样本均值的抽样分布是所有的样本均值形成的分布，即μ的概率分布。样本均值的抽样分布在形状上却是对称的。随着样本量n的增大，不论原来的总体是否服从正态分布，样本均值的抽样分布都将趋于正态分布，其分布的数学期望为总体均值μ，方差为总体方差的1/n。这就是中心极限定理（central limit theorem）。

简介

　　样本均值的抽样分布是所有的样本均值形成的分布，即μ的概率分布。样本均值的抽样分布在形状上却是对称的。随着样本量n的增大，不论原来的总体是否服从正态分布，样本均值的抽样分布都将趋于正态分布，其分布的数学期望为总体均值μ，方差为总体方差的1/n。这就是中心极限定理（central limit theorem）。

　　(一)样本均值的抽样分布

　　设总体共有N个元素，从中随机抽取一个容量为n的样本，在重置抽样时，共有N·n 种抽法，即可以组成N·n不同的样本，在不重复抽样时，共有N·n个可能的样本。每一个样本都可以计算出一个均值，这些所有可能的抽样均值形成的分布就是样本均值的分布。但现实中不可能将所有的样本都抽取出来，因此，样本均值的概率分布实际上是一种理论分布。数理统计学的相关定理已经证明：

　　即样本均值的均值就是总体均值。

　　在重置抽样时，样本均值的方差为总体方 的1/n，即

　　在不重置抽样时，样本均值的方差为

　　其中， 为修正系数，对于无限总体进行不重置抽样时，可以按照重置抽样计算，当总体为有限总体，N比较大而n/N≥5% 时，修正系数可以简化为1-n/N，当N比较大，而n/N<5%时，修正系数可以近似为1，即可以按重置抽样计算。

　　当总体服从正态分布时，样本均值一定服从正态分布，即有X~N( )时，

　　若总体为未知的非正态分布时，只要样本容量 n足够大(通常要求n ≥30),样本均值仍会接近正态分布。样本分布的期望值为总体均值，样本方差为总体方差的1/n 。这就是统计上著名的中心极限定理。该定理可以表述为：从均值为 ,方差为 的总体中，抽取样本量为n的随机样本，当n充分大时(通常要求n ≥30)，样本均值的分布近似服从均值为 ,方差为 的正态分布。

　　如果总体不是正态分布，当n为小样本时(通常n<30),样本均值的分布则不服从正态分布。