1. 一个具体问题

客服处理时长明显右偏：大多数咨询很快结束，少数问题却拖得很久。为什么分析“每天平均处理时长”时，仍然可能用到近似正态分布？关键在于区分单次观察的分布与多次观察平均值的分布，它们不是同一个对象。

2. 一句话解释

满足条件时，大量随机变量之和或均值经过适当标准化后，其分布趋近正态分布。

3. 出处与原意

中心极限定理经历了从特定二项分布近似到更一般形式的发展，并非一句“所有数据最后都会正态化”。现代统计教材通常先讲独立同分布、有限方差的版本，再讨论更弱条件。OpenStax 的相关章节重点说明样本均值及其标准误。

4. 原理与机制

若每个观测的均值为 μ、标准差为 σ，常见标准化形式是 (样本均值−μ)/(σ/√n)。大数定律关心均值靠近哪里，中心极限定理进一步描述其波动形状。近似好坏受偏度、尾部与样本量共同影响，因此“超过三十个就一定可用”只是一种过度简化，不能替代对数据生成过程的检查。

可以用一个直观实验理解两个分布的区别：先画出全部单次处理时长，再多次随机抽取同样数量的记录、计算每组均值，画出这些均值的分布。第二张图往往更集中，也可能更接近对称；但第一张图不会因此改变。用均值的近似正态性解释个体极端等待，正是把两张图混为一谈。

5. 一个完整案例

假设案例：某流程的单次服务时间均值为 10 分钟、标准差为 6 分钟。假定业务稳定、观测独立且正态近似已足够好，100 次服务平均值的标准误是 6/√100=0.6 分钟。重复抽取这样的百次样本，其平均值约有 95% 落在 10±1.96×0.6，即 8.824 到 11.176 分钟之间。这是在讨论样本均值，不是声称 95% 的单次服务都能在这个区间内完成。

6. 适用条件与反例

它可用于平均值的不确定性估计与一些检验近似。但连续请求可能共同受到系统拥堵影响，此时一百次记录不是一百份完全独立的信息。重尾到方差不存在时，常见版本也不成立。极端分位数、最大值和稀有事件不能因为原始样本量大就一律套上均值的公式。

7. 今天可以尝试的行动

挑一张平均值报表，补上原始值分布、样本量和相关性说明。若要给出区间，先说明区间针对“均值”还是“下一次观测”，再选择公式或重抽样方法。

8. 参考资料与关联条目