केंद्रीय सीमा प्रमेय सिम्युलेटर
एक जनसंख्या, नमूना आकार n, और नमूनों की संख्या चुनें, और देखें कि नमूना माध्यों का बंटन कैसे बनता है — उस पर खिंचे सामान्य वक्र के साथ जो प्रमेय भविष्यवाणी करता है, और उसके बगल में वह सिद्धांत जो आपके रन ने दिया। बीज-आधारित है, इसलिए चित्र दोहराया जा सकता है; माँग पर एनिमेट करें। आपके ब्राउज़र में चलता है — कुछ भी अपलोड नहीं होता। निःशुल्क, पंजीकरण आवश्यक नहीं।
1 से 1,000 तक। 1, फिर 5, फिर 30, फिर 100 आज़माएँ।
10 से 20,000 तक। नमूने × n अधिकतम 2,000,000 ड्रॉ हो सकते हैं।
वही बीज हमेशा वही चित्र देता है। कोई भी शब्द चलेगा।
परिणाम
1,000 नमूने, जिनमें से हर एक इस जनसंख्या से 30 ड्रॉ का माध्य है — कुल 30,000 यादृच्छिक ड्रॉ। बीज: 2024।
जनसंख्या
जनसंख्या माध्य μ = 1, मानक विचलन σ = 1, विषमता 2।
नमूना माध्य
1,000 नमूना माध्य (हर एक में n = 30)। वक्र वह सामान्य बंटन है जो प्रमेय भविष्यवाणी करता है: माध्य 1, मानक त्रुटि 0.1826।
1 नमूना माध्य चार मानक त्रुटियों से बाहर है और नहीं खींचा गया।
| माप | सिद्धांत | यह रन |
|---|---|---|
| नमूना माध्यों का माध्य (μ) | 1 | 1.008 |
| नमूना माध्यों का SD (σ/√n) | 0.1826 | 0.1835 |
| नमूना माध्यों की विषमता | 0.3651 | 0.3448 |
| ±1.96 SE के भीतर माध्य (सामान्य: 95%) | 95.0% | 95.1% |
n = 30 पर नमूना माध्यों की अनुमानित विषमता 0.365 है: अब भी साफ़ तौर पर विषम, इसलिए सामान्य वक्र केवल मोटा फ़िट है। बड़ा n उसे करीब लाता है।
यह एक चित्रण है, प्रमाण नहीं। परिमित संख्या में नमूनों के साथ पट्टियाँ कुछ प्रतिशत तक वक्र के इर्द-गिर्द डगमगाती हैं, और अलग बीज उन्हें फिर खिसका देता है।
केंद्रीय सीमा प्रमेय सिम्युलेटर का उपयोग कैसे करें
- 1. जनसंख्या चुनें। दाईं ओर झुकी जनसंख्या से शुरू करें, फिर अत्यधिक विषम, द्विशिखर और हाँ/नहीं जनसंख्याएँ आज़माएँ, जिनके आकार घंटी जैसे बिल्कुल नहीं दिखते।
- 2. नमूना आकार n सेट करें। हर नमूना n यादृच्छिक ड्रॉ का औसत होकर एक संख्या बनता है। त्वरित बटन से n को 1, 5, 30 और 100 के क्रम में ले जाएँ और हिस्टोग्राम बदलते देखें।
- 3. नमूनों की संख्या सेट करें। हर नमूना हिस्टोग्राम में एक माध्य जोड़ता है। अधिक नमूने चित्र को चिकना बनाते हैं, पर वे नमूना बंटन कितना सामान्य है, यह नहीं बदलते — वह केवल n बदलता है।
- 4. एनिमेट करें, या बीज बदलें। एनिमेशन नमूने कुछ-कुछ करके जोड़ता है, केवल तब जब आप बटन दबाएँ। वही बीज हमेशा वही चित्र दोहराता है; “नया यादृच्छिक बीज” एक अलग बीज चुनता है।
केंद्रीय सीमा प्रमेय क्या कहता है
किसी भी जनसंख्या से n स्वतंत्र मान लें जिसका परिमित माध्य μ और परिमित मानक विचलन σ हो, और उनका औसत लें। जैसे-जैसे n बढ़ता है, उस औसत का बंटन माध्य μ और मानक विचलन σ/√n — मानक त्रुटि — वाले सामान्य बंटन के करीब पहुँचता है, जनसंख्या का आकार चाहे जो भी हो। जनसंख्या सामान्य नहीं बन जाती; नमूना माध्यों का बंटन बनता है।
यह कितनी जल्दी होता है, यह जनसंख्या पर निर्भर करता है। सममित जनसंख्या जल्दी पहुँचती है, विषम धीरे। नमूना माध्य की विषमता, जनसंख्या की विषमता को √n से भाग देने के बराबर है, इसलिए सिमुलेटर की तालिका इसे कुछ भी चलाने से पहले अनुमानित कर सकती है:
| जनसंख्या | n = 1 | n = 5 | n = 30 | n = 100 |
|---|---|---|---|---|
| सामान्य या एकसमान | 0 | 0 | 0 | 0 |
| हाँ/नहीं (p = 0.2) | 1.500 | 0.671 | 0.274 | 0.150 |
| दाईं ओर झुकी (घातांकीय) | 2.000 | 0.894 | 0.365 | 0.200 |
| अत्यधिक दाईं ओर झुकी (लॉग-सामान्य) | 6.185 | 2.766 | 1.129 | 0.618 |
