Differences

This shows you the differences between two versions of the page.

--- central_limit_theorem [2020/04/20 16:12] – hkimscil
+++ central_limit_theorem [2020/12/10 21:32] (current) – hkimscil
@@ Line 1: / Line 1: @@
-====== CLT ======
+====== 중심극한정리 (Central Limit Theorem) ======
-===== Introduction =====
+수학적으로 간단히 표현하면,
+$\overline{X} \sim \displaystyle \text{N} \left(\mu, \dfrac{\sigma^{2}}{n} \right)$ 을 말한다.
+===== 소개 =====
 Central Limit Theorem (CLT) 이란:: 평균이 $ \mu$ , 그리고 표준편차( $ s$ )가 $ \sigma$ 인 모든 종류의 모집단에서, 샘플 숫자를 $ n$ 으로 하여 샘플평균을 분포시키면, 그 분포는 정규분포(normal distribution)를 이루며, 그 분포의 평균(mean, $ \mu_{\overline{x}}$ )은 $ \mu$ 와 같은 값이 되고((참조: [[mean and variance of the sample mean]])), 표준편차(stdev, $ s_{\overline{x}}$ )는 $ \sigma / \sqrt{n}$가 된다는 것이다.
@@ Line 26: / Line 29: @@
   * 62.5 -- 77.5 사이에서 평균이 나타날 확률은 99% 일 것이다 라고 주장할 수 있다.
-{{:pasted/20200414-213151.png?500}}
+{{:pasted/20200414-213151.png}}
 우리는 샘플의 사이즈가 커질 수록 (n의 크기가 커질 수록, 즉, 4,36, 100, 400, 900 과 같이), 그 샘플평균들의 SD값은 작아짐을 위의 그래프를 통해서 알았다. 그리고, 이는 [[:mean and variance of the sample mean]]이라는 문서를 통해서도 그것을 알수 있다
-  * n = 4 일 때, $\sigam_{\overline{X}} = \dfrac{\sigma}{\sqrt{n}} = \dfrace {15}{2} = 7.5$
+  * n = 4 일 때, $\sigma_{\overline{X}} = \dfrac{\sigma}{\sqrt{n}} = \dfrac {15}{2} = 7.5$
-  * n = 36 일 때, $\sigam_{\overline{X}} = \dfrac{\sigma}{\sqrt{n}} = \dfrace {15}{6} = 2.5$
+  * n = 36 일 때, $\sigma_{\overline{X}} = \dfrac{\sigma}{\sqrt{n}} = \dfrac {15}{6} = 2.5$
-  * n = 100 일 때, $\sigam_{\overline{X}} = \dfrac{\sigma}{\sqrt{n}} = \dfrace {15}{10} = 1.5$
+  * n = 100 일 때, $\sigma_{\overline{X}} = \dfrac{\sigma}{\sqrt{n}} = \dfrac {15}{10} = 1.5$
-  * n = 400 일 때, $\sigam_{\overline{X}} = \dfrac{\sigma}{\sqrt{n}} = \dfrace {15}{20} = 0.75$
+  * n = 400 일 때, $\sigma_{\overline{X}} = \dfrac{\sigma}{\sqrt{n}} = \dfrac {15}{20} = 0.75$
-  * n = 900 일 때, $\sigam_{\overline{X}} = \dfrac{\sigma}{\sqrt{n}} = \dfrace {15}{30} = 0.5$
+  * n = 900 일 때, $\sigma_{\overline{X}} = \dfrac{\sigma}{\sqrt{n}} = \dfrac {15}{30} = 0.5$
   * . . .
