Luật số lớn nói rằng khi số lần thử tăng lên, trung bình mẫu tiến dần về kỳ vọng thật; định lý giới hạn trung tâm nói thêm rằng độ lệch của trung bình mẫu quanh kỳ vọng có phân phối gần chuẩn, với độ rộng giảm theo căn bậc hai của cỡ mẫu. Định lý thứ nhất cho biết trung bình đi về đâu, định lý thứ hai cho biết nó dao động thế nào trên đường đi.
Hai định lý này là lý do thống kê suy luận làm được việc: ta không cần biết hình dạng phân phối gốc vẫn tính được khoảng tin cậy cho trung bình. Bài này giải thích từng định lý bằng ví dụ xúc xắc và đồng xu, chỉ ra những hiểu lầm phổ biến như "luật bù trừ", nêu điều kiện để định lý đúng, và hướng dẫn tự mô phỏng bằng bảng tính với sự hỗ trợ của AI.
Luật số lớn: trung bình đi về đâu
Tung một đồng xu cân đối. Sau 10 lần, tỉ lệ mặt ngửa có thể là 30% hay 70% mà chẳng có gì lạ. Sau 1.000 lần, tỉ lệ đó gần như chắc chắn nằm trong khoảng từ 46% đến 54%. Sau một triệu lần, nó dính sát 50% đến mức phải nhìn ở chữ số thập phân thứ ba mới thấy lệch. Đó là nội dung của luật số lớn: trung bình của nhiều lần thử độc lập, cùng phân phối, tiến về kỳ vọng khi số lần thử tăng lên.
Phiên bản đầu tiên được Jacob Bernoulli chứng minh cho trường hợp tỉ lệ thành công, công bố sau khi ông mất trong tác phẩm năm 1713. Giáo trình hiện đại phân biệt luật yếu (xác suất trung bình lệch xa kỳ vọng tiến về 0) và luật mạnh (trung bình hội tụ về kỳ vọng với xác suất 1). Ở mức năm nhất, bạn chỉ cần nắm ý chung.
Luật số lớn là nền móng cho rất nhiều thứ quen thuộc: bảo hiểm dựa vào việc tổng chi trả của hàng vạn hợp đồng ổn định dù từng hợp đồng không đoán được; khảo sát dựa vào việc tỉ lệ của mẫu lớn gần tỉ lệ thật; mô phỏng Monte Carlo dựa vào việc trung bình của nhiều lần chạy ngẫu nhiên ước lượng được một đại lượng khó tính trực tiếp.
Điều luật số lớn không nói: nó không nói gì về một lần thử riêng lẻ, cũng không nói trung bình tiến về kỳ vọng nhanh đến mức nào. Phần tốc độ thuộc về định lý giới hạn trung tâm.
Hiểu lầm phổ biến: "luật bù trừ"
Biểu hiện. Sau năm lần tung liên tiếp ra mặt sấp, nhiều người tin lần sau "phải" ra mặt ngửa để tỉ lệ cân bằng lại. Đây là nguỵ biện Monte Carlo, đã nhắc ở bài về nghịch lý xác suất của danh mục này.
Vì sao sai. Đồng xu không nhớ kết quả cũ. Xác suất lần sau vẫn là 1/2. Luật số lớn không hoạt động bằng cách bù lại các lần lệch, mà bằng cách pha loãng chúng: năm lần sấp thừa ra là nhiều so với 10 lần tung, nhưng chẳng đáng kể so với 10.000 lần.
Con số minh hoạ. Giả sử sau 10 lần bạn có 2 ngửa, tỉ lệ 20%. Nếu 990 lần tiếp theo cho đúng một nửa ngửa, tức 495 lần, tổng cộng 497 trên 1.000, tỉ lệ 49,7%. Không cần bù trừ gì, tỉ lệ vẫn về gần 50%. Hiệu số tuyệt đối giữa số ngửa và số sấp thì không có xu hướng về 0, thậm chí thường lớn dần; chỉ tỉ lệ mới hội tụ.
Nguỵ biện con số nhỏ. Mặt trái của luật số lớn: với mẫu nhỏ, trung bình dao động rất mạnh. Một lớp 10 người có tỉ lệ đạt cao bất thường không chứng minh được gì về phương pháp dạy; những trường, những địa phương nhỏ thường xuất hiện ở cả đầu bảng lẫn cuối bảng của các thống kê tỉ lệ, chỉ vì mẫu nhỏ dao động nhiều.
Định lý giới hạn trung tâm: trung bình dao động thế nào
Lấy một con xúc xắc, kỳ vọng 3,5, độ lệch chuẩn khoảng 1,71. Phân phối của một lần tung là phẳng: sáu mặt mỗi mặt 1/6, không có hình chuông nào cả. Bây giờ tung hai con và lấy tổng: tổng 7 có sáu cách ra, tổng 2 và 12 mỗi cái chỉ một cách, phân phối thành hình tam giác nhọn ở giữa. Tung năm con, mười con và lấy trung bình, hình dạng ngày càng giống chuông Gauss.
