Studie | Geselecteerd werk

De centrale limietstelling, op twee niveaus

Hoeveel wiskunde heeft iemand nodig om dezelfde stelling te begrijpen?Ik schreef twee versies over de centrale limietstelling, beide opgebouwd rond hetzelfde voorbeeld. De eerste is een inleiding van vier pagina’s die nauwelijks wiskundige voorkennis veronderstelt. De tweede behandelt dezelfde stelling formeel, via karakteristieke functies en de continuïteitsstelling van Lévy. Beide papers zijn in het Nederlands.

Breed publiek Bewijs

Eén voorbeeld, twee benaderingen

Beide versies beginnen bij dezelfde koffieautomaat.

Stel dat wachttijden exponentieel verdeeld zijn met parameter λ = 1. De gemiddelde wachttijd is één minuut, maar individuele wachttijden zijn sterk rechtsscheef: de meeste zijn kort, terwijl enkele veel langer duren.

Neem vervolgens groepen van n mensen en bereken telkens hun gemiddelde wachttijd. Voor n = 1 verandert er niets: de verdeling is nog steeds exponentieel. Bij n = 30 ziet het beeld er heel anders uit.

Histogram van 100.000 steekproefgemiddelden bij n = 1: een steil dalende, sterk rechtsscheve verdeling, met een gestippelde normale curve die er niet bij past. — Verdeling van het steekproefgemiddelde voor n = 1, op basis van 100.000 simulaties. De gestippelde curve is N(1, 1/n).

Histogram van 100.000 steekproefgemiddelden bij n = 30: een smalle, bijna symmetrische klok die nauw wordt gevolgd door de gestippelde normale curve. — Hetzelfde experiment voor n = 30. De verdeling is smaller en vrijwel symmetrisch geworden en ligt al dicht bij de bijbehorende normale curve.

De korte paper blijft dicht bij dit voorbeeld. De langere gebruikt het als intuïtieve opstap naar de algemene stelling.

Wat de korte versie laat zien

Voor exponentiële waarnemingen is de verdeling van het steekproefgemiddelde exact bekend:

\bar X_n \sim \Gamma\!\left(n,\tfrac{1}{n}\right)

Daardoor zijn twee effecten direct zichtbaar wanneer n groter wordt.

n	Spreiding 1/√n	Scheefheid 2/√n
1	1,000	2,000
2	0,707	1,414
5	0,447	0,894
30	0,183	0,365

Tabel 2 van de paper voor een breed publiek, overgenomen tot op het cijfer dat ze afdrukt. Het bewijs rondt dezelfde scheefheidskolom af op 2.00, 1.41, 0.89 en 0.37.

De steekproefgemiddelden worden niet alleen minder verspreid, maar ook symmetrischer. Beide effecten nemen af in een tempo evenredig met 1/√n.

Dat is genoeg om zichtbaar te maken wat de centrale limietstelling doet, zonder de lezer te vragen een formeel bewijs te volgen.

Het laat ook zien waarom de bekende regel dat “n = 30 genoeg is” slechts een vuistregel is. Bij n = 30 is de scheefheid nog steeds 0,365: de verdeling ligt dicht bij normaal, maar is niet normaal verdeeld.

Wat het bewijs toevoegt

De simulatie laat zien wat er in één specifiek voorbeeld gebeurt. De langere paper stelt een fundamentelere vraag: waarom verschijnt er überhaupt een normale verdeling?

Voor onafhankelijke en identiek verdeelde variabelen met eindige verwachting μ en variantie σ², definieer

Y_i=\frac{X_i-\mu}{\sigma}, \qquad Z_n=\frac{1}{\sqrt{n}}\sum_{i=1}^{n} Y_i

Omdat de Yᵢ onafhankelijk zijn, wordt de karakteristieke functie van de som een product:

\varphi_{Z_n}(t) = \left( \varphi_Y\!\left(\frac{t}{\sqrt{n}}\right) \right)^{n}

Een tweede-ordeontwikkeling rond nul geeft

\varphi_Y\!\left(\frac{t}{\sqrt{n}}\right) = 1-\frac{t^{2}}{2n}+o\!\left(\frac{1}{n}\right)

en dus

\varphi_{Z_n}(t) = \left( 1-\frac{t^{2}}{2n}+o\!\left(\frac{1}{n}\right) \right)^{n} \longrightarrow e^{-t^{2}/2}

De limiet e^(−t²/2)is de karakteristieke functie van de standaardnormale verdeling. De continuïteitsstelling van Lévy zet die convergentie van karakteristieke functies vervolgens om in convergentie in verdeling:

Z_n \xrightarrow{\;d\;} N(0,1)

Dat is precies wat de korte versie niet kan laten zien: niet alleen dát in één voorbeeld een klokvorm ontstaat, maar ook waarom dat voor een veel bredere klasse van verdelingen gebeurt.

Waar de aannames ertoe doen

De aanname van eindige variantie is geen technische formaliteit. Juist die aanname geeft de karakteristieke functie het tweede-ordegedrag dat in het bewijs wordt gebruikt.

Een Cauchy-verdeling heeft bijvoorbeeld geen eindige verwachting en geen eindige variantie. Het nemen van het gemiddelde van steeds meer Cauchy-waarnemingen leidt daarom niet tot een normale verdeling. De centrale limietstelling is simpelweg niet van toepassing.

Dat is ook buiten schoolboekvoorbeelden relevant. Zware staarten, uitschieters en transformaties zijn niet alleen kleine details in de voorbewerking van data, maar bepalen ook of de aannames achter een stelling überhaupt redelijk zijn.

De twee papers eindigen daarom op een iets andere plek. De korte versie laat het verschijnsel duidelijk genoeg zien om het zorgvuldig te kunnen gebruiken. De langere versie laat zien waarom het werkt — en waar de grenzen liggen.

Breed publiek · 4 p. · NL Bewijs · 9 p. · NL

Geschreven op 15 juni 2026. Beide papers zijn in het Nederlands.

← Terug naar Studie