Un ensemble de résultats limites affirmant que des sommes (ou moyennes) correctement normalisées de nombreuses variables aléatoires indépendantes (ou faiblement dépendantes) de variance finie convergent en loi vers une loi gaussienne lorsque le nombre de termes tend vers l'infini, sous des conditions de régularité modestes (par ex. Lindeberg ou Lyapunov).

Principe

L'idée organisatrice est l'universalité émergente : l'aléa microscopique avec second moment fini, après centrage et mise à l'échelle, perd les détails de sa loi et approche l'attracteur gaussien universel déterminé seulement par la moyenne et la variance.

Démonstration

Pour des variables iid de moyenne μ et variance σ^2, la somme S_n centrée par nμ et normalisée par √nσ converge en loi vers N(0,1) ; numériquement cela explique pourquoi des moyennes d'échantillons paraissent approximativement normales même si les variables individuelles ne le sont pas.

Mauvaise application

Utiliser le TLC pour justifier des approximations gaussiennes lorsque la variance est infinie, en présence d'queues lourdes (alors des lois stables s'appliquent), ou quand la dépendance est forte et viole les conditions de mélange conduit à des conclusions trompeuses sur les queues et le risque.

Conséquence

Le TLC justifie les approximations normales en statistique et en modélisation appliquée, fonde les intervalles de confiance et tests pour grands échantillons, et explique l'omniprésence des fluctuations gaussiennes dans de nombreux phénomènes agrégés.

Inversion

La perspective inverse met l'accent sur les régimes où le TLC échoue : des sommes de variables à queues lourdes convergent vers des lois stables non gaussiennes, et la dépendance ou les événements extrêmes peuvent dominer la somme rendant l'approximation gaussienne invalide.

Limite

Exige une normalisation appropriée et un second moment fini (ou des conditions de type Lindeberg) ; les vitesses de convergence, corrections pour échantillons finis (développements d'Edgeworth) et extensions dépendantes/hétérogènes doivent être vérifiées au cas par cas ; le TLC ne donne pas de probabilités de queue précises pour n fini.

Tension sémantique

Il existe une tension entre la normalité asymptotique du TLC et les besoins pratiques de précision pour échantillons finis et l'évaluation du risque de queue ; on surestime parfois l'applicabilité du TLC pour n modéré ou on néglige la finitude des moments et la structure de dépendance.

Synthèse

Le Théorème Limite Central formalise comment l'agrégation et la mise à l'échelle produisent un comportement gaussien universel à partir de nombreuses petites contributions indépendantes de variance finie ; sa puissance réside dans l'universalité, mais son applicabilité exige de vérifier moments et dépendance et parfois des raffinements pour échantillons finis.