🎯 02 · 抽样分布与中心极限定理(CLT)¶
上一课学了分布,这一课回答:为什么样本均值能代表总体? 核心是三件事:抽样分布、标准误(SE)、中心极限定理(CLT)。 CLT 是假设检验与置信区间的数学地基。
📋 本节要解决的问题¶
- 样本均值本身的分布长什么样?标准误 = σ/√n 怎么来的?
- 为什么"原始分布不是正态"时,样本均值仍是正态(CLT)?
- n 要多大 CLT 才近似成立?哪些分布收敛慢?
- 标准误(SE)与标准差(SD)到底什么区别?
📖 论文配图:SOCR 中心极限定理模拟器¶
图源:Dinov ID, Christou N & Sanchez J (2008) Central Limit Theorem: New SOCR Applet and Demonstration Activity, Journal of Statistics Education 16(1)(开放获取,教育用途)图 1。

怎么读这张图:SOCR(Statistics Online Computational Resource)的教学 Applet 界面:左边选总体分布(均匀/指数/二项/自定义),右边实时展示抽样后样本均值的分布。拖动样本量滑块即可"亲眼"看到样本均值分布随 n 增大逼近正态——这正是本节 CLT 模拟代码的教学原型。
1️⃣ 标准误与抽样分布¶
抽样分布:从总体反复抽样、每次算样本均值,这些均值的分布。
- $E(\bar X) = \mu$(无偏)
- $SE(\bar X) = \frac{\sigma}{\sqrt n}$(标准误)
面试必答:SD 描述单个观测的分散程度;SE 描述样本均值的精度。 SE 随 n 增大而变小(√n 关系),这就是"样本越大估计越准"。
import numpy as np
# 从一个偏斜总体反复抽样,看样本均值的分布
rng = np.random.RandomState(5)
pop = rng.exponential(scale=3, size=100000) # 右偏总体,μ=3, σ=3
print('总体均值=%.3f 总体标准差=%.3f(右偏分布)' % (pop.mean(), pop.std()))
# 抽 5000 次样本,每次 n=30
n, trials = 30, 5000
means = np.array([rng.choice(pop, n, replace=True).mean() for _ in range(trials)])
se_empirical = means.std()
se_theory = pop.std() / np.sqrt(n)
print('样本均值分布: 均值=%.3f 标准误(经验)=%.3f 标准误(理论σ/√n)=%.3f' % (
means.mean(), se_empirical, se_theory))
print('→ 经验 SE 与理论 SE 高度一致 ✅')
assert abs(se_empirical - se_theory) / se_theory < 0.1, 'SE 应接近 σ/√n'
总体均值=3.009 总体标准差=3.002(右偏分布) 样本均值分布: 均值=3.002 标准误(经验)=0.546 标准误(理论σ/√n)=0.548 → 经验 SE 与理论 SE 高度一致 ✅
2️⃣ CLT 模拟:三种非正态总体的样本均值都趋正态¶
中心极限定理:独立同分布随机变量 $X_1,...,X_n$,当 n 充分大时, $\bar X$ 近似服从 $N(\mu, \sigma^2/n)$,与总体分布无关。
模拟三种"非正态"总体:均匀、指数、伯努利(0/1),验证它们的样本均值都变成钟形。
import matplotlib.pyplot as plt
from scipy import stats as st
plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False
rng = np.random.RandomState(11)
n = 50
trials = 8000
pops = [
('均匀 U(0,1)', rng.uniform, dict(low=0, high=1)),
('指数 Exp(1)', rng.exponential, dict(scale=1)),
('伯努利 p=0.3', rng.binomial, dict(n=1, p=0.3)),
]
fig, axes = plt.subplots(1, 3, figsize=(14, 3.6))
for ax, (name, fn, kw) in zip(axes, pops):
samples = np.array([fn(size=n, **kw).mean() for _ in range(trials)])
ax.hist(samples, bins=50, density=True, alpha=.7, color='#4C72B0')
xs = np.linspace(samples.min(), samples.max(), 200)
mu, se = samples.mean(), samples.std()
ax.plot(xs, st.norm.pdf(xs, mu, se), 'r-', lw=2, label='N(μ, SE²) 拟合')
ax.set_title('%s → 样本均值(n=%d)' % (name, n))
ax.legend()
plt.tight_layout()
plt.show()
print('三种非正态总体的样本均值分布都逼近正态 → CLT ✅')
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:238: RuntimeWarning: Glyph 178 missing from current font. font.set_text(s, 0.0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:201: RuntimeWarning: Glyph 178 missing from current font. font.set_text(s, 0, flags=flags)
