1 中心極限定理の概要
中心極限定理（CLT: Central Limit Theorem）は、独立で同様の確率分布をもつ確率変数を多数合計（または平均）したとき、その分布が条件のもとで正規分布に近づく、という主張である。元の分布の形が多少歪んでいても、和の揺らぎの様子が「正規の形」に集約される点が、この定理の中心的な価値として位置づけられる。
統計学では、標本平均のばらつきがどの程度になるかを見積もる理論的土台になる。推定や検定において正規近似が働く背景を与えるため、誤差評価や信頼区間の計算といった実務の多くに自然に接続する。
1.1 定理の直観
独立な要素が多数集まると、全体の変動は個々の特徴の細部から切り離され、集団としての「平均的な揺らぎ」に支配されるようになる。直感的には、和の分布は極端な偏りを持つ部分が薄まり、中央部が滑らかになっていくため、正規分布らしい形が現れやすいと捉えられる。
さらに、正規分布が分散（ばらつき）という量と強く結び付いていることから、合計のスケールに関する適切な正規化を施すと、極限として正規形が現れやすくなる。ここで「試行が十分多い」という条件が、近似の精度を左右する要素になる。
1.2 数学的定式化
中心極限定理の代表的な形では、独立で同分布の確率変数の和を考え、適切な正規化（標準化）を施した後に分布が正規分布へ近づくことが示される。厳密には「近づく」の意味は収束の概念により表現される。
定理の書き方は流儀により複数あるが、共通する骨格は「和（または平均）」「独立性・同分布」「正規化」「正規分布への収束」である。
1.2.1 和と平均の定義
確率変数 \(X_1, X_2, \dots\) を考え、それらの部分和 \[ S_n = \sum_{i=1}^{n} X_i \] を導入する。標本平均は \[ \bar{X}_n = \frac{1}{n} S_n \] で定義される。
分布の近似を論じる際には、平均そのものを用いる方法と、和を用いてから平均に読み替える方法がある。いずれにせよ同じ情報を含むが、スケーリングの記述が変わるため、定式化の見通しがやや異なる。
1.2.2 正規化（標準化）の考え方
合計しただけでは、平均の大きさに応じて中心（位置）がずれ、ばらつきの程度に応じて広がり（尺度）が変わる。そこで、期待値と分散を用いて形を比較できるように調整する。
具体的には、平均 \(\mathbb{E}[X_i]\) を差し引き、標準偏差（分散の平方根）で割ることにより、位置とスケールを揃える。この操作により、極限として正規分布が現れる状況が記述できる。正規化の選び方を誤ると、極限の形が正しく対応しない。
1.3 適用条件の全体像
最も基本的な中心極限定理では、独立同分布といった条件が置かれる。ここで独立性は、個々の変動が互いに影響しないという前提を与える。同分布は、同じ分布形に従うことを意味し、典型的には期待値と分散が有限であることが要求される。
一方で、現実のデータでは独立性が完全でない場合や、分布が同一でない場合がある。そのため、一般化として独立性の緩和や、分散条件の工夫、より弱い依存関係の許容などが検討される。重要なのは、極限の正規性が「平均化の仕組み」によって生じるため、依存や重い裾が極端でないことが多くの定理で要請される点である。
1.4 具体的な例（概念理解）
例として、コイン投げのように成功・失敗を \(\{0,1\}\) の値で表した確率変数を考えると、\(S_n\) は試行回数に対する成功数に対応する。成功数の分布は二項分布として表せるが、試行回数が大きいと、適切に標準化した成功数は正規分布に近づく。
また、測定誤差が必ずしも正規でない場合でも、多数の独立な誤差成分を合成すると、和の分布が正規形に近づくことが期待できる。これは「入力分布がどうであっても、合成後の揺らぎは正規化されやすい」という中心極限定理の直観に沿う。
2 典型的な定理の形
中心極限定理は複数の定式化を持つ。まず独立同分布の典型形がもっとも広く知られ、ついで独立性や同分布性の緩和、分散の扱い、さらに変数変換による別表現が紹介できる。
定理の細部は条件に依存するため、ここでは「何を仮定し、何がどの意味で近づくのか」を見通しよく整理する。
2.1 独立同分布の場合
独立同分布（i.i.d.）は、中心極限定理の基本ケースである。期待値と分散が有限であれば、適切な正規化により、標準化された和（または平均）が正規分布へ収束する。
この形は、統計実務の「標本平均を正規分布とみなす」根拠として頻繁に引用される。
2.1.1 標本平均の収束
