Centralne twierdzenie graniczne opisuje, w jakim sensie suma wielu przypadkowych składników przy odpowiedniej normalizacji dąży do określonego rozkładu granicznego. W ujęciu klasycznym mówi ono, że przy dużej liczbie niezależnych zmiennych losowych ich ustandaryzowana suma ma rozkład zbliżony do rozkładu gaussowskiego. Ten fakt tłumaczy, dlaczego rozkład normalny tak często pojawia się w przyrodzie i w statystyce.
Podstawowa idea i sformułowanie
W najprostszym wariancie rozważamy ciąg niezależnych i identycznie rozłożonych zmiennych losowych z skończonymi momentami. Po odjęciu wartości oczekiwanej i podzieleniu przez pierwiastek z liczby składników (czyli ustandaryzowaniu) rozkład sumy dąży do rozkładu normalnego, gdy liczba składników rośnie. Intuicyjnie: niezależne losowe odchylenia wzajemnie się mieszają i żadna jednostkowa składowa nie dominuje wyniku.
Główne warunki i uogólnienia
- Niezależność – w klasycznym twierdzeniu składniki są niezależne; istnieją też wersje osłabiające ten wymóg.
- Skończona wariancja – warunek zapewniający, że rozrzut sumy nie jest nieskończony; szczegółowo dotyczy to wariancji zmiennych losowych.
- Wartość oczekiwana – zwykle odejmuje się średnią każdej zmiennej przed skalowaniem; to przesunięcie umożliwia zbieżność do symetrycznego rozkładu.
Istnieją liczne uogólnienia, które znoszą wymóg jednakowego rozkładu lub pełnej niezależności. Przykłady to warunki Lyapunova i Lindeberga, które kontrolują wpływ skrajnych składników w tzw. ciągach trójkątnych. Wersje ogólniejsze obejmują również zależności słabe czy mieszanki procesów losowych.
Historia i rozwój
Pomysł, że pewne sumy niezależnych zmiennych przy dużej liczbie składników stają się "normalne", ma długą historię: wczesne obserwacje i dowody pojawiały się u de Moivre'a i Laplace'a w XVIII–XIX wieku. Później formalne uogólnienia i warunki graniczne opracowali między innymi Lyapunov i Lindeberg. Wyniki te są centralne dla teorii prawdopodobieństwa i analizy asymptotycznej.
Zastosowania i znaczenie
Centralne twierdzenie graniczne jest fundamentem wnioskowania statystycznego: uzasadnia użycie przybliżeń normalnych dla sum, średnich próbkowych i statystyk z próby. Dzięki niemu powstają testy istotności, przedziały ufności i wiele metod estymacji opartych na przybliżeniu asymptotycznym. W praktyce umożliwia też modelowanie złożonych systemów fizycznych, ekonomicznych czy biologicznych, gdzie wiele niezależnych czynników razem generuje obserwowalny efekt.
Ważne różnice i uwagi
- CLT nie mówi, ile prób potrzeba, by przybliżenie było dobre — szybkość zbieżności zależy od rozkładów składowych.
- Brak skończonej wariancji wyklucza klasyczny wynik; w takich przypadkach pojawiają się rozkłady stable, a niekoniecznie normalne.
- W praktyce stosuje się równoległe narzędzia przy ocenie jakości przybliżeń i doborze warunków zastosowania.
Centralne twierdzenia graniczne pozostają jednym z najważniejszych rezultatów teorii prawdopodobieństwa (ogólny kontekst) i mają wiele wersji dostosowanych do różnych modeli i aplikacji. Dalsze informacje i dowody szczegółowych wariantów można znaleźć w podręcznikach i opracowaniach specjalistycznych (przegląd literatury, analizy wariancji, omówienia rozkładu normalnego, zagadnienia wartości oczekiwanej).
W literaturze matematycznej dostępne są również bardziej techniczne artykuły omawiające dowody, warunki Lindeberga i Lyapunova oraz rozszerzenia do procesów losowych i pól losowych (szczegóły techniczne). Ich studiowanie jest zalecane dla osób zainteresowanych głębszym zrozumieniem zakresu i ograniczeń CLT.