Định lý giới hạn trung tâm phát biểu: với các biến độc lập, cùng phân phối, có kỳ vọng μ và độ lệch chuẩn σ hữu hạn, trung bình của n biến có phân phối xấp xỉ chuẩn với kỳ vọng μ và độ lệch chuẩn σ chia căn của n, khi n đủ lớn. Đại lượng σ chia căn n gọi là sai số chuẩn của trung bình.
Với xúc xắc, n = 25: sai số chuẩn bằng 1,71 / 5, khoảng 0,34. Theo quy tắc chuẩn, khoảng 95% trung bình của 25 lần tung nằm trong 3,5 cộng trừ 1,96 × 0,34, tức khoảng từ 2,83 đến 4,17. Muốn khoảng này hẹp đi một nửa, phải tung 100 lần mỗi lượt, gấp bốn chứ không phải gấp đôi.
Phần kỳ diệu là định lý không đòi hỏi phân phối gốc có hình gì, miễn có phương sai hữu hạn. Phân phối gốc càng lệch, n cần càng lớn để xấp xỉ tốt; với phân phối đối xứng như xúc xắc, n vài chục đã rất sát.
Phân biệt hai định lý trong một bảng
Sinh viên hay trộn hai định lý vào nhau. Bảng dưới đặt chúng cạnh nhau để thấy mỗi định lý trả lời câu hỏi nào.
| Luật số lớn | Định lý giới hạn trung tâm | |
|---|---|---|
| Câu hỏi trả lời | Trung bình mẫu tiến về đâu | Trung bình mẫu dao động quanh đích theo hình dạng nào, rộng bao nhiêu |
| Kết luận | Trung bình mẫu tiến về kỳ vọng μ | Trung bình mẫu xấp xỉ chuẩn, độ lệch chuẩn σ chia căn n |
| Điều kiện chính | Độc lập, cùng phân phối, có kỳ vọng | Thêm phương sai hữu hạn, n đủ lớn |
| Dùng để | Biện minh cho việc ước lượng bằng trung bình, mô phỏng | Tính khoảng tin cậy, kiểm định, ước lượng sai số |
| Không nói | Tốc độ hội tụ, hình dạng sai lệch | Bản thân dữ liệu gốc trở nên chuẩn |
Dòng cuối quan trọng: định lý giới hạn trung tâm nói về phân phối của trung bình, không phải phân phối của dữ liệu. Thu thêm dữ liệu thời gian chờ không làm thời gian chờ có hình chuông; chỉ trung bình của nhiều thời gian chờ mới có hình chuông. Nhầm điểm này dẫn đến việc dùng quy tắc 68–95–99,7 cho dữ liệu lệch và đánh giá sai khả năng gặp giá trị cực đoan.
Hai định lý cùng làm việc: ước lượng số pi bằng điểm ngẫu nhiên
Một ví dụ cho thấy cả hai định lý trong cùng một thí nghiệm: ước lượng số pi bằng cách rải điểm ngẫu nhiên. Lấy hình vuông cạnh 1, vẽ một phần tư hình tròn bán kính 1 có tâm ở một góc. Diện tích phần tư hình tròn là pi / 4, khoảng 0,785. Rải đều n điểm ngẫu nhiên vào hình vuông, đếm tỉ lệ điểm rơi vào phần tư hình tròn, tức điểm có x² + y² không vượt quá 1, rồi nhân 4.
Luật số lớn bảo đảm tỉ lệ đó tiến về pi / 4, nên kết quả nhân 4 tiến về pi. Định lý giới hạn trung tâm cho biết sai số cỡ nào: với n = 10.000 điểm, sai số chuẩn của tỉ lệ là căn của 0,785 × 0,215 / 10.000, khoảng 0,0041; nhân 4 được khoảng 0,016. Vậy khoảng 95% số lần chạy cho kết quả trong khoảng 3,14 cộng trừ 0,03 chừng đó. Muốn chính xác đến chữ số thập phân thứ ba một cách đáng tin, cần cỡ một triệu điểm.
Đây là phương pháp kém hiệu quả để tính pi, các nhà toán học có những chuỗi hội tụ nhanh hơn rất nhiều. Nhưng ý tưởng của nó, gọi là phương pháp Monte Carlo, dùng được cho những bài toán không có công thức: tích phân nhiều chiều, xác suất trong hệ thống phức tạp, rủi ro của một danh mục nhiều thành phần. Và nhờ định lý giới hạn trung tâm, người làm mô phỏng luôn biết kết quả của mình sai trong khoảng bao nhiêu, điều mà một con số đơn lẻ không cho biết.