平均 \(\mu=\mathbb{E}[X_i]\)、分散 \(\sigma^2=\mathrm{Var}(X_i)\) が有限であるとする。標本平均 \(\bar{X}_n\) から \[ \frac{\sqrt{n}\,(\bar{X}_n-\mu)}{\sigma} \] を構成する。この量は、\(n\) が増えるにつれて標準正規分布へ近づくと結論づけられる。
直感的には、平均からのずれは試行数の増加とともに縮むが、その縮み方は \(\sqrt{n}\) のオーダーに対応する。したがって、適切に拡大して形を比較すると極限が安定して正規になる。
2.1.2 収束の意味（分布収束）
「近づく」を厳密化するために、分布収束（分布の弱い収束）という概念が用いられる。これは、標準化した確率変数の分布関数が、任意の連続点で極限の分布関数へ近づくこととして捉えられる。
この意味では、点ごとの確率の一致を保証するのではなく、区間や集合に対する確率の振る舞いが極限に従っていく形で成立する。したがって、有限の \(n\) では完全一致ではないが、大きな \(n\) でよく近似できることが見込まれる。
2.2 より一般化された形
独立同分布の設定は理想化であるため、より一般の条件のもとで中心極限定理が成り立つかが研究されてきた。ここでは独立性や同分布性の緩和と、分散・有界性といった観点から代表的な方向性を整理する。
一般化の多くは「正規性が崩れる要因」をどう抑えるかに焦点を当てる。
2.2.1 棒状の条件（独立・同分布の緩和）
完全な同分布を仮定せずとも、分布のばらつきが極端でなければ正規近似が成り立つ場合がある。代表的には、独立性は維持しつつ、各 \(X_i\) がわずかに異なる分布に従っていても、全体としての分散構造が整うといった形で述べられる。
また、依存関係がある場合には、依存の強さが十分弱いことや、遠い項があまり連動しないことが要求される。依存が強いと、平均化が機能せず、正規形への近づきが崩れる可能性がある。
2.2.2 分散条件と有界性
一般化では、分散が有限であることが基本要件として現れることが多い。ただし、分散だけでは不十分な場合もあり、より高次のモーメント（例えば三次や四次）に関する制約や、テイル（裾）の重さを抑える条件が用いられる。
有界性に近い仮定が置かれると、極端な値が頻繁に現れにくくなり、正規近似の安定性が増す。逆に、重い裾を持つ分布では標準的な中心極限定理の形から外れ、別の極限定理（安定分布型など）に向かうことがある。
2.3 別表現（和の中心化・スケーリング）
中心極限定理は、和に対する「中心化」と「スケーリング」を強調する書き方でも整理できる。中心化は期待値を引いて位置を揃える操作、スケーリングは分散に基づく倍率調整である。
この観点から、一般の独立同分布の \(S_n\) について \[ \frac{S_n-n\mu}{\sigma\sqrt{n}} \] のような形が自然に現れる。これは平均版と等価であり、同じ正規収束を異なる表現として示している。
また、和をそのまま扱うよりも、平均で書いたほうが統計推論に直結する場合がある。用途に応じて表現を選ぶことが実務では重要になる。
3 収束とその評価
中心極限定理の効果は「無限に大きい極限で正規」だけでなく、「有限の試行数でどれだけ正規っぽいか」という評価に現れる。ここでは収束の種類と、それを定量化する考え方を扱う。
近似精度は、条件の強さや分布の偏り、テイルの重さなどに左右される。
3.1 収束の種類
収束の概念は複数あり、中心極限定理で現れるのは主に分布収束である。ただし周辺には、より強い形の収束や、収束速度の話題が存在する。
どの収束が成立するかで、有限標本の挙動の読み取り方が変わる。
3.1.1 分布収束の概念
分布収束は、標準化した確率変数の分布が極限の分布へ近づくことを示す。具体的には、極限分布の連続点で分布関数が一致する方向へ進むという形で表される。
この性質は、ある区間に対する確率の計算を近似する際に有用である。たとえば「ある閾値を超える確率」などは、近似の精度を定量化する枠組みとして利用される。
3.1.2 同時に何が言えるか
分布収束が分かると、多くの場合で累積確率の近似が可能になる。しかし、収束の種類が分かっても「ほとんど確実に（サンプルパス上で）」どの値へ向かうかまでは直ちに保証されない。
したがって、統計推論で必要になるのは、しばしば分布の近さ、具体的には誤差評価や収束速度である。収束の強さを見誤ると、実務上の近似が思ったほど正確でないことがあり得る。
3.2 近似精度の考え方
中心極限定理は「理想的には正規」という結論を与えるが、現実は有限の \(n\) で使う。そこで近似精度を高め、判断を可能にするための枠組みが必要になる。
近似精度の議論は、誤差がどのオーダーで減るかという見通しへつながる。
3.2.1 多項式近似・誤差の直観
