中心极限定理

中心极限定理（Central Limit Theorem, CLT）是概率论与数理统计的核心公理之一，它描述了独立同分布（i.i.d.）随机变量序列的统计行为。该定理断言：当样本容量趋于无穷大时，标准化后的样本均值抽样分布将收敛于标准正态分布。这一结论具有极强的鲁棒性，即不依赖于单个随机变量是否服从正态分布，仅要求变量独立且方差有限。作为抽样推断的理论基石，CLT 使得统计学家能够从有限的样本数据中，以高置信度推断总体参数，极大地降低了全量测量的成本与难度。

在现代计算架构与数据科学生态中，中心极限定理扮演着“通用转换器”的关键角色。它将纷繁复杂的非正态原始数据转化为可预测的正态分布模型，从而统一了各类统计推断方法（如假设检验、置信区间估计）。从信号处理中的噪声滤波到机器学习中的梯度下降收敛性分析，再到金融工程的风险量化，CLT 提供了处理随机误差的数学框架。尽管其原始形式针对独立同分布，但现代变体（如非独立、异方差情形）的拓展，使其成为连接微观随机事件与宏观统计规律的桥梁，是构建可信数据驱动决策系统的底层逻辑支撑。