中心极限定理：定义、公式和计算示例

什么是中心极限定理？

中心极限定理（Central Limit Theorem，CLT）说的是：从一个均值和方差都有限的总体里，反复抽取同样大小的独立随机样本，这些样本的平均值会近似服从正态分布（钟形），样本越大，近似越好。即使单个数值本身很偏、很不规则，也是这样。

换成数据分析的话：单笔订单金额、单次会话时长、单次页面加载时间很少是钟形的，但一个足够大的样本的平均数表现得很有规律。正因为有这个规律，我们才能给平均数加误差范围、比较两组平均数，或者对转化率做 z 检验。

公式：均值和标准误

总体均值为 μ、标准差为 σ，n 个独立观测值的样本均值 x̄ 近似为：

x̄ ~ 正态( μ , σ / √n )

样本均值的离散程度 σ / √n 叫做标准误。实际用到的有两点：

• 中心不偏：样本均值平均来看就落在真实均值上。
• 离散程度按 n 的平方根缩小：数据量变成 4 倍，标准误只减半，不是变成四分之一。

σ 通常未知，要用样本标准差 s 代替。正因为这一步替换，小样本要用 t 分布而不是正态分布，见 t 检验。

适用条件

经典的中心极限定理需要三个条件：

1. 观测值相互独立。 一个访客的订单金额不应该决定另一个访客的。同一用户的多次事件并不独立，先按用户汇总。
2. 同分布，或至少不被少数值主导。 把大促峰值和普通日子混在一起，就破坏了这一条。
3. 方差有限。 尾巴特别重的数据（少数客户的消费是中位数的几千倍）会让收敛非常慢。

计算示例：偏态的订单金额

我们按指数分布模拟了 20 万笔订单，均值 60 美元（示例数据）。单笔订单明显右偏：偏度约 2.0，大多数订单金额小，少数大单拖出一条长尾。然后在每种样本量下各抽 1 万次样本，看样本均值的分布。

从表里能读出三点：

• 每种样本量下，均值都围绕 60 美元。
• 离散程度和 σ/√n 几乎完全一致，和定理预测的一样。
• 偏度从 2.3 降到 0.2，但 n = 30 时还看得出偏；按教科书的「x̄ ± 1.96 × s/√n」算出的区间，只有 91.9% 的时候包含真实均值，不到 95%。收入这类偏态数据，「30 个就够」偏乐观。

样本要多大才够？

没有统一的数字。n ≥ 30 这条经验来自大致对称的数据。数据越偏，需要的 n 越大：

• 接近对称（去掉明显离群值后的页面停留时间）：30 个可能就够。
• 中度偏态（会话时长、每单件数）：几百个起。
• 有「大客户」的重尾收入数据：几千个，或者换统计量，比如截尾均值、配合自助法（bootstrap）区间的中位数，或者先取对数。

对转化率这类比例，常用的检查是 n × p 和 n × (1 − p) 都至少为 10。转化率 2% 时，至少要 500 个访客，正态近似的区间才有意义。

中心极限定理没说什么

• 它不会让原始数据变成正态。 原始数值依然偏，只有「平均数的分布」近似正态。
• 它讲的是均值和总和。 中位数、P95 加载时间这类分位数有自己的抽样规律，区间要用自助法来算。
• 它救不了有偏的样本。 抽错了人群，样本再大答案也是错的，见抽样偏差。
• 数据不独立时不能直接套。 每日流量序列前后相关，要按时间序列处理，不能当成独立抽样。

中心极限定理和大数定律的区别

大数定律说：n 越大，样本均值越接近真实均值。中心极限定理更进一步，描述剩余误差的形状和大小：近似正态，标准差为 σ/√n。要做置信区间，需要的是后者。

在数据分析里哪里用到

• 给平均数算置信区间，比如客单价、平均会话时长。见置信区间怎么算和误差范围。
• 比较两个转化率的 z 检验，前提是比例的抽样分布近似正态，见统计显著性。
• 判断该不该报平均数。 偏态指标往往用中位数或分位数更合适，见平均数和中位数。

TapCub 的性能卡片可以在 P95、P75、中位数和平均值之间切换，就是这个原因：平均加载时间看着正常，慢的那条尾巴照样在影响真实访客。需要给平均数算区间时，把原始事件导出来，按用户而不是按事件来算。

参考资料

• Kwak, S. G. and Kim, J. H. (2017). Central limit theorem: the cornerstone of modern statistics. Korean Journal of Anesthesiology, 70(2).
• NIST/SEMATECH. e-Handbook of Statistical Methods: sampling distributions.
• OpenStax. Introductory Statistics, chapter 7: The Central Limit Theorem.