统计学基础——中心极限定理

什么是中心极限定理（Central Limit Theorem）

 

中心极限定理指的是给定一个任意分布的总体。我每次从这些总体中随机抽取 n 个抽样，一共抽 m 次。 然后把这 m 组抽样分别求出平均值。 这些平均值的分布接近正态分布。

注：任务分布的含义是即使是从偏态总体中随机抽样，当n足够大时（如n>30）,样本均值也近似正态分布。 

如以下实验：

非正态分布总体样本均数抽样分布

 图  (a)  是正偏峰分布原始数据对应的直方图，用计算机随机抽取样本量分别为5,  10,  30和50的样本各1000份，计算样本均数并绘制4个直方图。

 

当n足够大的时候，样本均值趋于正态分布。 

案例：

现在我们要统计全国的人的体重，看看我国平均体重是多少。当然，我们把全国所有人的体重都调查一遍是不现实的。所以我们打算一共调查1000组，每组50个人。 然后，我们求出第一组的体重平均值、第二组的体重平均值，一直到最后一组的体重平均值。中心极限定理说：这些平均值是呈现正态分布的。并且，随着组数的增加，效果会越好。 最后，当我们再把1000组算出来的平均值加起来取个平均值，这个平均值会接近全国平均体重。

其中要注意的几点：

      1、总体本身的分布不要求正态分布

上面的例子中，人的体重是正态分布的。但如果我们的例子是掷一个骰子（平均分布），最后每组的平均值也会组成一个正态分布。（神奇！）

      2、样本每组要足够大，但也不需要太大

取样本的时候，一般认为，每组大于等于30个，即可让中心极限定理发挥作用。

用python来展示中心极限定理

第一步， 生成数据

假设我们现在观测一个人掷骰子。这个骰子是公平的，也就是说掷出1~6的概率都是相同的：1/6。他掷了一万次。我们用python来模拟投掷的结果：

import numpy as np
import pandas as pd

random_data=np.random.randint(1,7,10000)
random_data.mean()   #均值
random_data.std()  #标准差

生成出来的平均值：3.4927 （每次重新生成都会略有不同）
生成出来的标准差：1.7079

平均值接近3.5很好理解。 因为每次掷出来的结果是1、2、3、4、5、6。 每个结果的概率是1/6。所以加权平均值就是3.5。

第二步，画出来看看

我们把生成的数据用直方图画出来直观地感受一下：

from  matplotlib import pyplot as plt
import collections
data_count2=collections.Counter(random_data)#分组聚合
plt.bar(data_count.keys(),data_count.values())

可以看到1~6分布都比较平均，不错。

第三步，抽一组抽样来试试

我们接下来随便先拿一组抽样，手动算一下。例如我们先从生成的数据中随机抽取10个数字：

sample=[]
for i in range(10):
    sample.append(random_data[int(len(random_data)*(np.random.random()))])
np.mean(sample)
np.std(sample)

这10个数字的结果是： [3, 4, 3, 6, 1, 6, 6, 3, 4, 4]
平均值：4.0
标准差：1.54

可以看到，我们只抽10个的时候，样本的平均值（4.0）会距离总体的平均值（3.5）有所偏差。
有时候我们运气不好，抽出来的数字可能偏差很大，比如抽出来10个数字都是6。那平均值就是6了。 为什么会出现都是6的情况呢？因为我比较6…哦不是，因为这就是随机的魅力呀！

不过不要担心，接下去就是见证奇迹的时刻。

第四步，见证奇迹的时刻

我们让中心极限定理发挥作用。现在我们抽取1000，每组50个。
我们把每组的平均值都算出来。

samples_mean=[]
samples_std=[]
for i in range(1000):
    sample_=[]
    for j in range(50):
        sample_.append(random_data[int(len(random_data)*(np.random.random()))])
    samples_mean.append(np.mean(sample_))
    samples_std.append(np.std(sample_))

这一共1000个平均值大概是这样的：[3.44, 3.42, 3.22, 3.2, 2.94 … 4.08, 3.74] （我肯定不会把1000个数字都写完，又没有稿费可以骗）

然后，我们把这1000个数字用直方图画出来：

plt.hist(samples_mean)

完美地形成了正态分布。

结果打印如下：

平均值：3.48494
标准差：0.23506

实际应用

在实际生活当中，我们不能知道我们想要研究的对象的平均值，标准差之类的统计参数。中心极限定理在理论上保证了我们可以用只抽样一部分的方法，达到推测研究对象统计参数的目的。
在上文的例子中，掷骰子这一行为的理论平均值3.5是我们通过数学定理计算出来的。而我们在实际模拟中，计算出来的样本平均值的平均值（3.48494）确实已经和理论值非常接近了。