အဓိပ္ပါယ်
ဗဟိုကန့်သတ်ချက်သီအိုရမ် (CLT) သည် မူလလူဦးရေဖြန့်ဝေမှု၏ ပုံသဏ္ဌာန် မည်သို့ပင်ဖြစ်စေ နမူနာအရွယ်အစားတိုးလာသည်နှင့်အမျှ နမူနာပျမ်းမျှတန်ဖိုးများ၏ ဖြန့်ဝေမှုသည် ပုံမှန်ဖြန့်ဝေမှုသို့ ချဉ်းကပ်ကြောင်း ဖော်ပြသည်။ နမူနာများသည် လွတ်လပ်ပြီး နမူနာအရွယ်အစား လုံလောက်စွာကြီးလျှင် ဤသို့ဖြစ်သည်။
မည်သို့အလုပ်လုပ်သနည်း
မူလဒေတာ မည်သို့ပင်ပုံသဏ္ဌာန်ရှိစေ - စောင်း၊ ညီမျှ၊ နှစ်ထိပ် - ထပ်ခါထပ်ခါနမူနာယူမှု၏ ပျမ်းမျှတန်ဖိုးများသည် ခေါင်းလောင်းပုံ ကွေးကို ဖွဲ့စည်မည်။
အန်စာတုံးတစ်လုံးလှိမ့်ခြင်းသည် ပြားချပ်ချပ် (ညီမျှ) ဖြန့်ဝေမှုပေးသည် - 1 မှ 6 အထိ နံပါတ်တစ်ခုစီသည် တူညီစွာ ဖြစ်နိုင်ခြေရှိသည်။
သို့သော် အန်စာတုံး 30 လုံးလှိမ့်ပြီး ပျမ်းမျှကို မှတ်တမ်းတင်ကာ ၁,၀၀၀ ကြိမ်ထပ်လုပ်လျှင် ထိုပျမ်းမျှတန်ဖိုးများ၏ ဖြန့်ဝေမှုသည် ခေါင်းလောင်းပုံဖြစ်ပြီး 3.5 ဝန်းကျင်တွင် ဗဟိုချက်ရှိမည်။
တစ်ကြိမ်လှိမ့်ခြင်းတွင် အန်စာတုံးပိုများလေ ပျမ်းမျှတန်ဖိုးများ၏ ဖြန့်ဝေမှုသည် ပြည့်စုံသော ပုံမှန်ကွေးနှင့် ပိုနီးလေဖြစ်သည်။
အဘယ်ကြောင့် အရေးကြီးသနည်း
ဗဟိုကန့်သတ်ချက်သီအိုရမ်သည် စာရင်းအင်းတွင် အရေးအကြီးဆုံးသီအိုရမ်ဟု ဆိုနိုင်သည်။ ၎င်းသည် ပုံမှန်မှုကို ယူဆသော ယုံကြည်မှုကြားပိုင်းများ၊ ယူဆချက်စမ်းသပ်မှုများနှင့် အခြားနည်းလမ်းများစွာ၏ အသုံးပြုမှုကို ထောက်ခံသည်။ CLT မရှိလျှင် ဤကိရိယာများသည် ပုံမှန်ဖြန့်ဝေမှုရှိပြီးသား ဒေတာတွင်သာ အလုပ်လုပ်မည်ဖြစ်ပြီး လက်တွေ့ကမ္ဘာတွင် ရှားပါးသည်။
CLT သည် ပျမ်းမျှတန်ဖိုးများသည် တစ်ခုချင်းတိုင်းတာမှုများထက် ယုံကြည်ရဆောင်ရွက်ရသည့် အကြောင်းရင်းကိုလည်း ရှင်းပြသည်။ နမူနာပျမ်းမျှတန်ဖိုးများ၏ ကွဲပြားမှုသည် နမူနာအရွယ်အစားတိုးလာသည်နှင့်အမျှ (1/n ၏ နှစ်ထပ်ကိန်းရင်း ဆတူ) ကျဆင်းသည်ဖြစ်ရာ ကြီးမားသောလေ့လာမှုများသည် ပိုတိကျသော ခန့်မှန်းချက်များထုတ်လုပ်သည်။
ဗဟိုကန့်သတ်ချက်သီအိုရမ်သည် လုံလောက်စွာကြီးသော နမူနာများအတွက် နမူနာပျမ်းမျှတန်ဖိုးများသည် ခန့်မှန်းပုံမှန်ဖြစ်ကြောင်း အာမခံသည်။ မူလဒေတာ၏ ပုံသဏ္ဌာန် မည်သို့ပင်ဖြစ်စေ စာရင်းအင်းနည်းလမ်းအများစု အလုပ်လုပ်ရခြင်း၏ အကြောင်းရင်းဖြစ်သည်။