1733年 - 棣莫弗 (De Moivre)
首次发现二项分布的极限形式，即正态分布作为二项分布的近似。这是 CLT 的雏形，但仅针对 p=0.5 的情况。
掌握统计学皇冠上的明珠：从理论推导到复杂应用题的精准破解
在统计学中，中心极限定理（Central Limit Theorem, 简称 CLT）无疑是基石般的存在。许多初学者在面对应用题时，往往困惑于“为什么样本均值会服从正态分布？”以及“当总体分布未知时，我们该如何进行推断？”。本章节将深入剖析 CLT 的本质，为后续解决复杂的计算题奠定理论基础。
设从均值为 μ、方差为 σ² 的总体中，独立地抽取容量为 n 的样本。当 n 足够大时（通常 n ≥ 30），样本均值 X̄ 的抽样分布近似服从正态分布，即：
X̄ ~ N(μ, σ²/n)
这意味着，无论原始总体是什么分布（只要均值和方差存在），随着样本量的增加，样本均值的分布将越来越接近正态分布。
在解决应用题时，最关键的步骤是将一般正态分布标准化。我们需要使用 Z 分数公式：
Z = (X̄ - μ) / (σ / √n)
其中，σ / √n 被称为标准误（Standard Error, SE）。注意区分标准差 σ 和标准误 SE，前者描述个体差异，后者描述样本均值的波动性。
虽然教科书常提及 n ≥ 30 法则，但在实际应用题中，我们需要根据总体的偏态程度来判断：
针对网民高频搜索的中心极限定理的应用题，我们总结了以下四种典型场景。每种场景都配有详细的解题逻辑和示例。
这是最基础的题型。题目通常给出总体分布参数，要求计算样本均值落在某个区间的概率。
某工厂生产零件长度服从均值为 10cm，标准差为 0.2cm 的分布（非正态）。随机抽取 64 个零件，求样本平均长度大于 10.05cm 的概率。
解题步骤：
在无法获取总体标准差时，通常用样本标准差 s 代替 σ，或在大样本下直接使用 σ 的估计值。CLT 允许我们构建均值的置信区间。
置信区间 = X̄ ± Z_(α/2) (σ / √n)
注意： 当 n 很大时，即使总体非正态，该区间依然有效。常见的 Z 值：90% 置信度对应 1.645，95% 对应 1.96，99% 对应 2.576。
当我们需要判断样本是否来自某个特定总体时，CLT 提供了检验统计量的分布基础。
步骤：
1. 建立假设 H₀: μ = μ₀ vs H₁: μ ≠ μ₀。
2. 计算检验统计量 Z = (X̄ - μ₀) / (σ/√n)。
3. 比较 |Z| 与临界值 Z_(α/2)。
4. 若 |Z| > Z_(α/2)，拒绝 H₀。
在实验设计阶段，如何确定需要多少样本才能保证估计的精度？
公式推导：E = Z_(α/2) (σ / √n) → n = (Z_(α/2) σ / E)²
其中 E 为允许的误差范围。此公式在应用题中常作为逆向求解出现。
在搜索中心极限定理的应用题解答时，许多学生容易陷入以下误区。我们整理了这些高频错误点，帮助你提高解题准确率。
错误： 直接使用 σ 计算 Z 分数。
纠正： 只要涉及样本均值 X̄，分母必须是标准误 SE = σ/√n。只有涉及单个观测值 X 时才用 σ。
错误： 当 n < 30 时直接套用 CLT。
纠正： 若 n < 30 且总体非正态，不能直接使用正态近似。除非已知总体服从正态分布。
错误： 将 P(Z > z) 误读为累积概率。
纠正： 标准正态分布表通常给出的是左侧累积概率 P(Z < z)。若求右侧概率，需用 1 - TableValue。
建议在日常练习中遵循以下标准化步骤，以形成肌肉记忆：
理解中心极限定理的历史有助于加深对其本质的认识。这并非一蹴而就的发现，而是多位数学家的接力。
首次发现二项分布的极限形式，即正态分布作为二项分布的近似。这是 CLT 的雏形，但仅针对 p=0.5 的情况。
在最小二乘法的研究中，正式引入了正态分布，并确立了其在误差分析中的核心地位。虽然未严格证明 CLT，但极大地推广了其应用。
拉普拉斯-棣莫弗定理的严格化者，他证明了更一般的二项分布近似，并首次明确提出了“中心极限”的思想。
给出了现代意义上严格的 CLT 证明，放宽了分布相同的限制，允许独立但不同分布的随机变量之和收敛于正态分布。
针对网民在搜索中心极限定理的应用题时最高频的疑问，我们整理了以下深度解答。
答： 完全不需要。这正是 CLT 的强大之处。无论总体是均匀分布、指数分布还是极度偏态的分布，只要样本量 n 足够大（通常 n≥30），样本均值的分布都会近似正态分布。如果总体本身就是正态分布，那么无论 n 多大，样本均值都严格服从正态分布。
答： “30”是一个经验法则，而非严格的数学界限。它源于早期统计学家对多种常见分布的模拟结果。如果总体分布非常接近正态，n=15 可能就够了；如果总体分布极度偏态（如收入分布），可能需要 n>50 甚至更多才能达到良好的正态近似效果。
答： 因为样本均值 X̄ 是 n 个随机变量的平均值，它比单个观测值 X 更稳定。根据方差的性质，Var(X̄) = Var((X₁+...+Xₙ)/n) = (1/n²) (Var(X₁)+...+Var(Xₙ)) = (1/n²) nσ² = σ²/n。这就是为什么随着 n 增大，样本均值的波动（方差）会减小。
答： 判断标准有两个：1. 总体标准差 σ 是否已知？2. 样本量 n 是否足够大？如果 σ 已知，或者 n 很大（如 n>30，此时 s 可近似 σ），使用 Z 表。如果 σ 未知且 n 较小（n<30），必须使用 t 表，并使用样本标准差 s 代替 σ。
答： 可以。样本总和 Sₙ = n X̄。根据正态分布的线性性质，Sₙ 也近似服从正态分布，其均值为 nμ，方差为 nσ²。在解决“总重量”、“总时间”等问题时，可以直接使用总和的 CLT 公式，或者先求均值再乘以 n。
掌握中心极限定理的应用题不仅是为了应对考试，更是为了建立科学的统计思维。从理解定理前提，到熟练运用标准化公式，再到结合具体场景分析，每一步都至关重要。建议学习者通过大量的实战演练，特别是结合模拟软件观察分布收敛过程，来深化对这一核心概念的理解。