központi határeloszlás-tétel
Kiejtés
- IPA: [ ˈkøspontihɒtaːrɛloslaːʃteːtɛl]
Főnév
- (matematika, valószínűségszámítás) A központi határeloszlás-tétel (KHT) vagy centrális határeloszlás-tétel (CHT) a valószínűségszámítás egyik legfontosabb és legismertebb tétele, amely a független, azonos eloszlású valószínűségi változók összegének viselkedését írja le. A tétel kimondja, hogy ha elegendően sok független és azonos eloszlású valószínűségi változót átlagolunk, akkor az átlag eloszlása egy normális eloszlás (Gauss-eloszlás) felé közelít, függetlenül attól, hogy az egyedi változók eloszlása milyen volt.
Formális megfogalmazás Tegyük fel, hogy független és azonos eloszlású valószínűségi változók, melyeknek várható értéke , szórása pedig . A centrális határeloszlás-tétel szerint, ha a darab változó összegét jelenti, akkor az átlagos összeg (azaz a középértéke) megfelelően standardizálva normális eloszlású lesz, amikor elég nagy.
Azaz, ha -t definiáljuk a következőképpen:
akkor eloszlása esetén egyre inkább standard normális eloszlású lesz, vagyis:
Ez azt jelenti, hogy nagy -re az átlag eloszlása közelít a normális eloszláshoz, függetlenül attól, hogy az egyedi valószínűségi változók milyen eloszlásúak, amennyiben azok véges várható értékkel és szórással rendelkeznek.
A CHT jelentősége A centrális határeloszlás-tétel azért fontos, mert sok valószínűségi modellben hasznos, mivel lehetőséget ad arra, hogy a nagy minták alapján az összegzett vagy átlagolt adatok eloszlását normális eloszlással közelítsük. Ez megkönnyíti a számításokat és az elemzést, különösen statisztikai vizsgálatokban.
Példák és alkalmazások 1. Mintavétel és statisztikai következtetés: A statisztikában gyakran egy populációból vett minta alapján következtetünk a populáció paramétereire. A centrális határeloszlás-tétel segítségével feltételezhetjük, hogy a mintaátlagok eloszlása közel normális eloszlású lesz, ha a minta mérete nagy.
2. Pénzügyi modellezés: A pénzügyekben a hozamok gyakran független és azonos eloszlású változókkal modellezhetők. A centrális határeloszlás-tétel segítségével nagy időszakokra vonatkozó hozamokat közelíthetünk normális eloszlással.
3. Fizika és mérnöki alkalmazások: Számos fizikai rendszerben sok apró, független hatás összegződik, és ezek eredményeként a teljes rendszer viselkedése a normális eloszláshoz hasonlóvá válik. Például hőmérsékleti ingadozások, hibák az elektronikus rendszerekben, stb.
Feltételek - A tétel általában akkor érvényes, ha a valószínűségi változók várható értéke és szórása véges. - A tétel univerzalitása miatt számos különböző disztribúciójú valószínűségi változó esetében alkalmazható (pl. binomiális, Poisson, geometriai, stb.).
Példák 1. Dobókockák összegzése: Ha sokszor feldobsz egy dobókockát, és a dobások összegét vizsgálod, akkor a dobások összege, ha elég nagy a dobások száma, közel normális eloszlású lesz, még akkor is, ha egy dobás eredménye egyenletes eloszlású (mert minden dobásnak egyenlő az esélye).
Összességében a centrális határeloszlás-tétel alapvető fontosságú a statisztikai következtetések levonásában, mivel sok valós probléma esetében lehetővé teszi a normális eloszlás feltételezését még akkor is, ha az egyedi adatok nem normálisak.
Fordítások
- központi határeloszlás-tétel - Értelmező szótár (MEK)
- központi határeloszlás-tétel - Etimológiai szótár (UMIL)
- központi határeloszlás-tétel - Szótár.net (hu-hu)
- központi határeloszlás-tétel - DeepL (hu-de)
- központi határeloszlás-tétel - Яндекс (hu-ru)
- központi határeloszlás-tétel - Google (hu-en)
- központi határeloszlás-tétel - Helyesírási szótár (MTA)
- központi határeloszlás-tétel - Wikidata
- központi határeloszlás-tétel - Wikipédia (magyar)