傅里叶根本不在信号里
前十八章的横轴一直是时间或者位置，很容易让人以为这是一门关于「波」的手艺。这一章走出去。你会看到同一台机器在概率论里一行证完中心极限定理，在物理实验室里由自然界亲自执行，在量子计算机里找出一个周期——而它的入场券从头到尾只有四个字。
拿一个均匀分布（比如 0 到 1 之间的随机数），让 n 个独立的这种随机数相加，看看和的分布长什么样。统计课上说，n 大了就会趋近正态分布，经验法则是「n ≥ 30」。
问：实际上呢？把「和的分布」与「同均值同方差的正态分布」逐点比，最大偏差相对峰值有多少？
一、概率论：一行证明中心极限定理
这本书前面两章已经把所有零件备齐了，这里只需要把它们摆一起：
1. 两个独立随机变量**相加**，密度是两个密度的**卷积** ← 第 13 章
2. 卷积在频域里是**相乘** ← 第 14 章
3. 概率密度的傅里叶变换有个名字，叫**特征函数** φ(t)
于是：n 个独立同分布的变量相加 → 特征函数变成 φ(t)ⁿ
4. 任何一个特征函数在 t=0 附近都长这样（把 e^(itx) 展开取期望）：
φ(t) = 1 + iμt − (σ²+μ²)t²/2 + …
取 μ=0、σ=1（标准化），就是 φ(t) ≈ 1 − t²/2 + …
5. 把 n 个标准化之后的加起来（除以 √n 保持方差）：
n
( 1 − t²/2n ) → e^(−t²/2) n → ∞
这一步就是那个人人见过的 (1 + x/n)ⁿ → eˣ。
6. 而 e^(−t²/2) 逆变换回去，正是**高斯**。
中心极限定理不是关于「随机」的定理，是关于「反复相乘」的定理。
看第 5 步：无论原来的分布多古怪，它的特征函数在 0 附近总是 1 减去一个二次项（这只需要方差存在）。而一个略小于 1 的数自乘 n 次，会把除了顶点附近之外的一切压成零——n 次方这个动作把所有分布的差异碾平了，只剩下顶点附近那个二次项。
而「顶点附近是二次的」这件事逆变换回去，就是高斯。高斯之所以特殊，是因为它是这个「反复相乘」过程的不动点（第 10 章说过：高斯的傅里叶变换还是高斯）。
本机把它量了出来。均匀分布反复卷积，每一步都和同均值同方差的高斯逐点比：
相加的个数 n 与高斯的最大偏差（相对峰值）
──────────────────────────────────────────
1 68.802% ← 就是一个方块，当然不像
2 7.592% ← 卷一次就成了三角形，已经很像了
3 6.385%
4 3.648%
5 3.186%
6 2.580%
──────────────────────────────────────────
n = 2 就只差 7.6%。那条「n ≥ 30」的经验法则不是这么来的——它是为了兼容那些偏得很厉害或者尾巴很重的分布（收敛速度由三阶矩决定，这叫 Berry–Esseen 定理）。对一个对称的、有界的分布，两三个就够了；对一个重尾分布，三万个都不够（如果方差不存在，永远不够）。
这也解释了一个常见的观察：为什么现实世界里高斯分布到处都是？因为凡是「很多个小的、独立的东西加起来」的量，都逃不掉第 5 步那个碾压。测量误差、身高、噪声——不是它们本身有什么高斯的性质，是「相加」这个动作的性质。
二、物理：这一次是自然界在算
这一节是这本书最深的一层。前面所有地方，傅里叶变换都是我们用来分析数据的工具。而在这里，没有人在算它，是物理本身在算。
远场衍射图样，就是孔径的傅里叶变换。光穿过一个开口，落在很远处的屏幕上，那个明暗图案的数学形式，严格地就是开口形状的二维傅里叶变换。
- 双缝：两条缝的傅里叶变换是一个余弦，所以屏上是等间距的条纹。本机按 λ = 633 nm（氦氖激光）、缝距 d = 0.5 mm、屏距 L = 2 m 算：条纹间距 2.53 mm。
- 单缝：一个矩形的傅里叶变换是 sinc——所以单缝衍射图样中间一个亮的宽条，两边一串越来越暗的次级条纹。那正是第 8 章矩形窗的旁瓣，只不过这次你能用眼睛直接看见。
- 圆孔：变换是贝塞尔函数，图样是一个亮盘加一圈圈环，叫艾里斑。这就是所有望远镜和相机镜头分辨率的极限——第 10 章那条不等式的光学版本。
晶体更彻底：一块晶体是电子密度在三维空间里的周期重复，它的傅里叶变换因此是一组离散的点。X 射线打上去，底片上就是那组点。本机按硅的 (111) 面间距 2.82 Å、铜靶 Kα 1.54 Å 算布拉格角：15.8°。
