简单理解中心极限定理（通过掷骰子实验）

中心极限定理指出，即使原始数据并不呈现钟形曲线，随机样本的平均值也会形成钟形曲线。样本量越大，这条曲线就越集中，形状也越接近正态分布。我们将通过掷骰子来验证这一点，然后看看著名的“n = 30”规则在什么情况下适用，又在什么情况下不适用。

什么是中心极限定理？

从任意一个总体中随机抽取一个样本，并计算其平均值。重复这一过程许多次，然后将所有平均值绘制成图。

这些平均值将形成正态分布，也就是经典的钟形曲线。即使总体本身的分布不对称，这一结论依然成立。这就是为什么即使原始数据看起来完全不像正态分布，我们仍然可以使用正态曲线来分析样本均值。

这一理论的最早版本由棣莫弗于 1733 年提出，当时他正在研究二项分布。

掷骰子实验

单个公平骰子的结果分布是均匀的。数字 1 到 6 出现的概率都相同。这种分布与钟形曲线的差异非常大。

现在，同时掷 n 个骰子，并计算它们的平均值。重复这一过程 20,000 次。我在计算机上运行了这项实验。以下是不同情况下平均值的分布范围变化情况。

每次实验中，所有平均值的平均数都接近 3.5。这就是骰子的真实均值。发生变化的只有分布范围，它逐渐缩小，形状也越来越像钟形曲线。公式准确预测了每一行的结果。

用通俗的语言理解公式

样本平均值的分布范围有一个专门的名称，叫作标准误。公式如下：

标准误 = σ ÷ √n

其中，σ 表示总体的标准差，n 表示样本量。

这告诉我们一个有用的结论：当样本量从 n = 100 增加到 n = 400 时，标准误会减半。要让误差减半，你需要将数据量增加到原来的四倍。因此，随着精确度不断提高，所需的数据成本也会越来越高。

适用条件

经典版本的中心极限定理需要满足以下四个条件：

1. 样本是随机抽取的。

2. 各观测值彼此独立。

3. 总体具有有限的均值和方差。

4. 样本量足够大。

某些版本会放宽这些条件。对于初学者课程，先掌握以上四个条件即可。

n = 30 真的足够吗？

许多教材都说，样本量达到约 30 就足够了。这是一个实用的经验法则，但并不是绝对定律。

我还测试了一个高度偏斜、右侧尾部较长的总体分布。偏度用于衡量曲线的不对称程度。偏度为零表示分布完全对称。

当 n = 30 时，分布仍然存在一定程度的不对称。当 n = 100 时，分布就更加接近对称了。因此，30 是一个起点，而不是终点。

中心极限定理与大数定律的区别

人们经常将这两者混淆。它们回答的是不同的问题。

两者都与大样本有关。中心极限定理告诉你平均值会集中在哪里，而大数定律则说明平均值如何逐渐接近那个位置。

为什么它很重要

许多统计工具都假设平均值服从正态分布。这些工具包括置信区间，以及 t 检验、方差分析（ANOVA）和回归分析等常见检验。即使原始数据不服从正态分布，中心极限定理也是这些工具仍然有效的重要原因之一。

它不意味着什么

• 大数据集不会自动变成正态分布。原始数据仍然保持其原有的分布形状。

• 它不会缩小数据本身的分布范围，而是缩小样本平均值的分布范围。

• 它无法纠正有偏的样本。如果样本不是随机抽取的，你仍然可能得出错误的结论。

哪些情况下它可能不适用

某些分布具有重尾特征，而且不存在有限的方差。柯西分布就是一个典型例子。随着时间收集的数据也可能存在相邻观测值之间的关联，从而削弱定理的适用效果。此外，当总体分布高度偏斜且样本量较小时，样本平均值的分布可能仍然不像正态分布。

亲自尝试

你可以使用 Python 进行一个快速测试。

import random, statistics as st

n, reps = 30, 20000

means = [ sum(random.randint(1, 6) for in range(n)) / nfor in range(reps)]

print(st.mean(means), st.pstdev(means))

你应该会看到接近 3.5 和 0.31 的结果。改变 n 的值，观察分布范围如何变化。

想看看这些概念在真实研究中的应用吗？试试文献帮助工具来查找论文。你也可以使用研究论文摘要，在阅读全文之前了解一项研究得出了什么结论。

最后的思考

从本质上说，中心极限定理很简单：随机样本的平均值会呈现近似正态分布的形状，而且随着样本量增加，其分布范围会缩小。尝试分别将 n 设置为 5、30 和 200，运行上面的代码，观察钟形曲线如何逐渐形成。如需了解更多适合初学者的主题，请查看我们的更多指南。

常见问题

总体必须服从正态分布吗？

不需要。这正是中心极限定理的重要意义。如果总体本身已经服从正态分布，那么无论样本量是多少，样本平均值都服从正态分布。

标准误和标准差相同吗？

不相同。标准差衡量数据本身的分散程度，而标准误衡量样本平均值的分散程度。

样本量达到 30 就一定足够了吗？

不一定。对于偏斜程度较轻的数据，样本量接近 30 时通常可以满足要求。对于高度偏斜的数据，则需要更大的样本量。

为什么称为“中心”极限定理？

因为它是概率论和统计学的核心理论之一。这里的“中心”并不是指曲线的中间位置。

什么是科言猫？

科言猫 让你能够搜索超过 6500 万篇研究论文，并阅读这些论文的简短 AI 摘要。