সংজ্ঞা
কেন্দ্রীয় সীমা উপপাদ্য (CLT) বলে যে নমুনা গড়ের বিন্যাস নমুনার আকার বাড়ার সাথে সাথে স্বাভাবিক বিন্যাসের কাছে যায়, মূল সমষ্টি বিন্যাসের আকৃতি যাই হোক। নমুনাগুলি স্বাধীন এবং নমুনার আকার যথেষ্ট বড় হলে এটি সত্য।
এটি কীভাবে কাজ করে
মূল তথ্য যেমনই দেখাক - তির্যক, সমান, দ্বিশীর্ষ - বারবার নমুনার গড়গুলি ঘণ্টা-আকৃতির বক্ররেখা তৈরি করবে।
একটি ডাইস গড়ানোতে সমান (অভিন্ন) বিন্যাস দেয় - 1 থেকে 6 পর্যন্ত প্রতিটি সংখ্যা সমানভাবে সম্ভাব্য।
কিন্তু আপনি যদি 30টি ডাইস গড়িয়ে গড় রেকর্ড করেন, তারপর এটি 1,000 বার পুনরাবৃত্তি করেন, সেই গড়গুলির বিন্যাস ঘণ্টা-আকৃতির হবে, 3.5 এর কাছাকাছি কেন্দ্রীভূত।
প্রতি গড়ানোতে যত বেশি ডাইস, গড়গুলির বিন্যাস তত বেশি নিখুঁত স্বাভাবিক বক্ররেখার কাছে যায়।
এটি কেন গুরুত্বপূর্ণ
কেন্দ্রীয় সীমা উপপাদ্য সম্ভবত পরিসংখ্যানের সবচেয়ে গুরুত্বপূর্ণ উপপাদ্য। এটি আস্থা ব্যবধান, প্রকল্প পরীক্ষণ এবং অন্যান্য অনেক পদ্ধতি ব্যবহারের যৌক্তিকতা দেয় যা স্বাভাবিকতা ধরে নেয়। CLT ছাড়া, এই সরঞ্জামগুলি শুধুমাত্র ইতিমধ্যে স্বাভাবিক বিন্যাসের তথ্যে কাজ করত, যা বাস্তব বিশ্বে বিরল।
CLT এটাও ব্যাখ্যা করে কেন গড় পৃথক পরিমাপের চেয়ে বেশি নির্ভরযোগ্য। নমুনা গড়ের পরিবর্তনশীলতা নমুনার আকার বাড়ার সাথে কমে (1/n-এর বর্গমূল দ্বারা), তাই বড় গবেষণা আরও সুনির্দিষ্ট অনুমান দেয়।
কেন্দ্রীয় সীমা উপপাদ্য নিশ্চিত করে যে যথেষ্ট বড় নমুনার জন্য নমুনা গড় প্রায় স্বাভাবিক। এই কারণেই বেশিরভাগ পরিসংখ্যানগত পদ্ধতি মূল তথ্যের আকৃতি নির্বিশেষে কাজ করে।