歡迎來到混亂與秩序交會的前沿。在這張入門幻燈片中，我們從個人不確定性的領域，轉向集體可預測性。 大數法則 是所有極限定理背後的根本直覺，解釋了隨著樣本量增加，個別波動如何「被消除」，使混亂的序列轉變為穩定且確定的訊號。
信噪比（SNR）
為了量化隨機過程的穩定性，我們定義 測量信噪比 為：
$$r = \frac{|\mu|}{\sigma}$$
當我們累積 $n$ 個獨立觀測值時，標準差 ($\sigma$) 的相對影響力會減弱。這使得底層平均值 ($\mu$) 能從雜訊中顯現出來。在工程領域，這正是為什麼平均感測器讀數能從「髒」資料中產生「乾淨」訊號的原因。
魏爾斯特拉斯定理的理論依據
我們為何會期待如此的穩定性？ 分析學中的魏爾斯特拉斯定理 提供了深刻的理論依據。它證明任何連續函數都可以被多項式一致逼近。特別地， 伯恩斯坦多項式 是利用二項平均的邏輯構建而成，顯示出隨機波動的集體行為會收斂至底層的平滑函數。
穩定性的數學表達
穩定性由比例的收斂性來表示。當試驗次數 $n$ 趨向無限大時，試驗與累積和 $S_n$ 之間的關係趨於穩定：
$$r = \lim_{n \to \infty} \frac{n}{S_n} = \frac{1}{\mu}$$
範例：化學反應器監控
考慮一個用來測量化學反應器溫度的感測器。單一讀數因熱波動和電子干擾而極度「雜訊化」。然而，當教師取1,000個讀數的平均值時，個別誤差（隨機性）相互抵消。此過程有效提升了信噪比，將原本「隨機」的單一數據點轉換為真實溫度的「穩定」表示。
🎯 核心原則
大數法則確保即使個別事件無法預測，大量獨立事件的平均值卻高度可預測。雜訊是暫時的；平均值才是永久的。