正規近似により得られる分布関数の差は、しばしばテイラー展開に基づく補正で理解されることがある。具体的には、正規分布を基準にして、元の分布の歪み（非対称性）や尖り（テイルの厚さ）を反映する係数が加わるような形で表される。
この種の補正は、元の分布が正規に近いほど小さくなり、歪みが大きいほど顕著になる傾向がある。近似を「改善する」方向性として捉えられる。
3.2.2 実務での「十分大きい」の判断
「十分多い」を数学的に厳密な数で一律に定めることは一般に難しい。代わりに、分布の形状、分散の大きさ、モーメントの性質、そして目的（区間推定か検定か）に応じて判断することになる。
実務では、正規近似の結果と、シミュレーション（ブートストラップやモンテカルロ）による比較、あるいは尾部確率の妥当性を検討することで、近似が十分かを見積もることが多い。
3.3 代表的な誤差評価（考え方）
誤差評価は、中心極限定理による近似からどれほどズレるかを上から抑える試みとして整理できる。一般には、分布の性質（例えば高次モーメント）と試行数 \(n\) の関数として誤差が評価される。
評価に用いられる距離の取り方は複数ある。分布関数の最大差、密度のずれ、期待値に対する補正など、目的に応じた指標が選ばれるため、同じ「精度」でも比較の意味が変わる点に注意が必要である。
4 応用先：統計推論と実験データ
中心極限定理の実務上の価値は、標本平均を正規分布で近似できる状況を提供することにある。これにより、推定や検定、計算機実験での検証が行いやすくなる。
ここでは、典型的な応用の流れと注意点をまとめる。
4.1 標本平均の正規近似
標本平均 \(\bar{X}_n\) は、適切な正規化により標準正規分布に近づく。これを逆に用いると、\(\bar{X}_n\) が真の平均 \(\mu\) からどれほど離れる可能性があるかを見積もれる。
結果として、標本平均の分布を「平均は \(\mu\)、ばらつきは \(\sigma/\sqrt{n}\) 程度」という形で近似できる。実務の計算では、未知の \(\sigma\) を標本から推定し、その推定誤差も考慮して手続きが作られることが多い。
4.2 推定（区間推定）の根拠
区間推定では、真のパラメータが信頼区間に含まれる確率（またはその近似）を目標に設定する。中心極限定理は、推定量の分布を正規近似し、そのもとで分位点を用いる根拠を与える。
特に平均の推定では、標本平均の揺らぎを正規分布として扱うことで、誤差幅（マージン・オブ・エラー）の算出が可能になる。分位点の選択は信頼水準に対応し、計算が体系化される。
4.3 仮説検定へのつながり
仮説検定では、帰無仮説のもとで検定統計量がどの分布に従うかを基に有意性を判定する。中心極限定理により、標準化された推定量が近似的に正規になるため、棄却域や p 値計算の枠組みを構築できる。
具体的には、平均との差を標準誤差で割った量が正規分布に近いとみなされることで、検定が「正規分位点で判定する」形へ整理される。データ生成機構が未知でも、独立性や分散の条件が満たされる範囲で適用できる点が利点になる。
4.4 乱数実験・シミュレーションでの確認
中心極限定理は、理論だけでなく計算機実験でも確認しやすい。既知の分布から乱数を生成し、和や平均を大量に繰り返し、その分布をヒストグラムや分布関数で観察することで、正規形への近づきが視覚的に確かめられる。
さらに、試行数 \(n\) を変化させると、近似がどの速度で改善するかが比較できる。これは近似精度の感覚を養うのに役立ち、実務の判断材料にもなる。
4.5 よくある誤解と注意点
中心極限定理は強力だが、万能ではない。成立条件が崩れると正規近似が破綻し、推定や検定が誤った結論につながる可能性がある。
よくある誤解は「試行回数が多ければ必ず正規になる」といった過度な期待である。条件の確認が重要になる。
4.5.1 サンプル数が少ないとき
サンプル数が小さい場合、分布はまだ正規近似の極限に十分近づかない。特に歪みや尖りが強い分布では、尾部の確率がずれやすく、区間推定のカバー率や検定のタイプI/II誤差が理想から外れる。
このときは、正規近似の代わりに分布に即した手法（ブートストラップ等）や、より適切な近似式（補正を含む手続き）を検討する余地が生まれる。
4.5.2 分布が極端なときの限界
分布の裾が極端に重い場合や、極端な外れ値が頻繁に出る場合には、標準的な中心極限定理の枠組みから外れることがある。特に分散が有限でない状況では、正規形への収束という結論自体が成立しない可能性が高まる。
また、依存が強いと平均化がうまく機能せず、和の変動が個々の分散の単純な合成として扱えなくなる。分布の形とデータの生成過程の両方を確認することが、限界への対処として重要になる。