数学轶事：解析“概率收敛”被忽视的现实前提。
前言 一次产品迭代后，增长团队兴奋地说：“再多放点量，指标会按大数定律收敛。”两周过去，转化率越看越飘。复盘时才发现：样本在变、用户在变、测量口径也在变。看似铁律的“概率收敛”，常在现实里被前提条件悄悄掏空。本文用一个小小轶事，拆开这层滤镜。
在教科书里，概率收敛保证随着样本增大，统计量靠近真值，是大数定律与中心极限定理的舞台。但它从不是魔法，而是建立在一组脆弱却关键的假设上。忽略它们，收敛就会像海市蜃楼。
那些容易被忽视的前提
- 独立同质样本（i.i.d.）：A/B测试流量若受推荐系统或社交扩散影响，样本并不独立；早期与晚期用户也未必同分布。
- 有限方差：重尾分布下（如客单价呈帕累托尾），均值收敛极慢，置信区间膨胀，短期结论常被极端值左右。
- 稳态环境：若存在概念漂移（算法改版、渠道切换、节日效应），“真值”本身在移动，统计量只能追逐影子。
- 口径一致与无截尾：埋点更改、迟到数据、风控拦截会让样本被系统性地删改；这不是噪声，而是偏差。
- 有效样本量：自相关会显著降低信息量。时间序列里的一万条相关日志，可能只抵得上一千个独立观测。
案例一瞥 团队把新增预算投向高客单价渠道，平均收益似乎“收敛上升”。但分层后发现，新渠道带来的是极少数“大单”与大量“零单”，收益分布呈重尾，中位数不升反降。若以均值判优，结论被少数极端值劫持；改用截尾均值/加权中位数并做置换检验，优势不再显著。这个例子不是推翻概率收敛，而是提醒：换一套更稳健的统计量，收敛才有现实意义。
如何在现实中让“收敛”真正可信
- 先做分布探查：查看尾部厚度与偏度，必要时用Winsorize、截尾均值或分位数回归替代均值。
- 检验独立性与稳态：用自相关图/单位根检验识别依赖与非平稳，对比前后期分布漂移（PSI、能量距离）。
- 分层与配对：按渠道、区域、用户画像分层估计，或用配对差分减少混杂。
- 估计有效样本量：在功效分析中引入相关性与方差膨胀，把“看起来很多”的样本换算成“真正有效”的样本。
- 蒙特卡罗校准：基于业务假设模拟数据，验证指标在给定依赖与重尾下的收敛速度与区间覆盖率。
当我们把这些前提像安全带一样系好，概率收敛不再是口号，而是可被检验、被校准、被落地的工程准则。真正的“数学轶事”，恰恰在于：那些看似显然的定理，只有在与现实的粗粝摩擦过后，才会发出可靠的光。
