中心极限定理（英语：central limit theorem，简作 CLT）是概率论中的一组定理。在概率论中，中心极限定理 (CLT) 确认，在许多情况下，对于独立并同样分布的随机变量，即使原始变量本身不是正态分布，标准化样本均值的抽样分布也趋向于标准正态分布. 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之和近似服从正态分布的条件。

Tijms (2004, p.169) 写到：

棣莫佛-拉普拉斯定理（De Moivre–Laplace theorem）是中央极限定理的最初版本，讨论了服从二项分布的随机变量序列。它指出，参数为n, p的二项分布以np为均值、np(1-p) 为方差的正态分布为极限。

若 ${\displaystyle X\sim B(n,p)}$ 是 ${\displaystyle n}$ 次伯努利实验中事件 A 出现的次数，每次试验成功的概率为 ${\displaystyle p}$，且 ${\displaystyle q=1-p}$，则对任意有限区间 ${\displaystyle [a,b]}$：

令${\displaystyle x_{k}\equiv {\frac {k-np}{\sqrt {npq))))$，当${\displaystyle n\to {\infty ))$时

(i) ${\displaystyle P(X=k)\to {\frac {1}{\sqrt {npq))}\cdot {\frac {1}{\sqrt {2\pi ))}e^{-{\frac {1}{2))x_{k}^{2))}$

(ii) ${\displaystyle P\left(a\leq {\frac {X-np}{\sqrt {npq))}\leq {b}\right)\to \int _{a}^{b}\varphi (x)dx}$，其中${\displaystyle \varphi (x)={\frac {1}{\sqrt {2\pi ))}e^{-{\frac {x^{2)){2))}(-\infty <x<\infty ).}$

棣莫弗-拉普拉斯定理指出二项分布的极限为正态分布。高尔顿板可以看作是伯努利试验的实验模型。如果我们把小球碰到钉子看作一次实验，而把从右边落下算是成功，从左边落下看作失败，就有了一次${\displaystyle p={\frac {1}{2))}$的伯努利试验。小球从顶端到底层共需要经过n排钉子，这就相当于一个n次伯努利试验。小球的高度曲线也就可以看作二项分布随机变量的概率密度函数。因此，中央极限定理解释了高尔顿板小球累积高度曲线为什么是正态分布独有的钟形曲线。

林德伯格（英语：Jarl Waldemar Lindeberg）-莱维（Lindeberg-Levy）定理，是棣莫佛-拉普拉斯定理的扩展，讨论独立同分布随机变量序列的中央极限定理。它表明，独立同分布（i.i.d., 即 independent and identically distributed）、且数学期望和方差有限的随机变量序列的标准化和以标准正态分布为极限：

设随机变量${\displaystyle X_{1},X_{2},\cdots ,X_{n))$独立同分布， 且具有有限的数学期望和方差${\displaystyle E(X_{i})=\mu }$，${\displaystyle D(X_{i})=\sigma ^{2}\neq 0(i=1,2,\cdots ,n)}$。记

${\displaystyle {\bar {X))={\frac {1}{n))\sum _{i=1}^{n}X_{i))$，${\displaystyle \zeta _{n}={\frac ((\bar {X))-\mu }{\sigma /{\sqrt {n))))}$，则 ${\displaystyle \lim _{n\rightarrow \infty }P\left(\zeta _{n}\leq z\right)=\Phi \left(z\right)}$

其中${\displaystyle \Phi (z)}$是标准正态分布的分布函数。

记${\displaystyle X_{k}-\mu }$的特征函数为${\displaystyle \varphi (t)}$，根据傅里叶变换，样本空间中的褶积在特征函数空间变为乘积，因此${\displaystyle \zeta _{n))$的特征函数为${\displaystyle {\left[\varphi {\left({\frac {t}{\sigma {\sqrt {n))))\right)}\right]}^{n))$.由于${\displaystyle E(X_{k})=\mu ,D(X_{k})=\sigma ^{2))$故${\displaystyle \varphi '(0)=0,\varphi ''(0)=-\sigma ^{2}.}$因此

