PL 
EnglishDomyślny
Українська📊 Centralne twierdzenie graniczne
Losuj kolejne próby z rozkładu jednostajnego, wykładniczego, dwumodalnego lub Poissona i patrz, jak histogram średnich zbiega do krzywej dzwonowej — niezależnie od rozkładu źródłowego.
Podobne symulacje
O centralnym twierdzeniu granicznym
Centralne twierdzenie graniczne (CLT) jest jednym z najpotężniejszych wyników w statystyce: jeśli pobierzesz wystarczająco dużą losową próbę z niemal dowolnego rozkładu i obliczysz jej średnią, te średnie z prób będą miały w przybliżeniu rozkład normalny — niezależnie od kształtu rozkładu źródłowego. Formalnie, jeśli X ma średnią μ i odchylenie standardowe σ, to rozkład średniej z próby X̄ (dla prób o liczebności n) zbiega do N(μ, σ²/n), gdy n rośnie. To wyjaśnia, dlaczego tak wiele zjawisk naturalnych i społecznych ma rozkład w kształcie krzywej dzwonowej: są one sumą wielu niezależnych wpływów.
Wybierz rozkład źródłowy (jednostajny, wykładniczy, dwumodalny, Poissona lub prawoskośny), ustaw liczebność próby n i naciśnij Start. Górny pasek pokazuje kształt rozkładu źródłowego; dolny histogram gromadzi średnie z prób w miarę ich losowania. Nakładka krzywej normalnej pojawia się w kolorze bursztynowym, a panel statystyk śledzi, jak blisko empiryczne odchylenie standardowe odpowiada teoretycznemu σ/√n.
Najczęściej zadawane pytania
Co dokładnie mówi centralne twierdzenie graniczne?
Dla niezależnych i jednakowo rozłożonych (i.i.d.) zmiennych losowych X₁, X₂, …, Xn o średniej μ i skończonej wariancji σ², znormalizowana średnia z próby (X̄ − μ) / (σ/√n) zbiega według rozkładu do standardowego rozkładu normalnego N(0,1), gdy n → ∞. W praktyce n ≥ 30 jest zwykle wystarczające dla rozkładów symetrycznych; silnie skośne rozkłady mogą wymagać n ≥ 100 lub więcej.
Dlaczego histogram zwęża się wraz ze wzrostem liczebności próby?
Błąd standardowy średniej wynosi σ/√n — maleje jak pierwiastek kwadratowy z liczebności próby. Podwojenie n zmniejsza błąd standardowy o połowę, czyniąc krzywą dzwonową dwa razy węższą. Dlatego uśrednianie powtarzanych pomiarów jest tak skutecznym sposobem redukcji niepewności: zebranie czterokrotnie większej liczby danych zmniejsza niepewność średniej o połowę.
Czy CLT działa dla rozkładów dwumodalnych?
Tak — CLT stosuje się do każdego rozkładu o skończonej średniej i wariancji, w tym dwumodalnych. Opcja Dwumodalny w symulatorze wykorzystuje mieszaninę dwóch rozkładów Gaussa wyśrodkowanych na 0,25 i 0,75. Mimo że rozkład źródłowy ma dwa szczyty, już po wylosowaniu kilkuset prób o liczebności n = 30 histogram średnich przybiera wyraźnie dzwonowy kształt.
Jaka jest różnica między wariancją populacji a błędem standardowym?
Wariancja populacji σ² opisuje, jak szeroko rozproszone są pojedyncze obserwacje wokół średniej populacji. Błąd standardowy σ/√n opisuje, jak szeroko rozproszone są średnie z próby — jest znacznie mniejszy, ponieważ uśrednianie n wartości „znosi” część indywidualnej zmienności. Mylenie tych dwóch pojęć to częsty błąd statystyczny: firmy prowadzące sondaże podają błąd standardowy swojego badania, a nie rozproszenie pojedynczych opinii.
