#P07 · 概率統計與AI優化 (Probability & AI) · Lv.4在3D思維導圖中查看

中央極限定理 (CLT) 與信賴區間

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}}

無論母體分布形態如何，只要樣本量n足夠大，樣本均值的抽樣分布都會收斂於標準誤為 σ/√n 的常態分布。

🧮 即時公式計算器與圖形繪製器

樣本均值 X̄

標準差 σ

樣本量 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

先修概念路徑 (Prerequisite Path) (16 STEP)

完整路徑分析

按順序點擊即可沿3D霓虹路徑從基礎直達目標公式。

STEP 1#P01排列與組合 (計數原理)

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

STEP 2#A02乘法公式與因式分解恆等式

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

STEP 3#A03指數法則與根式運算

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

STEP 4#A01等式性質與一元一次方程

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

STEP 5#A06對數運算法則與換底公式

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

STEP 6#P02條件概率與乘法定理

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

STEP 7#A08二項式定理與帕斯卡三角形

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

STEP 8#C01極限的定義與自然常數 e 的誕生

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

STEP 9#P05二項分布與伯努利試驗

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

STEP 10#A07等差·等比數列求和與無窮等比級數

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

STEP 11#C02導數定義與瞬時變化率 (切線斜率)

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

STEP 12#P04數學期望與方差 (隨機變量矩)

E[X] = \sum_i x_i p_i

STEP 13#C04微積分基本定理與定積分 (牛頓-萊布尼茨公式)

\int_a^b f(x)\

STEP 14#P06常態分布 (高斯分布) 與標準分數 Z

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

STEP 15#C06泰勒級數與麥克勞林多項式展開

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

STEP 16#P07中央極限定理 (CLT) 與信賴區間

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

幾何與直觀原理解析

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

分步公式推導過程

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與程式實戰應用

解釋小批量隨機梯度下降(Mini-Batch SGD)的 1/√n 方差縮減規律以及蒙特卡洛光線追蹤誤差界。

#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];

概率統計與AI優化 (Probability & AI) — 同領域相關公式

排列與組合 (計數原理)

Lv.1 · Combinatorics

條件概率與乘法定理

Lv.2 · LLM Next-Token

貝氏定理 (後驗概率推斷)

Lv.3 · Spam Filter

數學期望與方差 (隨機變量矩)

Lv.2 · Reinforcement Learning

二項分布與伯努利試驗

Lv.2 · A/B Testing

常態分布 (高斯分布) 與標準分數 Z

Lv.3 · Diffusion Models