我们可以看到黄金三角的推理逻辑关系链，有了样本到总体分布的关系（[[参数估计]]），有了总体到抽样分布的推理（[[抽样分布]]），从箭头明显看得到，我们似乎可以在抽样分布中讨论假设检验了，也就是讨论我们这个做实验的唯一样本与抽样分布之间的关系了。话说回来我们还缺少能够量化的工具（P值），毕竟抽样分布只能告诉我们平均值和方差，并没有告诉抽样分布的形状（[[概率分布]]），有了中心极限定理的加持所有假设检验的铺垫都已就绪，我们的逻辑链条([[黄金三角]])终于能够闭环了。
现在我们已经掌握了总体、样本、抽样分布以及它们各自的参数和统计量这些核心概念。是时候将它们串联起来，构建我们理解A/B测试乃至整个统计推断的核心框架了。而这一切的“粘合剂”，就是统计学中最强大、最神奇的定理之一——**中心极限定理 (Central Limit Theorem, CLT)**。
中心极限定理：化繁为简的“魔法”
我们知道了，想要了解总体的真实参数（如 或 ），我们只能通过样本统计量（如 或 ）来估计。我们也知道了，样本统计量本身是随机的，其随机性由抽样分布描述。
但这个抽样分布到底长什么样呢？它的形状、中心、离散程度如何？这对于我们评估估计的可靠性、判断差异的显著性至关重要。
这时，中心极限定理（CLT）闪亮登场，它带来了一个极其惊人且极为有用的结论：
中心极限定理的核心思想（通俗版）：
无论原始总体的数据分布是什么样子（无论是正态分布、偏态分布、二项分布，甚至是奇形怪状的分布），只要你抽取的样本量 足够大（通常 是一个经验法则，对于比例而言需要 且 ），那么：
样本均值 的抽样分布 会近似地服从正态分布！ 样本比例 的抽样分布 也会近似地服从正态分布！