AITerms 登入
數學基礎統計方法AI基礎

中央極限定理(Central Limit Theorem)是什麼?

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。

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

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

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