Théorème de limite central (CLT)

Qu'est-ce que le théorème de la limite centrale (CLT)?

Dans l’étude de la théorie des probabilités, le théorème central limite (CLT) stipule que la distribution des moyennes d’échantillon se rapproche d’une distribution normale (également appelée «courbe en cloche»), lorsque la taille de l’échantillon augmente, en supposant que tous les échantillons sont identiques quelle que soit la forme de la répartition de la population.

En d'autres termes, le CLT est une théorie statistique selon laquelle, compte tenu de la taille suffisante d'un échantillon d'une population présentant un niveau de variance fini, la moyenne de tous les échantillons de la même population sera approximativement égale à la moyenne de la population. En outre, tous les échantillons suivront un schéma de distribution approximativement normal, toutes les variances étant approximativement égales à la variance de la population, divisées par la taille de chaque échantillon.

Bien que ce concept ait été développé pour la première fois par Abraham de Moivre en 1733, il n’a pas été officiellement désigné avant 1930, date à laquelle le mathématicien hongrois George Polya l’a surnommé officiellement le théorème de la limite centrale.

1:22

Théorème central limite

Comprendre le théorème de la limite centrale (CLT)

Selon le théorème de la limite centrale, la moyenne d'un échantillon de données sera plus proche de la moyenne de la population totale en question, à mesure que la taille de l'échantillon augmentera, quelle que soit la distribution réelle des données. En d'autres termes, les données sont précises, que la distribution soit normale ou aberrante.

En règle générale, des tailles d'échantillon égales ou supérieures à 30 sont considérées comme suffisantes pour que le TLC se maintienne, ce qui signifie que la distribution de la moyenne de l'échantillon est assez normalement. Par conséquent, plus on prélève d’échantillons, plus les résultats graphiques prennent la forme d’une distribution normale.

Le théorème de la limite centrale présente un phénomène où la moyenne de la moyenne de l'échantillon et des écarts-types sont égaux à la moyenne de la population et à l'écart-type, ce qui est extrêmement utile pour prédire avec précision les caractéristiques des populations.

Points clés à retenir

• Le théorème central limite (CLT) stipule que la distribution des moyennes d'échantillon se rapproche d'une distribution normale lorsque la taille de l'échantillon augmente.
• Des tailles d'échantillon égales ou supérieures à 30 sont considérées comme suffisantes pour que le CLT puisse tenir.
• Un aspect clé du CLT est que la moyenne des moyennes d'échantillon et des écarts-types seront égaux à la moyenne de la population et à l'écart-type.
• Une taille d'échantillon suffisamment grande peut permettre de prédire avec précision les caractéristiques d'une population.

Le théorème central des limites en finance

Le CLT est utile lorsque vous examinez les rendements d'une action individuelle ou d'indices plus larges, car l'analyse est simple, en raison de la facilité relative à générer les données financières nécessaires. Par conséquent, les investisseurs de tous types comptent sur le CLT pour analyser les rendements des actions, constituer des portefeuilles et gérer les risques.

Par exemple, un investisseur souhaite analyser le rendement global d'un indice boursier composé de 1 000 actions. Dans ce scénario, cet investisseur peut simplement étudier un échantillon aléatoire d'actions, afin de cultiver les rendements estimés de l'indice total. Pour que le théorème de la limite centrale soit respecté, il faut échantillonner au moins 30 actions sélectionnées de manière aléatoire dans différents secteurs. En outre, les actions précédemment sélectionnées doivent être échangées avec des noms différents pour aider à éliminer les biais.

Comparaison des comptes d'investissement Nom du fournisseur Description Divulgation par l'annonceur × Les offres figurant dans ce tableau proviennent de partenariats avec lesquels Investopedia reçoit une rémunération.

Termes connexes

Fonctionnement de la distribution d'échantillonnage Une distribution d'échantillonnage est une distribution de probabilité d'une statistique obtenue au moyen d'un grand nombre d'échantillons prélevés dans une population spécifique. plus Définition du test Z Un test z est un test statistique utilisé pour déterminer si deux moyennes de population sont différentes lorsque les variances sont connues et que la taille de l'échantillon est grande. plus Définition du test t Un test t est un type de statistique inférentielle utilisé pour déterminer s'il existe une différence significative entre les moyennes de deux groupes, qui peut être liée à certaines caractéristiques. plus Fonctionnement des statistiques non paramétriques Les statistiques non paramétriques font référence à une méthode statistique dans laquelle les données ne sont pas nécessaires pour correspondre à une distribution normale. Les classements ne devraient pas changer. plus Fonctionnement des erreurs types L’erreur type est l’écart type d’un échantillon de population. Il mesure la précision avec laquelle un échantillon représente une population. more Fonctionnement des échantillons aléatoires simples Un échantillon aléatoire simple est un sous-ensemble d'une population statistique dans lequel chaque membre du sous-ensemble a une probabilité égale d'être choisi. Un échantillon aléatoire simple est censé être une représentation non biaisée d'un groupe. plus de liens partenaires