विषमता पूरी कहानी नहीं है: द्विशिखर जनसंख्या की विषमता 0 है, फिर भी उसके दो शिखर एक होने से पहले उसे कई ड्रॉ चाहिए। आम नियम “n 30 या अधिक पर्याप्त है” मध्यम रूप से विषम डेटा के लिए ठीक है; लॉग-सामान्य जनसंख्या n = 100 पर भी ध्यान देने योग्य विषमता रखती है। सिमुलेटर फ़िट को तब करीब मानता है जब अनुमानित विषमता 0.25 से नीचे आ जाए — यह एक मोटा मार्गदर्शन है, प्रमेय नहीं।
हल किया गया उदाहरण: विषम जनसंख्या, n = 30
डिफ़ॉल्ट सेटिंग्स के साथ — घातांकीय जनसंख्या (μ = 1, σ = 1), n = 30, 1,000 नमूने, बीज 2024 — प्रमेय 1/√30 = 0.1826 की मानक त्रुटि और 0.3651 की विषमता बताता है। इस रन के 1,000 नमूना माध्यों का माध्य 1.008, SD 0.1835 और विषमता 0.3448 है, और उनमें से 95.1% 1 के 1.96 मानक त्रुटियों के भीतर हैं, जबकि सामान्य वक्र 95% देता।
संख्याएँ सिद्धांत के करीब हैं पर उस पर ठीक नहीं, और उन्हें होना भी नहीं चाहिए: 1,000 नमूने एक परिमित रन है। इस रन ने कुल 30,000 यादृच्छिक ड्रॉ किए; एक अलग बीज हर पट्टी को थोड़ा खिसका देता है। अवशिष्ट विषमता भी असली है — n = 30 पर घातांकीय जनसंख्या के माध्य अभी भी थोड़ा दाईं ओर झुके हैं, इसलिए सिमुलेटर यहाँ सामान्य वक्र को मोटा फ़िट कहता है।
सिमुलेशन से सूत्रों तक
मानक त्रुटि σ/√n वही है जिसे मानक त्रुटि कैलकुलेटर और नमूना बंटन कैलकुलेटर आपकी अपनी संख्याओं से निकालते हैं; सामान्य बंटन के क्षेत्रफल सामान्य बंटन कैलकुलेटर से आते हैं।
अक्सर पूछे जाने वाले प्रश्न
- केंद्रीय सीमा प्रमेय सरल शब्दों में क्या कहता है?
- स्वतंत्र प्रेक्षणों के औसत लगभग सामान्य बंटित होते हैं, भले ही व्यक्तिगत प्रेक्षण ऐसे न हों। माध्य μ और मानक विचलन σ वाली जनसंख्या से n मानों का औसत माध्य μ और मानक विचलन σ/√n रखता है, और n बढ़ने पर उसका बंटन घंटी वक्र जैसा दिखता है।
- नमूना आकार कितना बड़ा होना चाहिए?
- कोई एक संख्या नहीं है। लगभग सममित जनसंख्याओं के लिए n 10 से 15 चल सकता है; मध्यम विषम के लिए n 30 सामान्य नियम है; अत्यधिक विषम के लिए (जैसे यहाँ का लॉग-सामान्य) n 100 या अधिक चाहिए हो सकता है। अपनी जैसी जनसंख्या पर सिमुलेटर चलाएँ और हिस्टोग्राम देखें।
- क्या प्रमेय जनसंख्या को सामान्य बना देता है?
- नहीं। जनसंख्या अपना आकार रखती है। जो सामान्यता की ओर बढ़ता है वह नमूना माध्य का बंटन है, इसीलिए माध्य के लिए t-परीक्षण और विश्वास अंतराल मध्यम गैर-सामान्य डेटा पर भी ठीक काम करते हैं, जब n छोटा न हो।
- मेरा सिमुलेटेड मानक विचलन ठीक σ/√n क्यों नहीं है?
- क्योंकि रन नमूना माध्यों का एक परिमित नमूना है। 1,000 नमूनों में सिमुलेटेड SD आम तौर पर सैद्धांतिक मानक त्रुटि के कुछ प्रतिशत के भीतर होता है; उसे कसने के लिए नमूनों की संख्या बढ़ाएँ। अलग बीज हर बार थोड़ा अलग मान देता है।
- क्या केंद्रीय सीमा प्रमेय हमेशा काम करता है?
- नहीं, जब जनसंख्या का परिमित विचरण न हो, जैसे कॉशी बंटन, जिसका नमूना माध्य एक अकेले प्रेक्षण जितना ही परिवर्तनशील है। यह स्वतंत्र ड्रॉ भी मानता है; सहसंबद्ध डेटा, जैसे एक ही व्यक्ति पर बार-बार माप, धीरे अभिसरित होता है या बिल्कुल नहीं।
- बीज क्या करता है, और क्या यादृच्छिकता असली है?
- ड्रॉ आपके बीज से बनी छद्म-यादृच्छिक संख्याएँ हैं, इसलिए वही बीज, जनसंख्या, n और नमूनों की संख्या हमेशा एक ही चित्र देते हैं — एक उदाहरण साझा करने के लिए उपयोगी। “नया यादृच्छिक बीज” आपके ब्राउज़र के सुरक्षित यादृच्छिक जनक से एक बीज चुनता है। सब कुछ आपके ब्राउज़र में चलता है; कुछ भी अपलोड नहीं होता।