当中心极限定理（CLT）不适用时，是否存在对应的“中心分布”？

嘿，这个问题问得相当有意思！先快速复盘下咱们熟悉的经典中心极限定理（CLT）：当从分布$f$中抽取i.i.d.（独立同分布）样本，且分布的均值和方差都有限时，样本均值会依分布收敛到正态分布。但当这些前提条件不满足时，确实存在其他类型的“中心分布”——也就是标准化后的样本统计量（比如样本均值）会收敛到的非正态极限分布。

下面给你拆解几种常见的场景：

• 稳定分布（Stable Distributions）：正态分布其实就是稳定分布的一个特例。当你从非正态的稳定分布中抽取i.i.d.样本时，标准化后的样本均值会收敛到同一类型的稳定分布。最经典的例子就是柯西分布：它的均值和方差都不存在，完全不符合CLT的前提，但柯西分布的样本均值依然服从柯西分布，属于稳定分布家族的一员。这类分布的核心特性是“自相似性”——它们的线性组合依然属于同一分布族。

• 重尾分布的极限情况：对于一些方差不存在但均值存在的重尾分布（比如某些参数下的帕累托分布），标准化后的样本均值会收敛到α-稳定分布（其中$0<α<2$）。这类场景下CLT失效，但依然有明确的极限分布，只是不再是正态分布。

• 非独立同分布的特殊场景：如果样本不是i.i.d.的——比如存在相依性，或者不同样本的分布差异较大——CLT可能不适用，但也可能存在其他极限分布。比如在混合分布的场景中，标准化样本均值可能收敛到混合正态分布，或者其他具有明确形式的分布。

当然，也不是所有CLT不适用的情况都有清晰的“中心分布”：如果样本的依赖结构过于复杂，或者矩的条件完全不满足，可能根本不存在收敛的极限分布，或者极限分布没有解析形式。

内容的提问来源于stack exchange，提问作者user56834