為什么偏正態(tài)分布的樣本不是正態(tài)分布？

解答動態(tài)

• 

  我的印象是，如果我從一個偏正態(tài)分布中隨機抽樣，根據(jù)中心極限理論，我的樣本的分布將是正態(tài)的。你對中心極限定理的理解是錯誤的（正如戴夫指出的，這是一個很常見的誤解）。CLT指出，在某些條件下，樣本平均數(shù)的極限分布是正態(tài)分布，而不是從非正態(tài)總體中采樣的數(shù)據(jù)將具有正態(tài)分布。
  如果運行不同的模擬，您可以看到這一點，你模擬樣本的地方方法：
  導入隨機導入numpy作為npfromscipy.統(tǒng)計導入skewnorm，normimport seaborn作為snsimportmatplotlib.pyplot文件當pltskewed=skewnorm（4）時，對于范圍（10000）內(nèi)的i，模擬的_平均值=[]：數(shù)據(jù)=傾斜.rvs（100）模擬_平均數(shù).append(np.平均值（數(shù)據(jù)）sns.distplot圖（模擬平均值，擬合=標準值）節(jié)目（）
  在此在特殊情況下，我們看到當n=100時，平均值的樣本分布或多或少是正態(tài)的；正態(tài)擬合是黑線。這并不總是正確的，因為CLT是一個漸進的結(jié)果，但這樣的模擬可以幫助我們了解特定樣本量下特定人群的抽樣分布情況類比：
  Let假設(shè)有一個1000萬人口的國家有一個男人和9999999個女人你期望通過增加樣本的大小，你會越來越接近“正�！钡谋壤�1:1（1男1女）？
  另一個論點-為你的歪斜dis貢品：如果你以整個人口為樣本（即非常大的“樣本”），然后奇跡般地，你的傾斜人口突然變成了正常人口？第2頁
• End