-  * n = 2500 일 때, $\sigam_{\overline{X}} = \dfrac{\sigma}{\sqrt{n}} = \dfrace {15}{50} = 0.3$
+  * n = 2500 일 때, $\sigma_{\overline{X}} = \dfrac{\sigma}{\sqrt{n}} = \dfrac {15}{50} = 0.3$
-  * n = 3600 일 때, $\sigam_{\overline{X}} = \dfrac{\sigma}{\sqrt{n}} = \dfrace {15}{60} = 0.25$
+  * n = 3600 일 때, $\sigma_{\overline{X}} = \dfrac{\sigma}{\sqrt{n}} = \dfrac {15}{60} = 0.25$
-그런데, 각 단계에서 $\sigam_{\overline{X}} $의 차이값은
+그런데, 각 단계에서 $\sigma_{\overline{X}} $의 차이값은
   * n = 4,
   * n = 36, 7.5 - 2.5 = 5
@@ Line 47: / Line 50: @@
   * n = 3600, 0.3 - 0.25  = 0.05
-즉, 샘플의 숫자가 커질 수록 $\sigam_{\overline{X}} $ 의 단위는 작아지는데, 작아지는 정도가 (스케일이) 점차 줄어든다. 즉, 처음에는 5만큼으로 드라마틱하게 줄고, 다음은 1만큼, 다음은 3/4만큼, 다음은 1/4만큼, . . . .
+즉, 샘플의 숫자가 커질 수록 $\sigma_{\overline{X}} $ 의 단위는 작아지는데, 작아지는 정도가 (스케일이) 점차 줄어든다. 즉, 처음에는 5만큼으로 드라마틱하게 줄고, 다음은 1만큼, 다음은 3/4만큼, 다음은 1/4만큼, . . . .
 위의 이야기는 아래와 같이 정리할 수 있다.
-$p(\mu, \sigma)$ 인 분포에서 n = n인 샘플을 계속 취해서 그 샘플들의 평균을 모은 분포는
+$\text{N} \left(\mu, \sigma \right)$ 인 분포에서 n = n인 샘플을 계속 취해서 그 샘플들의 평균을 모은 분포는
 __정규분포에 가까와 진다__.
@@ Line 57: / Line 60: @@
   * sample을 취하는 population이 normal distribution을 이룬다
-__그 샘플분포의 평균은 모집단의 평균을 따른다__.
+__그 샘플평균분포의 평균은 모집단의 평균을 따른다__.
   * "mean of sample means은 population의 mean값과 같다" 즉, 샘플평균들의 평균은 모집단의 평균값과 같아진다.
   * 위의 문장이 의미하는 것은 수 많은 샘플을 취했을 때, 그 샘플들의 평균은 실제 population의 평균값에 근사하게 된다는 것을 의미한다. (위의 이유에서, the mean of the distribution of sample means를 expected value of $ \overline{X}$ 라고 부른다.)
   * 이는 $E[\overline{X}] = \mu $ 라고 설명한 부분이다.
-__Standard Error__  \\
+__샘플평균분포의 분산은__ $\dfrac{\sigma^{2}}{n}$ __을 따른다__
 standard deviation of the distribution of the sample mean를 (샘플평균들의 표준편차를) 특별히
-standard error of $ \overline{X}$ 라고 (샘플평균의 표준오차)부르는데 그 값은 $ \dfrac{\sigma}{\sqrt{n}}$를 이룬다.
+standard error of $ \overline{X}$ 라고 (샘플평균의 표준오차)부르는데 그 값은 $ \dfrac{\sigma}{\sqrt{n}}$를 따르게 된다.
 [[Standard Error]] 또한 standard deviation 이므로 (즉, standard deviation of distribution of sample means), 각 샘플의 평균이 샘플들의 평균값(the mean of distribution of sample means)에서 얼마나 떨어져 있는 가를 나타내는 지표로 쓰인다. 다시 말하면, 이 특별한 standard deviation은 내가 샘플링을 했을 때, 그 __샘플의 평균값(the mean of an sample)이 모집단의 평균값(the mean of population)에서 얼마나 떨어져 있을 수 있는가__의 가능성(확율)을 나타내는 값이다. 즉, standard error = $ \sigma_{\overline{X}}$ = standard deviation distance between $ \overline{X}$ and $ \mu$ 라고 할 수 있다. 이 standard error 값에 영향을 주는 것은 두 가지가 있다.
@@ Line 89: / Line 92: @@
 \end{eqnarray}
+즉, 이는
+$\overline{X} \sim \displaystyle \text{N} \left(\mu, \dfrac{\sigma^{2}}{n} \right)$ 를 말한다.
 ===== e.g., =====
 Central Limit Theorem이 사용되는 예를 들어보면 . . . . \\