İstatistik ve Olasılık · 6. Ünite: Örnekleme Dağılımları ve Tanımlayıcı İstatistik
Merkezi Limit Teoremi (Central Limit Theorem)
Zar atışları, ölçüm hataları, bir sınıfın boy ortalaması: popülasyonun şekli ne olursa olsun, bağımsız gözlemlerin ortalaması ya da toplamı $n$ büyüdükçe çan eğrisine yaklaşır. Merkezi Limit Teoremi (MLT) istatistiğin en önemli sonucudur; normal tablolarla ortalamalar hakkında olasılık hesaplamayı, güven aralıklarını ve hipotez testlerini, popülasyonu normal varsaymadan mümkün kılar. Konunun sonunda teoremi doğru koşullarla ifade edecek, moment çıkaran fonksiyonla ispat taslağını izleyecek, yakınsamanın hızını çarpıklıkla ilişkilendirecek, toplam ve binom problemlerinde süreklilik düzeltmesiyle normal yaklaşım kuracak ve teoremin nerede başarısız olduğunu bilecek.
Öğrenme hedefleri
- Merkezi Limit Teoremini koşullarıyla (bağımsız, aynı dağılımlı, sonlu $\mu$ ve $\sigma^2$) ifade eder ve toplam ($T = \sum X_i$) ile ortalama biçimlerini yazar.
- $Y = (X - \mu)/\sigma$ dönüşümü ve MGF açılımıyla $M_{Z_n}(t) \to e^{t^2/2}$ sonucunu adım adım gösterir.
- $\bar{X}$'in çarpıklığının $\gamma_1/\sqrt{n}$, aşırı basıklığının $\gamma_2/n$ olduğunu türetir ve popülasyonun çarpıklığına göre gerekli $n$'yi yorumlar.
- Toplam ve ortalama problemlerinde ($P(\bar{X} > a)$, $P(T > c)$) normal yaklaşımı kurar; binom ve ayrık toplamlarda süreklilik düzeltmesini uygular.
- Cauchy dağılımı gibi $\mu$ ve $\sigma^2$'nin bulunmadığı durumlarda MLT'nin başarısız olduğunu gösterir ve "$n \geq 30$" kuralının sınırlarını açıklar.
Konu anlatımı
Motivasyon: Çan Eğrisi Nereden Çıkıyor?
Teorem ve Üç Eşdeğer İfade
İspat Taslağı: Moment Çıkaran Fonksiyonla
Yakınsama Hızı: Çarpıklık, Basıklık ve Berry–Esseen
Çözümlü Örnekler
Sınır Durumları ve Karşı Örnekler
Sık Yapılan Hatalar ve Kavram Yanılgıları
Anahtar terimler
- Merkezi Limit Teoremi (central limit theorem)
- Bağımsız, aynı dağılımlı, sonlu $\mu$ ve $\sigma^2$ olan gözlemler için $Z_n = (\bar{X} - \mu)/(\sigma/\sqrt{n})$ dağılımda $N(0,1)$'e yakınsar.
- Dağılımda yakınsama (convergence in distribution)
- Dağılım fonksiyonlarının her süreklilik noktasında limit dağılım fonksiyonuna yakınsaması: $P(Z_n \leq z) \to \Phi(z)$.
- Süreklilik düzeltmesi (continuity correction)
- Ayrık bir değişkeni normal ile yaklaşırken sınırlara $\pm 0{,}5$ eklemek: $P(X \leq k) \approx \Phi\big((k + 0{,}5 - \mu)/\sigma\big)$.
- Çarpıklık (skewness)
- $\gamma_1 = E\big[(X-\mu)^3\big]/\sigma^3$; $\bar{X}$'in çarpıklığı $\gamma_1/\sqrt{n}$'dir ve yakınsamanın hızını belirler.
- Aşırı basıklık (excess kurtosis)
- $\gamma_2 = E\big[(X-\mu)^4\big]/\sigma^4 - 3$; normalde $0$, $\bar{X}$ için $\gamma_2/n$.
- Berry–Esseen sınırı
- Normal yaklaşımın en büyük hatası $C\rho/(\sigma^3\sqrt{n})$ ile sınırlıdır; hata en çok $1/\sqrt{n}$ hızıyla azalır.
- Kolmogorov mesafesi
- İki dağılım fonksiyonu arasındaki en büyük mutlak fark $D = \sup|F_1 - F_2|$; simülasyonda normal yaklaşımın kalitesini ölçer.
- Cauchy dağılımı
- $\mu$ ve $\sigma^2$ tanımsız olan dağılım; $\bar{X}$ de aynı Cauchy dağılımına sahiptir, MLT geçerli değildir.
Örnek soru
Ortalaması $\mu$ ve sonlu varyansı $\sigma^2$ olan herhangi bir popülasyondan alınan rastgele örneklem için Merkezi Limit Teoremi neyi söyler?
- $n$ büyüdükçe $(\bar{X} - \mu)/(\sigma/\sqrt{n})$ dağılımda standart normale yaklaşır.
- $n$ büyüdükçe örneklem verilerinin histogramı normal eğriye yaklaşır.
- $n \geq 30$ ise popülasyon dağılımı normaldir.
- $\bar{X}$ her $n$ için tam olarak normal dağılır.
- $n$ büyüdükçe $\bar{X}$'in varyansı $\sigma^2$'ye yaklaşır.
Doğru cevap: A
Çözüm
1. MLT, standartlaştırılmış ortalama $Z_n = (\bar{X} - \mu)/(\sigma/\sqrt{n})$'in dağılımının $n \to \infty$ iken $N(0,1)$'e yakınsadığını söyler; tek koşul $\mu$ ve $\sigma^2$'nin sonlu olmasıdır.
2. Yakınsayan şey ortalamanın dağılımıdır, tek tek gözlemlerin dağılımı değil.
Cevap: A. B seçeneği veri ile ortalamanın dağılımını karıştırır (veri popülasyonun şeklini korur). C seçeneği "$n \geq 30$" pratik kuralını popülasyonu normal yapan bir koşula çevirir. D seçeneği "yaklaşık" ile "tam"ı karıştırır; E seçeneğinde ise $\mathrm{Var}(\bar{X}) = \sigma^2/n \to 0$'dır.