混乱中的规律，原来中心极限定理 CLT这么清晰！

中心极限定理（Central Limit Theorem, CLT）是抽样推断的理论基础，很多同学并没有完全理解，今天猫妮卡用喝咖啡的例子浅浅讲解一波：

假设你们学校有 10000 名同学，每个人每天早上喝咖啡的量差异很大：

• • 有人只喝 50ml （浅尝辄止）
• • 有人喝 200ml （正常杯）
• • 还有人喝 400ml （咖啡重度爱好者）
• • 甚至有人不喝（0ml）

这个全体同学的日喝咖啡量就是总体，它的分布很 “乱” — 不是正态分布（Normal Distribution），没有规律可言。

我们的目标是估算所有同学的平均日喝咖啡量（总体均值Population Mean），但问题是不可能挨个统计，因为实在太多了！

中心极限定理的核心是：

抽固定大小的样本，计算样本均值（Sample Mean），这些均值会近似正态分布。

我们分三步操作：

• • 固定样本量，反复抽样。
• • 每次随机抽 5 个同学，记录他们的喝咖啡量，算一个样本均值。
• • 重复抽 1000 次，就得到了 1000 个样本均值。

观察样本均值的分布形状。虽然单个同学的喝咖啡量分布很散、毫无规律，但把这 1000 个样本均值画成直方图，你会发现形状变成了正态分布：「大部分样本均值集中在中间，只有少数在两端。中间的峰值，几乎等于全体同学的真实平均喝咖啡量（总体均值Population Mean）」

样本量越大，结果越精准。如果把样本量从n=5增加到n=30，再重复 1000 次抽样，样本均值的分布会更 “瘦高”：均值会更紧密地围绕在总体均值μ周围，波动变小

不管每个人喝咖啡的量有多乱（总体分布任意），只要你每次抽足够多的人算平均，这些平均值一定会呈正态分布，而且样本量越大，平均值越贴近全公司的真实平均水平。