| English | 의미 |
|---|---|
| Central Limit Theorem/ˈsentrəl ˈlɪmɪt ˈθɪərəm/ | 중심 극한 정리 |
| population distribution/ˌpɒpjʊˈleɪʃn ˌdɪstrɪˈbjuːʃn/ | 집단 분포 |
가장 중요한 정리
- 중심극한 정리(CLT) 는 대부분의 추론을 뒷받침하는 엔진입니다.
- 그것은 말합니다: 큰 표본에서 표본 평균 $\bar{x}$의 표본 분포는 대략 정규입니다.
- 이는 집단의 자체 형태가 무엇이든 상관없이 성립합니다.
- 거의 마법 같은 결과—평균을 취함으로써 정규성이 나타납니다.
기이한 집단에 대해서도 적용됩니다
- 집단 분포가 왜곡되거나 이중 피크이거나 기이할 수 있습니다.
- 그러나 여러 표본에 걸쳐 $\bar{x}$의 분포는 여전히 대략 정규가 됩니다.
- 평균을 취하는 것이 집단의 이상한 형태를 '매끄럽게' 만듭니다.
- 정분포인 집단이 필요하지 않고, 오직 충분히 큰 표본만 필요합니다.
n ≥ 30 가이드라인
- 흔한的经验法则: $n \ge 30$는 보통 CLT가 발동하기에 충분합니다.
- 대략 대칭적인 집단의 경우, 더 작은 $n$로도 충분히 좋습니다.
- 매우 왜곡된 집단의 경우, 더 큰 $n$가 필요할 수 있습니다.
- 이 가이드라인은 실용적인 것이지 정확한 법칙이 아닙니다.
큰 n일수록 나은 정규성
- 표본 크기가 클수록, 표본 평균 $\bar{x}$의 표본 분포가 더近乎正規가 됩니다.
- 더 큰 $n$ 또한 표본 분포를 좁게(산포를 줄여) 만듭니다.
- 즉, 큰 표본은 추정치가 더 정규적이면서도 더 정밀함을 제공합니다.
- 이것이 연구 설계에서 표본 크기가如此重要的原因。
CLT는 $\bar{x}$의 표본 분포에 관한 것이며, 데이터 자체에 관한 것이 아닙니다. 큰 표본은 인구나 원시 데이터를 정상이 되지 않게 하지 않습니다. 대신 표본 평균의 분포를 대략적으로 정상분포로 만듭니다. 만약 인구가 이미 정상이라면, $\bar{x}$는 어떤 $n$에서도 정확히 정상이 됩니다; CLT가 중요한 것은 그렇지 않을 때입니다.
소득은 우측으로 심하게 치우쳐 있습니다(매우 높은 소득을 버는 소수).
- 한 표본의 소득이 치우쳐 보이는 것은 CLT와 무관합니다.
- 그러나 $n = 50$ 명의 소득을 평균하여 반복하면, 이 $\bar{x}$ 값들은 대략적으로 정분포를 이룹니다.
- 따라서 소득이 정분이 아니더라도 $\bar{x}$에 대해 정분포 모델을 사용할 수 있습니다.
**중심극한정리(Central Limit Theorem)**는 표본 크기가 클 때, 모집단 분포가 정규분포가 아니더라도 $\bar{x}$의 표본 분포는 대략적으로 정규분포임을 의미합니다. 일반적인 가이드라인은 $n \ge 30$이며, 더 큰 표본을 사용할수록 표본 분포는 더 정규형에 가까워지고 좁아집니다.
평균을 취함으로써 정규성이 나타납니다
n이 크면, 왜곡된 모집단에서도 x-bar는 근사적으로 정규 분포를 따릅니다.
중심 극한 정리는 큰 표본에 대해 x-bar의 표본 분포가 ...임을 말합니다.
난이도 1/5 · 100 코인 + 오늘 첫 완료 시 소액 보너스
CLT는 큰 n에 대해 x-bar의 근사적 정규성을 제공합니다.
CLT는 모집단 자체가 정규 분포여야 한다고 요구합니다.
난이도 1/5 · 100 코인 + 오늘 첫 완료 시 소액 보너스
왜곡된 모집단에서도 작동합니다 — 그것이 핵심입니다.
CLT를 적용하기 위한 일반적인 최소 표본 크기는 무엇입니까?
난이도 2/5 · 140 코인 + 오늘 첫 완료 시 소액 보너스
n ≥ 30이 일반적인 가이드라인입니다.
표본 크기가 증가할수록 x-bar의 표본 분포는 ...变得
난이도 1/5 · 100 코인 + 오늘 첫 완료 시 소액 보너스
더 큰 n → 더 정규적이고 산산이 줄어듭니다.
CLT는 원시 데이터 값 자체를 정규 분포로 만들며, x-bar의 분포뿐만이 아닙니다.
난이도 1/5 · 100 코인 + 오늘 첫 완료 시 소액 보너스
원시 데이터가 아니라 평균의 표본 분포에 관한 것입니다.