משפט הגבול המרכזי מוסבר

מבוא למשפט הגבול המרכזי

משפט הגבול המרכזי (CLT) הוא אחד המושגים החשובים ביותר בסטטיסטיקה. הוא מסביר מדוע ההתפלגות הנורמלית מופיעה כל כך לעתים קרובות בטבע, ומדוע ניתן לבצע הסקה סטטיסטית גם כאשר האוכלוסייה אינה מתפלגת נורמלית.

למשפט השלכות עמוקות על העבודה הסטטיסטית. לפני שהמשפט הובן, סטטיסטיקאים יכלו לעבוד רק עם נתונים מתפלגים נורמלית. משפט הגבול המרכזי שחרר את הסטטיסטיקה בכך שהראה שממוצעי מדגמים מתנהגים באופן צפוי ללא קשר להתפלגות המקורית — פריצת דרך שמאפשרת מחקר סקרים, בקרת איכות והסקה מדעית מודרניים.

חשבו על העובדה המדהימה הזו: יכולה להיות לכם אוכלוסייה עם כל התפלגות מוזרה — דו-שיאית, מוטה חזק, אחידה או משהו לא סדיר לחלוטין. אם תדגמו שוב ושוב מדגמים בגודל מספיק ותחשבו את ממוצעיהם, ממוצעים אלה ייצרו עקומת פעמון כמעט מושלמת שמרכזה בממוצע האוכלוסייה האמיתי.

ניסוח משפט הגבול המרכזי

אם שולפים מדגמים אקראיים בגודל n מאוכלוסייה עם ממוצע μ וסטיית תקן σ, אזי ככל ש-n גדל, התפלגות ממוצעי המדגמים מתקרבת להתפלגות נורמלית עם:

זה עובד לכל התפלגות אוכלוסייה, כל עוד גודל המדגם גדול מספיק (בדרך כלל n ≥ 30).

הגודל σ/√n נקרא שגיאת התקן של הממוצע. שימו לב כיצד הוא קטן ככל שגודל המדגם גדל — מדגמים גדולים יותר מניבים אומדנים מדויקים יותר של ממוצע האוכלוסייה. הכפלת גודל המדגם פי ארבעה מחצה את שגיאת התקן.

תנאים למשפט הגבול המרכזי

משפט הגבול המרכזי דורש מספר תנאים כדי שהקירוב יהיה תקף:

• 1. דגימה אקראית:כל מדגם חייב להישלף באקראי מהאוכלוסייה, כאשר כל תצפית בלתי תלויה באחרות.
• 2. גודל מדגם:בדרך כלל n ≥ 30 מספיק לרוב ההתפלגויות. אוכלוסיות מוטות יותר דורשות מדגמים גדולים יותר; אוכלוסיות סימטריות עשויות להסתפק במדגמים קטנים יותר.
• 3. מומנטים סופיים:לאוכלוסייה חייבים להיות ממוצע סופי μ וסטיית תקן סופית σ. חלק מההתפלגויות התיאורטיות (כמו התפלגות קושי) מפרות תנאי זה.
• 4. אי-תלות:המדגמים צריכים להיות פחות מ-10% מהאוכלוסייה בדגימה ללא החזרה, כדי להבטיח אי-תלות בקירוב.

הכלל “n ≥ 30” הוא הנחיה, לא סף קשיח. להתפלגויות סימטריות (כמו אחידה), n = 10 עשוי להספיק. להתפלגויות מוטות מאוד, ייתכן שיידרש n = 100 ומעלה. כשאינכם בטוחים, השתמשו בסימולציה או בשיטות בוטסטרפ כדי לבדוק אם הקירוב הנורמלי סביר.

המחשה חזותית של משפט הגבול המרכזי

כדי להבין באמת את המשפט, דמיינו הטלת קובייה הוגנת. התפלגות הטלה בודדת של קובייה היא אחידה — לכל מספר מ-1 עד 6 הסתברות שווה (1/6). זו בכלל לא התפלגות נורמלית.

עכשיו דמיינו הטלת הקובייה פעמיים וחישוב הממוצע. עם שתי הטלות, הממוצע נע בין 1 (שתי ההטלות הן 1) ל-6 (שתי ההטלות הן 6), אבל ערכים אמצעיים כמו 3.5 סבירים יותר כי יש יותר דרכים להשיג אותם. ההתפלגות כבר מתחילה להיות מרוכזת יותר במרכז.

הטילו את הקובייה 30 פעמים וחשבו את הממוצע? הממוצע יהיה קרוב מאוד ל-3.5, ואם תחזרו על הניסוי אלפי פעמים, אותם ממוצעים ייצרו עקומת פעמון כמעט מושלמת שמרכזה ב-3.5 עם סטיית תקן σ/√30 ≈ 1.71/5.48 ≈ 0.31.

יישומים בעולם האמיתי

משפט הגבול המרכזי הוא הבסיס לרווחי סמך, בדיקות השערות ושיטות סטטיסטיות רבות אחרות. הוא מאפשר שימוש בציוני z ובציוני t להסקה על פרמטרים של אוכלוסייה.

מחקר סקרים: סקרים פוליטיים, מחקרי שוק וסקרי בריאות ציבורית מסתמכים כולם על המשפט. כאשר סקרנים מדווחים שלמועמד יש 48% תמיכה עם שולי טעות של 3%, שולי הטעות מחושבים באמצעות נוסחת שגיאת התקן הנגזרת מהמשפט.

בקרת איכות: תהליכי ייצור משתמשים בתרשימי בקרה המבוססים על המשפט. ממוצעי מדגמים מאצוות ייצור צפויים ליפול בתוך גבולות מסוימים (בדרך כלל ±3 שגיאות תקן מממוצע התהליך). חריגות מסמנות בעיות פוטנציאליות.

בדיקות A/B: כאשר חברות טכנולוגיה בודקות תכונות חדשות, הן משוות שיעורי המרה בין קבוצות. המשפט מבטיח שלמרות שהתנהגות משתמש בודד היא בינארית (המרה או לא), שיעור ההמרה הממוצע על פני אלפי משתמשים מתפלג נורמלית, מה שמאפשר השוואה סטטיסטית.

מחקר מדעי: ניסויים רפואיים, מחקרים פסיכולוגיים וכמעט כל מחקר כמותי תלויים במשפט כדי לייצר ערכי p ורווחי סמך מנתוני מדגם.

טעויות נפוצות

טעות מס' 2: “n = 30 הוא מספר קסם שתמיד עובד.” במציאות, גודל המדגם הנדרש תלוי בכמה לא-נורמלית האוכלוסייה שלכם. התפלגויות סימטריות זקוקות למדגמים קטנים יותר; התפלגויות מוטות או בעלות זנבות כבדים זקוקות לגדולים יותר.

טעות מס' 3: “המשפט עובד לכל ההתפלגויות.” המשפט דורש ממוצע ושונות סופיים. להתפלגויות כמו התפלגות קושי יש שונות לא מוגדרת והן אינן עומדות במשפט ללא קשר לגודל המדגם.

טעות מס' 4: “אני צריך לבדוק אם הנתונים שלי נורמליים לפני שימוש בסטטיסטיקה.” הודות למשפט הגבול המרכזי, הליכים סטטיסטיים רבים עובדים היטב גם עם נתונים לא נורמליים, כל עוד עובדים עם ממוצעים של מדגמים גדולים מספיק. העמידות של שיטות סטטיסטיות לאי-נורמליות היא אחת המתנות הגדולות של המשפט.