N^{1/\alpha}$ 的概率分布？

A. $Y_N$ 的分布趋近于高斯分布，无论 $\alpha$ 的值是多少。

B. $Y_N$ 的分布是一个对称 Lévy α-稳定分布，其稳定性参数等于原始的 $\alpha$ 。

C. $Y_N$ 的分布是一个对称 Lévy α-稳定分布，其稳定性参数趋近于 $2$ 。

D. $Y_N$ 的分布趋近于一个有限区间上的均匀分布。

E. $Y_N$ 的分布不会收敛到一个稳定的、定义明确的分布。

显示求解过程