Czy istnieją rozkłady, dla których CLT nie ma zastosowania?
Tak. Rozkłady o nieskończonej wariancji (jak rozkład Cauchy'ego lub rozkłady potęgowe o ciężkich ogonach z wykładnikiem ≤ 2) nie spełniają warunków CLT. Dla zmiennych o rozkładzie Cauchy'ego, niezależnie od tego, ile z nich uśrednimy, średnia z próby wciąż ma ten sam rozkład Cauchy'ego — nigdy nie zbiega do normalnego. Zwroty finansowe podczas krachów rynkowych czasem wykazują takie ciężkie ogony, dlatego modele ryzyka oparte na rozkładzie normalnym mogą katastrofalnie nie doszacować ekstremalnych strat.
Dlaczego większość pomiarów w nauce ma rozkład normalny?
Większość pomiarów fizycznych jest wynikiem wielu małych, niezależnych błędów addytywnych — niedokładności przyrządów, wahań środowiskowych, zaokrągleń itd. Zgodnie z CLT suma wielu małych niezależnych błędów zbiega do rozkładu normalnego niezależnie od ich indywidualnych kształtów. Dlatego gaussowskie (normalne) modele błędów są tak powszechne w naukach eksperymentalnych.
Czym jest „reguła kciuka” n ≥ 30?
Reguła mówiąca, że próba o liczebności 30 wystarcza, aby zastosować CLT, pochodzi z empirycznego doświadczenia z umiarkowanie skośnymi rozkładami jednomodalnymi. Dla idealnie symetrycznego źródła (jak rozkład jednostajny) już n ≥ 5 daje niemal normalny histogram średnich. Dla mocno skośnych rozkładów (jak wykładniczy) może być potrzebne n ≥ 100. W tym symulatorze można to sprawdzić bezpośrednio, porównując jakość dopasowania krzywej normalnej dla różnych wartości n.
Jak CLT jest wykorzystywane w testowaniu hipotez?
CLT uzasadnia stosowanie testów z i t nawet wtedy, gdy badana populacja nie ma rozkładu normalnego. Na przykład przy porównywaniu średniego poziomu cholesterolu w dwóch grupach CLT gwarantuje, że rozkład różnicy średnich jest w przybliżeniu normalny dla dostatecznie dużych prób, więc test z jest zasadny. Dzięki temu CLT jest niewidocznym fundamentem większości klasycznych wnioskowań statystycznych.
Jaki jest związek między CLT a krzywą dzwonową w przyrodzie?
Wzrost człowieka, wyniki testów, błędy pomiarowe i wiele cech biologicznych mają w przybliżeniu rozkład normalny, ponieważ są wynikiem addytywnego działania wielu niezależnych czynników genetycznych i środowiskowych. Zgodnie z CLT suma wielu małych niezależnych wkładów — niezależnie od ich indywidualnych rozkładów — dąży do normalności. Francis Galton nazwał to „najwyższym prawem Nierozumu”, gdy odkrył je w latach 70. XIX wieku.
Co oznacza wskaźnik „Dopasowanie do rozkładu normalnego” w panelu statystyk?
Symulator oblicza teoretyczne odchylenie standardowe rozkładu średnich z próby jako σ_teoria = σ/√n, a następnie mierzy empiryczne odchylenie standardowe zgromadzonych średnich z próby. Wartość „dopasowania” to 100% × (1 − |σ_empiryczne − σ_teoria| / σ_teoria), ograniczona do 0%. Wartość bliska 100% oznacza, że histogram ściśle podąża za przewidywaniem CLT; niskie wartości wskazują, że potrzeba więcej próbek lub większego n.
Losuj kolejne próby z rozkładu jednostajnego, wykładniczego, dwumodalnego lub Poissona i patrz, jak histogram średnich zbiega do krzywej dzwonowej — niezależnie od rozkładu źródłowego.
3D · Three.js / WebGL renderer · 30 FPS target · działa w całości po stronie klienta, bez instalacji