Studie / Geselecteerd werk

De centrale limietstelling, voor twee lezers

Hoeveel wiskunde heeft een lezer nodig om dezelfde stelling te begrijpen?Ik schreef twee versies van de centrale limietstelling rond hetzelfde voorbeeld: een inleiding van vier pagina's die nauwelijks wiskundige voorkennis vraagt, en een behandeling van negen pagina's die het resultaat bewijst via karakteristieke functies en de continuïteitsstelling van Lévy. Beide papers zijn in het Nederlands.

Breed publiek Bewijs

Eén voorbeeld, twee keer gebruikt

Beide versies beginnen bij dezelfde koffieautomaat.

Stel dat wachttijden exponentieel verdeeld zijn met parameter λ = 1. De gemiddelde wachttijd is één minuut, maar de afzonderlijke wachttijden zijn sterk scheef verdeeld: de meeste zijn kort, een paar veel langer.

Neem nu groepen van n mensen en noteer hun gemiddelde wachttijd. Voor n = 1 is er niets veranderd: 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 geworden en ligt al dicht bij de bijbehorende normale curve.

De korte paper blijft bij dit experiment. De langere gebruikt het als motivatie voordat hij overgaat op de algemene stelling.

Wat de korte versie kan laten zien

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

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

Daardoor kun je twee dingen zien gebeuren naarmate n groeit.

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 gemiddelden worden minder gespreid, maar ook symmetrischer. Beide effecten treden op in een tempo evenredig met 1/√n.

Dat is genoeg om de centrale limietstelling zichtbaar te maken zonder de lezer een bewijs te laten aannemen dat hij niet kan volgen.

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

Wat het bewijs toevoegt

De simulatie laat zien wat er in één voorbeeld gebeurt. De langere paper stelt de moeilijkere vraag: waarom zou er überhaupt een normale verdeling verschijnen?

Definieer voor onafhankelijke en identiek verdeelde variabelen met eindige verwachting μ en variantie σ²

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

De karakteristieke functie van de som wordt een product omdat de Yᵢ onafhankelijk zijn:

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

Een tweede-orde-ontwikkeling 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 convergentie van karakteristieke functies dan om in convergentie in verdeling:

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

Dat is de stap die de korte versie niet kan zetten: niet alleen dát er in dit voorbeeld een klokcurve verschijnt, maar waarom die verschijnt voor een veel grotere klasse van verdelingen.

Waar de aannames ertoe doen

De aanname van eindige variantie is geen versiering. Zij geeft de karakteristieke functie het tweede-ordegedrag dat in het bewijs wordt gebruikt.

Een Cauchy-verdeling bijvoorbeeld heeft noch een eindige verwachting noch een eindige variantie. Meer Cauchy-waarnemingen middelen laat het steekproefgemiddelde niet naar een normale verdeling convergeren; de centrale limietstelling is simpelweg niet van toepassing.

Dat doet ertoe buiten de schoolboekvoorbeelden. Data met zware staarten, uitschieters en transformaties kun je niet als kleine voorbewerkingsdetails behandelen wanneer ze bepalen of de aannames achter de stelling redelijk zijn.

De twee papers eindigen daarom op net iets andere plekken. De korte versie laat het verschijnsel duidelijk genoeg zien om het met zorg te gebruiken. De langere legt uit waarom het werkt — en waar het ophoudt te werken.

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

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

← Terug naar Studie