295. Centralne twierdzenie graniczne – dlaczego jest tak ważne?

PrzezMarcin Skrok

Centralne twierdzenie graniczne należy do najważniejszych wyników całej statystyki. Łączy ono świat pojedynczych obserwacji, które mogą mieć bardzo różne i często niesymetryczne rozkłady, ze światem rozkładu normalnego wykorzystywanego w estymacji, budowie przedziałów ufności i testowaniu hipotez. Dzięki temu badacz nie musi zakładać, że każda pojedyncza obserwacja w populacji ma rozkład normalny, aby analizować średnią z odpowiednio dużej próby.

W tej lekcji wyjaśnimy, co dokładnie mówi centralne twierdzenie graniczne, czego nie mówi oraz dlaczego jest tak ważne w medycynie, zdrowiu publicznym i naukach społecznych. Jest to naturalne rozwinięcie tematów dotyczących rozkładu normalnego, standaryzacji i rozkładów omawianych w poprzednich lekcjach publicznego szkolenia na statystyk.edu.pl.

Od pojedynczej obserwacji do średniej z próby

Załóżmy, że interesuje nas pewna zmienna losowa X, na przykład czas oczekiwania pacjenta na przyjęcie w izbie przyjęć, liczba godzin snu studentów albo stężenie określonego biomarkera. W populacji zmienna ta ma średnią μ i wariancję σ2. Pojedyncze wartości mogą być silnie skośne, zawierać wartości odstające albo mieć rozkład dyskretny.

W badaniu zwykle obserwujemy nie całą populację, lecz próbę o liczebności n:

X1, X2, ..., Xn

Na jej podstawie obliczamy średnią arytmetyczną:

X̄ = (X1 + X2 + ... + Xn) / n

Średnia z próby jest również zmienną losową. Gdybyśmy wielokrotnie losowali próby tej samej liczebności i za każdym razem obliczali średnią, otrzymalibyśmy rozkład średnich z próby. Ten rozkład nazywamy rozkładem z próby albo rozkładem próbkowania średniej.

Centralne twierdzenie graniczne dotyczy właśnie tego rozkładu, a nie przede wszystkim rozkładu pojedynczych obserwacji.

Treść centralnego twierdzenia granicznego

W podstawowej wersji centralne twierdzenie graniczne mówi, że jeżeli obserwacje są niezależne, mają ten sam rozkład, skończoną średnią μ i skończoną, dodatnią wariancję σ2, to wraz ze wzrostem liczebności próby rozkład odpowiednio standaryzowanej średniej z próby zbliża się do standardowego rozkładu normalnego.

Formalnie:

Z = (X̄ − μ) / (σ / √n) → N(0, 1)

Symbol → oznacza tutaj zbieżność rozkładu wraz ze wzrostem n, a nie to, że dla każdej konkretnej próby uzyskamy dokładnie rozkład normalny.

  • X̄ – średnia z próby;
  • μ – średnia w populacji;
  • σ – odchylenie standardowe w populacji;
  • n – liczebność próby;
  • σ/√n – błąd standardowy średniej, gdy σ jest znane;
  • N(0, 1) – standardowy rozkład normalny o średniej 0 i wariancji 1.

W praktycznej, przybliżonej postaci zapisujemy:

X̄ ≈ N(μ, σ2/n)

Oznacza to, że średnia z dużej próby ma średnią równą średniej populacji, a jej wariancja jest n razy mniejsza od wariancji pojedynczej obserwacji. Odchylenie standardowe średniej, czyli błąd standardowy, wynosi:

SE(X̄) = σ / √n

To ważna zależność. Zwiększenie próby czterokrotnie zmniejsza błąd standardowy dwukrotnie, a nie czterokrotnie. Jest to jeden z powodów, dla których bardzo duże próby zwiększają precyzję estymacji, ale uzyskanie kolejnych przyrostów precyzji wymaga coraz większej liczby obserwacji.

Dlaczego średnie stają się bardziej normalne?

Intuicja centralnego twierdzenia granicznego wiąże się z uśrednianiem przypadkowych odchyleń. Poszczególne obserwacje mogą być wysokie lub niskie. Część odchyleń od średniej populacji ma znak dodatni, a część ujemny. W średniej z próby skrajne wartości są częściowo równoważone przez obserwacje położone po drugiej stronie średniej.

