中心极限定理 (Central Limit Theorem)

中心极限定理（Central Limit Theorem，简称CLT）是统计学中的一个重要定理，它描述了在一定条件下，大量相互独立的随机变量之和经过标准化后趋于正态分布的现象。这个定理在概率论和统计学中有着广泛的应用，尤其是在抽样分布和假设检验中。

中心极限定理的一般形式可以表述如下：

1. **独立同分布的随机变量**：假设有一组随机变量 \( X_1, X_2, ..., X_n \)，它们相互独立，并且每个随机变量都具有相同的分布，即它们具有相同的期望值 \( \mu \) 和方差 \( \sigma^2 \)。

2. **标准化**：考虑这些随机变量的样本均值 \( \bar{X} \) 和样本均值的标准化形式 \( Z = \frac{\bar{X} - \mu}{\sigma/\sqrt{n}} \)。这里 \( n \) 是样本大小。

3. **趋于正态分布**：随着样本大小 \( n \) 的增加，标准化后的样本均值 \( Z \) 的分布将趋于标准正态分布，即均值为0，方差为1的正态分布 \( N(0,1) \)。

中心极限定理的关键在于，即使原始随机变量 \( X_i \) 的分布不是正态分布，只要样本量足够大，它们的样本均值的分布将近似为正态分布。这使得正态分布成为许多统计方法的基础，尤其是在样本量较大时。

中心极限定理的应用非常广泛，包括但不限于：

- **抽样调查**：在进行抽样调查时，即使总体分布未知，根据中心极限定理，样本均值的分布可以近似为正态分布，从而可以使用正态分布的性质进行统计推断。

- **假设检验**：在进行假设检验时，我们经常假设总体分布是正态的，即使总体分布未知，中心极限定理提供了一种方法来近似这种假设。

- **置信区间**：在构建置信区间时，中心极限定理允许我们使用正态分布的性质来估计参数的不确定性。

中心极限定理是统计学中的一个强大工具，它简化了许多统计分析过程，并为数据分析提供了坚实的理论基础。