${\displaystyle \varphi (t)=1-{\frac {1}{2))\sigma ^{2}t^{2}+o(t^{2})}$

所以

${\displaystyle {\left[\varphi {\left({\frac {t}{\sigma {\sqrt {n))))\right)}\right]}^{n}=\left[1-{\frac {1}{2n))t^{2}+o\left({\frac {t^{2)){n))\right)\right]^{n}\to {e^{-t^{2}/2))}$

由于${\displaystyle e^{-t^{2}/2))$是连续函数，它对应的分布函数为${\displaystyle \Phi (Z)}$，因此由逆极限定理知

${\displaystyle \lim _{n\rightarrow \infty }P\left(\zeta _{n}\leq z\right)\to \Phi \left(z\right)}$

定理证毕。

林德伯格（英语：Jarl Waldemar Lindeberg）-费勒（Lindeberg-Feller）定理，是中心极限定理的高级形式，是对林德伯格-莱维定理的扩展，讨论独立的，但不同分布的情况下的随机变量和。它表明，满足一定条件时，独立的，但不同分布的随机变量序列的标准化和依然以标准正态分布为极限：

记随机变量序列${\displaystyle X_{i))$（${\displaystyle X_{i))$独立但不一定同分布，${\displaystyle E[X_{i}]=0}$且有有限方差）部分和为

${\displaystyle S_{n}=\sum _{i=1}^{n}X_{i))$

记

${\displaystyle s_{i}^{2}={\rm {Var))(X_{i})}$

${\displaystyle \sigma _{n}^{2}=\sum _{i=1}^{n}s_{i}^{2}={\rm {Var))(S_{n})}$.

如果对每个${\displaystyle \epsilon >0}$，序列满足

${\displaystyle \lim _{n\rightarrow \infty }{1 \over \sigma _{n}^{2))\sum _{i=1}^{n}E[X_{i}^{2};\{|X_{i}|>\epsilon \sigma _{n}\}]=0}$

则称它满足林德伯格（Lindeberg）条件。

满足此条件的序列趋向于正态分布，即

${\displaystyle S_{n}/\sigma _{n}{\stackrel {d}{\rightarrow ))N(0,1)}$

同时，该条件也是期望为零、方差有限的独立变量之和趋于正态分布的必要条件。

与之相关的是李亚普诺夫（Lyapunov）条件：

${\displaystyle E[|X_{i}|^{3}]<\infty ,\,\lim _{n\rightarrow \infty }{1 \over \sigma _{n}^{3))\sum _{i=1}^{n}E[|X_{i}|^{3}]=0}$

满足李亚普诺夫条件的序列，必满足林德伯格条件。

在此只对较强的李亚普诺夫条件给出证明。

以下证明对每一实数${\displaystyle t}$，特征函数满足${\displaystyle \varphi _{S_{n}/\sigma _{n))(t)\rightarrow e^{-t^{2}/2))$。

${\displaystyle \left|\varphi _{S_{n}/\sigma _{n))(t)-e^{-t^{2}/2}\right|=\left|\prod _{k=1}^{n}\varphi _{X_{k))(t/\sigma _{n})-\prod _{k=1}^{n}e^{-t^{2}s_{k}^{2}/2\sigma _{n}^{2))\right|\leq \sum _{k=1}^{n}\left|\varphi _{X_{k))(t/\sigma _{n})-e^{-t^{2}s_{k}^{2}/2\sigma _{n}^{2))\right|}$

泰勒展开，上式可近似为

${\displaystyle \sum _{k=1}^{n}\left|{\frac {i^{3}t^{3}E[X_{k}^{3}]}{6\sigma _{n}^{3))}+{\frac {t^{4}s_{k}^{4)){8\sigma _{n}^{4))}\right|\leq {|t|^{3} \over 6\sigma _{n}^{3))\sum _{k=1}^{n}E[|X_{k}|^{3}]+{\frac {t^{4)){8\sigma _{n}^{4))}\sum _{k=1}^{n}s_{k}^{4}\leq {|t|^{3} \over 6\sigma _{n}^{3))\sum _{k=1}^{n}E[|X_{k}|^{3}]+{\frac {t^{4)){8))\max _{1\leq k\leq n}{s_{k}^{2} \over \sigma _{n}^{2))}$

