Центральна гранична теорема — чому середні значення утворюють дзвоноподібну криву

3D Simulations

Статистика · Математика · Ймовірність

📅 Квітень 2026 ⏱ ≈ 12 хв читання 🎯 Середній рівень · Останнє оновлення: 28 травня 2026 р.

Центральна гранична теорема — чому середні значення утворюють дзвоноподібну криву

Центральна гранична теорема — це, мабуть, найважливіша теорема в статистиці. Вона стверджує, що середнє великої вибірки з будь-якого розподілу зі скінченною дисперсією буде приблизно нормально розподіленим — незалежно від того, чи є базовий розподіл рівномірним, експоненційним, сильно асиметричним чи іншим ненормальним. Цей єдиний факт лежить в основі z-критерію, t-критерію, довірчих інтервалів, регресії та більшості класичного статистичного висновування.

Автор: Команда MySimulator · Редакційна перевірка: Редакція MySimulator

1. Формальне формулювання

Класична ЦГТ: Нехай X₁, X₂, ..., Xₙ — незалежні однаково розподілені (н.о.р.) випадкові величини з середнім μ = E[Xᵢ] та дисперсією σ² = Var(Xᵢ) < \infty. Визначимо стандартизоване вибіркове середнє: Zₙ = (X̄ₙ - μ) / (σ/\sqrtn) де X̄ₙ = (X₁+...+Xₙ)/n Тоді: Zₙ ⟶ N(0, 1) за розподілом при n \to \infty Еквівалентно: \sqrtn (X̄ₙ - μ) ⟶ N(0, σ²) Ключові наслідки: • X̄ₙ приблизно дорівнює N(μ, σ²/n) для великих n • 95% довірчий інтервал: x̄ \pm 1.96\cdotσ/\sqrtn • Якщо σ невідоме: x̄ \pm t_(n-1, 0.025)\cdots/\sqrtn (t-розподіл) Емпіричне правило: n \geq 30 часто є "достатньо великим" для розподілів зі сприятливою поведінкою. Для важкохвостих або сильно асиметричних: може знадобитися n \geq 100 або більше

2. Доведення через характеристичні функції

Найелегантніше доведення використовує характеристичні функції (перетворення Фур'є розподілів імовірностей). Характеристична функція випадкової величини X дорівнює φ_X(t) = E[e^{itX}].

Схема доведення (теорема неперервності Леві): 1. Нехай Yᵢ = (Xᵢ - μ)/σ — стандартизована. Тоді E[Yᵢ]=0, Var(Yᵢ)=1. Zₙ = (Y₁+...+Yₙ)/√n 2. Характеристична функція стандартизованої суми: φ_{Zₙ}(t) = φ_Y(t/√n)ⁿ (оскільки Yᵢ є н.о.р.) 3. Розклад у ряд Тейлора log φ_Y(t) навколо t=0: log φ_Y(t) = log(1 + it·E[Y] - t²/2·E[Y²] + O(t³)) Оскільки E[Y]=0, Var(Y)=1: log φ_Y(t) = -t²/2 + O(t³) 4. Підставляємо: log φ_{Zₙ}(t) = n · log φ_Y(t/√n) = n · (-(t/√n)²/2 + O((t/√n)³)) = -t²/2 + O(1/√n) → -t²/2 при n → ∞ 5. Отже: φ_{Zₙ}(t) → e^{-t²/2} Це точно є характеристична функція N(0,1). 6. За теоремою неперервності Леві: Zₙ → N(0,1) за розподілом. □

3. Швидкість збіжності: теорема Беррі-Ессеена

ЦГТ стверджує, що збіжність відбувається, але не каже, наскільки швидко. Теорема Беррі-Ессеена дає кількісну оцінку:

Беррі-Ессеен (1941/1942): sup_x |P(Zₙ \leq x) - Φ(x)| \leq C \cdot ρ / (σ³ \sqrtn) де: ρ = E[|X - μ|³] (третій абсолютний момент) σ²= Var(X) Φ = стандартна нормальна функція розподілу C \leq 0.4748 (найкраща відома константа, Шевцова 2011) Приклад: величина Бернуллі(p) σ² = p(1-p), ρ = p(1-p)|1-2p| Макс. похибка \leq 0.4748 \times p(1-p)|1-2p| / (p(1-p))^(3/2) \times 1/\sqrtn \approx 1/(2\sqrtn) для p близько 0.5 При n = 100: макс. похибка функції розподілу \leq 0.05 (5%) При n = 1000: макс. похибка \leq 0.016 (1.6%) Практичний висновок: n=30 добре працює для симетричних одномодальних розподілів; для асиметричних розподілів на кшталт експоненційного n=100+ є надійнішим.

4. Дошка Гальтона

Дошка Гальтона (квінканкс), винайдена сером Френсісом Гальтоном близько 1876 року, є фізичною демонстрацією ЦГТ. Кулька падає крізь трикутний масив штифтів; біля кожного штифта вона відхиляється ліворуч або праворуч з рівною ймовірністю. Накопичені знизу кульки утворюють біноміальний розподіл, який за багатьох рядів наближається до N(0,1).

