你在看樣本平均的波動，想知道它會長什麼樣子時，你會怎麼判斷它真正的作用？
你可以把它想成 中央極限定理指出，大量獨立隨機變數的總和（或平均值）趨近於常態分佈，與原始變數的分佈無關。是統計推論的基石。
在 你在看樣本平均的波動，想知道它會長什麼樣子時 這種情境裡，這個概念會直接影響你怎麼設計、怎麼評估、怎麼上線。
容易混淆
中央極限定理 vs 大數法則 大數法則說平均會靠近真值，中央極限定理說平均值的分布會趨近常態。
中央極限定理 vs 母體分布 母體可以很歪，但樣本平均在樣本夠多時會變得像常態。
中央極限定理 vs 正態分布 常態分布是結果型態，中央極限定理是為什麼會出現這個型態。
記住這句就好
先看它要解決的是什麼問題，再看它是不是最合適的方法。
實際案例
案例 1：A/B 測試 很多線上實驗都靠它來理解樣本平均的波動。
案例 2：製造抽樣 只抽一小批商品，也能推估整批平均是否偏掉。
算法與應用
面向 重點 核心 獨立同分布的樣本平均在樣本數變大時會趨近常態。 用途 是信賴區間、檢定和很多統計推論的底層理由。 注意 獨立性和樣本數太小都會讓近似變差。
情境判斷
Q1（判斷題）： 母體分布很偏，樣本平均就一定不能用常態近似嗎？ → 不一定，樣本夠大時通常還是可以。
Q2（判斷題）： 如果樣本彼此不獨立，中央極限定理還能直接套嗎？ → 要小心，依賴性太強時近似會失真。
常見問題
中央極限定理有多重要？
它讓很多抽樣推論有了常態近似的基礎。
樣本數要多大才夠？
沒有硬答案，要看分布形狀和依賴程度。
它和常態分布一樣嗎？
不一樣，常態分布是分布本身，中央極限定理是樣本平均的趨勢。