ЦЕНТРАЛЬНАЯ ПРЕДЕЛЬНАЯ ТЕОРЕМА
В этом блоге я хочу раскрыть точное значение CLT с четким схематическим объяснением.
Центральная предельная теорема (ЦПТ) — это статистическая концепция, согласно которой среднее значение выборки будет средним значением генеральной совокупности.
Другими словами, когда вы суммируете средние значения всех ваших выборок и находите их среднее значение, то это среднее значение будет очень близко или равно среднему значению генеральной совокупности.
Подробнее о CLT:
Давайте рассмотрим пример для ясной иллюстрации CLT, у нас было огромное количество студентов, больше, чем миллиард, кажется, для экзамена IQ Test, давайте рассмотрим, что средний совокупный балл всех студентов должен быть 75 из 100. Теперь давайте рассмотрим случайная выборка из 1000 студентов и спросила их об их среднем балле теста IQ и узнала, что он был 70, затем мы взяли другую выборку студентов и получили 60 баллов, следующие 75, 65,80,60 и т. д.…..
После накопления средних средних баллов всех выборок учащихся и построения гистограммы с оценками по оси X и количеством выборок по оси Y мы получим точный график нормального распределения с кривой нормального распределения. Это нормальное распределение будет сосредоточено вокруг среднего значения совокупности, и вариация также будет такой же, как и вариация совокупности.
По мере увеличения количества выборок среднее значение всех средних значений выборки будет близко или равно среднему значению генеральной совокупности.
μ = среднее значение совокупности, μx = среднее значение выборки, σ = стандартное отклонение совокупности, σx = стандартное отклонение выборки, n = количество выборок, x̄ = выборки
ПРИМЕЧАНИЕ:
Неважно, каково распределение населения, это может быть что-то вроде асимметрии вправо или асимметрии влево, распределение всех выборочных средних всегда будет нормальным распределением и стандартным отклонением.
Если вы ❤ эту статью, не забудьте нажать 👏 ниже, чтобы порекомендовать ее, и если у вас есть какие-либо вопросы, оставьте комментарий, и я сделаю все возможное, чтобы ответить.
Чтобы больше узнать о мире машинного обучения, подпишитесь на меня. Это лучший способ узнать, когда я напишу больше подобных статей.
Вы также можете подписаться на меня в Instagram, найти меня в LinkedIn или написать мне напрямую. Я хотел бы услышать от вас.
На этом все, всем хорошего дня :)