Nie oznacza to, że każda nietypowa wartość znika. Oznacza natomiast, że wpływ pojedynczego przypadku na średnią maleje wraz ze wzrostem próby. Jeżeli w badaniu czasu hospitalizacji jedna osoba przebywa w szpitalu wyjątkowo długo, jej wpływ na średnią będzie większy w próbie 10-osobowej niż w próbie 1000-osobowej.

W konsekwencji rozkład wielu możliwych średnich koncentruje się wokół μ, staje się bardziej symetryczny i w granicy przyjmuje kształt rozkładu normalnego. Rozumowanie to dotyczy sum i średnich wielu niezależnych składników, dlatego jest powiązane z prawem wielkich liczb, ale nie jest z nim tożsame. Prawo wielkich liczb mówi przede wszystkim, że średnia z próby zbliża się do średniej populacji. Centralne twierdzenie graniczne opisuje natomiast kształt i zmienność rozkładu tej średniej.

Przykład 1: czas oczekiwania pacjentów

Wyobraźmy sobie, że czas oczekiwania pacjentów na konsultację w poradni jest silnie prawoskośny. Większość pacjentów czeka 10–30 minut, ale część czeka znacznie dłużej z powodu opóźnień organizacyjnych. Załóżmy, że populacyjna średnia wynosi 24 minuty, a odchylenie standardowe 18 minut.

Pojedynczy czas oczekiwania nie musi mieć rozkładu normalnego. Jeśli jednak losujemy niezależnie 100 pacjentów i obliczamy średni czas oczekiwania, błąd standardowy średniej wynosi:

SE(X̄) = 18 / √100 = 1,8 minuty

Rozkład średnich z takich prób będzie w przybliżeniu normalny, skupiony wokół 24 minut. Przybliżony 95-procentowy przedział dla średniej z próby można opisać jako:

24 ± 1,96 × 1,8

czyli około 20,47–27,53 minuty, jeżeli przyjmujemy znane σ i spełnione są założenia modelu. W praktyce odchylenie standardowe populacji zwykle nie jest znane, dlatego stosuje się jego estymator i rozkład t-Studenta. Samo centralne twierdzenie graniczne uzasadnia jednak normalne przybliżenie rozkładu średniej, a nie automatycznie poprawność całego badania.

Przykład 2: pomiar ciśnienia tętniczego

Załóżmy, że w populacji dorosłych pacjentów skurczowe ciśnienie tętnicze ma średnią 135 mmHg i odchylenie standardowe 20 mmHg. Pojedyncze pomiary mogą być obciążone naturalną zmiennością biologiczną, porą dnia, stresem i błędem pomiaru.

Jeżeli pielęgniarka wykonuje pomiary u losowo wybranych 64 osób, błąd standardowy średniej wynosi:

SE(X̄) = 20 / √64 = 2,5 mmHg

Oznacza to, że rozkład średnich z wielokrotnych prób 64-osobowych będzie przybliżony rozkładem normalnym o średniej 135 mmHg i odchyleniu standardowym 2,5 mmHg. W przybliżeniu około 95% takich średnich mieściłoby się w zakresie:

135 ± 1,96 × 2,5

czyli od 130,1 do 139,9 mmHg.

Nie wolno interpretować tego zakresu jako stwierdzenia, że 95% pojedynczych pacjentów ma ciśnienie w tym przedziale. Przedział dotyczy zmienności średnich z prób, a nie rozrzutu indywidualnych pomiarów. To rozróżnienie jest jednym z kluczowych zastosowań centralnego twierdzenia granicznego.

Znaczenie dla przedziałów ufności i testów

Centralne twierdzenie graniczne jest jednym z powodów, dla których można budować przybliżone przedziały ufności dla średniej oraz przeprowadzać testy dotyczące średnich, nawet gdy rozkład obserwacji nie jest idealnie normalny. Jeżeli znamy σ, standardyzacja ma postać:

Z = (X̄ − μ0) / (σ / √n)

gdzie μ0 jest wartością średniej zakładaną w hipotezie zerowej.