Khi nào định lý không dùng được hoặc dùng phải cẩn thận
Mẫu nhỏ từ phân phối lệch. Ví dụ giả định: thời gian xử lý hồ sơ phần lớn vài phút nhưng thỉnh thoảng vài giờ. Với 10 hồ sơ, trung bình mẫu vẫn còn lệch rõ; quy tắc "n từ 30 trở lên" trong nhiều sách chỉ là kinh nghiệm, không đúng cho mọi trường hợp.
Dữ liệu không độc lập. Doanh số các ngày liên tiếp, nhiệt độ các giờ liên tiếp thường tương quan. Sai số chuẩn tính theo σ chia căn n sẽ quá nhỏ, khoảng tin cậy hẹp giả tạo.
Phương sai không hữu hạn. Một số phân phối đuôi rất dày như phân phối Cauchy không có kỳ vọng hữu hạn; trung bình mẫu không hội tụ và định lý không áp dụng. Trường hợp này hiếm trong bài tập năm nhất, nhưng dữ liệu đuôi dày gần với nó lại không hiếm trong thực tế.
Mẫu không ngẫu nhiên. Định lý nói về sai số ngẫu nhiên. Nếu mẫu bị chọn lệch, trung bình hội tụ rất đẹp, nhưng hội tụ về một con số sai.
Tự mô phỏng bằng bảng tính với sự trợ giúp của AI
Nhìn tận mắt chuông Gauss mọc ra từ xúc xắc giúp nhớ định lý lâu hơn mọi lời giải thích. Quy trình dưới đây làm được trong một buổi tối.
- Hỏi chatbot: "Hướng dẫn em tạo bảng tính mô phỏng: mỗi dòng tung 1 con xúc xắc, 2 con, 5 con, 25 con và tính trung bình từng nhóm; làm 1.000 dòng. Giải thích từng hàm và cách vẽ biểu đồ tần suất cho từng cột."
- Kiểm công thức trước khi chạy: hàm ngẫu nhiên phải sinh số nguyên từ 1 đến 6, mỗi số khả năng như nhau.
- Vẽ biểu đồ tần suất bốn cột trung bình. Cột 1 con phẳng, cột 2 con tam giác, cột 5 và 25 con ngày càng giống chuông và ngày càng hẹp.
- Tính độ lệch chuẩn của cột 25 con và so với 1,71 / 5 ≈ 0,34. Hai số nên gần nhau.
- Thử lại với phân phối lệch: thay xúc xắc bằng một biến nhận giá trị 1 với xác suất 0,9 và 10 với xác suất 0,1. Bạn sẽ thấy cần n lớn hơn nhiều để ra hình chuông, một bài học thực tế về điều kiện của định lý.
Nếu sau đó bạn mô phỏng với dữ liệu thật từ công việc, như thời gian giao hàng, chỉ cần cột số đo; bỏ tên khách, địa chỉ và mã đơn trước khi đưa cho bất kỳ công cụ AI nào.
Câu hỏi thường gặp
Luật số lớn có nghĩa là kết quả sẽ tự cân bằng lại không?
Không. Luật số lớn không bù trừ các lần lệch trước đó mà pha loãng chúng trong số lần thử ngày càng lớn. Mỗi lần thử mới vẫn có xác suất như cũ, bất kể chuỗi kết quả trước.
Cỡ mẫu bao nhiêu thì định lý giới hạn trung tâm dùng được?
Không có con số chung. Con số 30 hay được nhắc chỉ là kinh nghiệm cho dữ liệu không quá lệch. Dữ liệu càng lệch hoặc đuôi càng dày thì cần mẫu càng lớn. Cách kiểm tốt là mô phỏng hoặc vẽ phân phối trung bình qua bootstrap.
Sai số chuẩn khác độ lệch chuẩn thế nào?
Độ lệch chuẩn đo độ phân tán của từng quan sát. Sai số chuẩn đo độ phân tán của trung bình mẫu nếu lặp lại việc lấy mẫu, bằng độ lệch chuẩn chia căn bậc hai cỡ mẫu, nên nhỏ dần khi mẫu lớn lên.
Vì sao muốn giảm sai số một nửa phải tăng mẫu gấp bốn?
Vì sai số chuẩn tỉ lệ với một chia căn bậc hai của n. Căn của 4n bằng 2 lần căn của n, nên gấp bốn cỡ mẫu chỉ làm sai số giảm một nửa. Đây là lý do độ chính xác cao rất tốn kém.
Định lý giới hạn trung tâm có làm dữ liệu trở thành phân phối chuẩn không?
Không. Định lý nói về phân phối của trung bình hoặc tổng nhiều quan sát. Dữ liệu gốc giữ nguyên hình dạng của nó, dù lệch hay có nhiều đỉnh, bất kể bạn thu thêm bao nhiêu.
Có cần chứng minh định lý giới hạn trung tâm ở năm nhất không?
Thường không. Chứng minh đầy đủ dùng hàm đặc trưng hoặc hàm sinh mô men, thuộc chương trình xác suất nâng cao. Năm nhất cần hiểu phát biểu, điều kiện và biết áp dụng vào khoảng tin cậy, kiểm định.