Merkezi Limit Teoremi: Doğadaki En Şüpheli Evrensellik

Beş zarın toplamı niçin çan eğrisi gibidir?

Tek bir zarın yüzünde 1, 2, 3, 4, 5, 6 olabilir — uniform dağılım (her sonuç eşit olasılıkla).

Şimdi 5 zar atın ve toplamı kaydedin. Bu deneyi 1000 kere tekrarlayın, sonuçları histogram yapın. Ne görürsünüz?

Çan eğrisi — yaklaşık normal dağılım. Toplam 17.5 civarında zirvesi olan, simetrik bir grafik.

10 zar atarsanız, çan daha sivri olur. 100 zar — neredeyse mükemmel normal.

Bu şaşırtıcı: bağımsız uniform dağılımları topladıkça, sonuç normale yaklaşıyor. Uniform değil, normal.

Bu, merkezi limit teoremi (Central Limit Theorem, CLT). Modern olasılığın temel teoremi.

CLT'nin ifadesi

$X_1, X_2, \ldots, X_n$ bağımsız, aynı dağılımdan (i.i.d.) rastgele değişkenler. Ortak ortalama $\mu$, varyans $\sigma^2$ (sonlu). Ortalama:
$\bar X_n = \frac{X_1 + X_2 + \cdots + X_n}{n}$
Bu ortalamanın dağılımı, $n \to \infty$ iken normal dağılıma yakınsar:
$\frac{\bar X_n - \mu}{\sigma / \sqrt{n}} \to \mathcal{N}(0, 1)$

Yani standartlaştırılmış ortalama, dağılım olarak normal dağılıma yakınsar.

Niçin şaşırtıcı?

CLT'nin dehşeti:

• $X_i$'lerin dağılımı önemli değil. Uniform, Bernoulli, Poisson, Exponential — hepsi.
• Sadece ortalama ve varyans önemli.
• Hızı: $1/\sqrt{n}$ — yavaş ama emin.

Bu evrensellik matematik tarihinin nadir mucizelerinden. Herhangi bir başlangıç dağılımı normal'e ulaşır.

Sezgi — niçin "merkezi"?

CLT'nin sezgisi:

Bir toplam, birçok küçük rastgele etkinin birikimidir. Her tek etki dağılımı bilmiyoruz. Ama:

• Etkiler bağımsız.
• Sayıları çok.
• Hiçbiri diğerine baskın değil (sonlu varyans koşulu).

Bu durumda, rastgele dalgalanmalar birbirini iptal eder ve geriye simetrik, kararlı bir kalan kalır → normal dağılım.

Doğa bu nedenle normal dağılımı sever. İnsan boyu, sınav notu, ölçüm hatası — hepsi çok küçük etkinin toplamı → normal.

Pratik örnek

Boy uzunluğu: pek çok genetik + çevresel etkinin toplamı. Her etki tek başına önemsiz; toplam → normal dağılım.

Sınav notu: çok soru, her sorudan alınan puanın toplamı → normal.

Ölçüm hatası: çok küçük rastgele etki → normal.

Bu yüzden Gauss'a "hata kanunu" olarak normal dağılımı verir.

Tarihsel köken

De Moivre (1733)

Abraham de Moivre ilk versiyonu kanıtladı: çok sayıda Bernoulli denemesi → binom dağılımı → normal yaklaşıklık.

Laplace (1810-1820)

Pierre-Simon Laplace genel sürekli dağılımlara genişletti. Modern CLT'nin başlangıcı.

Lyapunov (1901)

Aleksandr Lyapunov modern, titiz ispat verdi. Hâlâ standart ispatlar arasında.

Lindeberg-Feller (1922-1935)

Lindeberg koşullarını ve Feller'in tam karakterizasyonunu içerir.

Modern genişletmeler

• Bağımsız değil ama zayıf bağımlı dizilere CLT.
• Yüksek boyutta (vektör değerli) CLT.
• Stokastik süreçler: Donsker invariance principle.

Önemli koşullar

CLT her koşulda çalışmaz:

Sonlu varyans gerekir

$\mathrm{Var}(X) < \infty$ olmalı. Aksi takdirde:

Cauchy dağılımı: $f(x) = 1/(\pi(1 + x^2))$. Ortalama tanımsız, varyans sonsuz. Cauchy dağılımının ortalaması yine Cauchy — normal'e yakınsamaz.

Bağımsızlık (veya zayıf bağımlılık) gerekir

Eğer $X_i$'ler güçlü bağımlıysa CLT yavaşlayabilir veya başarısız olabilir.

Aynı dağılım (i.i.d.)

Klasik CLT i.i.d. gerektirir. Genelleştirilmiş Lindeberg-Feller versiyonu farklı dağılımlara izin verir.

Stable distributions — daha geniş aile

CLT normal dağılıma yakınsar ama stable dağılımlar ailesi daha geniş:

• Normal: sonlu varyans.
• Cauchy: kuyruğu çok ağır.
• Lévy stable: ara bölge.

Eğer $X_i$'lerin ortak dağılımı stable familyaya aitse, ortalama yine stable dağılım. Normal sadece özel hal.

Modern uygulamalar

1. İstatistiksel hipotez testi

t-test, ANOVA, regression — büyük örnek limitinde CLT sayesinde normal dağılım kullanılır.

2. Sigorta ve risk yönetimi

Pek çok bağımsız riskin toplamı normal'e yakın → portföy risk hesabı.

3. Sayısal hesap

Monte Carlo yöntemlerinin hata analizi CLT temelli.

4. Makine öğrenmesi

Stokastik gradyan iniş (SGD) yakınsama analizi CLT kullanır.

5. Fizik

Brown hareketi, gaz molekülleri ortalamaları, kuantum istatistiği — CLT'nin doğal uygulamaları.

6. Genetik

Çok genli ifade — birçok genin küçük etkilerinin toplamı → normal.

Anormal yakınsama

CLT'nin yakınsama hızı:

Berry-Esseen teoremi: $\mathcal{N}(0, 1)$ ile asıl dağılım arasındaki fark $\leq C \rho_3 / (\sigma^3 \sqrt{n})$ ($\rho_3$ = üçüncü mutlak moment).

Yani eğer $\rho_3$ büyükse, yakınsama yavaş. Çok ağır-kuyruklu dağılımlar için CLT pratik olmayabilir.

Sonuç

Merkezi limit teoremi:

• Modern olasılık ve istatistiğin temel teoremi.
• "Bağımsız küçük etkilerin toplamı → normal" evrenselliği.
• De Moivre (1733) → Laplace → Lyapunov → modern uzun gelişim.
• Doğada normal dağılımın yaygınlığının matematik açıklaması.
• Modern istatistik, sigorta, fizik, makine öğrenmesi uygulamaları.

Bir tek sade gerçek: "Çok şey toplayınca normal çıkar." Ama bu cümlenin altında modern bilimin yarısı yatar.

CLT, rastgeleliğin düzenliliğidir — kaosun kendisinden bile şaşırtıcı kararlılık çıkar. Doğanın gizli simetrisinin matematik abidesi.

İstatistik öğrencisi her gün — hipotez testi yaparken, güven aralığı hesaplarken, p-değeri kullanırken — CLT'ye güvenir. De Moivre 290 yıl önce sezdi, Laplace 210 yıl önce genelleştirdi, modern istatistik bütün dünyaya yaydı.