W większości realnych badań σ jest nieznane. Zastępujemy je odchyleniem standardowym z próby s, a zamiast rozkładu normalnego wykorzystujemy rozkład t-Studenta:

t = (X̄ − μ0) / (s / √n)

Przy większych próbach rozkład t-Studenta zbliża się do rozkładu normalnego, ale wybór metody powinien uwzględniać także skośność, wartości odstające, niezależność obserwacji i sposób doboru próby. Samo „duże n” nie naprawia błędów systematycznych ani zależności między obserwacjami.

Centralne twierdzenie graniczne nie mówi również, że wszystkie testy parametryczne są zawsze właściwe. Uzasadnia ono określone przybliżenia dla statystyk opartych na sumach lub średnich, gdy spełnione są odpowiednie warunki. Nie zastępuje planowania badania, oceny jakości danych ani analizy schematu losowania (Kirkwood i Sterne, 2012; Kwak i Kim, 2017).

Centralne twierdzenie graniczne a rozkład dwumianowy

Twierdzenie ma również ważne zastosowanie do proporcji i liczby sukcesów. Jeżeli X ma rozkład dwumianowy z parametrami n i p, to:

E(X) = np

Var(X) = np(1 − p)

Dla odpowiednio dużych wartości np i n(1 − p) rozkład dwumianowy można przybliżać rozkładem normalnym. Wtedy proporcja p̂ = X/n ma w przybliżeniu średnią p i wariancję:

p(1 − p) / n

To przybliżenie jest wykorzystywane na przykład przy szacowaniu odsetka pacjentów zaszczepionych, częstości występowania objawów albo udziału osób deklarujących określone zachowanie zdrowotne. Przy małych próbach lub proporcjach bliskich 0 albo 1 przybliżenie normalne może być niedokładne; wówczas należy rozważyć metody dokładne albo przedziały skonstruowane specjalnie dla proporcji.

Przykład praktyczny: badanie satysfakcji pacjentów

Szpital przeprowadził ankietę, w której 400 losowo wybranych pacjentów oceniło jakość opieki w skali od 0 do 10. Średnia wyniosła 8,1 punktu, a odchylenie standardowe 1,6 punktu.

Oszacowany błąd standardowy średniej to:

SE = 1,6 / √400 = 0,08

Przybliżony 95-procentowy przedział ufności dla średniej populacyjnej wynosi:

8,1 ± 1,96 × 0,08

czyli około 7,94–8,26 punktu. Centralne twierdzenie graniczne pomaga uzasadnić przybliżenie rozkładu średniej rozkładem normalnym, nawet jeśli odpowiedzi na skali 0–10 nie są idealnie normalne.

Wniosek praktyczny powinien jednak wykraczać poza sam przedział. Statystycznie średnia może być oszacowana dość precyzyjnie, ale znaczenie praktyczne różnicy na przykład 0,1 punktu zależy od kontekstu, rzetelności skali i tego, czy zmiana jest zauważalna dla pacjentów. Istotność statystyczna, wielkość efektu i znaczenie kliniczne nie są tym samym.

Granice zastosowania twierdzenia

W klasycznej wersji zakłada się niezależność obserwacji oraz skończoną wariancję. Problemy mogą powstać, gdy:

  • obserwacje są silnie zależne, na przykład pochodzą od tych samych pacjentów mierzonych wielokrotnie;
  • próba jest skupiona w klastrach, takich jak pacjenci leczeni w tych samych oddziałach;
  • rozkład ma bardzo ciężkie ogony i wariancja jest nieokreślona lub praktycznie niestabilna;
  • próba jest mała, a populacja silnie skośna lub zawiera wartości odstające;
  • dobór próby jest niereprezentatywny albo obciążony selekcją.

W danych zależnych potrzebny jest model uwzględniający powtarzane pomiary, korelację lub strukturę klastrową. W przypadku małej próby warto ocenić dane graficznie, rozważyć transformację, metody odporne albo procedury resamplingowe. Nie istnieje uniwersalna granica typu „od 30 obserwacji zawsze można stosować rozkład normalny”. Trafność przybliżenia zależy od kształtu rozkładu, obecności wartości odstających, celu analizy i rodzaju statystyki (Feller, 1971; Sidebotham i Barlow, 2024).

