1. 一个具体问题

抛硬币十次出现七次正面，并不稀奇。但如果抛十万次，还能把正面比例为七成仅仅归结为随机波动吗？我们需要一个依据，说明重复观察为何有助于估计稳定概率，同时也要知道“重复得多”究竟保证了什么。

2. 一句话解释

在相应条件下，独立重复观测的平均值会随着样本增多而接近总体期望。

3. 出处与原意

大数定律有多个数学版本，历史上可追溯到 Bernoulli 对重复试验的研究。弱大数定律讨论依概率收敛，强大数定律讨论几乎必然收敛，两者都不是“试验次数大于某个数后再也不会偏离”。MIT 的概率课程对这些不同收敛概念有明确区分。

4. 原理与机制

最常见的入门情形是独立同分布、具有有限期望的随机变量。若进一步假设方差有限，样本均值的方差为 σ²/n，标准差为 σ/√n。这个关系说明平均值的波动减小，也说明收集十倍数据并不会自动让误差缩小十倍。数据间的相关性、分布变化和系统性偏差，都可能破坏简单计算。

应把观察次数与有效信息量区分开。同一台故障设备一分钟内重复上报一万条日志，并不等于独立抽查一万台设备。如果样本来自某个特殊班次或地区，数量再大，也可能只准确地描述那个局部。开始扩大样本之前，先确认抽样对象与真正关心的总体一致。

5. 一个完整案例

假设案例：某稳定生产过程的产品缺陷概率为 2%。独立抽检 100 件时，缺陷比例的标准差约为 √(0.02×0.98/100)=1.4 个百分点；抽检 10000 件时约为 0.14 个百分点。大样本让比例更稳定，却不会保证正好发现 200 件缺陷。如果抽检只发生在最好的班次，得到的稳定比例仍可能偏低，因为抽样对象已经发生变化。

6. 适用条件与反例

该定律支持长期统计与抽样估计，但不意味着之前的偏差必须被之后反方向的结果“还回来”。公平硬币连出十次正面，下一次仍有一半概率为正面；累计比例可以靠分母增长趋近一半，无须额外的反面补偿。面对无限期望的重尾分布，或持续改变规则的过程，也不能直接套用常见版本。

7. 今天可以尝试的行动

检查一个日常指标：记录样本量、抽样方式和观察窗口。把“数据很多”拆成三个问题：观察是否独立、来自的过程是否稳定、是否遗漏某类样本。先解决其中最薄弱的一项，再决定是否增加样本。

8. 参考资料与关联条目