7.0：中心极限定理简介
- Page ID
- 204886
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)
我们为什么这么关心手段？ 两个原因是：它们为我们提供了比较的中间立场，而且很容易计算。 在本章中，您将学习均值和中心极限定理。
中心极限定理是所有统计学中最有力和最有用的思想之一。 中心极限定理是一个定理，这意味着它不是一个理论，也不是一个人对事物运作方式的看法。 作为一个定理，它与毕达哥拉斯定理或告诉我们三角形角度之和必须相加为180的定理进行排名。 这些是用数学精度和逻辑严格证明的世界方式的事实。 正如我们将看到的那样，这个强大的定理将决定我们在推理统计中能说什么和不能说什么。 中心极限定理涉及\(n\)从具有已知平均值和已知标准差的总体中抽取大小的有限样本\(\sigma\)。\(\mu\) 结论是，如果我们采集大小\(n\)为 “足够大” 的样本\(n\)，计算每个样本的平均值，然后创建这些均值的直方图（分布），则生成的分布往往具有近似的正态分布。
令人震惊的结果是，无论原始人口的分布如何，或者你是否需要知道。 重要的事实是，样本均值的分布往往遵循正态分布。
“足够大” 所需的样本大小取决于抽取样本的原始总体（样本数量应至少为 30 或者数据应来自正态分布）。\(n\) 如果原始总体远离正态值，则需要更多的观测值才能获得样本均值。 采样是随机进行的，并在理论模型中进行替换。