🔔 中央極限定理：歪母體長出常態

母體歪成什麼樣都沒關係——抽 n 個取平均、重複一千次，「樣本平均數」的分佈就會長成漂亮的常態鐘形，而且寬度＝σ/√n。這就是右偏資料還能做統計推論的靠山。

💡 白話定義

中央極限定理（CLT）：不論母體分佈形狀，只要樣本數 n 夠大（經驗法則 n≥30），「樣本平均數」的抽樣分佈就會近似常態，中心＝母體平均 μ、標準差（稱標準誤）＝σ/√n。注意兩件事：長成常態的是「平均數們」的分佈、不是原始資料；n 越大鐘形越瘦（估得越準）。

🎮 互動模擬：抽一千次平均

母體：
母體 σ ≈ 1.00 理論標準誤 σ/√n ≈ 0.18 模擬出的平均數 SD ≈ – 抽樣中…按下按鈕開始

🧠 為什麼考試愛考它

因為它回答了「右偏的交易金額憑什麼用 Z／t 檢定？」——檢定對象是樣本平均，而 CLT 保證平均數的分佈近似常態。三個常見混淆：①跟「大數法則」不同（大數法則說平均會收斂到 μ，CLT 說平均的分佈形狀是常態）；②變異數不會越抽越大——標準誤隨 n 變小；③母體本身是常態只是「任何 n 都精確常態」的特例，不是 CLT 的前提。

✅ 自我檢測

Q1：母體嚴重右偏，每天抽 n=100 筆算平均。長期而言這些平均數的分佈是？

近似常態，標準誤＝σ/√100＝σ/10（CLT，不需母體常態）。

Q2：CLT 和大數法則差在哪？

大數法則：n→∞ 時樣本平均收斂到 μ（一個點）；CLT：樣本平均的「分佈形狀」近似常態（一條曲線）。

Q3：n 從 25 變成 100，標準誤變幾倍？

√(25/100)＝1/2 倍——樣本數要乘 4，精確度才翻倍。

🎯 重點整理

① 不管母體形狀，樣本平均的分佈在 n 夠大（≥30）時近似常態。
② 標準誤＝σ/√n：n 越大鐘形越瘦、估計越準。
③ 長成常態的是「平均數們」，不是原始資料本身。
④ 它是 Z/t 檢定、信賴區間能用在歪資料上的理論基礎。