三种非正态总体的样本均值分布都逼近正态 → CLT ✅
3️⃣ n 要多大?(收敛速度对比)¶
CLT 是渐近结论:n 越大越好。但"多大算够"取决于总体偏斜程度:
- 对称总体(均匀):n≈15 就很好
- 轻度偏斜:n≈30(经验法则)
- 重尾/极度偏斜(如对数正态):可能需要 n≥50 甚至上百
面试问:为什么常说 n≥30?→ 对多数分布是够用的经验阈值, 但重尾分布要更大样本。判断标准不是 n 本身,而是"样本均值分布的对称性"。
rng = np.random.RandomState(3)
pop = rng.lognormal(0, 1.2, 100000) # 重尾:对数正态
print('对数正态总体: 均值=%.2f 标准差=%.2f 偏度=%.2f' % (pop.mean(), pop.std(), st.skew(pop)))
for n in [5, 20, 50, 200]:
means = np.array([rng.choice(pop, n).mean() for _ in range(4000)])
print('n=%3d → 样本均值偏度=%.3f(越接近 0 越正态)' % (n, st.skew(means)))
print()
print('结论:重尾分布需要更大的 n 才能让样本均值分布接近正态')
对数正态总体: 均值=2.05 标准差=3.75 偏度=11.51 n= 5 → 样本均值偏度=6.068(越接近 0 越正态) n= 20 → 样本均值偏度=2.664(越接近 0 越正态)
n= 50 → 样本均值偏度=1.561(越接近 0 越正态) n=200 → 样本均值偏度=0.825(越接近 0 越正态) 结论:重尾分布需要更大的 n 才能让样本均值分布接近正态
4️⃣ 标准误 vs 标准差(高频面试)¶
| 标准差 SD | 标准误 SE | |
|---|---|---|
| 描述对象 | 单个观测 | 样本均值 |
| 公式 | σ(总体)或 s(样本) | σ/√n |
| 随 n 变化 | 不变 | 变小 |
| 用途 | 数据离散程度 | 估计精度/置信区间 |
面试标准答案:「SD 衡量数据本身的波动,SE 衡量估计量的波动; SE = SD/√n,样本量翻 4 倍,SE 减半。」
n_vals = [10, 40, 160, 640]
sd = 4.0
print('固定 σ=4:')
for n in n_vals:
print(' n=%-4d SE=%.3f (SD=%.1f 不变)' % (n, sd/np.sqrt(n), sd))
print()
print('→ SE 与 √n 成反比:n×4 → SE÷2')
固定 σ=4: n=10 SE=1.265 (SD=4.0 不变) n=40 SE=0.632 (SD=4.0 不变) n=160 SE=0.316 (SD=4.0 不变) n=640 SE=0.158 (SD=4.0 不变) → SE 与 √n 成反比:n×4 → SE÷2
5️⃣ 应用:用 CLT 做概率题¶
某产品重量 X~N(500, 15²),抽查 n=25 件,问均值 <495 的概率? 解:$\bar X \sim N(500, 15^2/25)$,$P(\bar X<495) = P(Z < \frac{495-500}{15/5}) = P(Z<-1.667)$。
from scipy import stats as st
mu, sigma, n = 500, 15, 25
se = sigma / np.sqrt(n)
z = (495 - mu) / se
p = st.norm.cdf(z)
print('SE=%.2f z=%.3f P(均值<495)=%.4f' % (se, z, p))
assert 0.04 < p < 0.05
print('✅ 用 CLT + z 分布完成计算')
SE=3.00 z=-1.667 P(均值<495)=0.0478 ✅ 用 CLT + z 分布完成计算
🧮 手算示例:SE 与 z 分数逐步算¶
题目:某总体 σ=4,随机抽 n=16 个,样本均值 x̄=52。检验 H₀: μ=50。
第 1 步 · 标准误:$SE = \frac{\sigma}{\sqrt n} = \frac{4}{\sqrt{16}} = \frac{4}{4} = 1$
第 2 步 · z 分数:$z = \frac{\bar x - \mu_0}{SE} = \frac{52-50}{1} = 2$
第 3 步 · 单侧 p 值:$P(Z > 2) \approx 0.0228$(查标准正态表 z=2.00)
→ 若 α=0.05,p<α,拒绝 H₀:样本均值显著大于 50。
from scipy import stats as st
import numpy as np
sigma, n, xbar, mu0 = 4, 16, 52, 50
se = sigma / np.sqrt(n)
z = (xbar - mu0) / se
p = 1 - st.norm.cdf(z)
print('SE(手算=1) =', se)
print('z(手算=2) =', z)
print('单侧 p(手算≈0.0228) =', round(p, 4))
assert se == 1.0 and z == 2.0 and abs(p - 0.0228) < 1e-3
print('✅ 手算与代码一致')
SE(手算=1) = 1.0 z(手算=2) = 2.0 单侧 p(手算≈0.0228) = 0.0228 ✅ 手算与代码一致
✅ 自测清单¶
- 能推导 SE=σ/√n,讲清 SE 与 SD 的区别
- 能设计 CLT 模拟实验并解释结果
- 能说明 n 大小的经验法则与重尾风险
- 能完成"抽样均值概率题"(z 分数计算)
- 能解释大数定律与 CLT 的层次关系