完整定義
中央極限定理是機率論中的一項重要定理,它指出,在適當條件下,大量獨立隨機變數的總和(或平均值)的分佈會趨近於常態分佈,而與這些變數原始的分佈無關。這使得我們可以使用常態分佈來近似許多統計量的分佈,即使原始數據並非常態分佈。
白話說明
你在看樣本平均的波動,想知道它會長什麼樣子時,你會怎麼判斷它真正的作用?
你可以把它想成 中央極限定理指出,大量獨立隨機變數的總和(或平均值)趨近於常態分佈,與原始變數的分佈無關。是統計推論的基石。
在 你在看樣本平均的波動,想知道它會長什麼樣子時 這種情境裡,這個概念會直接影響你怎麼設計、怎麼評估、怎麼上線。
比喻
中央極限定理就像一個魔術濾網 -- 不管你把什麼形狀的石頭(各種分佈的資料)倒進去,只要數量夠多,出來的石頭堆(平均值分佈)就會自動變成一座完美的圓錐山(常態分佈)。
容易混淆
中央極限定理 vs 大數法則
大數法則說平均會靠近真值,中央極限定理說平均值的分布會趨近常態。
中央極限定理 vs 母體分布
母體可以很歪,但樣本平均在樣本夠多時會變得像常態。
中央極限定理 vs 正態分布
常態分布是結果型態,中央極限定理是為什麼會出現這個型態。
實際案例
案例 1:A/B 測試
很多線上實驗都靠它來理解樣本平均的波動。
案例 2:製造抽樣
只抽一小批商品,也能推估整批平均是否偏掉。
演算法與應用
- 面向
- 核心
- 重點
- 獨立同分布的樣本平均在樣本數變大時會趨近常態。
- 面向
- 用途
- 重點
- 是信賴區間、檢定和很多統計推論的底層理由。
- 面向
- 注意
- 重點
- 獨立性和樣本數太小都會讓近似變差。
中央極限定理與大數法則不是同一件事
兩者常被混用,但分工很清楚。大數法則告訴你「多抽一點就會接近真值」,中央極限定理告訴你「還差多少,而且差距的分布是什麼形狀」。
沒有大數法則,你不知道抽樣有沒有意義;沒有中央極限定理,你算不出信賴區間,也做不了假設檢定。
- 項目
- 講什麼
- 大數法則(LLN)
- 樣本平均會收斂到母體平均
- 中央極限定理(CLT)
- 樣本平均的分布會趨近常態分布
- 項目
- 回答的問題
- 大數法則(LLN)
- 抽夠多會不會準
- 中央極限定理(CLT)
- 誤差有多大、長什麼形狀
- 項目
- 給你的東西
- 大數法則(LLN)
- 一個點
- 中央極限定理(CLT)
- 一整個分布
定理的內容與那個關鍵的根號 n
從平均數 μ、標準差 σ 的母體中抽出 n 個獨立樣本,樣本平均 X̄ 的分布會滿足:
平均數等於 μ
標準差等於 σ / √n,這個值叫標準誤(standard error)
n 夠大時,形狀趨近常態分布
最關鍵的是分母那個根號 n。它意味著:精度的提升跟樣本數的平方根成正比,不是跟樣本數成正比。
要把誤差減半,樣本數必須變成四倍。要減到十分之一,樣本數要一百倍。這條規律解釋了為什麼民調通常抽一千多份就停,因為從 1,000 加到 4,000 只換來誤差減半,成本卻是四倍。
適用的前提與常見誤解
前提:樣本要獨立且同分布,母體變異數要有限。 少數重尾分布(例如柯西分布)變異數不存在,CLT 不適用。
「n 大於 30 就可以」只是經驗法則,不是定理的一部分。 母體本身接近常態時,n 等於 5 可能就夠;母體極度偏態時,n 等於 100 都不見得夠。
最常見的誤解:以為 CLT 說「資料本身會變常態」。 它說的是「樣本平均的分布會趨近常態」,資料本身的分布完全不會改變。收入分布永遠是右偏的,但你每次抽 500 人算出來的平均收入,那一串平均值會呈常態。
情境判斷
Q1(判斷題): 母體分布很偏,樣本平均就一定不能用常態近似嗎?
不一定,樣本夠大時通常還是可以。
Q2(判斷題): 如果樣本彼此不獨立,中央極限定理還能直接套嗎?
要小心,依賴性太強時近似會失真。
常見問題
它讓很多抽樣推論有了常態近似的基礎。
沒有硬答案,要看分布形狀和依賴程度。
不一樣,常態分布是分布本身,中央極限定理是樣本平均的趨勢。
教科書最常見的證明用特徵函數(或動差生成函數)。把標準化後樣本和的特徵函數做泰勒展開,證明 n 趨近無限大時它收斂到標準常態分布的特徵函數 e^(−t²/2),再由 Lévy 連續性定理得到分布收斂。這個證明假設樣本獨立同分布且變異數有限。
可以從明顯偏斜的分布(例如指數分布)重複抽樣,每次抽 n 筆算平均,重複幾千次後畫出這些平均值的直方圖。n 很小時直方圖仍然偏斜,n 變大後越來越接近鐘形,寬度也大約按 σ/√n 縮小。Python 用 NumPy 產生亂數再用 Matplotlib 畫圖即可。
出現在這些考古題
官方公告試題的逐題解析裡,這 2 題把中央極限定理列為延伸術語。
相關術語
- 常態分佈Normal Distribution
- A/B測試A/B Testing
- 假設檢定Hypothesis Testing
- 貝氏定理Bayes Theorem
- 機率分佈Probability Distribution
- 變異數分析ANOVA
- 標準差Standard Deviation
- Z 分數Z-score
本頁內容有提到,或屬於同一組主題的術語
來源
參考來源:en.wikipedia.org
其他格式:Markdown 版本