詳細解釋
中央極限定理（CLT）指出：自同一母體重複抽取獨立樣本並計算平均數，這些平均數的分布會隨樣本數 n 增大而趨近常態分布，且與母體原本的分布形狀無關（在適當條件下）。因此大樣本時可用常態近似做區間估計與檢定。
在 機器學習 (ML) 中，CLT 支持對模型表現做統計推論：例如多次重採樣或不同 random seed 下的準確率平均可視為近似常態，從而計算信賴區間、做模型比較或 校準 (機率校準 / Calibration) 評估。與 機器學習 (ML)、校準 (機率校準 / Calibration)、假設檢定等概念相關。