#P07 · 概率统计与AI优化 (Probability & AI) · Lv.4在3D思维导图中查看

中心极限定理 (CLT) 与置信区间

Pierre-Simon Laplace & Aleksandr Lyapunov · 1810년

\frac{\bar{X}_n - \mu}{\sigma / \sqrt{n}} \xrightarrow{d} \mathcal{N}(0, 1) \quad (n \to \infty)

\text{95\% CI} = \bar{X} \pm 1.96 \frac{\sigma}{\sqrt{n}}

无论总体分布形态如何，只要样本量n足够大，样本均值的抽样分布都会收敛于标准误为 σ/√n 的正态分布。

🧮 即时公式计算器与图形绘制器

样本均值 X̄

标准差 σ

样本量 n

\text{SE} = \frac{12}{\sqrt{36}} = 2.000, \quad \text{95\% CI} = 50 \pm 3.92

표준오차 SE = σ/√n

2.0000

95% 신뢰구간 [L, U]

[46.08, 53.92]

오차 한계 (±1.96 SE)

±3.920

先修概念路径 (Prerequisite Path) (16 STEP)

完整路径分析

按顺序点击即可沿3D霓虹路径从基础直达目标公式。

STEP 1#P01排列与组合 (计数原理)

{}_nP_r = \frac{n!}{(n-r)!}

STEP 2#A02乘法公式与因式分解恒等式

(a+b)^2 = a^2 + 2ab + b^2

STEP 3#A03指数法则与根式运算

a^m \cdot a^n = a^{m+n}

STEP 4#A01等式性质与一元一次方程

ax + b = 0 \implies x = -\frac{b}{a}

STEP 5#A06对数运算法则与换底公式

\log_a(xy) = \log_a x + \log_a y

STEP 6#P02条件概率与乘法定理

P(A \mid B) = \frac{P(A \cap B)}{P(B)}

STEP 7#A08二项式定理与帕斯卡三角形

(a+b)^n = \sum_{k=0}^{n} \binom{n}{k} a^{n-k} b^k

STEP 8#C01极限的定义与自然常数 e 的诞生

e = \lim_{n \to \infty} \left(1 + \frac{1}{n}\right)^n \approx 2.718281828

STEP 9#P05二项分布与伯努利试验

P(X = k) = \binom{n}{k} p^k (1-p)^{n-k}

STEP 10#A07等差·等比数列求和与无穷等比级数

S_n = \frac{a(1 - r^n)}{1 - r}

STEP 11#C02导数定义与瞬时变化率 (切线斜率)

f'(x) = \frac{df}{dx} = \lim_{h \to 0} \frac{f(x+h) - f(x)}{h}

STEP 12#P04数学期望与方差 (随机变量矩)

E[X] = \sum_i x_i p_i

STEP 13#C04微积分基本定理与定积分 (牛顿-莱布尼茨公式)

\int_a^b f(x)\

STEP 14#P06正态分布 (高斯分布) 与标准分数 Z

f(x) = \frac{1}{\sigma\sqrt{2\pi}} \exp\!\left(-\frac{(x-\mu)^2}{2\sigma^2}\right)

STEP 15#C06泰勒级数与麦克劳林多项式展开

f(x) = \sum_{n=0}^{\infty} \frac{f^{(n)}(a)}{n!}(x-a)^n

STEP 16#P07中心极限定理 (CLT) 与置信区间

\frac{\bar{X}_n - \mu}{\sigma / \sqrt{n}} \xrightarrow{d} \mathcal{N}(0

几何与直观原理解析

표본 오차를 절반으로 줄이려면 표본 크기 n을 2배가 아니라 4배(√4 = 2)로 늘려야 한다는 '루트 n의 법칙'을 알려줍니다.

分步公式推导过程

Step 1.독립 항등분포 확률변수 X₁..Xₙ의 표본평균 X̄ = (X₁+...+Xₙ)/n에 대해 E[X̄] = μ입니다.
Step 2.분산 성질 Var(aX) = a²Var(X)에 의해 Var(X̄) = (1/n²) · nσ² = σ²/n이므로 표준오차 SE = σ/√n입니다.
Step 3.특성함수(푸리에 변환)의 테일러 2차 전개에 의해 n→∞일 때 표준화된 합은 N(0,1)로 수렴합니다.

AI与编程实战应用

解释小批量随机梯度下降(Mini-Batch SGD)的 1/√n 方差缩减规律以及蒙特卡洛光线追踪误差界。

#Mini-Batch SGD#Monte Carlo Ray Tracing#Confidence Intervals#Statistical Inference

const stdError = (sigma, n) => sigma / Math.sqrt(n); const ci95 = (mean, se) => [mean - 1.96*se, mean + 1.96*se];

概率统计与AI优化 (Probability & AI) — 同领域相关公式

排列与组合 (计数原理)

Lv.1 · Combinatorics

条件概率与乘法定理

Lv.2 · LLM Next-Token

贝叶斯定理 (后验概率推断)

Lv.3 · Spam Filter

数学期望与方差 (随机变量矩)

Lv.2 · Reinforcement Learning

二项分布与伯努利试验

Lv.2 · A/B Testing

正态分布 (高斯分布) 与标准分数 Z

Lv.3 · Diffusion Models