整个结构生物学就架在这上面。1952 年 Franklin 拍下的「51 号照片」上那个 X 形的图案，是 DNA 双螺旋的傅里叶变换——螺旋的变换正好是 X 形，而 X 的张角直接给出螺距与半径之比。Watson 和 Crick 要做的，是把它逆变换回去。
而这里有一个第 4 章埋下的钉子：底片只记录强度，也就是幅度的平方。相位在测量的那一刻就永久丢失了。而第 4 章那个实验说明，内容主要在相位里。这就是晶体学的「相位问题」，一个折磨了这个领域半个多世纪、拿了好几次诺贝尔奖去解决的难题。
三、算法：Shor 用它拆大整数
Shor 算法能在多项式时间里分解大整数，而它的核心只有一步：找周期。
把 f(x) = aˣ mod N 这个函数的值排成一列，它是周期的，周期记作 r。只要知道 r，分解 N 就是初中数学。难点在于 r 可能极大，经典计算机没法枚举。
量子计算机的做法：把所有 x 的叠加态送进去，然后做一次量子傅里叶变换——测量结果会以极高的概率落在 N/r 的整数倍上。
这一步在经典机器上就能演示。造一个周期 r = 6 的序列（每 6 个点有一个 1），做一次变换：
N = 1024，周期 r = 6 谱上最高的几个峰落在 k = 0 171 341 512 683 853 而 N / r = 1024 / 6 = 170.67 171 ≈ 1×170.67 341 ≈ 2×170.67 512 = 3×170.67 683 ≈ 4×170.67 853 ≈ 5×170.67
周期在时域里要一个一个数，在频域里是一根峰的位置。这就是量子傅里叶变换在 Shor 算法里干的全部事情——量子部分提供的是「能把所有 x 一次性送进去」，而傅里叶部分提供的是「把周期变成一个能一次读出来的位置」。
这么多毫不相干的地方为什么是同一台机器？入场券只有一条：
只要一个结构上有「平移」这个操作，而且规则在平移下不变，那么这个结构上就存在一个傅里叶变换。
- 时间轴可以平移（往后三秒，规则一样）→ 有。
- 空间可以平移（往右一毫米，规则一样）→ 有。
- 整数模 N 可以「加一」（绕回来）→ 有，就是 DFT。
- 晶格可以按晶胞平移 → 有，倒易点阵就是它。
- 一个群可以用元素去乘 → 有，那是群上的傅里叶变换，Shor 用的是这一个。
而复指数之所以永远是那组基，因为它是平移的特征函数——平移它，它只变成自己乘一个常数（第 14 章那条定理的全部依据）。「平移不变」这四个字，就是这本书全部内容的边界。
亲手看中心极限定理收敛（不需要任何随机数，纯卷积）：
import numpy as np
dx = 1/256
p0 = np.ones(256) / 256 # 离散化的 U(0,1)
cur = p0.copy()
for n in range(1, 7):
if n > 1:
cur = np.convolve(cur, p0)
x = np.arange(len(cur)) * dx
m = (cur*x).sum() / cur.sum()
sd = np.sqrt((cur*(x-m)**2).sum() / cur.sum())
g = np.exp(-(x-m)**2/(2*sd**2)) / (sd*np.sqrt(2*np.pi)) * dx
print(f'n={n} 与高斯最大偏差 {100*np.abs(cur-g).max()/cur.max():.3f}%')
# n=1 68.802% / n=2 7.592% / n=3 6.385% / n=4 3.648% / n=5 3.186% / n=6 2.580%
把 p0 换成一个偏得厉害的分布（比如 p0 = np.exp(-np.arange(256)*0.05); p0 /= p0.sum()，一个指数分布），再跑一遍——你会看到收敛慢得多。这一步能让你亲手确认「n ≥ 30」为什么是一条经验法则而不是定理。
周期查找（Shor 那一步的经典版）：
N, r = 1024, 6 x = np.array([1.0 if n % r == 0 else 0.0 for n in range(N)]) m = np.abs(np.fft.fft(x)) print(sorted(np.argsort(m)[-6:]), ' N/r =', N/r) # [0, 171, 341, 512, 683, 853] N/r = 170.666...