由李亚普诺夫条件，当${\displaystyle n\rightarrow \infty }$时，第一项收敛于零。

令${\displaystyle k_{n}={\rm {arg))\max _{1\leq k\leq n}s_{k}^{2}/\sigma _{n}^{2))$，则由李亚普诺夫不等式，

${\displaystyle (s_{k_{n))/\sigma _{n})^{3/2}\leq E[|X_{k_{n))/\sigma _{n}|^{3}]\leq {\frac {1}{\sigma _{n}^{3))}\sum _{k=1}^{n}E[|X_{k}|^{3}]}$

因此第二项也收敛于零。

证毕。

中心极限定理指出，随着随机变量数量的增加，许多具有有限方差的独立的且相同分布的随机变量的总和将趋于正态分布。

• 渐进分布
• 大数定律
• 重对数律
• 鞅中心极限定理
• 本福特定律
• 欧文–贺尔分布

• 李贤平，概率论基础（第二版），高等教育出版社
• Olav Kallenberg，现代概率论基础（第二版），Springer（2002）。

• 中央极限定理的动态例示（英文）（页面存档备份，存于互联网档案馆）

查 论 编 统计学 描述统计学 连续概率 集中趋势 平均数 平方 算术 几何 调和 算术-几何 几何-调和 希罗／平均数不等式 中位数 众数 离散程度 全距 变异系数 百分位数 四分位距 四分位数 标准差 方差 平均差 标准分数 切比雪夫不等式 基尼系数 分布形态（英语：Shape of the distribution） 中心极限定理 矩 偏态 峰态 离散概率 次数（英语：Count data） · 列联表（英语：Contingency table） 推论统计学 和假设检验 推论统计学 置信区间 区间估计 显著性差异 元分析 贝叶斯推断 实验设计 总体 抽样 重抽样 刀切法 自助法 交叉验证 重复（英语：Replication (statistics)） 阻碍 灵敏度和特异度 区集（英语：Blocking (statistics)） 缺失数据 样本量（英语：Sample size） 标准误 零假设 备择假设 第一类错误与第二类错误 统计功效 效应值 常规估计 贝叶斯推断 区间估计 最大似然估计 最小距离估计（英语：Minimum distance estimation） 矩估计 最大间距 假设检验 Z检验 学生t检验 F检验 卡方检验 Wald检验（英语：Wald test） 曼-惠特尼检验（英语：Mann–Whitney U test） 秩和检验 生存分析 生存函数 乘积极限估计量 对数秩和检验 失效率 危险比例模式 相关及 回归分析 相关性 干扰因素 皮尔逊积矩相关系数 等级相关（英语：Rank correlation） (斯皮尔曼等级相关系数 肯德等级相关系数（英语：Kendall tau rank correlation coefficient）) 自由度 误差和残差 线性回归 线性模型（英语：Linear model） 一般线性模型 广义线性模型 简单线性回归 普通最小二乘法 贝叶斯回归（英语：Bayesian linear regression） 方差分析 协方差分析（英语：Analysis of covariance） 非线性回归 非参数回归模型（英语：Nonparametric regression） 半参数回归模型（英语：Semiparametric regression） 逻辑斯谛回归 统计图形 饼图 条形图 双标图 箱形图 管制图 森林图（英语：Forest plot） 直方图 分位图 趋势图 散点图 茎叶图 雷达图（英语：Radar chart） 示意地图 其他 统计类型（维基数据所列：Q47103999） 回应过程效度 统计误用 分类 主题 共享资源 专题

规范控制数据库 国际 FAST 各地 法国 BnF data 德国 以色列 美国