中心极限定理，是指概率论中讨论随机变量序列部分和分布渐近于正态分布的一类定理。这组定理是数理统计学和误差分析的理论基础，指出了大量随机变量近似服从正态分布的条件。它是概率论中最重要的一类定理，有广泛的实际应用背景。在自然界与生产中，一些现象受到许多相互独立的随机因素的影响，如果每个因素所产生的影响都很微小时，总的影响可以看作是服从正态分布的。中心极限定理就是从数学上证明了这一现象。最早的中心极限定理是讨论重点，伯努利试验中，事件A出现的次数渐近于正态分布的问题。

中文名：中心极限定理

外文名：central limit theorem

提出者：法国数学家棣莫弗

适用领域：自然界与生产中

应用学科：概率论

中心极限定理有着有趣的历史。这个定理的第一版被法国数学家棣莫弗发现，他在1733年发表的卓越论文中使用正态分布去估计大量抛掷硬币出现正面次数的分布。这个超越时代的成果险些被历史遗忘，所幸著名法国数学家拉普拉斯在1812年发表的巨著Théorie Analytique des Probabilités中拯救了这个默默无名的理论。拉普拉斯扩展了棣莫弗的理论，指出二项分布可用正态分布逼近。但同棣莫弗一样，拉普拉斯的发现在当时并未引起很大反响。直到十九世纪末中心极限定理的重要性才被世人所知。1901年，俄国数学家里雅普诺夫用更普通的随机变量定义中心极限定理并在数学上进行了精确的证明。如今，中心极限定理被认为是(非正式地)概率论中的首席定理。

设随机变量X1，X2，......Xn，......独立同分布，并且具有有限的数学期望和方差：E(Xi)=μ，D(Xi)=σ20(i=1,2....)，则对任意x，分布函数

该定理说明，当n很大时，随机变量

棣莫佛－拉普拉斯定理

设随机变量X(n=1,2,...,)服从参数为n，p(0

该定理表明，正态分布是二项分布的极限分布，当数充分大时，我们可以利用上式来计算二项分布的概率。

不同分布的中心极限定理

设X1，X2，......Xn是一列独立随机变量，它们的概率密度分别为

若对任意正数τ，有

中心极限定理是概率论中最重要的一类定理，它支撑着和置信区间相关的T检验和假设检验的计算公式和相关理论。如果没有这个定理，之后的推导公式都是不成立的。

事实上，以上对于中心极限定理的两种解读，在不同的场景下都可以对A/B测试的指标置信区间判定起到一定作用。

对于属于正态分布的指标数据，我们可以很快捷地对它进行下一步假设检验，并推算出对应的置信区间；而对于那些不属于正态分布的数据，根据中心极限定理，在样本容量很大时，总体参数的抽样分布是趋向于正态分布的，最终都可以依据正态分布的检验公式对它进行下一步分析。

其他举例

1.某炮兵阵地对敌人的防御地段进行100次射击，每次射击中炮弹的命中数是一个随机变量，其期望为2，方差为1.69，求在100次射击中有180颗到220颗炮弹命中目标的概率。

解：设Xk表示第k次射击中的炮弹数，则E(Xi)=2，D(Xi)=1.69，且S100=X1+X2+…+X100，应用中心极限定理，

所以在100次射击中有180颗到220颗炮弹命中目标的概率为87.64%.

2.一个复杂系统由100个相互独立的元件组成，在系统运行时每个元件损坏的概率为0.1，为使系统正常工作，至少必须有85个元件工作，求系统的可靠度(正常工作的概率)。

解：以X表示100个元件中正常工作的元件数，则X～B(100,0.9)，由二项分布的正态近似，

即正常工作的概率为95.25%.