Najczęstsze błędy

  1. Mylenie rozkładu populacji z rozkładem średniej. Centralne twierdzenie graniczne nie mówi, że pojedyncze obserwacje stają się normalne. Dotyczy rozkładu średnich lub sum z wielu prób.
  2. Traktowanie liczby 30 jako magicznej granicy. Próba 30 może być wystarczająca w jednym zastosowaniu, a niewystarczająca w innym. Silna skośność i wartości odstające mogą wymagać większej próby.
  3. Zakładanie niezależności bez sprawdzenia schematu badania. Wielokrotne pomiary tej samej osoby nie są niezależnymi obserwacjami.
  4. Interpretowanie błędu standardowego jako odchylenia pojedynczych osób. Odchylenie standardowe opisuje zróżnicowanie obserwacji, a błąd standardowy opisuje zmienność estymatora, na przykład średniej.
  5. Uznawanie przybliżenia normalnego za dowód braku błędu. Twierdzenie nie eliminuje błędu pomiaru, błędu selekcji, braków danych ani zakłóceń.
  6. Wyciąganie wniosków przyczynowych z samego rozkładu średniej. Centralne twierdzenie graniczne wspiera wnioskowanie statystyczne, ale nie zmienia badania obserwacyjnego w eksperyment.
  7. Utożsamianie istotności statystycznej z ważnością kliniczną. Duża próba może wykazać małą, praktycznie nieistotną różnicę jako statystycznie istotną.

Co warto zapamiętać?

  • Centralne twierdzenie graniczne dotyczy rozkładu średniej lub sumy z próby, a nie bezpośrednio rozkładu pojedynczych obserwacji.
  • Dla odpowiednio dużych prób standaryzowana średnia zbliża się do standardowego rozkładu normalnego.
  • Średnia z próby ma średnią równą μ, a jej wariancja wynosi σ2/n.
  • Błąd standardowy średniej maleje proporcjonalnie do 1/√n.
  • Twierdzenie pomaga uzasadniać przedziały ufności i testy dotyczące średnich oraz proporcji.
  • Nie ma jednej uniwersalnej liczebności próby gwarantującej poprawność przybliżenia.
  • Niezależność, sposób doboru próby, wartości odstające i ciężkie ogony są równie ważne jak sama liczebność.
  • Centralne twierdzenie graniczne wspiera obliczenia statystyczne, ale nie zastępuje dobrego planu badania ani interpretacji praktycznej.

Najkrócej można powiedzieć, że centralne twierdzenie graniczne wyjaśnia, dlaczego średnie z wielu niezależnych obserwacji zachowują się w sposób przewidywalny. To właśnie ta przewidywalność pozwala przejść od ograniczonej próby do ostrożnych wniosków o populacji. W kolejnych analizach trzeba jednak pamiętać, że matematyczne przybliżenie rozkładu jest tylko jednym elementem wiarygodnego wnioskowania.

Źródła i dalsza lektura

  1. Kwak, Sang Gyu; Kim, Jong Hae (2017). Central limit theorem: the cornerstone of modern statistics. Korean Journal of Anesthesiology, 70(2), 144–156. DOI: 10.4097/kjae.2017.70.2.144.
  2. Delucchi, K. L.; Bostrom, A. (2002). Statistics review 2: Samples and populations. Critical Care, 6(2), 143–148. DOI: 10.1186/cc1473.
  3. Sidebotham, David; Barlow, C. Jake (2024). The central limit theorem: the remarkable theory that explains all of statistics. Anaesthesia, 79(10), 1117–1121. DOI: 10.1111/anae.16420.
  4. Feller, William (1971). An Introduction to Probability Theory and Its Applications, Volume II. 2nd edition. John Wiley & Sons.
  5. Kirkwood, Betty R.; Sterne, Jonathan A. C. (2012). Essential Medical Statistics. 2nd edition. Wiley-Blackwell.

Podobne wpisy

Jeden komentarz

  1. Pingback: Rozkład próbkowania średniej – wzór i interpretacja

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Wymagane pola są oznaczone *