中心极限定理

中心极限定理定义：

假设从均值为，方差为的有限的任意一个总体中抽取样本量为n的样本，当n充分大时，样本的均值的抽样分布近似服从均值为，方差为的正态分布。

下面我们用简单的python代码来客观展现中心极限定理 :

import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt

# 防止中文乱码
mpl.rcParams['font.sans-serif']=[u'simHei']
mpl.rcParams['axes.unicode_minus']=False
# 设置参数
size = 50
mu = 0.0
sigma = 10
# 生成正态分布数据函数并返回每增加一个数据后的均值列表
def makeData_average(size, average=mu ,sigma=sigma):
    # 生成服从正态分布的随机数据，其均值为0
#     randData = np.random.normal(loc=average, scale=sigma, size=size)
    randData = average + sigma * np.random.randn(size)

    # 保存随机每增加一个数据后算出来的均值
    randData_average = []
    # 保存每增加一个数据后的数据和
    randData_sum = 0
    # 通过循环计算每增加一个数据后的均值
    for index in range(len(randData)):
        randData_average.append((randData[index] + randData_sum) / (index + 1.0))
    
    return randData_average

# 逐步增加数据量
step = 20
# 作图设置
for i in range(4):
    plt.subplot(2,2,i+1)
    averageList = makeData_average(size+step*i)
    plt.xlim(min(averageList)*1.1, max(averageList)*1.1)
    # plt.ylim(0, sigma)
    # 作图并展示
    plt.hist(averageList, size+step*i, histtype='bar', normed=True)
plt.show()

由上图看出随着数据量n的不断增加其分布越来越接近一个正态分布

但也随着n的增大，其方差越来越小，所以正态分布也就越来越尖锐。