搜尋意圖： 如果你在找「中央極限定理 是什麼」或「中央極限定理 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 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。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
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。
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。
記住這句就好
先看它要解決的是什麼問題，再看它是不是最合適的方法。
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。
算法與應用
面向 重點 核心 獨立同分布的樣本平均在樣本數變大時會趨近常態。 用途 是信賴區間、檢定和很多統計推論的底層理由。 注意 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
| 項目 | 大數法則（LLN） | 中央極限定理（CLT） |
|---|---|---|
| 講什麼 | 樣本平均會收斂到母體平均 | 樣本平均的分布會趨近常態分布 |
| 回答的問題 | 抽夠多會不會準 | 誤差有多大、長什麼形狀 |
| 給你的東西 | 一個點 | 一整個分布 |
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。
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
中央極限定理有多重要？
它讓很多抽樣推論有了常態近似的基礎。
樣本數要多大才夠？
沒有硬答案，要看分布形狀和依賴程度。
它和常態分布一樣嗎？
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。