python3 -c "print('条纹间距 %.2f mm' % (1000*633e-9*2.0/0.5e-3))"
在线跑：Google Colab。想亲眼看衍射：一支激光笔加一根头发（头发的宽度大约 0.07 mm），照到几米外的墙上，那串条纹就是矩形的傅里叶变换。测一下条纹间距，你能反推出头发的直径。
- 你的 A/B 测试。「样本量够大时，均值近似正态」这条假设支撑着几乎所有的显著性检验。而它成立的速度取决于你那个指标的分布形状——收入、时长这类重尾指标，收敛慢得多，几千个样本可能还不够。这就是为什么这类指标常要做对数变换或者用非参数方法。这一章解释了那条建议背后的机制。
- 图像的傅里叶光学。一个透镜在焦平面上做的，物理上就是一次傅里叶变换。所以「4f 系统」可以用一块挡板在焦平面上做频域滤波——用一片纸板实现一个低通滤波器。这是光计算最早的形态，今天做光学神经网络的人在重新拾起它。
- 图神经网络。「图上的傅里叶变换」是拉普拉斯矩阵的特征分解，早期的图卷积网络（ChebNet、GCN）就是从这个定义出发的。它成立的理由和这一章一样：图上的「平移」是邻接关系，而拉普拉斯的特征向量正是那个结构的复指数。
- 纠错码。Reed–Muller 码、Walsh–Hadamard 变换、以及布尔函数分析里的「傅里叶谱」，全都是在 (Z/2)ⁿ 这个群上做傅里叶。Grover 和 Deutsch–Jozsa 这些量子算法的核心也是它。
- 晶体学与药物设计。今天绝大多数已知的蛋白质结构，来自 X 射线晶体学或冷冻电镜，两者的重建都绕不开这一章。
「中心极限定理说：只要样本够多，什么东西都会变成正态分布。」
漏掉了两个关键前提，而漏掉它们的代价在金融和风控里是天价。
前提一：方差必须存在。看上面那个证明的第 4 步——展开式里那个 t² 的系数是方差。如果方差是无穷的（比如柯西分布、或者某些幂律尾），那一步就不成立，定理不适用。柯西分布的 n 个样本取平均，分布和单个样本完全一样，加多少个都不会变窄。
前提二：是「相加」，不是别的。定理讲的是和（或者均值）的分布，不是原始数据的分布。身高近似正态，不是因为身高「被平均了」，而是因为它近似是很多个小遗传因素和环境因素相加的结果。而收入不是相加出来的（它更像是相乘出来的），所以收入的分布是对数正态或者幂律，不是正态——相乘的东西取对数才变成相加，这就是为什么对数正态在自然界里同样常见。
判据是：问「这个量是由很多个小的、独立的、方差有限的东西加出来的吗」。三个条件缺一不可，缺了哪个，尾巴就会比你以为的厚，而风险都藏在尾巴里。
正确答案是 C：n = 2 时只差 7.592%，n = 6 差 2.580%。
A、B 「n ≥ 30 / n ≥ 10」——这两个数是经验法则，为的是覆盖那些偏度大、尾巴重的分布，不是收敛的实际速度。对均匀分布这种对称有界的情况，卷一次（n = 2）就已经从方块变成了三角形，肉眼就很像钟形了。把一条为最坏情况准备的经验法则当成定理，是统计课留下的一个普遍误会。 D 「永远不会真的是正态」——这句话本身完全正确：n 个均匀分布的和确实永远是分段多项式（叫 Irwin–Hall 分布），支撑集有限，而高斯的尾巴伸到无穷。但「不等于」和「不像」是两回事——中心极限定理说的从来不是「等于」，是「误差趋于零」。上面那张表就是误差本身：2.580% 而且还在降。这个选项是本书里少有的「说得对但答错了」，因为它答的是另一个问题。这是整本书「换个域看」这个动作最漂亮的一次收尾，因为它换的甚至不是一个「域」——概率密度和特征函数，听起来和时域频域毫无关系。但机制完全一样：一个在这边很难的运算（卷积/积分），在那边是一个简单的运算（乘法/幂）。
而这本书真正想留给你的，是下面这个更一般的问题。以后遇到任何一个难算的运算，先问三句：
- 这个运算是线性的吗？
- 它在某种平移下不变吗？
- 如果是，那对应的「频域」是什么，在那边它会不会变成乘法？
三句都是「是」的时候，你手里就有一台机器。而这三句话，就是这本书的全部。
这一章的一句话
傅里叶不是一门关于波的手艺，是关于「平移不变」的手艺；只要一个结构上有平移这个操作而规则不变，那里就有一台同样的机器——在概率论里它一行证完中心极限定理，在实验室里它由自然界亲自执行。
下一章，也就是最后一章，收尾：一张二十条的错误直觉自查表（把前十九章那些「✗」收成一页），按方向分岔的继续往下走，以及回到第一张图——你现在知道那根针指的是什么了。