Centralne twierdzenie graniczne – wzór i interpretacja

Centralne twierdzenie graniczne (CTG) mówi, że średnia z wielu niezależnych pomiarów ma rozkład zbliżony do normalnego – nawet wtedy, gdy same pomiary normalne nie są. Typowe pytanie z pracy dyplomowej: czy mogę użyć testu t, skoro rozkład moich wyników jest skośny?

Kiedy centralne twierdzenie graniczne ma znaczenie?

• uzasadniasz użycie testu t, ANOVA albo przedziału ufności dla średniej, gdy dane nie są idealnie normalne, ale grupy są duże;
• liczysz błąd standardowy średniej – wzór SE = σ/√n mówi, jak szeroki jest rozkład średnich, a CTG – jaki ma kształt;
• planujesz liczebność próby i chcesz wiedzieć, jak szybko maleje niepewność średniej.

CTG ma swoje warunki: obserwacje muszą być niezależne, pochodzić z tego samego rozkładu i mieć skończoną wariancję. Twierdzenie dotyczy średnich – nie sprawia, że same dane stają się normalne. Przy silnej skośności potrzeba wielu obserwacji, a przy małych próbach bezpieczniejszy bywa bootstrap albo test nieparametryczny.

Wzór – centralne twierdzenie graniczne

\(\bar{X}\)

średnia z próby n niezależnych pomiarów

\(\mu,\ \sigma\)

średnia i odchylenie standardowe pojedynczych pomiarów w populacji

\(n\)

liczba uśrednianych pomiarów (liczebność próby)

\(\sigma/\sqrt{n}\)

błąd standardowy – odchylenie standardowe rozkładu średnich; czterokrotnie większa próba daje dwa razy mniejszy błąd

\(Z\)

średnia standaryzowana: o ile błędów standardowych średnia odbiega od μ

\(N(0,\ 1)\)

standardowy rozkład normalny; strzałka oznacza „coraz bliżej, gdy n rośnie”

Uwaga: do μ zbiega sama średnia (to prawo wielkich liczb). CTG mówi coś więcej – jaki kształt ma rozrzut średnich wokół μ. To samo zjawisko tłumaczy, dlaczego zmienne będące sumą wielu drobnych wpływów, np. wynik testu złożonego z wielu pytań, mają często rozkład zbliżony do normalnego.

Przykład krok po kroku

Rzucamy dwiema kostkami i liczymy średnią liczbę oczek. Wszystkich par wyników jest 6 · 6 = 36 i każda jest tak samo prawdopodobna.

1. Jedna kostka. μ = 21 / 6 = 3,5. Wariancja: σ² = (6,25 + 2,25 + 0,25 + 0,25 + 2,25 + 6,25) / 6 = 17,5 / 6 = 2,917, więc σ = 1,708. Rozkład jest płaski.
2. Dwie kostki. Średnia 3,5 wychodzi z 6 par, a średnie 1 i 6 – tylko z jednej. Rozkład ma już kształt trójkąta ze szczytem w środku.
3. Średnia średnich. 126 / 36 = 3,5 – tyle samo co μ.
4. Wariancja średnich. 52,5 / 36 = 1,458 = 2,917 / 2, czyli dokładnie σ²/n. Odchylenie standardowe: √1,458 = 1,208 = 1,708 / √2.
5. Większa próba. Dla 30 rzutów SE = 1,708 / √30 = 0,312. Około 95% średnich wypadnie więc między 3,5 − 1,96 · 0,312 = 2,89 a 3,5 + 1,96 · 0,312 = 4,11.

Jak zinterpretować i opisać wynik?

CTG nie jest testem, tylko uzasadnieniem. Pozwala korzystać z rozkładu normalnego (a dokładniej z rozkładu t) przy wnioskowaniu o średnich, nawet gdy wyniki pojedynczych osób są lekko skośne. W pracy wystarczy jedno zdanie w części o analizie danych, ale musi ono dotyczyć Twoich danych: podaj liczebności grup i opisz kształt rozkładów. Zawsze jednak pokaż histogram i podaj skośność – recenzent powinien widzieć, z jakimi danymi pracujesz.

Jak sprawdzić centralne twierdzenie graniczne w R?

oczka <- 1:6                                   # jedna kostka
mu <- mean(oczka); s2 <- mean((oczka - mu)^2)  # wariancja populacji
round(c(mu = mu, sigma2 = s2, sigma = sqrt(s2)), 3)

# 1) „ręcznie”: wszystkie 36 par dwóch kostek
pary <- expand.grid(k1 = oczka, k2 = oczka)
srednie <- (pary$k1 + pary$k2) / 2
table(srednie)
round(c(srednia = mean(srednie), wariancja = mean((srednie - mu)^2),
        sigma2_przez_n = s2 / 2), 3)

# 2) symulacja: 10 000 średnich z 30 rzutów
set.seed(2026)
m30 <- replicate(10000, mean(sample(oczka, 30, replace = TRUE)))
round(c(SD_srednich = sd(m30), SE_ze_wzoru = sqrt(s2 / 30)), 3)

Wynik w konsoli R:

    mu sigma2  sigma 
 3.500  2.917  1.708 
srednie
  1 1.5   2 2.5   3 3.5   4 4.5   5 5.5   6 
  1   2   3   4   5   6   5   4   3   2   1 
       srednia      wariancja sigma2_przez_n 
         3.500          1.458          1.458 
SD_srednich SE_ze_wzoru 
      0.311       0.312 

Symulacja daje SD średnich 0,311 – prawie tyle samo co wzór σ/√n = 0,312.

Czy n = 30 zawsze wystarczy?

Nie. To tylko reguła kciuka. Przy rozkładach symetrycznych wystarczy często kilkanaście obserwacji, a przy silnie skośnych – czasem ponad sto. Dla czasu czekania z rysunku 2 przy n = 30 granice środkowych 95% standaryzowanych średnich wynoszą −1,78 i 2,13, a nie ±1,96. Rozkład średnich jest więc jeszcze wyraźnie niesymetryczny: zamiast 2,5% średnich w każdym ogonie dostaniesz około 3,4% po prawej i 1,4% po lewej stronie. Test t, który dodatkowo szacuje SD z próby, myli się tu jeszcze bardziej, i to głównie w lewym ogonie. Gdy masz wątpliwości, porównaj wynik z bootstrapem albo testem nieparametrycznym.

Najczęstsze błędy

• Twierdzenie, że „dzięki CTG dane mają rozkład normalny” – twierdzenie dotyczy rozkładu średnich, a nie wyników.
• Traktowanie n ≥ 30 jako magicznej granicy, niezależnie od skośności i wartości odstających.
• Pomijanie niezależności obserwacji (np. kilka pomiarów tej samej osoby liczonych jak różne osoby).
• Mylenie odchylenia standardowego danych (σ) z błędem standardowym średniej (σ/√n).