Математичний зв'язок: За n рядів: горизонтальне положення кульки = сума n кроків Бернуллі(0.5) Кожен крок: +1 (праворуч) або -1 (ліворуч) рівно ймовірні Сума ~ Біноміальний(n, 0.5) — біноміальний з n кроками, p=0.5 За ЦГТ: Біноміальний(n, p) \to N(np, np(1-p)) при n \to \infty Стандартизований: \to N(0, 1) Трикутник Паскаля: елемент C(n, k) = кількість шляхів до штифта (n, k) Висота стовпчика k \propto C(n, k) — відповідає дзвоноподібній формі нормального розподілу. Дошка Гальтона робить збіжність до нормального розподілу наочною: кінцеве положення кожної кульки є сумою n незалежних випадкових величин.

У більш загальному сенсі будь-яке явище, що є результатом суми багатьох малих незалежних внесків, буде приблизно нормально розподіленим. Саме тому зріст, похибки вимірювань, показники IQ, кров'яний тиск та багато інших природних величин мають дзвоноподібну форму.

5. Вибіркові розподіли у статистиці

ЦГТ є основою для вибіркових розподілів — розподілів статистик, обчислених із вибірок:

Вибіркове середнє X̄: ~ N(μ, σ²/n) за ЦГТ. Стандартна похибка = σ/√n.
Вибіркова частка p̂: ~ N(p, p(1-p)/n) для великих n. Використовується в A/B-тестуванні.
Різниця середніх X̄₁ − X̄₂: ~ N(μ₁−μ₂, σ₁²/n₁ + σ₂²/n₂). Основа двовибіркового t-критерію.
Довірчі інтервали: X̄ ± z_{α/2} · σ/√n містить справжнє μ у (1−α)% повторюваних експериментів.

Плутанина між "стандартною похибкою" та "стандартним відхиленням": Стандартне відхилення σ вимірює розкид окремих спостережень. Стандартна похибка SE = σ/√n вимірює розкид вибіркового середнього у повторюваних експериментах. SE зменшується як 1/√n — подвоєння обсягу вибірки зменшує невизначеність середнього на √2 ≈ 41%.

6. Коли ЦГТ не працює

ЦГТ має точні умови. Їх порушення має значення на практиці:

Важкохвості розподіли (нескінченна дисперсія): Якщо Var(X) = ∞ (наприклад, розподіл Парето з хвостовим індексом α ≤ 2, розподіл Коші), ЦГТ не застосовується. Вибіркові середні замість цього мають стійкий розподіл Леві. Фінансові доходи та інтернет- трафік часто мають степеневі хвости — вибіркові середні не збігаються до нормального.
Залежні спостереження: Класична ЦГТ вимагає н.о.р. вибірок. Корельовані часові ряди (акції, кліматичні записи) потребують "функціональної ЦГТ" або умов перемішування. Проте ЦГТ узагальнюється за слабкої залежності (процеси перемішування).
Неоднаково розподілені: ЦГТ Ляпунова охоплює випадок незалежних, але не однаково розподілених величин: якщо кожна змінна вносить незначну частку загальної дисперсії, ЦГТ все одно виконується.

Розподіл Коші не має ні середнього, ні дисперсії — вибіркове середнє n розподілених за Коші випадкових величин саме є розподіленим за Коші(0,1) для всіх n. Усереднення не допомагає. Це крайній контрприклад до ЦГТ.

7. Узагальнення: багатовимірна та функціональна ЦГТ

Багатовимірна ЦГТ: Нехай X₁, X₂, ..., Xₙ — н.о.р. випадкові вектори в ℝᵈ з вектором середніх μ та коваріаційною матрицею Σ. Тоді: √n (X̄ₙ - μ) → N_d(0, Σ) (d-вимірний нормальний) Багатовимірний нормальний розподіл N_d(μ, Σ) має щільність: f(x) = (2π)^(-d/2) |Σ|^(-1/2) exp(-½(x-μ)ᵀ Σ⁻¹ (x-μ)) Застосування: спільний розподіл вибіркових середніх корельованих змінних, дельта-метод для нелінійних функцій вибіркових середніх, багатовимірна регресія. ───────────────────────────────────────────────────── Функціональна ЦГТ (теорема Донскера, 1951): Визначимо процес часткових сум: S_n(t) = (X₁+...+X_{⌊nt⌋}) / (σ√n) Тоді S_n(·) → W(·) за розподілом (у функціональному просторі C[0,1]), де W — стандартний броунівський рух. Висновок: броунівський рух є універсальною границею масштабованих випадкових блукань. Основа для стохастичних диференціальних рівнянь, моделі Блека-Шоулза, виявлення точок зміни, броунівського мосту (розподіл Колмогорова-Смирнова).

Таким чином ЦГТ поєднує теорію ймовірностей, статистичне висновування, стохастичні процеси та математичну фізику в одну об'єднавчу систему. Універсальність нормального розподілу — не збіг, а математичний наслідок усереднення.

📐 Дослідити математику →