中心极限定理

中心极限定理（Central Limit Theorem, 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。这个定理对于统计推断和概率论有着极其重要的意义。

中心极限定理的一般表述如下：

独立同分布的随机变量：假设有一系列相互独立的随机变量𝑋1,𝑋2,...,𝑋𝑛X1,X2,...,Xn，它们具有相同的分布，期望值为𝜇μ，方差为𝜎2σ2。

标准化：将这些随机变量的和进行标准化处理，即计算它们的平均值𝑋‾X并减去它们的期望值𝜇μ，然后除以它们的标准差𝜎/𝑛σ/n：𝑍=𝑋‾−𝜇𝜎/𝑛Z=σ/nX−μ

趋近正态分布：随着样本量𝑛n的增加，标准化后的随机变量之和𝑍Z趋于正态分布，即使原始随机变量𝑋𝑖Xi的分布不是正态的。

中心极限定理的特别之处在于，它允许我们使用正态分布来近似描述许多不同类型的分布，只要样本量足够大。这使得正态分布在统计学中得到了广泛的应用，尤其是在样本均值的分布估计、置信区间的计算和假设检验等方面。

需要注意的是，中心极限定理的适用性取决于随机变量的独立性和同分布性，以及样本量的大小。在实际应用中，通常需要样本量足够大（例如，n>30）才能得到较好的正态近似。此外，对于某些特定的分布，如均匀分布或指数分布，即使样本量较小，中心极限定理也适用。