Merkezi Limit Teoremi Simülatörü

Sonuçlar

1.000 örnek, bu anakütleden alınan her biri 30 çekimin ortalaması — toplam 30.000 rastgele çekim. Tohum: 2024.

n = 30 için örnek ortalamalarının öngörülen çarpıklığı 0,365: hâlâ gözle görülür biçimde çarpık; bu nedenle normal eğri yalnızca kaba bir uyum. Daha büyük bir n onu yaklaştırır.

Bu bir kanıt değil, bir gösterimdir. Sonlu sayıda örnekle çubuklar eğri etrafında birkaç yüzde sallanır ve farklı bir tohum onları yeniden kaydırır.

Merkezi Limit Teoremi Simülatörü Nasıl Kullanılır

1. 1. Bir anakütle seçin. Sağa çarpık olanla başlayın, sonra hiç çan eğrisine benzemeyen çok çarpık, iki tepeli ve evet/hayır anakütlelerini deneyin.
2. 2. Örnek büyüklüğü n'yi ayarlayın. Her örnek, tek bir sayıya ortalanan n rastgele çekimdir. Hızlı düğmelerle n'yi 1, 5, 30 ve 100 olarak ilerletin ve histogramın nasıl değiştiğini izleyin.
3. 3. Örnek sayısını ayarlayın. Her örnek histograma bir ortalama ekler. Daha fazla örnek resmi daha pürüzsüz yapar, ancak örnekleme dağılımının gerçekte ne kadar normal olduğunu değiştirmez — bunu yalnızca n değiştirir.
4. 4. Canlandırın ya da tohumu değiştirin. Canlandırma, örnekleri yalnızca düğmeye bastığınızda birkaç birden ekler. Aynı tohum her zaman aynı resmi yeniden üretir; “Yeni rastgele tohum” farklı bir tohum seçer.

Merkezi Limit Teoremi Ne Söyler

Sonlu bir μ ortalamasına ve sonlu bir σ standart sapmasına sahip herhangi bir anakütleden bağımsız n değer çekin ve bunları ortalayın. n büyüdükçe bu ortalamanın dağılımı, anakütlenin şekli ne olursa olsun, ortalaması μ ve standart sapması σ/√n olan normal bir dağılıma yaklaşır — bu, standart hatadır. Anakütle normal hale gelmez; normal hale gelen, örnek ortalamalarının dağılımıdır.

Ne kadar hızlı olduğu anakütleye bağlıdır. Simetrik bir anakütle hızla, çarpık olan ise yavaşça oraya ulaşır. Bir örnek ortalamasının çarpıklığı, anakütlenin çarpıklığının √n'ye bölümüdür; bu nedenle simülatörün tablosu, siz hiçbir şey çalıştırmadan önce bunu öngörebilir:

Çarpıklık hikâyenin tamamı değildir: iki tepeli anakütlenin çarpıklığı 0'dır, ama iki tepesi birleşmeden önce yine de örnek başına birkaç çekim gerekir. “n en az 30 olsun yeter” kuralı orta derecede çarpık veriler için uygundur; log-normal anakütle ise n = 100'de bile belirgin bir çarpıklık taşır. Simülatör, öngörülen çarpıklık 0,25'in altına düştüğünde uyumu yakın sayar — bu kaba bir rehberdir, bir teorem değil.

Çalışılmış Örnek: Çarpık Anakütle, n = 30

Varsayılan ayarlarla — üstel anakütle (μ = 1, σ = 1), n = 30, 1.000 örnek, tohum 2024 — teorem 1/√30 = 0,1826 standart hata ve 0,3651 çarpıklık öngörür. Bu çalıştırmanın 1.000 örnek ortalamasının ortalaması 1,008, standart sapması 0,1835 ve çarpıklığı 0,3448'dir; bunların %95,1'i 1'in 1,96 standart hatası içinde kalır — normal bir eğrinin vereceği %95 ile karşılaştırıldığında.

Sayılar teoriye yakın ama tam üzerinde değil ve olmamaları da gerekir: 1.000 örnek sonlu bir çalıştırmadır. Bu çalıştırma toplamda 30.000 rastgele çekim yaptı; farklı bir tohum her çubuğu biraz kaydırır. Kalan çarpıklık da gerçektir — n = 30'da üstel bir anakütlenin ortalamaları hâlâ hafifçe sağa çarpıktır; bu nedenle simülatör normal eğriyi burada kaba bir uyum olarak nitelendirir.

Sık sorulan sorular

Merkezi limit teoremi sade bir dille ne söyler?

Birçok bağımsız gözlemin ortalamaları, bireysel gözlemler normal olmasa bile yaklaşık olarak normal dağılır. Ortalaması μ ve standart sapması σ olan bir anakütleden alınan n değerin ortalaması, ortalaması μ ve standart sapması σ/√n olan bir dağılım verir; n büyüdükçe bu dağılım bir çan eğrisine daha çok benzer.

Örnek büyüklüğü ne kadar büyük olmalı?

Tek bir sayı yoktur. Yaklaşık simetrik anakütleler için n 10 ile 15 arası yeterli olabilir; orta derecede çarpık olanlar için n = 30 olağan kuraldır; ağır çarpık olanlar için (buradaki log-normal gibi) n = 100 ya da daha fazlası gerekebilir. Simülatörü kendi anakütlenize benzer bir anakütlede çalıştırın ve histograma bakın.

Teorem anakütleyi normal yapar mı?

Hayır. Anakütle şeklini korur. Normalliğe yaklaşan şey örnek ortalamasının dağılımıdır; bu nedenle n küçük olmadığında, orta derecede normal olmayan verilerde ortalama için t testleri ve güven aralıkları oldukça iyi çalışır.

Simüle edilen standart sapmam neden tam olarak σ/√n değil?

Çalıştırma, örnek ortalamalarının sonlu bir örneğidir. 1.000 örnekle simüle edilen standart sapma genellikle teorik standart hatanın birkaç yüzdesi içinde kalır; daraltmak için örnek sayısını artırın. Farklı bir tohum her seferinde biraz farklı bir değer verir.

Merkezi limit teoremi her zaman işe yarar mı?

Anakütlenin sonlu bir varyansı yoksa işe yaramaz; örneğin Cauchy dağılımında örnek ortalaması tek bir gözlem kadar değişkendir. Ayrıca bağımsız çekimler varsayar; bir kişiden alınan tekrarlı ölçümler gibi ilişkili veriler daha yavaş yakınsar ya da hiç yakınsamaz.

Tohum ne işe yarar ve rastgelelik gerçek mi?

Çekimler, tohumunuzdan üretilen sözde-rastgele sayılardır; bu nedenle aynı tohum, anakütle, n ve örnek sayısı her zaman aynı resmi verir — bir örneği paylaşmak için kullanışlıdır. “Yeni rastgele tohum”, tarayıcınızın güvenli rastgele sayı üreticisiyle bir tohum seçer. Her şey tarayıcınızda çalışır; hiçbir şey yüklenmez.