The Central Limit Theorem · Le théorème central limite
| English | Français |
|---|---|
| Central Limit Theorem/ˈsentrəl ˈlɪmɪt ˈθɪərəm/ | Théorème Central Limite |
| population distribution/ˌpɒpjʊˈleɪʃn ˌdɪstrɪˈbjuːʃn/ | distribution de la population |
The most important theorem
- The Central Limit Theorem (CLT) 中心极限定理 is the engine behind most inference.
- It says: the sampling distribution of the sample mean $\bar{x}$ is approximately normal for a large sample.
- This holds no matter what the population's own shape is.
- A near-magical result — normality emerges from averaging.
Le théorème le plus important
- Le Théorème Central Limite (TCL) 中心极限定理 est le moteur de la plupart des inférences.
- Il dit : la distribution d'échantillonnage de la moyenne d'échantillon $\bar{x}$ est approximativement normale pour un grand échantillon.
- Cela vaut quelle que soit la forme propre de la population.
- Un résultat quasi magique — la normalité émerge de la moyenne.
Works even for weird populations
- The population distribution 总体分布 can be skewed, bimodal, or bizarre.
- Yet the distribution of $\bar{x}$ over many samples still turns out roughly normal.
- Averaging "smooths out" the population's odd shape.
- Only a large enough sample is needed — not a normal population.
Fonctionne même pour des populations étranges
- La distribution de la population 总体分布 peut être asymétrique, bimodale ou bizarre.
- Pourtant, la distribution de $\bar{x}$ sur de nombreux échantillons s'avère approximativement normale.
- La moyenne "lisse" la forme irrégulière de la population.
- Il faut seulement un échantillon assez grand — pas une population normale.
The n ≥ 30 guideline
- A common rule of thumb: $n \ge 30$ is usually enough for the CLT to kick in.
- For a roughly symmetric population, smaller $n$ can already be fine.
- For a very skewed population, you may want $n$ even larger.
- The guideline is practical, not an exact law.
La règle n ≥ 30
- Une règle empirique courante : $n \ge 30$ suffit généralement pour que le TCL s'applique.
- Pour une population approximativement symétrique, un $n$ plus petit peut déjà suffire.
- Pour une population très asymétrique, vous pouvez avoir besoin d'un $n$ encore plus grand.
- Cette règle est pratique, pas une loi exacte.
Bigger n, better normality
- The larger the sample size, the more nearly normal the sampling distribution of $\bar{x}$.
- Larger $n$ also makes the sampling distribution narrower (less spread).
- So big samples give estimates that are both more normal and more precise.
- This is why sample size matters so much in study design.
Un n plus grand améliore la normalité
- Plus la taille de l'échantillon est grande, plus la distribution d'échantillonnage de $\bar{x}$ est proche d'une normale.
- Un $n$ plus grand rend aussi la distribution d'échantillonnage plus étroite (moins dispersée).
- Ainsi, les grands échantillons donnent des estimations à la fois plus normales et plus précises.
- C'est pourquoi la taille de l'échantillon est si importante dans la conception d'étude.
The CLT is about the sampling distribution of $\bar{x}$, not the data itself. A large sample does not make the population or the raw data normal — it makes the distribution of the sample mean approximately normal. If the population is already normal, $\bar{x}$ is exactly normal for any $n$; the CLT only matters when it isn't.
Le TCL concerne la distribution d'échantillonnage de $\bar{x}$, pas les données elles-mêmes. Un grand échantillon ne rend pas la population ou les données brutes normales — il rend la distribution de la moyenne de l'échantillon approximativement normale. Si la population est déjà normale, $\bar{x}$ est exactement normale pour n'importe quel $n$ ; le TCL n'est pertinent que lorsque ce n'est pas le cas.
Incomes are strongly right-skewed (a few very high earners).
- One sample's incomes look skewed — the CLT says nothing about that.
- But average the incomes of $n = 50$ people, and repeat: those $\bar{x}$ values form a roughly normal distribution.
- So we can use a normal model for $\bar{x}$ even though incomes aren't normal.
Les revenus sont fortement asymétriques à droite (quelques très hauts revenus).
- Les revenus d'un seul échantillon semblent asymétriques — le TCL ne dit rien là-dessus.
- Mais en moyennant les revenus de $n = 50$ personnes et en répétant : ces $\bar{x}$ valeurs forment une distribution approximativement normale.
- Donc nous pouvons utiliser un modèle normal pour $\bar{x}$ même si les revenus ne sont pas normaux.
The Central Limit Theorem says the sampling distribution of $\bar{x}$ is approximately normal for a large sample size, even when the population distribution isn't normal. A common guideline is $n \ge 30$; a larger sample makes the sampling distribution both more normal and narrower.
Le Théorème Central Limite stipule que la distribution d'échantillonnage de $\bar{x}$ est approximativement normale pour une grande taille d'échantillon, même lorsque la distribution de la population n'est pas normale. Une règle courante est $n \ge 30$ ; un échantillon plus grand rend la distribution d'échantillonnage à la fois plus normale et plus étroite.
Normality emerges from averaging · La normalité émerge de la moyenne
For large n, x-bar is approximately normal even from a skewed population. · Pour grand n, x-barre est approximativement normal même à partir d'une population asymétrique.
The Central Limit Theorem says that for a large sample, the sampling distribution of x-bar is... · Le théorème central limite dit que pour un grand échantillon, la distribution d'échantillonnage de x-barre est...
The CLT delivers approximate normality of x-bar for large n. · Le TCL fournit une normalité approximative de x-barre pour grand n.
The CLT requires the population itself to be normal. · Le TCL exige que la population elle-même soit normale.
It works even for skewed populations — that's the point. · Il fonctionne même pour des populations asymétriques — c'est le point.
What sample size is the common rule-of-thumb minimum for applying the CLT? · Quelle taille d'échantillon est le minimum commun selon la règle empirique pour appliquer le TCL ?
n ≥ 30 is the usual guideline. · n ≥ 30 est la ligne directrice habituelle.
As the sample size increases, the sampling distribution of x-bar becomes... · À mesure que la taille d'échantillon augmente, la distribution d'échantillonnage de x-barre devient...
Bigger n → more normal and less spread. · Plus grand n → plus normal et moins dispersé.
The CLT makes the raw data values normal, not just the distribution of x-bar. · Le TCL rend les valeurs de données brutes normales, pas seulement la distribution de x-barre.
It's about the sampling distribution of the mean, not the raw data. · Cela concerne la distribution d'échantillonnage de la moyenne, pas les données brutes.